Questão de Banco de Dados — DW - Data Warehouse — FCC 2025
Banco de Dados›DW - Data Warehouse
Código
fc073754
Banca
FCC
Órgão
SEFAZ-PI
Ano
2025
Nível
Superior
Cargo
Analista do Tesouro Estadual - Área de Conhecimento: Geral (prova 1)
Uma Secretaria da Fazenda está implementando um Data Warehouse para aprimorar a análise histórica de dados fiscais e otimizar a tomada de decisões estratégicas. A melhor prática para garantir a qualidade dos dados e a eficiência das consultas é
Aimplementar um pipeline de ETL estruturado, aplicando técnicas de limpeza, agregação e conformidade dos dados antes do carregamento no Data Warehouse, para assegurar a integridade referencial, a consistência semântica e a performance das consultas analíticas.
Bpriorizar um modelo ELT (Extract, Load, Transform) em vez de ETL, pois carregar os dados diretamente no Data Warehouse antes da transformação proporciona maior flexibilidade para ajustes futuros e evita a perda de informações relevantes.
Cmodelar a estrutura do Data Warehouse exclusivamente com tabelas de fato, pois elas armazenam os eventos principais e eliminam a necessidade de tabelas dimensionais, otimizando o armazenamento e a posterior análise.
Dprojetar a modelagem dimensional garantindo que a funcionalidade de drill up permita explorar os dados em níveis de detalhamento cada vez mais específicos e que a funcionalidade de drill down agregue informações para gerar análises mais resumidas e sintéticas.
Eevitar processos de carga periódica no Data Warehouse e utilizar prioritariamente ETL em tempo real, garantindo que todas as análises sejam feitas com base em snapshots de dados mais recentes e relevantes.
Revelar gabarito e comentário▾
GabaritoA — implementar um pipeline de ETL estruturado, aplicando técnicas de limpeza, agregação e conformidade dos dados antes do carregamento no Data Warehouse, para assegurar a integridade referencial, a consistência semântica e a performance das consultas analíticas.
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 Warehouse: Melhores Práticas de ETL e Modelagem
Gabarito: letra A. A implementação de um pipeline de ETL estruturado, com limpeza, agregação e conformidade antes do carregamento, é a prática recomendada para garantir a qualidade dos dados (integridade referencial, consistência semântica) e a eficiência das consultas analíticas. O processo ETL transforma os dados em uma área de staging antes de carregá-los no Data Warehouse, assegurando que estejam prontos para análise, conforme os fundamentos da área.
A banca explora conceitos fundamentais de Data Warehouse: ETL, modelagem dimensional e operações OLAP. A alternativa A reflete exatamente o que a literatura e a prática recomendam, enquanto as demais apresentam distorções ou equívocos clássicos.
Aspecto
Alternativa A (Gabarito)
Alternativa B
Alternativa C
Alternativa D
Alternativa E
Processo principal
ETL (Extract, Transform, Load)
ELT (Extract, Load, Transform)
Apenas tabelas fato
Modelagem dimensional com drill up/down
ETL em tempo real
Tratamento dos dados
Limpeza, agregação e conformidade antes do carregamento
Dados brutos carregados diretamente, transformação posterior
Sem tabelas dimensionais
Operações OLAP de navegação hierárquica
Carga contínua sem periodicidade
Impacto na qualidade
Assegura integridade referencial e consistência semântica
Pode comprometer consistência e performance
Inviabiliza análises por múltiplos ângulos
Confunde os conceitos de drill up e drill down
Análises baseadas em snapshots recentes, sem histórico consolidado
Eficiência das consultas
Otimizada pela transformação prévia
Exige transformações complexas na leitura
Prejudicada pela falta de contexto dimensional
Depende da correta implementação hierárquica
Pode sobrecarregar o sistema com cargas constantes
Aderência às melhores práticas
✅ Sim, conforme fundamentos de DW
❌ Não, mais adequado a Data Lakes
❌ Não, viola modelagem dimensional
❌ Não, inverte os conceitos de drill up/down
❌ Não, elimina vantagens do DW histórico
ETL vs ELT
1ETL (tradicional)
Limpeza, agregação, conformidade
Qualidade e performance
2ELT (alternativo)
Dados brutos no DW
Compromete consistência
3Modelagem dimensional
Tabelas fato
Métricas e eventos
Tabelas dimensionais
Contexto descritivo
Só fato inviabiliza análise
LEVEL · soulevel.com.br
Alternativa A — ✅ Correta ⟵ GABARITO
A alternativa descreve corretamente o pipeline ETL. O processo de Extração, Transformação e Carga é o mais utilizado em Data Warehouses tradicionais. A transformação é realizada em uma área de staging, onde se aplicam limpeza, deduplicação, agregação e conformidade, assegurando a integridade referencial, a consistência semântica e otimizando o desempenho das consultas. Isso está alinhado com o conceito de que o DW é um repositório integrado, não volátil e orientado a assunto.
Alternativa B — ❌ Incorreta
Embora o ELT (Extract, Load, Transform) seja uma abordagem válida em cenários como Data Lakes, não é a melhor prática para garantir qualidade e eficiência em um Data Warehouse analítico. Carregar os dados brutos diretamente no DW sem transformações prévias pode comprometer a consistência semântica e a performance das consultas, além de exigir transformações complexas no momento da leitura. A flexibilidade citada não supera os benefícios do ETL para a qualidade dos dados.
Alternativa C — ❌ Incorreta
A modelagem dimensional de um Data Warehouse exige a presença de tabelas fato (que armazenam métricas e eventos) e tabelas dimensionais (que fornecem o contexto descritivo para análise). Utilizar exclusivamente tabelas fato eliminaria as dimensões, inviabilizando análises por múltiplos ângulos (tempo, produto, local, etc.). Portanto, a afirmação é incorreta.
Alternativa D — ❌ Incorreta
A alternativa inverte os conceitos das operações OLAP. Drill up (ou roll up) é a operação que agrega dados, subindo na hierarquia (ex.: de mês para ano); Drill down é a operação que detalha, descendo na hierarquia (ex.: de ano para mês). A banca troca os papéis, o que é um erro clássico.
NÃO CAIA NESSA!
A banca inverteu os conceitos de drill up e drill down. Lembre-se: drill up = subir no nível de granularidade (agregar); drill down = descer (detalhar).
Alternativa E — ❌ Incorreta
Data Warehouses tradicionais utilizam cargas periódicas (em lote) para garantir a consistência dos dados históricos e a performance das consultas. Priorizar ETL em tempo real (streaming) não é uma prática recomendada para um DW voltado à análise histórica, pois o streaming é mais adequado para Data Lakes ou cenários de baixa latência. A alternativa sugere evitar processos periódicos, o que desvirtua o propósito do DW.