llllllllllll (5)

Prévia do material em texto

https://t.me/kakashi_copiador
http://instagram.com/estrategiaconcursosti
http://t.me/estrategia_ti
 http://t.me/lacerdaph
http://anchor.fm/estrategia-tech
https://t.me/kakashi_copiador
AGORA EM ÁUDIO TBM!
@estrategiaconcursosti
https://t.me/kakashi_copiador
BI &
MODELAGEM 
MULTIDIMENSIONAL
https://www.instagram.com/p/B74PyOzj5V3/
https://www.estrategiaconcursos.com.br/blog/prazer-um-eterno-estudante/
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
ESSE CURSO É PARA VOCÊ?
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
É correto afirmar que Business Inteligence é:
A O processo de coleta, organização, análise, compartilhamento e 
monitoramento de informações para a gestão de negócios.
B Um software.
C O mesmo que inteligência artificial.
D O nome dado a um algoritmo de pesquisa.
E Um padrão de projetos.
Questão de alinhamento
https://t.me/kakashi_copiador
O sistema de suporte a decisão representado em cada um dos cilindros 
do conjunto denominado Específicos, na imagem, é um
A Catálogo de Metadados.
B Schema.
C Drill.
D OLTP.
E Data Mart.
Prof. Raphael Lacerda
Questão de alinhamento
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
A modelagem de data warehouses pode ser feita seguindo diferentes 
esquemas. Sobre esse tópico, analise as afirmativas:
I. No esquema estrela, os dados são organizados em uma tabela de 
dimensão e muitas tabelas de fatos.
II. O esquema floco de neve é uma variação do esquema estrela, onde 
algumas tabelas de fatos são normalizadas, dividindo, assim, os dados 
em tabelas adicionais.
III. Quando várias tabelas de fatos compartilham tabelas de dimensão, 
temos o chamado esquema de constelação de fatos ou galáxia, pois 
podem ser considerados como coleções de estrelas.
Questão de alinhamento
https://t.me/kakashi_copiador
SE VOCÊ ERROU...
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
SEU LUGAR É AQUI!!!
@estrategiaconcursosti
https://t.me/kakashi_copiador
DW?
 EEEEEEITCCCHA!
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Por que olhar para os Dados?
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Dados forçam mudanças
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
MoneyBall
https://www.youtube.com/watch?v=ZWKyV-iHQhU
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
MoneyBall
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
BI
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Tipos de Análise
D2P2
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Data.. Data.. DataWarehouse
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
EDW, ETL, ODS, DM, OLAP, OLTP
https://t.me/kakashi_copiador
DW
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
RAFA, TO PERDENDO
A PACIÊNCIA!
COMO FAÇO PARA 
MONTAR ESSE CUBO?
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
First things first...
https://t.me/kakashi_copiador
rafa, tem como resumir?
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
DW
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
na prática é assim...
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Ou assim
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Ou assim
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Ou assim
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Ou assim
https://www.educba.com/rolap-vs-molap-vs-holap/
https://www.javatpoint.com/rolap-vs-molap-vs-holaphttps://t.me/kakashi_copiador
precisamos falar mais sobre isso
DEFINIÇÃO ALVO DESEMPENHO OUTROS
ROLAP
https://t.me/kakashi_copiador
mais um pouco
DEFINIÇÃO ALVO DESEMPENHO OUTROS
MOLAP
https://t.me/kakashi_copiador
operações
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
operações
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Drill Down
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Drill Up / Roll Up
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Drill Across
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Drill Through
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Pivot
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Slice
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Dice
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
vou fingir que entendi!
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
operações
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Não é 
possível 
que vc vai 
esquecer
https://t.me/kakashi_copiador
pra dizer que não avisei
TRE-BA/2010
A ferramenta OLAP (on-line analytical processing) permite realizar as 
operações slice, dice e pivot sobre uma estrutura multidimensional. A 
operação slice fixa o valor de uma dimensão e recupera os valores 
das demais dimensões; a operação dice intercambia dimensões 
permitindo diferentes visualizações dos dados; e a operação pivot fixa 
o valor de duas ou mais dimensões e recupera os valores das demais.
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
quem avisa...
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Não esquecer
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
BI E
MODELAGEM 
MULTIDIMENSIONAL
 QUESTÕES Prof. Raphael Lacerda
https://questoes.estrategiacon
cursos.com.br/cadernos/c6bc
d0cc-393d-4432-beb5-faa613
68ae41
https://t.me/kakashi_copiador
Assinale a opção que indica um processo de extração e 
transformação de dados em um data warehouse.
A Big Data
B OLAP
C OLTP
D ETL
E machine learning
Prof. Raphael Lacerda
TJ-PA/2020
https://t.me/kakashi_copiador
É considerado um conjunto de informações associadas um sistema de 
apoio a decisão, de forma que suas operações são prioritariamente 
de consultas para a obtenção de dados para embasar a tomada de 
decisão. Marque o item que está associado ao conceito descrito.
A data warehousing
B mineração de dados (data mining)
C extração, transformação e carga (ETL)
D processamento analítico on-line (OLAP)
E processamento de transações on-line (OLTP)
Prof. Raphael Lacerda
UFC/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TJ-AM/2019
O esquema multidimensional estrela de data warehouse é composto 
por uma tabela de fatos associada com uma única tabela para cada 
dimensão.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
CELESC/2019
Analise as afirmativas abaixo com relação aos Sistemas Gerenciadores 
de Banco de Dados (SGBD) e bancos de dados.
1. Sistemas de BI e Data warehouse devem ser sempre normalizados. 
2. Bases de dados normalizadas possuem performance inferior 
àquelas que não são normalizadas. 
3. Os bancos de dados Oracle e SQL Server da Microsoft utilizam 
exatamente a mesma sintaxe SQL, facilitando a portabilidade de 
bases de dados entre ambos.
https://t.me/kakashi_copiador
Sobre Processamento Analítico On-Line (OLAP), analise as assertivas e 
assinale a alternativa que aponta as corretas.
I. Trabalha sobre histórico de dados com o objetivo de analisar 
informações.
II. Opera com dados em tempo real.
III. Suporta operações cotidianas do processo operacional.
IV. Usado para realizar análise de dados a fim de se obter informações 
desejadas.
V. Disponibiliza relatórios de forma dinâmica para análise e 
tratamento.
Prof. Raphael Lacerda
UFPB/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
UFPB/2019
A Apenas I, IV e V.
B Apenas I, II e III.
