Questão de Banco de Dados — Big Data — CESPE / CEBRASPE 2025
Banco de Dados›Big Data
Código
ce217161
Banca
CESPE / CEBRASPE
Órgão
TJ-PA
Ano
2025
Nível
Superior
Cargo
Analista Judiciário - Especialidade: Análise de Suporte
Julgue o item a seguir, que versam acerca da administração do SGBD Oracle, da modelagem de dados multidimensional e do conceito de data lake.O conceito de data lake baseia-se na estruturação rígida dos dados no momento da ingestão (schema-on-write), o que garante integridade imediata e desempenho otimizado em consultas transacionais.
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoE — Errado
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Data Lake: schema-on-write vs schema-on-read
❌ ERRADO (gabarito: E). O conceito de data lake não se baseia em estruturação rígida no momento da ingestão (schema-on-write). Essa característica é típica de um data warehouse. O data lake adota schema-on-read: os dados são armazenados em formato bruto, sem definição de esquema prévia, e a estrutura é aplicada somente no momento da leitura/consulta. Além disso, data lakes são voltados para análises exploratórias e big data, não para consultas transacionais (OLTP), que exigem alto desempenho e integridade imediata – esses são objetivos de bancos relacionais.
A banca inverteu o par de conceitos: a definição apresentada descreve um data warehouse, não um data lake.
NÃO CAIA NESSA!
Troca deliberada entre data lake e data warehouse. O candidato deve lembrar que data lake = schema-on-read (dados brutos), enquanto data warehouse = schema-on-write (dados estruturados). Memorize a tabela abaixo:
Característica
Data Lake
Data Warehouse
Momento da estruturação
Leitura (schema-on-read)
Ingestão (schema-on-write)
Tipo de dados
Estruturados, semiestruturados, não estruturados
Estruturados (geralmente)
Finalidade principal
Análise exploratória, big data, machine learning
Relatórios, BI, consultas predefinidas
Desempenho em transações
Baixo (não é otimizado para OLTP)
Alto (otimizado para OLAP, mas não para transações)
Foco no estudo: Em provas de banco de dados, a principal fonte de erros é confundir data lake com data warehouse. Treine questões que contrastem schema-on-write e schema-on-read, e lembre-se: o data lake é um “grande lago” de dados brutos, enquanto o data warehouse é um “armazém” estruturado.