Prévia do material em texto
Prof. Arthur Mendonça Aula 02 1 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Aula 02 Modelagem dimensional e multidimensional Análise de Dados e Informações para TCE RJ Prof. Arthur Mendonça Prof. Arthur Mendonça Aula 02 2 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Sumário SUMÁRIO 2 INTRODUÇÃO 3 TEORIA DA AULA 4 MODELAGEM DIMENSIONAL, DW E OLAP 4 OLTP x DW/BI 4 Data Marts 10 O MODELO 12 Esquema Estrela 12 Tabela Fato 13 Dimensões 18 OLAP 22 QUESTÕES COMENTADAS PELO PROFESSOR 36 LISTA DE QUESTÕES COMENTADAS 52 GABARITO 61 RESUMO DIRECIONADO 62 REFERÊNCIAS 65 Prof. Arthur Mendonça Aula 02 3 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Introdução Olá! Bem-vindo a mais uma aula do nosso curso de Análise de Dados e Informações para o TCE RJ! Na aula de hoje vamos abordar um conceito muito interessante chamado modelagem dimensional. Os tópicos abordados serão os seguintes: Noções de modelagem dimensional: conceito e aplicações. Depois de termos visto algumas linhas gerais sobre bancos de dados e sobre o modelo relacional nas aulas anteriores, nos debruçaremos sobre uma série de tópicos que têm forte relação com análise de informações para tomada de decisão. Não se assuste com a quantidade de conteúdo novo. As questões de prova desse assunto não costumam vir tão difíceis assim. Vamos lá? Prof. Arthur Mendonça Aula 02 4 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Teoria da aula Modelagem dimensional, DW e OLAP As organizações, tanto do setor privado quanto do público, têm uma grande necessidade de extrair informações úteis a partir da infinidade de dados que trafegam todos os dias em seus ambientes computacionais. A informação adequada fornecida na hora certa pode ser a diferença competitiva para uma empresa ou a chave para uma política pública bem-sucedida. O processo que parte da coleta dos dados brutos de diversas fontes e chega até o compartilhamento e o monitoramento pelo usuário é chamado de Business Intelligence (Inteligência de Negócios). O BI, como é chamado, é o conjunto de técnicas e ferramentas que propicia esse processo e apoia a gestão, servindo de suporte à tomada de decisão. Falamos um pouco sobre esse processo na nossa primeira aula. Parte do processo de BI envolve a construção de um Data Warehouse (Armazém de Dados). O DW de uma empresa é um banco de dados especializado, que serve como repositório central de dados de toda a empresa. Ele tem como objetivo servir de base de consulta para que se realize análises através de relatórios visuais, painéis gerenciais, técnicas de mineração de dados e outras ferramentas que citaremos mais à frente. OLTP x DW/BI Bom, até aí tudo bem, mas creio que ainda não ficou muito clara qual é a diferença entre um banco de dados relacional utilizado pelos sistemas transacionais de uma empresa e um DW, não é? Os sistemas transacionais das organizações, como aqueles que lidam com transações bancárias, registram vendas, processam as atividades operacionais, dentre outras inúmeras funcionalidades, são conhecidos como OLTP – Online Transaction Processing, ou Processamento de Transações em Tempo Real. DW Relatórios Painéis Gerenciais Análise OLAP Mineração de Dados Prof. Arthur Mendonça Aula 02 5 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Esses sistemas OLTP comumente fazem uso de bancos de dados relacionais normalizados, pois são mais focados em ter rapidez na execução das inserções e atualizações de dados e diminuir as redundâncias. Contudo, ao realizar esse processo de normalização geralmente temos a geração de mais entidades (tabelas) no modelo de dados. Se por um lado essa abordagem economiza o espaço em disco e otimiza a execução dos sistemas OLTP, por outro lado esse fator dificulta a extração e a análise dos dados, já que para obter determinada informação muitas vezes precisamos realizar operações de junção entre diversas tabelas distintas. Esses sistemas OLTP também são otimizados para lidar com uma transação por vez, devido à necessidade de manutenção da integridade do banco de dados relacional que está sendo utilizado. Além disso, os dados tendem a ter uma frequência maior de atualizações. Se uma filial da organização muda de endereço, por exemplo, o OLTP provavelmente irá apenas atualizar os campos correspondentes da tabela, ao invés de manter um histórico da informação. Já os sistemas de Data Warehouse/Business Intelligence têm outros propósitos. A ideia aqui passa a ser no fácil acesso aos dados para leitura, ao contrário da escrita, de modo a criar novas visões intuitivas sobre os dados para facilitar a tomada de decisão. Veja as principais diferenças entre OLTP e os sistemas de BI/DW no quadro a seguir, para então passarmos a definir o que é exatamente um data warehouse e a modelagem dimensional. Kimball (2013) definiu alguns objetivos para um sistema de DW/BI. Não precisa decorar a lista a seguir, só entender, pois ela não costuma ser cobrada diretamente nas provas de concurso. • O sistema deve tornar a informação facilmente acessível. OLTP Execução operacional do negócio Alta frequência de atualização Normalizados Alta performance para manipulação de dados BI/DW Fator estratégico e tomada de decisão Poucas atualizações, manutenção de histórico Desnormalizados Possibilitam análise de grandes volumes de dados Prof. Arthur Mendonça Aula 02 6 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ o O conteúdo desse tipo de sistema deve ser compreensível para o usuário, não somente para o desenvolvedor. O sistema deve utilizar termos utilizados pelos usuários, ser fácil e intuitivo de se utilizar. • O sistema deve apresentar a informação de forma consistente o Os dados só devem ser apresentados ao usuário final quando corretamente processados, limpos e com sua qualidade assegurada. • O sistema deve ser adaptável a mudanças o Requisitos de usuários e regras de negócio mudam o tempo todo. Um bom sistema de DW/BI deve ser capaz de se adaptar a essas mudanças. • O sistema deve apresentar as informações de uma maneira tempestiva o Não adianta nada apresentar uma informação estratégica sem que os dados estejam atualizados na janela de tempo adequada. Dependendo do negócio, pode ser necessário que os dados estejam atualizados até mesmo segundo a segundo. • O sistema deve proteger os ativos informacionais da entidade o Os dados em um DW têm informações potencialmente sigilosas e estratégicas, como carteira de clientes e margens de lucro. O sistema deve ser seguro o suficiente para prevenir o acesso não autorizado. • O sistema deve servir como uma fundação confiável para uma melhor tomada de decisões. • O sistema deve ter uma boa aceitação pela comunidade do negócio para que ele possa ser considerado bem-sucedido. Com esses requisitos em mente, temos que a modelagem dimensional, ainda segundo Kimball (2013), é a preferida para apresentar dados analíticos, já que atende a dois requisitos principais: ✓ Entrega dados compreensíveis para os usuários de negócio ✓ Entrega uma boa performance de consulta Assim, podemos concluir que modelagem dimensional pode trabalhar com o mesmo conjunto de dados de um sistema OLTP, mas os organiza de maneira a maximizar a compreensibilidade e a performance de leitura (ao invés de escrita). Para completar essa conceituação inicial, trago quatro características importantíssimas dos data warehouses definidas por Bill Inmon,que é considerado o pai de Data Warehousing. Grave bem pois sempre cai em prova! Para Inmon (2005), um DW é: Prof. Arthur Mendonça Aula 02 7 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Orientado a Assuntos Os dados estão organizados de tal maneira que todas as estruturas associadas a determinado assunto estão interligadas. Por exemplo, o assunto “Vendas” em uma empresa possui o envolvimento de diversos setores e sistemas, incluindo as atividades de processamento do pedido, do pagamento, de logística, cobrança, etc. Assim, um DW que contém informações a respeito de Vendas vai incluir dados de todos esses locais. Integrado Como os dados são orientados a assuntos e vêm de múltiplas fontes (outros bancos de dados, planilhas, sistemas transacionais, etc.), é comum que determinadas informações estejam representadas de maneiras distintas, já que os desenvolvedores desses outros sistemas e arquivos não os criaram pensando em uma integração futura. Acontece que em um data warehouse essa representação precisa ser unificada de modo a permitir a análise conjunta dos dados, tendo em vista determinado assunto. Assim, nomes de campos, tamanhos e tipos de atributos, estrutura de chaves primárias, etc. precisam ser unificados. Um exemplo clássico desse processo de integração é o campo Sexo (ou Gênero). O mesmo dado pode estar representado de diferentes maneiras nas diversas fontes, mas no processo de BI/DW é realizada essa integração: Vendas Contas Produtos Prof. Arthur Mendonça Aula 02 8 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Além disso, pode haver redundância indesejada de