Modelagem Multidimencional e BI Flashcards

1
Q

As consultas no esquema ____ são mais complexas e difíceis de entender, pois há necessidade de realizar várias junções entre as tabelas que estão ____. Assim, o desempenho das consultas neste modelo acaba tendo pior desempenho que as consultas no esquema ____.

A

Floco de neve / normalizadas / estrela

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Nos esquemas ____, não há normalização das tabelas, gerando redundância nos dados.

A

Estrela

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

A operação ____ recupera um subconjunto, geralmente bidimensional, de uma matriz multidimensional, que corresponde a um valor simples
atribuído a uma (ou mais) dimensões.

A

Slice

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

A operação ____ corresponde a uma operação slice em mais de duas dimensões de um cubo. Por meio dessa operação ocorre a extração de um subcubo.

A

Dice

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

As operações de slice and dice são realizadas sobre [os fatos / as dimensões] do cubo de dados.

A

As dimensões

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

A operação ____ intercambia dimensões permitindo diferentes visualizações dos dados

A

Pivot

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Independentemente de a modelagem ser do tipo snowflake ou star, as medidas são inseridas somente nas tabelas ____, enquanto as tabelas ____
contém atributos descritivos das entidades de negócio.

A

Fato / Dimensão.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

O modelo em ____ é definido com base na normalização das tabelas dimensão e, portanto, diminui a redundância.

A

Flocos de neve / diminui

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Abordagem de desenvolvimento de cima para baixo (top-down). Primeiramente é construído o Data Warehouse partindo posteriormente para os Data Marts.

A

Abordagem EDW ou de Bill Inmon

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Abordagem de baixo para cima (bottom-up). Desenvolver vários Data Marts para posteriormente integrá-los e, assim, chegar-se ao DW.

A

Abordagem de Data Mart ou de Ralph KIMBALL

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Todas as tabelas de um modelo apresentam um elemento de tempo como parte da estrutura de chave. V ou F. Por quê?

A

Falso.

Um elemento de tempo é uma dimensão que deve fazer parte da chave da tabela fato, mas não precisa, necessariamente, fazer parte de todas as tabelas dimensão do modelo.

A chave primária de uma tabela fato é sempre composta ou concatenada e possui ao menos um elemento associado a uma dimensão de tempo. Dessa forma, somente um atributo da tabela de fatos e a dimensão tempo devem, obrigatoriamente, possuir um elemento de tempo na sua estrutura.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

___ são as informações que se armazenam em tabela-fato e permitem medir o desempenho dos processos do negócio.

A

Métricas

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

HOLAP é a combinação de ___ com ___.

A

ROLAP / MOLAP

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Operação OLAP que:
• Sobe na hierarquia
• Reduz o nível de detalhe
• Aumenta a granularidade.

A

Drill up

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Operação OLAP que:
• Desce na hierarquia
• Aumenta o nível de detalhe
• Reduz a granularidade.

A

Drill down

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Drill-across (Kimball): para Kimball, esta operação serve para ___.

A

Realizar consultas que envolvem mais de uma tabela fato

17
Q

Drill-across (Internet): ___.

A

Navegação entre os níveis de dados, saltando níveis

18
Q

Drill-through (Internet): ___.

A

Usuário passa de uma informação contida em uma dimensão para uma outra

19
Q

Drill-through (Han, Kamber e Pei): utiliza as instalações SQL para ___.

A

Ir além do nível inferior de um cubo de dados até suas tabelas relacionais back-end