Aula 03 Tecnologia Da Informação

Tecnologia da Informao para ICMS/PE
Auditor Fiscal do Tesouro Estadual

Prof Victor Dalton - Aula 03
A U L A 03: B u sin e ss In te llig e n ce

S U M R IO
1.Business Intelligence
2. Data Mining
2.1 O Processo de Descoberta do Conhecimento em BDs(KDD)
2.2 Data Mining
3. Data Warehouse
3.1 Conceitos Bsicos
3.2 Caractersticas do Data Warehouse
3.3 Data Marts
Comparao - Data Mining x Data Warehouse
3.4 ETL
4. Ferramentas OLAP
4.1 Definio
4.2 Tabelas de fato e tabelas de dimenso
4.3 Duas formas de modelagem multidimensional: star e snow flake
4.4 Arquiteturas OLAP
4.5 Operaes em OLAP
Exerccios Comentados
Consideraes Finais
Exerccios
Gabarito
P G IN A
2
3
3
5
10
10
11
13
14
15
18
18
19
20
22
23
28
62
63
83
Ol am igos e amigas!
Nosso assunto de hoje B u s in e s s In te llig e n c e .
Estudar Business Intelligence uma continuao natural do estudo
de Bancos de Dados, uma vez que sua aplicao ocorre principalm ente sobre
eles. Acho que vocs vo entender o motivo de eu ter insistido em ensinar o
Modelo Relacional, na aula anterior. Sem ele, o aprendizado nessa aula seria
dificultado. Espero que gostem da aula, e no se esqueam dos vdeos
com plem entares.
Aos estudos!
Prof. Victor Dalton
www.estrategiaconcursos.com.br
1de 83
Estratgia

C O N C U R S O S ^
B U S IN E S S IN T E L L IG E N C E
1. B U S IN E S S IN T E L L IG E N C E (IN T E L IG N C IA DE N EG C IO )
Quando estudam os bancos de dados, nossa

conceituar d a d o , in fo rm a o , e c o n h e c im e n to .
primeira
preocupao
O Banco de dados, como o prprio nome diz, populado com d a d o s , que

esto relacionados com alguma finalidade. As in fo rm a e s , em um segundo
m om ento, so depreendidas dos prprios dados, com certa facilidade. s vezes,
a prpria modelagem dos dados em um form ato apresentvel j extrai
informao.
Obter c o n h e c im e n to , todavia, no uma tarefa sim ples. Encontrar
padres relevantes dentre m ilhares (ou m esm o milhes) de registros em bases
de dados distintas, de modo a subsidiar decises de negcio um verdadeiro
desafio em presarial. Nesse contexto, surge a Business Intelligence.
B u s in e s s I n t e llig e n c e ( B I ) pode ser traduzido como inteligncia de
negcios, ou inteligncia em presarial. Isto significa que um mtodo que visa
ajudar as em presas a tom ar decises inteligentes, por meio de dados e
informaes recolhidas por diversos sistem as de informao.
Prof. Victor Dalton
2 de 83
Estratgia
Cr nONNr iCi R
U R ; Sr >O <S;

Sendo assim , BI uma tecnologia que permite s em presas transform ar

dados guardados nos seus sistem as em Informao qualitativa e im portante
para a tom ada de deciso. H uma forte tendncia de que os produtos que
compem o sistem a de BI de uma em presa passem provenham funes extras
que auxiliem na tom ada de decises, como, por exem plo, ferram entas de Data
Mining.
Ou seja, B I um c o n ju n to d e t c n ic a s , m to d o s e fe r r a m e n ta s q u e
s u b s id ia m o p ro c e s s o d e d e c is o d e u m a e m p r e s a .
S is te m a s d e a p o io D e c is o (o u s u p o r te D e c is o ) costum am
com binar diversas dessas tcnicas, mtodos e ferram entas para suportar a
Inteligncia do Negcio.
Estudarem os uma tcnica de descoberta de conhecim ento, o D a ta M in in g ,
e uma ferram enta (repositrio de dados) chamada D a ta W a re h o u s e .
2. D A T A M IN IN G (M IN E R A O DE D A D O S )
2.1
O P r o c e s s o d e D e s c o b e rta d o C o n h e c im e n to em B D s (K D D )
O D a ta M in in g pode fazer parte de um processo maior, cham ado Processo

de Descoberta do Conhecim ento em Bancos de Dados (KDD). Como o prprio
nome diz, e, dentro do nosso contexto, este processo est diretam ente
relacionado Inteligncia de Negcios, pois com preende a descoberta de
padres teis em Bases de Dados.
Fayyad et al (1996) afirm am que o KDD com posto por cinco fases, a
saber:
Prof. Victor Dalton
3 de 83
Estratgia
C O N C U R S O S ^

Prof Victor Dalton -A ula 03
S e le o
Processo que define quais sero os dados a serem trabalhados. Os dados
podem ser selecionados das mais diversas fontes de dados, tais como: banco de
dados relacional, arquivo texto legado, dentre outros. Ainda, dentro do universo
de dados selecionados, outras restries podem ser aplicadas.
P r - p ro c e s s a m e n to
Estgio de "lim peza dos dados", por meio de remoo de inconsistncias,
ajustes de form atos de dados, anlise de outliers (rem over do universo dos
dados ou consider-los?).
Exs: O sexo de um paciente gestante (inform ao desnecessria)
Reconfigurao dos dados para assegurar form atos consistentes
(dados que distinguem sexo por "F" ou "M", e dados que distinguem por "M" ou
'H")
T r a n s fo rm a o
Transform am -se os dados em form atos utilizveis.
tcnica data mining usada.
Esta depender da
Exs: Rede neural, que converte valor literal em valor numrico

Disponibilizao os dados de maneira usvel e navegvel.
Prof. Victor Dalton
4 de 83
a verdadeira extrao dos padres de com portam ento dos dados.

Estudarem os parte.
I n te r p r e t a o e A v a lia o
Identificados os padres pelo sistem a, estes sero interpretados em
conhecim entos, os quais daro suporte tom ada de decises humanas.
2 .2
D a ta M in in g
D a ta M in in g , como o nome indica, se refere m inerao ou a descoberta

de inform aes em funo de padres ou regras em grande quantidade de
dados, sejam elas bases de dados convencionais ou no.
O DM utiliza tcnicas de inteligncia artificial que procuram relaes de
sim ilaridade ou discordncia entre dados.
Seu objetivo encontrar, autom aticam ente, padres, anom alias e regras
com o propsito de transform ar dados, aparentem ente ocultos, em informaes
teis para a tom ada de deciso e/ou avaliao de resultados.
Transform ed
Data
Assim ilated
Information
Extracted
I n f o r m a t io n
( select j
(.. transform
( mine
assim ilate)
= O
d
Esta m inerao pode utilizar vrias
conhecim ento. Vejam os algum as:
tcnicas
para
Prof. Victor Dalton
5 de 83
descoberta
de
Estratgia

Cr nONNr iCi R
U R ; Sr >O <S;
A s s o c ia o : Explicando de form a bem sim ples, enxergar alguma forma

de relao entre variveis (do tipo X influencia Y). Ex: Idade influencia valor do
carro comprado.
D e s c ri o d e c la s s e s : prov um resumo conciso e sucinto de uma coleo

de dados e a distingue de outras. O resum o de uma coleo de dados
chamado de caracterizao de classe; enquanto a com parao entre duas ou
mais colees de dados chamada com parao ou discrim inao de classe. A
descrio de classe no s deveria cobrir suas propriedades de resum o tal como
a contagem , som as, e clculos de mdias, mas tam bm suas propriedades sobre
a disperso dos dados, tais como a varincia, desvio padro, quartis, dentre
outros;
C la s s ific a o : o processo de encontrar um modelo que descreve classes
diferentes de dados (por exem plo, "ensinar" ao sistem a quais clientes bancrios
so de risco alto, mdio e baixo, por meio de alguns registros, e, a partir deste
ponto, a minerao por si s ser capaz de classificar o restante da base de
dados).
renda
+: exemplo
A o r u p a m e n t o f c lu s t e r in a ) : Sim ilar classificao, porm sem superviso
(o sistem a por si s sendo capaz de criar grupos).
Prof. Victor Dalton
6 de 83
D e s c o b e rta d e p a d r e s s e q u e n c ia is : Envolve a descoberta de

informaes relevantes com base na s e q u n c ia dos registros. Exemplo, o
sistem a descobrir que se o cliente compra po, provvel que tam bm compre
leite;
D e s c o b e rta d e p a d r e s e m s r ie s t e m p o r a is : Descoberta de
informaes relevantes com base na p o c a dos registros. Exemplo, o sistem a
descobrir que as vendas de guarda-chuva caem em determ inados meses do ano,
"coincidentem ente" na poca da seca;
R e g r e s s o : a anlise de diversas variveis para prever uma prxima. Por
exem plo, ver os exam es de um paciente e calcular a probabilidade de
sobrevivncia a uma cirurgia, com base no histrico de pacientes operados.
R e d e s n e u r a is : uma extenso da regresso (regresso generalizada),

utilizando princpios da inteligncia artificial;
A lg o r itm o s g e n t ic o s : so tcnicas de busca utilizadas na cincia da

com putao para achar solues aproxim adas em problem as de otim izao e
busca, sendo uma classe particular de algoritm os evolutivos que usam tcnicas
inspiradas pela biologia evolutiva como hereditariedade, mutao, seleo
natural e recombinao.
E X E M P L O C L S S IC O D A A P L I C A O DE D A T A M IN IN G !
Todo professor conta essa historinha ao falar de Data Mining, rs.

Prof. Victor Dalton
7 de 83
Estratgia

C O N C U R S O S ^
O W alm art, na dcada de 90, descobriu que homens c a s a d o s , entre 2 5 e

3 0 a n o s , com pravam fr a ld a s e/ou c e r v e ja s s sextas-feiras tarde no
cam inho do trabalho para casa. Assim sendo, a rede otim izou s gndolas nos
pontos de vendas, colocando as fraldas ao lado das cervejas, e o c o n s u m o d e
a m b o s o s p ro d u to s c re s c e u 3 0 % . C entre ns, uma associao entre fraldas
e cervejas no intuitiva. o tipo de coisa que o Data Mining pode revelar!
Ainda, as Lojas Brasileiras, antes de encerrarem suas operaes, em 1999,
aplicaram 1 milho de dlares em tcnicas de data mining, reduzindo de 51000
produtos para 14000 produtos oferecidos em suas lojas. Como exem plo de
anom alias detectadas, encontraram ro u p a s d e in v e r n o e g u a rd a c h u v a s
encalhados no N o rd e s te , bem como b a te d e ira s 1 1 0 v venda em SC, onde a
corrente 2 2 0 v . Se tivessem aplicado o DM antes, provavelm ente no teriam
falid o....
CAIU
na prova!
1) ( FCC - T R F 3 a R e g i o - A n a lis ta J u d ic i r io - B a n c o d e D a d o s - 2 0 1 4 )
Minerao de dados a investigao de relaes e padres globais que existem
em grandes bancos de dados, mas que esto ocultos no grande volum e de
dados. Com base nas funes que executam , h diferentes tcnicas para a
m inerao de dados, dentre as quais esto:
I. identificar afinidades existentes entre um conjunto de itens em um dado grupo
de registros. Por exemplo: 75% dos envolvidos em processos judiciais ligados a
ataques m aliciosos a servidores de dados tam bm esto envolvidos em
processos ligados a roubo de dados sigilosos.
II. identificar sequncias que ocorrem em determ inados registros. Por exemplo:
32% de pessoas do sexo fem inino aps ajuizarem uma causa contra o INSS
solicitando nova percia mdica ajuzam uma causa contra o INSS solicitando
ressarcim ento monetrio.
III. as categorias so definidas antes da anlise dos dados. Pode ser utilizada
para identificar os atributos de um determ inado grupo que fazem a
discrim inao entre 3 tipos diferentes, por exem plo, os tipos de processos
judiciais podem ser categorizados como infrequentes, ocasionais e frequentes.
Os tipos de tcnicas referenciados em I, II e III, respectivam ente, so:
I
II
III
R e d e s Neurais
rvore de d eciso
P ad r e s sequen ciais
A sso cia o
P ad r e s sequenciais
C la ssifica o
C la ssifica o
A sso cia o
P re viso
rvore de d eciso
C la ssifica o
A sso cia o
R e d e s Neurais
rvore de d eciso
Prof. Victor Dalton
8 de 83
Estratgia
Cr nONNr iCi R
U R ; Sr >O <S;

Questo clssica cobrando o entendim ento de tcnicas de Mining! Vam os

analisar as assertivas:
I. identificar afinidades existentes entre um conjunto de itens em um dado grupo
de registros. Por exem plo: 75% dos envolvidos em processos ju d icia is ligados a
ataques m aliciosos a servidores de dados tam bm esto envolvidos em
processos ligados a roubo de dados sigilosos. - ou seja, estam os dizendo que X
est associado a Y . Exemplo de A s s o c ia o !
II. identificar sequncias que ocorrem em determ inados registros. Por exemplo:
32% de pessoas do sexo fem inino aps ajuizarem uma causa contra o IN SS
solicitando nova percia m dica ajuzam uma causa contra o IN S S solicitando
ressarcim ento m onetrio - Se A aconteceu, B acontece em sequncia. P a d r e s
s e q u e n c ia is !
III. as categorias so definidas antes da anlise dos dados. Pode s e r utilizada

para identificar os atributos de um determ inado grupo que fazem a
discrim inao entre 3 tipos diferentes, p o r exem plo, os tipos de processos
ju d icia is podem se r categorizados como infrequentes, ocasionais e frequentes Eu pararia na frase sublinhada para m arcar C la s s ific a o . Sua grande diferena
para o A g ru p a m e n to justam ente a definio de categorias que realizada
pelo homem, antes da anlise dos dados. No a g ru p a m e n to a categorizao
ocorre depois da anlise, realizada pelo prprio Mining.
Resposta: a lte r n a tiv a b).___________________________________________________
Prof. Victor Dalton
9 de 83

3. D A T A W A R E H O U S E
3.1
C o n c e ito s B s ic o s
Um D a ta W a re h o u s e , ou a rm a z m d e d a d o s , ou ainda d e p s ito d e
d a d o s , um r e p o s it r io d e in fo r m a e s c o lh id a s d e v r ia s o rig e n s ,
a r m a z e n a d a s s o b um e s q u e m a u n ific a d o , e m um n ic o lo c a l. Quando
reunidos, os dados so arm azenados por muito tem po, perm itindo o acesso a
dados histricos. Ainda, o desenho da base de dados favorece os relatrios, a
anlise de grandes volum es de dados e a obteno de informaes estratgicas
que podem f a c ilit a r a to m a d a d e d e c is o .
O Data Warehouse possibilita a anlise de grandes volum es de dados,

coletados dos sistem as transacionais (O LT P). So as cham adas sries histricas
que possibilitam uma m elhor anlise de eventos passados, oferecendo suporte
s tom adas de decises presentes e a previso de eventos futuros. Por
definio, os dados em um data warehouse no so volteis, ou seja, eles no
mudam, salvo quando necessrio fazer correes de dados previam ente
carregados. Os dados esto disponveis som ente para leitura e no podem ser
alterados.
Prof. Victor Dalton
10 de 83
Estratgia

___________ Prof Victor Dalton -A ula 03
C O N C U R S O S ^
Qualquer fonte
Qualquer Dado
Qualquer acesso
1B
Dados
O peracionais
Data
W arehouse
Dados
Externos
Ferram entas
de con su ltas
Ferram entas
deO LAP
A p lica tiv o s
A ferram enta mais popular para explorao de um data warehouse

a O n lin e A n a ly t ic a l P r o c e s s in g O L A P ou Processo Analtico em Tem po Real,
mas m uitas outras podem ser usadas, como o D a ta M in in g .
Atualm ente, por sua capacidade de sum arizar e analisar grandes volum es
de dados, o data warehouse o ncleo dos sistem as de informaes
gerenciais e apoio deciso das principais solues de business intelligence do
mercado.
3 .2
C a r a c te r s t ic a s d o D a ta W a re h o u s e
O Datawarehouse possui 4 c a r a c t e r s t ic a s marcantes. So elas:
N o - v o l t il: Diferentem ente de um Banco de Dados operacional, o

Datawarehouse apenas recebe informaes. Excluses ou alteraes ocorrem
apenas para a correo de dados inseridos com erro.
Prof. Victor Dalton
11 de 83
Estratgia

C O N C U R S O S ^
No volatilidade
O P E R A C IO N A L
incluir
alterar
excluir
incluir
DATA W AREHOUSE
acessar
alterar
acessar
carregar
excluir
I n t e a r a d o : Um Datawarehouse deve ser integrado, ou seja, trabalha de

forma a globalizar e aproveitar os term os e as estruturas tcnicas que so
utilizados nos sistem as de informaes tradicionais. Por exem plo, na
representao de sexo, um Datawarehouse manipula todas as form as seguintes:
m" ou "f", "0" ou "1", "x" ou "y", "m acho" ou "fm ea", "hom em " ou "m ulher",
"dam a" ou "cavalheiro".
Integrao de dados
OPERACIONAL
Aplicao A: m ,f______________
Aplicao B: 1,0 --------------------Aplicao C: masculino, feminino
Aplicao A: caminho - centmetros
Aplicao B: caminho - ps
Aplicao C: caminho - jardas----Aplicao A: descrio _____ _
Aplicao B: descrio_________
Aplicao C: descrio----- .-------Aplicao A: chave char(10)-------Aplicao B: chave dec fixed(9,2)
Atdicaco C: chave chai 12
DATA WAREHOUSE
sexo:m, f
caminho:
centmetros
descrio
Chave
char(12)
Prof. Victor Dalton
12 de 83
Estratgia

Cr nONNr iCi R
U R ; Sr >O <S;
O rie n ta d o p o r a s s u n t o s : Um DW sem pre arm azena dados im portantes

sobre tem as especficos da em presa e conform e o interesse das pessoas que iro
utiliz-lo. Bancos de dados operacionais tratam de estoques, entradas e sadas
de m ateriais. DW trata de clientes, vendas e produtos.
Por exem plo, uma em presa pode trabalhar com vendas de produtos
alim entcios no varejo e ter o seu m aior interesse ser o perfil de seus
com pradores. Portanto, o DW ser voltado para as pessoas que com pram seus
produtos e no para os produtos que ela vende.
V a r ia n t e no t e m p o : A variao em relao ao tem po consiste na
m anuteno de um histrico de dados em relao ao perodo de tem po maior
que dos sistem as comuns. Ao analisarm os um dado de um DW, o mesmo
sem pre estar relacionado a um perodo determ inado de tem po, pois ter uma
chave de tem po que ir indicar o dia no qual esses dados foram extrados.
3 .3
D a ta M a rts
Um Data Mart pode ser considerado um "mini DataW arehouse". Entretanto,

ao invs de englobar uma em presa, um data mart envolver apenas um
determ inado setor (Adm inistrao, Marketing, RH), possibilitando uma
especializao m aior por ocasio da extrao do conhecimento. Ainda, Date
(Introduo a Sistem as de Bancos de Dados) diz que os Data Marts podem ser
volteis. Segundo o autor:
"Por e s p e c ia liz a d o entende-se que o Data M art (ferram enta OLTP) possui
uma estrutura baseada em um am biente, tema, situao, rea, se to r ou
aplicao especfica, enquanto o DW (ferram enta OLAP) se baseia em vrias
fontes de diversas aplicaes, fontes e situaes para facilitar um suporte a
deciso gerencial.
Por v o l til, entende-se que os dados do Data M art so alterados
frequentem ente, enquanto os do DW, p o r guardarem histrico, s so alterados
quando uma carga foi feita de forma errada, m as no frequentem ente como em
um data m art (que baseado em aplicaes)."
Existem duas abordagens para

Warehouse: a topdown e a bottom up.
os
relacionam entos
Prof. Victor Dalton
13 de 83
Data
Mart/Data
Estratgia

