DataWarehouse

Dimensão

• Tabelas
• que Guardam Dados por Assunto.
• É uma dimensão SnowFlaked se é normalizada, movendo campos de baixa cardinalidade para tabelas separadas ligadas à original através de chaves artificiais
• É uma dimensão Star se é desnormalizada.

Dimensões SnowFlaked e Star respectivamente

Classificações de Dimensões

• Existem duas Classificações de Dimensões. São elas: Dimensões Hierárquicas e Não-Hierárquicas (Dimensão de Nível Único).
• Dimensões Hierarquicas englobam uma série de
• relacionamentos 1
• x Muitos. (Podem ser normalizadas) Ex: Dimensão Produto (na figura anterior)
• Dimensões Não-Hierarquicas são formadas por apenas um
• nível de
• relacionamento. (Tabelas únicas) Ex: Dimensão Loja (na figura anterior)

Tipos de Dimensões

• Dimensão
• Role-Playing: As dimensões são Role-Playing
• quando são recicladas para múltiplas aplicações dentro de um Data Warehouse.
• Como exemplo, a Dimensão de Data pode ser usada como Data_Compra e
• como Data_Entrega
• dentro de um mesmo Data Mart.
• Dimensão Conformada: A
• dimensão é conformada quando ela é exatamente a mesma (incluindo as chaves)
• dentro de Data Marts diferentes. Mais
• importante, os cabeçalhos das linhas produzidas em dois conjuntos de respostas
• diferentes a partir da mesma dimensão conformada deve ser capaz de corresponder
• igualmente.
• Dimensão
• Degenerada: A dimensão degenerada é uma chave
• que, por não ter atributos relacionados a ela, não se junta a uma tabela de
• dimensão real.
• Dimensão
• Junk (lixo): É uma coleção de códigos
• aleatórios transacionais, indicadores (flags) e
• / ou atributos de texto que são alheios a qualquer dimensão.
• Dimensão Estática: Dimensões estáticas não são extraídos a
• partir da fonte de dados original, mas são criados dentro do contexto do Data
• Warehouse. Geralmente, são carregadas manualmente. Um grande exemplo é a
• Dimensão de Tempo.

Dimensão Degenerada

• É uma dimensão que é derivada da Tabela Fato e não tem sua própria Tabela de Dimensão. Veja que é apenas uma chave sem dimensão, para representar algo na tabela fato.
• O campo “NUMERO_NOTA” (que seria o número da transação) na Fato Vendas se trata de uma Dimensão Degenerada (Degenerate Dimension), devido ao campo não possuir tabela de Dimensão correspondente.
• Ela também serve como parte integrante da chave da Fato Vendas e permite o agrupamento dos produtos vendidos em um único documento (pedido), pois apesar de uma compra poder ter vários itens, os dados de cada produto são armazenados separadamente na Fato.
• 
• Caption: NUMERO_NOTA é a dimensão degenerada

Dimensão Junk

• The junk dimension is simply a structure that provides a convenient place to store the junk attributes.
• 

Dimensão Role-Playing e Conformada

• 
• Caption: DateKey usado com propósitos diferentes (RolePlaying)
• 
• Caption: Dimensão Conformada usada em várias Fact tables (tb pode em vários Data Marts)

Slowly Changing Dimension

• Diz respeito às mudanças que ocorrem nas dimensões que impactam diretamente na análise dos dados históricos.
• São chamadas dessa forma porque acontecem de forma menos frequente e em menor quantidade se comparadas às tabelas de Fato.
• Tipo 1 – Sobrescrição de Dados -> como um update
• Tipo 2 – Nova Coluna -> como um update numa coluna que era null
• Tipo 3 – Nova Linha de Registro -> como um insert

Tabela Fato

• Contêm as medições fundamentais
• da empresa, e eles são o alvo final da maioria das consultas de data warehouse.
• Existe dentro do
• conceito de
• Modelagem
• Dimensional 3 tipo de métricas:
• Métricas
• Aditivas:
• Podem ser sumarizadas em
• qualquer situação de
• análise.
• Métricas
• Semi-Aditivas:
• Podem ser sumarizadas em apenas casos específicos de
• análise;
• (Ex. Saldo
• banco).
• Métricas
• Não-Aditivas:
• Nunca podem ser sumarizadas. (Ex. Percentuais vendas)
• Factless Table: tabela fato sem métricas ou medições.

