TI EXP ISS ARAC - A 02 - Modelagem dimensional

Prévia do material em texto

S 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Aula – Business Intelligence 
Curso: Tecnologia da Informação 
Professor: Ramon Souza 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 2 de 88 
www.exponencialconcursos.com.br 
 
 
 
ASSUNTOS PÁGINA 
1. INTRODUÇÃO À BUSINESS INTELLIGENCE E DATA WAREHOUSE .......... 4 
1.1 Conceitos e aplicações ....................................................................... 4 
1.2 Data Warehouse ............................................................................... 7 
1.3 Processo de Data Warehousing ......................................................... 10 
1.4 Arquiteturas de Data Warehousing .................................................... 11 
1.5 Abordagens de desenvolvimento de Data Warehouse ........................... 12 
2. MODELAGEM DIMENSIONAL .......................................................... 13 
2.1 Noções de Modelagem dimensional .................................................... 14 
2.2 Tabelas fato e tabelas dimensão ....................................................... 15 
2.3 Tipos de tabelas fato ....................................................................... 21 
2.4 Esquemas multidimensionais ............................................................ 26 
2.5 As 10 Regras Essenciais para a Modelagem de Dados Dimensional ........ 30 
3. OLAP .......................................................................................... 33 
3.1 Análise de dados em um ambiente dimensional com OLAP ................... 33 
3.2 Tipos ou variações OLAP .................................................................. 35 
3.3 Operações OLAP .............................................................................. 38 
4. ETL ............................................................................................. 44 
5. QUESTÕES COMENTADAS ............................................................. 46 
6. RISCO EXPONENCIAL .................................................................... 52 
7. LISTAS DE EXERCÍCIOS ................................................................ 75 
8. GABARITO ................................................................................... 79 
9. REFERÊNCIAS .............................................................................. 88 
 
 
 
Aula – Business Intelligence (BI): Data Warehouse, modelagem 
multidimensional, OLAP e ETL. 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 3 de 88 
www.exponencialconcursos.com.br 
Para facilitar sua referência, abaixo listamos as esquematizações desta aula: 
Esquema 1 – Arquitetura de BI. ........................................................................................ 5 
Esquema 2 – Data Warehouse (DW). ................................................................................. 7 
Esquema 3 – Processo de Data Warehousing. .................................................................... 10 
Esquema 4 – Arquiteturas de Data Warehouse. ................................................................. 11 
Esquema 5 – Abordagens de desenvolvimento de um DW. .................................................. 12 
Esquema 6 – Modelagem dimensional. ............................................................................. 15 
Esquema 7 – Tabelas fato e tabelas dimensão. .................................................................. 19 
Esquema 8 – Tipos de tabelas fatos. ................................................................................ 23 
Esquema 9 – Esquemas multidimensionais. ....................................................................... 29 
Esquema 10 – OLTP x OLAP. ........................................................................................... 33 
Esquema 11 – Variações OLAP. ........................................................................................ 36 
Esquema 12 – Operações OLAP. ...................................................................................... 42 
Esquema 13 – Processo de ETL. ....................................................................................... 45 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 4 de 88 
www.exponencialconcursos.com.br 
1. INTRODUÇÃO À BUSINESS INTELLIGENCE E DATA WAREHOUSE 
 
1.1 Conceitos e aplicações 
A mudança no ambiente organizacional força as organizações a serem 
mais ágeis e a tomarem frequentes decisões estratégicas e operacionais. Essas 
decisões requerem consideráveis dados, informações e conhecimento, exigindo 
processamento em tempo real e com considerável suporte computacional. 
Estas mudanças no ambiente organizacional, o crescente poder de 
processamento e sofisticação das ferramentas e técnicas analíticas foram 
acompanhadas de uma grande demanda para melhorar o desempenho de 
acesso aos dados dos bancos de dados. 
Neste contexto, atualmente, existe uma grande necessidade de oferecer 
aos que tomam decisões, da gerência intermediária para cima, informações no 
nível correto de detalhe para dar suporte à atividade de tomada de decisão. 
Com esse objetivo, surgem o Data Warehousing, o processamento analítico on-
line (OLAP) e a mineração de dados, que estão inseridos em no contexto dos 
sistemas de suporte à decisão ou Business Intelligence (BI). 
 
Vejamos inicialmente do que se trata o BI. 
 
O termo Business Intelligence (BI) é um conceito guarda-chuva que 
combina arquitetura, ferramentas, bancos de dados, ferramentas 
analíticas, aplicações e metodologias com os objetivos de habilitar o 
acesso interativo aos dados, habilitar a manipulação desses dados e 
prover aos gerentes de negócios e analistas a habilidade de conduzir 
análises apropriadas. 
 
Para Turban, um sistema de BI é composto por quatro componentes: 
❖ Data Warehouse: constitui a pedra angular de um sistema de BI; é 
o repositório de dados atuais e históricos de potencial interesse 
para gestores de toda a organização. 
 
❖ Business Analytics ou análise de negócios: variedade de 
ferramentas e técnicas para trabalhar dados e informações. 
Inclui: 
o (1) Relatórios e consultas; 
o (2) Dados, texto, mineração e ferramentas estatísticas; 
 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 5 de 88 
www.exponencialconcursos.com.br 
❖ Business Process Management (BPM), Corporate Performance 
Management (COM) ou Gerenciamento de Desempenho de 
Negócio: portfólio de aplicações e metodologias que contém a 
evolução da arquitetura e ferramentas de BI. Ampliam o 
monitoramento, medição e comparação de indicadores de 
desempenho e abrangem processos de planejamento e previsão. 
 
❖ User Interface ou interfaces de usuário: fornecem a visualização 
de dados para os gestores. Como exemplos dessas ferramentas, 
temos: 
o Dashboards (painéis); 
o Portais corporativos, cockpits e outras ferramentas de 
visualização; 
o Sistemas de Informações Geográficas (SIG). 
 
A arquitetura de BI pode ser sintetizada pelo esquema a seguir. 
 
Esquema 1 – Arquitetura de BI. 
 
Business Intelligence 
Combina arquitetura, ferramentas, bancos de dados, ferramentas analíticas, 
aplicações e metodologias com os objetivos de habilitar o acesso interativo aos 
dados, habilitar a manipulação desses dados e prover aos gerentes de negócios e 
analistas a habilidade de conduzir análises apropriadas
Data Warehouse
Repositório de dados 
atuais e históricos de 
potencial interesse 
para gestores de toda 
a organização.
Business Analytics 
Variedade de 
ferramentas e 
técnicas para 
trabalhar dados e 
informações. 
Business Process 
Management 
(BPM)
Ampliam o 
monitoramento, 
medição e 
comparação de 
indicadores de 
desempenho.
User Interface 
Fornecema 
visualização de 
dados para os 
gestores. Ex.: 
dashboars, cockpits, 
portais. 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 6 de 88 
www.exponencialconcursos.com.br 
1- (CESPE - 2019 - SEFAZ-RS - Auditor Fiscal da 
Receita Estadual - Bloco I) A respeito do BI (business intelligence), assinale 
a opção correta. 
a) O BI consiste na transformação metódica e consciente das informações 
exclusivamente prestadas pelos tomadores de decisão em novas formas de 
conhecimento, para evolução dos negócios e dos resultados organizacionais. 
b) ETL é o processo de análise de dados previsto pela arquitetura de BI. 
c) As técnicas do BI objetivam definir regras para a formatação adequada dos 
dados, com vista a sua transformação em depósitos estruturados de 
informações, sem considerar a sua origem. 
d) O repositório de dados analíticos de BI é representado pelas diversas bases 
de dados relacionais e por repositórios de dados que utilizem modelagens 
relacionais. 
e) A camada de apresentação de uma arquitetura de BI é aquela em que as 
informações são organizadas e centralizadas. 
Resolução: 
Vamos comentar os itens: 
a) Incorreto: as informações tratadas pelo BI não são exclusivamente 
prestadas pelos tomadores de decisão, mas sim provenientes de diversas 
fontes. 
b) Incorreto: ETL é o processo de Extração, Transformação e Carga dos dados 
para o ambiente de BI. Para análise são usadas outras ferramentas, como OLAP 
e Data Mining. 
c) Correto: A pedra angular do BI é o Data Warehouse, que centraliza dados 
de diversas fontes em uma estrutura multidimensional (tabelas fato e tabelas 
dimensão). 
d) Incorreto: O repositório no ambiente de BI é o Data Warehouse, que utiliza 
o modelo multidimensional e não o modelo relacional. 
e) Incorreto: A camada de apresentação é a utilizada para fornecer a 
visualização de dados para os gestores. Como exemplos dessas ferramentas, 
temos: Dashboards (painéis); Portais corporativos, cockpits e outras 
ferramentas de visualização; Sistemas de Informações Geográficas (SIG). Os 
dados são organizados e centralizados a partir do uso de ETL. 
Gabarito: Letra C. 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 7 de 88 
www.exponencialconcursos.com.br 
1.2 Data Warehouse 
 Sendo o Data Warehouse (armazém de dados) a pedra angular de 
um sistema de Business Intelligence, vamos detalhá-lo um pouco mais. 
Os Data Warehouses oferecem armazenamento, funcionalidade e 
responsividade às consultas além das capacidades dos bancos de dados 
orientados à transação, servindo principalmente para aplicações de apoio a 
decisão; são otimizados para recuperação de dados, e não para o 
processamento de transação de rotina; oferecem acesso a dados para análise 
complexa, descoberta de conhecimento e tomada de decisão; e dão suporte a 
demandas de alto desempenho sobre os dados e informações. 
Um Data Warehouse (DW) é um conjunto de dados produzidos 
para apoiar a tomada de decisão, ou um repositório de dados atuais e 
históricos de potencial interesse para gestores de toda a organização. 
Para Inmon, um Data Warehouse é uma coleção de dados orientada 
a assunto, integrada, não volátil, variável no tempo para suporte às 
decisões da gerência. Vejamos estas características de modo mais detalhado: 
❖ Orientado a assunto: os dados armazenados em um DW são 
organizados por assunto, tratando de temas específicos e importantes 
para o negócio da organização. 
 
