ABSTRACT

Keywords: Retirement; Human Resource Management; Business Intelligence.

Recebido em 19/05/2025.<= span style=3D'letter-spacing:2.2pt'> Aprovado em 14/10/2025. Avaliado<= span style=3D'letter-spacing:-.2pt'> pelo sistema double blind peer review. conforme normas da ABNT.

1 <= /h1>

As Instituições Federais de Ensino (IFEs) passaram por transformações significativas nas últimas décadas, impulsionadas = pelo Decreto nº 6.096/2007 (BRA= SIL, 2007), que instituiu o Programa de Apoio a Planos de Reestruturação e Expansão das Universidades Federais (REUNI). Esse programa buscou ampliar o acesso e a permanência estudantil na<= span style=3D'letter-spacing:-.35pt'> educação superior, tendo como metas a expansão da oferta de vagas em cursos de graduação, especialmente no período noturno, a redução da evasão estudantil, = o fortalecimento da estrutura<= span style=3D'letter-spacing:-1.05pt'> física das instituiç= ões bem como a adoção de modelos acadêmicos inovadores.

Para at= ender a essas metas, as universidades que aderiram ao programa ampliaram significativamente suas estrutura= s, contrataram mais professor= es e abriram novos cursos. No entanto, mudanças na política econômica nos anos seguintes resultaram em restrições financeiras, orçamentá= rias e de pessoal, comprometendo a sustentabilidade desse crescimento.

Entre as limitações financeiras e orçamentárias, ressalt= a-se o contingenciamento e os cortes no orçamento, com destaque para a Em= enda Constitucional nº 95/2016 (BRASIL, 2016), que instituiu o novo regime fiscal no âmbito<= span style=3D'letter-spacing:-.35pt'> dos orçamentos fiscal e da seguridade soci= al da União, em vigor por vinte anos. Esse contingenciame= nto limitou o crescimento dos investimentos públicos e restringiu o aume= nto das despesas com educação, comprometendo o custeio e a manutenção da expansão. Destacam-se também a Le= i de Diretrizes Orçamentárias= (LDO) e a Lei Orçamentária Anual (LOA), que, a partir de 2017, reduziram os recursos discricionários, afetando projetos de infraestrutura, pesquisa e assistência estudantil.

A limitação de pessoal prejudicou o crescimento das universidad= es devido à impossibilidade de contratação de mais servidores docentes e técnico-administrativos limitados pela contenção fiscal. O Decreto nº 7.232/2010 (BRASIL, 2010) estabeleceu o Quadro de Referência dos Servidores Técnico- Administrativos (QRSTA), mas limitou a reposição dos cargos de nível operacional e em extinção, dificultando a renovação da força de trabalho qualificada. Ressalta-se também o Decreto nº 9.262/2018 (Brasil, 2018) que extinguiu milhares de cargos técnicos administrativos, impactando a gest&atild= e;o e o suporte acadêmico nas universidades além da a= lteração do sistema de previdência social estabelecendo novas regras de transição.

Ressalt= a-se também a implementação do Sistema de Seleç&atil= de;o Unificada (SISU), que ampliou a oferta de vagas nas instituições, facilitando o acesso ao ensino superior público. A legislaç= ;ão relacionada ao SISU inclui também a Lei n&or= dm; 12.711/2012 (BRASIL, 2012), conhecida como Lei de Cotas, que determina a reserva de vagas para estudantes de escolas públicas, de baixa renda, negros, pardos, indígenas e pessoas com deficiência.

Somado = a esse contexto, a reforma administrativa, aliada à reforma da previdência, resultou em um aumento expressivo no número de aposentadorias, reduzindo a força de trabalho nas instituições. Ademais, observa-se um contingente significativ= o de servidores que já cumpriram os requisitos para aposentadoria, o que implica a possibilidade de desligamentos imediatos, agravando os desafios relacionados à gestão de pessoal e à continuidade das atividades institucionais.

Diante = disso, para aumentar a eficiência dos processos de controle e gestão,= torna-se necessária a implementação e uso de tecnologias da informação que, por meio da consolidação de bases de dados primár= ias, permitam a construção e a geração de indicadores na área de gestão e desenvolvimento de pessoal. Conforme destacado por A= ssis (2014), é essencial que qualquer instituição realize medições = para alcançar seus objetivos= . Emerge, assim, a necessidade de implementar tecnologias da informação que deem suporte aos processos de planejamento e controle da gestão de mão de obra, ao seu redimensionamento <= /span>decorrente dos processos de aposentadoria e da dificuldade de reposição de determinados cargos.

Diante = desses desafios, observa-se a crescente adoção de ferramentas de Business Intelligence em universi= dades, devido a entrega de dados analíticos aos gestores para auxiliar no processo decisório. Medina et al. (2018) exploraram o uso do conceito de Business Intelligence em uma universidade chilena por meio do desenvolvimento de um Data Mart voltado à obtenção de indicadores de produtividade acadêmica, com o objetivo de apoiar decisõ= es estratégicas. O processo de construção do Data Mart seguiu etapas específicas, incluindo= análise, projeto conc= eitual de modelo multidimensional (MM), processo ETL acrescido da etapa de Validação (ETL + V), e processamento analítico. Foram criados dois Data Marts: um contendo indicadores relacionados à produtividade dos professo= res e outro voltado para indicadores de produtividade científica. Para o processo ETL, foi empregada a ferramenta Pentaho Data Integration (PDI), en= quanto o Qlikview foi utilizado na eta= pa OLAP. Como resultado, foi desenvolvida uma plataforma de inteligência de negócios capaz de apoiar a tomada de decisões estratégicas de maneira eficaz.

Em trab= alho voltado para a implementação de Business Intelligence na área de ensino do Instituto Fed= eral da Bahia, de Souza Barreto e Freitas (2020), ressaltaram a importância dos indicadores como ferramenta essencial para a avaliaçã= ;o do desempenho das instituições de ensino. O estudo teve como foco a identificação dos principais indicadores educacionais = da instituição e suas aplicações, propondo uma solução de Business Intelligence baseada na utilização do Power BI, plataforma da Microsoft= . Essa proposta visa à extração de<= span style=3D'letter-spacing:-1.5pt'> microdados a partir dos sistemas acadêmico e administrati= vo da instituição, com o propósito de gerar indicadores estratégicos que apoiem decisões relacionadas à gestão e ao acompanhamento da = vida acadêmica.

De acordo com Souza (2021), foi desenvolvido um Data Mart utilizando o processo de Business Intelligence, com o uso exclusivo de ferramentas open source, na gestão = de pessoas da Universidade Federal de Viçosa (UFV), com o objetivo de gerar relatórios quantitativos sobre os servidores da instituição relacionados aos cargos. Os dados apontaram que, em 2021, dos 3.242 servidores ativos, cerca de 32% ocu= pavam cargos classificados como "extintos" (sem possibilidade de reposição via concurso público) ou "vedad= os" (com concursos suspensos). Essa realidade é preocupante, pois impossibilita a reposição de servidores por meio de concursos, comprometendo a manutenção das atividades institucionais e a força de trabalho necessária para o funcionamento adequado da universidade.