Comparação factless table e fact table

• 
• 
• Caption: Factless Table: contém apenas Ids(chaves estrangeiras). Sem métricas.
• Caption: Tabela Fato normal

Ligação entre Tabelas Fato e Dimensões

• 
• Caption: chave = 1. oo = n
• Para cada cor de produto eu posso ter N Vendas.
• Logo relação entre Dimensão e Fato é 1 para N.
• obs: Entre Dimensão e Dimensão é N para N.

Slice and Dice

• 
• Caption: Slice = um corte. Dice = dois cortes.

Índices em DW

• Geralmente usa-se JOIN indexes (por causa de dimensões snowflaked) e bitmap indexes (por ocorrer muita leitura e pouquíssima gravação).

Questão

• Ano: 2015 Banca: FGV Órgão: TJ-RO Cargo: Analista de Sistemas
• O Gestor das salas de reunião e auditórios de um centro empresarial controla a utilização das instalações por meio de um sistema de informação. Para melhor gerir seus recursos, o gestor precisa responder às seguintes perguntas:
• Que instalações são mais usadas?
• Qual foi a utilização média das instalações em determinado período do dia?
• Para responder essas perguntas, o seguinte modelo de dados foi elaborado: (ao lado)
• Nesse modelo, a técnica de modelagem multidimensional empregada para analisar a utilização das instalações é a:
• A) degenerate dimension;
• B) role playing dimension;
• C) snowflake;
• D) factless fact table;
• E) slowly change dimension.
• 

Gabarito

• O Gestor das salas de reunião e auditórios de um centro empresarial controla a utilização das instalações por meio de um sistema de informação. Para melhor gerir seus recursos, o gestor precisa responder às seguintes perguntas:
• Que instalações são mais usadas?
• Qual foi a utilização média das instalações em determinado período do dia?
• Para responder essas perguntas, o seguinte modelo de dados foi elaborado: (ao lado)
• Nesse modelo, a técnica de modelagem multidimensional empregada para analisar a utilização das instalações é a:
• A) degenerate dimension;
• B) role playing dimension;
• C) snowflake;
• D) factless fact table;
• E) slowly change dimension.
• 

Questão

• Ano: 2008 Banca: CESGRANRIO Órgão: Petrobras Cargo: Analista de Sistemas Júnior - Processos de Negócios
• O agrupamento de diversas dimensões correspondentes a indicadores com baixa cardinalidade, gerando uma dimensão abstrata, de forma a retirar os indicadores da tabela fato, mas preservando a possibilidade de seu uso em consultas, constitui a
• A) minidimensão (minidimension).
• B) dimensão outrigger (outrigger dimension).
• C) dimensão lixo ou sucata (junk dimension).
• D) dimensão com papéis (role-playing dimension).
• E) dimensão de campo de bits (bitmap dimension).

Gabarito

• Ano: 2008 Banca: CESGRANRIO Órgão: Petrobras Cargo: Analista de Sistemas Júnior - Processos de Negócios
• O agrupamento de diversas dimensões correspondentes a indicadores com baixa cardinalidade, gerando uma dimensão abstrata, de forma a retirar os indicadores da tabela fato, mas preservando a possibilidade de seu uso em consultas, constitui a
• A) minidimensão (minidimension).
• B) dimensão outrigger (outrigger dimension).
• C) dimensão lixo ou sucata (junk dimension).
• D) dimensão com papéis (role-playing dimension).
• E) dimensão de campo de bits (bitmap dimension).

Questão

• Ano: 2012 Banca: Marinha Órgão: Quadro Técnico Prova: Primeiro Tenente - Informática
• Considere os seguintes casos e os seus respectivos modelos dimensionais. (Slide seguinte)
• As técnicas de modelagem multidimensional utilizadas para modelar os casos 1 e 2 acima são, respectivamente: Dimensões
• a)Degeneradas e Tabela com fatos semiaditivos.
• b)Lixo (junk) e Tabela Fato sem dados ou métricas (Factless Fact).
• c)em Conformidade e Tabela com fatos não aditivos.
• d)Hierárquicas e Tabela de fatos agregados.
• e)Intercambiáveis e Tabela Fato com classificação ou subtipos.

Questão

• 
• 
• Caption: Caso 2 - frequência dos alunos nas disciplinas.
• Caption: Caso 1 - almoxarifados com equipamentos que exigem certas condições de armazenamento indicadas por tags: climatização, manutenção especial, transporte especial.