❖ Integrados: o DW é um depósito de dados integrados de múltiplas 
fontes, processados para armazenamento em um modelo 
multidimensional. 
 
❖ Variante no tempo: um DW mantém os dados históricos, permitindo 
a detecção de tendências, desvios e relações de longo prazo para 
previsões e comparações. 
 
❖ Não voláteis: depois que os dados são inseridos em um DW, os 
usuários não podem modificá-los ou atualizá-los. De modo geral, são 
permitidas apenas operações de carga e consulta. 
 
De forma esquemática, temos: 
 
Esquema 2 – Data Warehouse (DW). 
Data Warehouse
Orientados a 
assunto
Integrados Variante no tempo Não voláteis
Repositório de dados atuais e 
históricos de potencial interesse 
para gestores de toda a organização. 
Conjunto de dados 
produzidos para apoiar a 
tomada de decisão. 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 8 de 88 
www.exponencialconcursos.com.br 
 
DÚVIDAS E POLÊMICAS 
A carga de dados em um Data Warehouse é realizada apenas 
inicialmente ou pode ser realizada de forma periódica? 
Caros, um cuidado importante deve ser tomado para a interpretação de algumas 
questões sobre a carga dos dados, pois algumas questões afirmam que a carga 
só é realizada uma vez e outras afirmam que a carga pode ser realizada de 
forma periódica. 
Vejamos: 
 ((FCC - 2015 - TRT - 4ª REGIÃO (RS) - Analista Judiciário 
- Tecnologia da Informação)) 
d) o Data Warehouse não é volátil, permite apenas a carga inicial dos dados e 
consultas a estes dados. Além disso, os dados nele armazenados são precisos 
em relação ao tempo, não podendo ser atualizados. 
Gabarito: Letra D. 
 
 (FCC - 2016 - Prefeitura de Teresina - PI - Analista 
Tecnológico - Analista de Suporte Técnico) O processo ETL é uma etapa 
importante no projeto de um data warehouse. No processo ETL, 
e) um intervalo possível para a carga periódica de dados no data warehouse é 
de 24 horas. 
Gabarito: Letra E. 
 
Caros, a diferença entre as duas questões é de interpretação: 
Na primeira, ela está fazendo alusão justamente a característica da não 
volatilidade, logo é permissivo aceitar que o DW permite apenas a carga inicial 
de dados, pois essa restrição se refere a impossibilidade de alteração. 
Já na segunda, embora pareça estranho, as cargas periódicas não ferem a 
característica da não volatilidade, pois estas cargas são de novos dados e não 
para alteração dos dados. 
 
 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 9 de 88 
www.exponencialconcursos.com.br 
2- (CESPE - 2019 - SEFAZ-RS - Auditor Fiscal da 
Receita Estadual - Bloco I) 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: 
Vamos analisar os itens: 
a) Incorreto: trabalham com dados atuais e históricos. 
b) Incorreto: o foco não é nas transações, mas na consulta de dados. 
c) Incorreto: os bancos transacionais também podem ter vários usuários. 
d) Correto: dimensionalidade genérica diz respeito a capacidade de tratar 
informações em qualquer quantidade de dimensões. Devido às várias dimensões 
existentes, deve haver vários níveis de agregação dos dados. 
e) Incorreto: utilizam ferramentas OLAP e não OLTP. 
Gabarito: Letra D. 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 10 de 88 
www.exponencialconcursos.com.br 
1.3 Processo de Data Warehousing 
De forma mais geral, podemos falar no processo de Data Warehousing 
para nos referir a uma coleção de tecnologias de apoio à decisão, visando 
a habilitar a tomada de decisões melhores e mais rápidas. Este processo inclui 
as ferramentas de ETL (extração, transformação e carga) para realizar a limpeza 
e formatação dos dados carregados de múltiplas fontes. Inclui também OLAP, 
mineração de dados e DSS (sistemas de suporte à decisão)para gerar 
informações importante com base nos dados do DW. 
O processo de Data Warehousing é representado na figura a seguir, 
adaptada de Turban. 
 
Esquema 3 – Processo de Data Warehousing. 
 Podemos notar a característica de integração do DW, uma vez que as 
fontes de dados (data sources) são diversas, podendo ser sistemas 
legados, sistemas de gestão empresarial, dados da web ou dados externos. 
 O processo de ETL (extração, transformação e carga) é responsável 
por trazer os dados para o DW de forma organizada, realizando a extração 
desses dados de suas fontes, efetuando a limpeza ou ajustes desses dados e 
carregando-os para o armazém de dados. Os dados são carregados para uma 
área de preparação (staging area). 
 O EDW (Banco de Dados Abrangente) é o repositório central utilizado 
para suportar todas as análises de decisões. Podem ser armazenados também 
os metadados referentes aos dados do EDW. 
 Dependendo da abordagem utilizada, os Data Marts são utilizados para 
armazenar subconjunto de dados dos DW, abrangendo uma determinada área 
de assunto ou departamento da organização. 
 As ferramentas de middleware permitem o acesso ao DW. Entre estas 
ferramentas, destacam-se a OLAP e a mineração de dados (data mining). 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 11 de 88 
www.exponencialconcursos.com.br 
1.4 Arquiteturas de Data Warehousing 
 Do ponto de vista arquitetural, os Data Warehouses podem ser projetados 
para armazenar todos os dados em um único repositório (EDW – Enterprise-
Wide Data Warehouse) ou em repositórios menores divididos por assuntos 
ou departamentos (DM - Data Marts). Há, ainda, algumas alternativas a estes 
tipos básicos que não são nem EDW puros nem DM puros. 
 A figura a seguir, adaptada de Turban, resume as arquiteturas para DW. 
 
Esquema 4 – Arquiteturas de Data Warehouse. 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 12 de 88 
www.exponencialconcursos.com.br 
1.5 Abordagens de desenvolvimento de Data Warehouse 
Para criar os data warehouses, as organizações podem optar por uma de 
duas abordagens concorrentes. 
❖ Abordagem EDW ou de Bill Inmon: abordagem de 
desenvolvimento de cima para baixo (top-down) que adapta 
metodologias e ferramentas de banco de dados relacionais 
tradicionais às necessidades de desenvolvimento de um data 
warehouse de toda a empresa. Nesta abordagem, primeiramente é 
construído o Data Warehouse, modelando toda a empresa para se 
chegar a um único modelo corporativo, partindo posteriormente 
para os Data Marts construídos por assuntos ou departamentais. 
 
❖ Abordagem de Data Mart ou de Ralph Kimball: abordagem de 
baixo para cima (bottom-up) que emprega modelagem 
dimensional. Baseia-se na ideia de “plano grande, construção 
pequena” ou “dividir para conquistar”, isto é, o mais viável para as 
empresas é desenvolver vários Data Marts para posteriormente 
integrá-los e, assim, chegar-se ao EDW. 
 
A seguir apresentamos um esquema que diferencia estas duas abordagens. 
 
Esquema 5 – Abordagens de desenvolvimento de um DW. 
 
 
Inmon ou EDW
•Abordagem Top-down.
•EDW alimenta os data marts departamentais 
(DW->DM).
•Adapta metodologias e ferramentas de 
banco de dados relacionais.
•Modelo de dados normalizado (3FN).
•Orientado a assunto ou a dados.
•Baixa acessibilidade a usuários finais, mas 
voltado para os profissionais de TI.
•Fornece uma solução técnica baseada em 
métodos e técnicas comprovadas de BD.
•Consultas realizadas nos data marts.
Kimball ou Data Mart
•Abordagem Bottom-up.
•Data marts são integrados por um barramento 
ou middleware (DM->DW).
•Emprega modelagem dimensional.
•Modelo de dados não normalizado.
•Orientado a processo.
•Alta acessibilidade a usuários finais.
•Entrega uma solução que torna fácil o acesso 
direto pelos usuários às consultas aos 
dados com bons tempos de resposta.
•Consultas realizadas no Data Warehouse.
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 13 de 88 
www.exponencialconcursos.com.br 
3- (CESPE - 2010 - TRE-MT - Programador de 
computador - ADAPTADA) Com relação aos conceitos de modelagem 
dimensional, assinale a opção correta. 
a) Na abordagem utilizada por Kimball, todos os dados de uma empresa são 
reunidos em um repositório central, caracterizado por um projeto dimensional, 
e que pode ser consultado diretamente. 
b) A abordagem de Inmon consolida todas as informações de uma empresa em 
um repositório central chamado data warehouse corporativo. Essa abordagem 
é caracterizada por um projeto na terceira forma normal, no qual os dados são 
consultados diretamente por aplicativos de data warehouse. 
c) Na abordagem de Kimball, os data marts são adaptados às necessidades e 
pontos de vista de um grupo de negócios específico, suportando a modelagem 
dimensional, e são consultados por aplicativos de data warehouse. 
d) A abordagem de data marts autônomos tem foco empresarial e atende às 
necessidades dentro de uma área de assunto. Seu desenvolvimento necessita 
explorar o uso de elementos de dados comuns em toda a empresa. 
Resolução: 
Questão que requer o conhecimento das diferenças entre as duas abordagens 
para o desenvolvimento de banco de dados: a de Inmon e a de Kimball. 
Vamos a análise dos itens: 
a) Correto: Kimball adota uma abordagem que inicia pela construção de data 
marts que são agregados ou reunidos em um data warehouse. Dessa forma, o 
que fica disponível para ser acessado é o DW que é um grande repositório sobre 
todas as informações da organização. 
b) Incorreto: Na abordagem de Inmon, constrói-se inicialmente o DW com 
todos os dados da organização que alimenta os DMs departamentais. As 
ferramentas de consultas operam sobre os DMs e não sobre o DW. 
c) Incorreto: Conforme discutido no item A, na abordagem de Kimball, o que 
é acessado é o DW e não os data marts. 
d) Incorreto: Os data marts têm foco departamental ou setorial e não 
empresarial, além disso, os elementos de dados comuns são considerados no 
data warehouse e não nos data marts individuais. 
Gabarito: Letra A. 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 14 de 88 
www.exponencialconcursos.com.br 
 