Nesse c= ontexto, conforme Da Silva Souza et al. (2021a), “Uma solução para medir e gerar indicadores de desempenho é a utilização do conceito de Business Intelligence que agrupa ferramentas inteligent= es gerando informações precisas e sólidas que auxiliem= no processo de gestão”. Conforme Rob e Coronel (2010), Business Intelligence é “um conceito amplo, coeso e integrado de ferramentas e processos para captar, coletar, integrar, armazenar e analisar dados para transformá-los em informações que deem suporte à tomada de decisões de negócio”. Esse conceito ressalta a importância da integração e análise dos dados por meio de ferramentas tecnológicas, possibilitando uma gestão mais eficiente e alin= hada às necessidades institucionais.

Dessa f= orma, as Instituições Federais de Ensino (IFEs), com destaque para o s= etor de gestão de pessoas da Universidade Federal de Viçosa (UFV), enfrentam o desafio de incorporar tecnologias da informação capazes de subsidiar o processo decisório, sobretudo no planejamento= das futuras aposentadorias de seus servidores. A adoção dessas tecnologias permite analisar detalhadamente os dados do quadro ativo, identificar perfis elegíveis à aposentadoria e projetar cenários de vacância com base nos critérios definidos p= ela Emenda Constitucional nº 103/2019 (BRASIL, 2019).

Antes da implementação dessa solução, entretanto, a Pró-Reitoria de Gestão de Pessoas (PGP) da UFV não dispunha de instrumentos de gestão integrados que possibilit= assem uma visão consolidada, atualizada e preditiva do seu quadro funcional. = As informações sobre aposentadorias e abono de permanência= - benefício concedido a servid= ores públicos que, mesmo após preencherem os requisitos<= span style=3D'letter-spacing:-1.3pt'> para aposentadoria voluntária, optam por permanecer em atividade, recebendo = valor equivalente à contribuição previdenciária - encontravam-se dispersas em diferentes sistemas administrativos, exigindo consultas manuais, demoradas e suscetíveis a inconsistências. = Essa fragmentação com= prometia o planejamento de pessoal, dificultava a elabora&cced= il;ão de projeções e limitava a capacidade institucional de antecip= ar cenários críticos. Nesse contexto, o desenvolvimento do proce= sso de Business Intelligence surgiu= como resposta estratégica a essa lacuna, ao consolidar múltiplas bases de dados e oferecer uma visão analítica integrada, preci= sa e dinâmica da força de trabalho da instituição.

Este ar= tigo propõe o uso de ferramentas = open source aplicadas ao processo de Business Intelligence para a implementação de um Data Mart voltado às projeções de futuras aposentadorias dos servidores nos próximos cinco anos. A seleção e o uso de diversas soluções tecnológicas para a integração de dados provenientes de múlt= iplas fontes serão essenciais= para a elaboração de relatórios gerenciais, se= ja em tempo real ou organizados por períodos específicos. Esses relatórios proporcionarão o fornecimento contínuo de informações integradas, tanto quantitativas quanto qualitativ= as, garantindo a rapidez e a flexibilidade necessárias à gestão dos processos relacionados ao controle, movimentação e desenvolvimento de pessoal na Instituição.

2 REFERENCIAL TEÓRICO

Nas seções seguintes, são di= scutidos os principais fundamentos teóricos necessários para compreend= er a importância do desenvolvimento de ferramentas específicas voltadas ao setor público, com ênfase na Governança Pública, na Gestão de Pessoas nas Instituições Federais de Ensino (IFEs), no Business Intelligence e nas Limitações e Desafios= do uso dessa tecnologia na Administração Pública.

2.1 Governança Pública e Gestão<= span style=3D'letter-spacing:-.3pt'> de Pessoas nas IFEs

A administração pública, conforme disposto no Decreto-Lei nº 200 (BRASIL, 1967), compreende a administra&cce= dil;ão direta e a indireta. A primeira é constituída pelos serviços integrados à estrutura administrativa da Presidência da República e dos ministérios, enquanto a segunda abrange entidades com personalidade jurídica própria, como autarquias, empresas públicas, sociedades de economia mista e fundações públicas.

De acordo com o texto constitu= cional, a administração pública direta e indir= eta deve obedecer aos princípi= os da legalidade, impessoalidade,moralidade, publicidad= e e eficiência, além dos princípios de acessibilidade e investidura em cargo ou emprego público, mediante aprovação prévia em concurso público, conforme sua natureza e complexidade, na forma prevista em lei.

Destaca= m-se também as legisla&cce= dil;ões específicas, como a Lei Complementar nº 131/2009 (BRASIL. 2009), que estabelece a obrigatoriedade de disponibilizar, em tempo real, informações detalhadas, sobre a execução orçamentária e financeira dos entes federados e a Lei nº 13.709/2018 (BRASIL, 2018), a Lei Geral de Proteção de Dados (LGPD), que regulamenta o uso, proteção e transferência de dados pessoais, assegurando direitos e garantias dos cidadãos.

Desde a década de 1980, segundo Secchi (2009), diversas mudanças vêm sendo implementadas na gestão pública, com o objeti= vo de modernizar a administração e aprimorar a qualidade dos serviços oferecidos, influenciadas por práticas e modelos do setor privado. Dentre essas mudanças, destaca-se a gestão de pessoas, definida por Terabe e Bergue (2014) como o esforço de articular es= tratégias para o suprimento, a manuten&cced= il;ão e o desenvolvimento de pessoas, considerando os valores culturais e as condições específicas do contexto organizacional.=

Para Oliveira Menon e Delcidio (2020) em uma entidade pública, a gestã= o de pessoas exige uma abordagem única, alinhada com os princípios fundamentais da legislação, como legalidade, impessoalidade, moralidade, publicidade e eficiência, que formam a base da cidadania e dos serviços públicos. Diante desses princípios, assegura-= se decisões ágeis e fundamentadas na legislação vigente.

Ressalt= a-se, neste aspecto, a Reforma da Previdência e o estabelecimento das regra= s de transição pela Emenda Constitucional nº 103/2019 (BRASIL= , 2019) demandando dos setores de gestão de pessoas a implementação de novas ferramentas para análise de cenários e planejamento estratégico, especialmente em um contexto de aumento de vacâncias e limitações legais para reposição de pessoal.

A Reforma da Previdência introduziu mudanças significativas nas regras de aposentadoria dos servidores públicos. Para servidores<= span style=3D'letter-spacing:-.5pt'> efetivos da União, a aposentadoria é regulamentada pelo Regime Próprio de Previdência Social (RPPS) e pode ocorrer de forma voluntária com<= span style=3D'letter-spacing:-1.05pt'> proventos integrais, v= oluntária com proventos proporcionais ao= tempo de serviço, ou compuls&oacut= e;ria aos 75 anos.