dados, já que registros de múltiplas fontes podem conter as mesmas informações. Essas redundâncias também devem ser atacadas durante a transformação realizada durante o processo de integração realizado pelo ETL. Não-volátil Os dados em um DW são carregados periodicamente (geralmente em grande quantidade de registros de uma só vez) e depois disso podem ser acessados pelos usuários, mas nunca atualizados. Isso é um comportamento distinto dos sistemas transacionais, que, como vimos, sofrem vários acessos, inserções, remoções e atualizações de dados conforme a necessidade. O propósito dessa característica do DW é manter um histórico dos dados. Quando há alguma modificação, um novo registro é armazenado e uma data/hora atribuída a ele. Assim, um registro é uma “fotografia” dos dados estática no tempo. Entenda que uma tabela presente em um DW pode ser atualizada, adicionando-se novos registros quando ocorre a carga de dados, o que geralmente é evitada é a atualização ou remoção dos registros já existentes nessas tabelas. Note, contudo, que não é absolutamente proibido que se altere ou remova um registro no data warehouse, já que é possível que tenham ocorrido erros nas inserções iniciais que precisem ser corrigidos ou mesmo seja necessário remover dados muito antigos, que não servem mais para a análise, liberando assim espaço em disco para novos registros. m, f homem, mulher h, m m, f Cliente •Endereço atual Cliente •Endereço antigo •Endereço atual Cliente •Endereço antigo •Endereço antigo •Endereço atual Prof. Arthur Mendonça Aula 02 9 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Em via de regra, para fins de prova, você pode considerar que os dados já presentes em um DW não são atualizados. Contudo, se o examinador fosse muito taxativo, dizendo “em hipótese alguma é possível que se remova ou altere algum registro de um data warehouse...”, eu mesmo marcaria falso! Variante no tempo Pode parecer redundante com a característica anterior, pois a variância no tempo é uma característica decorrente da última. Ela diz respeito ao fato de que um registro no DW sempre está ou esteve correto (válido) em algum período no tempo. Em alguns casos, um registro possui uma data de inserção, em outros, datas em que esteve “em vigor”. Sempre há algum componente temporal no DW que vai indicar qual é o dado correto quando se estiver analisando determinado período. Um bom exemplo para isso são os dados de um cliente. É comum que clientes troquem de endereço. Para realizar determinadas análises, como por exemplo levantamentos a respeito do mercado consumidor em determinadas cidades, precisaríamos ter essas informações atuais (para saber como está o agora) e históricas (para analisar a evolução do mercado ao longo dos anos). Assim, é importante que se guarde a informação original e suas modificações posteriores. Essa abordagem pode ser feita populando assim os registros de uma tabela: Cliente Cidade Data de Modificação José da Silva Recife - PE 17/08/2003 José da Silva Fortaleza - CE 21/03/2011 José da Silva Crato - CE 06/02/2018 Veja que há múltiplos registros para uma mesma pessoa, cada um válido em um determinado ponto no tempo. Prof. Arthur Mendonça Aula 02 10 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Data Marts Um outro conceito interessante para a sua prova é o de data mart, ou repositório de dados. Um data mart (DM) é nada mais que um subconjunto de um data warehouse que geralmente foca em uma área específica da organização, como por exemplo Vendas, Contabilidade, Marketing, etc. A diferença de um data mart para um data warehouse, então, reside apenas no escopo abarcado pelo sistema. É lógico concluir que os data marts apresentam escopo mais reduzido, enquanto que DWs costumam abarcar todas os assuntos pertinentes a uma determinada organização. Esses DMs podem ser dependentes ou independentes. Um data mart dependente nada mais é do que um data mart originado de um data warehouse, uma segregação do DW empresarial. Enquanto isso, por razões de custos ou estratégia, uma organização pode decidir criar somente um pequeno DW setorial, que não abarque toda a empresa, mas só uma área ou setor. Esse último é o chamado data mart independente. Posteriormente, os vários data marts independentes podem vir a compor um DW empresarial. Inmon e Kimball defendem abordagens diferentes para a construção de data warehouse e data marts. Inmon (2005) defende que o processo deve ser top-down: Ou seja, no processo de BI/DW de Inmon há primeiro a criação de um DW para posterior segregação em data marts específicos e daí o acesso aos dados pelos usuários através da geração de relatórios, mineração de dados, etc. Isso traz algumas desvantagens, já que o processo de desenvolvimento é mais longo e o custo inicial é mais alto. Contudo, a manutenção é mais fácil e os custos posteriores para a segregação dos data marts são consideravelmente menores, já que a estrutura como um todo já está pronta em forma de DW de nível empresarial. Data Warehouse Data Mart Fontes de Dados ETL (staging area) DW Empresarial Data Marts Acesso aos Dados Prof. Arthur Mendonça Aula 02 11 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Já Kimball (2013) define o processo como sendo mais ou menos assim: No modelo de Kimball, os dados são extraídos das fontes e transformados para serem carregados em um DW modelado de acordo com o esquema estrela ou em um cubo OLAP. Falaremos sobre essas estruturas em breve, o importante agora é que você saiba que o DW de Kimball é criado através da composição de diversos data marts. Logo, tem-se que essa abordagem é conhecida como bottom-up. Kimball concebeu uma arquitetura chamada matriz de barramento para auxiliar no desenvolvimento de um data warehouse. Essa matriz é um diagrama que dispõe, nas linhas, os processos de negócio da organização. Já nas colunas, são dispostas as dimensõescomuns a esses processos. Esse detalhe já apareceu em provas de concurso! Veja um exemplo de matriz de barramento (em inglês): (Kimball Group) (VUNESP – TJ/SP – 2012) Uma das técnicas utilizadas no projeto de um data warehouse corporativo consiste no uso da chamada matriz de barramento, na qual as linhas e colunas representam, respectivamente, a) cubos e medições. b) data staging e cubos. Fontes de Dados ETL (staging area) Data Marts (DW) Acesso aos Dados Prof. Arthur Mendonça Aula 02 12 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ c) cardinalidades e hierarquias. d) dimensões e cardinalidades. e) processos de negócio e dimensões. RESOLUÇÃO: A matriz de barramento é uma ferramenta concebida por Kimball que dispõe, nas suas linhas, os processos de negócio da organização e em suas colunas as dimensões comuns. Gabarito: E O modelo “Beleza, professor. Mas, afinal, como é o modelo dimensional?” Tenho certeza que é exatamente isso que você está se perguntando agora! Para sua felicidade, vamos abordar este assunto nesta seção da aula. Não é necessário que uma organização adquira um novo SGBD para implementar seu data warehouse. Kimball (2013) mostra que um DW pode ser implementado em um SGBD relacional, através do esquema estrela, ou em um ambiente de banco de dados multidimensional, através de um cubo OLAP. Vamos definir esses conceitos a seguir. Esquema Estrela Os esquemas estrela ou star schemas são os modelos dimensionais implementados em SGBDs relacionais. Esse conceito foi criado por Kimball e é utilizado em diversas organizações. Eu mesmo já trabalhei com vários! O esquema leva esse nome devido à sua estrutura, que lembra uma estrela quando representada em um diagrama: Prof. Arthur Mendonça Aula 02 13 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Figura: Um exemplo de esquema estrela Você consegue enxergar que a figura acima é muito parecida com um diagrama lógico de um banco de dados relacional, não é? Temos tabelas com chaves primárias e relacionamentos representados através de chaves estrangeiras. A diferença reside na disposição das entidades e dos relacionamentos, que seguem o modelo dimensional, não a modelagem relacional padrão. A tabela central é chamada tabela fato e as periféricas são as dimensões do modelo. Tabela Fato A respeito desse conceito, Kimball (2013) diz o seguinte: A ideia de que um evento mensurável do mundo físico tem uma relação um para um com um registro da tabela fato é o princípio fundamental da modelagem dimensional. Mas o que isso quer dizer? O termo fato corresponde a uma métrica ou medida a respeito de um processo de negócio da organização. Vamos usar os três termos indistintamente ao longo da aula, pois qualquer um deles pode ser utilizado na sua prova. Para caracterizar os fatos e a tabela de fatos, Kimball (2013) dá como exemplo a situação de um mercado: Imagine estar em frente ao caixa observando os produtos sendo vendidos, e que a cada produto em cada transação você anota a quantidade vendida e o valor em reais gasto com aquele produto. Esse seu bloco de notas seria equivalente a uma tabela fato; já a quantidade vendida e o valor