 
 
 
 
C 
 
 
2. MODELAGEM DIMENSIONAL 
 
2.1 Noções de Modelagem dimensional 
Inicialmente, é importante citar que a modelagem dimensional ou 
multidimensional é a técnica de modelagem de banco de dados utilizada 
para a representação dos dados nos bancos de dados multidimensionais. 
A modelagem dimensional é usada para o auxílio às consultas em 
um Data Warehouse nas mais diferentes perspectivas, definindo a 
representação e armazenamento dos dados nestes repositórios, bem como 
promovendo o processamento de consultas multidimensionais complexas. A 
visão multidimensional permite, ainda, o uso mais intuitivo para o 
processamento analítico pelas ferramentas OLAP (On-line Analytical 
Processing), que possibilitam a análise de dados complexos do Data Warehouse. 
Navathe destaca que os modelos multidimensionais tiram proveito dos 
relacionamentos inerentes nos dados para preencher os dados em matrizes 
multidimensionais, chamadas de cubos de dados. 
Ressalta-se que para dados organizados no formato dimensional, o 
desempenho da consulta nas matrizes multidimensionais pode ser muito 
melhor do que no modelo de dados relacional. Os dados do cubo podem 
ser consultados diretamente a partir de qualquer combinação de suas 
dimensões. Os cubos que possuem mais de três dimensões são chamados de 
hipercubos, mas não são facilmente apresentados de maneira gráfica. 
 
EXEMPLO: 
Vejamos um exemplo de representação do modelo multidimensional por um 
cubo de dados tridimensional que organiza os dadosde vendas de produtos 
por trimestres fiscais e por região. 
Cada célula neste modelo representa 
dados de um produto específico, em um 
trimestre fiscal específico e para uma 
determinada região. 
As consultas neste modelo são realizadas 
diretamente a partir da combinação das 
dimensões, por exemplo, podemos 
consultar o total de vendas de um 
produto P123 em uma determinada 
região Reg1. 
 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 15 de 88 
www.exponencialconcursos.com.br 
Vamos consolidar estes conceitos iniciais com um esquema!!! 
 
Esquema 6 – Modelagem dimensional. 
4- (CESPE - 2011 - MEC - Analista de Sistemas) Com 
relação à arquitetura OLAP, julgue o item seguinte. 
Um cubo, ou hipercubo, é um array multidimensional no qual um grupo de 
células de dados é organizado segundo as dimensões dos dados. 
Resolução: 
Assertiva de acordo com a definição do cubo de dados utilizado no modelo 
dimensional ou multidimensional. 
Segundo Navathe, os modelos multidimensionais tiram proveito dos 
relacionamentos inerentes nos dados para preencher os dados em matrizes 
multidimensionais, chamadas de cubos de dados. Nestes cubos, o 
desempenho da consulta pode ser muito melhor do que no modelo de 
dados relacional e os dados podem ser consultados diretamente a partir 
de qualquer combinação de suas dimensões. Os cubos que possuem mais 
de três dimensões são chamados de hipercubos, mas não são facilmente 
apresentados de maneira gráfica. 
Gabarito: Certo. 
 
Modelagem 
dimensional
Técnica de modelagem 
de BD utilizada para a 
representação dos dados 
nos BDs 
multidimensionais.
Dados são modelados em 
matrizes 
multidimensioanais ou 
cubos de dados.
Desempenho da consulta 
no cubo pode ser muito
melhor do que no 
modelo de dados 
relacional.
Os dados do cubo podem 
ser consultados 
diretamente a partir de 
qualquer combinação de 
suas dimensões.
Auxílio às consultas em 
um Data Warehouse.
Permite uso mais 
intuitivo para o 
processamento analítico 
pelas ferramentas OLAP. 
Hipercubo: matriz com 
mais de três dimensões. 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 16 de 88 
www.exponencialconcursos.com.br 
2.2 Tabelas fato e tabelas dimensão 
O modelo de armazenamento dimensional envolve dois tipos de tabelas: 
tabelas de dimensão e tabela de fatos. Uma tabela de dimensão consiste em 
tuplas de atributos da dimensão. Uma tabela de fatos pode ser imaginada 
como tendo tuplas, uma para cada fato registrado. Este fato contém alguma(s) 
variável(is) e a(s) identifica com ponteiros para tabelas de dimensão. A tabela 
de fatos contém os dados, e as dimensões identificam cada tupla nesses dados. 
Uma tabela de fatos, ou simplesmente tabela-fato, contém uma 
grande quantidade de tuplas que correspondem aos fatos observados 
decorrentes de processos de negócios e links externos, sendo formada 
por atributos descritivos necessários para realizar a análise de decisões 
e relatórios de consulta. 
Os atributos de análise de decisão das tabelas fato consistem em 
medidas de desempenho, métricas operacionais, medidas agregadas e 
todas as outras métricas necessárias para analisar o desempenho da 
organização. Cada medida é representada em uma linha da tabela fato e deve 
estar em um mesmo nível de detalhe ou granularidade. Como as tabelas 
fato representam as medidas em um modelo dimensional, dizemos que elas 
possuem característica quantitativa dentro de um DW. 
Os fatos podem ser aditivos, semi-aditivos ou não aditivos. 
❖ Medidas aditivas ou fatos aditivos: são os fatos mais úteis e 
frequentes em um DW, obtidos por meio da soma de valores 
gerados pela seleção de membros das dimensões. São medidas 
cruciais, pois as aplicações de data warehouse quase nunca recuperam 
uma única linha de dados. Em vez disso, eles trazem centenas, 
milhares ou milhões de linhas de fato ao mesmo tempo, e a coisa mais 
útil a fazer com tantas linhas é somá-las. Ex.: lucro líquido. 
 
❖ Medidas semi-aditivas ou fatos semi-aditivos: são as medidas 
obtidas a partir da soma de apenas uma parte das dimensões. 
Ex.: quantidade em estoque (não utiliza dimensão tempo). 
 
❖ Medidas não-aditivas ou fatos não-aditivos: não podem ser 
adicionados. Em geral, para agregar as linhas é necessário percorrer 
uma linha por vez. Ex.: porcentagem de vendas. 
Embora seja raro, um fato pode ser textual. Na maioria dos casos, uma 
medida textual é uma descrição de algo e é gerada a partir de uma lista 
discreta de valores. Informações textuais redundantes não são 
armazenadas em tabelas de fato, a menos que o texto seja exclusivo para 
cada linha na tabela de fatos. De todo modo, o projetista deve envidar todos os 
esforços para colocar as medidas textuais em dimensões porque elas podem ser 
correlacionadas de forma mais eficaz com os outros atributos de dimensão 
textual e consumirão muito menos espaço. 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 17 de 88 
www.exponencialconcursos.com.br 
 
 
 
 
 
Todas as tabelas de fatos têm duas ou mais chaves estrangeiras, que 
se conecta às chaves primárias das tabelas de dimensões. Por exemplo, a chave 
do produto na tabela de fatos sempre combinará uma chave de produto 
específica na tabela de dimensão do produto. A tabela de fatos é acessada 
através das tabelas de dimensões relacionadas a ela. 
A própria tabela de fatos tem sua própria chave primária composta 
formada por um subconjunto das chaves estrangeiras. Essa chave é chamada 
de uma chave composta ou concatenada. Toda tabela de fatos em um modelo 
dimensional tem uma chave composta e, inversamente, toda tabela que 
possui uma chave composta é uma tabela de fatos. Outra maneira de dizer 
isso é que, cada tabela que expressa um relacionamento de muitos para 
muitos deve ser uma tabela de fatos. Todas as outras tabelas são tabelas 
de dimensão. É importante destacar que a dimensão tempo é sempre 
representada como parte da chave primária de uma tabela de fatos, pois 
como o modelo multidimensional armazena dados históricos, é importante saber 
qual o período do registro. Se não tivermos uma dimensão temporal associada, 
perderíamos essa característica básica do modelo. 
A chave composta da tabela fato é, geralmente, formada por apenas um 
subconjunto de componentes da tabela, não sendo necessariamente formada 
por todas as dimensões relacionadas a ela. Em raríssimos caso, há necessidade 
de criação de uma chave identificadora (ROWID), no entanto isto torna a tabela 
de fatos maior e não possibilita o uso de índices. 
EXEMPLO: 
Vejamos um exemplo de uma tabela de fatos para vendas diárias. 
Tabela Fato de Vendas Diárias 
Chave Data (FK) 
Chave Produto (FK) 
Chave Loja (FK) 
Quantidade vendida 
Valor da venda 
A tabela fato deste exemplo está associada ao evento de negócios venda diária. 
Note que os atributos desta tabela são medidas associadas ao negócio, por 
exemplo, quantidade vendida e valor da venda representam medidas 
importantes para a tomada de decisão dos gestores da organização. Os 
atributos desta tabela podem ser utilizados pelo gestor para identificar diversas 
questões como a quantidade de vendas realizadas em cada uma das lojas do 
grupo, qual o produto tem maior saída, entre outros. 
Perceba que a tabela fato possui três chaves estrangeiras (representadas por 
FK), que referenciam as chaves primárias das tabelas dimensão Data, Produto 
e Loja. Neste exemplo, pode ser definida, por exemplo, a chave primária como 
sendo composta por apenas estes três atributos, pois, eles servem para 
identificar unicamente cada um dos eventos. A dimensão Data integra esta 
tabela, pois, sempre deverá haver uma dimensão tempo associada a chave 
primária de uma tabela fato. 
Curso: Tecnologiada Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 18 de 88 
www.exponencialconcursos.com.br 
 