C Apenas II e IV.
D Apenas II, IV e V.
E Apenas I e V.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Pref. Campinas/2019
No contexto de armazéns de dados (data warehouse), a área 
intermediária na qual os dados coletados pelo processo de ETL são 
armazenados antes de serem processados e transportadospara o seu 
destino é chamada de
A cubo OLAP.
B dicionário de dados.
C staging.
D data vault.
E data mart.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TJ-AM/2019
Chamados de data mart, os servidores de apresentação de data 
warehouse permitem consultas.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TJ-AM/2019
Data warehouse, o principal dispositivo de armazenamento de um 
computador, é formado pelo processador, pela entrada e pela saída 
de dados
https://t.me/kakashi_copiador
A respeito de Data Warehouse, analise as afirmativas abaixo e 
assinale a alternativa correta.
I. Como características pode-se listar que pode ser Orientado por 
Assunto, Integrado, Não volátil e Orientado por Tempo.
II. Processo que extrai os dados de sistemas operacionais e 
transacionais, limpando, transformando em informações organizadas, 
permitindo análises dessas informações.
III. Os data marts são como pequenas fatias de data warehouse, que 
armazenam subconjuntos de dados.
Prof. Raphael Lacerda
FSA-SP/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Todo dado é relevante. Baseado nessa premissa algumas empresas 
acumulam e mantém grandes quantidades de dados que, 
organizados e analisados, fornecem informações relevantes para os 
processos de decisão. A esses “depósitos” de dados chamamos 
Data:
A Check.
B Mart.
C Pool.
D Mining.
E Warehouse.
Pref. Jaru/2019
https://t.me/kakashi_copiador
1. O processo de BI ocorre sobre um Data warehouse e não sobre a 
base de dados transacional (OLTP), pois o Data warehouse já foi 
gerado a partir de processos de limpeza de dados, duplicação de 
registros, sumarização de dados e seleção de atributos.
2. O processo de BI procura identificar as causas dos eventos de 
interesse por meio da aplicação de OLAP em algoritmos 
supervisionados de Mineração de Dados.
Prof. Raphael Lacerda
ITAIPU/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
ITAIPU/2019
3. Durante a execução do processo de BI, a Mineração de Dados gera 
modelos preditivos multidimensionais intermediários, que são então 
organizados em cubos OLAP para a geração de dashboards 
analíticos.
4. Durante o processo de BI, os dados são organizados 
multidimensionalmente, para permitir a análise sob vários pontos de 
vista por meio do OLAP.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
IFBAIANO/2019
A modelagem de data warehouses pode ser feita seguindo diferentes 
esquemas. Sobre esse tópico, analise as afirmativas:
I. No esquema estrela, os dados são organizados em uma tabela de 
dimensão e muitas tabelas de fatos.
II. O esquema floco de neve é uma variação do esquema estrela, 
onde algumas tabelas de fatos são normalizadas, dividindo, assim, os 
dados em tabelas adicionais.
III. Quando várias tabelas de fatos compartilham tabelas de 
dimensão, temos o chamado esquema de constelação de fatos ou 
galáxia, pois podem ser considerados como coleções de estrelas.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
EMPREL-PE/2019
Como se denomina a ferramenta para acesso à informação de um 
Data Warehouse que armazena dados históricos para tomadas de 
decisão empresariais? 
A OLTP (On-Line Transaction Process).
B Machine Learning. 
C OLAP (On-Line Analytical Processing).
D Sistema de Informação Gerencial (SIG). 
E ETL (Extraction, Transformation, Loader).
https://t.me/kakashi_copiador
No contexto de Business Intelligence – BI, uma Agência de 
Abastecimento de Águas implementou um cubo de informações 
cujas dimensões são:
− “o que” (ex. = reparo de tubulação),
− “quando” (ex. primeiro trimestre de 2019) e
− “onde” (ex. Capivari).
Prof. Raphael Lacerda
SANASA/2019
https://t.me/kakashi_copiador
Diversas consultas podem daí derivar mediante acesso a essas 
dimensões a partir da base que hospeda o cubo. Duas delas, feitas 
por um Analista de TI que desejava saber o valor dos serviços 
prestados, foram:
− Obter informações do serviço troca de tubulação sem restrição de 
quando e onde.
− Sumarizar as informações mensais em grupos trimestrais.
Prof. Raphael Lacerda
SANASA/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SANASA/2019
As operações de consultas por ele corretamente realizadas sobre o 
cubo foram, respectivamente,
A ranking e drill through.
B dicing e drill down.
C pivoting e slicing.
D slicing e roll Up.
E drill across e ranking.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SANASA/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
As ferramentas de Exploração identificadas como Ferramenta 1 e 
Ferramenta 2 na imagem, dentro do contexto a que se aplicam, são, 
dentre outras,
A Staging Area e Data Mining.
B OLAP e Data Mining.
C Snowflake e Staging Area.
D OLAP e Near Line Storage.
E Near Line Storage e Star Schema.
SANASA/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SANASA/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
O Processo, representado na imagem por um retângulo vertical, é um 
método de alimentação do Data Warehouse a partir de diversos 
dados da organização. Trata-se de
A ODS.
B ERP.
C ETL.
D CRM.
E EIS.
SANASA/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SANASA/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SANASA/2019
O sistema de suporte a decisão representado em cada um dos 
cilindros do conjunto denominado Específicos, na imagem, é um
A Catálogo de Metadados.
B Schema.
C Drill.
D OLTP.
E Data Mart.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SANASA/2019
Considere que um Analista da SANASA está usando uma ferramenta 
OLAP para realizar uma operação de análise multidimensional em um 
DW, operando em condições ideais. Após analisar os dados de 
abastecimento de água por bairros da cidade, passou imediatamente 
a analisar a informação por ano, em outra dimensão. O Analista 
realizou uma operação
A drill through. B roll down. C drill across.
D drill up.
E roll through.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TRF4/2019
Utilizando operações típicas de On-line Analytical Processing − OLAP, 
um Analista pretende obter dados para análise bimestral dos 
processos da cidade de Porto Alegre. Considerando que essa busca 
implica obter um nível maior de detalhe, uma vez que foca em um 
bimestre de uma dada cidade e não em um ano de todo o estado, 
por exemplo, a operação OLAP ideal para ser utilizada é
A slice. B rotation. C drill-down. D roll-up. E dice.
https://t.me/kakashi_copiador
Um Auditor da SEFAZ-BA, observando as necessidades da 
organização, propôs um Data Warehouse (DW) com as seguintes 
características:
- na camada de dados resumidos ficam os dados que fluem do 
armazenamento operacional, que são resumidos na forma de campos 
que possam ser utilizados pelos gestores de forma apropriada.