em reais seriam os fatos, medidas ou métricas (fique atento à diferença entre uma (tabela) fato e um fato). Da mesma maneira poderíamos considerar uma tabela fato cujo objetivo fosse levantar estatísticas sobre os jogadores em um campeonato de futebol. A cada jogo poderia haver um registro por atuação de um jogador em uma partida na tabela fato, contendo métricas como gols marcados, faltas sofridas, roubadas de bola, etc. Esses fatos devem ser registrados na menor granularidade possível, ou seja, no maior nível de detalhe, de modo a enriquecer as possibilidades futuras de análise, já que posteriormente os dados poderão ser agregados como o usuário desejar. A definição do grão, ou o evento básico que será registrado na tabela fato, é parte fundamental da modelagem de um data warehouse. Os grãos dos nossos exemplos dados seriam a venda de um produto (ou de várias unidades dele para um mesmo cliente) e uma atuação de um jogador, respectivamente. Prof. Arthur Mendonça Aula 02 14 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Figura: Ilustração em (Inmon, 2005), indicando que as fatos, no caso Order (Pedido), possuem um volume bem maior de registros do que as tabelas restantes do modelo dimensional. Assim, podemos concluir que a tabela fato é a tabela que armazena as métricas que representam o desempenho do negócio. Ela vai conter um registro para cada evento ocorrido, como é o caso de uma venda em uma loja virtual, por exemplo. As tabelas fato são compostas por chaves estrangeiras e pelos valores das medidas ou fatos (veja a tabela fato Vendas no esquema estrela mais acima). Aqui, o conceito de relacionamento e chave estrangeira é o mesmo do modelo relacional: essas chaves referenciam as outras tabelas do modelo, as dimensões. A chave primária de uma tabela fato é geralmente composta pelas chaves estrangeiras ou por um conjunto delas. Outra possibilidade não contemplada pelo nosso esquema estrela de exemplo é a existência de uma constelação de fatos. Ou seja, termos mais de uma tabela fato ligadas ao mesmo conjunto de dimensões. Isso não implica que todas as fatos têm que estar ligadas a todas as dimensões, não é isso. O que estou querendo dizer é que as múltiplas fatos compartilham um conjunto de dimensões. Veja o esquema a seguir, em que as duas tabelas fato se relacionam com as dimensões de Produto e Data. O texto está um pouco pequeno, mas dá pra pegar a ideia. Esse esquema é às vezes chamado de multiestrela. Prof. Arthur Mendonça Aula 02 15 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Figura: Constelação de fatos ou esquema multiestrela É interessante que você perceba que a dimensão Data está ligada às duas fatos no nosso exemplo. Isso ocorre com bastante frequência. As dimensões Calendário ou Data estão quase sempre ligadas às tabelas fato, já que o aspecto temporal costuma ser fundamental para análise de dados. Essas dimensões costumam conter vários atributos que descrevem uma data, como dia, semestre, bimestre, indicadores de feriados, dentre outras inúmeras possibilidades. A chave primária dessas dimensões costuma ser a própria data, ao contrário de outras dimensões, que costumam ter uma chave substituta (sem significado real). Kimball, inclusive, recomenda que as dimensões de modo geral sempre utilizem chaves substitutas, de modo a facilitar o gerenciamento dos identificadores únicos de cada dimensão. Tipos de Tabela Fato Segundo Kimball (2013), as tabelas fato se dividem em três tipos fundamentais, de acordo com sua granularidade: 1) Transacionais Figura: Leitura de código de barras alimentando tabela fato transacional (Kimball & Ross, 2013) Essas tabelas fato são as que temos mostrado até agora. Elas armazenam registro a registro as transações que ocorrem, tendo um alto nível de detalhe. O grão é a unidade mínima do negócio, como por exemplo uma venda de um produto para um cliente. Prof. Arthur Mendonça Aula 02 16 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ 2) Snapshot Periódico Figura: Exemplo de snapshot periódico Seria ótimo ter sempre todos os registros de transação em nossa base de dados dimensional, trazendo grande poder de análise. Contudo, isso nem sempre é factível ou faz sentido para o negócio. Em tabelas fato muito grandes, uma transação individual traz uma mudança quase que imperceptível no valor total das medidas. Para esses casos, é suficienteque se tenha atualizações ao final de um curto período de tempo. Podemos então tirar uma “fotografia”, ou snapshot, da situação das vendas ao final de cada dia, por exemplo, somando todas as transações que ocorreram naquele dia e escrevendo apenas um registro na tabela fato. Assim, ao utilizar-se essa agregação de dados diminui-se drasticamente o tamanho das tabelas e melhora- se a performance do sistema de BI/DW. 3) Snapshot Acumulativo Nº Pedido Data Pedido Data Pagamento Data Envio Data Entrega 0001 01/01/2018 02/01/2018 02/01/2018 10/01/2018 0002 11/01/2018 11/01/2018 --- --- Esse tipo não é tão comum, mas pode ser bastante útil para determinados tipos de aplicação que seguem um fluxo ou processo bem definido, com pontos intermediários constantes. As tabelas fato desse modelo contém diversas colunas com chave estrangeira para a dimensão data, que vão sendo atualizadas à medida que o processo caminha. Repare que esse é o único caso entre os três tipos em que atualizamos os valores de registros em uma tabela fato. É uma exceção àquela propriedade de não volatilidade. Um exemplo clássico de aplicação para esse tipo é um pedido em uma loja virtual. Veja como os passos são bem definidos e vão sendo preenchidos à medida que ocorrem. Prof. Arthur Mendonça Aula 02 17 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ (CESPE – TCE/PB – 2018) A modelagem dimensional é uma técnica de projeto de banco de dados capaz de suportar, em um data warehouse, consultas de usuários finalísticos ligados a um negócio. Conceitos como tabela- fato, tabela agregada e métricas fazem parte da modelagem dimensional. A respeito dessa modalidade de modelagem, julgue os itens a seguir. I. Uma tabela-fato armazena, para fins estatísticos, as medições de desempenho. II. A tabela agregada é composta de atributos e contém a descrição do negócio. III. A tabela agregada é utilizada para reduzir o tempo de acesso de uma consulta ao banco de dados. IV. Métricas são as informações que se armazenam em tabela-fato e permitem medir o desempenho dos processos do negócio. V. As métricas não aditivas, assim como os valores percentuais ou relativos, podem ser manipuladas livremente. Estão certos apenas os itens a) I e II. b) I e III. c) II e V. d) III e IV. e) IV e V. RESOLUÇÃO: I. Na minha opinião, esta alternativa está correta. Uma tabela fato armazena vários tipos de medições, incluindo medições de desempenho, para diversos fins, incluindo fins estatísticos. A banca inicialmente deu o gabarito como errada, mas depois considerou que a redação era ambígua e anulou o item. ANULADA II. Uma tabela agregada é uma fato. A agregação dos registros da fato, como ocorre nas fatos de Snapshot Periódico, é uma técnica que visa reduzir a quantidade de registros nessa tabela, melhorando a performance de consulta. ERRADA III. Como acabei de explicar, as tabelas fato agregadas melhoram a performance de consulta, reduzindo assim o tempo de acesso. CERTA IV. As métricas são armazenadas nas fatos e permitem realizar diversas medições a respeito do negócio, incluindo o desempenho dos processos. CERTA V. Não! As métricas não aditivas não podem ser somadas ou subtraídas umas das outras no momento da agregação. Portanto, elas não podem ser manipuladas livremente. ERRADA Gabarito: I, III e IV (ANULADA) Prof. Arthur Mendonça Aula 02 18 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Dimensões As dimensões compõem o restante das tabelas do esquema estrela. Elas são companheiras inseparáveis da tabela fato, estando ligadas a ela em um relacionamento um para muitos (um registro de dimensão pode se relacionar com vários registros da tabela fato). Essas tabelas contêm o contexto descritivo associado aos fatos, dessa forma tendem a focar no aspecto qualitativo enquanto que as tabelas fato focam no aspecto quantitativo. Essas tabelas, segundo Kimball (2013), nos ajudam a responder o “quem, o quê, onde, quando, como e por quê”. É fácil de perceber quando consideramos o nosso diagrama. Considere a fato “Vendas” que apresentamos mais acima. Temos nas dimensões as respostas para as perguntas: ✓ “O que é vendido?” – Produto ✓ “Onde foi vendido?” – Filial ✓ “Quando foi vendido?” – Data ✓ “Quem vendeu?” – Vendedor ✓ “Para quem foi vendido?” – Cliente Por essas características, as dimensões contêm os códigos e descrições que vão, em última instância, virar os nomes das colunas das tabelas dos relatórios produzidos com base no modelo dimensional, e vão ser utilizadas como filtros nas consultas que realizemos. Por exemplo, poderíamos fazer a seguinte “pergunta” através dos filtros de relatórios em nossas análises: “Retorne a