 
 
 
 
 
 
 
 
As tabelas de dimensões, ou simplesmente tabelas-dimensões, 
contêm informações de classificação e agregação sobre as linhas da 
tabela fato. As tabelas de dimensões contêm atributos que descrevem os 
dados contidos na tabela de fatos; elas abordam como os dados serão 
analisados e resumidos. 
As tabelas de dimensão representam entidades de negócios e 
constituem as estruturas de entrada que servem para armazenar informações 
como tempo, geografia, produto, cliente. As tabelas de dimensão geralmente 
representam relacionamentos hierárquicos no negócio (por exemplo, 
produtos se associam a subcategorias que se associam a categorias). Dizemos 
que elas possuem característica qualitativa dentro de um DW. 
Os atributos de dimensão são, geralmente, textuais e discretos e 
servem como a principal fonte de restrições de consulta, agrupamentos 
e rótulos de relatório, desempenhando papel vital na utilização e 
compreensão do DW. Kimball destaca a importância dos atributos de dimensão 
sob vários aspectos, afirmando que o DW é tão bom quanto à qualidade e 
profundidade dos atributos de dimensão. 
As tabelas de dimensão são acompanhantes integrais de uma tabela 
de fatos, contendo os descritores textuais do negócio. Em um modelo 
dimensional bem concebido, as tabelas de dimensão têm muitas colunas 
ou atributos. Esses atributos descrevem as linhas na tabela de dimensões. 
Cada dimensão é definida por uma única chave primária, geralmente 
simples, que visa garantir a integridade referencial com qualquer tabela de fato 
a que ela está unida. 
EXEMPLO: 
Vejamos um exemplo de uma tabela de dimensão para Produtos. 
Tabela Dimensão Produtos 
Chave Produto (PK) 
Descrição do Produto 
Código do Produto 
Descrição completa 
Categoria 
Departamento 
Tipo de embalagem 
Tamanho da embalagem 
Peso 
E muitos outros... 
Esta tabela representa uma entidade de negócios: a entidade Produto. Perceba 
que ela contém informações de classificação e agregação das linhas da tabela 
fato apresentada anteriormente. A tabela fato apenas possui um atributo 
indicando a chave do produto, mas a tabela dimensão possui uma série de 
atributos que descrevem em maior profundidade um produto. Existe uma única 
chave primária para a tabela dimensão que nesse caso é o atributo Chave 
Produto. Essa chave é referenciada por uma chave estrangeira da tabela fato. 
Por possuir natureza descritiva ou qualitativa, os atributos da tabela são, 
geralmente, textuais, como podemos identificar nos diversos atributos de 
descrição do exemplo (Descrição do Produto, Descrição Completa, etc.). 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 19 de 88 
www.exponencialconcursos.com.br 
Vamos fixar as tabelas fato e tabelas dimensão com um esquema!!! 
 
Esquema 7 – Tabelas fato e tabelas dimensão. 
Geralmente simples 
Raros e devem 
ser evitados 
Ex. porcentagem 
de vendas 
Ex. quantidade 
em estoque 
Ex. Lucro líquido 
Tabela Fato Tabela Dimensão 
Modelo Dimensional 
Tuplas que 
correspondem aos 
fatos observados 
decorrentes de 
processos de 
negócios e links 
externos. 
Formada por 
atributos 
descritivos 
necessários para 
realizar a análise 
de decisões e 
relatórios de 
consulta. 
Contêm 
informações 
de 
classificação 
e agregação 
sobre as linhas 
da tabela fato. 
Abordam 
como os 
dados serão 
analisados 
e 
resumidos. 
Representam 
entidades 
de negócio, 
geralmente 
com 
relacioname
nto 
hierárquico. 
Característica quantitativa no DW Característica qualitativa no DW 
Atributos consistem em medidas de 
desempenho, métricas operacionais, 
medidas agregadas e outras métricas. 
Atributos são, geralmente, textuais e discretos. 
Aditivas 
Fatos ou medidas podem ser: 
Não aditivas 
Semi-aditivas 
Textual 
Atributos servem como fonte de: 
Restrições de consulta 
Agrupamentos 
Rótulos de relatório 
Geralmente têm muitas colunas ou atributos. 
Única chave primária para 
cada dimensão 
Chave primária composta 
Duas ou mais chaves 
estrangeiras por tabela fato 
Chaves e relacionamentos entre as tabelas fato e dimensão 
Dimensão Tempo 
Sempre possui 
Um subconjunto das chaves 
estrangeiras pode identificar 
unicamente a tabela fato. 
 
Conectam a tabela fato 
às tabelas dimensão. 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 20 de 88 
www.exponencialconcursos.com.br 
É importante ressaltar que nem sempre fica claro se um campo é um fato 
que deve ser colocado na tabela de fatos ou se é um atributo de dimensão. A 
decisão pode ser tomada com base no questionamento se o campo assume 
muitos valores e participa de cálculos (tornando-se um fato) ou é uma descrição 
discretamente valorada que é mais ou menos constante e participa de restrições 
(tornando-se um atributo dimensional). Por exemplo, o custo padrão para um 
produto parece ser um atributo constante do produto, mas pode ser alterado 
com tanta frequência que, eventualmente, pode ser mais adequado modelá-lo 
como como um fato medido. 
5- (CESPE - 2018 - CGM de João Pessoa - PB - Auditor 
Municipal de Controle Interno - Desenvolvimento de Sistemas) A 
respeito de business intelligence, julgue o próximo item. 
Na modelagem multidimensional utilizada em data warehouses para se prover 
melhor desempenho, a tabela fato central deve relacionar-se às suas dimensões 
por meio da chave primária oriunda da fonte de dados original. O valor dessa 
chave deve ser idêntico ao da fonte, para que tenha valor semântico e garanta 
que o histórico das transações seja mantido. 
Resolução: 
A relação entre a tabela fato é as tabelas dimensões é através das chaves 
primárias das próprias dimensões e não das fontes de dados originais. 
Todas as tabelas de fatos têm duas ou mais chaves estrangeiras, que se 
conecta às chaves primárias das tabelas de dimensões. Por exemplo, a chave 
do produto na tabela de fatos sempre combinará uma chave de produto 
específica na tabela de dimensão do produto. A tabela de fatos é acessada 
através das tabelas de dimensões relacionadas a ela. 
Gabarito: Errado. 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 21 de 88 
www.exponencialconcursos.com.br 
2.3 Tipos de tabelas fato 
 
Uma tabela fato pode ser de seis tipos: 
 
❖ Fato transacional: são as mais comuns. A maioria dos bilhões de 
linhas que temos no Data Warehouse são de tabelas fato transacional. 
Uma linha em uma tabela de fato da transação corresponde a um evento 
de medição em um ponto no espaço e no tempo. Elas geralmente 
utilizam métricas aditivas. Essas tabelas de fato sempre contêm uma 
chave estrangeira para cada dimensão associada e, opcionalmente, 
possuem marcadores de tempo precisos e chaves de dimensão 
degeneradas (derivadas de tabela fatos e sem dimensões associadas). 
 
Armazena os dados basicamente de duas formas: 
o Transação por linha: a cada transação que ocorre, uma linha é 
inserida. Ex.: em um fato de vendas, a cada venda, uma linha é 
inserida para cada unidade do produto vendido, mesmo que sejam 
adquiridos mais de uma unidade. 
o Linha por transação: uma linha é inserida para cada transação. 
Ex.: em um fato de vendas, uma linha é inserida para cada venda, 
agregando a quantidade total de produtos adquiridos. 
 
❖ Fato agregada: é criada com dados da tabela fato, alterando sua 
granularidade, ou seja, ela sumariza os dados, gerando uma tabela 
menor. A tabela agregada é utilizada para otimizar o tempo de 
acesso de uma consulta ao banco de dados. É importante avaliar 
bem o ambiente para definir quais agregações devem ser criadas; a 
utilização das mesmasrequer um esforço adicional de manutenção, 
além de aumentar o gasto com armazenamento, por isso deve-se 
sempre tentar criar tabelas agregadas que atendam a múltiplas 
consultas. Além disso, as tabelas agregadas podem ser temporárias; 
desta forma, deve-se levar em conta a possível extinção dessa tabela e 
os futuros efeitos causados devido a sua exclusão. 
 