C O N C U R S O S ^
A b o rd a g e m B o tto m Up
Data Mart 1
Na abordagem bottom up, a organizao prefere iniciar seu repositrio de

dados pela criao dos Data Marts, para posteriorm ente criar o Data Warehouse.
Os Data Marts so menos com plexos e custos, e a integrao acontece
posteriorm ente.
A b o rd a g e m T o p D o w n
Data Mart 1
Na abordagem top down, a organizao cria inicialm ente o Data

W arehouse, para depois criar seus Data Marts, mais especializados. Soluo
tpica de organizaes mais maduras, e que podem arcar com os elevados
custos inicais da im plantao de um DW.
Prof. Victor Dalton
14 de 83
Estratgia

C O N C U R S O S ^
C O M P A R A O - D A T A M IN IN G x D A T A W A R E H O U S E
D a ta M in in g
D a ta W a r e h o u s e
T c n ic a d e B I q u e e x tr a i p a d r e s
te is e m b a n c o s d e d a d o s
R e p o s it r io h is t r ic o d e d a d o s ,
m o n ta d o d e fo rm a a f a c ilit a r a
e x tr a o d e c o n h e c im e n to
P o d e s e r a p lic a d o em b a n c o s d e
d a d o s c o m u n s , s is te m a s le g a d o s , e
ta m b m
em
D a ta
W a re h o u s e
( o n d e , p ro v a v e lm e n te , m e lh o re s
re s u lta d o s s e r o o b t id o s )
D iv e rs a s fe r r a m e n ta s p o d e m s e r
u tiliz a d a s
so b re
um
D a ta
W a re h o u s e ,
com o
fe rra m e n a s
O L A P , g e r a d o r e s d e r e la t r io s e
D a ta M in in g
A m b a s e s t o in s e r id a s n o c o n t e x t o d e B u s in e s s I n t e llig e n c e , c o m
o o b j e t iv o d e e x t r a i r c o n h e c im e n t o t il p a r a a t o m a d a d e d e c is e s
e m p r e s a r ia is !
3 .4
E x tra o , T ra n s fo rm a o e C a rg a
Operatkmal System
Olap Analysis
ETL
ERP
M .1,
Motadau
I
TnraftyitiMt
' .*j i i
Reporting
Su<nmry j
Data
CRM
Data Warahouse
Data Mining
Fiat
File s
Prof. Victor Dalton
15 de 83
Estratgia
C O N C U R S O S ^

Se voc prestou ateno nas im agens sobre sistem as de apoio deciso,

deve ter percebido que a alim entao de um DataW arehouse envolve, antes, o
trabalho de ETL (extrao, transform ao e carga dos dados).
ETL, na prtica, so ferram entas de software cuja funo a e x tr a o d e
d a d o s d e d iv e r s o s s is te m a s , t r a n s fo r m a o d e s s e s d a d o s c o n fo rm e
re g ra s d e n e g c io s e, p o r fim , a c a rg a d o s d a d o s em um Data M art ou um
Data Warehouse. A extrao e carga so obrigatrias para o processo, sendo a
transform ao/lim peza opcional. considerada uma das fases mais crticas do
Data Warehouse e/ou Data Mart.
Os projetos de data warehouse consolidam dados de diferentes fontes. A
maioria dessas fontes tendem a ser bancos de dados relacionais ou arquivo de
texto (texto plano), mas podem existir outras fontes. Um sistem a ETL tem que
ser capaz de se com unicar com as bases de dados e ler diversos form atos de
arquivos utilizados por toda a organizao. Essa pode ser uma tarefa no trivial,
e m uitas fontes de dados podem no ser acessadas com facilidade.
E x tra o
A primeira parte do processo de ETL a extrao de dados dos sistem as de
origem. Esses sistem as de origem podem ser: s is te m a s le g a d o s , b a n c o s d e
d a o d s e m d ife r e n t e s fo r m a to s (Oracle, DB2, Sql Server), o u tr o s s is te m a s
c o r p o r a tiv o s , in fo r m a e s p b lic a s d is p o n v e is e m s it e s w e b , dentre
outros.
Cada sistem a pode tam bm utilizar um form ato ou organizao de dados
diferente. Formatos de dados com uns so bases de dados relacionais e flat files
(tambm conhecidos como arquivos planos), mas podem incluir estruturas de
bases de dados no relacionais, como o IMS ou outras estruturas de dados,
como VSAM ou ISAM. A extrao converte para um determ inado form ato para a
entrada no processam ento da transform ao.
Prof. Victor Dalton
16 de 83
T r a n s fo rm a o
O estgio de transform ao aplica uma srie de regras ou funes aos
dados extrados para derivar os dados a serem carregados. Algum as fontes de
dados necessitaro de muito pouca m anipulao de dados. Em outros casos,
podem ser necessrios um ou mais de um dos seguintes tipos de transform ao:
Seleo de apenas determ inadas colunas para carregar (ou a seleo

de nenhuma coluna para no carregar);
Traduo de valores codificados (se o sistem a de origem arm azena 1
para sexo masculino e 2 para fem inino, mas o data warehouse
arm azena M para m asculino e F para fem inino, por exemplo);
Codificao de valores de forma livre (m apeando "M asculino","1" e
"S r." para M, por exem plo);
Derivao de um novo valor calculado (m ontante_vendas = qtde *
preo_unitrio, por exem plo);
Juno de dados provenientes de diversas fontes;
Resumo de vrias linhas de dados (total de vendas para cada loja e
para cada regio, por exem plo);
Gerao de valores de chaves substitutas (surrogate keys);
Transposio ou rotao (transform ando m ltiplas colunas em
m ltiplas linhas ou vice-versa);
Limpeza dos dados, ajustando valores no permitidos, erros de
ortografia, dentre outros;
Quebra de uma coluna em diversas colunas (como por exemplo,
colocando uma lista separada por vrgulas e especificada como uma
cadeia em uma coluna com valores individuais em diferentes
colunas).
C a rg a
A fase de carga carrega os daftos no Data Warehouse. Dependendo das
necessidades da organizao, este processo varia am plam ente. Alguns data
warehouses podem substituir as inform aes existentes sem analm ente, com
dados cum ulativos e atualizados, ao passo que outro DW (ou at m esm o outras
partes do mesmo DW, conhecidos como Data Marts) podem adicionar dados a
cada hora. A tem porizao e o alcance de reposio ou acrscim o constituem
opes de projeto estratgicas que dependem do tem po disponvel e das
necessidades de negcios. Sistem as mais com plexos podem m anter um histrico
e uma pista de auditoria de todas as m udanas sofridas pelos dados.
Prof. Victor Dalton
17 de 83

4. F E R R A M E N T A S O L A P
4 .1
D e fin i o
O L A P um term o utilizado para descrever a anlise de dados com plexos a

partir do Data Warehouse. Esta tecnologia permite aos analistas de negcios,
gerentes e executivos analisar e visualizar dados corporativos de forma rpida,
consistente e interativa.
A funcionalidade OLAP inicialm ente caracterizada pela a n lis e d in m ic a
e m u ltid im e n s io n a l d o s d a d o s consolidados de uma organizao, permitindo
que as atividades do usurio final sejam tanto analticas quanto navegacionais.
Esta tecnologia geralm ente im plem entada em am biente m ultiusurio e
cliente/servidor, oferecendo assim respostas rpidas s consultas adhoc
(construo de listagens, interligando a informao disponvel na base de dados
conform e as necessidades especificas da em presa, assim como a sua
exportao, possibilitando vrias sim ulaes), no im portando o tam anho do
banco de dados nem sua com plexidade. Essa tecnologia auxilia o usurio a
sintetizar informaes corporativas por meio de vises com parativas e
personalizadas, anlises histricas, projees e elaboraes de cenrios.
For
ProdUCt
Categories
show me the
cornf
clotfljn#
Time
F tb ru a ry
M m
2007
M a rc K
Apnl
*y
S l
S (
Am ount C o st
S * ln
Q cy
P r o f it
M a r t in X
Aeasures
Qual a m a rge m de lucro para b icicle ta s em fe v e re iro ? Esse o tip o de pergun ta que o O LA P vai re spon de r, em
um a busca m u ltid im e n sio n a l no banco de d ados (tem po , produto, m a rge m de lucro)
Prof. Victor Dalton
18 de 83
Estratgia

C O N C U R S O S ^
4 .2
T a b e la s d e fa to e ta b e la s d e d im e n s o
Na modelagem m ultidim ensional tem os 2 tipos principais de tabelas:

ta b e la s d e fa to e ta b e la s d e d im e n s o .
As tabelas contendo dados m ultidim ensionais so denom inadas ta b e la s d e
f a t o s , e norm alm ente, so muito grandes.
Fatos so norm alm ente cercados por um grande contexto textual
(dim enses). Fatos so muito especficos, tem atributos num ricos muito bem
definidos. Em contraste, o contexto textual que cerca as tabelas de fatos mais
aberto. No raro para o m odelador adicionar contextos (dim enses) para um
conjunto de fatos durante o trabalho de im plementao.
Embora o m odelador possa am arrar todo o contexto dentro de uma grande
lgica associada com cada fato, ele norm alm ente achar mais conveniente (e
intuitivo) dividir o contexto em grupos independentes. Quando voc grava fatos
(ex.: vendas de um determ inado produto em um ms), voc naturalm ente
divide o contexto em grupos: p ro d u to s , lo ja , te m p o , c lie n te , c a ix a e diversos
outros. Ns cham am os essa diviso de grupos de d im e n s e s e assum im os
inform alm ente que essas dim enses so independentes, ligadas a um fato (no
nosso exem plo, fato VENDA). A figura abaixo d um exem plo grosseiro de
modelo dim ensional para um fato venda.
Grocery Store
Retail dim ensions
Grocery Store Retail Fact Table

grain = line item on sales ticket
Grocery Store
Retail dimensions
Prof. Victor Dalton
19 de 83
Estratgia

C O N C U R S O S ^
Portanto, fica mais adequado (e reduz os espaos de arm azenam ento),

m odelar a tabela de fatos com estas dim enses sendo tratadas parte. Para tal,
os atributos dim ensionais da tabela de fatos sero c h a v e s e s t r a n g e ir a s para
as cham adas ta b e la s d e d im e n s o .
As tabelas de dim enso delim itam o universo de cada dimenso. Na tabela
Cliente (Custom er), por exem plo, ficaro registrados todos os clientes da base
de dados. Na tabela Produto, guardam -se todas as informaes acerca da base
de produtos. A tabela de fatos "apenas" faz o registro, de uma compra,
realizada, por um cliente, em uma loja, de um produto, em um dado momento.
4 .3
D u a s fo r m a s d e m o d e la g e m
E s tre la e F lo c o d e N e v e
m u ltid im e n s io n a l:
esq uem as
O M o d e lo E s tre la ( S ta r S c h e m a )
No modelo estrela todas as tabelas relacionam -se diretam ente com a
ta b e la d e fa to s . Sendo assim , as ta b e la s d im e n s io n a is devem conter todas
as descries que so necessrias para definir uma classe como Produto, Tempo
ou Loja nela mesma (veja exem plo na figura abaixo). Em sum a, as tabelas de
dim enses so desnorm alizadas no modelo estrela. Por consequncia,
detem inados cam pos como Categoria, Departam ento, Marca contero suas
descries repetidas em cada registro, assim , aum entando o tam anho das
tabelas de dim enso por repetirem estas descries de forma textual em todos
os registros.
DimensoMailing
DimensoPrcdo
DrtwnoClienie
Faio&_yer*ja
DmensSo Tempo
Orrwnsc UJja
Dimenso Promoo
Este modelo cham ado de estrela porque a tabela de fatos fica ao centro
cercada das tabelas dim ensionais assem elhado a uma estrela. Mas o ponto forte
a fixar que as dim enses no so norm alizadas.
Prof. Victor Dalton
20 de 83

O M o d e lo F lo c o d e N e v e ( S n o w F la k e )
No modelo Floco as tabelas dim ensionais relacionam -se com a tabela de
fatos, mas algum as dim enses relacionam -se apenas entre elas. Isto ocorre
para fins de norm alizao das tabelas dim ensionais, visando dim inuir o espao
ocupado por estas tabelas. Inform aes como Categoria, Departam ento e Marca
tornar-se-o, no exemplo, tabelas de dim enses auxiliares.
Dimenso Piorrocao
Dimenso toia
Fatos Venda
Marca
Meio
Dimenso Te
Ano
Ms
Dimenso P rn d il/
O^atarrenio
C a te q iia
No modelo Floco existem tabelas de dim enses auxiliares que norm alizam
as tabelas de dim enses principais. Na figura anterior, A n o , M s e D ia so
tabelas que norm alizam a Dimenso T e m p o , ao passo que C a te g o ria ,
D e p a rta m e n to e M a rc a norm alizam a Dim enso P r o d u t o e a tabela M e io
norm aliza a Dim enso P ro m o o .
Construindo a base de dados desta form a, passam os a utilizar mais tabelas
para representar as m esm as dim enses, mas ocupando um espao em disco
m enor do que o modelo estrela. Este modelo cham a-se floco de neve, pois cada
dim enso se divide em vaias outras tabelas, onde organizadas de certa forma
lembra um floco de neve.
C o n s id e ra e s
O Modelo Floco (Snow Flake) reduz o espao de arm azenam ento dos dados
dim ensionais mas acrescenta vrias tabelas ao modelo, deixando-o mais
com plexo, tornando mais difcil a navegao pelos softwares que utilizaro o
banco de dados. Um outro fator que mais tabelas sero utilizadas para
executar uma consulta, ento mais JOINS de instruo SQL sero feitos,
tornando o acesso aos dados mais lento do que no modelo estrela.
O Modelo Estrela (S ta r Schem a) mais sim ples e mais fcil de navegao
pelos softwares, porm desperdia espao repetindo as m esm as descries ao
longo de toda a tabela. Porm, anlises mostram que o ganho de espao
Prof. Victor Dalton
21 de 83
Estratgia
r nNr i i R; r ><;
C O N C U R S O S

norm alizando este esquem a resulta em um ganho inferior a 1% do espao total

no banco de dados. Isto posto, cabe analisar outros fatores mais im portantes
para serem avaliados para reduo do espao em disco, como a adio de
agregados e alterao na granularidade dos dados, por exemplo.
D ic a d o p ro fe s s o r: Se voc sentir muita insegurana para definir a tabela

de fatos e as tabelas de dim enso, procure identificar a tabela com mais chaves
estrangeiras. Q U A S E SEMPRE esta ser a ta b e la d e f a t o s . A tabela de fatos,
por conter contedos de dim enses diferentes, precisa ter de chaves
estrangeiras que se relacionem com as chaves prim rias das ta b e la s d e
d im e n s o , que, via de regra, apenas discrim inam o "contedo" de uma
dimenso. Alm disso, a c a rd in a lid a d e da tabela de fatos norm alm ente o "n "
da relao (1:n).
4 .4
A r q u ite t u r a s O L A P
A anlise m ultidim ensional uma das grandes utilidades da tecnologia

OLAP, consistindo em ver determ inados cubos de informaes de diferentes
ngulos e de vrios nveis de agregao. Os "cubos" so m assas de dados que
retornam das consultas feitas ao banco de dados e podem ser m anipulados e
visualizados por inm eros ngulos e diferentes nveis de agregao.
Conform e o mtodo de arm azenam ento de dados utilizado para uma
aplicao OLAP, ser elaborada a arquitetura da aplicao. Os mtodos de
arm azenam ento de dados, so MOLAP, ROLAP, DOLAP e HOLAP. Cada um deles
tem uma funo especfica e deve ser utilizada quando m elhor atender s
necessidades de anlise pela ferram eg ta de OLAP.
No M O L A P ( M u lt id im e n s io n a l O n -L in e A n a iy t ic a i P r o c e s s in g ) os
dados so arm azenados de forma m ultidim ensional (como se fosse um c u b o d e
d a d o s). Sua im plem entao varia de acordo com a sua ferram enta de OLAP,
mas frequentem ente im plem entado em um banco de dados relacional, porm
no na terceira forma normal. Alm disto o acesso aos dados ocorre diretam ente
no banco de dados do servidor m ultidim ensional. Os gerenciadores de banco de
dados tm um limite prtico quanto ao tam anho fsico de dados que eles podem
manipular. As restries de arm azenam ento e desem penho lim itaro o tam anho
do banco de dados, no esquecendo o limite das dim enses que tambm
restringem sua manipulao. A com plexidade que existe no processo de carga
de um banco de dados m ultidim ensional, pode acarretar a demora no processo.
Prof. Victor Dalton
22 de 83
Estratgia
r nNr i i R; r ><;
C O N C U R S O S

O processo de carga com plexo devido a srie de clculos que devem ser
realizados para agregar os dados s dim enses e preencher as estruturas do
banco. Depois do processo concludo, ainda realizado uma srie de
m ecanism os para m elhorar a capacidade de pesquisa.
J no R O L A P ( R e la t io n a l O n -L in e A n a ly tic a l P r o c e s s in g ) os dados so
arm azenados no modelo relacional como tam bm suas consultas so
processadas pelo gerenciador do banco relacional.
Por outro lado, o D O L A P ( D e s k to p O n -L in e A n a ly tic a l P r o c e s s in g )
uma variao que existe para fornecer portabilidade dos dados, uma vez que o
conjunto de dados m ultidim ensional criado no servidor e transferido para o
desktop. A vantagem que oferece esta arquitetura a reduo do trfico na
rede.
Existem tambm arquiteturas hbridas como a H O L A P (H y b rid O n -L in e
A n a ly t ic a l P r o c e s s in g ) , na qual ocorre uma com binao entre ROLAP e
MOLAP. A vantagem que com a mistura de tecnologias pode-se extrair o que
h de m elhor de cada uma, a alta perform ance do MOLAP e a escalabilidade do
ROLAP.
Dentre as arquiteturas mais recentes, podemos citar a W O L A P (W e b O n
L in e A n a ly t ic a l P r o c e s s in g ) , que dispara suas consultas via navegador web
para o servidor, que por sua vez retorna enviando o cubo processado de volta,
para que possa ser analisado pelo usurio.
4 .5
O p e ra e s e m O L A P
Ao navegar-se pelos cubos OLAP, diversas so as operaes possveis para

a visualizao da informao que se busca. Essas operaes recebem diversos
nomes, a saber:
D r ill D o w n : O Drill Down ocorre quando o usurio aum enta o nvel de
detalhe da informao, dim inuindo o grau de granularidade, como passar de
sem estre para trim estre.
D r ill U p ( o u R o ll U p ): O Drill Up o contrrio do Drill Down. Ele ocorre
quando o usurio aum enta o grau de granularidade, dim inuindo o nvel de
detalham ento da informao, como passar de ms para trim estre.
D r ill T h ro u g h t: O Drill Throught ocorre quando o usurio passa de uma
informao contida em uma dim enso para uma outra. Por exemplo: Estou na
Prof. Victor Dalton
23 de 83
Estratgia

C O N C U R S O S ^
dim enso de tem po e no prximo passo com eo a analisar a informao por

regio.
D r ill A c r o s s : O D rill Across ocorre quando o usurio pula um nvel
interm edirio dentro de uma mesma dimenso. Por exemplo: a dim enso tempo
com posta por ano, sem estre, trim estre, ms e dia. O usurio estar
executando um Drill Across quando ele passar de ano direto para trim estre ou
ms, sem passar por sem estre.
S lic e A n d D ic e : So duas operaes distintas. A operao slice (fatiar)
seleciona dados de uma nica dim enso de um cubo ao passo que a operao
dice (do ingls "dado") extrai um subcubo do cubo, efetuando uma operao de
seleo sobre duas ou mais dim enses do mesmo.
C ro s s - jo in : O Cross-join um recurso no qual dados so unidos e colunas
e linhas so invertidas, perm itindo uma m elhor visualizao sob a tica do
negcio. Por exemplo:
Cliente
Produto
Quantidade
ABC
Camisa
20
ABC
Cala
10
XYZ
Camisa
30
XYZ
Cala
20
Produto
ABC
XYZ
Camisa
20
30
Cala
10
20
Cross-join. Modificou-se o foco do Cliente para o Produto.
P iv o t: O Pivot sim ilar ao cross-join, mas envolve som ente a rotao do

cubo, sem a juno dos dados.
A le r t a s : Os Alertas so utilizados para indicar situaes de destaque em
elem entos dos relatrios, baseados em condies envolvendo objetos e
variveis. Servem para indicar valores m ediante condies mas no para isolar
dados pelas mesmas.
R a n k in g : A opo de ranking permite agrupar resultados por ordem de
m aiores / m enores, baseado em objetos num ricos (Measures). Esta opo
impacta som ente uma tabela direcionada (relatrio) no afetando a pesquisa
(Query).
F ilt r o s : Os dados selecionados por uma Q uery podem ser subm etidos a
condies para a leitura na fonte de dados. Os dados j recuperados pelo
Usurio podem ser novam ente "filtrados" para facilitar anlises diretam ente no
documento.
Prof. Victor Dalton
24 de 83
Estratgia

