Escolar Documentos
Profissional Documentos
Cultura Documentos
ASSUNTOS PÁGINA
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.
Orientados a
Integrados Variante no tempo Não voláteis
assunto
DÚVIDAS E POLÊMICAS
Vejamos:
•EDW alimenta os data marts departamentais •Data marts são integrados por um barramento
(DW->DM). ou middleware (DM->DW).
•Fornece uma solução técnica baseada em •Entrega uma solução que torna fácil o acesso
métodos e técnicas comprovadas de BD. direto pelos usuários às consultas aos
dados com bons tempos de resposta.
2. MODELAGEM DIMENSIONAL
EXEMPLO:
Vejamos um exemplo de representação do modelo multidimensional por um
cubo de dados tridimensional que organiza os dados de vendas de produtos
por trimestres fiscais e por região.
Cada célula neste modelo representa
dados de um produto específico, em um
trimestre fiscal específico e para uma
determinada região.
As consultas neste modelo são realizadas
C diretamente a partir da combinação das
dimensões, por exemplo, podemos
consultar o total de vendas de um
produto P123 em uma determinada
região Reg1.
Modelagem
dimensional
Técnica de modelagem
Permite uso mais
de BD utilizada para a
Auxílio às consultas em intuitivo para o
representação dos dados
um Data Warehouse. processamento analítico
nos BDs
pelas ferramentas OLAP.
multidimensionais.
Modelo Dimensional
Contêm Representam
Tuplas que Formada por
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.
consulta. hierárquico.
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
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.
EXEMPLO:
Vejamos um exemplo de um modelo com esquema estrela.
Neste exemplo, podemos perceber que no esquema estrela existe uma tabela
fato central Resultados de Negócios representando a receita gerada nas vendas
de uma determinada região, relacionando-se a produtos, organizados por
trimestre e por região (suas dimensões).
Note que existe apenas uma tabela para representar cada dimensão e, dessa
forma, elas não são normalizadas. Poderíamos dividir a tabela Produto em mais
de uma tabela, criando, por exemplo, uma tabela para representar as linhas de
produtos existentes e relacionando o produto com sua respectiva linha.
EXEMPLO:
Vejamos um exemplo de um modelo com esquema flocos de neve.
Resultados de Negócios
Produto (FK)
Trimestre (FK)
Região (FK)
Receita
Dimensão Região normalizada
Região
Dimensão Trimestre Fiscal Região
normalizada Sub-região
Trimestre Fiscal Re
Datas Trimestre
Data de início Ano
Data de fim Data de início
Tri Tri
EXEMPLO:
Vamos ver um exemplo de constelação de fatos.
Dimensão Produto
Fato Resultados de Negócios Fato Previsão de Negócios
Número do Produto
Produto (FK) Produto (FK)
. Nome do Produto
Trimestre (FK) Trimestre Futuro (FK)
Descrição do Produto
Região (FK) Região (FK)
Estilo do Produto
Receita Receita Projetada
Linha do Produto
Tabela Fato
Tabela Fato
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.
Gabarito: Letra B.
❖ 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.
3. OLAP
OLTP 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.
• Alta escalabilidade.
Quanto a origem
da consulta
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.
❖ Drill Down / Up: navegação entre os níveis de dados que vão desde o
mais resumido até o mais detalhado (baixo).
▪ Aqui cabe um parêntese para falar de nível de granularidade.
Nível de granularidade diz respeito ao nível de detalhamento
da informação. Quanto maior o nível de detalhes, menor o nível
de granularidade, pois as informações estão dispostas em
“grãos” menores. Já para menor nível de detalhes, maior a
granularidade, pois os grãos de informações são maiores,
agregando mais os dados.
o Drill up (Roll up): sobe na hierarquia, agrupando unidades
maiores ao longo de uma dimensão. Aumenta a granularidade.
o Drill down: fornece uma visão mais detalhada, desagregando
unidades menores ao longo da dimensão. Diminui a granularidade.
EXEMPLO:
.
No exemplo, a operação drill
up agrega os dados das
regiões em países, subindo na
hierarquia. Há um aumento na
granularidade (grão “país” é
maior que o “grão” região.
A operação drill down é
utilizada para desagregar as
informações das regiões em
municípios, fornecendo um
maior detalhamento. Há uma
redução na granularidade
(grão “cidade” é menor que o
grão “região”).
DÚVIDAS E POLÊMICAS
Caros alunos, infelizmente não há pra afirmar de forma conclusiva quais das
acepções utilizar para estas operações.
Sugiro que fixem as duas acepções tanto para o drill through quanto para o drill
across. Como as questões não abordam as duas ao mesmo tempo, então dá pra
saber qual foi a utilizada.
Vejamos agora questões sobre a operação drill-across, começando por uma que
usa a acepção oficial:
Slice
Extração de um subcubo.
Dice
Sobe na hierarquia
Aumenta a granularidade.
Desce na hierarquia
Reduz a granularidade.
Drill across
Drill through
d) Incorreto: drill accross slice and dice, que permite ao Auditor mudar o
escopo de análise das informações de pesagens, filtrando e rearranjando
determinadas partes do cubo de dados.
e) Incorreto: roll out roll up, que permite ao Auditor diminuir o nível de
detalhe de análise das informações de pesagens. Não existe a operação roll
out.
Gabarito: Letra A.
4. 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.