❖ Fato consolidada: semelhante à tabela agregada, mas serve para 
combinar dois tipos de processos. A tabela consolidada agrega duas 
tabelas fato. Não há verdadeiramente uma junção das duas tabelas, 
mas no processamento do ETL, na hora de carregar a fato, carrega-se 
uma, depois a outra, e misturam-se as duas, o que gera uma 
complexidade extra. As duas tabelas devem ter o mesmo nível de 
granularidade (detalhamento). 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 22 de 88 
www.exponencialconcursos.com.br 
 
 
❖ Fato snapshot periódico: é uma tabela baseada no tempo, seja data, 
dia, semana ou hora. É possível criar esta tabela a partir do ETL, mas 
geralmente é criada a partir de uma tabela fato existente. Uma 
linha em uma tabela de fato snapshot periódico resume muitos 
eventos de medição ocorridos em um período padrão, como um dia, 
uma semana ou um mês. Estas tabelas, muitas vezes, contêm muitos 
fatos porque qualquer evento de medição consistente com o grão da 
tabela de fato é permitido. Essas tabelas de fato são geralmente densas 
em suas chaves estrangeiras porque, mesmo que nenhuma atividade 
tenha lugar durante o período, uma linha normalmente é inserida na 
tabela de fato contendo zero ou nulo para cada fato. 
 
 
 
❖ Fato de snapshot acumulado: semelhante a snapshot periódico, 
porém utiliza mais de um momento. Há cargas sucessivas em vários 
momentos diferentes para verificar as diferenças nos dados ao longo do 
tempo. Uma linha em uma tabela de fato de snapshot acumulado 
resume os eventos de medição que ocorrem em etapas previsíveis 
entre o início e o final de um processo. Há uma chave estrangeira de 
data na tabela de fatos para cada marco crítico no processo. Além da 
data, as chaves estrangeiras associadas a cada etapa do processo, as 
tabelas de fatos de snapshot acumulado contêm chaves estrangeiras para 
outras dimensões e, opcionalmente, possuem dimensões degeneradas. 
 
 
❖ Fato sem fato (fato de associação ou fato de intersecção): serve 
para fazer uma intersecção de dimensões. Utilizada quando é 
necessário comparar ou cruzar algo entre duas dimensões e não 
existe uma métrica para fazer essas comparações. Embora a 
maioria dos eventos de medição capture resultados numéricos, é possível 
que o evento apenas registre um conjunto de entidades 
dimensionais que se juntam em um momento. 
 
 
 
 
 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 23 de 88 
www.exponencialconcursos.com.br 
E para fixar estes tipos de fatos, vejamos um esquema: 
 
Esquema 8 – Tipos de tabelas fatos. 
 
• Mais comuns.
• Linhas representam evento de medição em um ponto no espaço 
e no tempo. 
Fato transacional
• Sumariza os dados de uma tabela fato.
• Otimiza o tempo de consulta.
• Esforço adicional de manutenação e gasto com 
armazenamento.
Fato agregada
• Agrega duas tabelas fato (dois processos).
• Complexidade extra para o ETL.
Fato consolidada
• Baseada no tempo.
• Geralmente criada a partir de uma fato existente.
• Uma linha resume muitos eventos de medição ocorridos em um 
período padrão.
Fato Snapshot Periódico
• Utiliza mais de um momento no tempo.
• Uma linha resume os eventos de medição que ocorrem em 
etapas previsíveis entre o início e o final de um processo.
Fato Snapshot Acumulado
• Tabela somente com a intersecção de dimensões.
• Utilizada quando é necessário comparar ou cruzar algo entre duas 
dimensões e não existe uma métrica para fazer essas 
comparações. 
Fato sem fato
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 24 de 88 
www.exponencialconcursos.com.br 
6- (CESPE - 2018 - TCE-PB - Auditor de Contas 
Públicas) 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 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 contêm a descrição do negócio. 
III- A tabela agregada é utilizada para reduzir o tempo de acesso de uma 
consulta de 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: 
Vamos analisar as afirmações: 
I- Incorreto: Uma tabela-fato armazena, para fins estatísticos, as medições de 
desempenho. 
Os atributos de análise de decisão das tabelas fato consistem em medidas de 
desempenho, métricas operacionais, medidas agregadas e todas 
as outras métricas necessárias para analisar o desempenho da organização. 
Em que pese essa definição, o item foi dado como incorreto pela banca. 
 
II- Incorreto: A tabela agregada dimensão é composta de atributos e contém 
a descrição do negócio. 
A tabela agregada é criada com dados da tabela fato, alterando sua 
granularidade, ou seja, ela sumariza os dados, gerando uma tabela menor. 
As tabelas de dimensão representam entidades de negócios e constituem 
as estruturas de entrada que servem para armazenar informações como tempo, 
geografia, produto, cliente. As tabelas de dimensão geralmente 
representam relacionamentos hierárquicos no negócio (por exemplo, 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 25 de 88 
www.exponencialconcursos.com.br 
produtos se associam a subcategorias que se associam a categorias). Dizemos 
que elas possuem característica qualitativa dentro de um DW. 
 
III- Correto: A tabela agregada é utilizada para reduzir o tempo de acesso de 
uma consulta de banco de dados. 
A tabela agregada é utilizada para otimizar o tempo de acesso de uma 
consulta ao banco de dados. É importante avaliar bem o ambiente para definir 
quais agregações devem ser criadas; a utilização das mesmas requer um 
esforço adicional de manutenção, além de aumentar o gasto com 
armazenamento, por isso deve-se sempre tentar criar tabelas agregadas que 
atendam a múltiplas consultas. 
 
IV- Correto: Métricas são as informações que se armazenam em tabela-fato e 
permitem medir o desempenho dos processos do negócio. 
Métricas (por vezes chamadas de medidas ou fatos) são as informações 
armazenadas nas tabelas fato que permite medir o desempenho dos processos 
do negócio. As métricas são geralmente volumétricas, numéricas, podem ou 
não ser agregadas e na maioria das vezes são do tipo aditivas, ou seja, 
permitem operações como adição, subtração e médias. Existem também outros 
dois tipos de métricas, as métricas não aditivas e as semi-aditiva. 
 
V- Incorreto: As métricas não aditivas, assim como os valores percentuais ou 
relativos, podem ser manipuladas livremente. 
 
As medidas não-aditivas ou fatos não-aditivos não podem ser 
adicionados. Em geral, para agregar as linhas é necessário percorrer uma linha 
por vez. Ex.: porcentagem de vendas. 
Assim, embora considere certos os itens I, III e IV, a banca considerou como 
corretos apenas os itens III e IV, dando a entender que a expressão “para fins 
estatísticos” no item I poderia estar restringindo o objetivo do armazenamentodas medições. 
Gabarito: Letra D. 
 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 26 de 88 
www.exponencialconcursos.com.br 
 
 
 
 
2.4 Esquemas multidimensionais 
 As tabelas fato e dimensões podem estar organizadas de forma diferente 
na construção de um modelo multidimensional. Os dois esquemas mais comuns 
são o esquema estrela e o esquema flocos de neve. 
 O esquema estrela (star schema) consiste em uma tabela de fatos 
com uma única tabela para cada dimensão. Neste esquema, existe uma 
tabela fato central conectada a várias tabelas dimensão. 
O esquema estrela é o esquema mais comumente usado e o estilo mais 
simples de modelagem dimensional. O esquema estrela foi projetado para 
fornecer consultas com rápido tempo de resposta, simplicidade e facilidade de 
manutenção para as estruturas de bancos de dados somente leitura. 
Como neste esquema o foco é nas consultas rápidas, pode existir 
redundância dos dados e, portanto, as tabelas deste esquema não são 
normalizadas. Não entraremos em detalhes sobre a normalização, mas tenha 
em mente que a normalização de banco de dados pode ser entendida como 
conjunto de regras que visa, principalmente, a organização de um projeto de 
banco de dados para reduzir a redundância de dados, aumentar a integridade 
de dados e o desempenho. 
 
EXEMPLO: 
Vejamos um exemplo de um modelo com esquema estrela. 
 
Neste exemplo, podemos perceber que no esquema estrela existe uma tabela 
fato central Resultados de Negócios representando a receita gerada nas vendas 
de uma determinada região, relacionando-se a produtos, organizados por 
trimestre e por região (suas dimensões). 
Note que existe apenas uma tabela para representar cada dimensão e, dessa 
forma, elas não são normalizadas. Poderíamos dividir a tabela Produto em mais 
de uma tabela, criando, por exemplo, uma tabela para representar as linhas de 
produtos existentes e relacionando o produto com sua respectiva linha. 
 
Fato Resultados de Negócios 
Produto (FK) 
Trimestre (FK) 
Região (FK) 
Receita 
Dimensão Produto 
Número do Produto 
Nome do Produto 
Descrição do Produto 
Estilo do Produto 
Linha do Produto 
 
Dimensão Trimestre Fiscal 
Trimestre 
Ano 
Data de início 
Data de fim 
Tri 
Dimensão Região 
Região 
Sub-região 
Re 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 27 de 88 
www.exponencialconcursos.com.br 
 
 
 
O esquema flocos de neve (snowflake) consiste também em uma 
tabela de fatos central (geralmente apenas uma) que estão conectadas a 
múltiplas dimensões, no entanto, estas tabelas dimensões são 
normalizadas em tabelas relacionadas. Dito de outra forma, as dimensões 
neste esquema podem ser representadas por mais de uma tabela. 
No esquema flocos de neve, as tabelas dimensão são organizadas 
em uma hierarquia gerada a partir da normalização, geralmente, até a 
terceira forma normal. Assim, o esquema floco de neve é resultado da 
decomposição de uma ou mais dimensões que possuem hierarquias 
entre seus membros. Como dissemos, não entraremos aqui em detalhes 
sobre normalização, mas saiba que a terceira forma normal se refere a 
dependência exclusiva dos atributos não chave de uma tabela em relação a 
chave desta mesma tabela, isto é, todos os atributos que não são chave devem 
depender exclusivamente da chave. É importante destacar que somente as 
tabelas dimensões são normalizadas, não ocorrendo normalização nas 
tabelas fato. 
 
