Questão de Banco de Dados — BI (Business Intelligence) — FGV 2024
Banco de Dados›BI (Business Intelligence)
Código
fg079595
Banca
FGV
Órgão
DATAPREV
Ano
2024
Nível
Superior
Cargo
ATI - Análise de Negócio de TI
Uma empresa da área financeira está desenvolvendo um sistema de Business Intelligence que utiliza técnicas de modelagem preditiva para detectar fraudes em transações em tempo real. Os dados coletados são altamente voláteis e vêm de múltiplas fontes, incluindo sistemas legados e serviços em nuvem. Para garantir a eficiência e precisão do sistema, é necessário considerar aspectos como qualidade dos dados, latência mínima e implementação de algoritmos de inteligência artificial avançados.Com base nesse cenário, a abordagem mais adequada para atender aos requisitos do sistema é
Autilizar bancos de dados NoSQL orientados a documentos para armazenar todas as transações, sem qualquer pré-processamento ou validação dos dados.
Bimplementar um data lake sem esquema definido, onde todos os dados são armazenados na forma bruta, e aplicar algoritmos de aprendizado de máquina diretamente sobre esses dados.
Cestabelecer um processo robusto de ETL que inclua limpeza e transformação dos dados, armazenar os dados estruturados em um data warehouse otimizado e aplicar técnicas de mineração de dados e algoritmos de inteligência artificial para detecção de fraudes.
Dconfiar exclusivamente em técnicas de OLAP para análise multidimensional dos dados históricos, sem considerar dados em tempo real.
Eutilizar somente ferramentas de visualização de dados para identificar padrões de fraude, sem empregar algoritmos de inteligência artificial.
Revelar gabarito e comentário▾
GabaritoC — estabelecer um processo robusto de ETL que inclua limpeza e transformação dos dados, armazenar os dados estruturados em um data warehouse otimizado e aplicar técnicas de mineração de dados e algoritmos de inteligência artificial para detecção de fraudes.
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”.
Business Intelligence e detecção de fraudes
Gabarito: letra C. A alternativa C é a única que contempla todos os requisitos: qualidade dos dados via ETL, armazenamento otimizado em data warehouse, e aplicação de técnicas avançadas de IA/mineração para detecção em tempo real. O cenário exige integração de fontes heterogêneas, baixa latência e precisão, o que é atendido por um pipeline robusto de ETL seguido de análise em data warehouse.
Business Intelligence (BI) combina arquitetura, ferramentas, bancos de dados, aplicações e metodologias para habilitar acesso interativo a dados e prover análises apropriadas. No contexto de detecção de fraudes, a qualidade dos dados é crítica, pois dados inconsistentes ou sujos comprometem os modelos preditivos. A latência mínima exige processamento eficiente, e algoritmos de IA são necessários para identificar padrões complexos.
BI para detecção de fraudes: Requisitos (Qualidade dos dados, Latência mínima, Algoritmos de IA); Pipeline adequado (ETL (limpeza + transformação), Data warehouse otimizado, Mineração de dados + IA); Abordagens inadequadas (NoSQL sem pré-processamento, Data lake sem esquema, Só OLAP (sem tempo real), Só visualização (sem IA))
Alternativa A — ❌ Incorreta
Utilizar bancos NoSQL orientados a documentos sem qualquer pré-processamento ou validação ignora a necessidade de qualidade dos dados. Dados de múltiplas fontes (legados, nuvem) precisam ser limpos e transformados para garantir consistência. Além disso, a falta de validação compromete a precisão dos modelos preditivos, e a abordagem não considera a latência mínima necessária para detecção em tempo real.
Alternativa B — ❌ Incorreta
Um data lake sem esquema definido armazena dados brutos, mas aplicar algoritmos de aprendizado de máquina diretamente sobre esses dados não tratados pode gerar resultados imprecisos e demandar grande processamento. A ausência de transformação e limpeza aumenta a latência e prejudica a eficiência. Embora data lakes sejam úteis para armazenar grandes volumes, para análise preditiva em tempo real é necessário um processo de ETL que prepare os dados adequadamente.
Alternativa C — ✅ Correta ⟵ GABARITO
Estabelecer um processo robusto de ETL (extract, transform, load) inclui limpeza e transformação dos dados, garantindo qualidade. Armazenar dados estruturados em um data warehouse otimizado permite consultas rápidas e eficientes, atendendo à latência mínima. Por fim, aplicar técnicas de mineração de dados e algoritmos de inteligência artificial é essencial para detectar fraudes em tempo real, combinando análise preditiva com a capacidade de processar grandes volumes de dados históricos e correntes.
Alternativa D — ❌ Incorreta
Técnicas OLAP são voltadas para análise multidimensional de dados históricos, mas não são adequadas para processamento em tempo real. O cenário exige análise preditiva com baixa latência, e OLAP sozinho não oferece capacidades de machine learning ou streaming. Além disso, confiar exclusivamente em OLAP ignora a necessidade de integração de fontes heterogêneas e tratamento de dados voláteis.
Alternativa E — ❌ Incorreta
Utilizar somente ferramentas de visualização de dados não implementa algoritmos preditivos. Para detecção de fraudes, é necessário aplicar inteligência artificial e mineração de dados. Ferramentas de visualização são úteis para apresentar resultados, mas não substituem modelos analíticos que identificam padrões complexos. A abordagem não atende ao requisito de modelagem preditiva.
PEGA ESSA DICA!
Em BI, a qualidade dos dados é fundamental. Processos de ETL são essenciais para integrar fontes heterogêneas e garantir dados confiáveis. Data warehouse é o repositório adequado para análises estruturadas. Algoritmos de IA e mineração devem ser aplicados após a preparação dos dados. Sempre desconfie de alternativas que pulam a etapa de tratamento dos dados ou que confiam em uma única técnica.