5. QUESTÕES COMENTADAS
Business Intelligence
12- (CESPE - 2019 - SEFAZ-RS - Auditor Fiscal da Receita Estadual -
Bloco I) O data warehouse diferencia-se dos bancos de dados transacionais
porque
a) trabalha com dados atuais, mas não com dados históricos.
b) faz uso intenso de operações diárias e de processamento de transações
continuamente.
c) possui milhares de usuários de diferentes níveis hierárquicos dentro da
organização.
d) tem dimensionalidade genérica e níveis de agregação ilimitados.
e) utiliza ferramentas de prospecção e consulta de dados baseadas em OLTP
(on-line transaction processing).
Resolução:
Vamos analisar os itens:
a) Incorreto: trabalham com dados atuais e históricos.
b) Incorreto: o foco não é nas transações, mas na consulta de dados.
c) Incorreto: os bancos transacionais também podem ter vários usuários.
d) Correto: dimensionalidade genérica diz respeito a capacidade de tratar
informações em qualquer quantidade de dimensões. Devido às várias dimensões
existentes, deve haver vários níveis de agregação dos dados.
e) Incorreto: utilizam ferramentas OLAP e não OLTP.
Gabarito: Letra D.
Orientados a
Integrados Variante no tempo Não voláteis
assunto
Gabarito: Errado.
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
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).
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.
Gabarito: Letra E.
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
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.
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
granularidade, diminuindo o nível de detalhamento da informação.
e) drill up na dimensão tempo permite que o usuário aumente o nível de
granularidade, diminuindo o nível de detalhamento da informação.
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.
37- (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:
Vamos analisar cada um dos itens:
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.
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.
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
d) Big Data
e) Data Mart.
Resolução:
Vamos analisar item a item desta questão:
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
relacionamentos sistemáticos entre variáveis e, então, validá-los aplicando os
padrões detectados a novos subconjuntos de dados.
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
dados dos DW, abrangendo uma determinada área de assunto ou departamento
da organização.
Gabarito: Letra E.
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:
Vamos analisar item a item desta questão:
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.
OLTP OLAP
Gabarito: Letra D.
6. RISCO EXPONENCIAL
Arquitetura de BI
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.
Orientados a
Integrados Variante no tempo Não voláteis
assunto
Arquiteturas de DW
Abordagens de desenvolvimento de DW
•EDW alimenta os data marts departamentais •Data marts são integrados por um barramento
(DW->DM). ou middleware (DM->DW).
•Fornece uma solução técnica baseada em •Entrega uma solução que torna fácil o acesso
métodos e técnicas comprovadas de BD. direto pelos usuários às consultas aos
dados com bons tempos de resposta.
Modelagem dimensional
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.
Modelo Dimensional
Contêm Representam
Tuplas que Formada por
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.
consulta. hierárquico.
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
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.
Esquemas multidimensionais
Tabela Fato
Tabela Fato
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.
OLTP x OLAP
OLTP OLAP
Variações 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.
• Alta escalabilidade.
Quanto a origem
da consulta
Operações OLAP
Slice
Extração de um subcubo.
Dice
Sobe na hierarquia
Aumenta a granularidade.
Desce na hierarquia
Reduz a granularidade.
Drill across
Drill through
Processo de ETL
7. LISTAS DE EXERCÍCIOS
Questões comentadas durante a aula
1- (CESPE - 2019 - SEFAZ-RS - Auditor Fiscal da Receita Estadual -
Bloco I) A respeito do BI (business intelligence), assinale a opção correta.
a) O BI consiste na transformação metódica e consciente das informações
exclusivamente prestadas pelos tomadores de decisão em novas formas de
conhecimento, para evolução dos negócios e dos resultados organizacionais.
b) ETL é o processo de análise de dados previsto pela arquitetura de BI.
c) As técnicas do BI objetivam definir regras para a formatação adequada dos
dados, com vista a sua transformação em depósitos estruturados de
informações, sem considerar a sua origem.
d) O repositório de dados analíticos de BI é representado pelas diversas bases
de dados relacionais e por repositórios de dados que utilizem modelagens
relacionais.
e) A camada de apresentação de uma arquitetura de BI é aquela em que as
informações são organizadas e centralizadas.
Business Intelligence
12- (CESPE - 2019 - SEFAZ-RS - Auditor Fiscal da Receita Estadual -
Bloco I) O data warehouse diferencia-se dos bancos de dados transacionais
porque
a) trabalha com dados atuais, mas não com dados históricos.
b) faz uso intenso de operações diárias e de processamento de transações
continuamente.
c) possui milhares de usuários de diferentes níveis hierárquicos dentro da
organização.
d) tem dimensionalidade genérica e níveis de agregação ilimitados.
e) utiliza ferramentas de prospecção e consulta de dados baseadas em OLTP
(on-line transaction processing).
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
granularidade, diminuindo o nível de detalhamento da informação.
e) drill up na dimensão tempo permite que o usuário aumente o nível de
granularidade, diminuindo o nível de detalhamento da informação.
37- (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.
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.
d) drill up.
e) top-down.
8. GABARITO
1 C 11 B 21 Certo 31 E 41 D
2 C 12 D 22 Errado 32 E 42 B
3 D 13 C 23 Errado 33 E 43 E
4 B 14 Errado 24 Certo 34 C 44 C
5 E 15 Errado 25 C 35 B 45 A
6 D 16 Errado 26 D 36 E 46 D
7 B 17 Errado 27 C 37 D 47 D
8 D 18 Certo 28 E 38 A 48 D
9 E* 19 A 29 E 39 B 49 B
10 A 20 Errado 30 A 40 D 50 A
9. 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.
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.