- na segunda camada, ou no nível de dados históricos, ficam todos os 
detalhes vindos do ambiente operacional, em que se concentram 
grandes volumes de dados.
Prof. Raphael Lacerda
SEFAZ-BA/2019
https://t.me/kakashi_copiador
Com esta organização, os tipos de consulta analítica de maior 
frequência acessariam os dados resumidos, mais compactos e de 
mais fácil acesso e, em situações em que seja necessário um maior 
nível de detalhe, utilizar-se-iam os dados históricos.
O Auditor propôs um DW
A que oferece maior nível de detalhes, ou seja, alto nível de 
granularidade.
Prof. Raphael Lacerda
SEFAZ-BA/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SEFAZ-BA/2019
B que oferece menor nível de detalhes, ou seja, baixo nível de 
granularidade.
C com nível duplo de granularidade.
D com OLAP integrado.
E com data marts geminados.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SEFAZ-BA/2019
https://t.me/kakashi_copiador
A modelagem multidimensional proposta
A tem como característica um fato central, a partir do qual estão 
dispostas as dimensões que dele participam, em um formato 
simétrico, característico do modelo star.
B é oresultado da decomposição de mais de uma dimensão que 
possui hierarquias entre seus membros, caracterizando o modelo 
snowflake, a partir de um fato central.
Prof. Raphael Lacerda
SEFAZ-BA/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SEFAZ-BA/2019
C não é um modelo normalizado, por isso evita a redundância de 
valores textuais em cada uma das tabelas, representadas pelas 
dimensões denominadas dimension tables.
D possui um fato central, a partir do qual estão dispostas as 
dimensões que dele participam e seus membros, sob uma única 
estrutura hierárquica, facilitando a inclusão de dados por digitação 
nas tabelas do DW.
E parte de um elemento central, denominado pivot, a partir do qual 
são realizadas operações OLAP como roll up, em que busca-se 
aumentar o nível de detalhe ou diminuir a granularidade da consulta.
https://t.me/kakashi_copiador
“A Secretaria da Fazenda realizou procedimento que visa estimular os 
contribuintes paulistas a, voluntariamente, regularizarem as 
obrigações tributárias que devem ser transmitidas ao Fisco. Em uma 
etapa da operação foram selecionados 48 contribuintes do Regime 
Periódico de Apuração com R$ 143 milhões em débitos de ICMS.
Prof. Raphael Lacerda
SEFAZ-BA/2019
https://t.me/kakashi_copiador
Esta ação tem caráter orientador, com o objetivo de alertar as 
empresas sobre divergências em suas declarações e indicar a 
regularização, porém, a ação pode resultar em indicações de 
empresas de fachada que apresentaram um conjunto de indícios que 
sugerem tratar-se de documentos fiscais inidôneos ou de simulação 
de operações para gerar créditos falsos de ICMS na apuração mensal 
do tributo a recolher.
Prof. Raphael Lacerda
SEFAZ-BA/2019
https://t.me/kakashi_copiador
Para a elaboração da operação autorregularização foram selecionados 
contribuintes com divergências nas notas fiscais emitidas entre janeiro 
a dezembro de 2016 em comparação com as informações declaradas 
nas Guias de Informação e Apuração do ICMS do mesmo período."
(Baseado em: https://portal.fazenda.sp.gov.br)
Prof. Raphael Lacerda
SEFAZ-BA/2019
https://t.me/kakashi_copiador
Ao ler esta notícia, uma Auditora Fiscal da área de TI concluiu, 
corretamente, que o cruzamento e a análise simultânea de diversas 
informações, como Nota Fiscal Eletrônica (NF-e), inadimplência, 
regularidade no cumprimento de obrigações, porte da empresa, 
composição do quadro societário, autos de infração anteriores, 
localização geográfica e atividade econômica, entre outras,
A caracterizam-se como operações MOLAP, que usam a base de 
dados relacional para acessar os dados do cubo.
B caracterizam-se como operações HOLAP, que não usam a base de 
dados relacional para acessar os dados do cubo.
Prof. Raphael Lacerda
SEFAZ-BA/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SEFAZ-BA/2019
C podem ter sido realizados com a ajuda de ferramentas de Data 
Marts integrados, que não requerem a construção de um DW.
D podem ter sido realizados com ferramentas de Data Mining em 
tempo real, uma vez que os dados do DW são constantemente 
atualizados a partir da chave de tempo que indica o dia no qual os 
dados foram extraídos dos sistemas transacionais.
E podem ter sido realizados com a ajuda de ferramentas de Data 
Mining, que permitem a exploração de grandes volumes de dados 
para identificar padrões de comportamento e relacionamentos.
https://t.me/kakashi_copiador
Nos sistemas transacionais, os dados sofrem diversas alterações como 
inclusão, alteração e exclusão. Antes de serem carregados no 
ambiente de um Data Warehouse, os dados são filtrados e limpos, de 
forma a gerarem informação útil. Após esta etapa, esses dados
A ficam disponíveis para a mineração em tempo real, pois tais dados 
são constantemente atualizados a partir da chave de tempo que 
indica o dia em que foram extraídos dos sistemas transacionais.
B podem sofrer operações de consulta, mas, devido a sua não 
volatilidade, não podem ser alterados, não havendo necessidade de 
bloqueio por concorrência de usuários ao seu acesso.
Prof. Raphael Lacerda
SEFAZ-BA/2019
https://t.me/kakashi_copiador
C são reunidos a partir de diversas fontes de dados, o que facilita 
muito o trabalho do analista, embora este tenha que lidar com a 
grande redundância das informações.
D ficam ordenados pela data da extração do sistema transacional, 
sendo necessárias técnicas de data mining para fazer a sua 
recuperação orientada por assunto.
E são classificados somente pelo assunto principal de interesse da 
organização. Por exemplo, em uma organização de arrecadação de 
impostos, os dados são organizados pelo cadastro de contribuintes 
que possuem impostos a recolher.
Prof. Raphael Lacerda
SEFAZ-BA/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
UFPE/2019
Qual operação OLAP é específica para selecionar dados de uma ou 
mais dimensões de um cubo multidimensional? 