quantidade total de vendas dividida por produto, por ano, por local.” As dimensões são geralmente desnormalizadas. Passamos a nos preocupar menos com a redundância de dados e com o espaço em disco e mais com a simplicidade do modelo para facilitar operações de filtragem e extração de dados realizadas pelos usuários. Devido a essa desnormalização, é comum que se represente relacionamentos um para muitos (1:N) em uma tabela só. Simplesmente replicamos os registros dos dois lados do relacionamento quantas vezes seja necessário em uma tabela só. Como isso é um assunto um pouco árido, aqui vai um exemplo mais detalhado: Em um BD relacional comum, normalizado, poderíamos representar o relacionamento entre produtos e suas categorias em uma loja de departamentos da seguinte maneira: Categoria: Código Categoria Andar C1 Brinquedos 2º X8 Decoração 3º Z3 Artigos Esportivos 1º Produto: Código Produto Categoria 99816 Boneco C1 15923 Lustre X8 Prof. Arthur Mendonça Aula 02 19 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ 98562 Jogo de Tabuleiro C1 35366 Camisa da Seleção Z3 Já na modelagem dimensional, seria mais apropriado que incluíssemos toas as informações a respeito da categoria já na tabela de produto, desnormalizando assim o esquema: Tabela Produto (desnormalizada): Código Produto Categoria Andar 99816 Boneco Brinquedos 2º 15923 Lustre Decoração 3º 98562 Jogo de Tabuleiro Brinquedos 2º 35366 Camisa da Seleção Artigos Esportivos 1º Perdemos um pouco em relação à redundância dos dados e consequentemente em espaço em disco, já que repetimos os mesmos dados das categorias várias vezes (uma vez para cada produto), mas ganhamos em facilidade de consulta, já que precisamos fazer menos junções entre as tabelas para obtermos os resultados desejados. Existem casos em que o projetista do modelo entende que é realmente melhor manter algumas tabelas normalizadas, da maneira como ficaria em um Banco de Dados Relacional. Esse fenômeno é conhecido como snowflaking, verbo derivado da palavra snowflake, ou floco de neve. O esquema resultante, então, pode ser chamado de esquema floco de neve. Isso se deve, novamente, ao formato do esquema resultante, que, quando possui muitas tabelas, lembra a estrutura intrincada de um floco de neve. A seguir, uma adaptação no nosso esquema estrela para incluir o endereço dos clientes de forma normalizada, tornando-o assim um esquema floco de neve: Prof. Arthur Mendonça Aula 02 20 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Valores nulos nas dimensões Como o modelo dimensional está voltado para aplicações de análise, como a geração de relatórios, dashboards, dentre outras técnicas, recomenda-se que não se utilize o valor NULL nas dimensões, substituindo-os por valores textuais mais intuitivos para o usuário, como “Desconhecido”, “Não Aplicável”, etc. (CESPE – CGM João Pessoa/PB – 2018) Com relação à modelagem dimensional e à otimização de bases de dados parabusiness intelligence, julgue o item subsequente. 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. RESOLUÇÃO: A definição inicial está correta. Contudo, o desempenho na obtenção da informação no snowflake é pior do que o estrela, que é desnormalizado. Isso ocorre porque o modelo snowflake é mais complexo, apesar de ocupar menos espaço no BD devido à eliminação de redundâncias. Gabarito: E (CESPE – TCE/PE – 2017) A respeito da modelagem dimensional, julgue o próximo item. 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: Prof. Arthur Mendonça Aula 02 21 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Falso. A característica do modelo floco de neve é justamente a existência de dimensões ligadas a outras dimensões, em obediência à terceira forma normal. Gabarito: E Medidas aditivas, semiaditivas e não aditivas Os fatos mais interessantes que podem ser representados no modelo dimensional são os fatos numéricos aditivos, como os que apresentamos acima. Isso ocorre porque em aplicações de BI raramente se tem o interesse de visualizar um único registro da tabela fato por vez. O propósito é geralmente extrair de uma vez inúmeros registros que se amoldem a determinados parâmetros e filtros. Por exemplo, realizar uma análise a respeito de todas as vendas de uma determinada categoria de produto que foram realizadas ao longo dos meses de um ano. Também existem os fatos semiaditivos, que são aqueles que são aditivos somente em relação a algumas dimensões, não a todas. Um exemplo clássico é o saldo das contas contábeis. Se tivermos uma tabela fato que tenha como grão o saldo de uma conta contábil a cada dia, não podemos somar esta medida ao longo do tempo, já que não faz sentido somar o saldo de um dia com o saldo do dia seguinte. Por outro lado, pode fazer sentido somar estes saldos ao longo de outras dimensões para se obter valores totais, como por Setor, Filial, etc. Por fim, temos as medidas não aditivas. Podemos usar como exemplo os valores percentuais. Imagine uma tabela fato que contém alíquotas de um determinado imposto, que variam ao longo do tempo e por estado. Não faz sentido somar a alíquota vigente em um ano com do ano seguinte, e muito menos somar a alíquota de um estado com a do outro. Logo, essas medidas precisam de um tratamento especial para que sejam agregadas, não podemos simplesmente somá-las ao longo das dimensões. Veja esse exemplo para sumarizar o que você acabou de ler: Data Venda Valor Venda Qtd. Vendida Saldo da Conta Alíquota ICMS M ed id as Aditivas Semiaditivas Não aditivas Prof. Arthur Mendonça Aula 02 22 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ 01/01/2018 R$ 100,00 10 R$ 2.000,00 21% 02/01/2018 R$ 500,00 4 R$ 2.500,00 19% 03/01/2018 R$ 350,00 5 R$ 2.850,00 20% TOTAL: R$ 950,00 19 R$ 2.850, 00 ? • As medidas aditivas, valor de venda e quantidade vendida, podem ser somadas normalmente ao longo da nossa tabela fato. • Já a medida semiaditiva, o saldo da conta corrente, não pode ser somada ao longo do tempo. Não faz sentido! O saldo correto é o mesmo do registro mais recente. Se estivéssemos analisando os totais por outra dimensão, como região, poderia fazer sentido somar os saldos das contas de cada local, mas esse não é o caso. • Por último, temos a medida não aditiva, a alíquota do ICMS. Essa medida nos traz alguns problemas. Está claro que não faz sentido somar os valores, não é? Você poderia imaginar que é possível tirar a média aritmética dos registros, ao invés de somá-los. Seria uma ideia interessante, mas também não faz muito sentido, já que a média das três alíquotas também não nos dá uma informação importante. Para obter a alíquota média total das nossas vendas, precisaríamos realizar uma média ponderada de acordo com o valor das vendas. Teríamos, então, que desenvolver uma fórmula na linguagem de programação suportada pelo sistema de DW/BI para conseguir algo de útil a partir desse tipo de medida. Ah! Só mais um detalhe a respeito das tabelas fato: é teoricamente possível que tenhamos fatos (medidas) textuais, mas este raramente é o caso. Você pode considerar que, na maioria dos casos, quando estamos falando de uma medida, estamos nos referindo a um valor numérico. OLAP Figura: Representação gráfica de um cubo de dados. A outra alternativa para implementação do nosso modelo dimensional é a utilização de um cubo OLAP (Online Analytical Processing). Esses cubos são ambientes de bancos de dados multidimensionais, que seguem o mesmo modelo dimensional das implementações em esquema estrela. Prof. Arthur Mendonça Aula 02 23 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ A diferença é que OLAP é uma espécie de interface que visa permitir a análise flexível de grandes volumes de dados com uma performance de consulta melhorada em relação a implementações em SGBDs relacionais. Para isso, os sistemas OLAP utilizam agregações pré-calculadas, índices e outras técnicas de otimização. O termo cubo é utilizado para se referir a uma representação multidimensional dos dados. A forma geométrica de um cubo só tem três eixos e, portanto, três dimensões. Contudo, um cubo OLAP pode ter infinitas dimensões, a depender da capacidade do sistema. Os cubos com mais de três dimensões são às vezes chamados de hipercubos. Motivação Para propósitos de análise de dados, os cubos OLAP apresentam algumas vantagens em relação aos esquemas estrela implementados em SGBDs relacionais. Algumas delas são: • Eles oferecem ricas possibilidades de análise, já que não estão presos à linguagem SQL. SQL é uma linguagem poderosa para a manipulação de SGBDs relacionais, mas em quando se realiza análise de grandes volumes de dados em múltiplas dimensões, as consultas podem se tornar complexas demais e o usuário pode se deparar com algumas limitações. • Os sistemas OLAP geralmente oferecem mais recursos de segurança e controle de acesso aos dados. o Kimball (2013) cita a possibilidade de limitar acesso de um usuário aos dados detalhados, mas permitir acesso aos dados sumarizados (já agregados). o Os cubos OLAP geralmente oferecem também recursos de