Auditor-Fiscal da Receita Estadual - Tecnologia da Informação (Prova 3)
As soluções em Big Data Analytics, usadas, por exemplo, pela Fazenda Pública principalmente para evitar sonegações de tributos, trabalham com algoritmos complexos, agregando dados de origens diversas, relacionando-os e gerando conclusões fundamentais para a tomada de decisões. Na execução dessas análises pelos auditores, considere:I. Dados estruturados.II. Dados semiestruturados.III. Dados não estruturados.IV. Dados brutos, não processados.V. Esquemas de dados gerados no momento da gravação.Sobre um repositório de armazenamento, que contenha uma grande quantidade de dados a ser examinada, deverão ser utilizados APENAS os que constam de
AI, III e IV.
BI, II, III e V.
CIII, IV e V.
DI, II, III e IV.
EI, II, IV e V.
Revelar gabarito e comentário▾
GabaritoD — I, II, III e IV.
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”.
Big Data Analytics — Tipos de dados em repositórios de armazenamento
Gabarito: letra D. Em Big Data Analytics, o repositório (data lake) comporta dados estruturados, semiestruturados, não estruturados e dados brutos (não processados), pois a análise é feita sobre dados de origens diversas e em formatos variados. O item V (esquemas gerados no momento da gravação) é próprio de bancos relacionais tradicionais (schema-on-write), não de soluções Big Data, que usualmente aplicam schema-on-read. Portanto, devem ser utilizados apenas os itens I, II, III e IV.
A banca explora a diferença entre esquema na gravação (banco tradicional) e esquema na leitura (Big Data). Em Big Data, os dados são armazenados sem esquema rígido, permitindo grande flexibilidade para lidar com dados de fontes heterogêneas. O item V, ao citar "esquemas de dados gerados no momento da gravação", descreve o oposto do paradigma Big Data, sendo o único item que não se aplica.
Item
Tipo de Dado
Característica
Aplicável em Big Data?
I
Dados estruturados
Organizados em tabelas com esquema fixo
Sim
II
Dados semiestruturados
Possuem alguma estrutura (ex.: JSON, XML)
Sim
III
Dados não estruturados
Sem formato predefinido (ex.: vídeos, imagens)
Sim
IV
Dados brutos, não processados
Dados em estado original, sem tratamento
Sim
V
Esquemas de dados gerados no momento da gravação
Paradigma schema-on-write (bancos relacionais)
Não
Alternativa A — ❌ Incorreta
Inclui os itens I, III e IV, mas exclui o item II (dados semiestruturados). Em Big Data, dados semiestruturados (ex.: JSON, XML, logs) são comuns e devem ser considerados. A omissão torna a alternativa incompleta.
Alternativa B — ❌ Incorreta
Inclui os itens I, II, III e V, mas exclui o item IV (dados brutos, não processados). Dados brutos frequentemente são a base dos data lakes e precisam ser armazenados para análises posteriores. A exclusão do item IV é indevida, e a inclusão do item V não é característica de Big Data.
Alternativa C — ❌ Incorreta
Inclui apenas III, IV e V. Exclui os itens I (dados estruturados) e II (semiestruturados), que também são relevantes. Além disso, inclui o item V, que não se aplica.
Alternativa D — ✅ Correta ⟵ GABARITO
Contém os itens I, II, III e IV. São exatamente os tipos de dados que um repositório de Big Data deve armazenar e processar: estruturados, semiestruturados, não estruturados e brutos. O item V não faz parte desse conjunto.
Alternativa E — ❌ Incorreta
Inclui I, II, IV e V, mas exclui o item III (dados não estruturados). Dados não estruturados (ex.: vídeos, imagens, texto livre) são comuns em Big Data e não podem ser desconsiderados. Além disso, inclui o item V, que é inadequado.
NÃO CAIA NESSA!
O item V (esquemas gerados na gravação) é apresentado como se fosse típico de Big Data, mas na verdade é característico de bancos de dados tradicionais. Em Big Data, o esquema é definido na leitura (schema-on-read), permitindo maior flexibilidade. Essa inversão conceitual é uma armadilha clássica da banca.