A Slice-dice
B Pivot
C Roll-up
D Drill-down
E Drill-Across
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Qual a operação OLAP que permite a sumarização de dados por 
subida na hierarquia ou por redução de uma dimensão?
A Roll up
B Roll across
C Drill across
D Drill down
E Slice down
CELESC/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
CM-Piracicaba/2019
Em um modelo dimensional de dados, definir a granularidade 
significa definir o
A nível de detalhamento dos dados a serem inseridos nesse modelo.
B número máximo de tabelas dimensão a ser suportado pelo modelo.
C número máximo de usuários suportados pelo sistema.
D tamanho dos registros suportados pelas tabelas dimensão.
E tipo de relacionamento a ser estabelecido entre as tabelas 
dimensão e as tabelas fato.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
CM-Piracicaba/2019
No modelo dimensional, composto por tabelas fato e tabelas 
dimensão,
A as tabelas fato não admitem chaves estrangeiras.
B as tabelas dimensão comportam apenas atributos multivalorados.
C o relacionamento de cada tabela dimensão para a tabela fato é de 
“um para muitos”.
D nas tabelas dimensão há apenas atributos numéricos.
E não há atributos numéricos nas tabelas fato.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
FSA-SP/2019
A respeito de Data Warehouse, analise as afirmativas abaixo e 
assinale a alternativa correta. 
I. Como características pode-se listar que pode ser Orientado por 
Assunto, Integrado, Não volátil e Orientado por Tempo. 
II. Processo que extrai os dados de sistemas operacionais e 
transacionais, limpando, transformando em informações organizadas, 
permitindo análises dessas informações. 
III. Os data marts são como pequenas fatias de data warehouse, que 
armazenam subconjuntos de dados.
https://t.me/kakashi_copiador
Assinale a alternativa que apresenta características de um Data 
Warehouse.
A Orientado por assunto, integrado, volátil, variável no tempo.
B Orientado por assunto, integrado, volátil, invariante no tempo.
C Orientado por assunto, integrado, não volátil, variável no tempo.
D Orientado por departamento, integrado, volátil, invariante no 
tempo.
E Orientado por departamento, integrado, volátil, variável no tempo.
Prof. Raphael Lacerda
CELESC/2019
https://t.me/kakashi_copiador
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.
Prof. Raphael Lacerda
SEFAZ-RS/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SEFAZ-RS/2019
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 relacionaise 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.
https://t.me/kakashi_copiador
SEFAZ-RS/2019
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).
https://t.me/kakashi_copiador
Com relação aos modelos de dados multidimensionais, assinale a 
opção correta.
A 
A principal característica da tabela de fatos é a ausência de dados 
redundantes, o que melhora o desempenho nas consultas.
B 
Esses modelos são cubos de dados, sendo cada cubo representado 
por uma única tupla com vários atributos.
SEFAZ-RS/2019
https://t.me/kakashi_copiador
SEFAZ-RS/2019
C Esses modelos proporcionam visões hierárquicas, ou seja, exibição 
roll-up ou drill-down.
D Os modelos de dados multidimensionais dão ênfase à coleta e às 
transações de dados.
E Esses modelos não utilizam processos de transferência de dados, 
mas sim acessos nativos do próprio SGBD utilizado.
https://t.me/kakashi_copiador
SEFAZ-BA/2019
1 - caracterizam-se como operações MOLAP, que usam a base de 
dados relacional para acessar os dados do cubo.
2 - caracterizam-se como operações HOLAP, que não usam a base de 
dados relacional para acessar os dados do cubo.
3 - podem ter sido realizados com a ajuda de ferramentas de Data 
Marts integrados, que não requerem a construção de um DW.
4 - podem ter sido realizados com a ajuda de ferramentas de Data 
Marts integrados, que não requerem a construção de um DW.
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SANASA/2019
O sistema de suporte a decisão representado em cada um dos 
cilindros do conjunto denominado Específicos, na imagem, é um
A Catálogo de Metadados.
B Schema.
C Drill.
D OLTP.
E Data Mart.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SANASA/2019
Considere que uma Analista de TI realizou uma operação de análise 
multidimensional em um DW, operando em condições ideais, usando 
uma ferramenta OLAP. Após analisar os dados dos meses do 1° 
trimestre de 2018, relativos ao tratamento de água da estação ETA1, 
a Analista aumentou o nível de granularidade da informação para 
observar os dados de todos os 4 trimestres do mesmo ano da mesma 
estação. A Analista realizou uma operação
A drill down. B roll down. C drill up. D drill across. E roll through.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TJ-AM/2019
Em sistemas de suporte à decisão, uma das abordagens da árvore de 
decisão é a predição, em que são criadas regras com base em 
eventos já ocorridos para aplicação em eventos futuros similares.
D2P2
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TJ-AM/2019
Data warehouse, o principal dispositivo de armazenamento de um 
computador, é formado pelo processador, pela entrada e pela saída 
de dados.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TJ-AM/2019
O esquema multidimensional estrela de data warehouse é composto 
por uma tabela de fatos associada com uma única tabela para cada 
dimensão.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
UFF/2019
São componentes normalmente utilizados no Business Intelligence 
(BI) os abaixo relacionados, EXCETO:
A sistemas de suporte à decisão.
B mineração de dados.
C sistemas de gestão empresarial.
D aplicativos web.
E sistemas de processamento de transações batch.
https://t.me/kakashi_copiador
É considerado um conjunto de informações associadas um sistema de 
apoio a decisão, de forma que suas operações são prioritariamente 
de consultas para a obtenção de dados para embasar a tomada de 
decisão.
A data warehousing
B mineração de dados (data mining)
C extração, transformação e carga (ETL)
D processamento analítico on-line (OLAP)
E processamento de transações on-line (OLTP)
Prof. Raphael Lacerda
UFF/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
A característica do data warehouse que permite que os dados sejam 
mantidos sem atualização é conhecida como:
A ausência de volatilidade.
B consistência.
C estrutura relacional.
D integração.
E variante no tempo.
UFF/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
No data warehouse, a administração, a análise e a geração de 
relatórios sobre dados multidimensionais é realizada por meio do 
modo de processamento:
A datamining.
B batch.
C CORBA.
D OLAP.
E data marts.
UFF/2019
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SEFAZ-SC/2019
As aplicações de Business Intelligence, nas últimas décadas, se 
utilizam de dados multidimensionais, armazenados em Data 
Warehouse, para gerar visões de negócios baseados em análises
A descritivas, diagnósticas, preditivas e prescritivas.