segurança em nível de linha. Ou seja, é possível restringir o acesso a usuários ou grupos de usuários a registros individuais em uma dimensão. • Os cubos dão maior suporte para se trabalhar com hierarquias de dados, sejam elas regulares ou desbalanceadas. Hierarquias Os atributos das dimensões em um modelo dimensional podem estar organizados em hierarquias. As hierarquias são, como o nome diz, conjuntos de atributos dispostos seguindo uma ordem de grandeza. Tanto os cubos OLAP quanto o esquema estrela oferecem suporte para trabalhar com essas hierarquias, mas geralmente os cubos OLAP têm mais ferramentas e permitem uma manipulação mais avançada através de linguagens de análise mais sofisticadas que o SQL. Prof. Arthur Mendonça Aula 02 24 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Figura: Representação gráfica em árvore de uma hierarquia de datas Temos no diagrama acima uma hierarquia presente na dimensão data. Essa é uma hierarquia natural, pois não foi simplesmente criada pelo projetista, ela segue uma lógica do mundo real.Outra hierarquia que ocorre com frequência nos modelos multidimensionais é a geográfica, comumente na forma País > Estado > Cidade > Bairro. As hierarquias costumam ter o membro “Todos” em seu nível mais alto, englobando todos os membros dos níveis inferiores. Da mesma maneira, os membros individuais do nível mais baixo da hierarquia são chamados de folhas, em uma analogia a uma árvore. Operações OLAP As ferramentas de BI/DW propiciam uma fácil navegação através dos dados, possibilitando que se visualize as informações através de diferentes perspectivas, utilizando as mais diversas combinações entre as dimensões e em todos os níveis das hierarquias. As ferramentas de BI costumam dar suporte a um processo de navegação interativa que é chamado de slice and dice. Esse nome diz respeito a “cortes” que podem ser realizados nos cubos para limitar a análise de dados a um escopo menor do que o cubo inteiro. Vamos ver algumas definições dessas operações a seguir: ❖ Slice and dice Prof. Arthur Mendonça Aula 02 25 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Figura: Operação de slicing To slice é o verbo “fatiar” em inglês. Essa operação faz um corte (ou filtragem) no cubo baseado no valor de alguma dimensão. Por exemplo, podemos extrair uma fatia do cubo que consiste nas vendas de produtos por cidade para um ano específico ou para um intervalo de anos. Figura: Operação de dicing Dice é um termo inglês que tem vários significados. Um deles quer dizer “cortar em cubos”. O que acontece nessa operação é que se faz um corte no cubo OLAP baseado nos valores de mais de uma dimensão, criando assim um subcubo. ❖ Pivotagem (rotação) Figura: Representação gráfica da rotação de um cubo Consiste em rotacionar o cubo para visualizar os dados em diferentes perspectivas, para realizar análises baseadas em dimensões diferentes. Por exemplo, poderíamos rodar o a fatia do nosso cubo de exemplo da operação de slicing para visualizar nas linhas os produtos, e nas colunas os locais de venda. Prof. Arthur Mendonça Aula 02 26 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Além dessas, temos mais algumas operações OLAP possíveis em um sistema de BI/DW, os drills. Essas operações têm sua natureza associada com as hierarquias. Todas elas, incluindo as já apresentadas acima, podem ser combinadas para enriquecer a análise do usuário: Atenção! Já me deparei com 0utras definições para drill across. Uma delas, que já caiu em prova, dizia que essa é a operação que “pula” níveis dentro de uma hierarquia. É como se fosse um drill down, sendo que passando por cima de um ou mais níveis intermediários. Ex.: Vendas por ano -> vendas por dia, não passando antes pelo nível de mês. Fique ligado! (CESPE – MEC – 2015) Com relação a bancos de dados transacionais e analíticos, julgue o seguinte item. 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. RESOLUÇÃO: •Ocorre quando o usuário está analisando um dado cortado por determinada dimensão e passa para outra que não faz parte da mesma hierarquia. Ex.: Da análise de vendas por filial para vendas por data. Drill through •Kimball (2013) diz que drill-across é a operação que permite juntar métricas de diversas fatos em um mesmo relatório combinado, desde que todas as fatos estejam relacionadas com dimensões em comum. Esse é o entendimento mais "oficial". Por exemplo, pense no nosso esquema mutliestrela mais acima: poderíamos gerar um relatório conjunto que exibisse as vendas e compras por produto e por data. Drill across •É Passar de uma análise de um nível maior para um nível menor, mais detalhado, dentro de uma hierarquia. Ex.: Vendas por ano -> vendas por mês. Drill down •O processo inverso do anterior. Sai-se de um nível menor, de mais detalhe, para um nível de maior generalização. Também é conhecida como roll up. Ex.: Vendas por semana -> vendas por mês. Drill up Prof. Arthur Mendonça Aula 02 27 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Esse giro do cubo multidimensional é a pivotagem ou rotação. Além disso, essas operações podem ser combinadas livremente. Gabarito: E (CESPE – TCU – 2015) 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: O drill through ocorre quando estamos analisando uma informação com base em uma dimensão e passamos para outra. Essa é a definição adotada pelo CESPE. Gabarito: C (CESPE – MEC – 2015) No que se refere a bancos de dados transacionais (OLTP) e a banco de dados analíticos (OLAP), julgue o item que se segue. Em ambientes corporativos, o uso de ambientes OLTP visa eliminar ao máximo a redundância de forma que a transação promova mudanças de estado o mais pontualmente possível, ao passo que o uso de ambientes OLAP objetiva prover uma visão dos dados orientados à análise com uma navegação rápida de dados agregados. RESOLUÇÃO: Perfeito! Os ambientes OLTP costumam ser normalizados, de modo a diminuir a redundância e maximizar a performance de escrita e atualização de dados. Já os sistemas OLAP visam prover recursos para análise, tendo ótima performance de leitura para navegação em dados agregados. Gabarito: C (CESPE – ANTT – 2013) Julgue o item seguinte, relativo a conceito de qualidade, produtividade e a ferramentas de gestão. Considere-se que a ANTT deseje implantar um sistema de gestão estratégica com base em bancos de dados operacionais de empresas de transporte. Nesse caso, é correto afirmar que a ferramenta OLAP (online analytical processing), que permite a agregação de dados operacionais em múltiplas dimensões, é a ideal para apoiar a montagem de um painel gerencial de indicadores de qualidade e produtividade. RESOLUÇÃO: Isso. A definição de OLAP você já conhece. Um dos propósitos da utilização desse tipo de ferramentas é a montagem de relatórios e painéis gerenciais com indicadores a respeito da performance do negócio. Gabarito: C Prof. Arthur Mendonça Aula 02 28 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Regras de Codd O criador do modelo relacional, Codd, também foi quem cunhou o termo OLAP. Codd dizia que as ferramentas OLAP deveriam seguir 12 regras. Essas regras são requisitos de funcionalidades para esses sistemas OLAP. Algumas delas já foram apresentadas de forma indireta durante a aula, pois têm a ver com os conceitos de modelagem dimensional como um todo, outras serão novidade, caso em que explicarei com mais detalhes. A banca CESPE já cobrou algumas dessas regras, então fique ligado! 1) Visão conceitual multidimensional O usuário deve ter uma visão conceitual dos modelos que seja multidimensional, já que sua análise do mundo real também é. As ferramentas OLAP, assim, devem suportar as operações multidimensionais como slice and dice. 2) Transparência As etapas de construção do modelo OLAP devem ser transparentes, ou seja, ficarem invisíveis ao usuário. Este deve ser capaz de utilizar o sistema sem se importar com os detalhes das origens dos dados, com que transformações que foram realizadas ou com o processamento de agregações que está sendo realizado, por exemplo. 3) Acessibilidade O sistema deve prover o usuário com somente um esquema lógico integrado dos dados. Veja que esta etapatambém tem a ver com a integração, pois só após um processo do tipo é possível montar um único esquema lógico coerente a partir das diversas fontes heterogêneas. 4) Performance consistente de relatórios A performance do sistema não deve se degradar quando o número de dimensões crescer. Ou seja, o sistema deve ser escalável, permitindo que se aumente bastante a complexidade do modelo sem comprometer a capacidade de exibir os dados da maneira que os usuários requisitarem. 