Baixe o app para aproveitar ainda mais
Prévia do material em texto
Questão 1 Para identificar os dados que fornecem valor para as empresas, podemos: · a) Explorar o meio digital constantemente. · b) Determinar a variedade das informações. · c) Utilizar ferramentas de análise de dados. · d) Aprender a trabalhar com grandes volumes de dados. · e) N.R.A. Quais são as dimensões do Big Data com as quais trabalhamos na comunicação estratégica? · a) Veracidade e Velocidade. · b) Volume, Variedade e Valor. · c) Velocidade, Valor e Decisão. · d) Velocidade, Volume e Variedade. · e) Volume, Decisão e Transformação. Na tomada de decisão, a comunicação estratégica é importante porque: · a) Auxilia a visão geral dos dados. · b) Possibilita o retorno dos clientes. · c) Simplifica o diálogo com os clientes. · d) Facilita o relacionamento com clientes e parceiros. · e) Permite o retorno imediato de clientes e parceiros. Para os gestores, trabalhar com um grande número de informações significa trabalhar com dados que: · a) Não são precisos. · b) Podem não ser úteis. · c) Exigem velocidade de análise. · d) Podem ser úteis para incrementar os resultados dos processos. · e) N.R.A. O processo de visualização de dados em Big Data é importante, devido: · a) Aos valores dos dados. · b) À semelhança com os relatórios. · c) Ao número de ferramentas existentes. · d) À necessidade de melhor representação dos dados dentro da organização. · e) N.R.A. É recomendável utilizar gráficos para visualizar insights? · a) Não, pois utilizamos gráficos para qualquer tipo de informação. · b) Não, pois os gráficos não nos apresentam os melhores resultados. · c) Sim, pois os gráficos nos apresentam os insights acidentais somente. · d) Não, pois os gráficos não nos revelam a melhor exploração de dados. · e) Sim, pois é através da exploração de dados que obtemos insights inesperados. Leia a seguinte afirmação: “Ao analisar dados dispostos em formato visual, fica mais fácil identificar as variações, os problemas e as melhorias que precisam ser feitas na estratégia ou mesmo nos produtos.” De acordo com o que estudamos, essa ideia está CORRETA? · a) Não, pois precisamos comparar os dados com os relatórios. · b) Sim, mas só por meio da comparação desses dados com os relatórios. · c) Sim, pois é através da visualização de dados que tomamos as decisões mais rápidas. · d) Não, pois é mais difícil tomarmos decisões com a visualização de dados em gráficos. · e) N.R.A. Sobre a representação gráfica, assinale a opção CORRETA: · a) Um gráfico em si representa tudo o que foi solicitado. · b) Um gráfico em si nada representa – ele precisa ser interpretado. · c) Um gráfico, por si só, apresenta o que foi solicitado, sem a necessidade de complementação. · d) Um gráfico representa tudo o que foi solicitado, mas precisa de outro formato para ser melhor compreendido. Uma das maneiras de descobrirmos os dados que agregam valor à organização é: · a) Trabalhar somente com aqueles das redes sociais. · b) Trabalhar somente com aqueles de bases estruturadas. · c) Trabalhar com todos aqueles que obtivermos das fontes existentes. · d) Extrair conhecimento desse volume de dados, fazer correlações, identificar padrões e descobrir tendências entre eles. · e) N.R.A. A descoberta de dados proporciona: · a) O aumento da produtividade. · b) A identificação dos melhores clientes. · c) A análise dos dados não estruturados. · d) A análise dos dados das bases existentes. · e) N.R.A. A mineração de dados serve para: · a) Identificar esses dados. · b) Alcançar os melhores clientes. · c) Utilizar esses dados nas tomadas de decisões. · d) Identificar os dados oriundos das redes sociais. · e) Identificar insights, aumentar a fidelidade do público e reduzir a rotatividade de clientes. Um dos métodos da técnica de mineração de dados é o (a): · a) Mineração. · b) Numeração. · c) Classificação. · d) Clusterização. · e) Agrupamento O projeto de Big Data refere-se ao desenvolvimento de projetos ágeis. Uma de suas premissas afirma que: · a) Não precisamos nos preocupar com os dados. · b) Não precisamos nos preocupar com as tarefas definidas. · c) O escopo desse tipo de projeto é definido uma única vez. · d) As mudanças podem acontecer, mas devem ser monitoradas. · e) O projeto pode sofrer grandes mudanças sem muito impacto. Assinale a opção que apresenta item(ns) importante(s) para o projeto de Big Data: · a) Gestão. · b) Pessoas. · c) Patrocínio. · d) Retorno de investimento e gestão. · e) Riscos, pessoas, patrocínio, adequação de valor ao negócio e retorno sobre o investimento. No gerenciamento de projetos de Big Data, qual é a etapa mais importante dentro daquelas apresentadas pelo Project Management Institute (PMI)? · a) Escopo. · b) Aquisição. · c) Integração. · d) Comunicação. · e) Gestão de risco. Um desafio para implantarmos um projeto de Big Data pode ser: · a) De