Simulado Arquitetura de Datawarehouse

Prévia do material em texto

Arquitetura de Data Warehouse e Data Marts - Exercícios Aulas 
Simulados AV 
1. (ESAF - 2010 - MPOG - Analista de Planejamento e Orçamento - Tecnologia da Informação - Prova 2) 
BI - Business Intelligence: 
a) É um método de formação avançada de gestores. 
b) É uma técnica de otimização da árvore de decisão. 
c) São técnicas, métodos e ferramentas para mineração de dados na área de negócios de uma empresa. 
d) São técnicas, métodos e ferramentas de análise de dados para subsidiar processos de decisão de uma empresa . 
e) Compreende ferramentas de análise de dados para otimizar os processos produtivos de uma empresa. 
 
2. (AOCP - 2018 - SUSIPE-PA - Técnico em Gestão de Infraestrutura - Técnico em Gestão de Informática) 
No contexto de Data Warehouse, uma outra possibilidade de suporte a dados é o Data Mart. Assinale a alternativa 
que apresenta uma definição de Data Mart. 
a) Data Mart é uma versão atualizada do Data Warehouse para suportar pesquisa e alterações dos dados. 
b) Data Mart é um subconjunto de dados referentes a uma área específica, não normalizados e indexados para 
suportar pesquisas. 
c) Data Mart é uma cópia de um Data Warehouse para realizar buscas e alterações dos dados. 
d) Data Mart é uma versão do Data Warehouse carregada no computador do cliente, visando agilizar suas buscas. 
e) Data Mart é um subconjunto de dados referentes a uma área específica, escolhidos de forma aleatória no Data 
Warehouse. 
 
Aula 2 
1. Dado o ciclo de vida de um projeto de Data Warehouse definido por Kimball, as primeiras etapas são: 
a) Planejamento e Definição de requisitos de negócio. 
b) Planejamento e Especificação de Arquitetura. 
c) Definição das consultas e Definição de requisitos de negócio. 
d) Especificação de Arquitetura e Definição de requisitos de negócio. 
e) Projeto de Aplicação de BI e Definição de requisitos de negócio. 
 
2. Kimball afirma que um bom planejamento e definição bem elaborada dos requisitos aumentam a probabilidade de 
sucesso de um projeto de Data Warehouse, pois: 
a) Seu desenvolvimento é baseado nas necessidades dos usuários do negócio. 
b) Após a conclusão do projeto do DW/DM não é possível fazer manutenções ou adicionar novos módulos ao 
ambiente. 
c) O levantamento de requisitos identifica as consultas que serão apresentadas no ambiente analítico. 
d) Seu desenvolvimento é baseado em experiências empíricas e nas necessidades que podem surgir no futuro. 
e) Seu desenvolvimento é baseado nos sistemas transacionais de onde os dados serão extraídos. 
 
Aula 3 
1. (CESPE - 2016 - TRE-PI - Analista Judiciário - Análise de Sistemas.) 
Existem dois esquemas lógicos para a implementação de um modelo de BI que envolve tabelas de Fato e tabelas de 
Dimensões: o esquema Estrela (star schema) e o Floco-de-neve (snow-flake schema). Acerca do esquema estrela 
assinale a opção correta. 
a) O esquema Estrela exige o uso de tabelas normalizadas. 
b) O esquema Estrela consiste em uma tabela de Fato com várias tabelas para cada Dimensão e propõe uma visão 
cuja principal característica é a presença de dados redundantes nas tabelas de Dimensão. 
c) No esquema Estrela, as tabelas de Dimensão são organizadas em uma hierarquia por meio de sua normalização, 
com vistas a diminuir o espaço ocupado, eliminando-se, assim, quaisquer redundâncias. 
d) No esquema Estrela, diversas tabelas de dimensão relacionam-se tanto com diversas tabelas Fato como com outras 
tabelas de Dimensão, apresentando chaves ligando todas essas tabelas. 
e) No esquema Estrela, cada tabela de Dimensão está relacionada a várias tabelas de Fato, formando uma estrutura 
na qual a tabela de Dimensão relaciona-se com várias tabelas de Fato, obrigatoriamente. 
2. (CESPE - 2018 - TCM-BA - Auditor Estadual de Controle Externo.) 
Acerca de modelagem dimensional assinale a opção correta. 
a) 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 softwares que utilizarão o banco de 
dados. 
b) As granularidades fundamentais para classificar todas as tabelas Fato de um modelo dimensional são: 
transacional, snapshot periódico e snapshot acumulado. 
c) 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. 
d) Os Fatos e Dimensões não são tabelas do banco de dados, pois, no modelo dimensional, são componentes do cubo 
de um Data Warehouse. 
e) No modelo Estrela, as dimensões são normalizadas para tornar mais ágeis as consultas analíticas. 
 
Aula 4 
1. (Tribunal de Justiça do Estado do Rio Grande do Norte (TJ-RN) - Analista de Suporte Pleno - Banco de Dados - 
COMPERVE - 2020) 
A modelagem dimensional é amplamente aceita como uma técnica para expor dados analíticos, pois apresenta dados 
de maneira compreensível para usuários de negócio, bem como tem um desempenho rápido nas consultas. Nesse 
contexto, uma tabela de Dimensão: 
a) Fica no centro do modelo dimensional e as demais tabelas ao redor. 
b) Também é chamada de tabela de medidas. 
c) Pode ser categorizada como: aditiva, semiaditiva e não aditiva. 
d) Tem apenas uma coluna chave primária. 
e) Deve ser normalizada. 
 
2. (FCC - 2020 - AL-AP - Analista Legislativo - Desenvolvedor de Banco de Dados.) 
Duas definições de estruturas de dados estão determinadas para um projeto de Data Mart de uma loja de varejo: uma 
delas (tabela A) contém a data da venda, a identificação do produto vendido, a quantidade vendida do produto no dia 
e o valor total das vendas do produto no dia; a outra (tabela B) contém a identificação do produto, nome do produto, 
marca, modelo, unidade de medida de peso, largura, altura e profundidade da embalagem. 
a) Fato e Dimensão. 
b) ETL e Query. 
c) Fato e ETL. 
d) Dimensão e Réplica. 
e) Query e Réplica. 
 
Aula 5 
1. (Analista de desenvolvimento - ESAF - 2004) 
O Data Warehouse requer a definição e a implementação de procedimentos que efetuem a 
a) Extração de dados dos sistemas do nível operacional, a integração dos dados codificados a nível operacional, a 
agregação dos dados especializados e a manutenção de metadados. 
b) Extração de dados dos bancos de dados dos sistemas do nível operacional, a integração dos dados extraídos dos 
diferentes bancos de dados, a agregação dos dados integrados e a manutenção de metadados. 
c) Inserção de dados dos bancos de dados dos sistemas do nível operacional, a integração dos dados inseridos dos 
diferentes bancos de dados, a agregação dos dados conflitantes e a manutenção de metarotinas. 
d) Extração de dados dos bancos de dados dos sistemas do nível gerencial, a integração dos dados extraídos dos bancos 
de dados equivalentes, a integração dos dados agregados e a construção de metadados. 
e) Extração de dados dos sistemas do nível operacional, a integração dos dados inseridos nos diferentes bancos de 
dados, a agregação dos dados integrados a nível gerencial e a inserção de metadados. 
 
2. (CESGRANRIO - 2012 - LIQUIGÁS - Profissional Júnior - Administração de Banco de Dados) 
Considere o sistema de Data Warehouse para responder à questão. 
Definições do sistema Data Warehouse: 
. Tempo (hierarquia dada por semana, mês e ano). 
. Item (hierarquia dada por produto, família de produtos, marca). 
. Local (hierarquia dada por loja, cidade, estado, região). 
 
Sejam as seguintes consultas OLAP pedidas pelo cliente: 
 
I - Vendas semestrais de dois tipos de produtos específicos por região. 
II - Vendas diárias de uma marca em uma cidade. 
III - Vendas mensais por família de produtos por bairro. 
IV - Vendas trimestrais por família de produtos de duas regiões diferentes. 
 
De acordo com a hierarquia definida no sistema, são possíveis APENAS as consultas pedidas em: 
a) II e IV 
b) I e IV 
c) I, III e IV 
d) I e II 
e) III e IV 
 
Aula 6 
1. (CESGRANRIO - 2010 -Petrobrás - Analista de Sistemas Júnior - Processos de Negócios.) 
No contexto de Data Warehouses, o processo de Extração, Transformação e Carga (ETC): 
a) Apresenta, como algumas de suas tarefas, filtragem, integração, conversão, condensação e derivação dos dados 
de entrada, que podem ser originários de diversas fontes, inclusive externas aos sistemas OLTP da organização. 
b) Produz, ao seu término, uma série de tabelas (chamadas Fatos) que caracterizam-se por possuírem dados 
normalizados até a 3ª forma normal. 
c) Leva em consideração o modelo conceitual de dados das fontes de dados, que é geralmente expresso como modelo 
entidade-relacionamento. 
d) Revela-se como uma das etapas importantes do processo de criação do Data Warehouse, já que sua função é obter 
automaticamente os conhecimentos necessários para a padronização dos dados em modelos multidimensionais. 
e) Considera somente os dados provenientes de sistemas OLTP como válidos para o processo e, caso exista a 
necessidade de consideração de dados externos, estes devem ser importados para os sistemas legados. 
 
2. (FCC - 2019 - SANASA Campinas - Analista de Tecnologia da Informação - Análise e Desenvolvimento.) 
Atenção: Para responder à questão, considere a imagem a seguir. 
 
O Processo, representado na imagem por um retângulo vertical, é um método de alimentação do Data Warehouse a 
partir de diversos dados da organização. Trata-se de 
a) ETL 
b) ERP 
c) CRM 
d) EIS 
e) ODS 
 
Aula 7 
1. (AOCP - 2012 - TCE-PA - Assessor Técnico de Informática - Analista de Sistemas.) 
Para se transformar os dados conforme regras de negócio visando carregá-lo em um Data Warehouse, por exemplo, 
algumas fontes de dados podem requerer muita manipulação. Sendo assim, podem ser necessários um ou mais de um 
tipo de transformação, onde três deles são: 
a) Carga, Extração, Refinamento. 
b) Transposição, Junção, Derivação. 
c) Refinamento, Tradução, Componentização. 
d) Extração, Tradução, Junção. 
e) Extração, Pipeline, Componentização. 
 
2. (FCC - 2018 - DPE-AM - Analista em Gestão Especializado de Defensoria - Analista de Banco de Dados) 
Sobre o processo de ETL aplicado a Data Warehouse é correto afirmar que: 
a) A fase de carga de dados visa eliminar valores nulos contidos nos bancos de dados transacionais da empresa. 
b) A fase de transformação consiste em realizar modificações nos dados carregados, adequando seus valores ao 
modelo definido para o Data Warehouse. 
c) A fase de carga de dados consiste em inserir os dados transformados nos bancos de dados transacionais da empresa. 
d) As fases de extração e carga de dados são realizadas de forma simultânea. 
e) A fase de extração de dados consiste em obter os dados do servidor do Data Warehouse. 
 
Aula 8 
1. Sobre ETL (Extract, TransformandLoad), é correto afirmar que: 
a) Concentra a menor parte do esforço exigido no desenvolvimento de um Data Warehouse. 
b) Na fase de transformação dos dados não devem ser corrigidos erros de digitação ou descoberta de violações de 
integridade, por exemplo, para os dados serem mantidos como os originais. 
c) A extração e a carga são opcionais no processo, porém a transformação é obrigatória. 
d) Não necessariamente os dados necessitam ficar homogêneos para serem carregados no Data Warehouse, pois uma 
das funções deste último é resolver os conflitos que não foram resolvidos pela ETL. 
e) É o processo para tratamento dos dados de uma ou mais bases de dados de origem, para uma ou mais bases de 
dados de destino. 
 
2. (FCC - 2011 - TRT - 1ª REGIÃO (RJ) - Analista Judiciário - Tecnologia da Informação) 
Ao nível de sumarização dos elementos e de detalhes disponíveis nos dados em um DW dá-se o nome de: 
a) Integridade 
b) Relacionamento 
c) Capacidade 
d) Granularidade 
e) Arquitetura 
 
Aula 9 
1. (2019 COSEAC - 2019 - UFF - Técnico de Tecnologia da Informação) 
No Data Warehouse, a administração, a análise e a geração de relatórios sobre dados multidimensionais são realizadas 
por meio do modo de processamento: 
a) CORBA. 
b) Batch. 
c) OLAP. 
d) Data Mining. 
e) Data Marts. 
 
2. (2013 DNIT Analista Administrativo - Tecnologia da Informação Disciplina) 
São regras de avaliação de produtos OLAP: 
a) Visão conceitual multidimensional para formular consultas. Dimensionalidade genérica. Manipulação segmentada 
dos dados. Operações irrestritas com dimensões alternadas. 
b) Visão conceitual multidimensional para restringir consultas. Transparência ao usuário. Dimensionalidade genérica. 
Manipulação dedutiva dos dados. 
c) Transferência ao usuário. Desempenho consistente na geração de relatórios. Dimensionalidade cumulativa. 
Operações irrestritas com dimensões cruzadas. 
d) Extensão conceitual dos dados. Transparência ao dispositivo de acesso. Manipulação intuitiva dos dados. Operações 
irrestritas com indicações cruzadas. 
e) Visão conceitual multidimensional para formular consultas. Desempenho consistente na geração de relatórios. 
Dimensionalidade genérica. Manipulação intuitiva dos dados. 
 
Aula 10 
1. (PUC-PR - 2017 - TJ-MS - Técnico de Nível Superior - Analista de Banco de Dados.) 
O Microsoft Power BI é um pacote de ferramentas de análise de negócios que proporciona variadas visualizações de 
indicadores, criados a partir de processos que simplificam a preparação dos dados provenientes de diferentes fontes 
de dados. A apresentação de relatórios e dashboards é personalizada e preparada para publicação, compartilhamento 
e análise por integrantes de uma empresa, por meio de navegador Web ou dispositivos móveis. É uma forma rápida 
para disponibilização de diferentes exibições, exclusivas e completas dos negócios da empresa, com garantia de 
escalabilidade, governança e segurança. 
Com relação aos recursos e ferramentas disponíveis no Power BI, assinale a afirmativa CORRETA. 
a) Após a conexão com mais de uma fonte de dados, é possível transformar e combinar os dados coletados no Power 
BI, conforme a necessidade, em uma consulta útil. Há duas formas de combinar consultas: mesclando e acrescentando. 
Quando se tem uma ou mais colunas para adicionar a outra consulta, é preciso acrescentar a consulta. Quando se tem 
linhas adicionais de dados para serem adicionadas a uma consulta existente, é preciso mesclar as consultas. 
b) Quando duas ou mais tabelas são consultadas e carregadas ao mesmo tempo, o Power BI Desktop tenta localizar 
e criar relações, em que a cardinalidade, a direção e as propriedades de relação são definidas automaticamente. O 
Power BI Desktop procura por nomes de colunas que possam ser correspondentes, o que indica uma potencial 
relação. Se possível e desde que haja alto nível de confiança na existência da relação, essa é criada 
automaticamente. Caso contrário, a caixa de diálogo Gerenciar Relações ainda pode ser usada para criar ou editar 
relações. 
c) Quando existem dashboards ou relatórios que precisam ser acessados com mais frequência, é possível adicioná-los 
ao Favoritos, o que permite o acesso rápido e facilitado tanto ao dashboard quanto ao relatório a partir de todos os 
espaços de trabalho. 
d) No Power BI, os dashboards costumam ser confundidos com relatórios, pois ambos são telas com visualizações. 
Entre as diferenças importantes, podemos citar que, no dashboard, não é possível filtrar ou fatiar as visualizações, 
enquanto nos relatórios existem diferentes maneiras de filtrar, realçar e fatiar. Da mesma forma, no dashboard não é 
possível criar alertas para envio por e-mail quando determinadas condições são atendidas, mas nos relatórios isso é 
possível. 
e) Quando um conjunto de dados no Power BI é obtido a partir de um arquivo salvo em um computador local, .CSV ou 
.XLSX por exemplo, é preciso que a conta usada para acessar o equipamento seja a mesma usada para o logon do 
Power BI. Dessa forma, o conjunto de dados criados no site do Power BI terá não apenas a referência dessa conta de 
logon no Power BI, mas tambéma referência ao arquivo fonte, permitindo a sincronização desse conjunto de dados 
com sua fonte sempre que houver alterações, e mantendo as visualizações que exploram esses dados atualizadas. 
 
2. (FCC - 2014 - TCE-GO - Analista de Controle Externo - Tecnologia da Informação.) 
As ferramentas OLAP permitem efetuar a exploração dos dados de um Data Warehouse (DW). Em relação a este tema 
é correto afirmar que: 
a) Para navegar nas dimensões do DW são utilizadas as operações drill, que não afetam o nível de granularidade da 
consulta. 
b) As operações slice and dice realizam a alteração nos dados do DW modificando o nível de granularidade da consulta. 
c) A análise multidimensional representa os dados como tabelas, de forma semelhante aos bancos de dados 
relacionais. 
d) O resultado das operações OLAP não permite a descoberta de tendências e cenários; isso é possível por meio de 
sistemas ERP, capazes de transformar dados do DW em informações estratégicas. 
e) Combinando as dimensões, o usuário tem uma visão dos dados de um DW, podendo efetuar operações básicas 
como slice and dice, drill down e roll up