Aula 02 TI RES ICMS SC Data Warehouse

Direitos autorais reservados (Lei 9610/98). Proibida a reprodução, venda ou compartilhamento deste arquivo. Uso individual.
Aula 02
Curso: Tecnologia
S da Informação para ICMS-SC
`Ìi`ÊÜÌÊÌiÊ`iÊÛiÀÃÊvÊ
(Resumo + Questões Comentadas) vÝÊ*ÀÊ*Ê `ÌÀÊ
/ÊÀiÛiÊÌÃÊÌVi]ÊÛÃÌ\Ê
Professor: Ramon Souza ÜÜÜ°Vi°VÉÕV°Ì
Curso: Tecnologia da Informação para ICMS-SC
Resumo + Questões comentadas
Prof. Ramon Souza
Aula 02 – Conceitos de Data Warehousing e Business Intelligence
ASSUNTOS PÁGINA
1. NOÇÕES DE MODELAGEM DIMENSIONAL .......................................... 3

1.1 Conceitos e aplicações ....................................................................... 3
1.2 Data Warehouse ............................................................................... 4
1.3 Modelagem dimensional ................................................................... 10
1.4 Análise de dados em um ambiente dimensional com OLAP ................... 20
1.5 Coleta, tratamento, armazenamento, integração e recuperação de dados
em bancos de dados multidimensionais com ETL ...................................... 27
2. QUESTÕES COMENTADAS ............................................................. 30
3. LISTAS DE EXERCÍCIOS ................................................................ 59
4. GABARITO ................................................................................... 77
5. REFERÊNCIAS .............................................................................. 77
Para facilitar sua referência, abaixo listamos as esquematizações desta aula:

Esquema 1 – Arquitetura de BI. ........................................................................................ 3
Esquema 2 – Data Warehouse (DW). ................................................................................. 4
Esquema 3 – Processo de Data Warehousing. ..................................................................... 6
Esquema 4 – Arquiteturas de Data Warehouse. .................................................................. 7
Esquema 5 – Abordagens de desenvolvimento de um DW. ................................................... 8
Esquema 6 – Modelagem dimensional. ............................................................................. 10
Esquema 7 – Tabelas fato e tabelas dimensão. .................................................................. 12
Esquema 8 – Tipos de tabelas fatos. ................................................................................ 14
Esquema 9 – Esquemas multidimensionais. ....................................................................... 15
Esquema 10 – OLTP x OLAP. ........................................................................................... 20
Esquema 11 – Variações OLAP. ........................................................................................ 22
Esquema 12 – Operações OLAP. ...................................................................................... 24
Esquema 13 – Processo de ETL. ....................................................................................... 28
Prof. Ramon Souza 2 de 77

www.exponencialconcursos.com.br vÝÊ*ÀÊ*Ê `ÌÀÊ
ÜÜÜ°Vi°VÉÕV°Ì
Prof. Ramon Souza
1. NOÇÕES DE MODELAGEM DIMENSIONAL
1.1 Conceitos e aplicações

O termo Business Intelligence (BI) é um conceito guarda-chuva que
combina arquitetura, ferramentas, bancos de dados, ferramentas
analíticas, aplicações e metodologias com os objetivos de habilitar o
acesso interativo aos dados, habilitar a manipulação desses dados e

prover aos gerentes de negócios e analistas a habilidade de conduzir
análises apropriadas.
A arquitetura de BI pode ser sintetizada pelo esquema a seguir.
Business Intelligence
Combina arquitetura, ferramentas, bancos de dados, ferramentas analíticas,
aplicações e metodologias com os objetivos de habilitar o acesso interativo aos
dados, habilitar a manipulação desses dados e prover aos gerentes de negócios e
analistas a habilidade de conduzir análises apropriadas
Business Process
Data Warehouse Business Analytics Management User Interface
(BPM)
Ampliam o Fornecem a
Repositório de dados Variedade de
monitoramento, visualização de
atuais e históricos de ferramentas e
medição e dados para os
potencial interesse técnicas para
comparação de gestores. Ex.:
para gestores de toda trabalhar dados e
indicadores de dashboars, cockpits,
a organização. informações.
desempenho. portais.
Esquema 1 – Arquitetura de BI.

Prof. Ramon Souza
1.2 Data Warehouse

Um Data Warehouse (DW) é um conjunto de dados produzidos
para apoiar a tomada de decisão, ou um repositório de dados atuais e
históricos de potencial interesse para gestores de toda a organização.
Para Inmon, um Data Warehouse é uma coleção de dados orientada
a assunto, integrada, não volátil, variável no tempo para suporte às
decisões da gerência.
De forma esquemática, temos:
Conjunto de dados Repositório de dados atuais e

produzidos para apoiar a Data Warehouse históricos de potencial interesse
tomada de decisão. para gestores de toda a organização.
Orientados a
Integrados Variante no tempo Não voláteis
assunto
Esquema 2 – Data Warehouse (DW).
1- (FCC - 2018 - DPE-AM - Analista em Gestão

Especializado de Defensoria - Analista de Banco de Dados) Uma das
características fundamentais de um ambiente de data warehouse está em
a) servir como substituto aos bancos de dados operacionais de uma empresa,
na eventualidade da ocorrência de problemas com tais bancos de dados.
b) ser de utilização exclusiva da área de aplicações financeiras das empresas.
c) proporcionar um ambiente que permita realizar análise dos negócios de uma
empresa com base nos dados por ela armazenados.
d) ser de uso prioritário de funcionários responsáveis pela área de telemarketing
das empresas.
e) armazenar apenas os dados mais atuais (máximo de 3 meses de criação),
independentemente da área de atuação de cada empresa.
Resolução:
Vamos analisar cada uma das alternativas:
a) Incorreto: O DW não possui a finalidade de substituir os bancos de dados
operacionais da empresa. Uma das características do DW é a integração, sendo
ele um depósito de dados integrados de múltiplas fontes (que podem ser
inclusive os bancos de dados operacionais da empresa), processados para
armazenamento em um modelo multidimensional.

Prof. Ramon Souza
b) Incorreto: O objetivo do DW é apoiar a tomada de decisão dos gestores

organizacionais e, portanto, pode ser utilizado por diversas áreas e não somente
pela área financeira.
c) Correto: proporcionar um ambiente que permita realizar análise dos
negócios de uma empresa com base nos dados por ela armazenados.
d) Incorreto: O objetivo do DW é apoiar a tomada de decisão dos gestores
organizacionais e, portanto, pode ser utilizado por diversas áreas e não somente
pela área de telemarketing.
e) Incorreto: O DW é um repositório de dados atuais e históricos de
potencial interesse para gestores de toda a organização.
Gabarito: Letra C.

Prof. Ramon Souza
Processo de Data Warehousing
De forma mais geral, podemos falar no processo de Data Warehousing

para nos referir a uma coleção de tecnologias de apoio à decisão, visando
a habilitar a tomada de decisões melhores e mais rápidas. Este processo inclui
as ferramentas de ETL (extração, transformação e carga) para realizar a limpeza
e formatação dos dados carregados de múltiplas fontes. Inclui também OLAP,
mineração de dados e DSS (sistemas de suporte à decisão) para gerar

informações importante com base nos dados do DW.
O processo de Data Warehousing é representado na figura a seguir,

adaptada de Turban.
Esquema 3 – Processo de Data Warehousing.

Prof. Ramon Souza
Arquiteturas de Data Warehousing
Do ponto de vista arquitetural, os Data Warehouses podem ser projetados

para armazenar todos os dados em um único repositório (EDW – Enterprise-
Wide Data Warehouse) ou em repositórios menores divididos por assuntos
ou departamentos (DM - Data Marts). Há, ainda, algumas alternativas a estes
tipos básicos que não são nem EDW puros nem DM puros.
A figura a seguir, adaptada de Turban, resume as arquiteturas para DW.
Esquema 4 – Arquiteturas de Data Warehouse.

Prof. Ramon Souza
Abordagens de desenvolvimento de um data warehouse
Para criar os data warehouses, as organizações podem optar por uma de

duas abordagens concorrentes.
Inmon ou EDW Kimball ou Data Mart

•Abordagem Top-down. •Abordagem Bottom-up.
•EDW alimenta os data marts •Data marts são integrados por um

departamentais (DW->DM). barramento ou middleware (DM->DW).
•Adapta metodologias e ferramentas •Emprega modelagem dimensional.

de banco de dados relacionais.
•Modelo de dados normalizado (3FN). •Modelo de dados não normalizado.
•Orientado a assunto ou a dados. •Orientado a processo.
•Baixa acessibilidade a usuários finais, •Alta acessibilidade a usuários finais.

mas voltado para os profissionais de TI.
•Fornece uma solução técnica baseada •Entrega uma solução que torna fácil o
em métodos e técnicas comprovadas acesso direto pelos usuários às
de BD. consultas aos dados com bons tempos
de resposta.
•Consultas realizadas nos data marts. •Consultas realizadas no Data

Warehouse.
Esquema 5 – Abordagens de desenvolvimento de um DW.
2- (FCC - 2016 - TRT - 20ª REGIÃO (SE) - Técnico

Judiciário - Tecnologia da Informação) Considere, por hipótese, que o
Tribunal Regional do Trabalho da 20a Região tenha optado pela implementação
de um DW (Data Warehouse) que inicia com a extração, transformação e
integração dos dados para vários DMs (Data Marts) antes que seja definida uma
infraestrutura corporativa para o DW. Esta implementação
a) é conhecida como top down.
b) permite um retorno de investimento apenas em longo prazo, ou seja, um
slower pay back
c) tem como objetivo a construção de um sistema OLAP incremental a partir de
DMs independentes.
d) não garante padronização dos metadados, podendo criar inconsistências de
dados entre os DMs.
e) tem como vantagem a criação de legamarts ou DMs legados que facilitam e
agilizam futuras integrações.

Prof. Ramon Souza
Resolução:
a) Incorreto: é conhecida como top down bottom up.
b) Incorreto: permite um retorno de investimento apenas em longo prazo, ou
seja, um slower pay back mais rápido quando comparado a abordagem
top down.
c) Incorreto: tem como objetivo a construção de um sistema OLAP incremental

DW organizacional a partir de DMs independentes.
d) Correto: não garante padronização dos metadados, podendo criar
inconsistências de dados entre os DMs.
e) Incorreto: tem como vantagem desvantagem a criação de legamarts ou
DMs legados que facilitam e agilizam futuras integrações não consideram a
arquitetura de forma global.
Gabarito: Letra D.

Prof. Ramon Souza
1.3 Modelagem dimensional

Inicialmente, é importante citar que a modelagem dimensional ou
multidimensional é a técnica de modelagem de banco de dados utilizada
para a representação dos dados nos bancos de dados multidimensionais.
Modelagem
dimensional
Técnica de modelagem
Permite uso mais intuitivo
de BD utilizada para a
Auxílio às consultas em para o processamento
representação dos dados
um Data Warehouse. analítico pelas ferramentas
nos BDs
OLAP.
multidimensionais.
Dados são modelados em Hipercubo: matriz com

matrizes multidimensioanais mais de três dimensões.
ou cubos de dados.
Os dados do cubo podem

Desempenho da consulta
ser consultados
no cubo pode ser muito
diretamente a partir de
melhor do que no modelo
qualquer combinação de
de dados relacional.
suas dimensões.
Esquema 6 – Modelagem dimensional.
3- (FUNDATEC - 2014 - SEFAZ-RS - Auditor Fiscal da

Receita Estadual - Bloco 1)

Prof. Ramon Souza
A respeito do tipo de modelagem multidimensional, apresentado na Figura 6,

pode-se afirmar que:
I. É utilizado em projetos de Data Warehouse.
II. Facilita o uso e torna mais intuitivo o emprego de ferramentas de

processamento analítico OLAP (On-line Analytical Processing).
III. É utilizado em projetos de Business Intelligence.

Quais estão corretas?
a) Apenas I.
b) Apenas III
c) Apenas I e II.
d) Apenas II e III
e) I, II e III.
Resolução:
Vamos analisar cada um dos itens:
I. Correto: A modelagem dimensional é usada para o auxílio às consultas
em um Data Warehouse nas mais diferentes perspectivas, definindo a
representação e armazenamento dos dados nestes repositórios, bem como
promovendo o processamento de consultas multidimensionais complexas.
II. Correto: A visão multidimensional permite, ainda, o uso mais intuitivo
para o processamento analítico pelas ferramentas OLAP (On-line
Analytical Processing), que possibilitam a análise de dados complexos do Data
Warehouse.
III. Correto: Sendo o DW inserido em um contexto de BI, logo a modelagem
dimensional também está nesse contexto.
Gabarito: Letra E.

Prof. Ramon Souza
Tabelas fato e tabelas dimensão
Modelo Dimensional
Tabela Fato Tabela Dimensão

Tuplas que Formada por Contêm Representam

Abordam entidades
correspondem aos atributos informações
como os de negócio,
fatos observados descritivos de
dados serão geralmente
decorrentes de necessários para classificação
analisados com
processos de realizar a análise e agregação
e relacioname
negócios e links de decisões e sobre as linhas
resumidos. nto
externos. relatórios de da tabela fato.
hierárquico.
consulta.
Característica quantitativa no DW Característica qualitativa no DW
Atributos consistem em medidas de Atributos são, geralmente, textuais e discretos.

desempenho, métricas operacionais,
medidas agregadas e outras métricas.
Geralmente têm muitas colunas ou atributos.
Fatos ou medidas podem ser: Atributos servem como fonte de:
Aditivas Semi-aditivas Restrições de consulta
Ex. Lucro líquido Ex. quantidade

em estoque
Agrupamentos
Não aditivas Textual
Ex. porcentagem Raros e devem Rótulos de relatório

de vendas ser evitados
Chaves e relacionamentos entre as tabelas fato e dimensão
Duas ou mais chaves Conectam a tabela fato Única chave primária para
estrangeiras por tabela fato às tabelas dimensão.
cada dimensão
Geralmente simples
Um subconjunto das chaves
estrangeiras pode identificar
unicamente a tabela fato.
Sempre possui
Chave primária composta Dimensão Tempo
Esquema 7 – Tabelas fato e tabelas dimensão.

Prof. Ramon Souza
É importante ressaltar que nem sempre fica claro se um campo é um fato

que deve ser colocado na tabela de fatos ou se é um atributo de dimensão. A
decisão pode ser tomada com base no questionamento se o campo assume
muitos valores e participa de cálculos (tornando-se um fato) ou é uma descrição
discretamente valorada que é mais ou menos constante e participa de restrições
(tornando-se um atributo dimensional). Por exemplo, o custo padrão para um
produto parece ser um atributo constante do produto, mas pode ser alterado
com tanta frequência que, eventualmente, pode ser mais adequado modelá-lo
como como um fato medido.

Especializado de Defensoria - Analista de Banco de Dados) Um dos
modelos mais utilizados no projeto e implementação de um data warehouse é
o modelo dimensional ou multidimensional. Em um modelo dimensional
(composto por uma tabela fato e várias tabelas dimensão),
a) as tabelas dimensão devem conter apenas atributos do tipo literal.
b) a tabela fato tem uma cardinalidade de mapeamento de um para um com
cada tabela dimensão.
c) a tabela fato deve conter atributos numéricos, visando proporcionar dados
para uma análise de atividades da empresa.
d) há um número teórico mínimo de 3 e máximo de 15 tabelas dimensão.
e) as tabelas dimensão comportam um número máximo teórico de atributos.
Resolução:
a) Incorreto: embora os atributos da tabela dimensão sejam, geralmente,
textuais e discretos, eles também podem ser numéricos.
b) Incorreto: a tabela fato tem uma cardinalidade de mapeamento de um para
um um para muitos com cada as tabelas dimensão.
c) Correto: a tabela fato deve conter atributos numéricos, visando proporcionar
dados para uma análise de atividades da empresa.
d) Incorreto: há um número teórico mínimo de 3 e máximo de 15 tabelas
dimensão. Não existe essa limitação para o número de tabelas dimensão, pois
a quantidade irá variar de acordo com o modelo escolhido e com o negócio
sendo modelado.
e) Incorreto: as tabelas dimensão comportam um número máximo teórico de
atributos. Também não há número máximo para a quantidade de atributos, até
porque as tabelas dimensão costumam ter uma grande quantidade de atributos.
Gabarito: Letra C.