A Emenda Constitucional nº 103/2019 (BRASIL, 2019), estabeleceu idade mí= nima de 65 anos para homens e 62 anos para mulheres, além de 25 anos de tempo de contribuição, sendo necessário 10 anos de serviç= ;o público e 5 anos no cargo efetivo. Regras diferenciadas foram criadas<= span style=3D'letter-spacing:3.95pt'> para servidores expostos a condições insalubres, com idade mínima de 60 anos e 25 anos de contribuição. Também foram instituídas regras de transição, c= omo a pontuação 86/96,que <= /span>permite a aposentadoria voluntária para mulheres<= span style=3D'letter-spacing:-.15pt'> aos 56 anos de idade e 30 anos de contribuição, e para homens aos 61 anos de idade e 35 anos de contribuição, com exigência de 20 anos de serviço público e 5 anos no cargo efetivo. A pontuação aumenta anualmente até atingir 100 pontos para mulheres e 105 para homens. Essas mudanças reforçam a necessidade de ferramentas de simulação= e projeção, capazes de auxiliar no planejamento das vacâncias e na continuidade dos serviços públicos, seja por meio de servidor= es efetivos ou terceirizados.=

Neste c= ontexto, Assis (2014) destaca a relevância de que a administração pública empregue variados tipos de indicadores para mensuração e análise. A observação do comportamento dos dados, a partir de cenários variados e da

combinação de diferentes métricas, possibilita aos gestores antecipar ou reavaliar situações, permitindo a realização de ajustes necessários e, consequentemente, promovendo uma utilizaç&atil= de;o mais eficiente dos recursos púb= licos.

Diante = do cenário apresentado, é evidente que a modernizaç&atild= e;o e a inovação na gestão de pessoas são fundament= ais para o fortalecimento da governança pública, especialmente nas Instituições Federais de Ensino. A utilização de sistemas integrados, a análi= se estratégica e o cumprimento dos princípios= constitucionais são pilares que contribuem para o desenvolvimento de uma administração pública mais eficiente e transparente.

2.2&= nbsp; Business Intelligence<= /span>

Business Intelligence é um conjunto de tecno= logias amplo, coeso e integrado de ferramentas e processos utilizados para dar suporte à tomada de decisão (Da silva Souza et al., 2021a). Atualmente, qualqu= er organização necessita de informações precisas q= ue podem ser obtidas a partir de Busin= ess Intelligence.

Primak = (2008, p. 5), afirma que Business Intellig= ence é “um processo inteligente de coleta, organização, análise, compartilhamento e monitoração de dados conti= dos em Data Warehouse (DW) e/ou Data Mart (DM), gerando informações para suporte à tomada de decisões no ambiente de negócios”.

Conforme Coronel e Morris (2016), a Figura 1 demonstra a arquitetura do processo do = Business Intelligence.<= /span>

3D"Diagrama

Figura 1 - Arquitetura do Business Intelligence

Fonte: Coronel e Morris (2016)

Segundo Primak (2008), a arquitetura do Business Intelligence é estruturada em quatro componentes principais: Dad= os Operacionais, Processo ETL (Extract, Transform, Load), Data Warehous= e (DW) e On-Line Analytical Processing (OLAP). Cada um desses elementos desempenha um papel fundamental para assegurar a coleta, o armazenamento e a análise eficiente dos dados, possibilita= ndo a geração de insights estratégicos para as organizações.

O mesmo= autor define que os Dados Operacionais abrangem tanto as fontes internas — = que consistem nos sistemas e registros corporativos — quanto as fontes externas, que incluem informações provenientes de outras entidades. Essas fontes são essenciais, pois fornecem as informações brutas que serão processadas ao longo do sistema de Business Intelligence.

Da Silv= a Souza et al. (2021b), defin que o proces= so ETL representa uma etapa crítica da arquitetura, composta por três fases principais= : a extração dos dados de diversas fontes; a transformaç&ati= lde;o desses dados para garantir sua consistência, integridade e conformidade = com os padrões estabelecidos; e, por fim, a carga das informações tratadas no DW. Esse processo assegura que os dados estejam organizados e preparados para aná= ;lises posteriores, garantindo sua= qualidade e relevâ= ncia.

Machado= (2007), afirma que o DW é a base de armazenamento centralizada onde os dados integrados e consolidados são mantidos. Trata-se de um repositório que suporta consultas e análises complexas, oferecendo uma= visão ampla e histórica das informa&cc= edil;ões da organização.<= span style=3D'letter-spacing:-1.1pt'> O DW é estruturado para facilitar o acesso rápido e eficiente aos dados, sendo otimizado para suportar grandes volumes de informações.

De acordo com Inmon (1997), o DW é defin= ido como "um conjunto de dados baseado em ass= untos, integrado, não volátil e variável em relaç&atil= de;o ao tempo, projetado para apoiar a tomada de decisões gerenciais"= ;.

Conform= e Primak (2008), o DW é formado pela combinaç&at= ilde;o de diversos Data Marts, que são respo= nsáveis por armazenar informações específicas de setores organizacionais. Esses Data Marts desempenham um papel fundamental no suporte às decisões estratégicas, além de serem caracterizados por custos reduzid= os e implementação ágil.

Por fim= , no ambiente de OLAP, os dados multidimensionais são disponibilizados aos usuários finais de forma acessível, por meio de relató= rios apresentados em formatos como gráficos, tabelas e mapas, facilitando= a visualização e a análise de informações estratégicas.

2.3 Limitações e Desafios do Uso do Business Intelligence na Administração Pública

A adoção de ferramentas de Business Intelligence e Analytics no= setor público depende menos de infraestrutura tecnológica e mais da consolidação de uma cultura organizacional orientada para o u= so estratégico dos dados, com apoio institucional e engajamento dos gestores (ESPEGREN, 2025). O fortalecimento dessa cultura é essencial para que a análise de dados deixe de ser uma atividade isolada e passe a integrar de forma contínua os processos de planejamento e gestão de pessoas na administração pública.

Entre os desafios mais recorrentes, destaca-se a governança de dados, compreendida, conforme Bernardo et al. (2024)= , como o conjunto de políticas, processos e responsabilidades voltados a assegurar a disponibilidade, integridade, segurança e rastreabilidade das informaçõ= es. A ausência de estruturas de d= ata governance bem definidas gera inconsistências e retrabalhos, reduzindo a confiabilidade das análises e comprometendo o uso estratégico das ferramentas de Business Intelligence. As organizações — especialmente as públicas — ainda carecem de práticas sistemática= s de qualidade e monitoramento dos dados, capazes de garantir padrões mínimos de consistência e confiabilidade nas bases utilizadas = para fins decisórios.