B prescritivas, preditivas e diagnósticas, apenas.
C preditivas, prescritivas e descritivas, apenas.
D diagnósticas, descritivas e preditivas, apenas.
E descritivas, diagnósticas e prescritivas, apenas.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TCE-MG/2018
Uma empresa, ao implementar técnicas e softwares de big data, deu 
enfoque diferenciado à análise que tem como objetivo mostrar as 
consequências de determinado evento.
Essa análise é do tipo
A preemptiva.
B perceptiva.
C prescritiva.
D preditiva.
E evolutiva.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Assinale a opção que indica a forma de navegação por nível de 
granularidade em um modelo de dados dimensional em que os 
detalhes de uma informação sejam recuperados de outra estrutura.
A drill-through
B drill-between
C drill-down
D drill-up
E drill-across
TCM-MG/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SEFAZ-SC/2018
"Um Auditor da Receita Estadual …. A denúncia é que, 
frequentemente, caminhões das empresas Org1, Org2 e Org3 não 
são adequadamente fiscalizados " Para caracterizar e fundamentar a 
existência de possíveis fraudes, o Auditor deverá coletar os registros 
diários dos postos por, pelo menos, 1 ano e elaborar demonstrativos 
para análises mensais, trimestrais e anuais.
https://t.me/kakashi_copiador
O Auditor poderá fazer análises de pesagens diversas a partir de 
operações feitas sobre o cubo de dados multidimensional do Data 
Warehouse, por exemplo, trocar a ordem, ou aumentar ou diminuir a 
granularidade dos dados em análise, entre outras, como é o caso do 
uso da operação OLAP
A drill down, que permite ao Auditor aumentar o nível de detalhe de 
análise das informações de pesagens.
Prof. Raphael Lacerda
SEFAZ-SC/2018
https://t.me/kakashi_copiador
B drill off, que permite ao Auditor mudar o foco dimensional de 
análise das informações de pesagens.
C pivot, que permite ao Auditor pular um intervalo dimensional de 
análise das informações de pesagens.
Prof. Raphael Lacerda
SEFAZ-SC/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SEFAZ-SC/2018
D drill accross, que permite ao Auditor mudar o escopo de análise 
das informações de pesagens, filtrando e rearranjando determinadas 
partes do cubo de dados.
E roll out, que permite ao Auditor diminuir o nível de detalhe de 
análise das informações de pesagens.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SEFAZ-SC/2018
"Um Auditor da Receita Estadual …. A denúncia é que, 
frequentemente, caminhões das empresas Org1, Org2 e Org3 não 
são adequadamente fiscalizados " Para caracterizar e fundamentar a 
existência de possíveis fraudes, o Auditor deverá coletar os registros 
diários dos postos por, pelo menos, 1 ano e elaborar demonstrativos 
para análises mensais, trimestrais e anuais.
https://t.me/kakashi_copiador
Para permitiruma análise coerente, após a denúncia, a concepção de 
um modelo de dados multidimensional do tipo esquema estrela (star 
schema), em um Data Warehouse, deve registrar os elementos de 
dados: identificação do posto, empresa, data da pesagem e tempo 
de permanência.
Considerando os conceitos fatos e dimensões, os elementos de 
dados classificados como dimensões são, apenas,
Prof. Raphael Lacerda
SEFAZ-SC/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SEFAZ-SC/2018
A identificação do posto, data da pesagem e tempo de permanência.
B empresa, data da pesagem e tempo de permanência.
C identificação do posto e empresa.
D identificação do posto, empresa e data da pesagem.
E empresa e data da pesagem.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Em um Data Warehouse (Armazém de Dados) existem algumas formas distintas 
para armazenar dados OLAP (Online Analytical Processing), conhecidas pelos 
seguintes acrônimos:
A CUBE – armazenamento tridimensional e MOLAP – armazenamento 
multidimensional. 
B DOLAP – armazenamento dimensional e MOLAP – armazenamento 
multidimensional. 
C ROLAP – armazenamento relacional e DOLAP – armazenamento dimensional. 
D ROLAP – armazenamento relacional e MOLAP – armazenamento 
multidimensional. 
E ROLAP – armazenamento relacional e CUBE – armazenamento tridimensional.
Liquigas/2018
https://t.me/kakashi_copiador
Um dos desdobramentos de big data é o big data analytics, que se 
refere aos softwares capazes de tratar dados para transformá-los em 
informações úteis às organizações. O big data analytics difere do 
business intelligence por
A
priorizar o ambiente de negócios em detrimento de outras áreas.
B
analisar dúvidas já conhecidas para as quais se deseje obter resposta.
Prof. Raphael Lacerda
TCM-MG/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TCM-MG/2018
C
analisar o que já existe e o que está por vir, apontando novos 
caminhos.
D
dar enfoque à coleta, à transformação e à disponibilização dos dados.
E
analisar o que já existe, definindo as melhores hipóteses.
https://t.me/kakashi_copiador
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.
Prof. Raphael Lacerda
DPE-AM/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
DPE-AM/2018
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.
https://t.me/kakashi_copiador
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.
Prof. Raphael Lacerda
DPE-AM/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
DPE-AM/2018
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.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Na modelagem estrela, o desenvolvimento de um data warehouse 
permite que todas as métricas sejam sumarizadas em relação a todas 
as suas dimensões, visto que as chaves primárias da tabela fato são 
uma composição de chaves estrangeiras de todas as dimensões. 
IPHAN/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
O data warehouse é integrado, não volátil e orientado a assuntos, 
contudo, embora lide com dados e os armazene para a tomada de 
decisões gerenciadas, não é considerado um banco de dados, pois é 
variável em relação ao tempo. 
IPHAN/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Usualmente, os data warehouses dão apoio a análises de série 
temporal e de tendências, as quais requerem maior volume de dados 
históricos do que os que geralmente são mantidos em bancos de 
dados transacionais.
ENSERH/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Diferentemente dos bancos de dados transacionais, a modelagem de 
bancos de dados multidimensionais é caracterizada pelo uso de 
tabelas fato e tabelas periféricas, que armazenam, respectivamente, a 
transação e as dimensões.
Cespe/EBSERH/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
O investimento para empreendimentos que considerem o mês 
corrente ou um período atual em que haja rastreabilidade dos dados 
lá armazenados é o mais apropriado para a realização de um projeto 
de data warehouse.
