Vamos analisar a questão sobre modelagem dimensional em Data Warehouses que menciona a técnica de snowflaking.

Alternativa Correta: C - Certo

A questão afirma que o snowflaking é uma técnica de modelagem dimensional utilizada para salvar espaço em disco, mas não é recomendada para ambientes de data warehouse devido à complexidade adicional que traz, gerando um aumento no número de tabelas no banco de dados. Esta afirmação está correta.

Entendendo o Conceito:

No contexto de Data Warehouses, a modelagem dimensional é uma abordagem para estruturar dados de uma maneira que seja intuitiva para consultas. Existem duas formas principais de modelagem: a estrela (star schema) e a snowflake. O star schema é mais simples e direto, enquanto o snowflake normaliza as tabelas de dimensão para economizar espaço.

Por que o Snowflaking não é recomendado?

Embora o snowflaking possa economizar espaço de armazenamento, ele aumenta a complexidade do modelo ao adicionar mais tabelas e relacionamentos. Para um data warehouse, onde a facilidade de consulta e a performance são fundamentais, essa complexidade pode impactar negativamente a eficiência das consultas e a compreensão geral do modelo por parte dos usuários finais.

Conclusão:

A questão está correta em afirmar que o snowflaking não é a técnica mais adequada para ambientes de data warehouse, pois estes ambientes priorizam uma estrutura mais simples e otimizada para consultas, como a proporcionada pelo star schema.

Gostou do comentário? Deixe sua avaliação aqui embaixo!

Snowflaking normaliza dimensões para economizar espaço, mas aumenta o número de tabelas e joins. Isso torna o modelo mais complexo para os usuários e pode degradar o desempenho das consultas, razão pela qual, em geral, não é a abordagem preferencial em data warehouses, onde a simplicidade e o desempenho de consulta dos star schemas são frequentemente priorizados sobre a economia de espaço.

O item está correto.

O que é Snowflaking?

• É uma técnica de modelagem dimensional na qual as tabelas dimensionais são normalizadas — ou seja, divididas em múltiplas subtabelas relacionadas.
• Exemplo: a dimensão “Produto” pode ser dividida em “Produto”, “Categoria” e “Departamento”.

Vantagem:

• Economia de espaço em disco, já que evita a repetição de dados (reduz redundância).

Desvantagens:

• Aumenta o número de joins nas consultas, o que pode impactar negativamente o desempenho.
• Torna o modelo mais complexo e menos intuitivo, especialmente para usuários finais que utilizam ferramentas de BI ou SQL diretamente.

Em ambientes de Data Warehouse:

Normalmente se prefere o esquema estrela (tabelas desnormalizadas), pois:

• É mais simples de entender e consultar.
• É mais eficiente para consultas analíticas, que são mais comuns nesse contexto.

Assim, embora o snowflaking economize espaço, não é recomendado na maioria dos cenários de Data Warehouse, devido à sua complexidade e impacto na performance.