O tipo de modelagem multidimensional empregada é:GabaritoA — Star Schema;
Gabarito: letra A. O modelo empregado é o Star Schema (modelo estrela), caracterizado por uma tabela fato central conectada diretamente a tabelas dimensão desnormalizadas, formando uma estrutura em forma de estrela. Essa é a modelagem mais comum em Data Warehouses, pois simplifica consultas e melhora o desempenho analítico.
A modelagem multidimensional é a técnica usada em Data Warehouses para organizar dados em fatos (medidas numéricas, como valores e quantidades) e dimensões (contextos descritivos, como tempo, produto e loja). O objetivo é permitir consultas analíticas rápidas e flexíveis, explorando os dados por diferentes perspectivas. Os principais esquemas são o Star Schema, o Snowflake Schema e o Fact Constellation (ou Galaxy).
No Star Schema, há uma tabela fato central (ex.: FATO_VENDAS) com chaves estrangeiras para várias tabelas dimensão (ex.: DIM_TEMPO, DIM_PRODUTO, DIM_LOJA). As dimensões são desnormalizadas, ou seja, contêm todos os atributos descritivos em uma única tabela, sem subdivisões. Isso gera uma estrutura simples, com poucas junções (joins) e alta performance de leitura. É o modelo mais utilizado em DWs por sua simplicidade e eficiência.
O Snowflake Schema é uma variação do estrela em que as tabelas dimensão são normalizadas, divididas em múltiplas tabelas relacionadas, formando uma estrutura que lembra um floco de neve. Isso reduz redundância, mas aumenta o número de junções e a complexidade das consultas, podendo prejudicar o desempenho. O Fact Constellation (ou Galaxy) possui múltiplas tabelas fato que compartilham dimensões, permitindo análises mais complexas e integradas.
A questão apresenta uma figura que mostra uma tabela fato central (FATO_VENDAS) com medidas (valor, qtd) e três dimensões ao redor (DIM_TEMPO, DIM_PRODUTO, DIM_LOJA), cada uma ligada por uma única junção. Essa configuração é a clássica representação do Star Schema. As demais alternativas são distratores: Data Lake e Data Mart não são modelos de esquema, mas sim arquiteturas de armazenamento; Snowflake e Fact Constellation são outros esquemas, mas não correspondem à figura.
A pegadinha da banca está em confundir os esquemas multidimensionais entre si, especialmente Star e Snowflake. A diferença crucial é a normalização das dimensões: no estrela, as dimensões são desnormalizadas (uma tabela por dimensão); no floco de neve, são normalizadas (várias tabelas por dimensão). Na figura, as dimensões aparecem como tabelas únicas, sem subdivisões, confirmando o Star Schema.
Critério | Star Schema (A) | Snowflake Schema (B) | Fact Constellation (C) |
|---|---|---|---|
Tabela fato | Uma única tabela fato central | Uma única tabela fato central | Múltiplas tabelas fato |
Estrutura das dimensões | Desnormalizadas (uma tabela por dimensão) | Normalizadas (várias tabelas por dimensão) | Podem ser normalizadas ou desnormalizadas |
Junções (joins) | Poucas, diretas | Muitas, indiretas | Variáveis, dependendo do compartilhamento |
Compartilhamento de dimensões | Não há compartilhamento | Não há compartilhamento | Dimensões compartilhadas entre fatos |
Complexidade | Baixa | Média | Alta |
Desempenho de consulta | Alto | Menor (mais joins) | Variável |
A figura mostra uma tabela fato central (FATO_VENDAS) com medidas (valor, qtd) e três tabelas dimensão (DIM_TEMPO, DIM_PRODUTO, DIM_LOJA) conectadas diretamente a ela, sem normalização. Essa é a definição exata do Star Schema: uma tabela fato no centro e dimensões desnormalizadas ao redor, formando uma estrela. É o modelo mais comum em DWs por sua simplicidade e desempenho em consultas analíticas.
O Snowflake Schema é uma variação do estrela em que as dimensões são normalizadas, divididas em múltiplas tabelas relacionadas. Na figura, as dimensões são tabelas únicas, sem subdivisões, o que descarta o snowflake. A banca tenta confundir o candidato com a semelhança entre os dois esquemas, mas a ausência de normalização é o critério decisivo.
O Fact Constellation (ou Galaxy) possui múltiplas tabelas fato que compartilham dimensões. A figura apresenta apenas uma tabela fato (FATO_VENDAS), portanto não se trata de um constellation. Esse esquema é mais complexo e usado em cenários com múltiplos processos de negócio integrados.
Data Lake não é um modelo de esquema multidimensional, mas sim uma arquitetura de armazenamento que guarda dados brutos em seu formato nativo, sem estruturação prévia. A figura mostra um modelo estruturado com tabelas fato e dimensão, típico de DW, não de um data lake.
Data Mart é um subconjunto de dados de um Data Warehouse, focado em uma área específica (ex.: vendas, estoque). Não é um modelo de esquema, mas sim uma unidade de armazenamento. A figura representa um esquema completo, não um data mart.
A banca explora a confusão entre Star Schema e Snowflake Schema. A diferença está na normalização das dimensões: no estrela, as dimensões são desnormalizadas (uma tabela por dimensão); no floco de neve, são normalizadas (várias tabelas). Na figura, as dimensões aparecem como tabelas únicas, sem subdivisões — logo, é estrela. Fique atento a esse detalhe na prova!
Para identificar o esquema em uma figura, observe a estrutura das dimensões: se cada dimensão é uma tabela única, é Star Schema; se há subdivisões (várias tabelas ligadas), é Snowflake. Se houver mais de uma tabela fato, é Fact Constellation. Essa regra resolve a maioria das questões sobre modelagem multidimensional.
Gabarito: letra A
Link permanente: /questoes/fg072414