Prof. Ramon Souza
Tipos de tabelas fato
Fato transacional
• Mais comuns.
• Linhas representam evento de medição em um ponto no espaço
e no tempo.
Fato agregada
• Sumariza os dados de uma tabela fato.
• Otimiza o tempo de consulta.
• Esforço adicional de manutenação e gasto com
armazenamento.
Fato consolidada
• Agrega duas tabelas fato (dois processos).
• Complexidade extra para o ETL.
Fato Snapshot Periódico

• Baseada no tempo.
• Geralmente criada a partir de uma fato existente.
• Uma linha resume muitos eventos de medição ocorridos em um
período padrão.
Fato Snapshot Acumulado

• Utiliza mais de um momento no tempo.
• Uma linha resume os eventos de medição que ocorrem em
etapas previsíveis entre o início e o final de um processo.
Fato sem fato

• Tabela somente com a intersecção de dimensões.
• Utilizada quando é necessário comparar ou cruzar algo entre duas
dimensões e não existe uma métrica para fazer essas
comparações.
Esquema 8 – Tipos de tabelas fatos.

Prof. Ramon Souza
Esquemas multidimensionais
Esquema estrela Esquema floco de neve
(star schema) (snowflake)

Uma tabela de fatos com uma única Tabela de fatos central (geralmente
tabela para cada dimensão. apenas uma) que estão conectadas a

múltiplas dimensões.
Tabelas dimensão são normalizadas,

Tabelas não são normalizadas.
geralmente, até a 3FN.
Tabelas dimensão ligadas Tabelas dimensão organizadas em

diretamente a tabela fato. hierarquia.
Menor número de tabelas. Maior número de tabelas.
Rápido tempo de resposta e

Modelo mais complexo.
simplicidade.
Facilidade de manutenção para

Facilidade de manutenção para
alteração das estruturas, pois não
estruturas somente leitura.
há redundância.
Consultas mais simples, pois há Consultas mais complexas e difíceis

menor necessidade de junção de de entender, pois há necessidade de
tabelas. realizar muitas junções.
Dimensão Dimensão Dimensão Dimensão
Tabela Fato
Tabela Fato
Dimensão Dimensão Dimensão

Dimensão Dimensão
Normalizada Normalizada Normalizada
Desnormalizada Desnormalizada
Constelação de fatos
Conjunto de tabelas fato Multiestrela: se for
compartilham dimensões semelhante ao esquema Limitam as consultas ao
comuns (dimensões estrela, mas com mais de Data Warehouse.
conformes). uma tabela fato.

Conforme
Tabela Fato Tabela Fato

Conforme
Esquema 9 – Esquemas multidimensionais.

Prof. Ramon Souza
5- (FCC - 2017 - TRT - 24ª REGIÃO (MS) - Analista

Judiciário - Tecnologia da Informação) Uma das formas de apresentação
de um banco de dados multidimensional é através do modelo estrela. No centro
de um modelo estrela encontra-se a tabela de
a) dimensão e, ao seu redor, as tabelas de fatos.
b) dimensão, cuja chave primária deve ser composta.

c) núcleo e, ao seu redor, as tabelas de nível.
d) fatos, cuja chave primária deve ser simples.
e) fatos e, ao seu redor, as tabelas de dimensões.
Resolução:
O esquema estrela (star schema) consiste em uma tabela de fatos com
uma única tabela para cada dimensão. Neste esquema, existe uma tabela
fato central conectada a várias tabelas dimensão.
Gabarito: Letra E.
6- (FUNDATEC - 2014 - SEFAZ-RS - Auditor Fiscal da

Receita Estadual - Bloco 1)
A Figura 6 mostra uma modelagem multidimensional, chamada de:

Prof. Ramon Souza
a) Diagrama fato dimensão.

b) Diagrama relacional.
c) Esquema fato dimensão.
d) Esquema floco de neve.
e) Esquema estrela.
Resolução:
Perceba que a figura possui uma tabela fato central (frequência) e várias
dimensões ligadas a ela (estudante, disciplina, professor, data e sala).
Gabarito: Letra E.

Prof. Ramon Souza
As 10 Regras Essenciais para a Modelagem de Dados Dimensional
Para encerrarmos a assunto de modelagem dimensional, iremos listar as

10 regras essenciais para a modelagem dimensional propostas por Kimball. Não
precisa se preocupar em decorar essas regras, mas faça uma leitura delas.
❖ Regra #1: Carregue dados detalhados para as estruturas
dimensionais: os modelos dimensionais devem ser populados com
dados detalhados para atender as consultas dos usuários de negócios.
❖ Regra #2: Estruture os modelos dimensionais em torno dos

processos de negócios: os processos de negócios representam as
atividades da empresa que podem ser mensuráveis com métricas de
desempenho associadas a eventos. Estas métricas devem ser traduzidas
em fatos. Cada processo de negócio deve ser representado por uma única
tabela fato, mas podem ser criadas tabelas fato consolidadas extras para
combinar métricas de vários processos.
❖ Regra #3: Tenha certeza de que cada tabela fato tenha uma
dimensão de data associada: cada tabela fato deve ter ao menos uma
chave estrangeira associada a uma tabela de dimensão data. Pode existir
mais de uma dimensão de tempo para uma tabela fato.
❖ Regra #4: Certifique-se que todos os fatos em uma única tabela

fato estão na mesma granularidade ou nível de detalhe: existem
três granularidades fundamentais para classificar todas as tabelas fato:
transacional, snapshot periódico, ou snapshot acumulado.
Independentemente de sua granularidade, cada métrica em uma tabela
fato deve estar exatamente no mesmo nível de detalhe.
❖ Regra #5: Resolva relacionamentos muitos-para-muitos em

tabelas fato: a tabela fato guarda os eventos de processos de negócio,
que muitas vezes representam relacionamentos muitos-para-muitos
(N:M) entre as entidades de negócios. Por exemplo, diferentes produtos
vendidos em diferentes lojas em diferentes diais.
❖ Regra #6: Resolva os relacionamentos muitos-para-um nas

tabelas de dimensões: para evitar o excesso de subdimensões em um
modelo, os relacionamentos muitos para um (M:1) devem ser
concentrados em uma única tabela dimensão. Por exemplo, regiões e
sub-regiões podem ser armazenadas na mesma tabela dimensão.
Relacionamentos um-para-um, como uma única descrição de produto
associada a um código de produto, também são encontradas em uma
tabela dimensão.

Prof. Ramon Souza
❖ Regra #7: Gravar nomes de relatórios e valores de domínios de

filtros em tabelas dimensão: as tabelas de dimensão devem conter os
códigos e descrições associados aos nomes das colunas usados em
relatórios e filtros de consultas.
❖ Regra #8: Tenha certeza de que as tabelas dimensão usam uma

chave artificial: o uso de chaves artificiais, sem significado e
sequenciais (exceto para a dimensão data, onde chaves

cronologicamente definidas e mais inteligíveis são aceitáveis) provém um
grande número de benefícios operacionais, entre os quais a redução do
tamanho das tabelas fato, menores índices e desempenho melhorado.
❖ Regra #9: Crie dimensões padronizadas para integrar os dados na

empresa: as dimensões padronizadas (comuns, principais, de referência
ou conformes) são aquelas associadas a diversas tabelas fato. Elas
permitem navegar entre os dados integrados de diferentes processos de
negócios, diminuem o tempo e esforço de desenvolvimento, e eliminando
a redundância.
❖ Regra #10: Avalie requisitos e realidade continuamente para

desenvolver uma solução de DW/BI que seja aceita pelos
usuários de negócios e suporte seu processo de tomada de
decisões: Os responsáveis pela modelagem dimensional devem
constantemente balancear os requisitos dos usuários de negócios com as
realidades inerentes aos dados de origem associados para desenvolver
um modelo que possa ser implantado, e que, mais importante ainda;
tenha uma boa chance de ser útil aos negócios.

Prof. Ramon Souza
1.4 Análise de dados em um ambiente dimensional com OLAP

Uma vez que os dados são devidamente armazenados em um data
warehouse, esses dados podem ser usados de várias formas para apoiar a
tomada de decisões organizacionais. Existe uma variedade de ferramentas e
técnicas para trabalhar dados e informações, entre elas o OLAP.
O OLAP (processamento analítico on-line) é, sem dúvida, a técnica
de análise de dados mais comumente utilizada em modelos dimensionais, e tem

crescido em popularidade devido ao aumento exponencial dos volumes de dados
e ao reconhecimento do valor comercial das análises direcionadas por dados. O
OLAP é uma abordagem para responder rapidamente questões ad hoc
através da execução de consultas analíticas multidimensionais em
repositórios de dados organizacionais (data warehouses, data marts).
Vamos fixar as diferenças entre OLAP e OLTP com um esquema!!!
OLTP OLAP
•Realizar funções comerciais cotidianas •Suportar análise de decisões
•Bancos de dados transacionais •DWs ou DMs
•Inclusão, alteração, exclusão e consulta •Carga e consulta.
•Relatórios de rotina, periódicos e •Relatórios e consultas Ad hoc,

estreitamente focados multidimensionais, amplamente focados
•Execução mais rápida •Execução mais lenta
•Atualização contínua •Atualização em lote
• Recursos dos bancos de dados relacionais. •Recursos de computação distribuída,

multiprocesamento e bancos
especializados.
Esquema 10 – OLTP x OLAP.
7- (FCC - 2016 - AL-MS - Técnico de Informática) As

ferramentas OLAP − Online Analytical Processing
a) utilizam operações drill para navegar nas dimensões.
b) são as aplicações às quais os usuários finais têm acesso para fazerem
consultas e análise a partir dos dados armazenados em bancos de dados
transacionais (OLTP).
c) utilizam operações slice and dice para modificar o nível de granularidade da
consulta.
d) possibilitam a análise multidimensional para a descoberta de tendências e
cenários, de forma a transformar dados de um Data Warehouse em informação
estratégica.

Prof. Ramon Souza
e) representam os dados como tabelas ao invés de dimensões.

Resolução:
a) Incorreto: utilizam operações drill pivot para navegar nas dimensões.
b) Incorreto: são as aplicações às quais os usuários finais têm acesso para
fazerem consultas e análise a partir dos dados armazenados em bancos de

dados transacionais (OLTP) multidimensionais.
c) Incorreto: utilizam operações slice and dice drill para modificar o nível de
granularidade da consulta.
d) Correto: possibilitam a análise multidimensional para a descoberta de
tendências e cenários, de forma a transformar dados de um Data Warehouse
em informação estratégica.
O OLAP é uma abordagem para responder rapidamente questões ad hoc
e) Incorreto: representam os dados como tabelas ao invés de dimensões
dimensões ao invés de tabelas.
Gabarito: Letra D.

Prof. Ramon Souza
Tipos ou variações do OLAP
• Armazenamento de informações no
cubo de dados.
• Requer pré-computação.
• Ganho de desempenho.
MOLAP • Longo período para carga dos
dados.
• Baixa escalabilidade.
• Permite consultas ad-hoc.
• Acessam os dados em um banco

Quanto a de dados relacional e geram
estrutura de ROLAP consultas SQL.
armazenamento • Não requer pré-computação.
• Baixo desempenho, pois requer
cópia adicional de dados.
Variações OLAP
• Alta escalabilidade.
• Combinação de ROLAP com

MOLAP.
HOLAP
• Alto desempenho
• Alta escalabilidade.
• Arquitetura de maior custo.
DOLAP • Disparam uma consulta de uma

estação cliente para o servidor.
Quanto a origem
da consulta
WOLAP • Disparam uma consulta de via

navegador web para o servidor.
Esquema 11 – Variações OLAP.
Vale mencionar que conforme cita Navathe, uma vez que os data
warehouses são livres das restrições do ambiente transacional, existe uma
eficiência aumentada no processamento das consultas. Além das
ferramentas OLAP (MOLAP, ROLAP, WOLAP, etc.), a eficiência das consultas
pode ser aumentada com a transformação de consulta; intersecção e união de
índice; extensões SQL; métodos de junção avançados; e varredura inteligente.

Prof. Ramon Souza

Especializado de Defensoria - Analista de Banco de Dados) As
ferramentas OLAP compreendem diversas formas de organização dos dados de
um data warehouse. Dentre tais formas de organização, no tipo de ferramenta
OLAP denominado
a) ROLAP, os cubos pré-calculados são armazenados no servidor do ambiente

de data warehouse.
b) DOLAP, as consultas são feitas diretamente no modelo dimensional do data
warehouse.
c) MOLAP, as consultas são feitas diretamente no modelo dimensional do data
warehouse.
d) DOLAP, os cubos pré-calculados são armazenados no servidor do ambiente
de data warehouse.
e) MOLAP, os cubos pré-calculados são armazenados no servidor do ambiente
de data warehouse.
Resolução:
a) Incorreto: ROLAP MOLAP, os cubos pré-calculados são armazenados no
servidor do ambiente de data warehouse.
b) Incorreto: DOLAP MOLAP, as consultas são feitas diretamente no modelo
dimensional do data warehouse.
c) Correto: MOLAP, as consultas são feitas diretamente no modelo dimensional
do data warehouse.
d) Incorreto: DOLAP MOLAP, os cubos pré-calculados são armazenados no
servidor do ambiente de data warehouse.
e) Correto: MOLAP, os cubos pré-calculados são armazenados no servidor do
ambiente de data warehouse.
Gabarito: Letra E.
Gabarito do professor: anulada.

Prof. Ramon Souza
Operações OLAP
Recupera um subconjunto (fatia) do cubo, geralmente

bidimensional.
Slice
Valor simples atribuído a uma (ou mais) dimensões.

Extração de um subcubo.
Dice
Operação slice em mais de duas dimensões de um cubo.
Alterar a orientação dimensional de um relatório ou uma exibição de

página
Pivot ou
rotate
Troca as dimensões da matriz.

Operações OLAP
Sobe na hierarquia
Drill up Reduz o nível de detalhe
Aumenta a granularidade.
Desce na hierarquia
Drill down Aumenta o nível de detalhe
Reduz a granularidade.
Kimball: realizar consultas que envolvem mais de uma tabela fato.
Drill across
Internet: Navegação entre os níveis de dados, saltando níveis.
Han, Kamber e Pei: utiliza as instalações SQL para ir além do nível

inferior de um cubo de dados até as tabelas relacionais back-end
Drill through
Internet: usuário passa de uma informação contida em uma dimensão

para uma outra.
Esquema 12 – Operações OLAP.