C O N C U R S O S ^
S o r t s : Os sorts servem para ordenar uma informao. Esta ordenao

pode ser custom izada, crescente ou decrescente.
B re a k s : Os Breaks servem para separar o relatrio em grupos de
informaes (blocos). Por exemplo: O usurio tem a necessidade de visualizar a
informao por cidades, ento ele deve solicitar um Break. Aps esta ao ter
sido executada, autom aticam ente o relatrio ser agrupado por cidades,
som ando os valores m ensurveis por cidades.
C o n s u lta s A d -H o c : So consultas com acesso casual nico e tratam ento
dos dados segundo parm etros nunca antes utilizados, geralm ente executado de
forma iterativa e heurstica.
CAIU
na prova!
2 ) ( FCC - T R F 3 a R e g i o - A n a lis ta J u d ic i r io - B a n c o d e D a d o s - 2 0 1 4 )
A tecnologia de Data W arehouse oferece suporte s ferram entas OLAP, que
apresentam vises m ultidim ensionais de dados permitindo a anlise das
operaes de negcio para facilitar a tom ada de decises. Estas ferram entas
suportam algum as operaes de maneira a dar aos analistas o poder de
observar os dados de vrias m aneiras em nveis diferentes. Considere duas
destas operaes m ostradas nas figuras abaixo.
Prof. Victor Dalton
25 de 83
Estratgia

C O N C U R S O S ^
Regio
Ano
D ad os
sia
Europa
Amrica do Norte
Total Geral
Soma de Hardware
97
23
198
318
Soma de Software
83
41
425
549
Soma de Hardware
115
28
224
367
Soma de Software
78
65
410
553
Soma de Hardware
102
25
259
386
Soma de Software
55
73
497
625
Soma de Hardware Total
314
76
681
1071
Soma de Software Total
216
179
1332
1727
2010
2011
2012
Ano
Regio
D ados
2010
2011
2012
Total Geral
Soma de Hardware
97
115
102
314
Soma de Software
83
78
55
216
Soma de Hardware
23
28
25
76
Soma de Software
41
65
73
179
Soma de Hardware
198
224
259
681
Soma de Software
425
410
497
1332
Soma de Hardware Total
318
367
386
1071
Soma de Software Total
549
553
625
1727
Asia
Europa
Amrica do Norte
Figura 1
R e g i o
V a ria o d e v e n d a s
frica
105%
57%
A sia
E u ro p a
122%
A m ric a do N orte
97%
P acifico
85%
163%
A m ric a do S ul
V a r ia o d e v e n d a s
P a is
C h in a
123%
J ap o
52%
ndia
87%
C in g ap u ra
95%
F ig u ra 2
Prof. Victor Dalton
26 de 83
Estratgia
r nNr i i R; r ><;
C O N C U R S O S

As operaes m ostradas na Figura 1 e na Figura 2, respectivam ente, so

(A) rotao e drill-down.
(B) ROLAP e drill-through.
(C) rotao e roll-up.
( d ) roll-up e rotao.
( e ) drill-down e ROLAP.
Na operao I ocorre uma "rotao", trocando linhas com colunas, sem

aglutinao dos dados. Exemplo tpico de p iv o t, chamado pela banca de
rotao.
Na operao II dado um zoom na Regio sia, m ostrando-a por pases. o
fam oso drill-down.
Resposta: a lte r n a tiv a a).___________________________________________________
E n fim , fin a liz a m o s a p a rte de BI. N o d e ix e de v e r os e x e rccio s!
Prof. Victor Dalton
27 de 83

E X E R C C IO S C O M E N T A D O S
1a Questo) (E S A F - A n a lis ta d e P la n e ja m e n to e O r a m e n to
T e c n o lo g ia da I n fo r m a o - 2 0 1 0 ) BI - Business Inteligence
a) uma tcnica de otim izao da rvore de deciso.

b) um mtodo de form ao avanada de gestores.
c) com preende ferram entas de anlise de dados para otim izar os processos
produtivos de uma empresa.
d) so tcnicas, mtodos e ferram entas para m inerao de dados na rea
de negcios de uma empresa.
e) so tcnicas, mtodos e ferram entas de anlise de dados para subsidiar
processos de deciso de uma empresa.
Business Intelligence (BI) pode ser traduzido como inteligncia de
negcios, ou inteligncia em presarial. Na prtica, configura-se como um
conjunto de t c n ic a s , m to d o s e fe r r a m e n ta s q u e s u b s id ia m o p r o c e s s o
d e d e c is o d e u m a e m p re s a .
Resposta, le tra e). As dem ais alternativas servem para confundi-lo.
2a Questo) (E S A F - C o m is s o d e V a lo r e s M o b ili r io s - A n a lis ta d e

S is te m a s - 2 0 1 0 ) O sistem a de apoio a deciso
a) visa obter inform aes de todos os nveis a partir de informaes
detalhadas arm azenadas nos sistem as de processam ento de aes.
b) analisa dados on-line coletados por sistem as de processam ento de
transio, para ajudar as pessoas a executar aes operacionais.
c) visa obter informaes de alto nvel a partir de informaes gerenciais
arm azenadas nos sistem as de processam ento de documentos.
d) analisa dados coletados por sistem as de processam ento de inovao,
para ajudar as pessoas a viabilizarem aes de transcries.
e) analisa dados on-line coletados por sistem as de processam ento de
transao, para ajudar as pessoas a tom arem decises de negcios.
particularm ente fcil acertar esta questo porque som ente uma
alternativa fala o bvio sobre a atividade fim destes sistem as, que dar suporte
deciso. Mas form alizem os um pouco mais.
Os sistem as de apoio deciso servem para dar apoio aos tom adores de
deciso, lderes de uma organizao com dados de mais alto nvel para decises
com plexas e im portantes (logo, decises de negcio). Estas ferram entas podem
trabalhar com descoberta de conhecim ento e processam ento online de
Prof. Victor Dalton
28 de 83
Estratgia
r nNr i i R; r ><;

C O N C U R S O S
transaes,
percepo.
para
perm itir que
tom ador de
deciso
tenha
sua
prpria
A lt e r n a t iv a e).
3a Questo) (C E S P E - B a n c o C e n tra l - A n a lis ta - A n lis e e

D e s e n v o lv im e n to d e S is te m a s - 2 0 1 3 ) Inteligncia de negcios (business
intelligence) refere-se aos processos de obteno de informaes vlidas a partir
de dados oriundos de fontes diversas (ERPs, CRMs, sistem as legados etc.), que
sero utilizados para apoiar decises de negcios.
C o rre to . Sistem as Integrados de Gesto Em presarial (ERPs), Sistem as de

Gesto de Relacionam ento com o Consum idor (CRMs), sistem as legados, bancos
de dados, a Internet, Data W arehouses, dentre outros, podem ser fontes para a
obteno de dados para fundam entar decises de negcios.
4a Questo) (U E P A - S E F A / P A - A u d it o r F is c a l d e R e c e ita s E s ta d u a is
- 2 0 1 3 ) Leia o texto para responder questo abaixo.
Fiscalizao
Eletrnico
Tributria
ter
Posto
Fiscal
Mais rapidez e segurana fisca liza o do

tra n sp o rte de m ercadorias d estinadas ao D istrito
Federal e que circulam pela regio. Essa a
proposta
do
Posto
Fiscal
E letrnico,
novo
program a de m onitoram ento de cargas que est
sendo lanado pela S ecretaria de Fazenda do
D istrito Federal (SEF/D F). A proposta v e rific a r os
produtos em trnsito , antes m esm o de chegarem
ao destino, a partir da a nlise das inform aes da
m om ento da em isso do docum ento, na origem .
No am biente v irtu a l, ser possvel a n a lisa r 0
universo da nota e a g re g a r bases de dados de
outras in stitu i es alm da Fazenda, com o da
Receita Federal do Brasil, por exem plo. Alm de
a ce ssa r dados de aes a n terio res para a
v erifica o de riscos potenciais. (...)
Extrado de http://w w w .fazen da.df.gov.br/aplicacoes/no ticias/
noticias_detalhe.cfm ?co_seq_n oticia= 3461
A soluo de TI que est relacionado ao texto :

a) a construo de um portal corporativo
b) a utilizao de uma ferram enta de Business Inteligence
Prof. Victor Dalton
29 d e 8 3

c) a construo de um portal colaborativo
d) a im plantao de Governana em TI
e) a aquisio de novos ativos de rede
Pela descrio do texto, notvel que a soluo a utilizao de uma

ferram enta de Business Intelligence. Mais especificam ente, a questo parece
citar F e rra m e n ta s O L A P , pois, de m aneira online, vai processar inform aes de
notas fiscais dos estados de origem , cruzando com dados de outras bases, como
a RFB. Alm disso, parece tam bm ter um pouco de D a ta M in in g , pois vai
analisar os dados com dados anteriores, para analisar riscos potenciais. Na
prtica, no "um a ferram enta de BI", pois envolve mais de uma ferram enta.
Mesmo assim , a lte r n a tiv a b).
5a Questo) (F C C - T S T - A n a lis ta J u d ic i r io - A n lis e d e S is te m a s 2 0 1 2 ) Leia as afirm aes a seguir:

I. Um Data W arehouse um repositrio de dados atuais e histricos de
uma organizao que possibilita a anlise de grande volum e de dados para
suportar a tom ada de decises estratgicas, possuindo registros permanentes.
II. O processo de Data Mining, ou m inerao de dados, tem por objetivo
localizar possveis informaes em um banco de dados atravs de com paraes
com dados inform ados pelo usurio e registros de tabelas.
III. Um ERP, ou Sistem a Integrado de Gesto Em presarial, conhecido por
integrar os dados de diferentes departam entos de uma organizao,
aum entando o uso de interfaces m anuais nos processos.
IV. As ferram entas OLAP (On-line Analytical Processing) so capazes de
analisar grandes volum es de dados, fornecendo diferentes perspectivas de viso
e auxiliando usurios na sintetizao de informaes.
Est correto o que se afirma APENAS em
a)
b)
c)
d)
e)
I e II.
II e III.
I, III e IV.
I, II e III.
I e IV.
Prof. Victor Dalton
30 de 83

Analisando as alternativas:
I. C o rre ta . O Data W arehouse um repositrio de dados orientado
tom ada de decises.
II. E rra d a . O Data Mining tem por objetivo e n c o n t r a r p a d r e s te is em
b a s e s d e d a d o s , no se relacionando com com paraes de dados informados
pelo usurio.
III. E rra d a . Um ERP procura elim inar as interfaces m anuais nos processos,
no aum ent-las.
IV. C o rre ta .
Portanto, a resposta a ser marcada a a lte r n a tiv a e).
6a Questo) (F C C - T R T / 9 a R e g i o - T c n ic o J u d ic i r io - T e c n o lo g ia
da I n fo r m a o - 2 0 1 3 ) Com o crescente aum ento do volum e de dados, surge
a necessidade de ferram entas e m ecanism os que permitam que eles possam ser
analisados de forma otim izada, uma vez que arm azenam toda a trajetria da
em presa. Uma soluo a utilizao de ...I... que, em sntese, utilizado para
arm azenar conjuntos de dados organizados por assuntos, mantendo todo um
histrico corporativo. Outro recurso muito utilizado e dos mais im portantes
quando o objetivo a busca de conhecim ento, o ...II... , que um processo
que consiste na identificao de informaes relevantes que esto presentes em
grandes bancos de dados ou repositrios, geralm ente realizado em trs etapas:
a explorao, a definio dos padres e a validao dos dados. Estas
ferram entas e tcnicas fazem parte do ...III... , definido como um conjunto de
mtodos e conceitos que podem ser im plem entados atravs de softwares com o
intuito de utilizar os dados im portantes da organizao para auxiliar no processo
de tom ada de decises, proporcionando m elhorias para a alta adm inistrao.
Outra tecnologia que pode prover uma m elhor e mais flexvel anlise das
informaes, o ...IV... que permite uma viso conceitual de forma
m ultidim ensional das informaes da organizao, de maneira que as
informaes possam ser visualizadas e analisadas de diferentes perspectivas
pelo usurio.
(http://w w w .devm edia.com .br/m ineracao-de-dados-data-w arehouse-datam ining-bi-e-olap-atraves-do-fastcube-revista-clubedelphi-146/26537)
As lacunas que com pletam corretam ente o texto esto expressas em
Prof. Victor Dalton
31 de 83
Estratgia

C O N C U R S O S ^
II
I I I
IV
D a ta W a re h o u s e
D a ta M a rt
CPM
SGBD
D a ta M in in g
D a s h b o a rd
O LAP
O LAP
B u s in e s s In te llig e n c e
D a ta M in in g
D a s h b o a rd
D a ta M in in g
O LAP
O LAP
D a ta M a rt
D a ta W a re h o u s in g
E ento, achou tranquila a questo? Espero que sua associao mental

tenha sido veloz!
I - arm azenar conjuntos de dados orientados por assunto, mantendo
um histrico corporativo - D a ta W a re h o u s e ;
II - identificao de informaes relevantes em bancos de dados D a ta M in in g ;
III - conjunto de mtodos e conceitos para a tom ada de decises B u s in e s s In te llig e n c e ;
IV - viso m ultidim ensional das informaes da organizao - O L A P .
A lt e r n a t iv a d).
7a Questo) (F C C - S E F A Z / R J - A u d it o r F is c a l da R e c e ita E s ta d u a l 3 a C a te g o ria - 2 0 1 4 ) Sistem as de BI - Business Intelligence renem um

conjunto de tecnologias orientadas a disponibilizar informao e conhecim ento
em uma organizao, dentre as quais est o DW. Um am biente que utiliza DW
rene processos e ferram entas, est sem pre em evoluo e pode ser visualizado
como na figura abaixo.
Prof. Victor Dalton
32 de 83
Estratgia

C O N C U R S O S ^
Os com ponentes I, II, III e IV esto corretam ente identificados em:

I
II
III
IV
Staging Area
S iste m a s O L A P
Banco de D ados
M ultidim ensionais
S istem as de Data
M ining
S istem as O L A P
S istem as E T L
DW
S istem as de Data
M ining
DW
S istem as E T L
S iste m a s O L T P
DW
Dafa Marts
S istem as O L A P
Ban co de Dados
T ransacionais
Data Marts
DW
Banco de D ados
M ultidim ensionais
Banco de D ados
T ransacionais
ERP
Mais um diagram a ilustrativo de processos de Business Intelligence. Como

no existe uma nica soluo para tal, esta questo obriga que voc utilize as
informaes j existentes no diagram a, e trabalhe por elim inao para encontrar
a alternativa correta.
Inicialm ente, aquelas alternativas que possuem sistem as de anlise antes
da ponta final do processo esto equivocadas. Alternativa a) e b), com Sistem as
OLAP no incio do processo, podem ser sum ariam ente elim inadas.
A alternativa c) inicia por um Data W arehouse e , aps o processo de ETL,
monta sua base inteligente em um Banco de Dados Transacional. Tambm
incorreta.
A alternativa e), por fim, poderia at colocar uma dvida na sua cabea,
mas ela possui, na "ponta da linha", um banco de dados m ultidim ensional. Mas
um banco de dados m ultidim ensional por si s no oferece anlise e utilizao
estratgica da informaes. Quem possibilita isso um S is te m a O L A P .
Portanto, a alternativa correta a le tra d). Os Sistem as OLTP so fontes
de dados, que so tratados e com pilados em um D a ta W a re h o u s e , que pode
ser replicado e especializado em D a ta M a rts , cujos dados podem ser utilizados
por S is te m a s O L A P para acesso, anlise e tom ada de decises.
8a Questo) (F C C - IN F R A E R O - A n a lis ta S u p e r io r I I I - A n a lis ta d e

S is t e m a s / A d m in is t r a d o r d e B a n c o d e D a d o s - 2 0 1 1 ) No m bito da
descoberta do conhecim ento (KDD), a viso geral das etapas que constituem o
processo KDD (Fayyad) e que so executadas de forma interativa e iterativa
apresenta a seguinte sequncia de etapas:
a)
seleo,
interpretao/avaliao.
pr-processam ento,
transform ao,
Prof. Victor Dalton

w w w .e s tra te g ia c o n c u rs o s .c o m .b r
33 d e 83
data
mining
Estratgia
C O N C U R S O S ^

b) seleo, transform ao, pr-processam ento, interpretao/avaliao e

data mining.
c) data warehousing, star modeling, ETL, OLAP e data mining.
d) ETL, data warehousing, pr-processam ento, transform ao e star
modeling.
e) OLAP, ETL, star modeling, data mining e interpretao/avaliao.
Relem brando:
A lt e r n a t iv a a).
9a Questo) (E S A F - A n a lis ta d e P la n e ja m e n to
T e c n o lo g ia da I n fo r m a o - 2 0 1 0 ) Minerao de Dados
e O r a m e n to
a) uma forma de busca sequencial de dados em arquivos.

b) o processo de program ao de todos os relacionam entos e algoritm os
existentes nas bases de dados.
c) por ser feita com mtodos com piladores, mtodo das redes neurais e
mtodo dos algoritm os gerativos.
d) engloba as tarefas de m apeam ento, inicializao e clusterizao.
e) engloba as tarefas de classificao, regresso e clusterizao.
Data Mining, como o nome indica, se refere m inerao ou a descoberta
de inform aes em funo de padres ou regras em grande quantidade de
dados.
Prof. Victor Dalton
34 de 83
Esta m inerao pode utilizar vrias tcnicas para

conhecim ento. Vejam os algum as, de forma bem resumida:
descoberta
de
A s s o c ia o : Explicando de forma bem sim ples, enxergar alguma

forma de relao entre variveis (do tipo X influencia Y);
D e s c ri o d e c la s s e s : prov um resumo conciso e sucinto de uma
coleo de dados e a distingue de outras. O resumo de uma coleo
de dados chamado de caracterizao de classe; enquanto a
com parao entre duas ou mais colees de dados chamada
com parao ou discrim inao de classe. A descrio de classe no s
deveria cobrir suas propriedades de resum o tal como a contagem ,
som as, e clculos de mdias, mas tam bm suas propriedades sobre
a disperso dos dados, tais como a varincia, desvio padro, quartis,
dentre outros;
C la s s ific a o : o processo de encontrar um modelo que descreve
classes diferentes de dados (por exem plo, "ensinar" ao sistem a quais
clientes bancrios so de risco alto, mdio e baixo, por meio de
alguns registros, e, a partir deste ponto, a minerao por si s ser
capaz de classificar o restante da base de dados).
A a r u p a m e n t o f c lu s t e r in g ) : Sim ilar classificao, porm sem
superviso (o sistem a por si s sendo capaz de criar grupos).
D e s c o b e rta d e p a d r e s s e q u e n c ia is : Exemplo, o sistem a
descobrir que se o cliente com pra po, provvel que compre po e
leite;
D e s c o b e rta d e p a d r e s em s r ie s t e m p o r a is : Exemplo, o
sistem a descobrir que as vendas de guarda-chuva caem na poca da
seca;
R e g r e s s o : a anlise de diversas variveis para prever uma
prxima (exem plo, ver os exam es de um paciente e calcular a
probabilidade de sobrevivncia a uma cirurgia, com base no histrico
de pacientes operados);
R e d e s n e u r a is : urtpa
extenso da regresso (regresso
generalizada), utilizando princpios da inteligncia artificial;
A lg o r itm o s g e n t ic o s : so tcnicas de busca utilizadas na cincia
da com putao para achar solues aproxim adas em problem as de
otim izao e busca, sendo uma classe particular de algoritm os
evolutivos que usam tcnicas inspiradas pela biologia evolutiva como
hereditariedade, mutao, seleo natural e recombinao.
J d pra m arcar a resposta correta, no? A lt e r n a t iv a e).
10a Questo) (F C C - T R F 4 - A n a lis ta J u d ic i r io - A p o io E s p e c ia liz a d o

- E s p e c ia lid a d e I n fo r m tic a - 2 0 1 0 ) Sobre data mining, correto afirmar:
Prof. Victor Dalton
35 de 83

a) No requer interao com analistas humanos, pois os algoritm os
utilizados conseguem determ inar de forma com pleta e eficiente o valor dos
padres encontrados.
b) Na minerao de dados, encontrar padres requer que os dados brutos
sejam sistem aticam ente "sim plificados", de forma a desconsiderar aquilo que
genrico e privilegiar aquilo que especfico.
c) um grande banco de dados voltado para dar suporte necessrio nas
decises de usurios finais, geralm ente gerentes e analistas de negcios.
d) O processo de descobrim ento realizado pelo data mining s pode ser
utilizado a partir de um data warehouse, onde os dados j esto sem erros, sem
duplicidade, so consistentes e habilitam descobertas abrangentes e precisas.
e) o processo de descoberta de novas correlaes, padres e tendncias
entre as informaes de uma em presa, por meio da anlise de grandes
quantidades de dados arm azenados em bancos de dados usando tcnicas de
reconhecim ento de padres, estatsticas e matemticas.
Analisando as alternativas:
a) Errada, pois, m esm o que seja som ente para analisar e validar o
resultado do Data Mining, n e c e s s ria a p a rtic ip a o h u m a n a no
p ro c e sso !
b) Errada. A minerao de dados valoriza a informao a mais especfica
possvel. A sim plificao dos dados brutos pode descartar informao
valiosa para a criao de conhecim ento.
c) Definio de D a ta W a re h o u s e ! Errada.
d) Errada! E I M P O R T A N T E ! O Data Mining no precisa ser utilizado
som ente em DataW arehouse, tam bm pode-se aplicar DM em bancos de
dados com uns, arquivos legados, na web, etc;
e ) C o rre ta , e d e fin i o bastarnte c o m p le ta .
11a Questo) (F C C - IN F R A E R O - A n a lis ta S u p e r io r I I I A d m in is t r a d o r d e B a n c o d e D a d o s - 2 0 1 2 ) Funcionalidade cujo objetivo

encontrar conjuntos de dados que no obedecem ao com portam ento ou modelo
dos dados. Uma vez encontrados, podem ser tratados ou descartados para
utilizao em mining. Trata-se de
a)
b)
c)
d)
descrio.
agrupam ento.
visualizao.
anlise de outliers.
Prof. Victor Dalton
36 de 83

e) anlise de associaes.
Se voc j estudou estatstica provavelm ente j ouviu falar dos outliers.