STJ/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
O data warehouse tem como finalidade a apresentação das 
informações necessárias para a identificação de indicadores e da 
evolução de valores ao longo de uma grande janela de tempo
STJ/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Os data warehouses são modelados utilizando-se técnicas como a 
modelagem multidimensional, em que as dimensões podem se 
relacionar entre elas ou entre as dimensões e a fato, sendo, em 
qualquer caso, limitada a uma métrica aditiva por dimensão e a uma 
tabela fato por modelo.
STJ/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
O modelo snowflake acrescenta graus de normalização às tabelas de 
dimensões, eliminando redundâncias; em termos de eficiência na 
obtenção de informações, seu desempenho é melhor que o do 
modelo estrela, o qual, apesar de possuir um único fato, possui 
tamanho maior que o do snowflake, considerando-se a 
desnormalização das tabelas de dimensões.
CGM/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
I - Um esquema estrela possui uma tabela fato conectada a uma ou 
mais tabelas dimensão, as quais não necessitam estar normalizadas. 
II - Em um esquema constelação de fatos, as tabelas dimensão são 
organizadas em uma hierarquia de tabelas resultantes da 
normalização. 
III- As operações drill-up and drill-down atuam sobre o nível de 
agregação dos dados. A operação de drill-up permite agregar os 
dados de uma tabela fato ao longo de uma ou mais dimensões, e a 
operação drill-down oferece a capacidade oposta. 
TJ-RS/2018
https://t.me/kakashi_copiador
Em um Data Warehouse de uma hipotética aplicação da Câmara 
Legislativa, um usuário elaborou análises a partir de dados 
armazenados, envolvendo: quantidade de votos coletados por região 
geográfica durante certo período de tempo. A visão que ele 
dispunha, inicialmente, para as dimensões região e tempo eram, 
respectivamente, cidade e trimestre. Em uma primeira análise, 
detalhou a informação solicitada para obter os dados mês a mês (1° 
nível hierárquico abaixo de trimestre). Em uma segunda análise, 
agregou os dados de cidade para estado da federação (1° nível 
hierárquico acima de cidade). Em uma terceira análise, trocou de 
posição os eixos tempo e região para obter uma visão alternativa. As 
análises Online Analytical Processing (OLAP) aplicadas sobre o cubo 
de dados foram, respectivamente,
CLDF/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
CLDF/2018
A drill-down − roll-up e pivot.
B slice - pivot e drill-down.
C roll-up − drill-across e drill-within.
D holl-up − drill-down e drill-across.
E drill-trought − holl-up e pivot.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SABESP/2018
Um Técnico executou uma operação de visualização OLAP que 
rotacionou os eixos de um determinado cubo, provendo uma visão 
alternativa dosdados, ou seja, permitindo a visão de suas várias 
faces. Ele executou a operação
A slice.
B dice
C drill across.
D pivot.
E roll up.
https://t.me/kakashi_copiador
Um Analista está trabalhando em um Data Warehouse − DW que 
utiliza no centro do modelo uma única tabela que armazena as 
métricas e as chaves para as tabelas ao seu redor (que descrevem os 
dados que estão na tabela central) às quais está ligada. O esquema 
de modelagem utilizado pelo DW, a denominação da tabela central e 
a denominação das tabelas periféricas são, respectivamente,
Prof. Raphael Lacerda
SABESP/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
SABESP/2018
A floco de neve, base, granulares.
B estrela, fato, dimensões.
C constelação, fato, granulares.
D atomic, base, branches.
E anel, base, dimensões.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
LIQUIGÁS/2018
O drill-down (desmembramento) é uma operação que, em um cubo 
OLAP, permite visualizar
A apenas dados agregados.
B dados do cubo, mantendo uma das dimensões fixa.
C dados detalhados, até o menor nível de granularidade da tabela de 
fatos.
D dados detalhados, além do menor nível de granularidade da tabela 
de fatos.
E um subconjunto do cubo com mais de uma dimensão fixa.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
LIQUIGÁS/2018
Um modelo multidimensional contempla dois tipos de tabelas, que 
são a 
A tabela OLAP e a tabela OLTP 
B tabela Principal e a tabela Secundária 
C tabela Física e a tabela Lógica 
D tabela Dimensão e a tabela Fato 
E tabela Visão e a tabela Agregação 
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
LIQUIGÁS/2018
As ferramentas OLAP (Online Analytical Processing) permitem 
A armazenar, em tempo real, dados de cada operação realizada em 
uma empresa. 
B consultar dados agregados em múltiplas dimensões. 
C indexar dados para que sua atualização seja a mais rápida possível. 
D realizar inferência para descobrir relacionamentos entre os dados 
armazenados. 
E tratar e padronizar dados inconsistentes. 
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
LIQUIGÁS/2018
Para que seja desenvolvido um Datawarehouse (DW) em uma empresa, é 
necessário 
A considerar que apenas os dados de origem externa precisam ser tratados 
por ETL. 
B construir a priori um dicionário de dados que consolide a semântica de 
todos os fatos e dimensões. 
C projetar e construir DWs para um processo-chave da empresa. 
D realizar atividades típicas de ETL para integração entre as fontes de dados 
do DW. 
E ter em mente a integração de dados com todos os DWs existentes na 
empresa. 
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
LIQUIGÁS/2018
Uma empresa utiliza Bancos de Dados (BDs) para armazenar os dados 
necessários ao seu funcionamento. Nesse contexto, um BD Multidimensional
A é útil para tomada de decisão na empresa. 
B é util para o controle detalhado das atividades da empresa. 
C deve conter o histórico detalhado de todas as operações realizadas na 
empresa. 
D deve ser materializado antes de quaisquer outros BDs Relacionais na 
empresa.
E pode substituir, após estar consolidado, todos os BDs Relacionais 
existentes na empresa.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
LIQUIGÁS/2018
Um banco de dados multidimensional em uma empresa 
A é semelhante a um banco de dados relacional, exceto por não 
possuir FKs (chaves estrangeiras). 
B é semelhante a um banco de dados relacional onde cada tabela 
tem uma coluna adicional para representar a dimensão temporal. 
C alimenta com seus dados os bancos de dados transacionais 
necessários para o negócio. 
D permite apenas consultas predefinidas aos dados armazenados. 
E tem seus dados oriundos de bancos de dados transacionais.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
LIQUIGÁS/2018
O drill-down (desmembramento) é uma operação que, em um cubo 
OLAP, permite visualizar
A apenas dados agregados.
B dados do cubo, mantendo uma das dimensões fixa. 