Gabarito

• Ano: 2012 Banca: Marinha Órgão: Quadro Técnico Prova: Primeiro Tenente - Informática
• Considere os seguintes casos e os seus respectivos modelos dimensionais. (Slide seguinte)
• As técnicas de modelagem multidimensional utilizadas para modelar os casos 1 e 2 acima são, respectivamente: Dimensões
• a)Degeneradas e Tabela com fatos semiaditivos.
• b)Lixo (junk) e Tabela Fato sem dados ou métricas (Factless Fact).
• c)em Conformidade e Tabela com fatos não aditivos.
• d)Hierárquicas e Tabela de fatos agregados.
• e)Intercambiáveis e Tabela Fato com classificação ou subtipos.

Questão

• Ano: 2012 Banca: Marinha Órgão: Quadro Técnico Prova: Primeiro Tenente - Informática
• Quando a tabela fato está definida no nível de granularidade
• de itens e o número do documento maior (número da ordem de
• compra, nota fiscal ou pedido de serviço} está na tabela fato
• para desempenhar o papel de integrador ou "alinhavador"
• dos itens deste próprio documento, utiliza-se qual técnica
• de modelagem dimensional de dados?
• (A) Dimensões lixo (junk).
• (B) Tabelas fato sem dados ou métricas.
• (C) Dimensões degeneradas.
• (D) Tabelas fato com classificação ou subtipos.
• (E) Relacionamentos M x N entre fatos e dimensões.

Gabarito

• Ano: 2012 Banca: Marinha Órgão: Quadro Técnico Prova: Primeiro Tenente - Informática
• Quando a tabela fato está definida no nível de granularidade de itens e o número do documento maior (número da ordem de compra, nota fiscal ou pedido de serviço} está na tabela fato para desempenhar o papel de integrador ou "alinhavador" dos itens deste próprio documento, utiliza-se qual técnica de modelagem dimensional de dados?
• (A) Dimensões lixo (junk).
• (B) Tabelas fato sem dados ou métricas.
• (C) Dimensões degeneradas.
• (D) Tabelas fato com classificação ou subtipos.
• (E) Relacionamentos M x N entre fatos e dimensões.

Questão - ALERJ FGV 2017

• 
• Abra a imagem em separado com o botão direito do mouse.

Gabarito

• 
• Gabarito letra B.

Questão ALERJ FGV 2017

• Observe o seguinte Modelo Multidimensional de Dados. (ao lado)
• A técnica de modelagem multidimensional utilizada para
• normalizar a dimensão, movendo os campos de baixa
• cardinalidade para tabelas separadas e ligadas à tabela original
• através de chaves artificiais, é:
• (A) Slowly Changing Dimension;
• (B) Conformed Dimension;
• (C) Degenerated Dimension;
• (D) Snowflaked Dimension;
• (E) Role-Playing Dimension.
• 

Gabarito

• Observe o seguinte Modelo Multidimensional de Dados. (ao lado)
• A técnica de modelagem multidimensional utilizada para normalizar a dimensão, movendo os campos de baixa cardinalidade para tabelas separadas e ligadas à tabela original através de chaves artificiais, é:
• (A) Slowly Changing Dimension;
• (B) Conformed Dimension;
• (C) Degenerated Dimension;
• (D) Snowflaked Dimension;
• (E) Role-Playing Dimension.
• 

Questão

• Ano: 2016 Banca: Marinha Órgão: Quadro Técnico Prova: Primeiro Tenente - Informática
• O conceito de Business Intelligence (BI) pode ser entendido como a utilização de variadas fontes de informação para definir estratégias de competitividade nos negócios da empresa. Sobre BI, assinale a opção correta.
• a)O processamento analítico on-line (OLAP) está relacionado aos processos de análise de inferência e representa uma forma de busca de informação baseada em algoritmos que objetivam o reconhecimento de padrões escondidos nos dados.
• b)O conceito de data mining está relacionado a uma forma múltipla e combinada de análise, trabalhando os dados existentes com operadores dimensionais, tais como o Drill-down e o Roll-up, buscando consolidação em vários níveis.
• c)O conceito de rotação de planos ou pivotamento está relacionado à mudança dos eixos dos fatos.
• d)No modelo dimensional é maior a dificuldade de join pelo número maior de tabelas, quando comparado ao modelo relacional.
• e)As tabelas dimensão têm uma relação 1:N com a tabela fato e possuem um número significativamente menor de linhas do que as tabelas fato.