So dados isolados, cujos valores apresentam um grande afastam ento dos
dem ais de uma srie.
A anlise de outliers, por consequncia, faz o que o enunciado apresenta,
ou seja, trata ou descarta dos dados, de acordo com o objetivo da anlise.
Ocorre durante a etapa de pr-processam ento dos dados.
Resposta certa, a lte r n a tiv a d).
12a Questo) (F C C - T C E / S P - A g e n te d a F is c a liz a o F in a n c e ir a 2 0 0 8 ) NO uma tcnica no processo de garim pagem de dados utilizada em
Data Mining:
a)
b)
c)
d)
e)
Associao.
Classificao.
Avaliao.
Agregao.
Padres sequenciais
A v a lia o no existe em Mining. Agregao sinnim o de agrupam ento

(clustering), e os dem ais j conhecemos.
A lt e r n a t iv a c).
13a Questo) (C E S P E - S E R P R O - A n a lis ta - N e g c io s em T e c n o lo g ia

da I n fo r m a o - 2 0 1 3 ) Clusterizao a tarefa preditiva relativa
identificao de um conjunto finito Epe categorias em pregadas para descrever
uma informao. Essas categorias nunca podero ser m utuam ente exclusivas.
E rra d o ! A clusterizao, embora descrita de maneira excessivam ente

tcnica, est correta. Entretanto, nada impede que as categorias levantadas
sejam m utuam ente exclusivas. Pelo contrrio. Quando isso ocorre, os grupos
so m elhores definidos, concorda?
14 a
Questo) (F C C - P r e fe itu r a d e S o P a u lo - A u d it o r F is c a l
T r ib u t r io M u n ic ip a l I - T e c n o lo g ia da I n fo r m a o - 2 0 1 2 ) Em aplicaes
de data mining uma operao comum o aprendizado ou m inerao de regras
Prof. Victor Dalton
37 de 83
Estratgia

C O N C U R S O S ^
de associao entre itens. Uma papelaria aplica o algoritm o Apriori para m inerar
regras de associao entre as seguintes compras:
C d ig o C om p ra
Itens C o m p ra d o s
DH456
lpis, caneta, borracha, rgua
FT654
lpis, rgua
IV739
lpis, com passo
YR 983
caneta, borracha, transferidor
Supondo um suporte m nim o de 50%, os conjuntos de itens frequentes de

dois elem entos so:
a) {caneta, borracha}, {caneta, rgua} e {lpis, borracha}
b) {lpis, caneta}
c) {lpis, borracha}
d) {caneta, rgua} e {com passo, transferidor}
e) {lpis, rgua} e {caneta, borracha}
O algoritm o Apriori, que um algoritm o de a s s o c ia o , procura, em um

universo, encontrar um item set (conjunto de itens) que aparece com uma certa
frequncia. Como o suporte escolhido pela questo de 50%, deve-se procurar
os conjuntos de produtos que aparecam ao menos na metade do universo de
com pras para que ele seja um item set vlido.
Desta form a, apenas os itens {lpis, rgua} e {caneta, borracha} atendem
ao suporte mnimo, pois aparecem em 50% das com pras realizadas.
15a Questo) (E S A F - T c n ic o da R e c e ita F e d e ra l d o B r a s il T e c n o lo g ia da I n fo r m a o - 2 0 0 6 - a d a p ta d a ) Analise as seguintes

afirm aes relacionadas a Datawarehouse.
I. Um Datawarehouse deve ser voltil, ou seja, os dados sofrem as
alteraes necessrias, como: incluir, alterar ou excluir dados.
II. Um Datawarehouse deve ser integrado, ou seja, trabalha de forma a
globalizar e aproveitar os term os e as estruturas tcnicas que so utilizados nos
sistem as de inform aes tradicionais. Por exem plo, na representao de sexo,
um Datawarehouse utiliza todas as form as seguintes: "m " ou "f", "0" ou "1", "x"
ou "y", "m acho" ou "fm ea", "hom em " ou "m ulher", "dam a" ou "cavalheiro".
III. Um Datawarehouse deve ser orientado aos principais assuntos ou
negcios da em presa como, por exem plo, clientes, vendas e produtos. J os
sistem as de informaes tradicionais so orientados a processos como, por
exem plo, estoques, entradas e sadas de materiais.
Prof. Victor Dalton
38 de 83
Estratgia
r nNr i i R; r ><;
C O N C U R S O S

IV.
Um Datawarehouse deve ser invarivel no tem po, ou seja, sua
estrutura dos dados dispensa elem entos tem porais, sendo im portante apenas a
reteno da chave primria.
Indique a opo que contenha todas as afirm aes verdadeiras.
a)
b)
c)
d)
e)
I e II
II e III
I e III
III e IV
II e IV
O Datawarehouse possui 4 c a r a c t e r s t ic a s m arcantes, que repetidam ente

so questes de concursos. Ento nos cabe discutir estas caractersticas:
N o - v o l t il: o Datawarehouse apenas

recebe
informaes.
Excluses ou alteraes ocorrem apenas para a correo de dados
inseridos com erro.
I n t e g r a d o : de acordo com o item II da questo;
O rie n ta d o p o r a s s u n t o s : conforme o item III da questo;
V a r ia n t e n o t e m p o : A variao em relao ao tem po consiste na
m anuteno de um histrico de dados em relao ao perodo de
tem po m aior que dos sistem as com uns, isto significa que as tcnicas
de minerao de dados no so aplicadas em tem po real, de forma a
no com prom eter o desem penho dos bancos transacionais OLTP. Ao
analisarm os um dado de um DW, o m esm o sem pre estar
relacionado a um perodo determ inado de tem po, pois ter uma
chave de tem po que ir indicar o dia no qual esses dados foram
extrados.
Estas so as 4 caractersticas do Datawarehouse. Lem bre-se delas! Nossa

resposta certa, portanto, a a lte r n a tiv a b).
16a Questo) (F C C - S E F A Z / R J - A u d it o r F is c a l da R e c e ita E s ta d u a l 3 a C a te g o ria - 2 0 1 4 ) Com o advento da tecnologia de Data W arehousing, os

am bientes de apoio deciso passaram a ser denom inados am bientes de Data
W arehouse (DW).
Em relao tecnologia DW, correto afirmar:
a)
Em um DW as convenes de nomes, valores de variveis e outros
atributos fsicos de dados como data types so bastante flexveis. Para facilitar a
tom ada de decises, as inform aes so apresentadas de diferentes form as, da
mesma maneira que foram carregadas dos sistem as legados.
Prof. Victor Dalton
39 de 83
Estratgia
r nNr i i R; r ><;
C O N C U R S O S

b) Um projetista de DW deve ter seu foco na modelagem dos dados e no

projeto de banco de dados. Um sistem a transacional arm azena as informaes
agrupadas por assuntos de interesse da em presa que so mais im portantes,
enquanto um DW orientado a processos e deve ser desenvolvido para m anter
disponveis as transaes realizadas diariam ente.
c) Os dados de um DW so um conjunto dinm ico de registros de uma ou
mais tabelas, capturados em um m om ento de tem po predeterm inado, por isso
tm que ser sem pre atualizados.
d) Um sistem a m ultidim ensional, como o DW, deve atualizar o valor
corrente das informaes e sua exatido vlida por um tem po curto, por
exem plo, o valor total das notas fiscais processadas pela Receita s 12:00 de um
dia pode ser diferente s 18:00 do mesmo dia.
e) Um DW tem duas operaes bsicas: a carga dos dados (inicial e
increm ental) e o acesso a estes dados em modo leitura. Depois de carregado,
um DW no necessita de operaes de bloqueio por concorrncia de usurios no
acesso aos seus dados.
Outra questo que trabalha em cima da quatro caractersticas fundam entais
do Data Warehouse. Analisem os as alternativas:
a) Um Data W arerouse deve ser in te g ra d o , ou seja, dever ser capaz de
lidar com as inform aes nos seus mais deferentes form atos. Contudo,
as informaes devero ser apresentadas de maneira padronizada, e
no da mesma forma como apresentada nos sistem as legados. E rra d a ;
b) Um sistem a transacional orientado a processos. Um DW o r ie n ta d o
p o r a s s u n to s . E rra d a ;
c) Um DW n o - v o l til. Seus dados no devem ser atualizados. E rra d a ;
d) M esm a argum entao da assertiva anterior;
e) C o rre ta , tam bm de acordo com a no-volatilidade.
17a Questo) (F G V - S E F A Z / R J - A g e n te F is c a l d e R e n d a s - 2 0 0 7 )
DataW arehouse e DataMining so recursos utilizados por m uitas organizaes
para facilitar e agilizar o processam ento, a anlise e a consulta de dados. Sobre
esses recursos, correto afirm ar que:
a) um DataMining arm azena dados extrados de bancos de dados de
diferentes organizaes.
b) um DataW arehouse arm azena dados por perodos no superiores a trs
m eses, o que dificulta previses e anlises de tendncia.
Prof. Victor Dalton
40 de 83
Estratgia
r nNr i i R; r ><;
C O N C U R S O S

c) um DataW arehouse repositrio de dados histricos orientados a

assunto, organizados para serem acessveis para atividades de processam ento
analtico.
d) DataMining uma tcnica de anlise de dados exclusiva para aplicao
em um DataWarehouse.
e) num DataW arehouse, os usurios finais necessitam conhecer linguagem
de program ao para acessar dados.
Questo boa para analisar alternativa a alternativa, no mesmo?
a) Errada; poderia ser at uma caracterstica de D a ta W a re h o u s e , caso as
diferentes organizaes pertenam a um mesmo conglomerado. Quem
poderia m ontar um DW com dados de diferentes em presas?
b) Errado! Quanto mais longo o perodo de arm azenam ento, m elhor para
um Data W arehouse, que tem carter histrico;
c ) C o rre ta ! Atividades de processam ento analtico so realizadas pelas
ferram entas O L A P ;
d) Errada! O Data Mining no precisa ser utilizado som ente em
DataW arehouse, tam bm pode-se aplicar DM em bancos de dados
com uns, arquivos legados, na web, etc;
e) Errada! Os usurios finais apenas obtm inform aes do DW.
18a Questo) (F C C - T C E / S P - A g e n te da F is c a liz a o F in a n c e ir a 2 0 0 8 ) Os depsitos de dados voltados para o processo decisrio gerencial e que
podem ser definidos como espcies de mesmo tipo e estrutura so
a)
b)
c)
d)
e)
business intelligence e data mining.

data warehouse e data mart.
data warehouse e data mining.
data mining e data mart.
data mining, data warehouse e data mart.
Data Marts so pequenos Datawarehouses, setoriais. A lt e r n a t iv a b).

D e s e n v o lv im e n to d e S is te m a s - 2 0 1 3 ) Data warehouse (DW) e data mart
(DM) so com ponentes im portantes em um am biente de business intelligence,
visto que eles representam repositrios de m ltiplos bancos de dados
operacionais da em presa. Um DM agrega informaes de diversos DWs
distribudos pelos departam entos da empresa.
Prof. Victor Dalton
41 de 83

E rra d o ! Apenas porque, na sentena final, a banca troca DM e DW,
colocando uma pegadinha pro candidato.
20a Questo) (F C C - S E F A Z / S P - A g e n te F is c a l d e R e n d a s - 2 0 0 9 T e c n o lo g ia da In fo r m a o ) Se uma em presa de grande porte, com alto

volum e de transaes e informaes, resolver iniciar um projeto usando o
conceito de Data Mart (DM) em vez de Data W arehouse (DW),
independentem ente disso ser ou no a m elhor opo, os fatores que a levam a
tal deciso podem ser justificados por:
I. Possibilidade de extrair e preparar os dados diretam ente de fontes de
interesse especficas, fornecendo acesso mais rpido pela no necessidade de
sincronia com dados de outras fontes.
II. Menor risco quanto ao sucesso do projeto.
III. Necessidade imediata de informaes organizacionais integradas.
Est correto o que consta em
a)
b)
c)
d)
e)
I, apenas.
I e II, apenas.
I e III, apenas.
I, II e III.
II e III, apenas.
Ora, sendo setorizados, os Data Marts so fo n te s d e d a d o s e s p e c fic a s ,

que no precisam de sincronia com fontes de outros setores da organizao.
Naturalm ente, sua adoo implica em m e n o s c u s to e ris c o s por parte da
organizao. Como contrapartida, as inform aes organizacionais no estaro
integradas.
Resposta certa, a lte r n a tiv a b).
(F C C - S E F A Z / S P - A g e n te F is c a l d e R e n d a s - T e c n o lo g ia da
I n fo r m a o - 2 0 1 3 ) Considere o texto a seguir (baseado em uma notcia real):
O Grupo Montanhs implantou uma soluo de B I para unificar as informaes de

todos os segmentos em que atua e disponibiliz-las de acordo com a necessidade e
permisso de acesso de cada colaborador. Antes da implementao do sistema, os
relatrios departamentais eram elaborados manualmente, o que demandava muito
tempo. "Desde os dados contbeis at as informaes de marketing e de RH eram
compiladas de forma mecnica pelas equipes", lembra o gerente de planejamento do
grupo, que foi um dos lderes do projeto.
Ele explica que, observando os processos da empresa, percebeu que o mtodo
utilizado era ultrapassado e, alm de moroso, no permitia a integrao de dados entre
as unidades de negcios. "Da forma como atuvamos no conseguamos aproveitar as
informaes que detnhamos para otimizar nossos processos, projetar cenrios futuros e
desenvolver ofertas especiais para o perfil dos clientes". Assim, o gerente desenvolveu
Prof. Victor Dalton
42 de 83
Estratgia
r nNr i i R; r ><;

um projeto-piloto para mostrar como a soluo podera facilitar o dia-a-dia das reas de
negcio. "Nesse primeiro momento, foram integrados apenas os dados financeiros e
contbeis de nossas unidades de negcio vindas de sistemas legados para os Data
Marts", afirma ele.
Aps demonstraes para os gerentes e diretores, a alta diretoria deu o aval para
implementar a iniciativa em todo o grupo "Trabalhamos com a previso de obter um ROI
em 3 anos", calcula o executivo. "Buscvamos uma ferramenta que gerasse anlises
detalhadas a partir de um grande volume de informaes, at porque tnhamos a
necessidade de sermos mais competitivos frente ao dinmico mercado varejista". O que,
segundo o executivo, exigia decises rpidas e acertadas.
Uma das fases essenciais do projeto foi a criao de uma central de
armazenamento de dados, desenvolvida pela equipe interna de TI. Nesse repositrio
esto todas as principais informaes corporativas, que incluem dados financeiros,
contbeis, de vendas, RH e marketing. "Essa fase do projeto durou cerca de 6 meses e
foi uma das mais desafiadoras, visto que previu a padronizao - em uma base nica dos dados que antes eram gerenciados por diversos sistemas", diz.
Antes da implementao da soluo de BI, o acesso s informaes acontecia por
meio da extrao de arquivos diretamente dos sistemas. Em seguida, esses dados eram
processados em planilha Excel ou por meio do Access, que geravam os relatrios
departamentais no padronizados. Hoje esses processos foram substitudos por
relatrios e paineis (dashboards). "As informaes passaram a ser consolidadas em um
Data Warehouse de 1 TB, administrado pela rea de TI".
Uma vez implantado, o sistema integrado comeou a ser acessado pelos diretores
e gerentes das reas de negcios. "Por meio de ferramentas OLAP com interface web,
hoje os funcionrios de alto escalo j podem acessar as informaes de sua rea, bem
como cruz-las com outros dados", explica o gerente, ao informar que isso permite
mapear o perfil dos clientes, projetar cenrios futuros e facilitar a criao de
apresentaes setoriais. Alm dos benefcios de agilidade na elaborao de relatrios e
da viso consolidada que a alta direo consegue ter da empresa, o gerente destaca que
a produtividade das equipes aumentou consideravelmente aps a implementao da
soluo de BI. "Em breve todos os funcionrios - cada um com seu nvel de permisso tero acesso interface de dados de todo o grupo empresarial."
C O N C U R S O S
2 1 a Q u e s t o ) Ao grupo Montanhs foi apresentada uma soluo de BI que

trouxe diversas vantagens para o grupo em presarial. O resultado dessa soluo
perm itiu:
1
2
3
4
5
6
7
Informao disponvel para gesto

Viso de curvas de com portam ento
Agilidade de ferram entas para apoio gesto
Segurana de inform aes para deciso
Maior abrangncia de viso de indicadores
Recursos mais abrangentes para anlise de negcios
Necessidades e expectativas atendidas por ferram entas de TI
A soluo apresentada foi

a) uma modelagem de banco de dados m ultidim ensional.
b) um projeto de Data Warehouse.
c) um query & report de uma ferram enta OLAP.
d) uma operao ETL.
e) um projeto de banco de dados transacional.
Prof. Victor Dalton
43 de 83
Estratgia
r nNr i i R; r ><;

C O N C U R S O S
Todas essas caractersticas so conseguidas com a im plantao de um

D a ta W a re h o u s e , j suportado por ferram entas OLAP. Deste modo, a
alternativa mais adequada a ser marcada a a lte r n a tiv a b).
2 2 a Q u e s t o ) Considerando o contexto da soluo de BI do Grupo