C dados detalhados, até o menor nível de granularidade da tabela de 
fatos.
D dados detalhados, além do menor nível de granularidade da tabela 
de fatos. 
E um subconjunto do cubo com mais de uma dimensão fixa.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
LIQUIGÁS/2018
As aplicações OLTP (Online Transaction Processing) são caracterizadas por 
transações
A complexas e atualizações de dados frequentes, enquanto as aplicações OLAP 
envolvem apenas atualizações. 
B complexas e atualizações raras, enquanto as aplicações OLAP envolvem 
consultas simples e atualizações frequentes.
C complexas exclusivamente de consultas, enquanto as aplicações OLAP 
envolvem apenas atualizações. 
D simples e atualizações de dados raras, enquanto as aplicações OLAP envolvem 
consultas simples e atualizações frequentes.
E simples e atualizações de dados frequentes, enquanto as aplicações OLAP 
envolvem consultas complexas e atualizações raras. 
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
IFMT/2018
Um Data Warehouse é um conjunto de dados:
I - Baseado em assuntos ou negócios da empresa.
ll - Integrado já que o processo de introdução dos dados no data 
warehouse é conduzido de forma que as muitas inconsistências das 
aplicações diversas que o compõem sejam desfeitas.
lll - Não-Volátil já que seus dados são atualizados, apenas, ao final da 
manutenção ou atualização diária do banco de dados transacional.
IV - Variável em relação ao tempo pois sua estrutura de chave sempre 
contém um elemento de tempo e além disso, seu horizonte de tempo 
regular é de 5 a 10 anos.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Pref. Viana/2018
I - É um banco de dados que armazena correntes e históricos de 
potencial interesse para os tomadores de decisão de toda a empresa.
II - Os dados se originam de muitos sistemas operacionais centrais.
III - O data warehouse consolida e padroniza as informações oriundas 
de diferentes bancos de dados operacionais.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
UFRPE/2018
São modelos fortemente associados à estrutura de um banco de 
dados multidimensional:
A lineup e snowflake.
B anel e estrela.
C estrela e snowflake.
D anel e workflow.
E lineup e coroa.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
UFRPE/2018
No modelo multidimensional, significa, de forma simplificada, a 
redução do escopo dos dados em análise, além de mudar a ordem 
das dimensões, mudando, desta forma, a orientação segundo a qual 
os dados são visualizados. Trata-se de:
A slice and dice.
B joint.
C grant.
D split.
E tuning.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
UFRPE/2018
No que tange ao conjunto de tecnologias projetadas para analisar 
dados típicos de suporte à decisão que estão no Data Warehouse, 
uma destas se carateriza por utilizar MDDB proprietários (com 
matrizes n dimensionais) para manipular fatos agregados. Parte do 
pressuposto de armazenar de forma multidimensional para visualizar 
de forma multidimensional. Entre as desvantagens estão: não 
manipula fatos atômicos, não trabalha com muitas dimensões e não 
gerencia um grande volume de fatos. Estamos falando de:
A OLAP B ROLAP C MOLAP D HOLAP E OLTP
https://t.me/kakashi_copiador
1) Podemos dizer que os dados armazenados no data warehouse são 
uma longa série de visões do banco de dados, tiradas ao longo do 
tempo. Uma vez que os dados são armazenados no data warehouse, 
eles sofrem diversas atualizações, não sendo apenas um ambiente de 
carga e acesso. 
 2) Após sua criação e primeira carga, o data warehouse passa a sofrer 
cargas incrementais que devem refletir o ambiente operacional ao 
longo do tempo, tornando-o um imenso repositório para os sistemas 
de apoio à decisão. 
Prof. Raphael Lacerda
UFRPE/2018
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
UFRPE/2018
 3) Em um data warehouse os dados são organizados em dimensões, 
disponibilizados para consultas e análises através de aplicações OLAP 
(On-Line Analytical Processing)e sistemas de suporte à decisão. 
 4) O que distingue um data warehouse de um sistema OLTP é que o 
desenho do data warehouse deve refletir a forma com que os 
especialistas enxergam o negócio. É construído para responder 
questões que não estão limitadas às transações individuais, mas 
tratam do processo como um todo. 
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
UFRPE/2018
Uma das características que devem estar presentes em ferramentas OLAP 
é a capacidade de efetuar algumas operações. Sobre isso, correlacione a 
segunda coluna com a primeira. 
1) Drill Across ( ) ocorre quando o usuário pula um nível 
intermediário dentro de uma mesma dimensão.
2) Drill Down ( ) ocorre quando o usuário aumenta o nível de 
detalhe da informação, diminuindo a granularidade. 
3) Drill Up ( ) ocorre quando o usuário aumenta a 
granularidade, diminuindo o nível de detalhamento da informação. 
4) Drill Through ( ) ocorre quando o usuário passa de uma 
informação contida em uma dimensão para uma outra. 
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
CIAAR/2018
Avalie as afirmações sobre as características clássicas de um data 
warehouse.
I. Visão conceitual multidimensional.
II. Operações irrestritas entre dimensões.
III. Dimensionalidade genérica.
IV. Dados voláteis.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
BB/2018
Considerando-se o conceito 
de OLAP, quais foram as 
operações realizadas 
de T para X e de 
T para Y, respectivamente?
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
FUB/2018
Em sistemas OLAP no MOLAP, os dados são armazenados em um 
formato que aceita dados multimídia, não havendo necessidade de se 
usar formato específico.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TRT-24/2017
Consider the following descriptions of the OLAP operations in 
multidimensional data:
− The slice operation ..I.. one particular dimension from a given cube 
and provides a new sub-cube.
− Drill-down can be performed by ..II.. a concept hierarchy for a 
dimension.
− Roll-up can be performed by ...III... a concept hierarchy for a 
dimension.
− The pivot operation is also known as rotation. It ...IV... the data axes 
in view in order to provide an alternative presentation of data.
The correct words to fill in the gaps I, II, III and IV are, respectively,
A
selects, stepping down, climbing up and rotates.
B
select, fall down, scale up and rotate.
C
selects, climbing up, stepping down and rotates.
D
select, climbing, stepping and rotate.
E
select, pull up, climbing down and rotates.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TRT-24/2017
The correct words to fill in the gaps I, II, III and IV are, respectively,
A selects, stepping down, climbing up and rotates.
B select, fall down, scale up and rotate.
C selects, climbing up, stepping down and rotates.
D select, climbing, stepping and rotate.