EXEMPLO: 
Vejamos um exemplo de um modelo com esquema flocos de neve. 
Neste exemplo, podemos perceber que no esquema flocos de neve também 
utiliza uma tabela fato central, mas as dimensões são normalizadas, podendo 
ser necessário dividi-las em mais de uma tabela como no caso da Dimensão 
Produto que foi dividida nas tabelas Produto, Linha do Produto e Nome do 
Produto. Essa divisão reduz a redundância dos dados, mas aumenta a 
complexidade do modelo. 
 
Resultados de Negócios 
Produto (FK) 
Trimestre (FK) 
Região (FK) 
Receita 
Produto 
Número do Produto 
Nome do Produto 
Estilo do Produto 
Número da Linha do Produto 
 
Trimestre Fiscal 
Trimestre 
Ano 
Data de início 
Tri 
Região 
Região 
Sub-região 
Re 
Nome do Produto 
Nome do Produto 
Descrição do Produto 
 
Linha do Produto 
Número da Linha do Produto 
Nome da Linha do Produto 
 
Datas 
Data de início 
Data de fim 
Tri 
Dimensão Produto normalizada 
Dimensão Trimestre Fiscal 
normalizada 
Dimensão Região normalizada 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 28 de 88 
www.exponencialconcursos.com.br 
. 
 
 
 
O esquema estrela facilita a manutenção para estruturas somente 
leitura, pois sua estrutura é menos complexa, sendo necessário acessar menos 
tabelas (somente uma tabela para cada dimensão). 
Já o esquema floco de neve facilita a manutenção para alteração 
das estruturas, pois não há redundância dos dados. Assim, se precisar alterar 
algo específico só precisará alterar as tabelas “menos centrais” das dimensões. 
Por exemplo, se tiver uma dimensão Produto e uma outra tabela TipoProduto e 
precisar modificar os tipos dos produtos, basta modificar a tabela TipoProduto, 
sem ter que alterar a tabela Produto. 
Os dois modelos são, em certa medida, parecidos. Turban fala que o 
esquema estrela é considerado um caso especial do esquema floco de neve. Já 
Navathe fala que um esquema flocos de neve é uma variação do esquema 
estrela. Portanto, temos uma divergência em qual modelo é a origem para qual, 
mas o mais importante é saber a diferença entre os dois esquemas. 
Além desses dois esquemas básicos, a constelação de fatos é um 
esquema em que um conjunto de tabelas fato compartilham dimensões 
comuns. Dito de outra forma, na constelação de fatos, as tabelas dimensões 
podem estar relacionadas a mais de uma tabela fato. As dimensões 
compartilhadas são chamadas de dimensões conformes. Uma das 
desvantagens das constelações de fatos é que elas limitam as consultas ao 
Data Warehouse. 
Para Barbieri, se estivermos diante de um modelo não normalizado 
que compartilha dimensões, podemos falar em esquema multiestrela. 
Note, que um esquema multiestrela é, na verdade, uma constelação de fatos, 
mas guarda relação com as características do esquema estrela. 
 
EXEMPLO: 
Vamos ver um exemplo de constelação de fatos. 
 
No esquema apresentado, podemos ver claramente que duas tabelas fato 
(Resultados de negócio e Previsão de Negócios) compartilham dados de uma 
mesma dimensão (Produto). 
Como a dimensão produto não está normalizada, temos aqui também um 
exemplo de multiestrela. Lembre-se que o multiestrela possui todas as 
características do esquema estrela, exceto por ter mais de uma tabela fato. 
Fato Resultados de Negócios 
Produto (FK) 
Trimestre (FK) 
Região (FK) 
Receita 
Dimensão Produto 
Número do Produto 
Nome do Produto 
Descrição do Produto 
Estilo do Produto 
Linha do Produto 
 
Fato Previsão de Negócios 
Produto (FK) 
Trimestre Futuro (FK) 
Região (FK) 
Receita Projetada 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 29 de 88 
www.exponencialconcursos.com.br 
Para consolidar as características e diferenças entre os esquemas dimensionais, 
vejamos o seguinte esquema!!! 
 
Esquema 9 – Esquemas multidimensionais. 
Esquema estrela 
(star schema) 
Uma tabela de fatos com uma única 
tabela para cada dimensão. 
Tabelas não são normalizadas. 
Tabelas dimensão ligadas 
diretamente a tabela fato. 
Menor número de tabelas. 
Rápido tempo de resposta e 
simplicidade. 
Facilidade de manutenção para 
estruturas somente leitura. 
Consultas mais simples, pois há 
menor necessidade de junção de 
tabelas. 
Esquema floco de neve(snowflake) 
Tabela de fatos central (geralmente 
apenas uma) que estão conectadas a 
múltiplas dimensões. 
Tabelas dimensão são normalizadas, 
geralmente, até a 3FN. 
Tabelas dimensão organizadas em 
hierarquia. 
Maior número de tabelas. 
Modelo mais complexo. 
Facilidade de manutenção para 
alteração das estruturas, pois não 
há redundância. 
Consultas mais complexas e difíceis 
de entender, pois há necessidade de 
realizar muitas junções. 
Tabela Fato 
 
Dimensão 
 
Dimensão 
 
Dimensão 
Desnormalizada 
 
Dimensão 
Desnormalizada 
 
Tabela Fato 
 
Dimensão 
 
Dimensão 
 
Dimensão 
Normalizada 
 
Dimensão 
Normalizada 
 
Dimensão 
Normalizada 
 
Constelação de fatos 
Conjunto de tabelas fato 
compartilham dimensões 
comuns (dimensões 
conformes). 
Limitam as consultas ao 
Data Warehouse. 
Multiestrela: se for 
semelhante ao esquema 
estrela, mas com mais de 
uma tabela fato. 
Tabela Fato 
 
Dimensão 
 
Dimensão 
Conforme 
 
Dimensão 
 
Dimensão 
Conforme 
 
Tabela Fato 
 
Dimensão 
 
Dimensão 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 30 de 88 
www.exponencialconcursos.com.br 
7- (CESPE - 2018 - FUB - Técnico de Tecnologia da 
Informação) Acerca de bases de dados multidimensionais, julgue o item 
seguinte. 
O modelo em estrela de um banco de dados multidimensional tem como objetivo 
representar e manipular dados complexos, visando tornar aqueles dados mais 
representativos em semântica e construções de modelagens por meio de nós e 
suas ligações. 
Resolução: 
O modelo em estrela de um banco de dados multidimensional objeto 
relacional tem como objetivo representar e manipular dados complexos, 
visando tornar aqueles dados mais representativos em semântica e construções 
de modelagens por meio de nós e suas ligações. 
O esquema estrela (star schema) consiste em uma tabela de fatos com 
uma única tabela para cada dimensão. Neste esquema, existe uma tabela 
fato central conectada a várias tabelas dimensão. 
Gabarito: Errado. 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 31 de 88 
www.exponencialconcursos.com.br 
2.5 As 10 Regras Essenciais para a Modelagem de Dados Dimensional 
 Para encerrarmos a assunto de modelagem dimensional, iremos listar as 
10 regras essenciais para a modelagem dimensional propostas por Kimball. Não 
precisa se preocupar em decorar essas regras, mas faça uma leitura delas. 
❖ Regra #1: Carregue dados detalhados para as estruturas 
dimensionais: os modelos dimensionais devem ser populados com 
dados detalhados para atender as consultas dos usuários de negócios. 
 
❖ Regra #2: Estruture os modelos dimensionais em torno dos 
processos de negócios: os processos de negócios representam as 
atividades da empresa que podem ser mensuráveis com métricas de 
desempenho associadas a eventos. Estas métricas devem ser traduzidas 
em fatos. Cada processo de negócio deve ser representado por uma única 
tabela fato, mas podem ser criadas tabelas fato consolidadas extras para 
combinar métricas de vários processos. 
 
❖ Regra #3: Tenha certeza de que cada tabela fato tenha uma 
dimensão de data associada: cada tabela fato deve ter ao menos uma 
chave estrangeira associada a uma tabela de dimensão data. Pode existir 
mais de uma dimensão de tempo para uma tabela fato. 
 
❖ Regra #4: Certifique-se que todos os fatos em uma única tabela 
fato estão na mesma granularidade ou nível de detalhe: existem 
três granularidades fundamentais para classificar todas as tabelas fato: 
transacional, snapshot periódico, ou snapshot acumulado. 
Independentemente de sua granularidade, cada métrica em uma tabela 
fato deve estar exatamente no mesmo nível de detalhe. 
 
❖ Regra #5: Resolva relacionamentos muitos-para-muitos em 
tabelas fato: a tabela fato guarda os eventos de processos de negócio, 
que muitas vezes representam relacionamentos muitos-para-muitos 
(N:M) entre as entidades de negócios. Por exemplo, diferentes produtos 
vendidos em diferentes lojas em diferentes diais. 
 