Montanhs, no segundo pargrafo, a integrao inicial apenas dos dados
financeiros e contbeis vindas de sistem as legados indica que
a) foi utilizada uma im plem entao bottom up, que permite que o
planejam ento e desenho dos Data Marts possam ser realizados sem esperar pela
infraestrutura corporativa do DW, perm itindo um ROI mais rpido.
b) foi utilizada uma im plem entao com binada que tem o propsito de
integrar a arquitetura top down com a bottom up, usando diversos modelos de
Data Marts, gerados de uma s vez.
c) foi utilizada uma im plem entao top down. Nesta im plem entao h um
grande trabalho inicial, envolvendo todas as pessoas da em presa que iro
participar do projeto, o que fora a em presa a definir regras de negcio de forma
corporativa antes de se iniciar o projeto do DW.
d) no foi utilizada a im plem entao top down, porque o processo se iniciou
com a extrao, transform ao e integrao das informaes dos sistem as
internos, dados externos e das fontes operacionais para um ODS.
e) foi utilizada uma im plem entao bottom up, porque a partir do DW
foram extrados os dados e metadados para os Data Marts departam entais do
grupo em presarial.
Nem preciso voltar ao texto para responder, pois o contedo relevante

para a questo foi abordado no enunciado. Essa criao de um DataW arehouse
pela integrao gradativa dos setores indica que a abordagem foi bottom up,
tpica das em presas que criam suas solues BI de maneira gradativa.
A b o rd a g e m B o tto m Up
Data Mart 1
Prof. Victor Dalton
44 de 83

Resposta certa, a lte r n a tiv a a).
23a Questo) (F G V - M P E / M S - A n a lis ta - A n lis e d e S is t e m a s 2 0 1 3 - a d a p ta d a ) Com relao ao tem a "Arquitetura e aplicaes de data
warehousing", analise as afirm ativas a seguir.
I. As quatro caractersticas principais dos datawarehouses so: orientao
por assunto, no volatilidade, integrao com outras fontes de dados e variao
em relao ao tempo.
II. Datawarehouses auxiliam diretores e gestores no processam ento de
transaes do dia-a-dia da em presa e, por esse m otivo, arm azenam dados e
metadados altam ente norm alizados e de baixa granularidade.
Assinale:
a) se som ente a afirm ativa I estiver correta.
b) se som ente a afirm ativa II estiver correta.
c) se nenhuma estiver correta.
d) am bas estiverem corretas.
Quanto ao item I, j sabem os que est correto. O equvoco no item II est

em dizer que as informaes em DataW arehouses altam ente norm alizada. Na
verdade, as informaes em um DW so a lta m e n te d e s n o m a liz a d a s , para
facilitar a realizao de consultas as mais variadas possveis, e de b a ix a
g r a n u la r id a d e (granularidade nvel de d etalhe: as informaes em um DW
devem ser bastante detalhadas, possibilitando consultas tanto pouco como
muito detalhadas).
24a Questo) (U E L - C E L E P A R - A n a lis ta J n io r d e D e s e n v o lv im e n to

d e S is te m a s - 2 0 0 9 ) Sobre DataW arehouse, correto afirmar:
I. uma coleo de dados orientada por assuntos, integrada, variante no
tem po, que tem por objetivo dar suporte aos processos de tomada de deciso.
II. im plem entado por meio de um banco de dados contendo dados
extrados do am biente de produo da em presa, que foram selecionados e
depurados, tendo sido otim izados para processam ento de consulta e no para
processam ento de transaes.
Prof. Victor Dalton
45 de 83
Estratgia
r nNr i i R; r ><;

C O N C U R S O S
III. Seu objetivo fornecer uma "im agem nica da realidade do negcio".
De uma forma geral, so sistem as que com preendem um conjunto de programas
que extraem dados do am biente de dados operacionais da em presa, um banco
de dados que os m antm , e sistem as que fornecem estes dados aos seus
usurios.
IV. As ferram entas ROLAP surgiram juntam ente com os Sistem as de Apoio
Deciso para fazerem a consulta e a anlise dos dados contidos nos Data
Warehouses e Data Marts.
Assinale a alternativa correta.
a)
b)
c)
d)
e)
Som ente
Som ente
Som ente
Som ente
Som ente
as
as
as
as
as
afirm ativas
afirm ativas
afirm ativas
afirm ativas
afirm ativas
I e III so corretas.
I e IV so corretas.
II e IV so corretas.
I, II e III so corretas.
II, III e IV so corretas.
A questo muito saudvel para explicar caractersticas do DW. A

pegadinha est em escrever ROLAP ao invs de O L A P . Logo, a alternativa
correta a le tra d).

S is te m a s - 2 0 1 0 ) Ferram entas de processam ento analtico on-line (OLAP)
a) funcionam sobre dados m ultidim ensionais, caracterizados por atributos
de dim enso e atributos de medida.
b) funcionam sobre dados unidirecionais, caracterizados por atributos de
medida e atributos de qualidade.
c) funcionam sobre dados m ultidim ensionais, caracterizados por atributos
de disperso e atributos de mediao.
d) desconsideram dados m ultidim ensionais.
e) transform am dados unidim ensionais em dados analticos, caracterizando
dim enso e m edidas por atributos equivalentes.
O L A P uma tecnologia de construo permite aos analistas de negcios,
gerentes e executivos analisar e visualizar dados corporativos de forma rpida,
consistente e principalm ente interativa.
A funcionalidade OLAP inicialm ente caracterizada pela anlise dinm ica e
m ultidim ensional dos dados consolidados de uma organizao perm itindo que as
atividades do usurio final sejam tanto analticas quanto navegacionais. Esta
tecnologia geralm ente im plem entada
em
am biente
m ultiusurio e
cliente/servidor, oferecendo assim respostas rpidas s consultas adhoc
Prof. Victor Dalton
w w w .e s tra te g ia c o n c u rs o s .c o m .b r
46 d e 83
Estratgia

C O N C U R S O S ^
(construo de listagens, interligando a informao disponvel na base de dados

conform e as necessidades especificas da em presa, assim como a sua
exportao, possibilitando vrias sim ulaes), no im portando o tam anho do
banco de dados nem sua com plexidade. Essa tecnologia auxilia o usurio a
sintetizar informaes corporativas por meio de vises com parativas e
personalizadas, anlises histricas, projees e elaboraes de cenrios.
For
showmetne
Product
Catesories
Compon
Time
Ciot
F tb ru a ry
Bike s
2007
rc h
S*!
Am ount
P ro flt
Marsm X
C o -.t
Measures
Qual a m a rge m de lucro para b icicle ta s em fe v e re iro ? Esse o tip o de pergun ta que o O LA P vai re spon de r, em
um a busca m u ltid im e n sio n a l no banco de d ados (tem po , produto, m a rge m de lucro)
Aps este leve em basam ento,

tranquilidade. A lt e r n a t iv a a).
podemos
responder
questo
com
26a Questo) (F C C - T R T / 1 1 a R e g i o - A n a lis ta J u d ic i r io T e c n o lo g ia da I n fo r m a o - 2 0 1 2 ) No m bito dos DWs e OLAP, o processo

onde se faz a juno dos dados e transform a-se as colunas em linhas e as linhas
em colunas, gerando dados cruzados, cham ado de
a)
b)
c)
d)
e)
drill-across.
star.
cube.
pivot.
cross-join.
Espero que voc lembre dessa!

Juno de dados e rotao do cubo o c ro s s - jo in . feita para procurar
enxergar os dados sob outra perspectiva.
Prof. Victor Dalton
47 de 83

27a Questo) ( C e s g r a n r io - P e tro b r s - A n a lis ta d e S is t e m a s J n io r

E n g e n h a ria d e S o ftw a r e 2 0 1 0 - a d a p ta d a ) A modelagem
m ultidim ensional uma tcnica de concepo e visualizao de um modelo de
dados de um conjunto de medidas que descrevem aspectos com uns de negcios.
Ela especialm ente utilizada para sum arizar e reestruturar dados, de forma a
apresent-los em vises que ajudem ao usurio analis-los para tom ar decises
relevantes e bem inform adas para o processo de negcio sujacente. Qual das
seguintes descries refere-se corretam ente a uma propriedade da modelagem
m ultidim ensional?
a) Quando o usurio realiza uma operao de drill down ou uma operao
de roll up ou drill up, ele est navegando em uma ou mais hierarquias da tabela
de dim enses, respectivam ente aum entando e dim inuindo a preciso usada para
visualizao dos dados.
b) No modelo dim ensional, a tabela de fatos representa uma hierarquia dos
dados, transaes ou eventos de negcio, sendo sem pre implementada de forma
com pletam ente desnorm alizada.
c) O uso do modelo dim ensional aproxim a o arm azenam ento da forma de
pensar do usurio final e, por isto, faz com que este aprenda a usar SQ L de
forma mais eficaz e eficiente.
d) A tabela de dim enses apresenta vrios m embros que representam
valores diferentes dos fatos e que necessariam ente esto organizados em uma
hierarquia nica arm azenada como uma rvore.
e) A visualizao mais popular dos dados em modelos dim ensionais feita
atravs do desenho de um hipercubo de informao, cujas dim enses so
norm alizaes dos ndices das tabelas transacionais.
E estilo da Cesgranrio "questes para pensar". Vam os responde-las com o

conhecim ento adquirido, exercitando um pouco a mente.
a) Explicao perfeita. C e rta !
b) Desnorm alizar a base de dados para facilitar a modelagem
m ultidim ensional um procedim ento relativam ente com um , para
auxiliar a reduo dos tem pos de busca de informao na base de
dados. Agora, dizer que isso ocorre sem pre errado;
c) O com eo da sentena vlido, mas dizer que o usurio final vai
aprender a usar SQL por causa disso chega a ser nonsense;
Prof. Victor Dalton
48 de 83
Estratgia

C O N C U R S O S ^
d) Mais um com eo correto que term ina totalm ente errado;

e) Outra frase que comea certa e term ina falando nada com nada. As
dim enses so apenas atributos cujo enfoque relevante para a anlise
em questo.
For
show m etne
Jane
Product
C a te g o rie s
T im e
F tb ru a ry
Bikes
2007
S al Sales
Amourtt CoM
Sales
Qty
P ro fit
M a rtin X
M easures
Exem plificando para descomplicar: no cubo acima, com ponentes, vesturio,

bicicletas, total de vendas, custo de vendas, quantidade de vendas , margem de
lucro e tem po so a t r ib u to s d e d im e n s o . O Tempo, por sua vez, pode ser
escalonado em a t r ib u to s d e m e d id a , conform e o drill up e drill down(m s,
trim estre, sem estre, dia, ano...). Em cada caso, existiro atributos de dim enso
que podero conter diversos atributos de medida, ou no.
28a Questo) (F C C - IN F R A E R O - A n a lis ta d e S is te m a - B a n c o d e

D a d o s e A d m in is t r a d o r d e D a d o s - 2 0 1 1 ) Considere:
I. No Data Warehouse, o dado tem um valor histrico, por referir-se a
algum mom ento especfico do tem po, portanto, ele no atualizvel; a cada
ocorrncia de uma mudana, uma nova entrada criada para sinalizar esta
mudana.
II. O estgio de transform ao no processo ETL deve ser capaz de
selecionar determ inadas colunas (ou nenhuma) para carregar; transform ar
m ltiplas colunas em m ltiplas linhas; traduzir e unificar cdigos heterogneos
de um mesmo atributo, oriundos de diversas fontes de dados (tabelas).
Prof. Victor Dalton
49 de 83
Estratgia
r nNr i i R; r ><;
C O N C U R S O S

III. No Snow Flake as subdim enses, por no serem norm alizadas, geram
aum ento significativo no nmero de registros e, como consequncia, aum entam
tam bm a quantidade de joins necessrios exibio de uma consulta.
IV. Data Mining uma ferram enta de m inerao de dados que executa a
varredura nos dados histricos com o objetivo de desconsiderar o que genrico
sobre algum assunto e valorizar tudo que o for especfico dentro do sistem a.
a)
b)
c)
d)
e)
I e II, apenas.
III e IV, apenas.
I, II e III, apenas.
II, III e IV, apenas.
I, II, III e IV.
Analisando:
I. C o rre ta , uma vez que o DW no-volttil;
II. Definio c o rr e ta acerca de ETL;
III. No snow flake as subdim enses so norm alizadas. E rra d a ;
IV. Definio tam bm equivocada de DM.
29a Questo) (F C C - M P E / M A - A n a lis ta M in is t e r ia l - B a n c o d e

D a d o s e A d m in is tr a d o r d e D a d o s E 2 0 1 3 ) Considerando um data warehouse,
podem
ser
utilizadas,
para
sua
consulta,
as
ferram entas
MOLAP
(M ultidim ensional OLAP), cuja caracterstica principal fazer o acesso a um
conjunto de dados previam ente calculados, denom inado
a) m atriz de dados.
b) lista ligada.
c) m atriz hash.
d) milestone.
e) cubo de dados.
Prof. Victor Dalton
50 de 83

O nosso famoso c u b o d e d a d o s. A lt e r n a t iv a e).
30a Questo) (F C C - T R T / 9 a R e g i o - A n a lis ta J u d ic i r io T e c n o lo g ia d a In fo r m a o - 2 0 1 3 ) As ferram entas OLAP so as aplicaes s

quais os usurios finais tm acesso para extrair os dados de suas bases e
construir os relatrios capazes de responder s suas questes gerenciais. As
operaes realizadas abaixo navegam nos dados, m odificando o nvel de
granularidade da consulta.
A primeira e a segunda operaSs so, respectivam ente,

a) roll up e drill down.
b) drill across e slice and dice.
c) slice and dice e dill throught.
d) dill throught e roll up.
e) drill down e roll up.
Na operao 1, houve uma dim inuio no nvel de detalhe da informao,

saindo de uma anlise do Trim estre 1 para uma anlise anual. Na operao 2,
Prof. Victor Dalton
51 de 83
Estratgia
r nNr i i R; r ><;
C O N C U R S O S

houve um aum ento no detalhe da informao, "entrando" no Estado do Rio

Grande do Sul, passando a analisar por municpios. Portanto, ocorreram ,
respectivam ente, um ro ll u p e um d r ill d o w n .
31a Questo) (F C C - T R T / 1 2 a R e g i o - A n a lis ta J u d ic i r io T e c n o lo g ia da I n fo r m a o - 2 0 1 3 ) Dentre as diferenas cruciais entre o

modelo tradicional de uso de bancos de dados OLTP (Online Transaction
Processing) e o modelo voltado para Data W arehousing (DW) est
a) o nvel de arm azenam ento de dados, muito mais sum arizado no caso de
DW.
b) a quantidade de clusulas JOIN, utilizadas em m aior nm ero para DW.
c) a necessidade de norm alizao para as bases OLAP, o que no
necessrio em OLTP.
d) a utilizao de dados derivados e agregados em OLTP, o que no ocorre
no am biente de DW.
e) o nmero de ndices necessrios, muito m aior no caso de DW.
Todas as afirm ativas esto erradas, com exceo da a lte r n a tiv a e). Um
DW, por servir de base para ferram entas OLAP, precisa de m uitos ndices, para
dim inuir o custo operacional das pesquisas, que podem ser as mais variadas
possveis.
32a Questo) (F C C - T R T / 1 2 a R e g i o - T c n ic o J u d ic i r io T e c n o lo g ia d a I n fo r m a o - 2 0 1 B ) Em uma com parao entre bancos de

dados OLTP (Online Transaction Processing), com bancos de dados OLAP (Online
Analytical Processing), para os bancos OLAP
a) no necessrio um grande espao de arm azenam ento,
informaes so buscadas em tem po real.
pois as
b) as operaes podem levar horas para serem executadas para certas

queries.
c) as operaes de INSERT e UPDATE so efetuadas somente
usurios finais.
pelos
d) o principal objetivo rodar e controlar tarefas bsicas de regras de

negcio.
Prof. Victor Dalton
52 de 83
Estratgia
r nNr i i R; r ><;
C O N C U R S O S

e)
os dados so obtidos ad hoc, ou seja, sem pre que um relatrio
requisitado, os bancos OLTP so acessados dinam icam ente para a obteno
imediata desta informao.
Esta questo est diretam ente relacionada com a anterior. Um dos m otivos
pelos quais um DW possui m uitos ndices justam ente porque as consultas
OLAP podem ser dem asiadam ente com plexas e, m esm o em um banco indexado,
as operaes podem levar horas para serem executadas.
A lt e r n a t iv a b).
33a Questo) (F C C - P r e fe itu r a d e S o P a u lo - A u d it o r F is c a l

T r ib u t r io M u n ic ip a l I - T e c n o lo g ia d a I n fo r m a o - 2 0 1 2 ) Sobre os
esquem as estrela e floco de neve para modelagem de dados m ultidim ensionais
voltados para OLAP correto afirm ar que
a) am bos os esquem as possuem vrias tabelas de fato hierrquicas por
meio de norm alizao, sendo que apenas no esquem a estrela as tabelas de
dim enso tam bm so hierrquicas por meio de normalizao.
b) o esquem a estrela possui uma nica tabela de fato, enquanto no
esquem a floco de neve existem vrias tabelas de fato hierrquicas por meio de
norm alizao.
c) o esquem a floco de neve possui uma nica tabela de fato, enquanto no
esquem a estrela existem vrias tabelas de fato hierrquicas por meio de
norm alizao.
d) am bos os esquem as possuem uma tabela de fato e vrias tabelas de
dim enso, sendo que apenas no esquem a floco de neve as tabelas de dim enso
so hierrquicas por meio de norm alizao.
e) am bos os esquem as possuem uma tabela de fato e vrias tabelas de
dim enso, sendo que apenas no esquem a estrela as tabelas de dim enso so
hierrquicas por meio de normalizao.
J sabem os que am bos os esquem as possuem uma nica tabela de fato, o

que torna as assertivas de a) a c) erradas. Ainda, sabem os que o esquema
floco de neve que hierarquiza as tabelas de dim enso por meio da norm alizao
dos dados.
A lt e r n a t iv a d).
Prof. Victor Dalton
53 de 83
Estratgia
r nNr i i R; r ><;
C O N C U R S O S

34a Questo) (F C C - T C E / A M - A n a lis ta T c n ic o d e C o n tro le E x te rn o

- T e c n o lo g ia da I n fo r m a o - 2 0 1 2 ) Em ferram entas OLAP, a estrutura de
dados que agrega as medidas por nveis e hierarquias de cada uma das
dim enses a serem analisadas, com binando vrias dim enses, tais como tem po,
geografia e linhas de produtos, com dados resum idos, tais como nm eros de
vendas ou de inventrio, visualizada na forma de
a) um grfico m ultidim ensional.
b) uma esfera.
c) uma planilha.
d) um cubo.
e) uma pirmide tridim ensional.
Algum a dvida? A lt e r n a t iv a d).