5) Arquitetura cliente/servidor Prof. Arthur Mendonça Aula 02 29 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Figura: Ilustração da arquitetura cliente-servidori De forma grosseira, podemos dizer que a arquitetura cliente/servidor é um conceito da computação que implica na existência de um servidor de dados, que contém o sistema, e máquinas cliente, que acessam os dados contidos no servidor. Para entender como isso funciona, veja o caso do nosso site, o Direção Concursos. Você pode acessá-lo livremente através de sua máquina sem que precise instalar nada (além de um navegador de internet) ou mesmo baixar todo o conteúdo do site. O que acontece é que você vai navegando e clicando no que quer acessar, como você deve ter feito até chegar a este PDF. O download do PDF foi realizado através de uma requisição do cliente – o seu computador – ao servidor do Direção Concursos, que é a máquina que armazena todos os dados do site. Numa arquitetura cliente/servidor de uma ferramenta OLAP, os usuários não precisam instalar todos os sistemas utilizados ou salvar uma cópia completa dos dados armazenados no OLAP em seus dispositivos, basta possuir o lado cliente da aplicação, que permite se comunicar com o servidor. Dessa maneira, usuários de negócio podem acessar sistemas OLAP através de máquinas pouco poderosas, como telefones celulares ou computadores domésticos, sem que isso impacte na performance. Da mesma maneira, pode-se atualizar os dados no servidor sem causar impactos significativos nos dispositivos dos usuários. Os sistemas, assim, são mais abertos e modulares. 6) Dimensionalidade genérica Os cubos não estão limitados a um número de dimensões, eles podem ter infinitas. As funções de análise dos sistemas OLAP devem permitir também que se trabalhe com cada uma delas indistintamente. 7) Capacidade de lidar com matrizes esparsas de forma dinâmica O nome é esquisito, mas a propriedade é relativamente tranquila de se entender. Uma matriz esparsa é uma estrutura bidimensional (ou seja, as tabelas, dimensões e fatos) que possui diversas células vazias. Veja o caso, por exemplo, na hierarquia de locais de um determinado modelo dimensional: Prof. Arthur Mendonça Aula 02 30 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Observe que, ao contrário do Brasil, o Vaticano não possui estados. Esse é o caso em vários outros países pequenos, que não têm a necessidade de dividir seu território dessa maneira. Quando tivermos várias ocorrências desse tipo na nossa tabela, poderemos considerá-la esparsa, já que o campo estado frequentemente estará vazio. Essa regra nº 7 diz que as ferramentas OLAP devem ser capazes de lidar com essas ausências frequentes de dados, fornecendo funcionalidades para seu adequado tratamento - no exemplo acima, as consultas não deveriam simplesmente dar erro quando tentamos ver as vendas por estado para o Vaticano, e sim mostrar o valor total para sua única cidade sob a nomenclatura “Sem Estado”, por exemplo. Essa regra também tem a ver com o armazenamento mais eficiente de dados, realizado utilizando-se de técnicas de compressão, que é uma abordagem que se aproveita desses valores em branco para diminuir o tamanho que o conjunto de dados ocupa no disco. 8) Suporte a múltiplos usuários Os sistemas OLAP devem poder ser acessados por diversos usuários simultaneamente. Esses usuários, por sua vez, devem ser capazes de enxergar somente as fatias dos dados a que têm acesso, como já falamos a respeito durante a aula. 9) Operações de cruzamento dimensional ilimitadas Os usuários devem poder realizar todos os cálculos possíveis em relação às dimensões, mesmo que os relacionamentos adequados não tenham sido inicialmente definidos no modelo. Para isso, deve ser fornecida uma linguagem para a definição de fórmulas. Prof. Arthur Mendonça Aula 02 31 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Imagine que estamos calculando a média diária de vendas dos funcionários de uma empresa. Considere que a fato desse sistema OLAP contém os seguintes registros: Funcionário Dia Vendas José 06/09/2018 3 José 07/09/2018 0 José 08/09/2018 9 Veja que não podemos simplesmente calcular a média aritmética para o campo “Vendas”, pois, como o dia 07/09/2019 foi um feriado, nenhum funcionário vai ter vendido nada nesse dia. Não podemos penalizar a média de José por não ter vendido nada em um dia sem expediente, seria injusto. Dessa forma, precisamos ir além do relacionamento normal entre a tabela de vendas e a de datas, e definir uma fórmula alternativa para o cálculo desse índice de média diária que leve em conta a existência dos feriados. É mais ou menos isso que essa propriedade quer dizer! 10) Manipulação intuitiva de dados Como os sistemas OLAP estão voltados para os usuários de negócio, essas ferramentas devem ser simples de se utilizar, permitindo que esses usuários realizem suas análises e manipulem os dados sem precisar de um vasto conhecimento técnico ou de um manual. 11) Relatórios flexíveis Os usuários devem ser capazes de realizar os mais diversos tipos de consultas e análises com as ferramentas. As mudanças nos dados armazenados devem ser refletidas nos relatórios. 12) Níveis de dimensões e agregações ilimitados Como o OLAP tem dimensões infinitas, também existem níveis de agregação infinitos para os dados! (CESPE – SEFAZ/RS – 2019) 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. Prof. Arthur Mendonça Aula 02 32 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ 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. RESOLUÇÃO: a) O modelo dimensional tem como característica a desnormalização, algo que ocasiona redundâncias, mas facilita a extração de dados por diminuir a complexidade do modelo e o número de junções necessárias entre tabelas para se realizar as consultas. ERRADA b) Um cubo de dados possui inúmeras dimensões e registros, não somente uma tupla com seus atributos. ERRADA c) Essa é a resposta correta. Apesar da redação não ser das melhores, temos que os modelos multidimensionais, expressos nos sitemas OLAP, proporcionam ferramentas para se trabalhar com hierarquias, o que inclui as operações roll-up e drill down, que permitem aumentar ou diminuir o nível de detalhe das consultas analíticas. CERTA d) Os sistemas que dão ênfase à coleta e a múltiplas transações de dados são os sistemas OLTP, transacionais. ERRADA e) Os modelos dimensionais utilizam um processo de coleta, transformação e carregamento dos dados conhecido como ETL para a sua alimentação. Essa carga de dados é realizada de forma periódica e vai depender da estratégia cuidadosamente definida pela organização.ERRADA Gabarito: E (CESPE – 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). RESOLUÇÃO: a) O DW tem como umas de suas principais características ser variante no tempo e não volátil, ou seja, trabalha com dados históricos e não os atualiza! ERRADA b) Essa característica é dos sistemas transacionais, ou OLTP. Os data warehouse são carregados periodicamente através do processo de ETL. ERRADA c) Como são voltados à tomada de decisão, os data warehouses geralmente são mais utilizados por gestores, tendo sua utilidade um pouco mais restrita em termos de números de usuários em relação aos sistemas OLTP. ERRADA Prof. Arthur Mendonça Aula 02 33 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ d) Essa é a resposta correta! As regras de Codd para o modelo dimensional incluem a dimensionalidade genérica (regra que determina que todas as infinitas dimensões são tratadas indistintamente) e níveis de agregação ilimitados. CERTA e) OLTP são justamente os sistemas transacionais! ERRADA Gabarito: E Armazenamento OLAP é um conceito de análise que diz respeito à interação com o usuário. O objetivo é fornecer uma série de conceitos e mecanismos que favorecem a análise de dados para subsidiar a tomada de decisão. Contudo, você deve ter percebido que falamos muito em abstrações, como o próprio conceito de cubo, esquema estrela, etc., mas não falamos muito sobre como os dados ficam efetivamente armazenados em um banco de dados que segue a modelagem multidimensional. Há alguns tipos de armazenamento que um sistema OLAP pode utilizar: • MOLAP (Multidimensional OLAP): Os dados são extraídos das fontes e armazenados em uma estrutura multidimensional, não sendo necessário que se consulte diretamente dos bancos de dados da origem. Essa estrutura oferece uma performance de consulta maximizada, já que armazena diversos resultados pré-calculados de agregações e o acesso aos dados não é concorrente com os acessos à origem. • ROLAP (Relational OLAP): Os dados são consultados diretamente do banco de dados relacional. Por debaixo dos panos, são criadas views em cima do banco de dados relacional da organização para adaptar a estrutura de origem para o esquema multidimensional. Isso permite que sejam realizadas as análises no sistema OLAP. Esses sistemas ROLAP são escaláveis, ou seja, permitem que se trabalhe com grande volume de dados, mas há uma perda de performance considerável quando se trabalha com consultas complexas envolvendo muitas agregações e junções. • HOLAP (Hybrid OLAP): É uma combinação dos dois métodos acima. Agregações são armazenadas numa estrutura OLAP e dados mais detalhados são consultados a partir do banco de dados relacional. A performance, como era de se esperar, fica em um meio termo. Veja a tabela a seguir para entender como é