Questões sobre Data Warehouse

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.

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.

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, 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.

Em um modelo multidimensional utilizado na modelagem de data warehouses

• A. a tabela fato deve conter somente atributos literais.
• B. as tabelas dimensão devem ter um tipo único de dados para todos seus atributos.
• C. as tabelas dimensão não têm chaves primárias definidas.
• D. cada tabela dimensão comporta um máximo de 20 atributos.
• E. não há limite teórico para o número de dimensões modeladas.

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.

Em relação ao Data Warehouse (DW) e conceitos associados, é correto afirmar:

• A. Ferramentas OLAP podem operar sobre bases de dados armazenadas em SGBDs orientados a objetos. Esta forma de armazenamento é conhecida como OOLAP ou Object OLAP. Também podem operar em bases relacionais, conhecidas como ROLAP ou Relational OLAP, que não são multidimensionais.
• B. Os maxicubos apresentam a característica de possuir armazenamento e indexação em estruturas de dados que otimizam atualizações ao invés de consultas. Quando o modelo multidimensional é processado, nova base é gerada, contendo somente as agregações, em formato próprio, utilizando-se de estruturas apropriadas para pesquisas.
• C. Uma das formas de apresentação de um banco de dados multidimensional é através do Modelo SnowStar ou Estrela de Neve. É um modelo simples e eficiente, caracterizado por possuir uma única tabela de fatos e chaves simples nas tabelas de dimensões. Cada dimensão é representada por uma única tabela.
• D. Com relação à granularidade, as bases de dados operacionais trabalham com o maior nível de detalhe possível, ou seja, maior granularidade. Já no DW pode haver diversos graus de agregação e resumo dos dados. A correta determinação da granularidade exerce papel fundamental no planejamento de capacidade e desempenho do DW.
• E. Ao contrário do que ocorre com as bases operacionais, o DW, por conter dados históricos, demanda alta taxa de atualização. Desse modo, deve ser atualizado a cada 4, ou no máximo, 24 horas. Além disso, sofre muitas modificações, embora de forma controlada.

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, 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.
• B. 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.
• C. 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.
• D. 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.
• E. 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.

Em um Data Warehouse, as tabelas Dimensão possuem uma chave primária que identifica unicamente um registro. Usar chaves oriundas dos bancos de dados transacionais da produção pode gerar problemas decorrentes da sua alteração deliberada, como: 

*a produção pode decidir reusar a chave primária na virada de ano levando à exclusão de alguns registros; e 

*empresas podem se fundir acarretando a modificação das regras de construção de chaves primárias.

Para evitar tais problemas, de forma que o valor da chave primária das tabelas Dimensão seja único para todo o sistema, portanto nunca reutilizadas; e que o valor da chave não contenha nenhum significado semântico, deve-se usar a chave:

• A. surrogada;
• B. estrangeira;
• C. externa;
• D. candidata;
• E. superkey.

As Dimensões são o ponto de entrada de um Data Warehouse (DW), sendo utilizadas como perspectivas de análise dos Fatos. As tabelas Dimensão e Fato podem ser comparadas conforme descrito no seguinte quadro.

As tabelas Fato possuem muitos atributos com baixa cardinalidade decorrente da elevada quantidade de chaves estrangeiras oriundas das tabelas Dimensão que possuem menor quantidade de registros. Ao implementar um DW em um banco de dados relacional, o índice que considera essas características da tabela Fato é o:

• A. bitmap;
• B. hash;
• C. B-tree;
• D. reverse;
• E. sparse.

Acerca de datawarehouse e datamining, julgue os itens subsequentes. Os objetivos do datamining incluem identificar os tipos de relacionamentos que se estabelecem entre informações armazenadas em um grande repositório.

• C. Certo
• E. Errado