Gabarito

• Ano: 2016 Banca: Marinha Órgão: Quadro Técnico Prova: Primeiro Tenente - Informática
• O conceito de Business Intelligence (BI) pode ser entendido como a utilização de variadas fontes de informação para definir estratégias de competitividade nos negócios da empresa. Sobre BI, assinale a opção correta.
• a)O processamento analítico on-line (OLAP) está relacionado aos processos de análise de inferência e representa uma forma de busca de informação baseada em algoritmos que objetivam o reconhecimento de padrões escondidos nos dados.
• b)O conceito de data mining está relacionado a uma forma múltipla e combinada de análise, trabalhando os dados existentes com operadores dimensionais, tais como o Drill-down e o Roll-up, buscando consolidação em vários níveis.
• c)O conceito de rotação de planos ou pivotamento está relacionado à mudança dos eixos dos fatos.
• d)No modelo dimensional é maior a dificuldade de join pelo número maior de tabelas, quando comparado ao modelo relacional.
• e)As tabelas dimensão têm uma relação 1:N com a tabela fato e possuem um número significativamente menor de linhas do que as tabelas fato.

Questão

• ANO: 2015 BANCA: FCC ÓRGÃO: TRT - 23ª REGIÃO (MT) PROVA: ANALISTA JUDICIÁRIO - TECNOLOGIA DA INFORMAÇÃO
• Na abordagem Star Schema, usada para modelar data warehouses, os fatos são representados na tabela de fatos, que normalmente
• A) está ligada com cardinalidade n:m às tabelas de dimensão.
• B) está ligada às tabelas de dimensão, que se relacionam entre si com cardinalidade 1:n.
• C) tem chave primária formada independente das chaves estrangeiras das tabelas de dimensão.
• D) está ligada a outras tabelas de fatos em um layout em forma de estrela.
• E) é única em um diagrama e ocupa a posição central.

Gabarito

• ANO: 2015 BANCA: FCC ÓRGÃO: TRT - 23ª REGIÃO (MT) PROVA: ANALISTA JUDICIÁRIO - TECNOLOGIA DA INFORMAÇÃO
• Na abordagem Star Schema, usada para modelar data warehouses, os fatos são representados na tabela de fatos, que normalmente
• A) está ligada com cardinalidade n:m às tabelas de dimensão.
• B) está ligada às tabelas de dimensão, que se relacionam entre si com cardinalidade 1:n.
• C) tem chave primária formada independente das chaves estrangeiras das tabelas de dimensão.
• D) está ligada a outras tabelas de fatos em um layout em forma de estrela.
• E) é única em um diagrama e ocupa a posição central.

Questão

• Ano: 2014 Banca: CESPE Órgão: TJ-SE Prova: Analista Judiciário - Análise de Sistemas
• Com relação a sistemas de suporte à decisão, julgue os seguintes itens.
• Na modelagem multidimensional, é possível haver mais de uma tabela fato no mesmo modelo. A tabela fato expressa a relação N:M (muitos-para-muitos) entre as dimensões, que, por sua vez, implementam a visão e a interface do usuário ao DataWarehouse.
• Certo ou Errado

Gabarito

• Ano: 2014 Banca: CESPE Órgão: TJ-SE Prova: Analista Judiciário - Análise de Sistemas
• Com relação a sistemas de suporte à decisão, julgue os seguintes itens.
• Na modelagem multidimensional, é possível haver mais de uma tabela fato no mesmo modelo. A tabela fato expressa a relação N:M (muitos-para-muitos) entre as dimensões, que, por sua vez, implementam a visão e a interface do usuário ao DataWarehouse.
• Certo ou Errado

Questão

• ANO: 2015 BANCA: IESES ÓRGÃO: TRE-MA PROVA: ANALISTA JUDICIÁRIO - ANÁLISE DE SISTEMAS
• Os índices são elementos fundamentais em um projeto de Data Warehouse. Os tipos de índices usados em sistemas de Data Warehouse são:
• A) Índice bitmap e índices join.
• B) Round índice.
• C) Índices analíticos semânticos.
• D) Índice invertido.

Gabarito

• ANO: 2015 BANCA: IESES ÓRGÃO: TRE-MA PROVA: ANALISTA JUDICIÁRIO - ANÁLISE DE SISTEMAS
• Os índices são elementos fundamentais em um projeto de Data Warehouse. Os tipos de índices usados em sistemas de Data Warehouse são:
• A) Índice bitmap e índices join.
• B) Round índice.
• C) Índices analíticos semânticos.
• D) Índice invertido.