Os metadados têm fundamental importância na estrutura de data warehouses por pro...

Questão de Informática da banca CESGRANRIO aplicada no concurso Petrobras (2018). Confira a resolução completa abaixo:

Q646635•
Informática•
Data Warehouse•
CESGRANRIO•
Petrobras•
Analista de Sistemas Júnior•
2018

Os metadados têm fundamental importância na estrutura de data warehouses por propiciarem um uso mais eficiente daquele repositório de dados, já que

alteram as tabelas de referência, provenientes do processo de extração de dados.

balizam a política de recuperação lógica e física a ser adotada pelo administrador de dados.

permitem que o usuário direcione a análise, pelo conhecimento da estrutura dos dados.

propiciam a independência de dados, especificada pela arquitetura ANSI/SPARC.

viabilizam a segurança discricionária de acesso às tabelas de dimensões do repositório.

Questões Relacionadas

Q611900•
Informática•
Data Warehouse

O datawarehouse requer a definição e a implementação de procedimentos que efetuem a

inserção de dados dos bancos de dados dos sistemas do nível operacional, a integração dos dados inseridos dos diferentes bancos de dados, a agregação dos dados conflitantes e a manutenção de metarotinas.

extração de dados dos bancos de dados dos sistemas do nível gerencial, a integração dos dados extraídos dos bancos de dados equivalentes, a integração dos dados agregados e a construção de metadados.

extração de dados dos bancos de dados dos sistemas do nível operacional, a integração dos dados extraídos dos diferentes bancos de dados, a agregação dos dados integrados e a manutenção de metadados.

extração de dados dos sistemas do nível operacional, a integração dos dados inseridos nos diferentes bancos de dados, a agregação dos dados integrados a nível gerencial e a inserção de metadados.

extração de dados dos sistemas do nível operacional, a integração dos dados codificados a nível operacional, a agregação dos dados especializados e a manutenção de metadados.

Q119500•
Informática •
Data Warehouse•
CESGRANRIO•
TRANSPETRO•
Analista de Sistemas Júnior

Os conceitos e aplicações de data warehouse e visões de bancos de dados relacionais de sistemas transacionais possuem pontos em comum, e, por conta deles, eventualmente são erroneamente considerados sinônimos. Uma das diferenças entre visões de bancos de dados relacionais e data warehouses reside no fato de que visões relacionais de bancos de dados transacionais

implementam como uma de suas componentes a dimensão tempo, que nem sempre está presente em data warehouses.

permitem a combinação dinâmica de seus dados, em diferentes perspectivas, pela aplicação de operações pivoting e roll up.

podem ser indexadas, ao contrário de data warehouses, que, por sua característica multidimensional, são armazenados em árvores AVL.

podem, diferentemente de data warehouses, ser implementadas com técnicas top down e bottom up.

possuem estados com conteúdo dinâmico, já que elas dependem dos estados das relações que referenciam, diferentemente de data warehouses, de natureza não volátil.

Q117193•
Informática •
Data Warehouse•
CESGRANRIO•
ELETROBRÁS•
Analista de Sistemas

Um data mart do departamento de vendas de uma grande empresa possui uma tabela fato com cinco métricas associadas a oito diferentes dimensões. O analista de TI está em dúvida sobre que modelagem utilizar. Considerando-se as opções snowflake e star schema, qual a desvantagem de se utilizar, nessa situação, a modelagem snowflake?

A modelagem star schema não contempla a possibilidade de armazenamento de atributos para cada dimensão, minimizando a quantidade de memória utilizada.

Uma maior quantidade de joins entre as tabelas de dimensões e as tabelas de hierarquia associadas será realizada, ocasionando queda de desempenho no processo de agregação das métricas.

As chaves estrangeiras, relativas às dimensões armazenadas na tabela fato, devem corresponder às hierarquias existentes nessas dimensões, ocasionando maior quantidade de registros na tabela fato.

Na modelagem snowflake, a manutenção dos dados dimensionais se torna mais dispendiosa, tendo em vista que as tabelas dimensionais não estão normalizadas.

Diferentemente da modelagem star schema, na modelagem snowflake, as chaves estrangeiras na tabela fato não apontam para o nível mais baixo (atômico) da hierarquia das dimensões associadas.

Notificações

Nada por aqui