Prof. Ramon Souza
9- (FCC - 2016 - ELETROBRAS-ELETROSUL -

Informática) Considere a operação OLAP entre as tabelas abaixo
Esta operação
a) drill up corta o cubo, mantendo a mesma perspectiva de dimensão dos dados,
filtrando e reduzindo o escopo dos dados.
b) slice and dice corta o cubo, mantendo a mesma perspectiva de dimensão dos
dados, filtrando e reduzindo o escopo dos dados.
c) drill across na dimensão geográfica permite que o usuário diminua o nível de
granularidade, diminuindo o nível de detalhamento da informação.
d) drill down na dimensão tempo permite que o usuário aumente o nível de
e) drill up na dimensão tempo permite que o usuário aumente o nível de
Resolução:
A operação realizada na figura é a operação de drill up (ou roll up) na dimensão
tempo. A operação drill up sobe na hierarquia, agrupando unidades maiores
ao longo de uma dimensão, aumenta a granularidade e, consequentemente,
diminuindo o nível de detalhamento.
Observando a figura, vemos que houve uma redução no detalhamento da
dimensão tempo, que estava sendo exibida em Trimestres e passou a ser
exibida em anos.
Agora vejamos cada uma uma das alternativas:
a) Incorreto: drill up A operação slice and dice corta o cubo, mantendo a
mesma perspectiva de dimensão dos dados, filtrando e reduzindo o escopo dos
dados. Logo a descrição da operação drill up está errada.
b) Incorreto: slice and dice corta o cubo, mantendo a mesma perspectiva de
dimensão dos dados, filtrando e reduzindo o escopo dos dados. A descrição da
operação está correta, contudo não foi a operação demonstrada na
figura.

Prof. Ramon Souza
c) Incorreto: drill across A operação drill down na dimensão geográfica

permite que o usuário diminua o nível de granularidade, diminuindo o nível de
detalhamento da informação. A descrição refere-se a uma operação de drill
down, que contudo não foi a operação demonstrada na figura.
d) Incorreto: drill down drill up na dimensão tempo permite que o usuário
aumente o nível de granularidade, diminuindo o nível de detalhamento da
informação. A descrição refere-se a uma operação de drill up e não a drill

down conforme trazido no item.
e) Correto: drill up na dimensão tempo permite que o usuário aumente o nível
de granularidade, diminuindo o nível de detalhamento da informação.
Gabarito: Letra E.

Prof. Ramon Souza
1.5 Coleta, tratamento, armazenamento, integração e recuperação de

dados em bancos de dados multidimensionais com ETL
O maior propósito de um data warehouse é integrar dados de
múltiplos sistemas. A integração de dados compreende três processos
principais que, quando implementados corretamente, permitem que os dados
sejam acessados e acessíveis a um processo ETL e ferramentas de
análise para um ambiente de data warehousing, são elas:

❖ Acesso a dados: capacidade de acessar e extrair dados de qualquer
fonte;
❖ Federação de dados: a integração de visualizações de negócios e
múltiplos depósitos de dados; e
❖ Captura de alterações: baseado na identificação, captura e entrega de
mudanças a fontes de dados organizacionais.
O processo ETL consiste na extração (leitura de dados de uma ou mais

bases de dados), transformação (conversão dos dados extraídos de sua forma
anterior para a forma em que precisa estar para que possa ser colocado em um
data warehouse ou simplesmente outro banco de dados), e carga (colocar os
dados no data warehouse).
A transformação ocorre usando regras ou tabelas de pesquisa ou
combinando os dados com outros dados.
As ferramentas ETL também transportam dados entre fontes e destinos,
documentam como os elementos de dados mudam à medida que se movem
entre fonte e destino, trocam metadados com outras aplicações conforme
necessário e administram todos os processos e operações de execução (por
exemplo, agendamento, gerenciamento de erros, logs de auditoria,
estatísticas). O ETL é extremamente importante para a integração de
dados, bem como para data warehousing. O objetivo do processo ETL é
carregar o armazém com dados integrados e limpos.
O processo de migração de dados para um data warehouse envolve a
extração de dados de todas as fontes relevantes. As fontes de dados
podem consistir em arquivos extraídos de bancos de dados OLTP, planilhas,
bancos de dados pessoais (por exemplo, Microsoft Access) ou arquivos
externos. Normalmente, todos os arquivos de entrada são gravados em um
conjunto de tabelas de teste, que são projetadas para facilitar o processo de
carga.
Um data warehouse contém inúmeras regras de negócios que definem
coisas como a forma como os dados serão usados, regras de resumo,
padronização de atributos codificados e regras de cálculo. Um dos benefícios de
um armazenamento de dados bem projetado é que essas regras podem ser
armazenadas em um repositório de metadados e aplicadas

Prof. Ramon Souza
centralmente no data warehouse. Isso difere da abordagem OLTP, que

geralmente possui dados e regras comerciais espalhadas por todo o sistema.
O processo de carregamento de dados em um data warehouse pode
ser executado através de ferramentas de transformação de dados que
fornecem uma interface para ajudar no desenvolvimento e manutenção de
regras de negócios ou através de métodos mais tradicionais, como o
desenvolvimento de programas ou utilitários para carregar o data warehouse,

usando linguagens de programação como linguagens PL / SQL, C ++ ou .NET
Framework.
O processo de ETL é sintetizado no esquema a seguir.
Esquema 13 – Processo de ETL.

Especializado de Defensoria - Analista de Banco de Dados) Sobre o
processo de ETL, aplicado a data warehouse, é correto afirmar que
a) a fase de extração de dados consiste em obter os dados do servidor do data
warehouse.
b) a fase de transformação consiste em realizar modificações nos dados
carregados, adequando seus valores ao modelo definido para o data warehouse.
c) as fases de extração e carga de dados são realizadas de forma simultânea.
d) a fase de carga de dados visa eliminar valores nulos contidos nos bancos de
dados transacionais da empresa.
e) a fase de carga de dados consiste em inserir os dados transformados nos
bancos de dados transacionais da empresa.

Prof. Ramon Souza
Resolução:
a) Incorreto: a fase de extração carga de dados consiste em obter os dados
do servidor do data warehouse.
b) Correto: a fase de transformação consiste em realizar modificações nos
dados carregados, adequando seus valores ao modelo definido para o data
warehouse.
O mais correto para esse item seria falar em dados extraídos e não em dados
carregados, mas como os demais itens apresentam erros mais grosseiros, nos
resta essa opção.
c) Incorreto: as fases de extração e carga de dados são realizadas de forma
não simultânea. A extração é realizada antes da transformação, que, por
sua vez, é realizada antes da carga.
d) Incorreto: a fase de carga transformação de dados visa eliminar valores
nulos contidos nos bancos de dados transacionais da empresa.
e) Incorreto: a fase de carga de dados consiste em inserir os dados
transformados nos bancos de dados transacionais no Data Warehouse da
empresa.
Gabarito: Letra B.

Prof. Ramon Souza
2. QUESTÕES COMENTADAS
Noções de modelagem dimensional

11- (FCC - 2017 - DPE-RS - Analista - Banco de Dados) O processo de ETL
é composto por algumas fases, identificadas como entregar, limpar, extrair e
preparar. A ordem correta para a execução dessas fases é
a) limpar, preparar, extrair e entregar.

b) preparar, limpar, entregar e extrair.
c) entregar, preparar, limpar e extrair.
d) entregar, extrair, limpar e preparar.
e) extrair, limpar, preparar e entregar.
Resolução:
O processo ETL consiste na extração (leitura de dados de uma ou mais bases
de dados), transformação (conversão dos dados extraídos de sua forma
O processo de transformação engloba diversas atividades como a de limpeza
e a de preparação.
Nessa questão, entregar foi usado como sinônimo para carregar. Logo, a ordem
correta é:
Extrair -> Transformar -> Carregar OU
Extrair -> Limpar e Preparar -> Entregar
Gabarito: Letra E.
12- (FCC - 2017 - TRE-SP - Analista Judiciário - Análise de Sistemas)

No processo ETL de um data warehouse: (I) a tradução de valores codificados
conhecida como limpeza de dados (por exemplo, supondo que o sistema de
origem armazena 1 para sexo masculino e 2 para feminino, mas o data
warehouse armazena M para masculino e F para feminino) e (II) a geração de
valores de chaves substitutas (surrogate keys) são
a) integrantes da etapa de transformação.
b) integrantes das etapas de transformação e carga, respectivamente.
c) manipulações de dados, aplicáveis no processo pivoting.
d) elementos que possibilitam a conversão de drill-down para roll up.
e) integrantes da etapa de carga.

Prof. Ramon Souza
Resolução:
O processo de transformação engloba diversas atividades como a de limpeza

e a de preparação. Nessa fase são corrigidos, padronizados e tratados os desvios
e inconsistências, transformando os dados de acordo com as regras do negócio.
Um conceito interessante trazido pela questão é o de Surrogate Key, que nada
mais é que uma chave de substituição. É um identificador único para cada
entidade do mundo modelado ou um objeto no banco de dados. A chave
substituta não é derivada de dados do aplicativo.
Gabarito: Letra A.
13- (FCC - 2016 - AL-MS - Técnico de Informática) Considere a figura

abaixo.
No processo de ETL mostrado na figura, I e II correspondem, respectivamente,

a
a) OLTP e Data Warehouse.
b) OLTP e Staging Area.
c) Data Mart e Staging Area.
d) Staging Area e OLTP.
e) Staging Area e Data Warehouse.
Resolução:
O processo de ETL (extração, transformação e carga) é responsável por
trazer os dados para o Data Warehouse de forma organizada, realizando a
extração desses dados de suas fontes, efetuando a limpeza ou ajustes desses
dados e carregando-os para o armazém de dados. Os dados são carregados
para uma área de preparação (staging area) antes de serem transformados e
carregados para o DW.
Gabarito: Letra E.

Prof. Ramon Souza
14- (FCC - 2016 - Prefeitura de Teresina - PI - Técnico de Nível Superior

- Analista de Sistemas) Em um Star Schema de um Data Warehouse – DW,
a tabela Dimensão possui característica
a) descritiva dentro do DW. Ela qualifica as informações provenientes da tabela
Fato; A tabela Fato possui característica quantitativa dentro do DW. A partir
dela são extraídas as métricas que são cruzadas com os dados das Dimensões.
Dimensões são ligadas entre si e qualquer uma delas se liga diretamente a

tabela Fato. Os dados devem ser normalizados.
b) quantitativa dentro do DW. Ela quantifica as informações provenientes da
tabela Fato; A tabela Fato possui característica descritiva dentro do DW. A partir
dela são extraídas as nomenclaturas que são quantificadas com os dados das
Dimensões. Dimensões são ligadas entre si. Os dados devem ser
desnormalizados.
c) quantitativa dentro do DW. Ela quantifica as informações provenientes da
Dimensões. Dimensões não são ligadas entre si. Os dados devem ser
normalizados.
d) quantitativa dentro do DW. Ela quantifica as informações provenientes da
Dimensões. Dimensões são ligadas entre si. Os dados devem ser normalizados.
e) descritiva dentro do DW. Ela qualifica as informações provenientes da tabela
Dimensões são ligadas diretamente a tabela Fato. Outra característica marcante
é que os dados são desnormalizados.
Resolução:
Questão exige as definições de tabela dimensão e tabela fato em um modelo
estrela, então vejamos qual a alternativa que traz essas definições, apontando
o erro das demais opções.
a) Incorreto: descritiva dentro do DW. Ela qualifica as informações
provenientes da tabela Fato; A tabela Fato possui característica quantitativa
dentro do DW. A partir dela são extraídas as métricas que são cruzadas com os
dados das Dimensões. Dimensões são ligadas entre si e qualquer uma delas se
liga diretamente a tabela Fato. Os dados devem
ser normalizados desnormalizados.
b) Incorreto: quantitativa descritiva dentro do DW. Ela
quantifica qualifica as informações provenientes da tabela Fato; A tabela Fato
possui característica descritiva quantitativa dentro do DW. A partir dela são
extraídas as nomenclaturas métricas que são quantificadas com os dados das

Prof. Ramon Souza
Dimensões. Dimensões são não são ligadas entre si. Os dados devem ser
desnormalizados.
c) Incorreto: quantitativa descritiva dentro do DW.
Ela quantifica qualifica as informações provenientes da tabela Fato; A tabela
Fato possui característica descritiva quantitativa dentro do DW. A partir dela
são extraídas as nomenclaturas métricas que são quantificadas com os dados
das Dimensões. Dimensões não são ligadas entre si. Os dados devem ser
normalizados normalizados desnormalizados.
d) Incorreto: quantitativa descritiva dentro do DW.
Ela quantifica qualifica as informações provenientes da tabela Fato; A tabela
Fato possui característica descritiva quantitativa dentro do DW. A partir dela
são extraídas as nomenclaturas métricas que são quantificadas com os dados
das Dimensões. Dimensões são não são ligadas entre si. Os dados devem
ser normalizados desnormalizados.
e) Correto: descritiva dentro do DW. Ela qualifica as informações provenientes
da tabela Fato; A tabela Fato possui característica quantitativa dentro do DW. A
partir dela são extraídas as métricas que são cruzadas com os dados das
Dimensões. Dimensões são ligadas diretamente a tabela Fato. Outra
característica marcante é que os dados são desnormalizados.
Gabarito: Letra E.
15- (FCC - 2016 - Prefeitura de Teresina - PI - Analista Tecnológico -

Analista de Suporte Técnico) O processo ETL é uma etapa importante no
projeto de um data warehouse. No processo ETL,
a) somente é possível realizar a carga periódica de dados no data warehouse
uma vez a cada semana.
b) a fase de transformação de dados envolve apenas alterações nos tipos vindos
do ambiente operacional.
c) a fase de extração envolve a leitura de dados do data warehouse e sua carga
posterior nos bancos de dados operacionais.
d) na fase de transferência de dados são desprezados os puramente literais.
e) um intervalo possível para a carga periódica de dados no data warehouse é
de 24 horas.
Resolução:
a) Incorreto: somente é possível realizar a carga periódica de dados no data
warehouse uma vez a cada semana. A carga pode ser definida de acordo
com as necessidades do negócio e com as mudanças nos ambientes de
dados transacionais.

Prof. Ramon Souza
b) Incorreto: a fase de transformação de dados envolve apenas alterações nos

tipos vindos do ambiente operacional. A fase de transformação envolve
também outros aspectos relacionados a limpeza e preparação dos
dados.
c) Incorreto: a fase de extração envolve a leitura de dados do data warehouse
e sua carga posterior nos bancos de dados operacionais. A carga dos dados
para o Data Warehouse é de realizada na fase de carga.

d) Incorreto: na fase de transferência de dados são desprezados os puramente
literais. Não existe fase de transferência, e não necessariamente serão
desprezados os dados literais.
e) Correto: um intervalo possível para a carga periódica de dados no data
warehouse é de 24 horas. Esse intervalo pode ser definido conforme a
necessidade do negócio ou conforme as modificações realizadas nas
fontes de dados.
Gabarito: Letra E.

Analista de Suporte Técnico) O modelo dimensional utilizado na modelagem
de data warehouse tem como característica:
a) Todas as tabelas dimensão de um mesmo modelo devem possuir o mesmo
número de atributos.
b) A tabela fato possui pelo menos 4 atributos numéricos, além das chaves
estrangeiras.
c) Poder ter quantas tabelas dimensionais, quantas forem necessárias para
representar o negócio sob análise.
d) As tabelas dimensão não necessitam ter atributos que sirvam como chave
primária.
e) A cardinalidade de relacionamento da tabela fato para as tabelas dimensão é
de um para um.
Resolução:
a) Incorreto: Todas as tabelas dimensão de um mesmo modelo devem possuir
o mesmo podem possuir diferentes número de atributos.
b) Incorreto: A tabela fato possui pelo menos 4 atributos numéricos, além das
chaves estrangeiras. Uma tabela fato não precisa ter atributos além das
chaves estrangeiras para as dimensões, embora possa ter.
c) Correto: Poder ter quantas tabelas dimensionais, quantas forem necessárias
para representar o negócio sob análise.