que funciona o armazenamento de dados em cada tipo de sistema OLAP: ROLAP MOLAP HOLAP Prof. Arthur Mendonça Aula 02 34 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Camada Multidimensional Agregações Pré- Calculadas Valores em Nível de Detalhe (CESPE – TCE/PA – 2016) Julgue o item subsequente, acerca de segurança da informação de um SGBD e de um BI (Business Intelligence). MOLAP é um método utilizado para apresentar, fisicamente e em formato relacional, os dados em formato OLAP. RESOLUÇÃO: MOLAP armazena os dados em uma estrutura multidimensional, não relacional. Essa seria a definição de ROLAP. Gabarito: E (CESPE – MEC – 2015) Acerca dos conceitos de banco de dados transacionais (OLTP) e analíticos (OLAP), julgue o item que se segue. O ROLAP, sistema que se baseia na manipulação dos dados armazenados na base de dado relacional, apresenta a desvantagem de não lidar com grandes quantidades de dados. RESOLUÇÃO: Errado... o ROLAP lida sim com grandes quantidades de dados, principalmente porque não armazena dados pré- agregados como o MOLAP. Quando a consulta a ser realizada é complexa, o ROLAP tende a perder performance em relação aos outros métodos. Gabarito: E Prof. Arthur Mendonça Aula 02 35 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ * * * Pronto! Acabamos a primeira aula do nosso curso a respeito de sistemas analíticos, aqueles que apoiam a tomada de decisão. Nas próximas aulas, estudaremos temas como mineração de dados e big data, que servem a propósitos similares. A seguir, ainda neste PDF, temos uma bateria de questões da banca CESPE para você praticar. Bons estudos! Prof. Arthur Mendonça Aula 02 36 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Questões comentadas pelo professor 1. (CESPE – TJ/AM – 2019) A respeito de bancos de dados relacionais, julgue o item a seguir. O esquema multidimensional estrela de data warehouse é composto por uma tabela de fatos associada com uma única tabela para cada dimensão. RESOLUÇÃO: Correto! No esquema estrela, a tabela de fatos está associada a várias dimensões. As dimensões são tabelas desnormalizadas, não havendo mais de uma tabela para representar a mesma dimensão conceitual. Assim, se você tem uma dimensão “cliente”, todos os dados do cliente ficam em uma tabela só. No esquema snowflake, por sua vez, há o desmembramento de uma ou mais dimensões em mais tabelas, o que faz com que a tabela fato esteja associada indiretamente com mais de uma tabela por dimensão. Gabarito: C 2. (CESPE – TJ/AM – 2019) Com relação a arquitetura e tecnologias de sistemas de informação, julgue o próximo item. Data warehouse, o principal dispositivo de armazenamento de um computador, é formado pelo processador, pela entrada e pela saída de dados. RESOLUÇÃO: Um data warehouse é um sistema analítico de armazenamento de dados e seu propósito é fornecer um modelo integrado de dados, útil para a extração de informações que irão subsidiar a tomada de decisão. Esses bancos de dados seguem a modelagem dimensional, cujos principais componentes são as tabelas fato e dimensões. O processador e os dispositivos de entrada e saída de dados são componentes da arquitetura de um computador controlados pelo sistema operacional, não tendo necessariamente a ver com o conceito de DW. Questão incorreta. Gabarito: E 3. (CESPE – EBSERH – 2018) Com relação a banco de dados, julgue o item seguinte. 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. RESOLUÇÃO: Prof. Arthur Mendonça Aula 02 37 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Ótima definição. O modelo dimensional costuma ser representados pelas tabelas fato (que contêm dados das transações) no centro e das dimensões (que contêm os dados qualitativos) estando representadas ao redor. Gabarito: C 4. (CESPE – TCM/BA – 2018) Acerca de modelagem dimensional, assinale a opção correta. a) As granularidades fundamentais para classificar todas as tabelas fato de um modelo dimensional são: transacional, snapshot periódico e snapshot acumulado. b) Os fatos e dimensões não são tabelasdo banco de dados, pois, no modelo dimensional, são componentes do cubo de um data warehouse. c) No modelo estrela, as dimensões são normalizadas para tornar mais ágeis as consultas analíticas. d) O modelo floco de neve (SnowFlake) aumenta o espaço de armazenamento dos dados dimensionais, pois acrescenta várias tabelas ao modelo, todavia torna mais simples a navegação por software que utilizarão o banco de dados. e) Os códigos e as descrições associadas, usadas como nomes de colunas em relatórios e como filtros em consultas, não devem ser gravados em tabelas dimensionais. RESOLUÇÃO: a) Isso mesmo. São as granularidades consideradas por Kimball que mostramos durante a nossa aula. Transacional armazena os registros individuais, tendo as transações como seu grão. Snapshot periódico armazena uma “fotografia”, que contém registros agregados ao fim de um determinado período de tempo. Snapshot acumulado é um tipo de granularidade que permite a atualização de registros, aplicável quando se tem a representação de um processo com etapas intermediárias bem definidas. CERTA b) O fato de serem componentes de um cubo não impede que os dados estejam armazenados em um banco de dados, seja ele relacional ou multidimensional. ERRADA c) Podemos deixar a alternativa correta somente trocando a palavra “normalizadas” por “desnormalizadas”. A desnormalização objetiva tornar mais ágeis as consultas analíticas. ERRADA d) O snowflake realmente aumenta o espaço utilizado para o armazenamento dos dados. Contudo, a navegação no modelo normalizado se torna mais complexa, devido ao aumento do número de estruturas e por consequência do número de operações de junção necessárias. ERRADA e) Os códigos e descrições utilizados como filtros e geralmente como nomes de colunas em relatório são justamente os dados que são armazenados em dimensões. ERRADA Gabarito: A 5. (CESPE – TCE/PE – 2017) Prof. Arthur Mendonça Aula 02 38 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Julgue o próximo item, relativo à modelagem 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 examinador simplesmente inverteu os conceitos. A tabela fato armazena as ocorrências dos eventos e as dimensões as características. Gabarito: E 6. (CESPE – TCE/PE – 2017) A respeito da modelagem dimensional, julgue o próximo item. Todas as tabelas de um modelo apresentam um elemento de tempo como parte da estrutura de chave. RESOLUÇÃO: O CESPE costuma considerar que toda fato tem uma chave estrangeira referenciando a dimensão temporal, então as chaves primárias dessas fatos teriam sim, em sua composição, o elemento tempo. Contudo, o mesmo não se aplica para as dimensões. Kimball recomenda que se use chaves substitutas, que não possuem nenhum significado implícito. Gabarito: E 7. (CESPE – SEDF – 2017) Com relação aos conceitos de modelagem multidimensional de dados para inteligência computacional, julgue o seguinte item. 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: O erro da questão é dizer que o drill-across busca informações além da granularidade existente na estrutura dimensional. Essa operação conjuga métricas de diversas fatos em um mesmo nível de agregação, desde que elas estejam unidas por dimensões compatíveis. Gabarito: E 8. (CESPE – SEDF – 2017) Com relação aos conceitos de modelagem multidimensional de dados para inteligência computacional, julgue o seguinte item. Prof. Arthur Mendonça Aula 02 39 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Diferentemente da estrutura relacional, a estrutura multidimensional oferece baixa redundância de dados e suporte a normalização até a segunda forma normal. RESOLUÇÃO: A estrutura multidimensional é, geralmente, desnormalizada. O modelo snowflake permite que se tenha algumas dimensões normalizadas, mas esta não é a regra para a modelagem dimensional. Gabarito: E 9. (CESPE – TCE/SC – 2016) 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: As bancas gostam bastante de inverter os conceitos apresentados para confundir o candidato. Neste caso, as fatos é que possuem as chaves compostas pelas chaves estrangeiras que referenciam as dimensões, enquanto que as dimensões costumam possuir chaves substitutas. Gabarito: E Prof. Arthur Mendonça Aula 02 40 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ A figura apresentada ilustra um modelo contendo conceitos operados no domínio de organizações que trabalham, por exemplo, com escolas, currículos, disciplinas e alunos. Considerando essas informações, bem como os conceitos de arquitetura OLAP, modelo relacional e normalização de dados, julgue os dois itens que se seguem. 