Questão de Banco de Dados — DW - Data Warehouse — VUNESP 2026

Data Mining: a descoberta de conhecimento em grandes bases

Gabarito: letra D. A mineração de dados (data mining) tem como finalidade principal obter conhecimento útil e, normalmente, desconhecido, embutido em um grande banco de dados — é a descoberta de padrões, correlações e regras que não estavam explícitos. Essa é a definição clássica do conceito, que se aplica tanto a bancos de dados transacionais quanto a data warehouses.

O data mining é uma das etapas do processo de Knowledge Discovery in Databases (KDD), que consiste em transformar dados brutos em informação acionável. Enquanto o Data Warehouse (DW) é um repositório de dados históricos e integrados, orientado a assunto, não volátil e variável no tempo, a mineração de dados é a técnica analítica que explora esses dados para encontrar padrões ocultos, tendências e relacionamentos que auxiliam na tomada de decisão estratégica.

Para entender bem, é preciso separar os papéis: o DW armazena e organiza os dados; o OLAP analisa multidimensionalmente; o ETL extrai, transforma e carrega; e o data mining descobre conhecimento. A mineração não cria novos fatos (isso é modelagem), não exclui dados (isso é limpeza ou purge), não valida origem (isso é governança de dados) e não compacta (isso é compressão). Ela revela o que está implícito — como a regra "clientes que compram fraldas também compram cerveja" (o famoso caso do carrinho de compras).

A banca explora exatamente essa confusão: o candidato que não domina o conceito pode marcar qualquer alternativa que pareça "tecnológica", mas a essência do data mining é a descoberta de conhecimento não trivial. Guarde essa fronteira: mineração = conhecimento novo; as demais opções descrevem outras atividades do ecossistema de BI.

Alternativa A — ❌ Incorreta

Criar novos fatos é função da modelagem dimensional (como adicionar medidas ou agregados no DW), não do data mining. A mineração não cria fatos; ela descobre padrões a partir dos fatos já existentes. O termo "fatos" aqui remete às tabelas fato do modelo estrela, e sua criação é atividade de projeto, não de mineração.

Alternativa B — ❌ Incorreta

Excluir grandes porções de dados é uma operação de limpeza de dados ou de purge (remoção de dados obsoletos), que faz parte do processo de ETL ou da administração do banco, não do data mining. A mineração não tem por objetivo reduzir o volume de dados, e sim extrair valor deles.

Alternativa C — ❌ Incorreta

Validar a veracidade da origem dos dados é uma preocupação de qualidade de dados e governança de dados, que envolve auditoria de fontes e linhagem (data lineage). O data mining parte do pressuposto de que os dados já estão no DW, integrados e tratados; ele não se ocupa de verificar de onde vieram.

Alternativa D — ✅ Correta ⟵ GABARITO

Esta é a definição canônica de data mining: obter conhecimento útil e, normalmente, desconhecido, embutido em um grande banco de dados. O termo "mineração" é uma metáfora: assim como se extrai minério bruto da terra, extrai-se conhecimento implícito dos dados. É a descoberta de padrões, correlações e regras que não estavam explícitos, como associações de compra, segmentação de clientes e previsão de tendências.

Alternativa E — ❌ Incorreta

Aplicar algoritmos de compactação eficiente de dados é uma técnica de compressão de dados, usada para reduzir o espaço de armazenamento, não para extrair conhecimento. O data mining pode até usar técnicas estatísticas, mas sua finalidade não é compactar — é descobrir padrões.

Gabarito: letra D