Prof. Ramon Souza
d) Incorreto: As tabelas dimensão não necessitam ter atributos que sirvam

como chave primária.
e) Incorreto: A cardinalidade de relacionamento da tabela fato para as tabelas
dimensão é de um para um um para muitos.
Gabarito: Letra C.
17- (FCC - 2016 - ELETROBRAS-ELETROSUL - Informática) Considere a

figura abaixo que ilustra um modelo multidimensional na forma de modelo
relacional em esquema estrela. Há uma tabela central que armazena as
transações que são analisadas e ao seu redor há as tabelas look up,
denominadas dimensões.
De acordo com o modelo estrela da figura e sua relação com um Data

Warehouse, é correto afirmar:
a) Uma das candidatas à chave primária da tabela central, denominada star
table schema, seria uma chave composta pelas chaves primárias de todas as
dimensões.
b) A tabela fato armazena os indicadores que serão analisados e as chaves que
caracterizam a transação. Cada dimensão registra uma entidade que caracteriza
a transação e os seus atributos.
c) As dimensões devem conter todos os atributos associados à sua chave
primária. Por causa disso, o modelo multidimensional estrela está na 3ª Forma
Normal.
d) O modelo estrela é derivado do modelo snowflake, ou seja, é o resultado da
aplicação da 1ª Forma Normal sobre as entidades dimensão.
e) Um Data Waherouse, por permitir a inclusão de dados por digitação,
necessita da aplicação de normalização para garantir a unicidade de valores.

Prof. Ramon Souza
Resolução:
a) Incorreto: Uma das candidatas à chave primária da tabela central,
denominada star table schema, seria uma chave composta pelas chaves
primárias de todas as dimensões.
b) Correto: A tabela fato armazena os indicadores que serão analisados e as
chaves que caracterizam a transação. Cada dimensão registra uma entidade

que caracteriza a transação e os seus atributos.
c) Incorreto: As dimensões devem conter todos os atributos associados à sua
chave primária. Por causa disso, o modelo multidimensional estrela está na 3ª
Forma Normal não é normalizado.
d) Incorreto: O modelo estrela é derivado do modelo snowflake, ou seja, é o
resultado da aplicação da 1ª Forma Normal sobre as entidades dimensão. O
modelo estrela não é normalizado.
e) Incorreto: Um Data Waherouse, por permitir a inclusão de dados por
digitação, necessita da aplicação de normalização para garantir a unicidade de
valores. Um Data Warehouse pode ser normalizado se for criado com
base em um modelo flocos de neve, mas será não normalizado ser
criado baseado no modelo estrela.
Gabarito: Letra B.
18- (FCC - 2016 - TRT - 14ª Região (RO e AC) - Técnico Judiciário -
Tecnologia da Informação) Quando uma empresa utiliza Data Warehouse
(DW) é necessário carregá-lo para permitir a análise comercial. Para isso, os
dados de um ou mais sistemas devem ser extraídos e copiados para o DW em
um processo conhecido como
a) ERP.
b) BI.
c) CRM.
d) ETL.
e) Data Mart.
Resolução:
a) Incorreto: ERP é a sigla para Enterprise Resource Planning ou Sistema
Integrado de Gestão Empresarial. O ERP é um software que melhora a gestão
das empresas, automatizando os processos e integrando as atividades de
Vendas, Finanças, Contabilidade, Fiscal, Estoque, Compras, Recursos Humanos,
Produção e Logística.

Prof. Ramon Souza
b) Incorreto: O termo Business Intelligence (BI) é um conceito guarda-

chuva que combina arquitetura, ferramentas, bancos de dados,
ferramentas analíticas, aplicações e metodologias com os objetivos de
habilitar o acesso interativo aos dados, habilitar a manipulação desses
dados e prover aos gerentes de negócios e analistas a habilidade de conduzir
análises apropriadas.
c) Incorreto: Customer Relationship Management (CRM) é um termo para

Gestão de Relacionamento com o Cliente. Foi criado para definir toda uma classe
de sistemas de informações ou ferramentas que automatizam as funções de
contato com o cliente.
d) Correto: O processo ETL consiste na extração (leitura de dados de uma
ou mais bases de dados), transformação (conversão dos dados extraídos de
sua forma anterior para a forma em que precisa estar para que possa ser
colocado em um data warehouse ou simplesmente outro banco de dados), e
carga (colocar os dados no data warehouse).
e) Incorreto: os Data Marts são utilizados para armazenar subconjunto de
dados dos DW, abrangendo uma determinada área de assunto ou departamento
da organização.
Gabarito: Letra D.
19- (FCC - 2016 - TRT - 23ª REGIÃO (MT) - Analista Judiciário -

Tecnologia da Informação) Na abordagem Star Schema, usada para modelar
data warehouses, os fatos são representados na tabela de fatos, que
normalmente
a) é única em um diagrama e ocupa a posição central.
b) está ligada com cardinalidade n:m às tabelas de dimensão.
c) está ligada às tabelas de dimensão, que se relacionam entre si com
cardinalidade 1:n.
d) tem chave primária formada independente das chaves estrangeiras das
tabelas de dimensão.
e) está ligada a outras tabelas de fatos em um layout em forma de estrela.
Resolução:
Com base nessa definição passemos a análise dos itens:
a) Correto: é única em um diagrama e ocupa a posição central.
b) Incorreto: está ligada com cardinalidade n:m 1:n às tabelas de dimensão.

Prof. Ramon Souza
c) Incorreto: está ligada às tabelas de dimensão, que se relacionam entre si

com cardinalidade 1:n n:m.
d) Incorreto: tem chave primária formada independente das chaves
estrangeiras das tabelas de dimensão.
e) Incorreto: está ligada a outras tabelas de fatos dimensões em um layout
em forma de estrela.
Gabarito: Letra A.
20- (FCC - 2015 - TRT - 9ª REGIÃO (PR) - Técnico Judiciário - Área

Apoio Especializado - Tecnologia da Informação) Uma plataforma de
Business Intelligence envolve o DW − Data Warehouse e diversos componentes,
dentre os quais, encontram-se
I. um subconjunto de informações do DW que podem ser identificados por
assuntos ou departamentos específicos.
II. ferramentas com capacidade de análise em múltiplas perspectivas das
informações armazenadas.
III. ferramentas com capacidade de descoberta de conhecimento relevante.
Encontram correlações e padrões dentro dos dados armazenados.
IV. processo de extração, tratamento e limpeza dos dados para inserção no DW.
Os componentes de I a IV são, correta e respectivamente,
a) Staging Area − Data Mining − OLAP − ETL.
b) Data Mart − OLAP − Data Mining − ETL.
c) OLTP − Drill Through − Drill Across − Staging Area.
d) Cubo de dados − Data Mining − OLTP − Operações Drill.
e) Staging Area − OLAP − Data Mining − Operações Drill.
Resolução:
Questão que requer o conhecimento acerca dos conceitos relativos à BI.
Vejamos os itens e a que conceito eles se referem:
I. Data mart: um subconjunto de informações do DW que podem ser
identificados por assuntos ou departamentos específicos.
II. OLAP: ferramentas com capacidade de análise em múltiplas perspectivas
das informações armazenadas.
III. Data mining: ferramentas com capacidade de descoberta de conhecimento
relevante. Encontram correlações e padrões dentro dos dados armazenados.
IV. ETL: processo de extração, tratamento e limpeza dos dados para inserção
no DW.
Gabarito: Letra B.

Prof. Ramon Souza
21- (FCC - 2015 - TRT - 4ª REGIÃO (RS) - Analista Judiciário -

Tecnologia da Informação) Considere a arquitetura geral de um sistema de
BI- Business Intelligence mostrada na figura abaixo.
Nesta arquitetura
a) Data Marts representam áreas de armazenamento intermediário criadas a
partir do processo de ETL. Auxiliam na transição dos dados das fontes OLTP
para o destino final no Data Warehouse.
b) OLAP é um subconjunto de informações extraído do Data Warehouse que
pode ser identificado por assuntos ou departamentos específicos. Utiliza uma
modelagem multidimensional conhecida como modelo estrela.
c) os dados armazenados no Data Warehouse são integrados na base única
mantendo as convenções de nomes, valores de variáveis e outros atributos
físicos de dados como foram obtidos das bases de dados originais.
d) o Data Warehouse não é volátil, permite apenas a carga inicial dos dados e
consultas a estes dados. Além disso, os dados nele armazenados são precisos
em relação ao tempo, não podendo ser atualizados.
e) Data Mining se refere ao processo que, na construção do Data Warehouse, é
utilizado para composição de análises e relatórios, armazenando dados
descritivos e qualificando a respectiva métrica associada.
Resolução:
Vamos analisar item a item desta questão:
a) Incorreto: Data Marts Staging area representam áreas de
armazenamento intermediário criadas a partir do processo de ETL. Auxiliam na
transição dos dados das fontes OLTP para o destino final no Data Warehouse.
Dependendo da abordagem utilizada, os Data Marts são utilizados para
armazenar subconjunto de dados dos DW, abrangendo uma determinada área
de assunto ou departamento da organização.
b) Incorreto: OLAP Data Mart é um subconjunto de informações extraído do
Data Warehouse que pode ser identificado por assuntos ou departamentos

Prof. Ramon Souza
específicos. Utiliza uma modelagem multidimensional conhecida como modelo

estrela.
O OLAP é uma abordagem para responder rapidamente questões ad hoc
c) Incorreto: os dados armazenados no Data Warehouse são integrados na
base única mantendo as convenções de nomes, valores de variáveis e outros

atributos físicos de dados como foram obtidos das bases de dados originais.
d) Correto: o Data Warehouse não é volátil, permite apenas a carga inicial dos
dados e consultas a estes dados. Além disso, os dados nele armazenados são
precisos em relação ao tempo, não podendo ser atualizados.
Uma das características de um DW é a não-volatilidade, que vai ao encontro do
afirmado no item, pois o DW não sofre ALTERAÇÕES frequentes, ainda
que possa sempre ser ATUALIZADO com novos dados.
• Não voláteis: depois que os dados são inseridos em um DW, os usuários
não podem modificá-los ou atualizá-los. De modo geral, são permitidas
apenas operações de carga e consulta.
e) Incorreto: Data Mining Dimensão se refere ao processo a tabela que, na
construção do Data Warehouse, é utilizado para composição de análises e
relatórios, armazenando dados descritivos e qualificando a respectiva métrica
associada.
Data Mining consiste em um processo analítico projetado para explorar
grandes quantidades de dados (tipicamente relacionados a negócios, mercado
ou pesquisas científicas), na busca de padrões consistentes e/ou
relacionamentos sistemáticos entre variáveis e, então, validá-los aplicando os
padrões detectados a novos subconjuntos de dados.
Gabarito: Letra D.
22- (FCC - 2015 - TRT - 3ª Região (MG) - Técnico Judiciário - Área

Tecnologia da Informação) Um técnico de TI precisa utilizar um subconjunto
de dados de um Data Warehouse direcionado à área administrativa de um
Tribunal. Esses dados serão armazenados em um banco de dado modelado
multidimensionalmente, que será criado capturando-se dados diretamente de
sistemas transacionais, buscando as informações relevantes para os processos
de negócio da área administrativa. Esse banco de dados será um

Prof. Ramon Souza
a) OLAP.
b) MOLAP.
c) Data Mining.
d) Big Data
e) Data Mart.
Resolução:
a) Incorreto: O OLAP é uma abordagem para responder rapidamente
questões ad hoc através da execução de consultas analíticas
multidimensionais em repositórios de dados organizacionais (data
warehouses, data marts).
b) Incorreto: As ferramentas MOLAP (Processamento Analítico
Multidimensional On-Line) são uma variação do OLAP que requerem pré-
computação e o armazenamento de informações no cubo de dados, isto
é, um pré-processamento.
c) Incorreto: Data Mining consiste em um processo analítico projetado para
explorar grandes quantidades de dados (tipicamente relacionados a negócios,
mercado ou pesquisas científicas), na busca de padrões consistentes e/ou
d) Incorreto: Big Data é um termo amplamente utilizado na atualidade para
nomear conjuntos de dados muito grandes ou complexos, que os
aplicativos de processamento de dados tradicionais ainda não conseguem lidar.
e) Correto: os Data Marts são utilizados para armazenar subconjunto de
da organização.
Gabarito: Letra E.
23- (FCC - 2015 - TRT - 3ª Região (MG) - Analista Judiciário -

Tecnologia da Informação) No modelo de dados multidimensional existem
as operações suportadas pelas ferramentas OLAP para permitir a análise dos
dados. Com relação a estas operações, considere os dados abaixo.

Prof. Ramon Souza
Para movimentar a visão dos dados ao longo de níveis hierárquicos da dimensão

tempo, saindo do que consta na Tabela 2 para o que consta na Tabela 1, um
analista de TI deve utilizar a operação OLAP
a) drill down.
b) drill across.
c) pivot.
d) roll up.
e) drill throught.
Resolução:
A operação realizada na figura é a operação de drill up (ou roll up) na dimensão
tempo. A operação drill up sobe na hierarquia, agrupando unidades maiores
ao longo de uma dimensão, aumenta a granularidade e, consequentemente,
diminuindo o nível de detalhamento.
Observando a figura, vemos que houve uma redução no detalhamento da
dimensão tempo, que estava sendo exibida em Trimestres e passou a ser
exibida em anos.
a) Incorreto: drill down fornece uma visão mais detalhada, desagregando
unidades menores ao longo da dimensão. Diminui a granularidade.
Assim, se fosse utilizada na dimensão tempo, poderia retornar o resultado por
uma unidade menor de tempo como meses ou semanas.
b) Incorreto: drill across serve realizar consultas que envolvem mais de
uma tabela fato.
c) Incorreto: pivot ou rotate é usado para alterar a orientação
dimensional de um relatório ou uma exibição de página de consulta ad hoc.
d) Correto: roll up sobe na hierarquia, agrupando unidades maiores ao longo
de uma dimensão. Aumenta a granularidade.
e) Incorreto: drill throught utiliza as instalações SQL para ir além do nível
inferior de um cubo de dados até suas tabelas relacionais back-end,
permitindo, desta forma, o acesso aos dados que não estão no modelo
multidimensional.
Gabarito: Letra D.

Prof. Ramon Souza

Tecnologia da Informação) A modelagem multidimensional é utilizada
especialmente para sumarizar e reestruturar dados e apresentá-los em visões
que suportem a análise dos valores desses dados. Um modelo multidimensional
é formado por dimensões, e por uma coleção de itens de dados composta de
dados de medidas e de contexto, denominada
a) slice.
b) fato.
c) versão.
d) schema.
e) pivot.
Resolução:
a) Incorreto: slice recupera um subconjunto, geralmente bidimensional,
de uma matriz multidimensional, que corresponde a um valor simples
atribuído a uma (ou mais) dimensões.
b) Correto: Os atributos de análise de decisão das tabelas fato consistem em
medidas de desempenho, métricas operacionais, medidas agregadas e
todas as outras métricas necessárias para analisar o desempenho da
organização.
c) Incorreto: versão diz respeito a um controle da versão atual do banco de
dados, podendo ser controlada por um sistema de controle de versões.
d) Incorreto: schema refere-se a organização do modelo que pode ser estrela
ou flocos de neve.
e) Incorreto: pivot ou rotate é usado para alterar a orientação
dimensional de um relatório ou uma exibição de página de consulta ad hoc.
Gabarito: Letra B.