❖ Regra #6: Resolva os relacionamentos muitos-para-um nas 
tabelas de dimensões: para evitar o excesso de subdimensões em um 
modelo, os relacionamentos muitos para um (M:1) devem ser 
concentrados em uma única tabela dimensão. Por exemplo, regiões e 
sub-regiões podem ser armazenadas na mesma tabela dimensão. 
Relacionamentos um-para-um, como uma única descrição de produto 
associada a um código de produto, também são encontradas em uma 
tabela dimensão. 
 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 32 de 88 
www.exponencialconcursos.com.br 
❖ Regra #7: Gravar nomes de relatórios e valores de domínios de 
filtros em tabelas dimensão: as tabelas de dimensão devem conter os 
códigos e descrições associados aos nomes das colunas usados em 
relatórios e filtros de consultas. 
 
❖ Regra #8: Tenha certeza de que as tabelas dimensão usam uma 
chave artificial: o uso de chaves artificiais, sem significado e 
sequenciais (exceto para a dimensão data, onde chaves 
cronologicamente definidas e mais inteligíveis são aceitáveis) provém um 
grande número de benefícios operacionais, entre os quais a redução do 
tamanho das tabelas fato, menores índices e desempenho melhorado. 
 
❖ Regra #9: Crie dimensões padronizadas para integrar os dados na 
empresa: as dimensões padronizadas (comuns, principais, de referência 
ou conformes) são aquelas associadas a diversas tabelas fato. Elas 
permitem navegar entre os dados integrados de diferentes processos de 
negócios, diminuem o tempo e esforço de desenvolvimento, e eliminando 
a redundância. 
 
❖ Regra #10: Avalie requisitos e realidade continuamente para 
desenvolver uma solução de DW/BI que seja aceita pelos 
usuários de negócios e suporte seu processo de tomada de 
decisões: Os responsáveis pela modelagem dimensional devem 
constantemente balancear os requisitos dos usuários de negócios com as 
realidades inerentes aos dados de origem associados para desenvolver 
um modelo que possa ser implantado, e que, mais importante ainda; 
tenha uma boa chance de ser útil aos negócios. 
 
8- (CESPE - 2010 - TRT - 21ª Região (RN) - Analista 
Judiciário - Tecnologia da Informação) Acerca de sistemas de suporte a 
decisão e data warehousing, julgue os itens a seguir. 
Em um data warehouse, cada linha em uma tabela fato corresponde a uma 
medida, representada por um valor aditivo, em que necessariamente essas 
medidas não compartilham a mesma granularidade. 
Resolução: 
As medidas de uma tabela fato podem ser aditivas, semi-aditivas ou não 
aditivas. Além disso uma das 10 regras de Kimball para a modelagem 
dimensional prevê que é necessário se certificar de que todos os fatos em 
uma única tabela fato estão na mesma granularidade ou nível de 
detalhe. 
Gabarito: Errado. 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 33 de 88 
www.exponencialconcursos.com.br 
3. OLAP 
 
3.1 Análise de dados em um ambiente dimensional com OLAP 
 Uma vez que os dados são devidamente armazenados em um data 
warehouse, esses dados podem ser usados de várias formas para apoiar a 
tomada de decisões organizacionais. Existe uma variedade de ferramentas e 
técnicas para trabalhar dados e informações, entre elas o OLAP. 
O OLAP (processamento analítico on-line) é, sem dúvida, a técnica 
de análise de dados mais comumente utilizada em modelos dimensionais, e tem 
crescido em popularidade devido ao aumento exponencial dos volumes de dados 
e ao reconhecimento do valor comercial das análises direcionadas por dados. O 
OLAP é uma abordagem para responder rapidamente questões ad hoc 
através da execução de consultas analíticas multidimensionais emrepositórios de dados organizacionais (data warehouses, data marts). 
Nas mãos de analistas habilidosos, as ferramentas OLAP utilizam 
capacidades de computação distribuída para análises que exigem mais 
armazenamento e poder de processamento do que pode estar localizado 
econômica e eficientemente em um desktop individual. 
 É importante citar que os bancos de dados tradicionais também possuem 
suporte para processamento de transação, no entanto, através de ferramentas 
OLTP (processamento de transação on-line), que inclui inserções, 
atualizações e exclusões, e suportam requisitos de consulta de informação. 
A principal ênfase das ferramentas OLTP é realizar processamento de consultas 
rapidamente, mantendo a integridade dos dados em ambientes multiusuários e 
a efetividade em transações por segundo. 
Vamos fixar as diferenças entre OLAP e OLTP com um esquema!!! 
 
Esquema 10 – OLTP x OLAP. 
 
OLTP
•Realizar funções comerciais cotidianas
•Bancos de dados transacionais
•Inclusão, alteração, exclusão e consulta
•Relatórios de rotina, periódicos e 
estreitamente focados
•Execução mais rápida
•Atualização contínua
• Recursos dos bancos de dados relacionais. 
OLAP
•Suportar análise de decisões
•DWs ou DMs
•Carga e consulta.
•Relatórios e consultas Ad hoc, 
multidimensionais, amplamente focados
•Execução mais lenta
•Atualização em lote
•Recursos de computação distribuída, 
multiprocesamento e bancos 
especializados.
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 34 de 88 
www.exponencialconcursos.com.br 
9- (CESPE - 2014 - ANATEL - Técnico em Regulação - 
Telecomunicações) Julgue o item seguinte, com relação à disponibilização de 
informações de apoio a decisões estratégicas e gerenciais. 
As ferramentas de business inteligence são consideradas ferramentas do tipo 
OLTP (online transaction processing). 
Resolução: 
O item relaciona erroneamente as ferramentas de BI com as OLTP. Na verdade 
são as ferramentas OLAP é que são utilizadas em ambientes de BI, sendo as 
OLTP utilizadas em ambientes transacionais. 
 
Gabarito: Errado. 
 
OLTP
•Realizar funções comerciais cotidianas
•Bancos de dados transacionais
•Inclusão, alteração, exclusão e consulta
•Relatórios de rotina, periódicos e 
estreitamente focados
•Execução mais rápida
•Atualização contínua
• Recursos dos bancos de dados relacionais. 
OLAP
•Suportar análise de decisões
•DWs ou DMs
•Carga e consulta.
•Relatórios e consultas Ad hoc, 
multidimensionais, amplamente focados
•Execução mais lenta
•Atualização em lote
•Recursos de computação distribuída, 
multiprocesamento e bancos 
especializados.
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 35 de 88 
www.exponencialconcursos.com.br 
3.2 Tipos ou variações OLAP 
Vamos estudar agora os tipos ou variações do OLAP com base nas 
estruturas de armazenamento: ROLAP, MOLAP e HOLAP. 
As ferramentas MOLAP (Processamento Analítico Multidimensional 
On-Line) requerem pré-computação e o armazenamento de 
informações no cubo de dados, isto é, um pré-processamento. 
As ferramentas MOLAP disparam suas requisições diretamente ao 
servidor de Banco de Dados Multidimensional. Após o envio de requisições 
o usuário continua manipulando os dados diretamente no servidor, tendo um 
ganho de desempenho. É necessário um longo período para execução da 
carga de dados, devido ao grande volume de informações a serem atualizadas 
para possibilitar um retorno rápido às consultas da interface OLAP. 
A vantagem de conseguir alto desempenho com a pré-geração de todos 
os cálculos no momento da criação dos cubos, faz com que o MOLAP seja 
limitado a uma pouca quantidade de dados (baixa escalabilidade). 
As ferramentas ROLAP (Processamento Analítico Relacional On-
line) não requerem pré-computação e armazenamento de informações, 
pois acessam os dados em um banco de dados relacional e geram 
consultas SQL para consultar informações em um nível apropriado solicitado 
pelo usuário. Com o ROLAP, é possível criar tabelas de banco de dados 
adicionais (tabelas de resumo ou agregações) que resumem os dados em 
qualquer combinação de dimensões desejada. 
Usando a arquitetura ROLAP, não há nenhuma restrição na limitação da 
quantidade dados a serem analisados (alta escalabilidade), cabendo essa 
limitação sendo do próprio banco de dados relacional utilizado. 
O banco de dados deve ser cuidadosamente projetado para o uso do 
ROLAP. Um banco de dados que foi projetado para OLTP não funcionará bem 
como um banco de dados ROLAP, assim, o ROLAP envolve a criação de uma 
cópia adicional dos dados. 
O HOLAP (Processamento Analítico On-Line Híbrido) combina o 
ROLAP com MOLAP visando reduzir o custo de extração, transformação e 
carga dos dados e aumentar o desempenho das consultas. 
 
Quanto a origem da consulta, temos as variações DOLAP e WOLAP. 
As ferramentas DOLAP (Processamento Analítico On-line por 
Desktop) disparam uma consulta de uma estação cliente para o 
servidor, que por sua vez retorna enviando o cubo de dados de volta, para que 
possa ser analisado pelo usuário. Esse tipo de análise é utilizado para fornecer 
portabilidade aos dados. Essa arquitetura oferece a vantagem de reduzir o 
tráfego na rede e melhora o desempenho de processamento do servidor, pois 
todo o trabalho de análise das informações e feita pela máquina cliente. 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 36 de 88 
www.exponencialconcursos.com.br 
As ferramentas WOLAP (Processamento Analítico On-line via Web) 
disparam uma consulta via um navegador web para o servidor, que por 
sua vez retorna enviando o cubo processado de volta, para que possa ser 
analisado pelo usuário. 
 
Vamos ver um esquema que caracteriza e diferencia essas variações!!! 
 
Esquema 11 – Variações OLAP. 
 