10. (CESPE – MEC – 2015) Em um modelo de dados relacional não normalizado, desenvolvido para suportar o processamento analítico online aderente ao modelo conceitual apresentado, os conceitos de período letivo e endereço são candidatos a gerar as tabelas que representam dimensões do modelo, enquanto os conceitos de aluno e disciplina são candidatos a gerar as tabelas de fatos do modelo. RESOLUÇÃO: Não precisamos nem da imagem para resolver a questão. Aluno e Disciplina são exemplos clássicos de entidades representados em dimensões, já que não possuem métricas inerentes. São entidades descritivas que guardam relação com os aspectos qualitativos do que se deseja representar no modelo. Gabarito: E 11. (CESPE – MEC – 2015) Em um modelo de dados relacional não normalizado, desenvolvido para suportar o processamento analítico online aderente ao modelo conceitual apresentado, a presença de escolas vinculadas a redes, unidades acadêmicas vinculadas a escolas, e subunidades acadêmicas vinculadas a unidades acadêmicas reforça a necessidade de desenvolvimento de um modelo do tipo estrela estendendo um modelo do tipo floco de neve (snow flake). RESOLUÇÃO: Na minha visão, há três erros na assertiva. O primeiro é falar que o modelo snowflake é um modelo de dados não normalizado, quando sabemos que a característica principal deste modelo é a normalização de dimensões. O segundo é dizer que o modelo estrela é apropriado para a situação apresentada, que parece ser mais alinhada ao snowflake. Por último, o examinador insere um erro na questão ao dizer que o modelo estrela estende o modelo snowflake. O snowflake é uma variação do modelo estrela, então o máximo que se poderia afirmar seria o inverso do que foi dito, que o snowflake estende o modelo estrela. Gabarito: E 12. (CESPE – MEC – 2015) Acerca dos conceitos de banco de dados transacionais (OLTP) e analíticos (OLAP), julgue o item que se segue. Na pivotagem, que é uma agregação de sistemas OLAP, utiliza-se uma tabulação cruzada bidimensional, como um pivô de duas dimensões. Prof. Arthur Mendonça Aula 02 41 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ RESOLUÇÃO: Você achou essa questão confusa? Eu também! No final das contas, as consultas em sistemas OLAP visam obter dados agregados, então poder-se-ia afirmar que essa operação é uma agregação. Em seguida, há uma tabulação cruzada (ou seja, o que estava na horizontal vai pra vertical e o que estava vertical vai pra horizontal),numa representação bidimensional da face do cubo que está sendo observada. Foi esse o entendimento que tive. Gabarito: C 13. (CESPE – MEC – 2015) 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: É isso aí, sem tirar nem pôr. Lembre que existe também o HOLAP, que é uma abordagem híbrida entre as duas modalidades de armazenamento apresentadas. Gabarito: C 14. (CESPE – MEC – 2015) No que se refere a bancos de dados transacionais (OLTP) e a banco de dados analíticos (OLAP), julgue o item que se segue. Para melhor manter o controle sobre identificadores de registro de ambientes de data warehouse (armazém de dados), em geral recomenda-se a geração de chaves substitutas (surrogate keys). Assim, cada junção entre as tabelas de dimensão e tabelas fato em um ambiente de data warehouse deve se basear nessas chaves substitutas, e não nas chaves naturais existentes. RESOLUÇÃO: Essa é a recomendação de Kimball, uma das autoridades nessa área. As chaves substitutas facilitam o gerenciamento das chaves primárias das dimensões, sendo mais adequadas do que a reutilização das chaves utilizadas nos sistemas operacionais, a origem dos dados. Gabarito: C 15. (CESPE – MEC – 2015) Prof. Arthur Mendonça Aula 02 42 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ No que se refere a bancos de dados transacionais (OLTP) e a banco de dados analíticos (OLAP), julgue o item que se segue. Diferentemente dos modelos OLTP fundamentados nas operações de álgebra relacional, os servidores OLAP suportam um conjunto de operações, como por exemplo, o drill-down, que implica examinar dados com maior nível de detalhe dentro da hierarquia de cada dimensão do modelo multidimensional. RESOLUÇÃO: Isso! Os sistemas OLAP possuem suporte a diversas operações, incluindo drill-up, drill-down, drill-through e drill- across. O drill-down permite navegar dentro da hierarquia para examinar dados com maior nível de detalhe (ou menor generalização). Gabarito: C 16. (CESPE – MEC – 2015) Com relação a bancos de dados transacionais e analíticos, julgue o seguinte item. Nos sistemas OLAP, os usuários têm permissão para leitura, inserção, modificação e exclusão dos dados armazenados, e podem analisá-los sob diversos ângulos RESOLUÇÃO: Enxergo dois problemas com a assertiva. O maior deles é que uma das características fundamentais de um data warehouse e, por consequência, dos sistemas OLAP, é a não volatilidade, não sendo possível a modificação e exclusão dos dados. Outro problema é que geralmente os usuários de maneira geral não têm permissão para inserção, modificação e exclusão de dados, e sim de leitura. Gabarito: E 17. (CESPE – FUB – 2013) Julgue o item a seguir, acerca dos tópicos avançados em desenvolvimento de sistemas. O modelo de armazenamento multidimensional adotado em transações OLAP é representado por meio de tabelas de dimensão que contenham os dados e da tabela de fatos, que identifica cada tupla desses dados. RESOLUÇÃO: As dimensões é que possuem atributos identificadores dos eventos representados nas tabelas fato. Gabarito: E 18. (CESPE – ANTT – 2013) Julgue os itens a seguir, referentes a DataWarehouse. Prof. Arthur Mendonça Aula 02 43 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ Ferramentas OLAP possuem capacidade para manipular e analisar um grande volume de dados em múltiplas dimensões. RESOLUÇÃO: Perfeito, as ferramentas OLAP visam possibilitar a realização de análises em diversas perspectivas a respeito de grandes conjuntos de dados. Gabarito: C 19. (CESPE – TRT 8ª Região – 2013) Acerca de sistemas de suporte à decisão, técnicas de modelagem e otimização de bases de dados multidimensionais, assinale a opção correta. a) Na modelagem multidimensional, caso haja as dimensões tempo e local ligadas a fato, é necessário optar-se por uma delas, pois somente uma dimensão poderá estar presente em cada modelo. b) É possível haver somente uma tabela fato na modelagem multidimensional, e um fato poderá guardar no máximo uma medida, pois cada medida é uma representação unívoca de um fato. c) As dimensões na modelagem da base de dados podem ser do tipo aditivas e não aditivas, sendo ambas oriundas da modelagem Snow Flake. d) Para prover maior desempenho nas consultas aos data warehouses, os dados devem ser desnormalizados, devendo ser mantido o mesmo valor das chaves primárias entre a fonte de dados e as chaves das dimensões. e) Em sistemas transacionais, em que as transações são a unidade e o agente de mudança no banco de dados, as informações no data warehouse são não voláteis e têm granularidade muito mais espessa, sendo atualizadas de acordo com uma escolha cuidadosa da política de atualização. RESOLUÇÃO: a) Essa afirmação não faz o menor sentido. É bastante frequente que se tenha as dimensões tempo e local ligadas às mesmas tabelas fato. ERRADA b) É possível que haja somente uma tabela fato no modelo, sem problemas. O que está errado é dizer que um fato só pode guardar uma medida. Nessa alternativa, creio que “um fato” foi usado para se referir a um registro na tabela fato. Um registro nessa tabela, como você sabe, pode conter diversas medidas. ERRADA c) As medidas podem ser aditivas ou não aditivas, e não as dimensões. Isso também não tem nada a ver com o conceito de snowflake. A alternativa é uma mistura sem sentido de diversos conceitos. ERRADA d) A desnormalização realmente melhora o desempenho nas consultas em detrimento do espaço em disco e da redundância. Contudo, a reutilização de chaves primárias das fontes dos dados não faz muito sentido, já que estamos integrando dados de diversas fontes, o que poderia ocasionar duplicações nos valores das chaves primárias. Kimball, então, recomenda a utilização de chaves substitutas. ERRADA e) A redação dessa alternativa ficou um pouco truncada, já que começa falando de sistemas transacionais e de repente passa pra data warehouse. Contudo, podemos perceber que o conceito apresentado está correto. Prof. Arthur Mendonça Aula 02 44 de 65| www.direcaoconcursos.com.br Análise de Dados e Informações para TCE RJ As informações no DW têm granularidade mais espessa que os sistemas transacionais, já que armazenam todo o histórico de um registro ao invés de simplesmente atualizá-lo ou removê-lo. As tabelas também são atualizadas seguindo uma política criteriosa de atualização, com rotinas de carga de dados e granularidades diversas. CERTA Gabarito: E 20. (CESPE – ANATEL – 2014) 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: Os atributos em modelos multidimensionais estão, muitas vezes, organizados em hierarquias. Nos níveis superiores da hierarquia temos os itens de maior nível de agregação e menor granularidade, enquanto que nos inferiores temos os dados detalhados. Gabarito: C 21. (CESPE – TJ/SE – 2014) Com relação a sistemas de suporte à decisão, julgue os seguintes itens. Na modelagem multidimensional, há dois esquemas predominantes: Star, em que as dimensões são tipicamente