Mineração de dados

Seite 1

A tabela de fatos possui uma chave primária composta e as tabelas de dimensão possuem uma chave primária simples.

A modelagem multidimensional usa tabelas fato e tabelas periféricas, que armazenam, respectivamente a transação e as dimensões.

Seite 2

A chave primária de cada tabela de dimensões será uma chave estrangeira da tabela de fatos.

Um modelo de banco de dados multidimensional está fortemente relacionado com data warehouse.

Seite 3

Pivoteamento (ou rotação) é uma técnica para alterar uma hierarquia dimensional para outra em um cubo de dados.

Seite 4

ROLAP: cada elemento de dados será representado em uma relação, chamada tabela de fatos, enquanto que as informações que ajudam a interpretar são armazenadas em uma tabela de dimensões - Esquema estrela.

Seite 5

MOLAP: um operador específico faz a agregação prévia da tabela de fatos ao longo de todos os subconjuntos de dimensões.

Seite 6

Quanto maior for o nível de detalhes, mais baixo será o nível de granularidade dos dados.

Seite 7

Mineração de dados é o processo de analisar de maneira semi-automática grandes bancos de dados para encontrar padrões úteis.

Seite 8

O modelo Snowflake fornece explicitamente suporte a hierarquia de atributos e acrescenta graus de normalização às tabelas de dimensões, eliminando redundâncias. As consultas são mais complexas e a obtenção de informações será menos eficiente do que no modelo estrela.

Seite 9

Em um modelo dimensional, a tabela de fatos armazena medições, métricas ou fatos numéricos de um processo de negócio.

Seite 10

O modelo de dados multidimensional se aplica para banco de dados com a tecnologia data warehouse.

Seite 11

As medidas ficarão sempre inseridas somente na tabela de fato, independente do modelo ser snowflake ou estrela.

Seite 12

DOLAP: permitem análises específicas em bancos de dados individuais instalados em computadores pessoais.