- E n g e n h a ria d e S o ftw a r e - 2 0 1 0 ) Em um am biente de data warehousing,
uma das fases mais im portantes a ETL (Extract, Transform ation and Load), em
que se definem as estratgias de converso, transform ao e consistncia dos
dados dos sistem as de origem para realizar a carga dos dados no sistem a de
data warehouse. Uma caracterstica relacionada a essa fase de ETL que
a) a garantia da consistncia dos dados especialm ente necessria nos
sistem as que incluem SGBDs relacionais, pois estes so incapazes de garantir as
consistncias das transaes e as integridades referenciais.
b) sua existncia incom patvel com o uso dos sistem as legados, pois sua
tecnologia antiquada impede que estes sejam integrados em um sistem a de data
warehousing.
c) pode ser elim inada, se o prprio SGBD relacional transacional for usado
como o banco do sistem a de data warehousing, o que permite obter uma grande
economia de recursos.
d) necessria para se obter os dados das m ltiplas fontes, de form a a
transform -los nas variveis que interessam ao processo de deciso.
e) visa a garantir que cada registro do data warehouse corresponda a
exatam ente um registro do SGBD transacional, para assegurar a correo das
variveis de deciso.
Prof. Victor Dalton
54 de 83

V am os analisar as alternativas uma a uma:
a) a g a ra n tia d a c o n s is t n c ia d o s d a d o s e s p e c ia lm e n te n e c e s s ria
n o s s is te m a s q u e in c lu e m S G B D s r e la c io n a is , p o is e s te s s o in c a p a z e s
d e g a r a n tir a s c o n s is t n c ia s d a s t r a n s a e s e a s in te g rid a d e s
re fe re n c ia is . - Am igo, se um SGBD no conseguisse m anter a consistncia das
transaes e as integridades referenciais, eles no custariam m ilhares de
dlares. Voc sabe quanto custa uma licena em presarial de um Oracle?
b) s u a e x is t n c ia in c o m p a tv e l c o m o u so d o s s is te m a s le g a d o s ,
p o is s u a te c n o lo g ia a n tiq u a d a im p e d e q u e e s te s s e ja m in te g ra d o s em
um s is te m a d e d a ta w a re h o u s in g . - Sem com entrios. O ETL uma
ferram enta til justam ente por extrair inform aes de sistem as legados;
c) p o d e s e r e lim in a d a , s e o p r p rio S G B D re la c io n a l t r a n s a c io n a l fo r
u s a d o c o m o o b a n c o d o s is te m a d e d a ta w a re h o u s in g , o q u e p e rm ite
o b te r u m a g ra n d e e c o n o m ia d e re c u rs o s . - Com parao de bananas com
maas. Uma coisa usar e adm inistrar um banco de dados, outra coisa
preenche-lo com informaes que precisaro vir de diversas fontes diferentes.
d) n e c e s s ria p a ra s e o b te r o s d a d o s d a s m ltip la s fo n te s , d e
fo rm a a t r a n s fo r m - lo s n a s v a r i v e is q u e in te r e s s a m a o p ro c e s s o d e
d e c is o . - Sim ples e c o rre to !
e) v is a a g a r a n tir q u e c a d a r e g is t r o d o d a ta w a re h o u s e c o rre s p o n d a
a e x a ta m e n te um r e g is t r o d o S G B D t r a n s a c io n a l, p a ra a s s e g u r a r a
c o rr e o d a s v a r i v e is d e d e c is o . - Outra alternativa que no fala nada com
nada. O SGBD no tem registros, quem tem registro banco de dados.
(C E S P E - M P O G
I n fo r m a o - 2 0 1 3 )
C a te g o ria
P r o fis s io n a l
T e c n o lo g ia
da
36. Em ETL, fre q u e n te m e n te , n e c e s s rio lim p a r, a ju s t a r e

c o n s o lid a r o s d a d o s a n te s d e r e a liz a r s u a c a rg a . N e s s e e s t g io d e
tra n s fo rm a o , a p lic a m - s e re g ra s ou fu n e s a o s d a d o s e x tr a d o s p a ra
a ju s t a r o s d a d o s a s e re m c a rre g a d o s . A lim p e z a t ra ta d e v r io s tip o s d e
e rro s , c o m o , p o r e x e m p lo , v a lo r e s ile g a is , ou q u e n o o b e d e a m s
re g ra s d e in te g rid a d e d a b a se , e e r r o s d e o r to g r a fia .
C o rre to . A limpeza pode ser realizada durante a transform ao, antes da

carga dos dados.
Prof. Victor Dalton
55 de 83
Estratgia
r nNr i i R; r ><;
C O N C U R S O S

(C E S P E - A N T T - A n a lis ta A d m in is t r a t iv o S is te m a s da I n fo r m a o - 2 0 1 3 )
D e s e n v o lv im e n to d e
37. F e rra m e n ta s ET L s o u tiliz a d a s na e x tr a o , t r a n s fo r m a o e

re m o o d e d a d o s.
E rra d o ! E - extrao; T - transform ao; L - ca rg a !
38a Questo) (C E T R O - A N V I S A - A n a lis ta A d m in is t r a t iv o - re a 5 2 0 1 3 - p ro v a a n u la d a ) Quanto aos bancos de dados de suporte deciso,

assinale a alternativa correta.
a) So, principalm ente (embora no totalm ente), apenas de leitura (readonly).
b) So, principalm ente, livres de qualquer tipo de redundncia.
c) Sua principal preocupao a integridade.
d) Por questes de eficincia no arm azenam ento, no so indexados.
e) No devem ser muito grandes devido constante manuteno exigida e
s transaes com erciais que no devem ser acum uladas com o tempo.
Os bancos de dados de suporte deciso, como um Data W arehouse, via

de regra, so apenas para leitura ( a lte r n a tiv a a )), uma vez que as aplicaes
que os manipulam visam apenas extrair conhecim ento, e no m odificar os seus
dados.
Estes
bancos
costum am
conter
redundncias,
inclusive
sendo
desnorm alizados, para facilitar as pesquisas m ultidim ensionais. Isto posto,
comum a indexao da maioria das tabelas.
Por fim, dependendo do intervalo de tem po que o DW retiver informaes,
ele pode ser enorm e, e sua m anuteno custosa.
39a Questo) (C E T R O - A N V I S A - A n a lis ta A d m in is t r a t iv o - re a 5 2 0 1 3 - p ro v a a n u la d a ) Assinale a alternativa que apresenta um recurso

essencialm ente OLAP.
a) ROLLUP.
b) GROUP BY.
Prof. Victor Dalton
56 de 83
d) HAVING.
e) SELECT.
R o ll u p ( o u D r ill u P ) e D r ill D o w n so aum entos ou dim inuies na

granularidade de uma consulta, para a visualizao de informaes com
diferentes nveis de detalham ento.
Olap UP no existe, e as dem ais alternativas tratam de clusulas para
consultas SQL.
40a Questo) (C E T R O - A N V I S A - A n a lis ta A d m in is t r a t iv o - A re a 5 2 0 1 3 - p ro v a a n u la d a ) Em relao aos DWs (Data warehouses), assinale a

alternativa correta.
a) So orientados a objetos.
b) No variam com o tempo.
c) So volteis.
d) Evitam o uso de gerenciadores de bancos de dados tradicionais,
reduzindo custos, mas podem causar im pactos significativos nos sistem as
operacionais.
e) Seus dados no podem ser alterados, mas podem ser excludos.
Os Data W arehouses so:
N o - v o l t il: Diferentem ente de um Banco de Dados operacional, o

Datawarehouse apenas recebe informaes. Excluses ou alteraes ocorrem
apenas para a correo de dados inseridos com erro.
Prof. Victor Dalton
57 de 83
Estratgia
C O N C U R S O S ^

I n t e a r a d o : Um Datawarehouse deve ser integrado, ou seja, trabalha de

forma a globalizar e aproveitar os term os e as estruturas tcnicas que so
utilizados nos sistem as de informaes tradicionais. Por exem plo, na
representao de sexo, um Datawarehouse manipula todas as form as seguintes:
"m " ou "f", "0" ou "1", "x" ou "y", "m acho" ou "fm ea", "hom em " ou "m ulher",
"dam a" ou "cavalheiro".
O rie n ta d o p o r a s s u n t o s : Um DW sem pre arm azena dados im portantes

sobre tem as especficos da em presa e conform e o interesse das pessoas que iro
utiliz-lo. Bancos de dados operacionais tratam de estoques, entradas e sadas
de m ateriais. DW trata de clientes, vendas e produtos.
V a r ia n t e no t e m p o : A variao em relao ao tem po consiste na
m anuteno de um histrico de dados em relao ao perodo de tem po maior
que dos sistem as comuns. Ao analisarm os um dado de um DW, o mesmo
sem pre estar relacionado a um perodo determ inado de tem po, pois ter uma
chave de tem po que ir indicar o dia no qual esses dados foram extrados.
Essa questo vem para exigir o seu raciocnio. Postos os com entrios
acim a, percebe-se com facilidade que as alternativas de a) a c) esto erradas. A
alternativa d) tam bm incorreta porque, apesar de evitar a utilizao de
SGBDs tradicionais, um DW no impacta significativam ente sistem as
operacionais. Eles se envolvem com as aplicaes que os m anipulam , apenas.
A voc chega na alternativa e) e pensa: "os dados no DW no podem ser
excludos ou alterados, pois ele n o v o l til" .
No bem assim! Ele no voltil no sentido de no poderem ser
excludos ou alterados dados vlid o s. Observou que o DW v a r ia n te no
te m p o ? Ora, se um DW guarda apenas informaes dos ltim os 10 anos de uma
em presa, o que acontece com os dados que ultrapassam esse perodo de
longevidade? Naturalm ente, eles sero excludos do DW, preferencialm ente, com
o arm azenam ento de uma cpia de backup.
Resposta certa, a lte r n a tiv a e).
41a Questo) (F C C - T R F 3 a R e g i o - A n a lis ta J u d ic i r io - B a n c o d e

D a d o s - 2 0 1 4 ) Minerao de dados a investigao de relaes e padres
globais que existem em grandes bancos de dados, mas que esto ocultos no
grande volum e de dados. Com base nas funes que executam , h diferentes
tcnicas para a m inerao de dados, dentre as quais esto:
Prof. Victor Dalton
58 de 83
Estratgia

C O N C U R S O S ^
I.
identificar afinidades existentes entre um conjunto de itens em um dado
grupo de registros. Por exemplo: 75% dos envolvidos em processos judiciais
ligados a ataques m aliciosos a servidores de dados tam bm esto envolvidos em
II.
identificar sequncias que ocorrem em determ inados registros. Por
exemplo: 32% de pessoas do sexo fem inino aps ajuizarem uma causa contra o
INSS solicitando nova percia mdica ajuzam uma causa contra o INSS
solicitando ressarcim ento monetrio.
III.
as categorias so definidas antes da anlise dos dados. Pode ser
utilizada para identificar os atributos de um determ inado grupo que fazem a
I
II
III
R e d e s Neurais
rvore de d eciso
A sso cia o
C la ssifica o
C la ssifica o
A sso cia o
P re viso
rvore de d eciso
C la ssifica o
A sso cia o
R e d e s Neurais
rvore de d eciso
Questo clssica cobrando o entendim ento de tcnicas de Mining! Vam os

analisar as assertivas:
I. identificar afinidades existentes entre um conjunto de itens em um dado
grupo de registros. Por exem plo: 75% dos envolvidos em processos ju d icia is
processos ligados a roubo de dados sigilosos. - ou seja, estam os dizendo que X
est associado a Y . Exemplo de A s s o c ia o !
II. identificar sequncias que ocorrem em determ inados registros. Por
exem plo: 32% de pessoas do sexo fem inino aps ajuizarem uma causa contra o
IN S S solicitando nova percia m dica ajuzam uma causa contra o IN SS
solicitando ressarcim ento m onetrio - Se A aconteceu, B acontece em
sequncia. P a d r e s s e q u e n c ia is !
III.
as categorias so definidas antes da anlise dos dados. Pode se r
discrim inao entre 3 tipos diferentes, p o r exem plo, os tipos de processos
ju d icia is podem se r categorizados como infrequentes, ocasionais e frequentes Eu pararia na frase sublinhada para m arcar C la s s ific a o . Sua grande diferena
Prof. Victor Dalton
59 de 83
Estratgia

C O N C U R S O S ^
para o A g ru p a m e n to justam ente a definio de categorias que realizada

pelo homem, antes da anlise dos dados. No a g ru p a m e n to a categorizao
ocorre depois da anlise, realizada pelo prprio Mining.
Resposta: a lte r n a tiv a b).

D a d o s - 2 0 1 4 ) A tecnologia de Data W arehouse oferece suporte s
ferram entas OLAP, que apresentam vises m ultidim ensionais de dados
perm itindo a anlise das operaes de negcio para facilitar a tom ada de
decises. Estas ferram entas suportam algum as operaes de maneira a dar aos
analistas o poder de observar os dados de vrias m aneiras em nveis diferentes.
Considere duas destas operaes m ostradas nas figuras abaixo.
R e g i o
Ano
D ados
sia
E u ro p a
S o m a d e H a rd w a re
97
23
198
318
S o m a d e S o ftw a re
83
41
425
549
S o m a d e H ard w a re
115
28
224
367
78
65
410
553
102
25
259
386
55
73
497
625
S o m a d e H a rd w a re Total
314
76
6 81
1 071
S o m a d e S o ftw a re Total
216
179
1332
1727
2010
2 011
2012
A m ric a do N o rte
T o tal G e ra l
Ano
R e g i o
D ados
2010
sia
E u ro p a
2011
2012
Total G e ra l
97
115
102
314
83
78
55
216
23
28
25
76
65
73
179
198
224
259
6 81
425
410
497
1332
318
367
386
1 071
549
553
625
1727
A m ric a d o N o rte
Figura 1
Prof. Victor Dalton
60 de 83
Estratgia

C O N C U R S O S ^
R e g i o
frica
105%
57%
A sia
E u ro p a
122%
97%
A m ric a do N orte
85%
P acifico
163%
A m ric a do S ul
P a s
C h in a
123%
J ap o
52%
ndia
87%
C in g ap u ra
95%
Figura 2

(A)
(B)
(C)
(D)
(E)
rotao e drill-down.
ROLAP e drill-through.
rotao e roll-up.
roll-up e rotao.
drill-down e ROLAP.
Na operao I ocorre uma "rotao", trocando linhas com colunas, sem

aglutinao dos dados. Exemplo tpico de p iv o t, chamado pela banca de
rotao.
Na operao II dado um zoom na Regio sia, m ostrando-a por pases.
o fam oso drill-down.
Resposta: a lte r n a tiv a a).
Prof. Victor Dalton
61 de 83

C O N S ID E R A C O E S F I N A I S
E encerram os a Parte de Business Intelligence!
Pessoal, tenho conscincia que esse assunto nem sem pre com preendido
"de prim eira" pelo concurseiro. Tenha pacincia, "faa a digesto" do assunto, e
leia novam ente em outra oportunidade. At o dia da prova, tenho certeza que
voc absorver esse contedo e estar em condies de fazer um bom exame.
Ainda, caso voc esteja inseguro, veja as nossas videoaulas. L, o contedo
certam ente ser mais am igvel para voc.
At a prxima aula!
Victor Dalton
Prof. Victor Dalton
62 de 83

L IS T A DE E X E R C C IO S
I a Questo) (E S A F - A n a lis ta d e P la n e ja m e n to e O r a m e n to
T e c n o lo g ia da I n fo r m a o - 2 0 1 0 ) BI - Business Inteligence
a) uma tcnica de otim izao da rvore de deciso.

b) um mtodo de form ao avanada de gestores.
c) com preende ferram entas de anlise de dados para otim izar os processos
produtivos de uma empresa.
d) so tcnicas, mtodos e ferram entas para m inerao de dados na rea
de negcios de uma empresa.
e) so tcnicas, mtodos e ferram entas de anlise de dados para subsidiar
processos de deciso de uma empresa.

S is te m a s - 2 0 1 0 ) O sistem a de apoio a deciso
a) visa obter inform aes de todos os nveis a partir de informaes
detalhadas arm azenadas nos sistem as de processam ento de aes.
b) analisa dados on-line coletados por sistem as de processam ento de
transio, para ajudar as pessoas a executar aes operacionais.
c) visa obter informaes de alto nvel a partir de informaes gerenciais
arm azenadas nos sistem as de processam ento de documentos.
d) analisa dados coletados por sistem as de processam ento de inovao,
para ajudar as pessoas a viabilizarem aes de transcries.
e) analisa dados on-line coletados por sistem as de processam ento de
transao, para ajudar as pessoas a tom arem decises de negcios.
3a Questo) (C E S P E - B a n h o C e n tra l - A n a lis ta - A n lis e e

D e s e n v o lv im e n to d e S is te m a s - 2 0 1 3 ) Inteligncia de negcios (business
intelligence) refere-se aos processos de obteno de informaes vlidas a partir
de dados oriundos de fontes diversas (ERPs, CRMs, sistem as legados etc.), que
sero utilizados para apoiar decises de negcios.
4 a Questo) (U E P A - S E F A / P A - A u d it o r F is c a l d e R e c e ita s E s ta d u a is
- 2 0 1 3 ) Leia o texto para responder questo abaixo.
Prof. Victor Dalton
63 de 83
Estratgia
r nNr i i R; r ><;

C O N C U R S O S
Fiscalizao
Eletrnico
Tributria
ter
Posto
Fiscal
Mais rapidez e segurana fisca liza o do

tra n sp o rte de m ercadorias d estinadas ao D istrito
Federal e que circulam pela regio. Essa a
proposta
do
Posto
Fiscal
E letrnico,
novo
program a de m onitoram ento de cargas que est
sendo lanado pela S ecretaria de Fazenda do
D istrito Federal (SEF/D F). A proposta v e rific a r os
produtos em trnsito , antes m esm o de chegarem
ao destino, a partir da a nlise das inform aes da
Nota Fiscal Eletrnica (NFe) prestadas j no
m om ento da em isso do docum ento, na origem .
No am biente v irtu a l, ser possvel a n a lisa r o
universo da nota e a g re g a r bases de dados de
outras in stitu i es alm da Fazenda, com o da
Receita Federal do Brasil, por exem plo. Alm de
a ce ssa r dados de aes a n terio res para a
v erifica o de riscos potenciais. (...)
Extrado de http://w w w .fazen da.df.gov.br/aplicacoes/no ticias/
noticias_detalhe.cfm ?co_seq_n oticia= 3461
A soluo de TI que est relacionado ao texto :

a) a construo de um portal corporativo
b) a utilizao de uma ferram enta de Business Inteligence
c) a construo de um portal colaborativo
d) a im plantao de Governana em TI
e) a aquisio de novos ativos de rede
5a Questo) (F C C - T S T - A n a lis ta J u d ic i r io - A n lis e d e S is te m a s 2 0 1 2 ) Leia as afirm aes a seguir:

I. Um Data W arehouse um repositrio de dados atuais e histricos de
uma organizao que possibilita a anlise de grande volum e de dados para
suportar a tom ada de decises estratgicas, possuindo registros permanentes.
II. O processo de Data Mining, ou m inerao de dados, tem por objetivo
localizar possveis informaes em um banco de dados atravs de com paraes
com dados inform ados pelo usurio e registros de tabelas.
III. Um ERP, ou Sistem a Integrado de Gesto Em presarial, conhecido por
integrar os dados de diferentes departam entos de uma organizao,
aum entando o uso de interfaces m anuais nos processos.
Prof. Victor Dalton
64 de 83
Estratgia

C O N C U R S O S ^
IV.
As ferram entas OLAP (On-line Analytical Processing) so capazes de
analisar grandes volum es de dados, fornecendo diferentes perspectivas de viso
e auxiliando usurios na sintetizao de informaes.
Est correto o que se afirma APENAS em
a)
b)
c)
d)
e)
I e II.
II e III.
I, III e IV.
I, II e III.
I e IV.
6a Questo) (F C C - T R T / 9 a R e g i o - T c n ic o J u d ic i r io - T e c n o lo g ia
da I n fo r m a o - 2 0 1 3 ) Com o crescente aum ento do volum e de dados, surge
a necessidade de ferram entas e m ecanism os que permitam que eles possam ser
analisados de forma otim izada, uma vez que arm azenam toda a trajetria da
em presa. Uma soluo a utilizao de ...I... que, em sntese, utilizado para
arm azenar conjuntos de dados organizados por assuntos, mantendo todo um
histrico corporativo. Outro recurso muito utilizado e dos mais im portantes
quando o objetivo a busca de conhecim ento, o ...II... , que um processo
que consiste na identificao de informaes relevantes que esto presentes em
grandes bancos de dados ou repositrios, geralm ente realizado em trs etapas:
a explorao, a definio dos padres e a validao dos dados. Estas
ferram entas e tcnicas fazem parte do ...III... , definido como um conjunto de
mtodos e conceitos que podem ser im plem entados atravs de softwares com o
intuito de utilizar os dados im portantes da organizao para auxiliar no processo
de tom ada de decises, proporcionando m elhorias para a alta adm inistrao.
Outra tecnologia que pode prover uma m elhor e mais flexvel anlise das
informaes, o ...IV... que permite uma viso conceitual de forma
m ultidim ensional das informaes da organizao, de maneira que as
informaes possam ser visualizadas e analisadas de diferentes perspectivas
pelo usurio.
(http://w w w .devm edia.com .br/m ineracao-de-dados-data-w arehouse-datam ining-bi-e-olap-atraves-do-fastcube-revista-clubedelphi-146/26537)
As lacunas que com pletam corretam ente o texto esto expressas em
I
II
I I I
IV
D a ta M a rt
CPM
SGBD
D a ta M in in g
O LAP
O LAP
D a ta M in in g
D a s h b o a rd
D a ta M in in g
O LAP
O LAP
D a ta M a rt
D a ta W a re h o u s in g
Prof. Victor Dalton
65 de 83
D a s h b o a rd
Estratgia