dados. · b) Numérico. · c) Estrutural. · d) Em grupos. · e) N.R.A. Quando adotamos projetos de Big Data, trabalhamos com: · a) Bases de dados convencionais. · b) Fontes de dados da organização. · c) Qualquer projeto de Tecnologia da Informação (TI). · d) Dados não estruturados e bases de dados NoSQL. · e) N.R.A. A implementação de projetos de Big Data altera a maneira de os gestores tomarem decisões, porque: · a) Se baseia sempre em intuições. · b) Se baseia em fatos, não em intuições. · c) Atua na área operacional da empresa. · d) Trabalha com fonte de dados operacionais da empresa. · e) N.R.A. A forma de processar e armazenar os dados nos projetos de Big Data é importante para garantir: · a) O espaço em disco. · b) A utilização do software. · c) As necessidades do gestor. · d) A velocidade de acesso à informação. · e) A eficiência das análises da informação. A forma de processar e armazenar os dados nos projetos de Big Data é importante para garantir: · a) O espaço em disco. · b) A utilização do software. · c) As necessidades do gestor. · d) A velocidade de acesso à informação. · e) A eficiência das análises da informação. Há grande dificuldade em armazenar dados não estruturados, devido: · a) À análise simples dos dados. · b) Ao pequeno volume de dados. · c) À agilidade da chegada das informações aos gestores. · d) À facilidade de trabalho com esses tipos de dados por parte dos bancos atuais. · e) N.R.A. Não podemos trabalhar com bancos de dados convencionais em projetos de Big Data, porque eles usam: · a) Histórico de dados. · b) Dados estruturados. · c) Quaisquer tipos de dados. · d) Dados cujo processamento é rápido. · e) N.R.A. Os clusters são utilizados no tratamento de dados em Big Data para: · a) Definir espaço em disco. · b) Ajudar nas análises dos dados. · c) Atender às necessidades do gestor. · d) Possibilitar melhor análise em grupamentos. · e) Permitir a distribuição das tarefas e o processamento paralelo dos dados. Entre os desafios do processamento de grandes volumes de dados, estão: · a) Trabalhar com clusters e servidores individuais. · b) Atuar com bancos de dados convencionais e clusters. · c) Trabalhar com iterações e com servidores individuais. · d) Lidar com a agilidade no processamento e no tratamento dos dados. · e) Lidar com o armazenamento na memória principal e com frequentes falhas. De acordo com o que estudamos, o mecanismo de processamento de dados Spark: · a) Não trabalha com dados em memória. · b) Possui as mesmas funções que o MapReduce. · c) Armazena o maior número de dados em memória. · d) Trabalha de modo semelhante à plataforma Hadoop. · e) N.R.A. O MapReduce ajuda no processamento de grande volume de dados, porque trabalha com: · a) Maior velocidade. · b) Dados estruturados. · c) Processamento serial. · d) Armazenamento paralelo. · e) Grande número de dados em clusters. Trabalhar com clusters poderá nos trazer problema quando tivermos de: · a) Reutilizar dados. · b)Usar grande volume de dados. · c) Realizar processamento paralelo. · d) Analisar grande variedade de dados. · e) N.R.A. O Spark nos apresentou o conceito de Resilient Distributed Datasets (RDDs), que significa trabalhar com: · a) Clusters. · b) Armazenamento na memória principal. · c) Estruturas de dados em paralelo, tolerantes à falha. · d) Agilidade no processamento e tratamento dos dados. · e) N.R.A. O Spark pode ser até 100 vezes mais rápido que o processamento in-memory, porque: · a) Não lê os dados do cluster. · b) Não escreve dados no cluster. · c) Armazena os dados do cluster. · d) Lê os dados do cluster, realiza todas as operações analíticas necessárias e escreve os resultados no cluster. A solução para a disponibilização imediata de grande volume de dados baseia-se no: · a) Trabalho com clusters. · b) Trabalho com MapReduce. · c) Conceito de in-memory computing. · d) Processamento paralelo de dados. · e) N.R.A. Na solução in-memory: · a) O processamento de dados é paralelo. · b) A memória do servidor não é utilizada. · c) O trabalho é realizado com clusters somente. · d) Os dados não são armazenados em discos rígidos. · e) A informação é inicialmente armazenada em discos rígidos convencionais e, então, totalmente carregada na memória do servidor. O fator fundamental na computação in-memory é: · a) A estrutura dos dados. · b) A facilidade do trabalho em memória. · c) A quantidade de memória RAM do servidor. · d) A durabilidade, pois a memória principal é volátil. · e) A quantidade de servidores (hardware) utilizados. A tecnologia in-memory reduz custos? · a) Sim, pois existe um único servidor. · b) Não, pois trabalhamos com replicações. · c) Sim, pois podemos trabalhar em nuvem. · d) Não, pois precisamos de vários servidores. · e) Sim, principalmente com Tecnologia da Informação (TI), uma vez que sua utilização não depende de investimentos em hardware.
Compartilhar