Prof. Ramon Souza
25- (FCC - 2015 - TCE-CE - Técnico de Controle Externo-Auditoria de

Tecnologia da Informação) NAs ferramentas Online Analytical Processing −
OLAP suportam análise de dados em um ambiente multidimensional no qual é
possível estruturar logicamente os dados na forma de um cubo. Dentre os
recursos disponíveis nessas ferramentas, há a operação
a) dice, que extrai um subcubo do cubo original executando uma operação de
seleção em duas ou mais dimensões.

b) roll-up, que seleciona dados de uma única dimensão de um cubo, resultando
em um subcubo.
c) drill-down, que aplica uma agregação sobre o cubo de dados, aumentando o
nível de granularidade dentro de uma dimensão e reduzindo o detalhamento da
informação.
d) slice, que é uma operação de visualização que rotaciona os eixos de um
determinado cubo, provendo uma visão alternativa dos dados.
e) pivot, que provê uma forma de navegar de um dado com menor nível de
detalhe para um dado com maior nível de detalhe, descendo em uma hierarquia
de uma dimensão ou introduzindo dimensões adicionais.
Resolução:
a) Correto: dice, que extrai um subcubo do cubo original executando uma
operação de seleção em duas ou mais dimensões.
b) Incorreto: roll-up slice, que seleciona dados de uma única dimensão de um
cubo, resultando em um subcubo.
c) Incorreto: drill-down drill-up, que aplica uma agregação sobre o cubo de
dados, aumentando o nível de granularidade dentro de uma dimensão e
reduzindo o detalhamento da informação.
d) Incorreto: slice pivot, que é uma operação de visualização que rotaciona
os eixos de um determinado cubo, provendo uma visão alternativa dos dados.
e) Incorreto: pivot drill-down, que provê uma forma de navegar de um dado
com menor nível de detalhe para um dado com maior nível de detalhe, descendo
em uma hierarquia de uma dimensão ou introduzindo dimensões adicionais.
Gabarito: Letra A.

Prof. Ramon Souza
26- (FCC - 2015 - CNMP - Analista do CNMP - Tecnologia de Informação

e Comunicação Desenvolvimento de Sistemas) Considere que a equipe de
Analistas de Desenvolvimento de Sistemas do CNMP está projetando a
arquitetura para o Data Warehouse (DW) da instituição, conforme mostra a
figura abaixo:
É correto afirmar que esta arquitetura

a) é bottom-up. Garante a existência de um único conjunto de aplicações para
ETL, ou seja, extração, limpeza e integração dos dados, embora os processos
de manutenção e monitoração fiquem descentralizados.
b) é bottom-up, pois primeiro a equipe cria um DW e depois parte para a
segmentação, ou seja, divide o DW em áreas menores gerando pequenos
bancos orientados por assuntos aos departamentos.
c) é bottom-up. Permite um rápido desenvolvimento, pois a construção dos Data
Marts é altamente direcionada. Normalmente um Data Mart pode ser colocado
em produção em um período de 2 a 3 meses.
d) é top-down. A partir do DW são extraídos os dados e metadados para os Data
Marts. Nos Data Marts as informações estão em maior nível de sumarização e,
normalmente, não apresentam o nível histórico encontrado no DW.
e) é top-down, pois possui um retorno de investimento muito rápido ou um
faster pay back. O propósito desta arquitetura é a construção de um DW
incremental a partir de Data Marts independentes.
Resolução:
A figura trazida nessa questão apresenta a abordagem EDW ou de Bill Inmon
abordagem de desenvolvimento de cima para baixo (top-down) que adapta
metodologias e ferramentas de banco de dados relacionais tradicionais
às necessidades de desenvolvimento de um data warehouse de toda a empresa.

Prof. Ramon Souza
Nesta abordagem, primeiramente é construído o Data Warehouse,

modelando toda a empresa para se chegar a um único modelo corporativo,
partindo posteriormente para os Data Marts construídos por assuntos ou
departamentais.
É importante destacar que a abordagem top-down requer um maior tempo para
o retorno sobre o investimento, pois os resultados só serão obtidos ao término
da implantação do DW completo.
Gabarito: Letra D.
27- (FCC - 2015 - TRE-RR - Analista Judiciário - Análise de Sistemas)

Os dados de sistemas OLAP se baseiam nas informações contidas nos diversos
softwares utilizados pela empresa (ERPs, planilhas, arquivos texto, arquivos
XML etc.). Estes sistemas possuem uma camada onde estão os dados originais
e outra camada onde estão os dados tratados (um gigantesco repositório de
dados sobre assuntos diversos preparados para serem consultados por um
sistema OLAP), que chamamos de
a) Data Mining.
b) Online Transactional Database.
c) Data Mart.
d) Datawarehouse.
e) Big Data.
Resolução:
a) Incorreto: Data Mining consiste em um processo analítico projetado para
explorar grandes quantidades de dados (tipicamente relacionados a negócios,
mercado ou pesquisas científicas), na busca de padrões consistentes e/ou
b) Incorreto: através de ferramentas OLTP (processamento de transação
on-line), que inclui inserções, atualizações e exclusões, e suportam
requisitos de consulta de informação. A principal ênfase das ferramentas OLTP
é realizar processamento de consultas rapidamente, mantendo a integridade
dos dados em ambientes multiusuários e a efetividade em transações por
segundo.
c) Incorreto: os Data Marts são utilizados para armazenar subconjunto de
da organização.
d) Correto: Um Data Warehouse (DW) é um conjunto de dados
produzidos para apoiar a tomada de decisão, ou um repositório de dados
atuais e históricos de potencial interesse para gestores de toda a
organização.

Prof. Ramon Souza
e) Incorreto: Big Data é um termo amplamente utilizado na atualidade para

nomear conjuntos de dados muito grandes ou complexos, que os
aplicativos de processamento de dados tradicionais ainda não conseguem lidar.
Gabarito: Letra D.
28- (FCC - 2014 - TJ-AP - Analista Judiciário - Área Apoio Especializado

- Tecnologia da Informação - Administração em Redes de

Computadores) Os sistemas de Data Warehouse utilizam-se de um modelo de
dados diferente dos bancos de dados tradicionais, que proporciona ganhos de
desempenho nas consultas. Esse modelo é conhecido como modelagem
a) dinâmica.
b) dimensional.
c) fixa.
d) online.
e) transacional.
Resolução:
A modelagem dimensional ou multidimensional é a técnica de
modelagem de banco de dados utilizada para a representação dos dados
nos bancos de dados multidimensionais.
A modelagem dimensional é usada para o auxílio às consultas em um
Data Warehouse nas mais diferentes perspectivas, definindo a representação
e armazenamento dos dados nestes repositórios, bem como promovendo o
processamento de consultas multidimensionais complexas. A visão
multidimensional permite, ainda, o uso mais intuitivo para o
processamento analítico pelas ferramentas OLAP (On-line Analytical
Processing), que possibilitam a análise de dados complexos do Data Warehouse.
Gabarito: Letra B.

Computadores) Nas ferramentas de navegação OLAP (On-Line Analytical
Processing), é possível navegar entre diferentes níveis de detalhamento de um
cubo de dados. Supondo-se que um relatório esteja consolidado por Estados de
um país, o processo que possibilita que os dados passem a ser apresentados
por cidades e bairros, é denominado
a) drill down.
b) data mining.
c) botton-up.

Prof. Ramon Souza
d) drill up.
e) top-down.
Resolução:
As operações de Drill Down / Up permitem a navegação entre os níveis de
dados que vão desde o mais resumido até o mais detalhado (baixo).
❖ Drill up (Roll up): sobe na hierarquia, agrupando unidades maiores ao

longo de uma dimensão. Aumenta a granularidade.
❖ Drill down: fornece uma visão mais detalhada, desagregando unidades
menores ao longo da dimensão. Diminui a granularidade.
Logo, como na questão querermos ir de um nível mais alto (país ou estado)
para um nível mais baixo (cidade ou bairro), devemos utilizar a operação drill-
down.
Gabarito: Letra A.
30- (FCC - 2014 - TCE-GO - Analista de Controle Externo - Tecnologia

da Informação) As ferramentas OLAP permitem efetuar a exploração dos
dados de um Data Warehouse (DW). Em relação a este tema, é correto afirmar:
a) A análise multidimensional representa os dados como tabelas, de forma
semelhante aos bancos de dados relacionais.
b) Combinando as dimensões, o usuário tem uma visão dos dados de um DW,
podendo efetuar operações básicas como slice and dice, drill down e roll up.
c) O resultado das operações OLAP não permite a descoberta de tendências e
cenários; isso é conseguido com sistemas ERP, capazes de transformar dados
do DW em informações estratégicas.
d) As operações slice and dice realizam a alteração nos dados do DW
modificando o nível de granularidade da consulta.
e) Para navegar nas dimensões do DW são utilizadas as operações drill, que não
afetam o nível de granularidade da consulta.
Resolução:
a) Incorreto: A análise multidimensional representa os dados como tabelas
um cubo de dados, de forma semelhante aos bancos de dados relacionais.
b) Correto: Usando o OLAP, é possível navegar pelo banco de dados e visualizar
um subconjunto específico dos dados (e sua progressão ao longo do tempo)
alterando as orientações dos dados e definindo cálculos analíticos. As
operações OLAP (slice, dice, drill-up, drill-down, drill-across, drill-througt) são
usadas para essas funções.

Prof. Ramon Souza
c) Incorreto: O resultado das operações OLAP não permite a descoberta de

tendências e cenários; isso é conseguido com sistemas ERP, capazes de
transformar dados do DW em informações estratégicas.
d) Incorreto: As operações slice and dice drill-down/up realizam a alteração
nos dados do DW modificando o nível de granularidade da consulta.
e) Incorreto: Para navegar nas dimensões do DW são utilizadas as operações
drill, que não afetam o nível de granularidade da consulta.

Gabarito: Letra B.
31- (CESPE - 2017 - TCE-PE - Auditor de Controle Externo - Auditoria

de Contas Públicas) Julgue o próximo item, relativo à modelagem
dimensional.
Todas as tabelas de um modelo apresentam um elemento de tempo como parte
da estrutura de chave.
Resolução:
Um elemento de tempo é uma dimensão que deve fazer parte da chave da
tabela fato, mas não precisa, necessariamente, fazer parte de todas as
tabelas dimensão do modelo.
A chave primária de uma tabela fato é sempre composta ou concatenada e
possui ao menos um elemento associado a uma dimensão de tempo. Dessa
forma, somente um atributo da tabela de fatos e a dimensão tempo
devem, obrigatoriamente, possuir um elemento de tempo na sua estrutura.
Gabarito: Errado.
32- (CESPE - 2017 - TCE-PE - Analista de Controle Externo - Auditoria

dimensional.
No modelo estrela, os dados são modelados em tabelas dimensionais, ligadas a
uma tabela fato; uma tabela dimensão armazena o que tiver ocorrido, e a tabela
fato contém as características de um evento.
Resolução:
O modelo ou esquema estrela tabela fato central conectada a várias
tabelas dimensão. No entanto, a questão inverteu os conceitos de tabela
fato e tabela dimensão.
A tabela fato armazena os eventos ocorridos decorrentes dos processos de
negócio. As tabelas dimensão, por sua vez, contém as características ou
descrições das entidades de negócio.
Gabarito: Errado.

Prof. Ramon Souza

dimensional.
No modelo floco de neve (snow flake), todas as tabelas estão relacionadas
diretamente com a tabela de fatos, e as tabelas dimensionais devem conter
todas as descrições necessárias para definir uma classe nelas mesmas.
Resolução:
No esquema floco de neve, as dimensões podem estar representadas por mais

de uma tabela e, portanto, determinadas tabelas podem estar ligadas a
tabelas dimensão e não diretamente a tabelas fato.
No esquema flocos de neve, as tabelas dimensão são organizadas em
uma hierarquia gerada a partir da normalização, geralmente, até a terceira
forma normal. Assim, o esquema floco de neve é resultado da
decomposição de uma ou mais dimensões que possuem hierarquias
entre seus membros.
Gabarito: Errado.
34- (CESPE - 2017 - SEDF - Analista de Gestão Educacional - Tecnologia

da Informação) Com relação aos conceitos de modelagem multidimensional
de dados para inteligência computacional, julgue o seguinte item.
Ao se modelar uma tabela-fato, deve-se considerar que a chave primária é
composta e que a dimensão tempo sempre será parte integrante dessa chave.
Resolução:
Assertiva corretíssima!!!
Na modelagem dimensional ou multidimensional, a chave primária tabela de
fatos é sempre composta ou concatenada formada por um subconjunto de
chaves estrangeiras que referenciam as dimensões. É importante destacar que
a dimensão tempo é sempre representada como parte da chave
primária de uma tabela de fatos.
Gabarito: Certo.

A operação drill-across permite buscar informações que vão além do nível de
granularidade existente na estrutura dimensional, desde que elas estejam
unidas por dimensões compatíveis.
Resolução:
A assertiva refere-se a uma das acepções da operação drill-througt.
A operação drill-trough pode ser entendida com base em duas acepções.

Prof. Ramon Souza
❖ Drill-through (Han, Kamber e Pei): utiliza as instalações SQL para ir

além do nível inferior de um cubo de dados até suas tabelas
relacionais back-end, permitindo, desta forma, o acesso aos dados que
não estão no modelo multidimensional.
❖ Drill-through (Internet): usuário passa de uma informação contida em
uma dimensão para uma outra.
A operação drill-across também possui duas acepções:

❖ Drill-across (Kimball): para Kimball, esta operação serve realizar
consultas que envolvem mais de uma tabela fato. Note que, esta
conceito não tem nada a ver com a navegação entre níveis de dados.
❖ Drill-across (Internet): navegação entre os níveis de dados, saltando
níveis.
Gabarito: Errado.
36- (CESPE - 2016 - TCE-SC - Auditor Fiscal de Controle Externo -

Informática) No que concerne à modelagem dimensional, julgue o item que
se segue.
Um modelo dimensional é composto por uma tabela com uma chave simples,
denominada tabela de fatos, e um conjunto de tabelas maiores, que contém
chaves compostas, conhecidas como tabelas de dimensão.
Resolução:
A chave primária da tabela de fatos é sempre composta. Já as chaves das
tabelas dimensão são, geralmente, simples formadas por uma chave artificial
criada para identificar unicamente cada objeto da dimensão.
Kimball destaca que a tabela de fatos tem sua própria chave primária
composta formada por um subconjunto das chaves estrangeiras. Essa chave é
chamada de uma chave composta ou concatenada. Toda tabela de fatos
em um modelo dimensional tem uma chave composta e, inversamente,
toda tabela que possui uma chave composta é uma tabela de fatos.
Gabarito: Errado.
37- (CESPE - 2016 - TCE-PA - Auditor de Controle Externo - Área

Informática - Analista de Sistema) Julgue o item a seguir, em relação a data
warehouse e data mining.
Data warehouse é um repositório de dados dinâmico, que sofre alterações
frequentes, de modo a permitir que sejam feitas consultas em base de dados
constantemente atualizada.
Resolução:
Uma das características de um DW é a não-volatilidade, que vai de encontro ao
afirmado no item, pois o DW não sofre ALTERAÇÕES frequentes, ainda que
possa sempre ser ATUALIZADO com novos dados.

Prof. Ramon Souza
❖ Não voláteis: depois que os dados são inseridos em um DW, os usuários

Gabarito: Errado.
38- (CESPE - 2016 - TRE-PI - Analista Judiciário - Análise de Sistemas)

Existem dois esquemas lógicos para a implementação de um modelo de BI que

envolve tabelas de fato e tabelas de dimensões: o esquema estrela (star
schema) e o floco-de-neve (snow-flake schema). Acerca do esquema estrela,
assinale a opção correta.
a) No esquema estrela, diversas tabelas de dimensão se relacionam tanto com
diversas tabelas fato como com outras tabelas de dimensão, apresentando
chaves ligando todas essas tabelas.
b) No esquema estrela, as tabelas de dimensão são organizadas em uma
hierarquia por meio da sua normalização, com vistas a diminuir o espaço
ocupado, eliminando-se, assim, quaisquer redundâncias.
c) O esquema estrela exige o uso de tabelas normalizadas.
d) No esquema estrela, cada tabela de dimensão está relacionada a várias
tabelas de fato, formando uma estrutura na qual a tabela de dimensão se
relaciona com várias tabelas de fato obrigatoriamente.
e) O esquema estrela consiste em uma tabela de fato com várias tabelas para
cada dimensão e propõe uma visão cuja principal característica é a presença de
dados redundantes nas tabelas de dimensão.
Resolução:
Em um banco de dados multidimensional, com base na organização entre as
tabelas fato e tabelas dimensões, temos basicamente dois esquemas de
organização:
❖ Star Schema (esquema estrela): contém uma tabela fato central cercada
e conectadas a muitas tabelas dimensão. Fornece rápido tempo de
resposta, simplicidade, e facilidade de manutenção para estruturas
read-only. Tabelas não normalizadas.
❖ Snowflake Schema (esquema flocos de neve): tabela fato central
conectada a múltiplas dimensões. Dimensões são normalizadas.
Com base no descrito para estes dois esquemas, vamos analisar os itens:
a) Incorreto: no esquema estrela, as tabelas dimensão ligam-se somente as
tabelas fato.
b) Incorreto: no esquema estrela, as tabelas de dimensão são não
normalizadas.

Prof. Ramon Souza
c) Incorreto: no esquema estrela, as tabelas de dimensão são não

normalizadas. No esquema snowflake, é que as tabelas são normalizadas.
d) Incorreto: de fato, no esquema estrela, as tabelas fato são conectadas a
tabela dimensão, mas é somente a uma tabela fato central.
e) Correto: o esquema estrela consiste em uma tabela de fato com várias
tabelas para cada dimensão e propõe uma visão cuja principal característica é
a presença de dados redundantes nas tabelas de dimensão (as tabelas não são
normalizadas).
Gabarito: Letra E.
39- (CESPE - 2016 - FUNPRESP-EXE - Especialista - Tecnologia da

Informação) Com relação à forma como os dados são armazenados e
manipulados no desenvolvimento de aplicações, julgue o item a seguir.
Aplicações de data warehouse que usem um esquema floco de neve tendem a
ter pior desempenho nas consultas do que as aplicações que usem o esquema
estrela.
Resolução:
As consultas no esquema floco de neve são mais complexas e difíceis de
entender, pois há necessidade de realizar várias junções entre as tabelas
que estão normalizadas. Assim, o desempenho das consultas neste modelo
acaba tendo pior desempenho que as consultas no esquema estrela.
Gabarito: Certo.
40- (CESPE - 2015 - TCU - Auditor Federal de Controle Externo -

Tecnologia da Informação) Julgue o item subsequente, a respeito de
modelagem dimensional e análise de requisitos para sistemas analíticos.
Na análise dos dados de um sistema com o apoio de uma ferramenta OLAP,
quando uma informação passa de uma dimensão para outra, inexistindo
hierarquia entre elas, ocorre uma operação drill through.
Resolução:
A operação drill-trough pode ser entendida com base em duas acepções.
❖ Drill-through (Han, Kamber e Pei): utiliza as instalações SQL para ir
além do nível inferior de um cubo de dados até suas tabelas
relacionais back-end, permitindo, desta forma, o acesso aos dados que
não estão no modelo multidimensional.
❖ Drill-through (Internet): usuário passa de uma informação contida em
uma dimensão para uma outra. (utilizada na questão)
Gabarito: Certo.

Prof. Ramon Souza

Em uma modelagem dimensional que utilize o esquema estrela, a chave
primária de uma tabela de fatos será a chave estrangeira na tabela de
dimensões.
Resolução:
Assertiva inverte a relação entre as tabelas fato e tabelas dimensão por meio
das chaves. Seria correto da seguinte forma:
primária de uma tabela de fatos de dimensões será a chave estrangeira na
tabela de dimensões de fatos.
A chave primária da tabela fato é composta por um subconjunto de suas chaves
estrangeiras e, estas, por sua vez referenciam as tabelas dimensão associadas.
Gabarito: Errado.
42- (CESPE - 2015 - TJ-DFT - Técnico Judiciário - Programação de

Sistemas) Julgue o item a seguir, a respeito de datawarehouse e de
datamining.
No projeto de um esquema estrela, é necessário fazer algumas suposições a
respeito do comportamento do usuário no que se refere às consultas realizadas
ao sistema.
Resolução:
Podemos resolver essa questão com base em uma das regras de Kimball para
a modelagem dimensional. Uma destas regras destaca a necessidade de avaliar
os requisitos do usuário, sendo necessário realizar a modelagem para facilitar
as consultas realizadas por estes usuários.
Regra #10: Avalie requisitos e realidade continuamente para
desenvolver uma solução de DW/BI que seja aceita pelos usuários de
negócios e suporte seu processo de tomada de decisões: Os responsáveis
pela modelagem dimensional devem constantemente balancear os requisitos
dos usuários de negócios com as realidades inerentes aos dados de origem
associados para desenvolver um modelo que possa ser implantado, e que, mais
importante ainda; tenha uma boa chance de ser útil aos negócios.
Gabarito: Certo.

Prof. Ramon Souza

datamining.
Uma vez que os esquemas floco de neve possuem menor redundância do que
os esquemas estrela, sua manutenção é mais fácil de ser realizada.
Resolução:
As tabelas dimensão do esquema floco de neve são normalizadas e,

portanto, apresentam menor redundância. Por sua vez, nos esquemas
estrela, não há normalização das tabelas, gerando redundância nos dados.
Uma característica importante é que o esquema floco de neve facilita a
manutenção para alteração das estruturas, pois não há redundância dos
dados. Aqui cabe uma ressalta, pois Turban considera que o esquema estrela
facilita a manutenção para estruturas somente leitura, pois sua estrutura
é menos complexa.
Gabarito: Certo.
44- (CESPE - 2015 - MEC – Administrador de Dados) No que se refere a

bancos de dados transacionais (OLTP) e a banco de dados analíticos (OLAP),
julgue o item que se segue.
OLAP é uma interface com o usuário que pode se utilizar de diversos modelos
de armazenamento para apresentar as informações. As diversas formas de
armazenamento e acesso a dados permitem classificar OLAP em diferentes
categorias, como por exemplo, o ROLAP, em que os dados são armazenados de
forma relacional, e o MOLAP, em que os dados são armazenados em estruturas
multidimensionais.
Resolução:
Item que cobra a diferença entre MOLAP e ROLAP, que reside principalmente
nas estruturas de armazenamento utilizadas.
As ferramentas MOLAP (Processamento Analítico Multidimensional On-
Line) requerem pré-computação e o armazenamento de informações no
cubo de dados, isto é, um pré-processamento.
As ferramentas ROLAP (Processamento Analítico Relacional On-line)
não requerem pré-computação e armazenamento de informações, pois
acessam os dados em um banco de dados relacional e geram consultas
SQL para consultar informações em um nível apropriado solicitado pelo usuário.
Gabarito: Certo.

Prof. Ramon Souza
45- (CESPE - 2015 - MEC – Administrador de Dados) O desenvolvimento

de um sistema por meio de extrações e integrações de diversas bases de dados,
bem como a consolidação de informações de arquivos de texto externos e
internos, são características relacionadas a uma solução de BI/DW.
Resolução:
Uma das características de um sistema de business intelligence é a integração
dos dados, que significa que estes dados são provenientes de múltiplas fontes
e integrados no Data Warehouse. Para Inmon, um Data Warehouse é

uma coleção de dados orientada a assunto, integrada, não volátil,
variável no tempo parasuporte às decisões da gerência. Vejamos estas
características de modo mais detalhado:
❖ Orientado a assunto: os dados armazenados em um DW são organizados
por assunto, tratando de temas específicos e importantes para o negócio da
organização.
❖ Integrados: o DW é um depósito de dados integrados de múltiplas fontes,
processados para armazenamento em um modelo multidimensional.
❖ Variante no tempo: um DW mantém os dados históricos, permitindo a
detecção de tendências, desvios e relações de longo prazo para previsões e
comparações.
❖ Não voláteis: depois que os dados são inseridos em um DW, os usuários
Gabarito: Certo.
46- (CESPE - 2015 - MEC – Administrador Banco de Dados) Data

warehouse é um banco de dados projetado para obter melhor desempenho na
consulta e análise de dados, em vez de processamento de transações.
Resolução:
A modelagem dimensional é usada para o auxílio às consultas em um
Data Warehouse nas mais diferentes perspectivas, definindo a representação
e armazenamento dos dados nestes repositórios, bem como promovendo o
processamento de consultas multidimensionais complexas. A visão
multidimensional permite, ainda, o uso mais intuitivo para o
processamento analítico pelas ferramentas OLAP (On-line Analytical
Processing), que possibilitam a análise de dados complexos do Data Warehouse.
Ressalta-se que para dados organizados no formato dimensional,
o desempenho da consulta nas matrizes multidimensionais pode ser muito
melhor do que no modelo de dados relacional. Os dados do cubo podem
ser consultados diretamente a partir de qualquer combinação de suas
dimensões.
Gabarito: Certo.

Prof. Ramon Souza
47- (CESPE - 2014 - ANATEL - Técnico em Regulação -

Telecomunicações) Julgue o item seguinte, com relação à disponibilização de
informações de apoio a decisões estratégicas e gerenciais.
As ferramentas de business inteligence, encarregadas de extrair e carregar
dados na base de dados de BI, são denominadas ferramentas de ETL.
Resolução:

Gabarito: Certo.
48- (CESPE - 2014 - ANATEL - Analista Administrativo -

Desenvolvimento de Sistemas) Acerca dos sistemas de suporte à decisão e
inteligência de negócio, julgue os itens subsequentes.
Organizar os atributos em uma hierarquia, em que o nível mais elevado
apresenta as agregações mais esparsas e os níveis inferiores apresentam
maiores detalhes, constitui uma técnica para modelagem de dados
multidimensional.
Resolução:
O esquema dimensional floco de neve prevê a normalização das tabelas
dimensão por meio de uma hierarquização dessas tabelas. Assim, o esquema
floco de neve é resultado da decomposição de uma ou mais dimensões
que possuem hierarquias entre seus membros.
Podemos ter por exemplo uma hierarquia formada por categoria, subcategoria
e produto. A tabela produto apresenta um maior nível de detalhamento,
enquanto que a categoria é mais esparsa. Embora o termo esparsa não seja o
mais adequado para caracterizar os níveis superiores da hierarquia, pode ter
sido utilizada nesta questão e considerada pela banca para fazer referência a
dispersão dos valores das tabelas de mais alto nível, pois, os níveis mais altos,
geralmente, por apresentarem menor detalhamento, possuem menos valores
e, assim, estes valores acabam tendo distâncias maiores (ou menores relações)
que os valores dos níveis menores.
Assim, por exemplo, um modelo pode apresentar 1.000.000 de produtos
cadastrados e somente 20 categorias. Uma categoria é mais esparsa em relação
a outra do que um produto e outro. Um produto A pode ser tão semelhante ao
Produto B, que podem ser de uma mesma categoria.
Gabarito: Certo.

Prof. Ramon Souza

As ferramentas de business inteligence são consideradas ferramentas do tipo
OLTP (online transaction processing).
Resolução:
O item relaciona erroneamente as ferramentas de BI com as OLTP. Na verdade

são as ferramentas OLAP é que são utilizadas em ambientes de BI, sendo as
OLTP utilizadas em ambientes transacionais.
Gabarito: Errado.
50- (CESPE - 2014 - TJ-SE - Analista Judiciário - Análise de Sistemas)

Com relação a sistemas de suporte à decisão, julgue os seguintes itens.
Na modelagem multidimensional, é possível haver mais de uma tabela fato no
mesmo modelo. A tabela fato expressa a relação N:M (muitos-para-muitos)
entre as dimensões, que, por sua vez, implementam a visão e a interface do
usuário ao DataWarehouse.
Resolução:
As tabelas fatos possuem chaves estrangeiras que se relacionam as tabelas
dimensão e, assim, um fato agrega dados de várias dimensões, portanto,
representa uma relação muitos para muitos entre as dimensões. É justamente
uma tabela fato que agrega o relacionamento entre as dimensões do modelo.
Kimball destaca que toda tabela de fatos em um modelo dimensional tem uma
chave composta e, inversamente, toda tabela que possui uma chave
composta é uma tabela de fatos. Outra maneira de dizer isso é que, cada
tabela que expressa um relacionamento de muitos para muitos deve ser
uma tabela de fatos. Todas as outras tabelas são tabelas de dimensão.
Sobre a segunda parte do item, vale ressaltar que a tabela de fatos é
acessada através das tabelas de dimensões relacionadas a ela.
Gabarito: Certo.

Prof. Ramon Souza
3. LISTAS DE EXERCÍCIOS
Questões comentadas durante a aula
1- (FCC - 2018 - DPE-AM - Analista em Gestão Especializado de
Defensoria - Analista de Banco de Dados) Uma das características
fundamentais de um ambiente de data warehouse está em
a) servir como substituto aos bancos de dados operacionais de uma empresa,
na eventualidade da ocorrência de problemas com tais bancos de dados.

b) ser de utilização exclusiva da área de aplicações financeiras das empresas.
c) proporcionar um ambiente que permita realizar análise dos negócios de uma
empresa com base nos dados por ela armazenados.
d) ser de uso prioritário de funcionários responsáveis pela área de telemarketing
das empresas.
e) armazenar apenas os dados mais atuais (máximo de 3 meses de criação),
independentemente da área de atuação de cada empresa.
2- (FCC - 2016 - TRT - 20ª REGIÃO (SE) - Técnico Judiciário -

Tecnologia da Informação) Considere, por hipótese, que o Tribunal Regional
do Trabalho da 20a Região tenha optado pela implementação de um DW (Data
Warehouse) que inicia com a extração, transformação e integração dos dados
para vários DMs (Data Marts) antes que seja definida uma infraestrutura
corporativa para o DW. Esta implementação
a) é conhecida como top down.
b) permite um retorno de investimento apenas em longo prazo, ou seja, um
slower pay back
c) tem como objetivo a construção de um sistema OLAP incremental a partir de
DMs independentes.
d) não garante padronização dos metadados, podendo criar inconsistências de
dados entre os DMs.
e) tem como vantagem a criação de legamarts ou DMs legados que facilitam e
agilizam futuras integrações.

Prof. Ramon Souza
3- (FUNDATEC - 2014 - SEFAZ-RS - Auditor Fiscal da Receita Estadual

- Bloco 1)
A respeito do tipo de modelagem multidimensional, apresentado na Figura 6,

pode-se afirmar que:
I. É utilizado em projetos de Data Warehouse.
II. Facilita o uso e torna mais intuitivo o emprego de ferramentas de
processamento analítico OLAP (On-line Analytical Processing).
III. É utilizado em projetos de Business Intelligence.
Quais estão corretas?
a) Apenas I.
b) Apenas III
c) Apenas I e II.
d) Apenas II e III
e) I, II e III.

Defensoria - Analista de Banco de Dados) Um dos modelos mais utilizados
no projeto e implementação de um data warehouse é o modelo dimensional ou
multidimensional. Em um modelo dimensional (composto por uma tabela fato e
várias tabelas dimensão),
a) as tabelas dimensão devem conter apenas atributos do tipo literal.
b) a tabela fato tem uma cardinalidade de mapeamento de um para um com
cada tabela dimensão.
c) a tabela fato deve conter atributos numéricos, visando proporcionar dados
para uma análise de atividades da empresa.
d) há um número teórico mínimo de 3 e máximo de 15 tabelas dimensão.
e) as tabelas dimensão comportam um número máximo teórico de atributos.

Prof. Ramon Souza
5- (FCC - 2017 - TRT - 24ª REGIÃO (MS) - Analista Judiciário -

Tecnologia da Informação) Uma das formas de apresentação de um banco
de dados multidimensional é através do modelo estrela. No centro de um
modelo estrela encontra-se a tabela de
a) dimensão e, ao seu redor, as tabelas de fatos.
b) dimensão, cuja chave primária deve ser composta.
c) núcleo e, ao seu redor, as tabelas de nível.

d) fatos, cuja chave primária deve ser simples.
e) fatos e, ao seu redor, as tabelas de dimensões.
6- (FUNDATEC - 2014 - SEFAZ-RS - Auditor Fiscal da Receita Estadual

- Bloco 1)
A Figura 6 mostra uma modelagem multidimensional, chamada de:
a) Diagrama fato dimensão.

b) Diagrama relacional.
c) Esquema fato dimensão.
d) Esquema floco de neve.
e) Esquema estrela.
7- (FCC - 2016 - AL-MS - Técnico de Informática) As ferramentas OLAP

− Online Analytical Processing
a) utilizam operações drill para navegar nas dimensões.
b) são as aplicações às quais os usuários finais têm acesso para fazerem
consultas e análise a partir dos dados armazenados em bancos de dados
transacionais (OLTP).

Prof. Ramon Souza
c) utilizam operações slice and dice para modificar o nível de granularidade da

consulta.
d) possibilitam a análise multidimensional para a descoberta de tendências e
cenários, de forma a transformar dados de um Data Warehouse em informação
estratégica.
e) representam os dados como tabelas ao invés de dimensões.

Defensoria - Analista de Banco de Dados) As ferramentas OLAP
compreendem diversas formas de organização dos dados de um data
warehouse. Dentre tais formas de organização, no tipo de ferramenta OLAP
denominado
a) ROLAP, os cubos pré-calculados são armazenados no servidor do ambiente
de data warehouse.
b) DOLAP, as consultas são feitas diretamente no modelo dimensional do data
warehouse.
c) MOLAP, as consultas são feitas diretamente no modelo dimensional do data
warehouse.
d) DOLAP, os cubos pré-calculados são armazenados no servidor do ambiente
de data warehouse.
e) MOLAP, os cubos pré-calculados são armazenados no servidor do ambiente
de data warehouse.

operação OLAP entre as tabelas abaixo
Esta operação
a) drill up corta o cubo, mantendo a mesma perspectiva de dimensão dos dados,
filtrando e reduzindo o escopo dos dados.
b) slice and dice corta o cubo, mantendo a mesma perspectiva de dimensão dos
dados, filtrando e reduzindo o escopo dos dados.

Prof. Ramon Souza
c) drill across na dimensão geográfica permite que o usuário diminua o nível de

d) drill down na dimensão tempo permite que o usuário aumente o nível de
e) drill up na dimensão tempo permite que o usuário aumente o nível de

Defensoria - Analista de Banco de Dados) Sobre o processo de ETL, aplicado
a data warehouse, é correto afirmar que
a) a fase de extração de dados consiste em obter os dados do servidor do data
warehouse.
b) a fase de transformação consiste em realizar modificações nos dados
carregados, adequando seus valores ao modelo definido para o data warehouse.
c) as fases de extração e carga de dados são realizadas de forma simultânea.
d) a fase de carga de dados visa eliminar valores nulos contidos nos bancos de
dados transacionais da empresa.
e) a fase de carga de dados consiste em inserir os dados transformados nos
bancos de dados transacionais da empresa.
Noções de modelagem dimensional

11- (FCC - 2017 - DPE-RS - Analista - Banco de Dados) O processo de
ETL é composto por algumas fases, identificadas como entregar, limpar, extrair
e preparar. A ordem correta para a execução dessas fases é
a) limpar, preparar, extrair e entregar.
b) preparar, limpar, entregar e extrair.
c) entregar, preparar, limpar e extrair.
d) entregar, extrair, limpar e preparar.
e) extrair, limpar, preparar e entregar.
12- (FCC - 2017 - TRE-SP - Analista Judiciário - Análise de Sistemas)

No processo ETL de um data warehouse: (I) a tradução de valores codificados
conhecida como limpeza de dados (por exemplo, supondo que o sistema de
origem armazena 1 para sexo masculino e 2 para feminino, mas o data
warehouse armazena M para masculino e F para feminino) e (II) a geração de
valores de chaves substitutas (surrogate keys) são
a) integrantes da etapa de transformação.
b) integrantes das etapas de transformação e carga, respectivamente.

Prof. Ramon Souza
c) manipulações de dados, aplicáveis no processo pivoting.

d) elementos que possibilitam a conversão de drill-down para roll up.
e) integrantes da etapa de carga.
13- (FCC - 2016 - AL-MS - Técnico de Informática) Considere a figura

abaixo.
No processo de ETL mostrado na figura, I e II correspondem, respectivamente,

a
a) OLTP e Data Warehouse.
b) OLTP e Staging Area.
c) Data Mart e Staging Area.
d) Staging Area e OLTP.
e) Staging Area e Data Warehouse.
14- (FCC - 2016 - Prefeitura de Teresina - PI - Técnico de Nível Superior

- Analista de Sistemas) Em um Star Schema de um Data Warehouse – DW,
a tabela Dimensão possui característica
a) descritiva dentro do DW. Ela qualifica as informações provenientes da tabela
Dimensões são ligadas entre si e qualquer uma delas se liga diretamente a
tabela Fato. Os dados devem ser normalizados.
b) quantitativa dentro do DW. Ela quantifica as informações provenientes da
Dimensões. Dimensões são ligadas entre si. Os dados devem ser
desnormalizados.
c) quantitativa dentro do DW. Ela quantifica as informações provenientes da
Dimensões. Dimensões não são ligadas entre si. Os dados devem ser
normalizados.

Prof. Ramon Souza
d) quantitativa dentro do DW. Ela quantifica as informações provenientes da

Dimensões. Dimensões são ligadas entre si. Os dados devem ser normalizados.
e) descritiva dentro do DW. Ela qualifica as informações provenientes da tabela
Dimensões são ligadas diretamente a tabela Fato. Outra característica marcante
é que os dados são desnormalizados.

Analista de Suporte Técnico) O processo ETL é uma etapa importante no
projeto de um data warehouse. No processo ETL,
a) somente é possível realizar a carga periódica de dados no data warehouse
uma vez a cada semana.
b) a fase de transformação de dados envolve apenas alterações nos tipos vindos
do ambiente operacional.
c) a fase de extração envolve a leitura de dados do data warehouse e sua carga
posterior nos bancos de dados operacionais.
d) na fase de transferência de dados são desprezados os puramente literais.
e) um intervalo possível para a carga periódica de dados no data warehouse é
de 24 horas.

Analista de Suporte Técnico) O modelo dimensional utilizado na modelagem
de data warehouse tem como característica:
a) Todas as tabelas dimensão de um mesmo modelo devem possuir o mesmo
número de atributos.
b) A tabela fato possui pelo menos 4 atributos numéricos, além das chaves
estrangeiras.
c) Poder ter quantas tabelas dimensionais, quantas forem necessárias para
representar o negócio sob análise.
d) As tabelas dimensão não necessitam ter atributos que sirvam como chave
primária.
e) A cardinalidade de relacionamento da tabela fato para as tabelas dimensão é
de um para um.

Prof. Ramon Souza

figura abaixo que ilustra um modelo multidimensional na forma de modelo
relacional em esquema estrela. Há uma tabela central que armazena as
transações que são analisadas e ao seu redor há as tabelas look up,
denominadas dimensões.
De acordo com o modelo estrela da figura e sua relação com um Data

Warehouse, é correto afirmar:
a) Uma das candidatas à chave primária da tabela central, denominada star
table schema, seria uma chave composta pelas chaves primárias de todas as
dimensões.
b) A tabela fato armazena os indicadores que serão analisados e as chaves que
caracterizam a transação. Cada dimensão registra uma entidade que caracteriza
a transação e os seus atributos.
c) As dimensões devem conter todos os atributos associados à sua chave
primária. Por causa disso, o modelo multidimensional estrela está na 3ª Forma
Normal.
d) O modelo estrela é derivado do modelo snowflake, ou seja, é o resultado da
aplicação da 1ª Forma Normal sobre as entidades dimensão.
e) Um Data Waherouse, por permitir a inclusão de dados por digitação,
necessita da aplicação de normalização para garantir a unicidade de valores.
18- (FCC - 2016 - TRT - 14ª Região (RO e AC) - Técnico Judiciário -
Tecnologia da Informação) Quando uma empresa utiliza Data Warehouse
(DW) é necessário carregá-lo para permitir a análise comercial. Para isso, os
dados de um ou mais sistemas devem ser extraídos e copiados para o DW em
um processo conhecido como
a) ERP.
b) BI.
c) CRM.
d) ETL.
e) Data Mart.

Prof. Ramon Souza
19- (FCC - 2016 - TRT - 23ª REGIÃO (MT) - Analista Judiciário -

Tecnologia da Informação) Na abordagem Star Schema, usada para modelar
data warehouses, os fatos são representados na tabela de fatos, que
normalmente
a) é única em um diagrama e ocupa a posição central.
b) está ligada com cardinalidade n:m às tabelas de dimensão.
c) está ligada às tabelas de dimensão, que se relacionam entre si com

cardinalidade 1:n.
d) tem chave primária formada independente das chaves estrangeiras das
tabelas de dimensão.
e) está ligada a outras tabelas de fatos em um layout em forma de estrela.
20- (FCC - 2015 - TRT - 9ª REGIÃO (PR) - Técnico Judiciário - Área

Apoio Especializado - Tecnologia da Informação) Uma plataforma de
Business Intelligence envolve o DW − Data Warehouse e diversos componentes,
dentre os quais, encontram-se
I. um subconjunto de informações do DW que podem ser identificados por
assuntos ou departamentos específicos.
II. ferramentas com capacidade de análise em múltiplas perspectivas das
informações armazenadas.
III. ferramentas com capacidade de descoberta de conhecimento relevante.
Encontram correlações e padrões dentro dos dados armazenados.
IV. processo de extração, tratamento e limpeza dos dados para inserção no DW.
Os componentes de I a IV são, correta e respectivamente,
a) Staging Area − Data Mining − OLAP − ETL.
b) Data Mart − OLAP − Data Mining − ETL.
c) OLTP − Drill Through − Drill Across − Staging Area.
d) Cubo de dados − Data Mining − OLTP − Operações Drill.
e) Staging Area − OLAP − Data Mining − Operações Drill.

Prof. Ramon Souza
21- (FCC - 2015 - TRT - 4ª REGIÃO (RS) - Analista Judiciário -

Tecnologia da Informação) Considere a arquitetura geral de um sistema de
BI- Business Intelligence mostrada na figura abaixo.
Nesta arquitetura
a) Data Marts representam áreas de armazenamento intermediário criadas a
partir do processo de ETL. Auxiliam na transição dos dados das fontes OLTP
para o destino final no Data Warehouse.
b) OLAP é um subconjunto de informações extraído do Data Warehouse que
pode ser identificado por assuntos ou departamentos específicos. Utiliza uma
modelagem multidimensional conhecida como modelo estrela.
c) os dados armazenados no Data Warehouse são integrados na base única
mantendo as convenções de nomes, valores de variáveis e outros atributos
físicos de dados como foram obtidos das bases de dados originais.
d) o Data Warehouse não é volátil, permite apenas a carga inicial dos dados e
consultas a estes dados. Além disso, os dados nele armazenados são precisos
em relação ao tempo, não podendo ser atualizados.
e) Data Mining se refere ao processo que, na construção do Data Warehouse, é
utilizado para composição de análises e relatórios, armazenando dados
descritivos e qualificando a respectiva métrica associada.

Tecnologia da Informação) Um técnico de TI precisa utilizar um subconjunto
de dados de um Data Warehouse direcionado à área administrativa de um
Tribunal. Esses dados serão armazenados em um banco de dado modelado
multidimensionalmente, que será criado capturando-se dados diretamente de
sistemas transacionais, buscando as informações relevantes para os processos
de negócio da área administrativa. Esse banco de dados será um
a) OLAP.
b) MOLAP.
c) Data Mining.
d) Big Data
e) Data Mart.

Prof. Ramon Souza
23- (FCC - 2015 - TRT - 3ª Região (MG) - Analista Judiciário -

Tecnologia da Informação) No modelo de dados multidimensional existem
as operações suportadas pelas ferramentas OLAP para permitir a análise dos
dados. Com relação a estas operações, considere os dados abaixo.
Para movimentar a visão dos dados ao longo de níveis hierárquicos da dimensão

tempo, saindo do que consta na Tabela 2 para o que consta na Tabela 1, um
analista de TI deve utilizar a operação OLAP
a) drill down.
b) drill across.
c) pivot.
d) roll up.
e) drill throught.

Tecnologia da Informação) A modelagem multidimensional é utilizada
especialmente para sumarizar e reestruturar dados e apresentá-los em visões
que suportem a análise dos valores desses dados. Um modelo multidimensional
é formado por dimensões, e por uma coleção de itens de dados composta de
dados de medidas e de contexto, denominada
a) slice.
b) fato.
c) versão.
d) schema.
e) pivot.
25- (FCC - 2015 - TCE-CE - Técnico de Controle Externo-Auditoria de

Tecnologia da Informação) NAs ferramentas Online Analytical Processing −
OLAP suportam análise de dados em um ambiente multidimensional no qual é
possível estruturar logicamente os dados na forma de um cubo. Dentre os
recursos disponíveis nessas ferramentas, há a operação

Prof. Ramon Souza
a) dice, que extrai um subcubo do cubo original executando uma operação de

seleção em duas ou mais dimensões.
b) roll-up, que seleciona dados de uma única dimensão de um cubo, resultando
em um subcubo.
c) drill-down, que aplica uma agregação sobre o cubo de dados, aumentando o
nível de granularidade dentro de uma dimensão e reduzindo o detalhamento da
informação.
d) slice, que é uma operação de visualização que rotaciona os eixos de um
determinado cubo, provendo uma visão alternativa dos dados.
e) pivot, que provê uma forma de navegar de um dado com menor nível de
detalhe para um dado com maior nível de detalhe, descendo em uma hierarquia
de uma dimensão ou introduzindo dimensões adicionais.
26- (FCC - 2015 - CNMP - Analista do CNMP - Tecnologia de Informação

e Comunicação Desenvolvimento de Sistemas) Considere que a equipe de
Analistas de Desenvolvimento de Sistemas do CNMP está projetando a
arquitetura para o Data Warehouse (DW) da instituição, conforme mostra a
figura abaixo:
É correto afirmar que esta arquitetura

a) é bottom-up. Garante a existência de um único conjunto de aplicações para
ETL, ou seja, extração, limpeza e integração dos dados, embora os processos
de manutenção e monitoração fiquem descentralizados.
b) é bottom-up, pois primeiro a equipe cria um DW e depois parte para a
segmentação, ou seja, divide o DW em áreas menores gerando pequenos
bancos orientados por assuntos aos departamentos.