C O N C U R S O S ^
7a Questo) (F C C - S E F A Z / R J - A u d it o r F is c a l da R e c e ita E s ta d u a l 3 a C a te g o ria - 2 0 1 4 ) Sistem as de BI - Business Intelligence renem um

conjunto de tecnologias orientadas a disponibilizar informao e conhecim ento
em uma organizao, dentre as quais est o DW. Um am biente que utiliza DW
rene processos e ferram entas, est sem pre em evoluo e pode ser visualizado
como na figura abaixo.
C o n s tr u o In c re m e n ta i
II
III
IV
EB
___________
- P r o je t a r
- M apear
k
- E x t r a ir
\
/
y
'
- C a rre g a r
- In d e x a r
- L im p a r
-T ra n s f.
F=U
n
- A g re g a r
- R e p lic a r
- U tiliz a o e s tr a t g ic a
dados
b a j
- A c e s s o e a n lis e
- D is t r ib u ir o s
/|
p .
d a s in f o r m a e s
y
E l
0
r d
G e s t o d e m e ta d a d o s
A d m in is t r a o e m o n it o r a o d o D a ta W a re h o u s e
Os com ponentes I, II, III e IV esto corretam ente identificados em:

I
II
III
IV
Staging Area
S iste m a s O L A P
Banco de D ados
M ultidim ensionais
S istem as de Data
M ining
S istem as O L A P
S istem as E T L
DW
S istem as de Data
M ining
DW
S istem as E T L
S iste m a s O L T P
DW
Data Marts
S istem as O L A P
Ban co de Dados
T ransacionais
Data Marts
DW
Banco de D ados
M ultidim ensionais
Banco de D ados
T ransacionais
ERP
8a Questo) (F C C - IN F R A E R O - A n a lis ta S u p e r io r I I I - A n a lis ta d e

S is t e m a s / A d m in is t r a d o r d e B a n c o d e D a d o s - 2 0 1 1 ) No m bito da
descoberta do conhecim ento (KDD), a viso geral das etapas que constituem o
processo KDD (Fayyad) e que so executadas de forma interativa e iterativa
apresenta a seguinte sequncia de etapas:
a)
seleo,
pr-processam ento,
transform ao,
data
mining
e
interpretao/avaliao.
b) seleo, transform ao, pr-processam ento, interpretao/avaliao e
data mining.
Prof. Victor Dalton
66 de 83
Estratgia
r nNr i i R; r ><;
C O N C U R S O S

c) data warehousing, star modeling, ETL, OLAP e data mining.

d) ETL, data warehousing, pr-processam ento, transform ao e star
modeling.
e) OLAP, ETL, star modeling, data mining e interpretao/avaliao.
9a Questo) (E S A F - A n a lis ta d e P la n e ja m e n to
T e c n o lo g ia da I n fo r m a o - 2 0 1 0 ) Minerao de Dados
e O r a m e n to
a) uma forma de busca sequencial de dados em arquivos.

b) o processo de program ao de todos os relacionam entos e algoritm os
existentes nas bases de dados.
c) por ser feita com mtodos com piladores, mtodo das redes neurais e
mtodo dos algoritm os gerativos.
d) engloba as tarefas de m apeam ento, inicializao e clusterizao.
e) engloba as tarefas de classificao, regresso e clusterizao.
10a Questo) (F C C - T R F 4 - A n a lis ta J u d ic i r io - A p o io E s p e c ia liz a d o

- E s p e c ia lid a d e I n fo r m tic a - 2 0 1 0 ) Sobre data mining, correto afirmar:
a) No requer interao com analistas humanos, pois os algoritm os
utilizados conseguem determ inar de forma com pleta e eficiente o valor dos
padres encontrados.
b) Na minerao de dados, encontrar padres requer que os dados brutos
sejam sistem aticam ente "sim plificados", de forma a desconsiderar aquilo que
genrico e privilegiar aquilo que especfico.
c) um grande banco de dados voltado para dar suporte necessrio nas
decises de usurios finais, geralm ente gerentes e analistas de negcios.
d) O processo de descobrim ento realizado pelo data mining s pode ser
utilizado a partir de um data warehouse, onde os dados j esto sem erros, sem
duplicidade, so consistentes e habilita m descobertas abrangentes e precisas.
e) o processo de descoberta de novas correlaes, padres e tendncias
entre as informaes de uma em presa, por meio da anlise de grandes
quantidades de dados arm azenados em bancos de dados usando tcnicas de
reconhecim ento de padres, estatsticas e matemticas.
11a Questo) (F C C - IN F R A E R O - A n a lis ta S u p e r io r I I I A d m in is t r a d o r d e B a n c o d e D a d o s - 2 0 1 2 ) Funcionalidade cujo objetivo

encontrar conjuntos de dados que no obedecem ao com portam ento ou modelo
dos dados. Uma vez encontrados, podem ser tratados ou descartados para
utilizao em mining. Trata-se de
Prof. Victor Dalton
67 de 83
a)
b)
c)
d)
e)
descrio.
agrupam ento.
visualizao.
anlise de outliers.
anlise de associaes.
12a Questo) (F C C - T C E / S P - A g e n te d a F is c a liz a o F in a n c e ir a 2 0 0 8 ) NO uma tcnica no processo de garim pagem de dados utilizada em
Data Mining:
a)
b)
c)
d)
e)
Associao.
Classificao.
Avaliao.
Agregao.
Padres sequenciais
13a Questo) (C E S P E - S E R P R O - A n a lis ta - N e g c io s em T e c n o lo g ia

da I n fo r m a o - 2 0 1 3 ) Clusterizao a tarefa preditiva relativa
identificao de um conjunto finito de categorias em pregadas para descrever
uma informao. Essas categorias nunca podero ser m utuam ente exclusivas.
14 a
Questo) (F C C - P r e fe itu r a d e S o P a u lo - A u d it o r F is c a l
T r ib u t r io M u n ic ip a l I - T e c n o lo g ia da I n fo r m a o - 2 0 1 2 ) Em aplicaes
de data mining uma operao comum o aprendizado ou m inerao de regras
de associao entre itens. Uma papelaria aplica o algoritm o Apriori para m inerar
regras de associao entre as seguintes compras:
C d ig o C om p ra
Itens C o m p ra d o s
DH456
lpis, caneta, borracha, rgua
FT654
IV739
lpis, rgua
lpis, com passo
YR 983
caneta, borracha, transferidor
Supondo um suporte m nim o de 50%, os conjuntos de itens frequentes de

dois elem entos so:
a) {caneta, borracha}, {caneta, rgua} e {lpis, borracha}
b) {lpis, caneta}
c) {lpis, borracha}
d) {caneta, rgua} e {com passo, transferidor}
e) {lpis, rgua} e {caneta, borracha}
Prof. Victor Dalton
68 de 83
Estratgia
r nNr i i R; r ><;
C O N C U R S O S

15a Questo) (E S A F - T c n ic o da R e c e ita F e d e ra l d o B r a s il T e c n o lo g ia da I n fo r m a o - 2 0 0 6 - a d a p ta d a ) Analise as seguintes

afirm aes relacionadas a Datawarehouse.
I. Um Datawarehouse deve ser voltil, ou seja, os dados sofrem as
alteraes necessrias, como: incluir, alterar ou excluir dados.
II. Um Datawarehouse deve ser integrado, ou seja, trabalha de forma a
globalizar e aproveitar os term os e as estruturas tcnicas que so utilizados nos
sistem as de inform aes tradicionais. Por exem plo, na representao de sexo,
um Datawarehouse utiliza todas as form as seguintes: "m " ou "f", "0" ou "1", "x"
ou "y", "m acho" ou "fm ea", "hom em " ou "m ulher", "dam a" ou "cavalheiro".
III. Um Datawarehouse deve ser orientado aos principais assuntos ou
negcios da em presa como, por exem plo, clientes, vendas e produtos. J os
sistem as de informaes tradicionais so orientados a processos como, por
exem plo, estoques, entradas e sadas de materiais.
IV. Um Datawarehouse deve ser invarivel no tem po, ou seja, sua
estrutura dos dados dispensa elem entos tem porais, sendo im portante apenas a
reteno da chave primria.
Indique a opo que contenha todas as afirm aes verdadeiras.
a)
b)
c)
d)
e)
I e II
II e III
I e III
III e IV
II e IV
16a Questo) (F C C - S E F A Z / R J - A u d it o r F is c a l da R e c e ita E s ta d u a l 3 a C a te g o ria - 2 0 1 4 ) Com o advento da tecnologia de Data W arehousing, os

am bientes de apoio deciso passaram a ser denom inados am bientes de Data
W arehouse (DW).
Em relao tecnologia DW, correto afirmar:
a) Em um DW as convenes de nomes, valores de variveis e outros
atributos fsicos de dados como data types so bastante flexveis. Para facilitar a
tom ada de decises, as inform aes so apresentadas de diferentes form as, da
mesma maneira que foram carregadas dos sistem as legados.
b) Um projetista de DW deve ter seu foco na modelagem dos dados e no
projeto de banco de dados. Um sistem a transacional arm azena as informaes
agrupadas por assuntos de interesse da em presa que so mais im portantes,
enquanto um DW orientado a processos e deve ser desenvolvido para m anter
disponveis as transaes realizadas diariam ente.
Prof. Victor Dalton
69 de 83
c) Os dados de um DW so um conjunto dinm ico de registros de uma ou

mais tabelas, capturados em um m om ento de tem po predeterm inado, por isso
tm que ser sem pre atualizados.
d) Um sistem a m ultidim ensional, como o DW, deve atualizar o valor
corrente das informaes e sua exatido vlida por um tem po curto, por
exem plo, o valor total das notas fiscais processadas pela Receita s 12:00 de um
dia pode ser diferente s 18:00 do mesmo dia.
e) Um DW tem duas operaes bsicas: a carga dos dados (inicial e
increm ental) e o acesso a estes dados em modo leitura. Depois de carregado,
um DW no necessita de operaes de bloqueio por concorrncia de usurios no
acesso aos seus dados.
17a Questo) (F G V - S E F A Z / R J - A g e n te F is c a l d e R e n d a s - 2 0 0 7 )
DataW arehouse e DataMining so recursos utilizados por m uitas organizaes
para facilitar e agilizar o processam ento, a anlise e a consulta de dados. Sobre
esses recursos, correto afirm ar que:
a) um DataMining arm azena dados extrados de bancos de dados de
diferentes organizaes.
b) um DataW arehouse arm azena dados por perodos no superiores a trs
m eses, o que dificulta previses e anlises de tendncia.
c) um DataW arehouse repositrio de dados histricos orientados a
assunto, organizados para serem acessveis para atividades de processam ento
analtico.
d) DataMining uma tcnica de anlise de dados exclusiva para aplicao
em um DataWarehouse.
e) num DataW arehouse, os usurios finais necessitam conhecer linguagem
de program ao para acessar dados.
18a Questo) (F C C - T C E / S P - A g e n te da F is c a liz a o F in a n c e ir a 2 0 0 8 ) Os depsitos de dados voltados para o processo decisrio gerencial e que
podem ser definidos como espcies de mesmo tipo e estrutura so
a)
b)
c)
d)
e)
business intelligence e data mining.

data warehouse e data mart.
data warehouse e data mining.
data mining e data mart.
data mining, data warehouse e data mart.
Prof. Victor Dalton
70 de 83
Estratgia
R R ; Sr >O <S;
Cr nONNr iCi U


D e s e n v o lv im e n to d e S is te m a s - 2 0 1 3 ) Data warehouse (DW) e data mart
(DM) so com ponentes im portantes em um am biente de business intelligence,
visto que eles representam repositrios de m ltiplos bancos de dados
operacionais da em presa. Um DM agrega informaes de diversos DWs
distribudos pelos departam entos da empresa.
20a Questo) (F C C - S E F A Z / S P - A g e n te F is c a l d e R e n d a s - 2 0 0 9 T e c n o lo g ia da In fo r m a o ) Se uma em presa de grande porte, com alto

volum e de transaes e informaes, resolver iniciar um projeto usando o
conceito de Data Mart (DM) em vez de Data W arehouse (DW),
independentem ente disso ser ou no a m elhor opo, os fatores que a levam a
tal deciso podem ser justificados por:
I. Possibilidade de extrair e preparar os dados diretam ente de fontes de
interesse especficas, fornecendo acesso mais rpido pela no necessidade de
sincronia com dados de outras fontes.
II. Menor risco quanto ao sucesso do projeto.
III. Necessidade imediata de informaes organizacionais integradas.
a)
b)
c)
d)
e)
I, apenas.
I e II, apenas.
I e III, apenas.
I, II e III.
II e III, apenas.
(F C C - S E F A Z / S P - A g e n te F is c a l d e R e n d a s - T e c n o lo g ia da
I n fo r m a o - 2 0 1 3 ) Considere o texto a seguir (baseado em uma notcia real):
O Grupo Montanhs implantou uma soluo de B I para unificar as informaes de

todos os segmentos em que atua e disponibiliz-las de acordo com a necessidade e
permisso de acesso de cada colaborador. Antes da implementao do sistema, os
relatrios departamentais eram elaborados manualmente, o que demandava muito
tempo. "Desde os dados contbeis at as informaes de marketing e de RH eram
compiladas de forma mecnica pelas equipes", lembra o gerente de planejamento do
grupo, que foi um dos lderes do projeto.
Ele explica que, observando os processos da empresa, percebeu que o mtodo
utilizado era ultrapassado e, alm de moroso, no permitia a integrao de dados entre
as unidades de negcios. "Da forma como atuvamos no conseguamos aproveitar as
informaes que detnhamos para otimizar nossos processos, projetar cenrios futuros e
desenvolver ofertas especiais para o perfil dos clientes". Assim, o gerente desenvolveu
um projeto-piloto para mostrar como a soluo poderia facilitar o dia-a-dia das reas de
negcio. "Nesse primeiro momento, foram integrados apenas os dados financeiros e
contbeis de nossas unidades de negcio vindas de sistemas legados para os Data
Marts", afirma ele.
Prof. Victor Dalton
71 de 83
Estratgia

Aps demonstraes para os gerentes e diretores, a alta diretoria deu o aval para
implementar a iniciativa em todo o grupo "Trabalhamos com a previso de obter um ROI
em 3 anos", calcula o executivo. "Buscvamos uma ferramenta que gerasse anlises
detalhadas a partir de um grande volume de informaes, at porque tnhamos a
necessidade de sermos mais competitivos frente ao dinmico mercado varejista". O que,
segundo o executivo, exigia decises rpidas e acertadas.
Uma das fases essenciais do projeto foi a criao de uma central de
armazenamento de dados, desenvolvida pela equipe interna de TI. Nesse repositrio
esto todas as principais informaes corporativas, que incluem dados financeiros,
contbeis, de vendas, RH e marketing. "Essa fase do projeto durou cerca de 6 meses e
foi uma das mais desafiadoras, visto que previu a padronizao - em uma base nica dos dados que antes eram gerenciados por diversos sistemas", diz.
Antes da implementao da soluo de BI, o acesso s informaes acontecia por
meio da extrao de arquivos diretamente dos sistemas. Em seguida, esses dados eram
processados em planilha Excel ou por meio do Access, que geravam os relatrios
departamentais no padronizados. Hoje esses processos foram substitudos por
relatrios e paineis (dashboards). "As informaes passaram a ser consolidadas em um
Data Warehouse de 1 TB, administrado pela rea de TI".
Uma vez implantado, o sistema integrado comeou a ser acessado pelos diretores
e gerentes das reas de negcios. "Por meio de ferramentas OLAP com interface web,
hoje os funcionrios de alto escalo j podem acessar as informaes de sua rea, bem
como cruz-las com outros dados", explica o gerente, ao informar que isso permite
mapear o perfil dos clientes, projetar cenrios futuros e facilitar a criao de
apresentaes setoriais. Alm dos benefcios de agilidade na elaborao de relatrios e
da viso consolidada que a alta direo consegue ter da empresa, o gerente destaca que
a produtividade das equipes aumentou consideravelmente aps a implementao da
soluo de BI. "Em breve todos os funcionrios - cada um com seu nvel de permisso tero acesso interface de dados de todo o grupo empresarial."
R R ; Sr >O <S;
Cr nONNr iCi U
2 1 a Q u e s t o ) Ao grupo Montanhs foi apresentada uma soluo de BI que

trouxe diversas vantagens para o grupo em presarial. O resultado dessa soluo
perm itiu:
1
2
3
4
5
6
7
Informao disponvel para gesto

Viso de curvas de com portam ento
Agilidade de ferram entas para apoio gesto
Segurana de inform aes para deciso
Maior abrangncia de viso de indicadores
Recursos mais abrangentes roara anlise de negcios
Necessidades e expectativas atendidas por ferram entas de TI
A soluo apresentada foi

a) uma modelagem de banco de dados m ultidim ensional.
b) um projeto de Data Warehouse.
c) um query & report de uma ferram enta OLAP.
d) uma operao ETL.
e) um projeto de banco de dados transacional.
Prof. Victor Dalton
72 de 83
Estratgia
R R ; Sr >O <S;
Cr nONNr iCi U

2 2 a Q u e s t o ) Considerando o contexto da soluo de BI do Grupo

Montanhs, no segundo pargrafo, a integrao inicial apenas dos dados
financeiros e contbeis vindas de sistem as legados indica que
a) foi utilizada uma im plem entao bottom up, que permite que o
planejam ento e desenho dos Data Marts possam ser realizados sem esperar pela
infraestrutura corporativa do DW, perm itindo um ROI mais rpido.
b) foi utilizada uma im plem entao com binada que tem o propsito de
integrar a arquitetura top down com a bottom up, usando diversos modelos de
Data Marts, gerados de uma s vez.
c) foi utilizada uma im plem entao top down. Nesta im plem entao h um
grande trabalho inicial, envolvendo todas as pessoas da em presa que iro
participar do projeto, o que fora a em presa a definir regras de negcio de forma
corporativa antes de se iniciar o projeto do DW.
d) no foi utilizada a im plem entao top down, porque o processo se iniciou
com a extrao, transform ao e integrao das informaes dos sistem as
internos, dados externos e das fontes operacionais para um ODS.
e) foi utilizada uma im plem entao bottom up, porque a partir do DW
foram extrados os dados e metadados para os Data Marts departam entais do
grupo em presarial.
23a Questo) (F G V - M P E / M S - A n a lis ta - A n lis e d e S is t e m a s 2 0 1 3 - a d a p ta d a ) Com relao ao tem a "Arquitetura e aplicaes de data
warehousing", analise as afirm ativas a seguir.
I. As quatro caractersticas principais dos datawarehouses so: orientao
por assunto, no volatilidade, integrao com outras fontes de dados e variao
em relao ao tempo.
II. Datawarehouses auxiliam diretores e gestores no processam ento de
transaes do dia-a-dia da em presa e, por esse m otivo, arm azenam dados e
metadados altam ente norm alizados e de baixa granularidade.
Assinale:
a) se som ente a afirm ativa I estiver correta.
b) se som ente a afirm ativa II estiver correta.
c) se nenhuma estiver correta.
d) am bas estiverem corretas.
Prof. Victor Dalton
73 de 83
Estratgia

C O N C U R S O S ^
24a Questo) (U E L - C E L E P A R - A n a lis ta J n io r d e D e s e n v o lv im e n to

d e S is te m a s - 2 0 0 9 ) Sobre DataW arehouse, correto afirmar:
I.
uma coleo de dados orientada por assuntos, integrada, variante no
tem po, que tem por objetivo dar suporte aos processos de tomada de deciso.
II. im plem entado por meio de um banco de dados contendo dados
extrados do am biente de produo da em presa, que foram selecionados e
depurados, tendo sido otim izados para processam ento de consulta e no para
processam ento de transaes.
III. Seu objetivo fornecer uma "im agem nica da realidade do negcio".
De uma forma geral, so sistem as que com preendem um conjunto de programas
que extraem dados do am biente de dados operacionais da em presa, um banco
de dados que os m antm , e sistem as que fornecem estes dados aos seus
usurios.
IV.
As ferram entas ROLAP surgiram juntam ente com os Sistem as de Apoio
Deciso para fazerem a consulta e a anlise dos dados contidos nos Data
Warehouses e Data Marts.
Assinale a alternativa correta.
a)
b)
c)
d)
e)
Som ente
Som ente
Som ente
Som ente
Som ente
as
as
as
as
as
afirm ativas
afirm ativas
afirm ativas
afirm ativas
afirm ativas
I e III so corretas.
I e IV so corretas.
II e IV so corretas.
I, II e III so corretas.
II, III e IV so corretas.

S is te m a s - 2 0 1 0 ) Ferram entas de processam ento analtico on-line (OLAP)
a) funcionam sobre dados multndim ensionais, caracterizados por atributos
de dim enso e atributos de medida.
b) funcionam sobre dados unidirecionais, caracterizados por atributos de
medida e atributos de qualidade.
c) funcionam sobre dados m ultidim ensionais, caracterizados por atributos
de disperso e atributos de mediao.
d) desconsideram dados m ultidim ensionais.
e) transform am dados unidim ensionais em dados analticos, caracterizando
dim enso e m edidas por atributos equivalentes.
26a Questo) (F C C - T R T / 1 1 a R e g i o - A n a lis ta J u d ic i r io T e c n o lo g ia da I n fo r m a o - 2 0 1 2 ) No m bito dos DWs e OLAP, o processo

Prof. Victor Dalton
74 de 83
em colunas, gerando dados cruzados, cham ado de

a)
b)
c)
d)
e)
drill-across.
star.
cube.
pivot.
cross-join.

E n g e n h a ria d e S o ftw a r e 2 0 1 0 - a d a p ta d a ) A modelagem
m ultidim ensional uma tcnica de concepo e visualizao de um modelo de
dados de um conjunto de medidas que descrevem aspectos com uns de negcios.
Ela especialm ente utilizada para sum arizar e reestruturar dados, de forma a
apresent-los em vises que ajudem ao usurio analis-los para tom ar decises
relevantes e bem inform adas para o processo de negcio sujacente. Qual das
seguintes descries refere-se corretam ente a uma propriedade da modelagem
m ultidim ensional?
a) Quando o usurio realiza uma operao de drill down ou uma operao
de roll up ou drill up, ele est navegando em uma ou mais hierarquias da tabela
de dim enses, respectivam ente aum entando e dim inuindo a preciso usada para
visualizao dos dados.
b) No modelo dim ensional, a tabela de fatos representa uma hierarquia dos
dados, transaes ou eventos de negcio, sendo sem pre implementada de forma
com pletam ente desnorm alizada.
c) O uso do modelo dim ensional aproxim a o arm azenam ento da forma de
pensar do usurio final e, por isto, faz com que este aprenda a usar SQL de
forma mais eficaz e eficiente.
d) A tabela de dim enses apresenta vrios m embros que representam
valores diferentes dos fatos e que necessariam ente esto organizados em uma
hierarquia nica arm azenada como uma rvore.
e) A visualizao mais popular dos dados em modelos dim ensionais feita
atravs do desenho de um hipercubo de informao, cujas dim enses so
norm alizaes dos ndices das tabelas transacionais.
28a Questo) (F C C - IN F R A E R O - A n a lis ta d e S is te m a - B a n c o d e

D a d o s e A d m in is t r a d o r d e D a d o s - 2 0 1 1 ) Considere:
I. No Data Warehouse, o dado tem um valor histrico, por referir-se a
algum mom ento especfico do tem po, portanto, ele no atualizvel; a cada
Prof. Victor Dalton
75 de 83

ocorrncia de uma mudana, uma nova entrada criada para sinalizar esta
mudana.
II. O estgio de transform ao no processo ETL deve ser capaz de
selecionar determ inadas colunas (ou nenhuma) para carregar; transform ar
m ltiplas colunas em m ltiplas linhas; traduzir e unificar cdigos heterogneos
de um mesmo atributo, oriundos de diversas fontes de dados (tabelas).
III. No Snow Flake as subdim enses, por no serem norm alizadas, geram
aum ento significativo no nmero de registros e, como consequncia, aum entam
tam bm a quantidade de joins necessrios exibio de uma consulta.
IV. Data Mining uma ferram enta de m inerao de dados que executa a
varredura nos dados histricos com o objetivo de desconsiderar o que genrico
sobre algum assunto e valorizar tudo que o for especfico dentro do sistem a.
a)
b)
c)
d)
e)
I e II, apenas.
III e IV, apenas.
I, II e III, apenas.
II, III e IV, apenas.
I, II, III e IV.
29a Questo) (F C C - M P E / M A - A n a lis ta M in is t e r ia l - B a n c o d e

D a d o s e A d m in is tr a d o r d e D a d o s - 2 0 1 3 ) Considerando um data warehouse,
podem
ser
utilizadas,
para
sua
consulta,
as
ferram entas
MOLAP
(M ultidim ensional OLAP), cuja caracterstica principal fazer o acesso a um
conjunto de dados previam ente calculados, denom inado
a) m atriz de dados.
b) lista ligada.
c) m atriz hash.
d) milestone.
e) cubo de dados.
30a Questo) (F C C - T R T / 9 a R e g i o - A n a lis ta J u d ic i r io T e c n o lo g ia d a In fo r m a o - 2 0 1 3 ) As ferram entas OLAP so as aplicaes s

quais os usurios finais tm acesso para extrair os dados de suas bases e
construir os relatrios capazes de responder s suas questes gerenciais. As
Prof. Victor Dalton
76 de 83

operaes realizadas abaixo
granularidade da consulta.
navegam
nos dados,
m odificando o nvel de
A primeira e a segunda operaes so, respectivam ente,

a) roll up e drill down.
b) drill across e slice and dice.
c) slice and dice e dill throught.
d) dill throught e roll up.
e) drill down e roll up.
31a Questo) (F C C - T R T / 1 2 a R e g i o - A n a lis ta J u d ic i r io T e c n o lo g ia da I n fo r m a o - 2 0 1 3 ) Dentre as diferenas cruciais entre o

modelo tradicional de uso de bancos de dados OLTP (Online Transaction
Processing) e o modelo voltado para Data W arehousing (DW) est
a) o nvel de arm azenam ento de dados, muito mais sum arizado no caso de
DW.
b) a quantidade de clusulas JOIN, utilizadas em m aior nm ero para DW.
Prof. Victor Dalton
77 de 83

c) a necessidade de norm alizao para as bases OLAP, o que no
necessrio em OLTP.
d) a utilizao de dados derivados e agregados em OLTP, o que no ocorre
no am biente de DW.
e) o nmero de ndices necessrios, muito m aior no caso de DW.
32a Questo) (F C C - T R T / 1 2 a R e g i o - T c n ic o J u d ic i r io T e c n o lo g ia d a I n fo r m a o - 2 0 1 3 ) Em uma com parao entre bancos de

dados OLTP (Online Transaction Processing), com bancos de dados OLAP (Online
Analytical Processing), para os bancos OLAP
a) no necessrio um grande espao de arm azenam ento,
informaes so buscadas em tem po real.
pois as
b) as operaes podem levar horas para serem executadas para certas

queries.
c) as operaes de INSERT e UPDATE so efetuadas somente
usurios finais.
pelos
d) o principal objetivo rodar e controlar tarefas bsicas de regras de

negcio.
e) os dados so obtidos ad hoc, ou seja, sem pre que um relatrio
requisitado, os bancos OLTP so acessados dinam icam ente para a obteno
imediata desta informao.
33a Questo) (F C C - P r e fe itu r a d e S o P a u lo - A u d it o r F is c a l

T r ib u t r io M u n ic ip a l I - T e c n o lo g ia d a I n fo r m a o - 2 0 1 2 ) Sobre os
esquem as estrela e floco de neve para modelagem de dados m ultidim ensionais
voltados para OLAP correto afirm ar que
a) am bos os esquem as possuem vrias tabelas de fato hierrquicas por
meio de norm alizao, sendo que apenas no esquem a estrela as tabelas de
dim enso tam bm so hierrquicas por meio de norm alizao.
b) o esquem a estrela possui uma nica tabela de fato, enquanto no
esquem a floco de neve existem vrias tabelas de fato hierrquicas por meio de
norm alizao.
c) o esquem a floco de neve possui uma nica tabela de fato, enquanto no
esquem a estrela existem vrias tabelas de fato hierrquicas por meio de
norm alizao.
Prof. Victor Dalton
78 de 83
Estratgia
R R ; Sr >O <S;
Cr nONNr iCi U

d) am bos os esquem as possuem uma tabela de fato e vrias tabelas de

dim enso, sendo que apenas no esquem a floco de neve as tabelas de dim enso
so hierrquicas por meio de norm alizao.
e) am bos os esquem as possuem uma tabela de fato e vrias tabelas de
dim enso, sendo que apenas no esquem a estrela as tabelas de dim enso so
hierrquicas por meio de normalizao.
34a Questo) (F C C - T C E / A M - A n a lis ta T c n ic o d e C o n tro le E x te rn o

- T e c n o lo g ia da I n fo r m a o - 2 0 1 2 ) Em ferram entas OLAP, a estrutura de
dados que agrega as medidas por nveis e hierarquias de cada uma das
dim enses a serem analisadas, com binando vrias dim enses, tais como tem po,
geografia e linhas de produtos, com dados resum idos, tais como nm eros de
vendas ou de inventrio, visualizada na forma de
a) um grfico m ultidim ensional.
b) uma esfera.
c) uma planilha.
d) um cubo.
e) uma pirmide tridim ensional.

- E n g e n h a ria d e S o ftw a r e - 2 0 1 0 ) Em um am biente de data warehousing,
uma das fases mais im portantes a ETL (Extract, Transform ation and Load), em
que se definem as estratgias de converso, transform ao e consistncia dos
dados dos sistem as de origem para realizar a carga dos dados no sistem a de
data warehouse. Uma caracterstica relacionada a essa fase de ETL que
a) a garantia da consistncia dos dados especialm ente necessria nos
sistem as que incluem SGBDs relacionais, pois estes so incapazes de garantir as
consistncias das transaes e as integridades referenciais.
b) sua existncia incom patvel com o uso dos sistem as legados, pois sua
tecnologia antiquada impede que estes sejam integrados em um sistem a de data
warehousing.
c) pode ser elim inada, se o prprio SGBD relacional transacional for usado
como o banco do sistem a de data warehousing, o que permite obter uma grande
economia de recursos.
d) necessria para se obter os dados das m ltiplas fontes, de form a a
transform -los nas variveis que interessam ao processo de deciso.
Prof. Victor Dalton
79 de 83
Estratgia

R R ; Sr >O <S;
Cr nONNr iCi U
e)
visa a garantir que cada registro do data warehouse corresponda a
exatam ente um registro do SGBD transacional, para assegurar a correo das
variveis de deciso.
(C E S P E - M P O G
I n fo r m a o - 2 0 1 3 )
C a te g o ria
P r o fis s io n a l
T e c n o lo g ia
da
36. Em ETL, fre q u e n te m e n te , n e c e s s rio lim p a r, a ju s t a r e

c o n s o lid a r o s d a d o s a n te s d e r e a liz a r s u a c a rg a . N e s s e e s t g io d e
tra n s fo rm a o , a p lic a m - s e re g ra s ou fu n e s a o s d a d o s e x tr a d o s p a ra
a ju s t a r o s d a d o s a s e re m c a rre g a d o s . A lim p e z a t ra ta d e v r io s tip o s d e
e rro s , c o m o , p o r e x e m p lo , v a lo r e s ile g a is , ou q u e n o o b e d e a m s
re g ra s d e in te g rid a d e d a b a se , e e r r o s d e o r to g r a fia .
(C E S P E - A N T T - A n a lis ta A d m in is t r a t iv o S is te m a s da I n fo r m a o - 2 0 1 3 )
D e s e n v o lv im e n to d e
37. F e rra m e n ta s ET L s o u tiliz a d a s na e x tr a o , t r a n s fo r m a o e

re m o o d e d a d o s.
38a Questo) (C E T R O - A N V I S A - A n a lis ta A d m in is t r a t iv o - re a 5 2 0 1 3 - p ro v a a n u la d a ) Quanto aos bancos de dados de suporte deciso,

assinale a alternativa correta.
a) So, principalm ente (embora no totalm ente), apenas de leitura (readonly).
b) So, principalm ente, livres de qualquer tipo de redundncia.
c) Sua principal preocupao a integridade.
d) Por questes de eficincia no arm azenam ento, no so indexados.
e) No devem ser muito grandes devido constante manuteno exigida e
s transaes com erciais que no devem ser acum uladas com o tempo.
39a Questo) (C E T R O - A N V I S A - A n a lis ta A d m in is t r a t iv o - re a 5 2 0 1 3 - p ro v a a n u la d a ) Assinale a alternativa que apresenta um recurso

essencialm ente OLAP.
a) ROLLUP.
b) GROUP BY.
Prof. Victor Dalton
80 de 83
d) HAVING.
e) SELECT.
40a Questo) (C E T R O - A N V I S A - A n a lis ta A d m in is t r a t iv o - A re a 5 2 0 1 3 - p ro v a a n u la d a ) Em relao aos DWs (Data warehouses), assinale a

alternativa correta.
a) So orientados a objetos.
b) No variam com o tempo.
c) So volteis.
d) Evitam o uso de gerenciadores de bancos de dados tradicionais,
reduzindo custos, mas podem causar im pactos significativos nos sistem as
operacionais.
e) Seus dados no podem ser alterados, mas podem ser excludos.
4 1 a Questo) (F C C - T R F 3 a R e g i o - A n a lis ta J u d ic i r io - B a n c o d e
D a d o s - 2 0 1 4 ) Minerao de dados a investigao de relaes e padres

globais que existem em grandes bancos de dados, mas que esto ocultos no
grande volum e de dados. Com base nas funes que executam , h diferentes
tcnicas para a m inerao de dados, dentre as quais esto:
I. identificar afinidades existentes entre um conjunto de itens em um dado
grupo de registros. Por exemplo: 75% dos envolvidos em processos judiciais
II. identificar sequncias que ocorrem em determ inados registros. Por
exemplo: 32% de pessoas do sexo fem inino aps ajuizarem uma causa contra o
INSS solicitando nova percia mdica ajuzam uma causa contra o INSS
solicitando ressarcim ento monetrio.
III. as categorias so definidas antes da anlise dos dados. Pode ser
Prof. Victor Dalton
81 de 83
Estratgia

C O N C U R S O S ^
I
A
R e d e s Neurais
IJ
III
rvore de d eciso
C la ssifica o
A sso cia o
C la ssifica o
A sso cia o
P re viso
rvore de d eciso
C la ssifica o
A sso cia o
R e d e s Neurais
rvore de d eciso

D a d o s - 2 0 1 4 ) A tecnologia de Data W arehouse oferece suporte s
ferram entas OLAP, que apresentam vises m ultidim ensionais de dados
perm itindo a anlise das operaes de negcio para facilitar a tom ada de
decises. Estas ferram entas suportam algum as operaes de maneira a dar aos
analistas o poder de observar os dados de vrias m aneiras em nveis diferentes.
Considere duas destas operaes m ostradas nas figuras abaixo.
R e g i o
Ano
D ados
sia
E u ro p a
97
23
198
318
83
41
425
549
S o m a d e H ard w a re
115
28
224
367
78
65
410
553
102
25
259
386
55
73
497
625
314
76
6 81
1 071
216
179
1332
1727
2010
2 011
2012
T o tal G e ra l
Ano
R e g i o
D ados
2010
sia
E u ro p a
2011
2012
Total G e ra l
97
115
102
314
83
78
55
216
23
28
25
76
65
73
179
198
224
259
6 81
425
410
497
1332
318
367
386
1 071
549
553
625
1727
Figura 1
Prof. Victor Dalton
82 de 83
Estratgia

C O N C U R S O S ^
R e g i o
frica
105%
57%
A sia
E u ro p a
122%
97%
A m ric a do N orte
85%
P acifico
163%
A m ric a do S ul
P a s
C h in a
123%
J ap o
52%
ndia
87%
C in g ap u ra
95%
Figura 2

(A)
(B)
(C)
(D)
(E)
rotao e drill-down.
ROLAP e drill-through.
rotao e roll-up.
roll-up e rotao.
drill-down e ROLAP.
G A B A R IT O
1.e
11.d
21.b
31.e
41.b
2.e
12.c
22.a
32.b
42.a
3.c
13.e
23.a
33.d
4.b
14.e
24.d
34.d
5.e
15.b
25.a
35.d
6.d
16.e
26.e
36.c
7.d
17.c
27.a
37.e
8.a
18.b
28.a
38.a
Prof. Victor Dalton
83 de 83
9.e
19.e
29.e
39.a
10.e
20.b
30.a
40.e

Aula 03 Tecnologia Da Informação

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Aula 03 Tecnologia Da Informação

Transféré par

Droits d'auteur :

Formats disponibles

Tecnologia da Informao para ICMS/PE

Auditor Fiscal do Tesouro Estadual

A U L A 03: B u sin e ss In te llig e n ce

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

Quando estudam os bancos de dados, nossa

O Banco de dados, como o prprio nome diz, populado com d a d o s , que

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

Sendo assim , BI uma tecnologia que permite s em presas transform ar

O D a ta M in in g pode fazer parte de um processo maior, cham ado Processo

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

Exs: Rede neural, que converte valor literal em valor numrico

Prof. Victor Dalton

a verdadeira extrao dos padres de com portam ento dos dados.

D a ta M in in g , como o nome indica, se refere m inerao ou a descoberta

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

A s s o c ia o : Explicando de form a bem sim ples, enxergar alguma forma

D e s c ri o d e c la s s e s : prov um resumo conciso e sucinto de uma coleo

D e s c o b e rta d e p a d r e s s e q u e n c ia is : Envolve a descoberta de

R e d e s n e u r a is : uma extenso da regresso (regresso generalizada),

A lg o r itm o s g e n t ic o s : so tcnicas de busca utilizadas na cincia da

Todo professor conta essa historinha ao falar de Data Mining, rs.

Tecnologia da Informao para ICMS/PE

O W alm art, na dcada de 90, descobriu que homens c a s a d o s , entre 2 5 e

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

Questo clssica cobrando o entendim ento de tcnicas de Mining! Vam os

III. as categorias so definidas antes da anlise dos dados. Pode s e r utilizada

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

O Data Warehouse possibilita a anlise de grandes volum es de dados,

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

A ferram enta mais popular para explorao de um data warehouse

O Datawarehouse possui 4 c a r a c t e r s t ic a s marcantes. So elas:

N o - v o l t il: Diferentem ente de um Banco de Dados operacional, o

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

I n t e a r a d o : Um Datawarehouse deve ser integrado, ou seja, trabalha de

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

O rie n ta d o p o r a s s u n t o s : Um DW sem pre arm azena dados im portantes

Um Data Mart pode ser considerado um "mini DataW arehouse". Entretanto,

Existem duas abordagens para

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

Na abordagem bottom up, a organizao prefere iniciar seu repositrio de

Na abordagem top down, a organizao cria inicialm ente o Data

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

Se voc prestou ateno nas im agens sobre sistem as de apoio deciso,

Seleo de apenas determ inadas colunas para carregar (ou a seleo

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

O L A P um term o utilizado para descrever a anlise de dados com plexos a

Prof. Victor Dalton

Tecnologia da Informao para ICMS/PE

Na modelagem m ultidim ensional tem os 2 tipos principais de tabelas:

Grocery Store Retail Fact Table