Projeto 04 - Modelagem Relacional | VitaCare

Sobre o projeto

A VitaCare (nome fictício) não tem nenhuma estrutura de banco de dados relacional de verdade ,os dados vivem espalhados em planilhas e cadastros soltos. Este projeto é o trabalho de modelar, do zero, o banco de dados transacional (OLTP) dessa nova operação, junto com as consultas SQL que respondem às principais perguntas de negócio das áreas de RH, Financeiro, Diretoria e Recepção/Operações

O contexto de negócio completo e a lista de perguntas de negócio estão em docs/contexto-e-perguntas-negocio.md.

Objetivo de aprendizagem

Este não é um projeto de "copiar solução pronta". O objetivo é que cada colaboradora estude e pratique, na prática, os seguintes tópicos:

• Modelagem de dados relacional (entidades, atributos, chaves)
• Cardinalidade (1:1, 1:N, N:N) e quando criar tabela associativa
• Normalização (1FN, 2FN, 3FN),partindo de dado "sujo"/desnormalizado
• Diagrama Entidade-Relacionamento (DER/MER)
• DDL (CREATE TABLE, constraints, chaves estrangeiras, tipos de dado)
• Carga/ETL de dados (CSV → banco)
• Escrita de SQL de negócio (do simples ao avançado: JOIN, subquery, agregação, window functions) Índices (o que indexar, por quê, e como medir o ganho)
• Views e Stored Procedures
• Triggers
• Trabalho colaborativo com Git (branches, PRs, issues, code review)

Equipe

Projeto para 3 colaboradoras. A divisão de tarefas está nas issues do repositório (ver ISSUES.md), cada entregável abaixo vira uma ou mais issues, distribuídas entre as três, com revisão cruzada obrigatória (ninguém aprova o próprio PR).

Dataset

Base de partida: Hospital Management Dataset (Kaggle), contém Pacientes, Médicos, Consultas e Faturamento.

Esse dataset não é normalizado nem completo de propósito, vocês vão precisar:

• Modelar entidades que faltam (Especialidade, Convênio, Clínica/Unidade, Prescrição, Exame, Prontuário)
• Criar a tabela associativa Medico_Especialidade (relação N:N)
• Complementar com dados sintéticos onde o dataset for raso, garantindo volume suficiente para as perguntas de negócio funcionarem de forma realista

Entregáveis (requisitos do projeto)

Todo entregável abaixo é obrigatório, exceto onde marcado como opcional. Cada um vira uma issue própria, não iniciem um entregável sem ele estar como issue aberta e atribuída.

• 1. Contexto de negócio (docs/) - Documento do cenário VitaCare (já iniciado).
• 2. DER / MER (modelagem/) - Diagrama completo com cardinalidades, feito em dbdiagram.io ou MySQL Workbench.
• 3. Dicionário de dados (docs/) - Tabela → campo → tipo → PK/FK → obrigatoriedade → descrição.
• 4. Normalização documentada (docs/normalizacao/) - "Antes" (dado cru) e "depois" em 1FN/2FN/3FN, com justificativa de cada decomposição.
• 5. Script DDL (sql/ddl/) - CREATE TABLE completo, com constraints, FKs e tipos corretos.
• 6. Script de carga (ETL) (etl/) - Python (pandas + SQLAlchemy) ou LOAD DATA INFILE, do CSV para o banco.
• 7. Perguntas de negócio (sql/queries/) - Todas as queries SQL respondendo às perguntas em docs/contexto-e-perguntas-negocio.md.
• 8. Índices (sql/indices/) - Criação de índices + justificativa técnica (EXPLAIN antes/depois).
• 9. Views e Stored Procedures (sql/views/, sql/procedures/) - Mínimo 2 views e 1 stored procedures, cada uma com justificativa de negócio.
• 10. Trigger (sql/triggers/) - Pelo menos 1 trigger (ex.: auditoria de cancelamento/remarcação de consulta). |

Requisitos técnicos

• SGBD: MySQL ou PostgreSQL (definir em conjunto e documentar a escolha no README de modelagem/)
• Versionamento: Git + GitHub, seguindo o fluxo descrito em CONTRIBUTING.md
• Toda decisão de modelagem relevante deve ser documentada, não apenas implementada, o "porquê" importa tanto quanto o "como"

Como fazer download do Postgres + PgAdmin: Lab01-AWS-DMS página 13

Definição de Pronto (Definition of Done) do projeto

• Todos os 10 entregáveis estão completos e mergeados na branch principal.
• Todas as issues estão fechadas.
• O script DDL roda do zero sem erro e recria o banco completo.
• Todas as perguntas de negócio têm query funcional e testada.
• Existe pelo menos 1 revisão cruzada registrada em cada Pull Request (PR) para cada colabboradora.
• O README de cada pasta explica o que está ali e como rodar/usar.

Estrutura de pastas sugerida

.
├── README.md
├── CONTRIBUTING.md
├── ISSUES.md
├── docs/
│   ├── contexto-e-perguntas-negocio.md
│   └── normalizacao/
├── modelagem/
│   └── der.png / der.dbml
├── sql/
│   ├── ddl/
│   ├── queries/
│   ├── indices/
│   ├── views/
│   ├── procedures/
│   └── triggers/
└── etl/

Curso de apoio

Antes ou durante o projeto, façam o curso abaixo, ele cobre a base teórica da maior parte dos entregáveis (modelagem, normalização, dicionário de dados, DDL/DML/DQL, JOINs, Views/Procedures/Triggers):

Bancos de Dados Relacionais - (Udemy)

O que vocês vão aprender lá:

• Modelagem Conceitual, Lógica e Física de um projeto de Banco de Dados
• SQL (DQL, DML, DDL) e T-SQL
• Normalização (1FN, 2FN, 3FN)
• Dicionários de Dados
• Instalação de MySQL, PostgreSQL, SQL Server e Oracle
• INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL JOIN
• Triggers, Procedures, Functions e Views
• Ambientes transacionais

Material de apoio - ETL (Entregável #6)

Para a issue de carga de dados (#10), que usa Python + pandas + SQLAlchemy, os módulos abaixo do curso Análise de Dados com Python e Pandas são suficientes - não precisa fazer o curso inteiro para este projeto:

• Criando o Banco de Dados e a Tabela
• Inserindo e Lendo Dados
• Atualizando e Excluindo Dados
• Utilizando o SQLAlchemy

O restante do curso (Numpy, Matplotlib/Seaborn/Plotly, dashboards, MongoDB) é ótimo material, mas é escopo do Projeto 04 (camada analítica), não deste projeto.