Prof. Ramon Souza
c) é bottom-up. Permite um rápido desenvolvimento, pois a construção dos Data

Marts é altamente direcionada. Normalmente um Data Mart pode ser colocado
em produção em um período de 2 a 3 meses.
d) é top-down. A partir do DW são extraídos os dados e metadados para os Data
Marts. Nos Data Marts as informações estão em maior nível de sumarização e,
normalmente, não apresentam o nível histórico encontrado no DW.
e) é top-down, pois possui um retorno de investimento muito rápido ou um

faster pay back. O propósito desta arquitetura é a construção de um DW
incremental a partir de Data Marts independentes.
27- (FCC - 2015 - TRE-RR - Analista Judiciário - Análise de Sistemas)

Os dados de sistemas OLAP se baseiam nas informações contidas nos diversos
softwares utilizados pela empresa (ERPs, planilhas, arquivos texto, arquivos
XML etc.). Estes sistemas possuem uma camada onde estão os dados originais
e outra camada onde estão os dados tratados (um gigantesco repositório de
dados sobre assuntos diversos preparados para serem consultados por um
sistema OLAP), que chamamos de
a) Data Mining.
b) Online Transactional Database.
c) Data Mart.
d) Datawarehouse.
e) Big Data.

Computadores) Os sistemas de Data Warehouse utilizam-se de um modelo de
dados diferente dos bancos de dados tradicionais, que proporciona ganhos de
desempenho nas consultas. Esse modelo é conhecido como modelagem
a) dinâmica.
b) dimensional.
c) fixa.
d) online.
e) transacional.

Computadores) Nas ferramentas de navegação OLAP (On-Line Analytical
Processing), é possível navegar entre diferentes níveis de detalhamento de um
cubo de dados. Supondo-se que um relatório esteja consolidado por Estados de

Prof. Ramon Souza
um país, o processo que possibilita que os dados passem a ser apresentados

por cidades e bairros, é denominado
a) drill down.
b) data mining.
c) botton-up.
d) drill up.
e) top-down.
30- (FCC - 2014 - TCE-GO - Analista de Controle Externo - Tecnologia

da Informação) As ferramentas OLAP permitem efetuar a exploração dos
dados de um Data Warehouse (DW). Em relação a este tema, é correto afirmar:
a) A análise multidimensional representa os dados como tabelas, de forma
semelhante aos bancos de dados relacionais.
b) Combinando as dimensões, o usuário tem uma visão dos dados de um DW,
podendo efetuar operações básicas como slice and dice, drill down e roll up.
c) O resultado das operações OLAP não permite a descoberta de tendências e
cenários; isso é conseguido com sistemas ERP, capazes de transformar dados
do DW em informações estratégicas.
d) As operações slice and dice realizam a alteração nos dados do DW
modificando o nível de granularidade da consulta.
e) Para navegar nas dimensões do DW são utilizadas as operações drill, que não
afetam o nível de granularidade da consulta.

dimensional.
Todas as tabelas de um modelo apresentam um elemento de tempo como parte
da estrutura de chave.
32- (CESPE - 2017 - TCE-PE - Analista de Controle Externo - Auditoria

dimensional.
No modelo estrela, os dados são modelados em tabelas dimensionais, ligadas a
uma tabela fato; uma tabela dimensão armazena o que tiver ocorrido, e a tabela
fato contém as características de um evento.

Prof. Ramon Souza

dimensional.
No modelo floco de neve (snow flake), todas as tabelas estão relacionadas
diretamente com a tabela de fatos, e as tabelas dimensionais devem conter
todas as descrições necessárias para definir uma classe nelas mesmas.

Ao se modelar uma tabela-fato, deve-se considerar que a chave primária é
composta e que a dimensão tempo sempre será parte integrante dessa chave.

A operação drill-across permite buscar informações que vão além do nível de
granularidade existente na estrutura dimensional, desde que elas estejam
unidas por dimensões compatíveis.
36- (CESPE - 2016 - TCE-SC - Auditor Fiscal de Controle Externo -

Informática) No que concerne à modelagem dimensional, julgue o item que
se segue.
Um modelo dimensional é composto por uma tabela com uma chave simples,
denominada tabela de fatos, e um conjunto de tabelas maiores, que contém
chaves compostas, conhecidas como tabelas de dimensão.
37- (CESPE - 2016 - TCE-PA - Auditor de Controle Externo - Área

Informática - Analista de Sistema) Julgue o item a seguir, em relação a data
warehouse e data mining.
Data warehouse é um repositório de dados dinâmico, que sofre alterações
frequentes, de modo a permitir que sejam feitas consultas em base de dados
constantemente atualizada.
38- (CESPE - 2016 - TRE-PI - Analista Judiciário - Análise de Sistemas)

Existem dois esquemas lógicos para a implementação de um modelo de BI que
envolve tabelas de fato e tabelas de dimensões: o esquema estrela (star
schema) e o floco-de-neve (snow-flake schema). Acerca do esquema estrela,
assinale a opção correta.
a) No esquema estrela, diversas tabelas de dimensão se relacionam tanto com
diversas tabelas fato como com outras tabelas de dimensão, apresentando
chaves ligando todas essas tabelas.

Prof. Ramon Souza
b) No esquema estrela, as tabelas de dimensão são organizadas em uma

hierarquia por meio da sua normalização, com vistas a diminuir o espaço
ocupado, eliminando-se, assim, quaisquer redundâncias.
c) O esquema estrela exige o uso de tabelas normalizadas.
d) No esquema estrela, cada tabela de dimensão está relacionada a várias
tabelas de fato, formando uma estrutura na qual a tabela de dimensão se
relaciona com várias tabelas de fato obrigatoriamente.

e) O esquema estrela consiste em uma tabela de fato com várias tabelas para
cada dimensão e propõe uma visão cuja principal característica é a presença de
dados redundantes nas tabelas de dimensão.
39- (CESPE - 2016 - FUNPRESP-EXE - Especialista - Tecnologia da

Informação) Com relação à forma como os dados são armazenados e
manipulados no desenvolvimento de aplicações, julgue o item a seguir.
Aplicações de data warehouse que usem um esquema floco de neve tendem a
ter pior desempenho nas consultas do que as aplicações que usem o esquema
estrela.

Na análise dos dados de um sistema com o apoio de uma ferramenta OLAP,
quando uma informação passa de uma dimensão para outra, inexistindo
hierarquia entre elas, ocorre uma operação drill through.

primária de uma tabela de fatos será a chave estrangeira na tabela de
dimensões.

datamining.
No projeto de um esquema estrela, é necessário fazer algumas suposições a
respeito do comportamento do usuário no que se refere às consultas realizadas
ao sistema.

Prof. Ramon Souza

datamining.
Uma vez que os esquemas floco de neve possuem menor redundância do que
os esquemas estrela, sua manutenção é mais fácil de ser realizada.
44- (CESPE - 2015 - MEC – Administrador de Dados) No que se refere a

bancos de dados transacionais (OLTP) e a banco de dados analíticos (OLAP),
julgue o item que se segue.
OLAP é uma interface com o usuário que pode se utilizar de diversos modelos
de armazenamento para apresentar as informações. As diversas formas de
armazenamento e acesso a dados permitem classificar OLAP em diferentes
categorias, como por exemplo, o ROLAP, em que os dados são armazenados de
forma relacional, e o MOLAP, em que os dados são armazenados em estruturas
multidimensionais.
45- (CESPE - 2015 - MEC – Administrador de Dados) O desenvolvimento

de um sistema por meio de extrações e integrações de diversas bases de dados,
bem como a consolidação de informações de arquivos de texto externos e
internos, são características relacionadas a uma solução de BI/DW.
46- (CESPE - 2015 - MEC – Administrador Banco de Dados) Data

warehouse é um banco de dados projetado para obter melhor desempenho na
consulta e análise de dados, em vez de processamento de transações.

As ferramentas de business inteligence, encarregadas de extrair e carregar
dados na base de dados de BI, são denominadas ferramentas de ETL.
48- (CESPE - 2014 - ANATEL - Analista Administrativo -

Desenvolvimento de Sistemas) Acerca dos sistemas de suporte à decisão e
inteligência de negócio, julgue os itens subsequentes.
Organizar os atributos em uma hierarquia, em que o nível mais elevado
apresenta as agregações mais esparsas e os níveis inferiores apresentam
maiores detalhes, constitui uma técnica para modelagem de dados
multidimensional.

Prof. Ramon Souza

As ferramentas de business inteligence são consideradas ferramentas do tipo
OLTP (online transaction processing).
50- (CESPE - 2014 - TJ-SE - Analista Judiciário - Análise de Sistemas)

Com relação a sistemas de suporte à decisão, julgue os seguintes itens.
Na modelagem multidimensional, é possível haver mais de uma tabela fato no
mesmo modelo. A tabela fato expressa a relação N:M (muitos-para-muitos)
entre as dimensões, que, por sua vez, implementam a visão e a interface do
usuário ao DataWarehouse.

Prof. Ramon Souza
4. GABARITO
1 C 11 E 21 D 31 Errado 41 Errado
2 D 12 A 22 E 32 Errado 42 Certo
3 E 13 E 23 D 33 Errado 43 Certo
4 C 14 E 24 B 34 Certo 44 Certo
5 E 15 E 25 A 35 Errado 45 Certo
6 E 16 C 26 D 36 Errado 46 Certo
7 D 17 B 27 D 37 Errado 47 Certo
8 E 18 D 28 B 38 E 48 Certo
9 E 19 A 29 A 39 Certo 49 Errado
10 B 20 B 30 B 40 Certo 50 Certo
5. REFERÊNCIAS
AUSTIN, Benny. Kimball and Inmon DW Models. Disponível em:
<https://bennyaustin.wordpress.com/2010/05/02/kimball-and-inmon-dw-models/>
Acesso em: 24 nov. 2017.
BARBIERI, Carlos. BI2--Business intelligence: Modelagem & Qualidade. Elsevier

Editora, 2011.
ELMASRI, Ramez; NAVATHE, Shamkant B. Sistema de Banco de Dados. 6ed. São

Paulo: Pearson Addison Wesley, 2011.
HAN, Jiawei; PEI, Jian; KAMBER, Micheline. Data mining: concepts and techniques.
Elsevier, 2011.
KIMBALL, Ralph; ROSS, Margy. The data warehouse toolkit: the complete guide to
dimensional modeling. John Wiley & Sons, 2011.
KIMBALL, Ralph. Dimensional Modeling Techniques. Disponível em: <

https://www.kimballgroup.com/data-warehouse-business-intelligence-
resources/kimball-techniques/dimensional-modeling-techniques/> Acesso em: 29 jan.
2018.
NOVAIS, Ramon R. C. Modelagem Dimensional. Monografia. Faculdade de Tecnologia

de São Paulo. 2012.
PITON, Rafael. Data Warehouse – Tipos de Fatos. Disponível em:
<https://rafaelpiton.com.br/data-warehouse-tipos-fatos/> Acesso em: 29 jan. 2018.
ROSS, Margy. The 10 Essential Rules of Dimensional Modeling. 2009. Disponível
em: <http://www.kimballgroup.com/2009/05/the-10-essential-rules-of-dimensional-
modeling/> Acesso em: 24 nov. 2017.
TURBAN, Efraim et al. Business intelligence: A managerial approach. Upper Saddle

River, NJ: Pearson Prentice Hall, 2008.


Aula 02 TI RES ICMS SC Data Warehouse

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 02 TI RES ICMS SC Data Warehouse

Enviado por

Direitos autorais:

Formatos disponíveis

Direitos autorais reservados (Lei 9610/98). Proibida a reprodução, venda ou compartilhamento deste arquivo. Uso individual.

Aula 02 – Conceitos de Data Warehousing e Business Intelligence

1. NOÇÕES DE MODELAGEM DIMENSIONAL .......................................... 3

Para facilitar sua referência, abaixo listamos as esquematizações desta aula:

Prof. Ramon Souza 2 de 77

1. NOÇÕES DE MODELAGEM DIMENSIONAL

1.1 Conceitos e aplicações

acesso interativo aos dados, habilitar a manipulação desses dados e

A arquitetura de BI pode ser sintetizada pelo esquema a seguir.

Esquema 1 – Arquitetura de BI.

Prof. Ramon Souza 3 de 77

1.2 Data Warehouse

De forma esquemática, temos:

Conjunto de dados Repositório de dados atuais e

Esquema 2 – Data Warehouse (DW).

1- (FCC - 2018 - DPE-AM - Analista em Gestão

Prof. Ramon Souza 4 de 77

b) Incorreto: O objetivo do DW é apoiar a tomada de decisão dos gestores

Prof. Ramon Souza 5 de 77

Processo de Data Warehousing

De forma mais geral, podemos falar no processo de Data Warehousing

mineração de dados e DSS (sistemas de suporte à decisão) para gerar

O processo de Data Warehousing é representado na figura a seguir,

Esquema 3 – Processo de Data Warehousing.

Prof. Ramon Souza 6 de 77

Arquiteturas de Data Warehousing

Do ponto de vista arquitetural, os Data Warehouses podem ser projetados

A figura a seguir, adaptada de Turban, resume as arquiteturas para DW.

Esquema 4 – Arquiteturas de Data Warehouse.

Prof. Ramon Souza 7 de 77

Abordagens de desenvolvimento de um data warehouse

Para criar os data warehouses, as organizações podem optar por uma de

Inmon ou EDW Kimball ou Data Mart

•Abordagem Top-down. •Abordagem Bottom-up.

•EDW alimenta os data marts •Data marts são integrados por um

•Adapta metodologias e ferramentas •Emprega modelagem dimensional.

•Modelo de dados normalizado (3FN). •Modelo de dados não normalizado.

•Orientado a assunto ou a dados. •Orientado a processo.

•Baixa acessibilidade a usuários finais, •Alta acessibilidade a usuários finais.

•Consultas realizadas nos data marts. •Consultas realizadas no Data

Esquema 5 – Abordagens de desenvolvimento de um DW.

2- (FCC - 2016 - TRT - 20ª REGIÃO (SE) - Técnico

Prof. Ramon Souza 8 de 77

c) Incorreto: tem como objetivo a construção de um sistema OLAP incremental

Prof. Ramon Souza 9 de 77

1.3 Modelagem dimensional

Dados são modelados em Hipercubo: matriz com

Os dados do cubo podem

Esquema 6 – Modelagem dimensional.

3- (FUNDATEC - 2014 - SEFAZ-RS - Auditor Fiscal da

Prof. Ramon Souza 10 de 77

A respeito do tipo de modelagem multidimensional, apresentado na Figura 6,

II. Facilita o uso e torna mais intuitivo o emprego de ferramentas de

III. É utilizado em projetos de Business Intelligence.

Prof. Ramon Souza 11 de 77

Tabelas fato e tabelas dimensão

Tabela Fato Tabela Dimensão

Tuplas que Formada por Contêm Representam

Característica quantitativa no DW Característica qualitativa no DW

Atributos consistem em medidas de Atributos são, geralmente, textuais e discretos.

Fatos ou medidas podem ser: Atributos servem como fonte de:

Aditivas Semi-aditivas Restrições de consulta

Ex. Lucro líquido Ex. quantidade