teste-de-conhecimento

Prévia do material em texto

ARQUITETURA DE DATA WAREHOUSE E DATA MARTS
	
	
	 
	 
	CCT1016_A1_202003114448_V1
	
	
	
	
		Aluno: JOANA FORSTER GADELHA
	Matr.: 202003114448
	Disc.: ARQUITETURA DE DATA  
	2021.1 EAD (GT) / EX
		Prezado (a) Aluno(a),
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha.
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS.
	
	 
		
	
		1.
		Fundatec - 2014 - Sefaz-RS - Auditor Fiscal da Receita Estadual - Bloco 1
Há uma tecnologia que é empregada sobre grandes volumes de dados para descobrir novas informações em função de regras e padrões neles existentes. Normalmente, tais informações não são obtidas simplesmente consultando-se os dados armazenados em bancos de dados. Por exemplo: uma das maiores redes de varejo dos Estados Unidos descobriu, em seu enorme banco de dados, por meio do uso dessa tecnologia, que o aumento das vendas de fraldas descartáveis, nas sextas-feiras, estava relacionado às vendas de cerveja, sendo que, geralmente, os compradores eram homens. Como oportunidade de negócio, a rede varejista colocou os produtos lado a lado, resultando em um aumento expressivo nas vendas de ambos. Para ob ter tais descobertas, essa tecnologia usa diversas técnicas, como associação, classificação e predição, entre outras. Nesse caso, essa tecnologia é chamada de:
 
	
	
	
	Business Intelligence.
	
	
	Data mining.
	
	
	Data Mart.
	
	
	 Data Warehouse.
	
	
	OLAP.
	
Explicação:
Data mining.
	
	
	
	 
		
	
		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.
	
	
	
	Data Mart é uma versão do Data Warehouse carregada no computador do cliente, visando agilizar suas buscas.
	
	
	Data Mart é uma versão atualizada do Data Warehouse para suportar pesquisa e alterações dos dados.
	
	
	Data Mart é uma cópia de um Data Warehouse para realizar buscas e alterações dos dados.
	
	
	Data Mart é um subconjunto de dados referentes a uma área específica, não normalizados e indexados para suportar pesquisas.
	
	
	Data Mart é um subconjunto de dados referentes a uma área específica, escolhidos de forma aleatória no Data Warehouse.
	
	
	
	 
		
	
		3.
		Metadados são dados de mais alto nível, que descrevem dados de um nível inferior. Eles expressam significado sobre os dados. Devido à sua importância para um projeto de DW/DM o Metadados deve:
	
	
	
	Ser criado no final do projeto para não impactar no desenvolvimento das atividades arquiteturais.
	
	
	Ser criado somente se o Data Warehouse buscar dados de vários sistemas fontes e deve ser atualizado sempre que um novo sistema for utilizado como fonte.
	
	
	Ser criado ao longo do projeto de forma incremental.
	
	
	Ser definido e criado no início do projeto, não havendo necessidade de atualizá-lo.
	
	
	Ser criado somente para a abordagem utilizada no desenvolvimento for a Top-Down.
	
Explicação:
Ser criado ao longo do projeto de forma incremental.
	
		
	ARQUITETURA DE DATA WAREHOUSE E DATA MARTS
	
	
	 
	 
	
	CCT1016_A2_202003114448_V1
	
	
	
	
		Aluno: JOANA FORSTER GADELHA
	Matr.: 202003114448
	Disc.: ARQUITETURA DE DATA  
	2021.1 EAD (GT) / EX
		Prezado (a) Aluno(a),
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha.
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS.
	
	 
		
	
		1.
		O levantamento de requisito produz artefatos que apoiam o desenvolvimento do projeto de Data Warehouse. São eles:
	
	
	
	Especificação das necessidades do Negócio, documento das Perspectivas de Análises (Visões), documento das medidas que serão analisadas (Indicadores), documento de consultas predefinidas e a relação dos analistas de Bi que irão atuar no projeto.
	
	
	Especificação das necessidades do Negócio, documento das Perspectivas de Análises (Visões), documento das medidas que serão analisadas (Indicadores), documento de consultas predefinidas e o documento do usuário.
	
	
	Especificação das necessidades do Negócio, documento das Perspectivas de Análises (Visões), documento das medidas que serão analisadas (Indicadores), documento de consultas predefinidas e o documento de apontamento das origens dos dados.
	
	
	Especificação das necessidades do Negócio, documento das Perspectivas de Análises (Visões), atas de reunião, documento de consultas predefinidas e o documento de apontamento das origens dos dados.
	
	
	Especificação das necessidades do Negócio, documento final de Metadados, documento das medidas que serão analisadas (Indicadores), documento de consultas predefinidas e o documento de apontamento das origens dos dados.
 
	
Explicação:
Especificação das necessidades do Negócio, documento das Perspectivas de Análises (Visões), documento das medidas que serão analisadas (Indicadores), documento de consultas predefinidas e o documento de apontamento das origens dos dados.
	
	
	
	 
		
	
		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:
	
	
	
	Após a conclusão do projeto do DW/DM não é possível fazer manutenções ou adicionar novos módulos ao ambiente.
	
	
	Seu desenvolvimento é baseado em experiências empíricas e nas necessidades que podem surgir no futuro.
	
	
	Seu desenvolvimento é baseado nas necessidades dos usuários do negócio.
	
	
	Seu desenvolvimento é baseado nos sistemas transacionais de onde os dados serão extraídos.
	
	
	O levantamento de requisitos identifica as consultas que serão apresentadas no ambiente analítico.
	
	
	
	 
		
	
		3.
		O mapeamento da fonte dos dados é uma verificação mais detalhada da origem dos dados mapeados durante o levantamento de requisitos. Sobre o mapeamento da fonte de dados é correto afirmar que:
 
	
	
	
	É realizado somente se os dados forem extraídos de mais de uma fonte de dados.
	
	
	É realizada a localização dos dados no sistema origem e são identificados: o nome da tabela que será acessada, o nome, o tamanho e o tipo de dado do campo.
	
	
	Não é necessário em projetos de Data Warehouse.
	
	
	Não é necessário realizar o mapeamento das fontes dos dados, pois não há risco de ausência ou indisponibilidade dos dados no sistema origem.
	
	
	É realizado somente se os usuários não souberem informar quais são os sistemas de origem para o Data Warehouse.
	
Explicação:
É realizada a localização dos dados no sistema origem e são identificados: o nome da tabela que será acessada, o nome, o tamanho e o tipo de dado do campo.
	
	
	
	ARQUITETURA DE DATA WAREHOUSE E DATA MARTS
	
	
	 
	 
	
	CCT1016_A3_202003114448_V1
	
	
	
	
		Aluno: JOANA FORSTER GADELHA
	Matr.: 202003114448
	Disc.: ARQUITETURA DE DATA  
	2021.1 EAD (GT) / EX
		Prezado (a) Aluno(a),
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha.
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS.
	
	 
		
	
		1.
		(CESPE - 2018 - TCM-BA - Auditor Estadual de Controle Externo.)
Acerca de modelagem dimensional assinale a opção correta.
	
	
	
	Os Fatos e Dimensões não sãotabelas do banco de dados, pois, no modelo dimensional, são componentes do cubo de um Data Warehouse.
	
	
	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.
	
	
	No modelo Estrela, as dimensões são normalizadas para tornar mais ágeis as consultas analíticas.
	
	
	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.
	
	
	As granularidades fundamentais para classificar todas as tabelas Fato de um modelo dimensional são: transacional, snapshot periódico e snapshot acumulado.
	
Explicação:
As granularidades fundamentais para classificar todas as tabelas Fato de um modelo dimensional são: transacional, snapshot periódico e snapshot acumulado.
	
	
	
	 
		
	
		2.
		CESGRANRIO - 2012 - Petrobras - Analista de Sistemas Júnior - Processos de Negócios-2012.
O modelo Estrela (star schema) é a denominação comum para um modelo de dados dimensional. Nesse tipo de modelo:
	
	
	
	As dimensões são um conjunto de fatos.
	
	
	As dimensões podem ser decompostas em várias medidas, originando o modelo conhecido como Floco-de-Neve (snowflake).
	
	
	A entidade central é a transação.
	
	
	O relacionamento entre o fato e as dimensões é de um para um, formando um cubo ou hipercubo.
 
	
	
	Cada dimensão é representada por uma tabela.
	
Explicação:
Cada dimensão é representada por uma tabela.
	
	
	
	 
		
	
		3.
		FCC - 2018 - TCE-RS - Auditor Público Externo - Administração Pública ou de Empresas
Considerando a teoria da modelagem dimensional, composta por tabelas Dimensão e tabela Fato, utilizada em Data Warehouse:
	
	
	
	Não há limitação quanto ao número de tabelas Dimensão.
	
	
	Todas as tabelas Dimensão devem possuir o mesmo número de atributos.
	
	
	Não há relacionamento entre as tabelas Dimensão e a tabela Fato.
 
	
	
	O grau de relacionamento da tabela Fato para as tabelas Dimensão é de muitos para muitos.
	
	
	A tabela Fato não deve possuir atributos do tipo numérico.
	
Explicação:
Não há limitação quanto ao número de tabelas Dimensão.
	ARQUITETURA DE DATA WAREHOUSE E DATA MARTS
	
	
	 
	 
	CCT1016_A4_202003114448_V1
	
	
	
	
		Aluno: JOANA FORSTER GADELHA
	Matr.: 202003114448
	Disc.: ARQUITETURA DE DATA  
	2021.1 EAD (GT) / EX
		Prezado (a) Aluno(a),
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha.
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS.
	
	 
		
	
		1.
		CESPE - 2012 - TJ-RO - Analista Judiciário - Análise de Sistemas ¿ Desenvolvimento.
Assinale a opção correta acerca de elementos básicos de data warehouse (presentation area, staging area, data source e data access) e de extract transformation load (ETL).
 
	
	
	
	Define-se staging area como tudo o que existe entre a fonte de dados (data source) e a área de apresentação (presentation area).
	
	
	Os dados são efetivamente organizados e armazenados em staging area, sendo disponibilizados para consulta pelas ferramentas da área de acesso a dados (data access).
	
	
	As ferramentas ad hoc de consulta de dados, presentes na área de acesso aos dados, possibilitam, se necessário, o acesso aos dados diretamente da staging area ou mesmo na fonte de dados.
	
	
	A limpeza e a combinação de dados devem ser realizadas na área de apresentação (presentation area), antes da área de acesso a dados (data access).
 
	
	
	Para maior confiabilidade em ETL, a importação de dados para o data ware house deve ser limitada a apenas uma fonte de dados (data source).
	
Explicação:
Define-se staging area como tudo o que existe entre a fonte de dados (data source) e a área de apresentação (presentation area).
	
	
	
	 
		
	
		2.
		(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:
	
	
	
	Tem apenas uma coluna chave primária.
	
	
	Pode ser categorizada como: aditiva, semiaditiva e não aditiva.
	
	
	Fica no centro do modelo dimensional e as demais tabelas ao redor.
	
	
	Deve ser normalizada.
	
	
	Também é chamada de tabela de medidas.
	
	
	
	 
		
	
		3.
		FCC - 2015 - TCM-GO - Auditor de Controle Externo ¿ Informática.
Quando o modelo de dados multidimensionais começa a ser definido, elementos básicos de representação precisam ter sido estabelecidos, de modo a criar-se um padrão de modelagem. Considere um modelo em que as dimensões e fatos são representados em tabelas, podendo haver múltiplas dimensões e múltiplas tabelas de Fatos.
Ao modelar cada tabela ...I... devem ser considerados os seguintes pontos:
- A chave primária é composta, sendo um elemento da chave para cada dimensão;
- Cada elemento chave para a dimensão deve ser representado e descrito na tabela ...II... correspondente (para efetuar a junção);
- A dimensão tempo é sempre representada como parte da chave primária.
Deve haver uma tabela ...III... para cada dimensão do modelo, contendo:
- Uma chave artificial (ou gerada) genérica;
- Uma coluna de descrição genérica para a dimensão;
- Colunas que permitam ...IV... ;
- Um indicador nível que indica o nível da hierarquia a que se refere a linha da tabela.
As lacunas são corretas, e respectivamente, preenchidas com:
 
 
	
	
	
	Dimensão - de fatos - de tempo - efetuar os filtros.
	
	
	De fatos - de tempo - dimensão - sinalizar a presença de fatos para o período de tempo indicado na linha.
	
	
	De tempo - dimensão - de fatos - a junção com as tabelas de dimensão.
 
	
	
	Dimensão - de fatos - de fatos - a junção com as tabelas de fatos.
	
	
	De fatos - dimensão - dimensão - efetuar os filtros.
	
Explicação:
De fatos - dimensão - dimensão - efetuar os filtros.
	
	
	
	ARQUITETURA DE DATA WAREHOUSE E DATA MARTS
	
	
	 
	 
	
	CCT1016_A5_202003114448_V1
	
	
	
	
		Aluno: JOANA FORSTER GADELHA
	Matr.: 202003114448
	Disc.: ARQUITETURA DE DATA  
	2021.1 EAD (GT) / EX
		Prezado (a) Aluno(a),
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha.
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS.
	
	 
		
	
		1.
		(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:
	
	
	
	I, III e IV
	
	
	I e IV
	
	
	III e IV
	
	
	I e II
	
	
	II e IV
	
	
	
	 
		
	
		2.
		Petrobras Transporte S.A (TRANSPETRO) 2018 (2ª edição), Cargo: Analista de Sistemas Júnior(SAP)
Seja o modelo dimensional de dados a seguir representado, em que a tabela Venda é a tabela de Fatos, e as demais tabelas representam dimensões. Nesse esquema, os atributos das tabelas foram omitidos.
Nesse caso, qual o modelo multidimensional adotado?
 
	
	
	
	Estrela, pela conjugação da dimensão Tempo com as demais dimensões, que a princípio deveriam ser modeladas em separado.
	
	
	Estrela, com a aplicação da terceira forma normal em tabelas de Dimensão de primeiro nível, eleitas por um critério de desempenho.
	
	
	Floco de Neve, otimizando o desempenho do acesso aos dados pela decomposição de dimensões indexadas.
	
	
	Estrela, com uma tabela de Fatos central e tabelas de Relacionamento ligadas a ela, mesmo que indiretamente.
	
	
	Floco de Neve, especializando tabelas de Dimensão por decomposição hierárquica.
	
Explicação:
Conceito sobre os esquemas Estrela e Floco de Neve destacando o uso das hierarquias.
	
	
	
	 
		
	
		3.
		FCC - 2014 - TCE-RS - Auditor Público Externo - Técnico em Processamento de Dados - Conhecimentos Específicos.
A granularidade de dados é uma questão crítica no projeto de um Data Warehouse (DW), pois afeta o volume de dados que reside no DW e, ao mesmo tempo, afeta o tipo de consulta que pode ser atendida. Considere:
I. Quanto mais detalhes existirem, mais baixo será o nível de granularidade. Quanto menos detalhe existirem, mais alto será o nível de granularidade.
II. Quando há um nível de granularidade muito alto, o espaço em disco e o número de índices necessários se tornam bem menores, mas há uma correspondente diminuição da possibilidade de utilização dos dados para atender a consultas detalhadas.
É correto afirmar que a afirmativa I:
	
	
	
	E a afirmativa II estão incorretas. Ambas apresentam incoerência em relação ao nível de granularidade, espaço em disco e tipos de consultas em um DW.
	
	
	É equivalente a: quanto menos detalhes há nos dados, menor é a granularidade; consequentemente, quanto mais detalhes existem, maior é a granularidade.
	
	
	Está incorreta. A afirmativa II está correta, pois é coerente em relação ao nível de granularidade, espaço em disco e tipos de consultas em um DW.
 
	
	
	E a afirmativa II estão corretas e coerentes em relação ao nível de granularidade, espaço em disco e tipos de consultas em um DW.
	
	
	Está correta. A afirmativa II está incorreta, pois apresenta incoerência em relação ao nível de granularidade, espaço em disco e tipos de consultas em um DW.
	
Explicação:
E a afirmativa II estão corretas e coerentes em relação ao nível de granularidade, espaço em disco e tipos de consultas em um DW.
	
	
	
	ARQUITETURA DE DATA WAREHOUSE E DATA MARTS
	
	
	 
	 
	
	CCT1016_A6_202003114448_V1
	
	
	
	
		Aluno: JOANA FORSTER GADELHA
	Matr.: 202003114448
	Disc.: ARQUITETURA DE DATA  
	2021.1 EAD (GT) / EX
		Prezado (a) Aluno(a),
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha.
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS.
	
	 
		
	
		1.
		(CESGRANRIO - 2010 - Petrobrás - Analista de Sistemas Júnior - Processos de Negócios.)
No contexto de Data Warehouses, o processo de Extração, Transformação e Carga (ETC):
 
	
	
	
	Leva em consideração o modelo conceitual de dados das fontes de dados, que é geralmente expresso como modelo entidade-relacionamento.
	
	
	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.
	
	
	Produz, ao seu término, uma série de tabelas (chamadas Fatos) que caracterizam-se por possuírem dados normalizados até a 3ª forma normal.
	
	
	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.
	
	
	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.
	
	
	
	 
		
	
		2.
		FCC - 2012 - TST - Analista Judiciário - Análise de Sistemas.
O processo de ETL em um Data Warehouse possui várias fases. Em uma destas fases é efetuada a
	
	
	
	Criação de diagramas estáticos e comportamentais das classes e atributos.
 
	
	
	Introdução de novos produtos no mercado.
	
	
	Indefinição dos custos e prazos.
	
	
	Validação das interfaces de usuário.
	
	
	Extração dos dados dos sistemas de origem.
	
Explicação:
Extração dos dados dos sistemas de origem.
	
	
	
	 
		
	
		3.
		(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
	
	
	
	ODS
	
	
	ERP
	
	
	CRM
	
	
	EIS
	
	
	ETL
	
	ARQUITETURA DE DATA WAREHOUSE E DATA MARTS
	
		Lupa
	 
	Calc.
	
	
	 
	 
	 
	 
	
	CCT1016_A7_202003114448_V1
	
	
	
	
		Aluno: JOANA FORSTER GADELHA
	Matr.: 202003114448
	Disc.: ARQUITETURA DE DATA  
	2021.1 EAD (GT) / EX
		Prezado (a) Aluno(a),
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha.
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS.
	
	 
		
	
		1.
		Considere o fluxo de transformação do Pentaho Data Integration apresentado a seguir:
Os Passos S1, S2 e S3 realizam, respectivamente, operações de:
	
	
	
	Leitura de Arquivo JSON, Split de Colunas e Saída em Formato de Tabela.
	
	
	Leitura de Banco de Dados, Join de Colunas e Log.
	
	
	Leitura de Arquivo CSV, Split de Colunas e Calculadora de Valores.
	
	
	Leitura de Banco de Dados, Split de Colunas e Leitura de Arquivo JSON.
	
	
	Leitura de Arquivo de Propriedades, Seleção de Linhas Únicas e Calculadora de Valores.
	
Explicação:
Leitura de Arquivo CSV, Split de Colunas e Calculadora de Valores.
	
	
	
	 
		
	
		2.
		(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:
 
	
	
	
	Refinamento, Tradução, Componentização.
	
	
	Extração, Tradução, Junção.
	
	
	Carga, Extração, Refinamento.
	
	
	Transposição, Junção, Derivação.
	
	
	Extração, Pipeline, Componentização.
	
	
	
	 
		
	
		3.
		(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 fase de carga de dados consiste em inserir os dados transformados nos bancos de dados transacionais da empresa.
	
	
	A fase de carga de dados visa eliminar valores nulos contidos nos bancos de dados transacionais da empresa.
	
	
	As fases de extração e carga de dados são realizadas de forma simultânea.
	
	
	A fase de transformação consiste em realizar modificações nos dados carregados, adequando seus valores ao modelo definido para o Data Warehouse.
	
	
	A fase de extração de dados consiste em obter os dados do servidor do Data Warehouse.
	
	
	ARQUITETURADE DATA WAREHOUSE E DATA MARTS
	
		Lupa
	 
	Calc.
	
	
	 
	 
	 
	 
	CCT1016_A8_202003114448_V1
	
	
	
	
		Aluno: JOANA FORSTER GADELHA
	Matr.: 202003114448
	Disc.: ARQUITETURA DE DATA  
	2021.1 EAD (GT) / EX
		Prezado (a) Aluno(a),
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha.
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS.
	
	 
		
	
		1.
		(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:
 
	
	
	
	Relacionamento
	
	
	Integridade
	
	
	Granularidade
	
	
	Arquitetura
	
	
	Capacidade
	
	
	
	 
		
	
		2.
		FCC - Defensoria Pública do Estado do Rio Grande do Sul - RS (DPE/RS) 2017 Cargo: Analista - Área Tecnologia da Informação - Especialidade: Banco de Dados
Um dos modelos mais utilizados no projeto e implementação de um Data Warehouse é o modelo dimensional ou multidimensional. Em um modelo dimensional (composto por uma tabela Fato e várias tabelas Dimensão):
	
	
	
	As tabelas Dimensão devem conter apenas atributos do tipo literal.
	
	
	Há um número teórico mínimo de três e máximo de 15 tabelas Dimensão.
 
	
	
	As tabelas Dimensão comportam um número máximo teórico de atributos.
	
	
	A tabela Fato tem uma cardinalidade de mapeamento de um para um com cada tabela Dimensão.
	
	
	A tabela Fato deve conter atributos numéricos, visando proporcionar dados para uma análise de atividades da empresa.
	
Explicação:
A tabela Fato deve conter atributos numéricos, visando proporcionar dados para uma análise de atividades da empresa.
	
	
	
	 
		
	
		3.
		Sobre ETL (Extract, TransformandLoad), é correto afirmar que:
 
	
	
	
	A extração e a carga são opcionais no processo, porém a transformação é obrigatória.
	
	
	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.
	
	
	Concentra a menor parte do esforço exigido no desenvolvimento de um Data Warehouse.
	
	
	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.
	
	
	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.
	
	
	
	ARQUITETURA DE DATA WAREHOUSE E DATA MARTS
	
		Lupa
	 
	Calc.
	
	
	 
	 
	 
	 
	
	CCT1016_A9_202003114448_V1
	
	
	
	
		Aluno: JOANA FORSTER GADELHA
	Matr.: 202003114448
	Disc.: ARQUITETURA DE DATA  
	2021.1 EAD (GT) / EX
		Prezado (a) Aluno(a),
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha.
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS.
	
	 
		
	
		1.
		(2013 DNIT Analista Administrativo - Tecnologia da Informação Disciplina)
São regras de avaliação de produtos OLAP:
	
	
	
	Extensão conceitual dos dados. Transparência ao dispositivo de acesso. Manipulação intuitiva dos dados. Operações irrestritas com indicações cruzadas.
	
	
	Visão conceitual multidimensional para restringir consultas. Transparência ao usuário. Dimensionalidade genérica. Manipulação dedutiva dos dados.
	
	
	Visão conceitual multidimensional para formular consultas. Dimensionalidade genérica. Manipulação segmentada dos dados. Operações irrestritas com dimensões alternadas.
	
	
	Visão conceitual multidimensional para formular consultas. Desempenho consistente na geração de relatórios. Dimensionalidade genérica. Manipulação intuitiva dos dados.
	
	
	Transferência ao usuário. Desempenho consistente na geração de relatórios. Dimensionalidade cumulativa. Operações irrestritas com dimensões cruzadas.
	
	
	
	 
		
	
		2.
		FCC Instituições: TRT - 15ª Região Provas: Analista Judiciário ¿ Tecnologia da Informação
No contexto de Business Intelligence, os sistemas OLAP e OLTP se diferenciam em diversas características. Na tabela a seguir, no que diz respeito às características, está INCORRETO:
	
	
	
	Característica - Estrutura dos dados. /OLAP - Armazenamento feito em Data Warehouse com otimização no desempenho em grandes volumes de dados. / OLTP - Armazenamento feito em bancos de dados convencionais pelos sistemas de informação da organização.
	
	
	Característica - Foco. /OLAP - Nível operacional da organização. Visa a execução operacional do negócio. / OLTP - Nível estratégico da organização. Visa a análise empresarial e tomada de decisão.
	
	
	Característica - Performance. /OLAP - Otimização para leitura e geração de análise e relatórios gerenciais. / OLTP - Alta velocidade na manipulação de dados operacionais, porém ineficiente para geração de análises gerenciais.
	
	
	Característica - Volatilidade. /OLAP - Dados históricos e não voláteis que praticamente não sofrem alterações salvo em casos específicos motivados por erros ou inconsistências. / OLTP -Dados voláteis, passíveis de modificação e exclusão.
	
	
	Característica - Tipo de permissões nos dados. /OLAP - É permitido apenas inserção e leitura. Para o usuário está disponível apenas a leitura. / OLTP - Podem ser feitas leitura, inserção, modificação e exclusão de dados.
	
Explicação:
Característica - Foco. /OLAP - Nível operacional da organização. Visa a execução operacional do negócio. / OLTP - Nível estratégico da organização. Visa a análise empresarial e tomada de decisão.
	
	
	
	 
		
	
		3.
		(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:
	
	
	
	OLAP.
	
	
	Batch.
	
	
	Data Marts.
	
	
	Data Mining.
	
	
	CORBA.
	ARQUITETURA DE DATA WAREHOUSE E DATA MARTS
	
		Lupa
	 
	Calc.
	
	
	 
	 
	 
	 
	CCT1016_A10_202003114448_V1
	
	
	
	
		Aluno: JOANA FORSTER GADELHA
	Matr.: 202003114448
	Disc.: ARQUITETURA DE DATA  
	2021.1 EAD (GT) / EX
		Prezado (a) Aluno(a),
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha.
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS.
	
	 
		
	
		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.
 
	
	
	
	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.
	
	
	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.
	
	
	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.
	
	
	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.
	
	
	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 também a 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.
		No Power BI é possível utilizar Funções M e DAX. A respeito dessas funções é possível afirmar que:
	
	
	
	As funções M e DAX são utilizadas para resolver operações de análises Drill Down e Rolap Up.
	
	
	As funções M são utilizadas na preparação e transformação dos dados no editor de consultas do Power BI e as funções DAX para carregar os dados nas tabelas do modelo de dados.
	
	
	As funções M são utilizadas a extração dos dados no editor de consultas do Power BI e as funções DAX são utilizadas para realizar tarefas analíticas, como cálculos.
	
	
	As funções M são utilizadas na preparação e transformação dos dados no editor de consultas do Power BI e as funções DAX são utilizadas para realizar tarefas analíticas, como cálculos.
	
	
	As funções M são utilizadas para realizar tarefas analíticas, como cálculos, e as funções DAX são utilizadas na preparação e transformação dos dados no editor de consultas do Power BI.
	
Explicação:
As funções M são utilizadas na preparação e transformação dos dados no editor de consultas do Power BI e as funções DAX são utilizadas para realizar tarefas analíticas, como cálculos.
	
	
	
	 
		
	
		3.
		(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:
	
	
	
	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.
	
	
	A análise multidimensional representa os dados como tabelas, de forma semelhante aos bancos de dados relacionais.
	
	
	Para navegar nas dimensões do DW são utilizadas as operações drill, que não afetam o nível de granularidade da consulta.
	
	
	As operações slice and dice realizam a alteração nos dados do DW modificando o nível de granularidade da consulta.
	
	
	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.