E select, pull up, climbing down and rotates.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TCE-PA/2017
Comparados aos bancos de dados transacionais, os data warehouses 
são mais voláteis porque, para que se mantenham consistentes, são 
atualizados em tempo real a cada atualização que ocorrer em 
qualquer uma das bases originais de dados que o componham.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TCE-PA/2017
As técnicas de drill down e drill up em ferramentas OLAP têm, 
respectivamente, a função de
A auditar os dados em um cubo em diferentes níveis de 
detalhamento.
B adicionar e remover dados do nível de detalhamento.
C diminuir e aumentar o nível do detalhamento dos dados.
D remover e adicionar dados do nível de detalhamento.
E aumentar e diminuir o nível do detalhamento dos dados.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TCE-PA/2017
MOLAP é um método utilizado para apresentar, fisicamente e em 
formato relacional, os dados em formato OLAP. 
https://t.me/kakashi_copiador
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.
Prof. Raphael Lacerda
TRE-PI/2016
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TRE-PI/2016
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.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
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.
A navegação em uma base de dados que utiliza o modelo 
entidade-relacionamento é mais fácil se comparada à navegação em 
uma base que utiliza o modelo multidimensional, visto que a primeira 
apresenta poucas junções entre as tabelas.
MEC/2015
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TJ-SE/2014
Embora apresentem desempenho de carga melhor que o MOLAP, os 
sistemas ROLAP apresentam desempenho das consultas que 
depende das informações desejadas.
Quanto à forma de armazenamento dos dados, o MOLAP é mais 
indicado para DataMarts que para DataWarehouse.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
TJ-SE/2014
1 - Em um Data Warehouse (armazém de dados) que apresente a 
característica de ser não volátil, os dados não são atualizados após a 
inserção inicial. 
2 - Os dados armazenados em um DataWarehouse devem estar 
integrados, temporalmente identificados, orientados ao assunto e 
devem ser protegidos, de modo a se evitar o acesso do usuário.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
INPI/2013
Dessa forma, todo modelo Snow Flake na 3FN estará 
necessariamente também na forma normal BCNF (boyce- codd), visto 
que ambas são baseadas no conceito de dependência transitiva. 
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
Em proveito da inteligência do negócio (business intelligence), a 
tendência atual em relação ao uso dos datawarehouses é concentrar a 
descoberta de informação e do conhecimento nos dados históricos.
MPOG/2013
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
MEC/2011
Um drill down corresponde a ir de um nível mais baixo para um nível 
mais alto de agregação, ao passo que um drill up permite uma 
navegação pelas hierarquias em direção contrária.
Com relação à arquitetura OLAP, julgue o item seguinte. Drill up e 
down são técnicas analíticas em que o usuário transita entre vários 
níveis de agregação dos dados, indo do mais sumarizado ao mais 
detalhado e vice-versa.
https://t.me/kakashi_copiador
1 - Importante componente de um data warehouse é o data staging 
area, cuja função é extrair, transformar e carregar os dados obtidos de 
diversas fontes da empresa.
2 - Ferramentas ETL são utilizadas na extração, transformação e 
remoção de dados.
3 - Em processos ligados a ETL, os dados são identificados e 
extraídos de diferentes fontes, incluindo sistemas de banco de dados 
e aplicações.
4 - As ferramentas de business inteligence, encarregadas de extrair e 
carregar dados na base de dados de BI, são denominadas 
ferramentas de ETL.
várias
https://t.me/kakashi_copiadorProf. Raphael Lacerda
Várias
No processo de data warehouse, a aplicação do servidor de dados e 
os dados armazenados resultantes de extração, transformação e 
carga compõem a staging area.
No âmbito dos DWs, representa um armazenamento intermediário 
que facilita a integração dos dados de ambiente operativo antes da 
sua atualização no DW. Trata-se de ODS.
Importante componente de um data warehouse é o data staging 
area, cuja função é extrair, transformar e carregar os dados obtidos de 
diversas fontes da empresa.
https://t.me/kakashi_copiador
Várias
1 - A operação roll-up aumenta o nível de agregação dos dados, 
agrupando-os em unidades maiores ao longo da dimensão, ao passo 
que a operação drill-down fornece uma visão mais detalhada dos 
dados.
2 - OLAP é uma tecnologia utilizada para organizar grandes bancos 
de dados e fornece, para organizações,um método com alta 
flexibilidade e desempenho para acessar, visualizar e analisar dados 
corporativos. Os dados podem ser organizados em uma hierarquia 
que define diferentes níveis de detalhe, na qual o usuário pode 
navegar para cima (drill up) ou para baixo (drill down) entre níveis.
https://t.me/kakashi_copiador
Várias
3 - O operador drill-down relaciona-se ao processo de apresentar 
dados do nível mais baixo da hierarquia de dados de um esquema 
para níveis mais altos.
4 - A operação OLAP que permite relacionar fatos diferentes através 
de dimensões compartilhadas é denominada drill across
5 - 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.
https://t.me/kakashi_copiador
Várias
6 - 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.
7 - As operações slice and dice dos sistemas OLAP permitem 
selecionar e modificar a posição de uma informação, a troca de linhas 
por colunas e o giro do cubo multidimensional. Entretanto, não é 
permitido combiná-las com as operações drill down ou roll up.
https://t.me/kakashi_copiador
Prof. Raphael Lacerda
1 - Uma vez que os esquemas floco de neve possuem menor 
redundância do que os esquemas estrela, sua manutenção é mais 
fácil de ser realizada.
2 - Na modelagem dimensional, implementada em sistemas de data 
warehouse, o esquema snowflake caracteriza-se por possuir diversas 
tabelas de fatos e de dimensões, sendo estas últimas organizadas 
hierarquicamente na terceira forma normal (3FN).
3 - Uma tabela de fatos em um data warehouse armazena os valores 
detalhados de medidas, ou de valores observados, e as identifica 
com ligação para tabelas de dimensão.
várias
https://t.me/kakashi_copiador
DRILL
 DOWN 
NOS
ESTUDOS AGORA!
Prof. Raphael Lacerda
https://t.me/kakashi_copiador
OBRIGADO
Prof. Raphael Lacerda
@estrategia
concursosti
https://t.me/kakashi_copiador
http://instagram.com/estrategiaconcursosti
http://t.me/estrategia_ti
 http://t.me/lacerdaph
http://anchor.fm/estrategia-tech
https://t.me/kakashi_copiador
https://t.me/kakashi_copiador