Questões de Concurso
Sobre dw - data warehouse em banco de dados
Foram encontradas 786 questões
Esse profissional é conhecido por:
Um grande repositório de dados não organizados pode ser definido como um Data Warehouse. Por outro lado, Data Mart é uma porção desses dados representados em outra base de dados e disponíveis para acesso a um grupo específico de usuários.
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.
Para garantir a eficiência na consulta aos dados modelados, realizada pelo modelo estrela, tanto as tabelas fato quanto as tabelas dimensão devem estar normalizadas.
A captura de dados baseada na técnica Timestamp é inadequada para capturar estados intermediários, nas situações em que os dados operacionais são transientes.
Em corporações que possuem diversos departamentos, a implementação de DataMarts facilita a disseminação das informações por todos os departamentos
Os dados armazenados em um DataWarehouse devem estar integrados, temporalmente identificados, orientados ao assunto e devem ser protegidos, de modo a se evitar o acesso do usuário.
Um DataWarehouse provê uma excelente base para a realização de DataMining, pois os algoritmos de DataMining demandam grandes quantidades de dados em nível detalhado; o DataMining tira vantagem de bases de dados que estejam integradas e limpas; e a infraestrutura necessária para a criação de um DataWarehouse atende às necessidades das operações de DataMining.