Questões de Concurso
Comentadas sobre dw - data warehouse em banco de dados
Foram encontradas 713 questões
I. São os descritores dos dados e possuem o caráter qualitativo da informação e relacionamento de “um para muitos” coma tabela utilizada. É o componente que permite a visualização das informações por diversos aspectos e perspectivas.
II. Contém as métricas e possui o caráter quantitativo das informações descritivas armazenadas. É o componente no qual estão armazenadas as ocorrências do negócio e que possui relacionamento de “muitos para um” com as tabelas periféricas.
Os componentes I e I I são conhecidos, respectivamente como:
Esse modelo é conhecido como:
I. Ocorre quando o usuário aumenta o nível de detalhe da informação, diminuindo o nível de granularidade.
II. Ocorre quando o usuário aumenta o nível de granular idade, diminuindo o nível de detalhamento da informação.
As operações I e I I são denominadas, respectivamente:
Esse profissional é conhecido por:
Quando se trata de fatos acumulados, os modelos multidimensionais admitem atualizações de suas métricas.
Na recuperação e visualização de dados em um Data Warehouse, o drill trought ocorre quando o usuário visualiza a informação contida de uma dimensão para outra dimensão.
No desenvolvimento de um sistema de suporte, a decisão de se trabalhar com dados georreferenciados prioriza a criação inicial de um DW (Data Warehouse), seguido de Data Mining, ponto a partir do qual se inicia a criação de Data Marts com dados mais sumarizados que os do DW. Essa estratégia, conhecida como top-down, apresenta duas desvantagens: não permite a herança de arquitetura e repositório de metadados e sua implementação é mais longa que a do bottom-up.
Em uma modelagem multidimensional, as métricas são armazenadas na tabela fato, independentemente de estarem em um modelo Estrela ou Star Schema, podendo ser aditiva, correspondente a valores que podem ser aplicados às operações de soma, subtração e média, ou não aditiva, correspondente a valores percentuais, ou relativos, que não podem ser manipulados livremente.
Na modelagem de dados de um Data Warehouse, a mudança de uma hierarquia dimensional para outra é facilmente realizada em cubos de dados, por meio da técnica de roteamento.
Em um Data Warehouse (armazém de dados) que apresente a característica de ser não volátil, os dados não são atualizados após a inserção inicial.
Para viabilizar o processo de inteligência de negócio, é necessário o uso de um Data Warehouse.
O Data Warehouse tem como principal objetivo armazenar dados históricos por meio dos esquemas snow flake ou star schema. O primeiro armazena os dados em dimensões que podem não estar ligadas diretamente à tabela fato; o segundo é voltado para armazenamento de dados não estruturados ou textuais.
As ferramentas para extração, transformação e carga de dados (ETL) copiam todos os dados dos sistemas operacionais e os transferem para o Data Warehouse de forma a apoiar a análise corporativa das tendências e a realização de previsões empresariais.
O processo de extração, transformação e carga, comumente referenciado como ETL (Extract-Transform-Load), é um processo usado na criação e na atualização de um Datawarehouse.
Quanto à forma de armazenamento dos dados, o MOLAP é mais indicado para DataMarts que para DataWarehouse.
O processo de carga de um DataWarehouse consiste exclusivamente em adicionar novos dados históricos regularmente.
O modelo conhecido como SnowFlake Chain é contraindicado para situações em que as pesquisas requerem diversos níveis de sumarização da informação.