Al&eacu= te;m das limitações técnicas, persistem barreiras organizaciona= is e comportamentais que dificultam a consolidação do Business Intelligence na administração pública. Conforme Takawira et al. (2024), a resistência à mudança, a falta de capacitação analít= ica e a ausência de liderança comprometida com o uso de dados são fatores que reduzem o impacto das iniciativas de analytics nas organizaç= ões públicas. Os autores ressaltam que a tecnologia, por si só, não ger= a valor, sendo indispensá= vel um ambiente

institucional favoráve= l, pautado pela comunicação interna, pelo incentivo à aprendizagem contínua e pelo alinhamento entre tecnologia, estratégia e gestão de pessoas. Assim, a maturidade analítica depende menos da disponibilidade de sistemas e mais do fortalecimento da liderança e da cultura organizacional orientada ao= uso estratégico da informação para a tomada de decisão.

Em &aci= rc;mbito internacional, Hmoud et al. (20= 23) analisaram fatores que influenciam a adoção do Business Intelligence em instituições de ensino superior públicas e privadas da Jordânia, com base no modelo = Technology– Organization–Environment (TOE). O estudo identificou que o sucess= o na implementação dessa tecnologia depende menos de fatores exter= nos e mais de elementos internos, como a cultura informacional, o apoio da alta gestão, a qualidade dos dados e o preparo organizacional. Os autores destacam que a complexidade tecnológica e a dificuldade de integração entre sistemas constituem os principais entraves à sua adoção, reforçando que a maturidade analítica institucional está diretamente relacionada à eficiência da governança de dados e ao fortalecimento de uma cultura orientada pelo uso estratégico da informação.<= o:p>

Outro a= specto relevante refere-se às questões éticas e legais associ= adas ao tratamento e à utilização de dados no contexto do Business Intelligence aplicado &ag= rave; administração pública. O uso de informaçõ= ;es funcionais e previdenciárias requer políticas rigorosas de segurança, anonimização e acesso controlado, alé= ;m de práticas transparentes de gestão de dados que assegurem o cumprimento<= span style=3D'letter-spacing:-1.5pt'> dos princípios de finalidade, necessidade e proporcionalidade, co= nforme estabelece a Lei nº 13.709/2018 (Lei Geral de Proteção de Dados – LGPD). A ausência de mecanismos de accountability e de transparência na gestão dos da= dos, como destacam Cerrillo-Martínez e Casadesús-de-Mingo (2021), = pode comprometer a confiança dos gestores e da sociedade, reduzindo a legitimidade= das decisões baseadas em dados. Assim, a consolidação do Business Intelligence na gestão pública requer não apenas governança e cultura analítica, mas também comprometimento ético e normativo na coleta, tratamento e interpretação das informações utilizadas para fins estratégicos e decisórios.

Por fim, ressalta-se que a consolidação do Business Intelligence como instrumento de governança pública não depende apenas de investimentos em infraestrutura tecnológica, mas sobretudo da maturidade institucional e da adoção de uma cultura organizacional orientada por evidê= ;ncias. Conforme Davenport e Harris (2017), o verdadeiro valor do Business Intelligence não reside apenas nas ferramentas tecnológic= as, mas na capacidade institucional de integrar tecnologia, pessoas e processos= sob uma cultura organizacional orientada por evidências e orientada por princípios éticos de gestão da informaçã= o. Assim, o desenvolvimento de competências analíticas, a institucionalização de políticas de governança = de dados e o comprometimento dos gestores com a transparência são condições essenciais para que as organizações públicas consigam transformar dados em conhecimento, conhecimento em inteligência e inteligência em decisões efetivas, sustentáveis e socialmente legítimas.

3 <= /h1>

Nesta p= esquisa, foram utilizados dados institucionais fornecidos pela Pró-Reitoria de Gestão de Pessoas (PGP) da UFV, abrangendo informações sobre os servidores ativos no m&eci= rc;s de janeiro de 2025. O principal objetivo foi calcular o número<= span style=3D'letter-spacing:-.4pt'> de servidores que poderão solicitar o Abono de Permanê= ncia nos próximos cinco anos. Ressalta-se que a concessão desse benef&ia= cute;cio não

implica, necessariamente, na saída desses servidore= s da instituição, mas sim no reconhecimento de seu direito ao referido benefício, conforme as<= span style=3D'letter-spacing:-1.05pt'> condições estabeleci= das. O desenvolvimento metodológico seguiu o fluxograma apresentado na Figura 1, que orient= a as etapas de extração, transformação e carga dos d= ados utilizados na pesquisa.

A modelagem do processo Business Intelligence = foi realizada com a ferramenta StarUML = 5.0, uma solução open sour= ce. Após a instalação, a ferramenta foi customizad= a para a modelagem de dados espaciais, utilizando o m= odelo UML GeoProfile (Lisboa Filho, et al., 2010).

Para o processo ETL, foi empregada a ferramenta Pentaho Data Integration (PDI), versão 8.3, seguindo metodologias<= span style=3D'letter-spacing:-1.15pt'> consagradas de Inmon (1997), Kimball (1998), de Barros et= al. (2022) e Da Silva Souza et al. (2021b). Essa ferramenta, também de código aberto, oferece flexibilidade para se conectar a diferentes Sistemas Gerenciadores de Banco= de Dados (SGBDs). O banco de dados multidimensional escolhido foi o PostgreSQL, versão 12.3, uma solução open source <= /i>amplamente reconhecida por sua robustez, confiabilidade e desempenho na gestão = de grandes volumes de dados.

Os resu= ltados da pesquisa foram apresentados por meio de dashboards desenvolvidos na ferramenta Pentaho CDE, versão 8.3. Todas as implementações foram realizadas em um ambiente configurado com o Sistema Operacional Linux Ubuntu 20.4.

A model= agem multidimensional é ilustrada na Figura 2, com o diagrama UML apresentando uma tabela Fato no centro "Fato Faixa Etaria Tempo", conectada a dez tabelas<= span style=3D'letter-spacing:-1.05pt'> de dimensões (Prefixo DIM) que são: DIM_Cargo_Status; Status_Tempo; Funcionario; Faixa_Etaria; Servidor; Cargo; lotacao; Sexo; Campus (representação espacial pontual); e Tempo. Além disso, a Tabela DIM_Historico_Averbacao liga= da diretamente a DIM_Funcionario.

Para realizar a carga na tabela Fato_Faixa_Etaria_Tempo, foram criadas 11 tabelas temporárias dimensões (prefixo STG), definidas como: STG_Servidor; Cargo; Cargo_Status; Lotacao; Func= ionario; Historico_Averbacao; Campus; Sexo; Faixa_Etaria; Status_Tempo; e Tempo. As Tabelas STG_Cargo, STG_Historico_Averbacao, STG_Lotacao, STG_Funcionario foram conectadas diretamente às bases de dados da PGP, enquanto as demais tabelas for= am alimentadas a partir de arquivos externos nos formatos CSV e TXT.

Os detalhes técnicos referentes à estrutura de dados, rotinas de transformação e processos automatizados de carga encontram-se descritos no Apêndice A = 211; Detalhamento Técnico do Processo ETL.

Figura 2 - Modelagem Multidimensional

Fonte: Autores (2025)=

= 4 <= /h1>

A implementação do processo de Business Intelligence na Instituição em estudo, possibilitou a consolidação e a visualização de informações estratégicas= a partir dos dados obtidos na pesquisa. O acesso ao sistema é disponibilizado por meio de um link, onde os gestores podem entrar utilizando login e senha, garantindo segurança e exclusividade na consulta às informaç&oti= lde;es.

As Figuras 3, 4 e 5, apresentadas no Apêndic= e A, ilustram as etapas de extração, transformação e carga (ETL) descritas nesta seçã= ;o. A seguir, a Figura 6 apresenta a tela inicial do sistema, oferecendo uma visão= geral dos

3.058 servidores ativos nos três campi da UFV, detalhando sua distribuição por gênero, campus, categorias de professores e técnicos administrativos, além de disponibilizar informações so= bre 458 servidores que recebem o Abono de Permanência. Este fato indica q= ue esses servidores possuem condições de se desligarem d= a Instituição a qualquer tempo e representa um dado estratégico relevante para o planejamento e a gestão institucional.

Outras<= span style=3D'letter-spacing:-.55pt'> informações sobre os servidores aptos a solicitar aposentadoria nos próximos c= inco anos, bem como sobre aqueles que recebem o benefício de Abono de Permanência, são detalhadas n= a Figura 7. Também são disponibilizados dois tipos de relatórios, nos form= atos PDF e XLS: um contendo informações dos servidores que n&atild= e;o recebem o Abono de Permanência e outro abrangendo todos os demais servidores. Esses relatórios fornecem uma visão ampla e funcional, facilitando o planejamento e a gestão institucional. Ambo= s os relatórios incluem os seguintes campos: Matrícula SIAPE, Nome, Data de Aposentadoria, Cargo e Status do Cargo. Os dados são organizados e distribuídos em quantitativos projetados para os próximos cinco anos, proporcionando uma análise objetiva e detalhada das informações.

Figura 6 - Quantitativo Geral dos Servidores Ativos da UFV

Fonte: Autores (2025)=

Adicion= almente, na lateral direita da Figura 7, o ícone de lupa localizado no quadro 'Abono' apresenta o número de servidores que recebem o Abono de Permanência. Essas informações também podem ser acessadas em formato PDF, garantindo praticidade e uma visão consolidada, auxiliando no planejamento institucional. O relatório fornece detalhes como Matrícula SIAPE, Nome, Idade, Sexo, Cargo e Status do Cargo.

Na mesma figura, é apresentado um gráfico de barras intitulado como "Projeção de Aposentadoria Gênero", juntamente com uma tabela denominada "Projeção de Aposentadoria por Situação do Cargo", ambos referentes aos próximos cinco anos, desconsiderando os servidores que recebem o Abono de Permanência.<= /p>
A análise dos dados evidencia que os servidores em cargos classificados como "Extinto&qu= ot; e "Vedado" representam aproximadamente 49% do total de 278 servidor= es que poderão solicitar aposentadoria nesse período. Isso demonstra u= ma tendência preocupante de redução do quadro funcional em áreas estratégicas. Ressalta-se que, caso esses servidores se aposentem, não será possível realizar concu= rsos para reposição de desses cargos, o que pode impactar significativamente a força de trabalho da instituição e comprometer a continuidade das atividades institucionais.=

Figura 7 - Servidores que podem Solicitar Aposentadoria P= róximos 5 anos

<= /p>
Fonte: Autores (2025)=

Do tota= l de 458 servidores beneficiários do Abono de Permanência, aproximadame= nte 68% ocupam cargos classificados como "Vedado" ou "Extinto&qu= ot;, categorias nas quais não é permitido realizar concursos para = reposição das vagas. Consequentemente, a saída desses servidores resultar&aacu= te; na perda permanente dessas posições, representando um impacto significativo na força de trabalho da UFV e exigindo a adoç&a= tilde;o de medidas de reestruturação para minimizar os efeitos dessa redução.

Figura 8 - Servidores que já enquadram nas regras de aposentadoria por status de cargo

<= /p>
Fonte: Autores (2025)=

À direita da Figura 8, é apresentada uma tabela que combina os dados d= os servidores aptos a se aposentar nos próximos cinco anos com os que já recebem o benefício de Abono de Permanência. Do tota= l de 736 servidores, aproximadamente 60% ocupam cargos classificados como "Extinto" ou "Vedado", o que significa que, caso esses servidores se desliguem da institui&cc= edil;ão, suas vagas serão perdidas, resultando em potencial sobrecarga para os servidores remanescentes e comprometendo a continuidade das atividades institucionais.

Na mesm= a tela, encontra-se um mapa do OpenStreetMap, alimentado com dados do Nominatim (Figura 9), que exibe a localização dos três campi da UFV localizados em Viçosa (M= G), Florestal (MG) e Rio Paranaíba (MG). Ao clicar em um dos pontos no m= apa, é exibida uma nova tela contendo os quantitativos de servidores apto= s a se aposentar nos próximos cinco anos. Do total de 278 servidores, o Campus De Florestal conta com 19 servidores que atendem aos critério= s para aposentadoria. No Campus de Rio Paranaíba, nenhum servido= r se enquadra nos requisitos, enquanto no Campus de Viçosa esse número sobe para

259 servidores. Es= tes dados reforçam a necessidade de uma política de gestã= ;o de pessoas diferenciada entre os campi, considerando o impacto desigual das aposentadorias previstas.

Por fim= , o mesmo dashboard apresenta a Fig= ura 10, uma base concreta para a definição de estratégias = de reposição e reorganização da força de trabalho, alinhadas às restrições legais e às necessidades institucionais, ao projetar os quantitativos de aposentadorias, sem levar em consideração os servidores que recebem<= span style=3D'letter-spacing:-1.0pt'> Abono de Permanência,<= span style=3D'letter-spacing:-1.05pt'> classificados por cargo e status dos cargos nos próximos quatro anos.

O desenvolvimento do processo de Business Intelligence (BI) na Pró- Reitoria de Gestão de Pessoas (PGP) da Universidade Federal de Viçosa (UFV) representou um avanço significativo em termos de eficiência, integração e qualidade das informações gerenciais. Antes da implantação do sistema, o acesso aos dados era fragmentado e dependente da Diretoria de Tecnologia da Informação, exigindo consultas manuais e demora= das, que frequentemente levavam dias= para serem concluídas. Com a nova solução, esse processo passou a ocorrer de forma centraliza= da, segura e imediata, por meio de um painel integrado com autenticação de usuário, garantindo maior autonomia e rapidez na consulta às informações institucionais.

Figura 9 - Projeção de Aposentadorias por Campus

Fonte: Autores (2025)=

Figura 10 - Cargos classificados por Status Cargos=

Fonte: Autores (2025)=

O tempo= de geração de relatórios, anteriormente comprometido por procedimentos manuais suscetíveis a erros, foi reduzido de forma expressiva. Os relatórios pas= saram a ser produzidos automaticamente em poucos segundos, com possibilidade de= exportação em formatos PDF e XLS, otimizando o trabalho das equipes e eliminando retrabalhos desnecessários.

No que = se refere à integração das bases de dados, a ausênc= ia de interoperabilidade entre o SIAPE e os sistemas internos da PGP constituía um dos principais entraves à gestão eficiente. Com o uso do processo ETL (Extract, Transform, Loa= d), foi possível padronizar, validar e auditar as informaçõ= ;es, garantindo consistência e integridade aos dados utilizados nas análises.

O plane= jamento de aposentadorias, antes limitado pela falta de uma visão consolidad= a e preditiva, foi aprimorado com a geração automática de projeções e com a identificação dos servidores = com direito ao Abono de Permanência. Esse novo recurso permitiu aos gesto= res antecipar cenários de vacância e elaborar estratégias de reposição e capacitação com base em dados reais e continuamente atualizados.

A tomad= a de decisão, que antes se apoiava em planilhas fragmentadas e análises manuais, passou a basear-se em painéis dinâmic= os e indicadores estratégicos disponíveis em tempo real, ampliando= a agilidade, a precisão e a confiabilidade das deliberaçõ= ;es gerenciais.

5 <= /h1>
A implementação do processo de Business Intelligence na gestão de pessoas da UFV evidenciou o potencial estratégico dessa tecnologi= a para o planejamento de aposentador= ias e a sustentabilidade da forç= a de trabalho nas Instituições Fede= rais de Ensino (IFEs). A consolidação das bases de dados e a integração das informações antes dispersas permitiram à instituição obter indicadores precisos e confiáveis sobre o perfil dos servidores ativos, segmentados por sta= tus de cargo e elegibilidade para aposentadoria, o que fortalece o planejamento institucional e a tomada de decisões baseadas em evidências.

Os resu= ltados revelaram um contingente expressivo de servidores em condiçõe= s de aposentadoria, o que reforça a necessidade de políticas institucionais voltadas à gestão e ao desenvolvimento de pess= oas, com foco na substituição planejada, na redistribuição de tarefas e na manutenção da eficiência operacional.= No contexto das IFEs, marcadas por severas restriç= ões à reposição de cargos extintos ou vedados, a utilização do Business Intelligence torna-se um instrumento essencial para antecipar cenários críticos e propor estratégias de mitigação dos impactos decorrentes da reduç= ;ão de pessoal.

Outro aspecto relevante do estudo é o uso exclusivo de ferramentas open source, o que elimina custos com licenças de software e possibilita a replicação do modelo em outras instituições públicas, assegurando vi= abilidade econômica e autonomia tecnológica. A integração entre o banco de dados do Sistema Integrado de Administração = de Recursos Humanos (SIAPE) e as bases internas da instituição demonstrou flexibilidade e adaptabilidade do modelo proposto, além de reforçar o alinhamento às políticas de transparê= ncia e governança de dados.

As ferr= amentas de Business Intelligence desenvolvidas já se encontram em uso pela Pró-Reitoria de Gestão de Pessoas (PGP), promovendo maior agilidade na obten&ccedi= l;ão de informações estratégicas, redução do tempo de resposta e melhoria na qualidade= das análises gerenciais. Essas evidências confirmam que o Business Intelligence é uma solução de alto impacto na administração pública, especialmente quando orientado = por dados institucionais de qualidade e pela necessidade de eficiência na gestão.

Por fim= , os ganhos em governança e transparência foram igualmente relevant= es. A dificuldade antes existente em consolidar e comunicar informações &agr= ave; alta gestão foi superada com a disponibilização de indicadores padronizados e acessíveis, os quais passaram a subsidiar a elaboração do Plano de Desenvolvimento Institucional = (PDI) e outros relatórios estratégicos da universidade. Dessa forma, o Busine= ss Intelligence consolidou-se como ferramenta essencial para a modernização da gestão pública, promovendo decisões fundamentadas em evidências e fortalecendo a cultura institucional de planejamento e responsabilidade administrativa. Além dis= so, o modelo pode ser adotado por outras instituições públicas, promovendo uma cultura de gestão orientada por dados, ética e responsabilidade institucional.

Como continuidade da pesquisa, recomenda-se a ampliação do Data Mart com novas dimensõ= es analíticas relacionadas à capacitação, progressão funcional e movimentação interna de servido= res. Essa evolução permitirá análises ainda mais abrangentes sobre desenvolvimento de capital humano e sustentabilidade da força de trabalho, fortalecendo o papel do Business Intelligence como instrumento de apoio ao planejamento estratégico, à transparência e à modernização da gestão pública.

AGRADECI= MENTOS<= /p>
Os autores agradecem à Universidade Federal de Viçosa pela autoriza&c= cedil;ão de uso de dados reais. Este projeto foi parcialmente financiado com recursos da Fapemig – Fundação de Amparo à Pesquisa do Estad= o de Minas Gerais.

REFERÊNCIAS

= BERNARDO, B. M. V.; SÃO MAMEDE, H.; BARROSO, J. M. P.; SANTOS, V. M. P. D.

Data governance & quality management—Innovation and breakthroughs across different fields. Journal of Innovation & Knowledge<= /span>, v. 9, n. 4, 100598, 2024.<= /o:p>

BRASIL. Decreto-Lei n. 200, de 25 de fevereiro de 1967. Dispõe s= obre a organização da Administração Federal, estabel= ece diretrizes para a Reforma Administrativa e dá outras providênc= ias. Disponível em: http://www.planalto.gov.br/ccivil_03/Decreto-Lei/= Del0200.htm. Acesso em: 16 mai= . 2025.

BRASIL. Decreto n. 6.096, de 24 de abril de 2007. Institui o Programa de Apoio a Planos de Reestruturação e Expansão das Universidades Federais – REUNI. Disponível em: http://www.planalto.gov.br/ccivil_03/_ato2007- 2010/2007/decreto/d6096.htm. Acesso em: 18 mar= . 2025.

BRASIL. Lei n. 131, de 27 de maio de 2009. Estabelece normas de finanças públicas voltadas para a responsabilidade na gestão fiscal e dá outras providências.            =              Disponível            =             &nb= sp;            = em: https://www.planalto.gov.br/ccivil_03/leis/2009/L= 131.htm. Acesso em: 5 mar.= 2025.

BRASIL. Decreto n. 7.232, de 19 de julho de 2010. Dispõe sobre os quantitativos de lotação dos cargos dos níveis de classificação “C”, “D” e “ER= 21; integrantes do Plano de Carreira dos Cargos Técnico-Administrativos = em Educação. Disponível em: http://www.planalto.gov.br/ccivil_03/_Ato2007- 2010/2010/Decreto/D7232.htm. Acesso em: 18 mai= . 2025.

BRASIL. Lei n. 12.711, de 29 de agosto de 2012. Dispõe sobre o ingresso nas universidades fe= derais e nas instituições federais de ensino técnico de ní= vel médio. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2011- 2014/2012/lei/l12711.htm. Acesso em: 17 mai= . 2025.

BRASIL. Emenda Constitucional n. 95, de 15 de dezembro de 2016. Altera o Ato das Disposições Constitucionais Transitórias para institui= r o Novo Regime Fiscal.        &= nbsp;           &nbs= p;            &= nbsp; Disponível            =             &nb= sp;          em: .

Acesso em: 17 mai. 2025.

Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015- 2018/2018/decreto/d9262.htm. Acesso em: 17 mar= . 2025.

BRASIL. Lei n. 13.709, de 14 de agosto de 2= 018. Lei Geral de Proteção de Dados        &= nbsp;      Pessoais            =     (LGPD).            Disponível        em: .

Acesso em: 5 mai. 2025.

<= /o:p>

BRASIL. Emenda Constitucional n. 103, de 12 de novembro de 2019. Disponível em: .

Acesso em: 16 mai. 2024.

de la información

CORONEL, C.; MORRIS, S. Database systems: desig= n, implementation, & management. Boston: Cengage Learning, 2016.<= /o:p>

DAVENPORT, T. H.; HARRIS, J. G. Competing on Analytics: Updated, with a New Introduction — The New Science of Winn= ing. Boston: Harvard Business Press, 2017.<= /span>=

DA SILVA SOUZA, E.; ABRANTES, L. A.; LISBOA-FILHO, J. ETL process in a federal

educational institution= : obtaining functional inf= ormation and geolocation of retired servers. In: IBERIAN CONFERENCE ON INFORMATION SYSTEMS AND TECHNOLOGIES – CISTI= , 16., 2021a. Anais [...]

DA SILVA SOUZA, E.; ABRANTES, L. A.; LISBOA-FILHO, J. O uso de data mart para

apoio à tomada de decisão na gestã= ;o de pessoas em uma Instituição Federal de Ensino. In: Workshop de Computação Aplicada em Gove= rno Eletrônico – WCGE, 2021b. Anais [...]. p. 203-214.

DE BARROS, M. N.; SOUZA, E. D. S.; LISBOA-FILHO, J= . Using spatial analysis to calculate the incidence of lung cancer in the region of Muriaé= ;-MG. In: Iberian Conference on Information Systems and Technologies – CIST= I, 17., 2022. Anais [...]. p. 1-6.

DE SOUZA BARRETO, I. M.; FREITAS, A. E. S. Generating intelligence through microd= ata: a business intelligence proposal for the education area of the Bahia Federal Institute. Cadernos de Educação, Tecnologia e Sociedade, v. 13,

n. 4, p. 463-473, 2020.<= /p>

ESPEGREN, Y. Reasons for HR analytics adoption in public sector organisations: evidence from Swedish public administrations. Personnel Review,= v.54, n.7,
p. 1621-1642, 2025.

HMOUD= , H.; AL-ADWAN, A. S.; HORANI, O.; YASEEN, H.; AL ZOUBI, J. Z. Factors

influencing Business Intelligence adoption by higher education institutions. Journal of Open Innova= tion: Technology, Market, and Complexity, v. 9, n. 3= ,

p. 100= 111, 2023.

INMON= , W. H. Como construir o data warehouse. Rio de Janeiro: Campus, 1997.

Ingeniare. Revista chilena de ingenierí= a, Universidad de Tarapacá, v. 26, p. 88–= 101, 2018.

2021.

Takawira, B.; Misheck, M.; Ka= litanyi, V. Leveraging Human Resource (Hr) Analytics for Effective Talent Management in Publ= ic Sector Organisations. Digital Transformation in Public Sector Human Resource Management. IGI Global, 2024. P. 90-114.

APÊNDICE A – Detalhamento Técnico = do Processo ETL

<= /o:p>

Este apêndice apresenta os aspectos técnicos e operacionais do processo ET= L desenvolvido no âmb= ito desta pesquisa, descrevendo<= span style=3D'letter-spacing:-1.05pt'> as etapas de extração, transformação e carga dos dados que compõem o Data Warehouse da UFV.<= /span>

A carga das tabelas temporárias foi programada para ocorrer em horários de = menor demanda de acesso à base de dados, minimizando possíveis impa= ctos no desempenho operacional. Esse processo é automatizado por meio de um job scheduler da ferramenta Pentaho, configurado para executar "a rotina" no primeiro dia de cada mês= . Como resultado, a= carga das tabelas de dimensões (DIM) no DW pode ser realizada a qualquer momento, sem comprometer o desempenho do banco de dados transacional.<= /o:p>

O passo seguinte consistiu na criação de uma rotina no processo ETL p= ara cada tabela STG, em que, ao conectar-se à base de dados da PGP ou nos arquivos nos formatos CSV ou TXT, os dados existentes nas tabelas STG são deletados e substituídos pelos novos dados extraíd= os, garantindo a atualização e a consistência das informações.

Ap&oacu= te;s a realização das cargas nas tabelas de dimensões, foi realizado um processo ETL para a criação e carga de cada tabe= la dimensão com prefixo DIM da Figura 2. Para essa tabela fato, foi utilizada uma tabela com propriedade = de localização espacial, considerando o<= span style=3D'letter-spacing:1.45pt'> campus. Para obter os

dados geográficos dessa tabela, utilizou-se a plataforma OpenStreetMap (OSM), disponível no sítio https://www.open= streetmap.org, onde os três<= span style=3D'letter-spacing:-.45pt'> campi da UFV foram previamente mapeados.

A Figura 3 apresenta uma representaç&a= tilde;o detalhada do processo executado para alimentar a tabela Fa= to, destacando as etapas envolvidas na integração e organização dos dados.

3D"Relógio

Figura 3 - Processo ETL tabela Fato Faixa Etária Tempo

Fonte: Autores (2025)=

No step “DIM_Servidor” (F= igura 3), ocorre a integração com a tabela “DIM_Servidor̶= 1; no DW. Esse procedimento identifica os servidores ativos, organiza-os por classe e determina a faixa etária, além de calcular o tempo d= e serviço incluindo as averbações. Todas essas operaç&oti= lde;es são realizadas por= meio da consulta SQL configurada no step= . As transformações dos dados são realizadas pelos steps “String operationsR= 21;, “Select values1” e “Modified JavaScript value”, que ajustam e processam as informações. No step “DIM_Sexo”, seleciona-se o código do sexo na tabela “Dim_Sexo” e inserido no fluxo do processo. Os s= teps “DIM_Lotacao”, “DIM_Tipo_Servidor”, “Cargo”, “Status_Cargo” e “DIM_Tempo” seguiram o mesmo proce= sso, conectando-se diretamente às respectivas tabelas dimensionais: “DIM_Lotacao”, “DIM_Servidor”, “DIM_Cargo”, “DIM_Status_Cargo” e “DIM_Tempo”. E por fim, no step “Insert / UpdateR= 21;, realizou-se a carga na tabela Fato, resultando no DW.

Em seguida, foi desenvolvido um processo ETL para calcular as previsões de aposentadoria dos servidores nos próximos cinco anos, com base nas diretrizes estabelecidas pela Emenda Constitucional 103/2019 (BRASIL, 2019)= . Na tabela "Fato_Faixa_Etária_Tempo" foi configurado um novo c= ampo denominado “código_tempo_aposentar_pk”, responsáv= el por armazenar a data da provável aposentadoria de cada servidor que = não recebe o Abono de Permanência. Nesse processo, foram considerado= s apenas os artigos da Emenda Constitucional nº

103/2019 (BRASIL, 2019) que se referem aos servidores públicos federais, especificamente os artigos 4º, 10º e 20º.

A Figur= a 4 demonstra o processo ETL para realização do cálculo de futuras aposentadorias nos próximos 5 anos.

&n= bsp;

Figura 4 - Processo ETL Lei nº 103 de 12 de novembro de 2019 aposentadoria

3D"Interface

Fonte: Autores (2025)=

Na Figu= ra 4, o step “Table input” estabelece conexão com a tabela “DIM_Funcionario” no DW. Por meio de uma consulta SQL, são geradas informações relacionadas aos servidores, incluindo idade, soma do tempo de averbação com o tempo de serviço, temp= o de serviço como professor EBBT, tempo de serviço no último cargo e tempo de serviço público. No step “Formula” é calculada a diferenç= a da data atual para a data de pedágio - período adicional de contribuição correspondente a 100% (cem porcento) do tempo que faltava para o servidor atingir o tempo mínimo de contribuição previdenciária para se aposentar -, defin= ida como “12/11/2019”, em conformidade com as disposiç&otild= e;es da Emenda Constitucional nº 103/2019 (BRASIL, 2019). Em seguida, são realizados os tratamentos dos dados nos steps “String operations” e “Select valuesR= 21;.

Nos steps “Art_20” e “Art_20_Professor_EBTT_Normal” são realizados os cálculos das futuras aposentadorias dos servidores com base no Art. = 20 da Emenda Constitucional n° 103/2019 (BRASIL, 2019). Nesses steps, foram realizadas diversas simulações considerando diferentes cenários de aposentadoria, incluindo:<= /o:p>

<= ![if !supportLists]>· &n= bsp; Servidores com tempo normal: cálculo baseado em gênero, idade, tempo de serviço, pedágio e tempo no último cargo.

· &n= bsp; Professores EBTT: cálculos similares aos dos servidores com tempo normal, mas considerando uma redução de 5 anos no tempo de contribuiç&at= ilde;o e na idade mínima, aplicável a ambos os sexos.

Logo depois, no step “Modifie= d JavaScript Value”, = é realizada a projeç= ;ão da data provável de aposentadoria do servidor, considerando a menor data entre os steps do Art_20 e inserido essa informação no fluxo do processo ETL. No step “Art_4”, são realizados cálculos = relacionados ao Art. 4 da Emenda Constitucional nº 103/2019 (BRASIL, 2019), com os mesmos critérios utilizados no Art. = 20, exceto pela exclusão do cálculo do tempo de pedágio. N= esse caso, o processo exige a soma dos pontos resultantes da idade e do tempo de contribuiçã= ;o. No step “Art_4_Professor_EBT= T_Normal”, é calculado o tempo de serviço dos professores EBTT utilizand= o os critérios aplicáveis ao tempo normal de serviço. Em seguida, no step “Modified JavaScript Value 2”, é realizada a projeção da data provável de aposentadori= a do servidor,

considerando os requisitos estabelecidos.

O Art. = 10 apresenta duas modalidades de aposentadoria: uma baseada na idade e outra considerando o tempo de serviço em condições insalubres. O step “Art_10_idade” realiza cálculos semelhan= tes aos dos Art. 20 e Art. 4, porém, sem incluir o cálculo do tempo de pedágio e a soma dos pontos, respectivamente. Já no step “Art_10_Professor_EBTT_= Normal” efetua o cálculo

da provável data de aposentadoria do Professor EBTT. Por fim, no step “Modified Java Script Value 3”, é calcu= lada a melhor data de aposentadoria com base nas regras previstas no Art. 10 par= a a modalidade por idade.

O step “Art_10_Insalubridade&#= 8221; projeta a aposentadoria dos servidores que recebem adicional de insalubrida= de, com base no tempo de serviço em condições insalubres. = Em seguida, o processo armazena a melhor data de aposentadoria dos servidores, considerando as regras previstas nos Art. 4, Art. 10 e Art. 20. No step “Melhor_Data”, são analisadas todas as possíveis datas de aposentadoria calculadas pelos artigos mencionados, e a menor data é selecionada c= omo a mais vantajosa para o servidor.

Em seguida, no step “Selec= t values2”, é reali= zado o tratamento do campo da melhor data de aposentadoria. Posteriormente, no step “DIM Tempo”, é estabelecida a conexão com a tabela “DIM_Tempo” para buscar o código referente à data atual. O me= smo procedimento é executado no = step “DIM Tempo2”, onde é selecionado o código correspondente à data de aposentadoria. Por fim, a carga é realizada no DW com a atualização do campo “código_tempo_aposentar_pk” na tabela fato "Fato_Faixa_Etaria_Tempo" pelo step “Insert / Update”.

Com a conclusão das cargas na tabela fato, foi desenvolvido um cubo OLAP utilizando a ferramenta Schema Work= bench Mondrian. Esse cubo permite a realização de consultas e análises interativas pelos usuários finais, oferecendo uma visão multidimensional dos dados.

Posteri= ormente, foi criado um job no processo E= TL para organizar e sequenciar as= rotinas de transformaç&a= tilde;o, garantindo a execuç= ;ão das cargas nas tabelas STG e DIM. A Figura 5 i= lustra o processo ETL para as tabelas DIM realizando a carga no DW na tabela fato “Fato_Faixa_Etaria_Tempo”.

O fluxo de execução das rotinas inicia-se no step “START= 221; (Figura 05), responsável por disparar o processo de carga dos dados n= o Data Warehouse (DW). As etapas seg= uem a seguinte sequência: “DIM_Averbação”, “DIM_Cargo”, “DIM_Cargo_Status”, “DIM_Lotação”, “DIM_Funcionário̶= 1;, “DIM_Faixa_Etária”, “DIM_Tempo_Serviço”, &= nbsp; “FATO”, = &nb= sp; “Cálculo_Aposentadorias”,= “OpenStreetMap_Campus” e, por fim “Sucess”. Em caso de falhas durante a execução, o processo é interrompido pelo step “Abort job”, e um e-mail contendo o registro detalhado do erro (log) é enviado automaticamente ao administrador por meio do step “Mail”.

Figura 5 - Rotinas job carga na tabela Fato Faixa Etária Tempo

Fonte: Autores (2025)