 Vale mencionar que conforme cita Navathe, uma vez que os data 
warehouses são livres das restrições do ambiente transacional, existe uma 
eficiência aumentada no processamento das consultas. Além das 
ferramentas OLAP (MOLAP, ROLAP, WOLAP, etc.), a eficiência das consultas 
pode ser aumentada com a transformação de consulta; intersecção e união de 
índice; extensões SQL; métodos de junção avançados; e varredura inteligente. 
Quanto a 
estrutura de 
armazenamento 
MOLAP 
ROLAP 
HOLAP 
V
a
ri
a
ç
õ
e
s
 O
L
A
P
 
• Armazenamento de informações no 
cubo de dados. 
• Requer pré-computação. 
• Ganho de desempenho. 
• Longo período para carga dos 
dados. 
• Baixa escalabilidade. 
• Permite consultas ad-hoc. 
• Acessam os dados em um banco 
de dados relacional e geram 
consultas SQL. 
• Não requer pré-computação. 
• Baixo desempenho, pois requer 
cópia adicional de dados. 
• Alta escalabilidade. 
• Combinação de ROLAP com 
MOLAP. 
• Alto desempenho 
• Alta escalabilidade. 
• Arquitetura de maior custo. 
Quanto a origem 
da consulta 
DOLAP 
WOLAP 
• Disparam uma consulta de uma 
estação cliente para o servidor. 
• Disparam uma consulta de via 
navegador web para o servidor. 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 37 de 88 
www.exponencialconcursos.com.br 
10- (CESPE - 2015 - MEC – Administrador de Dados) 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: 
Item que cobra a diferençaentre MOLAP e ROLAP, que reside principalmente 
nas estruturas de armazenamento utilizadas. 
As ferramentas MOLAP (Processamento Analítico Multidimensional On-
Line) requerem pré-computação e o armazenamento de informações no 
cubo de dados, isto é, um pré-processamento. 
As ferramentas ROLAP (Processamento Analítico Relacional On-line) 
não requerem pré-computação e armazenamento de informações, pois 
acessam os dados em um banco de dados relacional e geram consultas 
SQL para consultar informações em um nível apropriado solicitado pelo usuário. 
Gabarito: Certo. 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 38 de 88 
www.exponencialconcursos.com.br 
. 
 
 
. 
 
 
3.3 Operações OLAP 
 Usando o OLAP, é possível navegar pelo banco de dados e visualizar um 
subconjunto específico dos dados (e sua progressão ao longo do tempo) 
alterando as orientações dos dados e definindo cálculos analíticos. As 
operações OLAP são usadas para essas funções. Vejamos brevemente a 
função desempenhada pelas principais operações OLAP. 
 
❖ Slice: recupera um subconjunto, geralmente bidimensional, de uma 
matriz multidimensional, que corresponde a um valor simples atribuído a 
uma (ou mais) dimensões. 
EXEMPLO: 
Em uma matriz multidimensional formada pelas dimensões Produto, 
Trimestre Fiscal e Região, uma operação slice pode consultar os dados de 
vendas de produtos no trimestre Tri1. 
Note que, há fixação de um 
único valor para uma das 
dimensões, portanto, o 
resultado será uma “fatia” 
(análoga a fatia de bolo”, 
recuperando todos os 
produtos vendidos em todas 
as regiões, mas somente para 
um trimestre específico. 
 
❖ Dice: corresponde a uma operação slice em mais de duas dimensões de um 
cubo. Por meio dessa operação ocorre a extração de um subcubo. 
EXEMPLO: 
Em uma matriz multidimensional formada pelas dimensões Produto, 
Trimestre Fiscal e Região, uma operação dice pode extrair um subcubo 
restringindo os valores de trimestres (somente Tri1 e Tri2), de Produtos 
(somente P123, P123 e P125) e de Regiões (somente Reg1 e Reg2). 
Perceba que nesta operação há 
a formação de um subcubo 
com mais de um valor para 
cada uma das dimensões, 
porém com valores restritos 
aos selecionados. 
 
 
 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 39 de 88 
www.exponencialconcursos.com.br 
. 
 
 
 
 
 
 
 
 
 
 
. 
 
 
 
 
 
 
 
 
 
 
❖ Pivot ou rotate: usado para alterar a orientação dimensional de um 
relatório ou uma exibição de página de consulta ad hoc. 
EXEMPLO: 
Em uma matriz multidimensional formada pelas dimensões Produto, 
Trimestre Fiscal e Região, uma operação pivot ou rotate pode alterar a 
orientação de visualização dos eixos, trocando as posições das dimensões. 
Neste exemplo, todas as dimensões foram trocadas de posição. 
 
 
 
 
 
❖ Drill Down / Up: navegação entre os níveis de dados que vão desde o 
mais resumido até o mais detalhado (baixo). 
▪ Aqui cabe um parêntese para falar de nível de granularidade. 
Nível de granularidade diz respeito ao nível de detalhamento 
da informação. Quanto maior o nível de detalhes, menor o nível 
de granularidade, pois as informações estão dispostas em 
“grãos” menores. Já para menor nível de detalhes, maior a 
granularidade, pois os grãos de informações são maiores, 
agregando mais os dados. 
o Drill up (Roll up): sobe na hierarquia, agrupando unidades 
maiores ao longo de uma dimensão. Aumenta a granularidade. 
o Drill down: fornece uma visão mais detalhada, desagregando 
unidades menores ao longo da dimensão. Diminui a granularidade. 
EXEMPLO: 
No exemplo, a operação drill 
up agrega os dados das 
regiões em países, subindo na 
hierarquia. Há um aumento na 
granularidade (grão “país” é 
maior que o “grão” região. 
A operação drill down é 
utilizada para desagregar as 
informações das regiões em 
municípios, fornecendo um 
maior detalhamento. Há uma 
redução na granularidade 
(grão “cidade” é menor que o 
grão “região”). 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 40 de 88 
www.exponencialconcursos.com.br 
Vamos ver mais algumas operações. 
❖ Drill-across: esta operação apresenta conceituações divergentes. Vejamos 
as suas principais acepções utilizadas e provas de concursos: 
o Drill-across (Kimball): para Kimball, esta operação serve realizar 
consultas que envolvem mais de uma tabela fato. Note que, esta 
conceito não tem nada a ver com a navegação entre níveis de dados. 
Ex.: basta imaginar duas tabelas fatos distintas que serão consultadas 
simultaneamente, tais como Vendas e Compras. 
 
o Drill-across (Internet): navegação entre os níveis de dados, 
saltando níveis. 
Ex.: aqui há um salto de níveis, então imagine que em uma hierarquia 
que possui PAÍSES, ESTADOS e MUNICÍPIOS, você passa a consulta 
direto de PAÍSES para MUNICÍPIOS ou vice-versa. 
 
❖ Drill-through: vejamos as acepções desta operação. 
o Drill-through (Han, Kamber e Pei): utiliza as instalações SQL para 
ir além do nível inferior de um cubo de dados até suas tabelas 
relacionais back-end, permitindo, desta forma, o acesso aos dados 
que não estão no modelo multidimensional. 
Ex.: quando carregados no modelo multidimensional, os dados são 
transformados através das ferramentas de ETL. Assim, certos 
atributos podem, por exemplo, ser excluídos e, assim, se precisarem 
ser consultados direto no modelo inferior usado para extração dos 
dados será utilizada essa operação. 
 
o Drill-through (Internet): usuário passa de uma informação contida 
em uma dimensão para uma outra. 
Ex.: supondo que o usuário está visualizando as informações de uma 
dimensão tempo, ele poderá passar para uma dimensão local. 
 
DÚVIDAS E POLÊMICAS 
Qual acepção adotar para Drill-across e Drill-through? 
Caros alunos, infelizmente não há pra afirmar de forma conclusiva quais das 
acepções utilizar para estas operações. 
Sugiro que fixem as duas acepções tanto para o drill through quanto para o drill 
across. Como as questões não abordam as duas ao mesmo tempo, então dá pra 
saber qual foi a utilizada. 
Curso: Tecnologia da Informação 
Teoria e Questões comentadas 
Prof. Ramon Souza 
 
 
Prof. Ramon Souza 41 de 88 
www.exponencialconcursos.com.br 
Vejamos uma questão que usa a acepção oficial do drill through: 
 (CESPE - 2018 - TCE-MG - Analista de Controle Externo 
- Ciência da Computação) Assinale a opção que indica a forma de navegação 
por nível de granularidade em um modelo de dados dimensional em que os 
detalhes de uma informação sejam recuperados de outra estrutura. 
a) drill-through 
Gabarito: Letra A. 
 
E uma questão que usa a acepção da internet do drill through: 
 (FCC - 2010 - TRT - 9ª REGIÃO (PR) - Técnico Judiciário 
- Tecnologia da Informação) Quando o usuário passa da análise da dimensão 
tempo e passa a analisar a dimensão região, por exemplo, ele está executando 
a operação OLAP 
a) drill throught. 
Gabarito: Letra A. 
 
Vejamos agora questões sobre a operação drill-across, começando por uma que 
usa a acepção oficial: 
 (FUNRIO - 2013 - MPOG - Analista de Tecnologia da 
Informação) A operação OLAP que permite relacionar fatos diferentes através 
de dimensões compartilhadas é denominada. 
d) drill-across 
Gabarito: Letra D. 
 
E uma que usa a acepção da internet do drill across: 
 (FCC - 2010 - TCE-SP - Agente da Fiscalização Financeira 
- Informática - Produção e Banco de Dados) Quando, em um modelo 
multimensional, o usuário pular um nível intermediário dentro de uma mesma 
dimensão, como por exemplo, sendo a dimensão tempo composta por ano, 
semestre, trimestre, mês e dia e o usuário pular de ano para mês, a operação 
executada corresponde a 
d) drill-across 
Gabarito: Letra D. 
Curso: