Questão de Banco de Dados — Big Data — FADESP 2026
Banco de Dados›Big Data
Código
qg669767
Banca
FADESP
Órgão
SEFAZ-PA
Ano
2026
Nível
Superior
Cargo
Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais
Em relação aos repositórios de dados data lake e data warehouse em arquiteturas de Big Data, analise as afirmativas a seguir.I. Um data lake é caracterizado por priorizar a ingestão de dados em seu formato original, permitindo armazenar dados estruturados, semiestruturados e não estruturados, com uso de abordagens de schema-on-read.II. Um data warehouse adota schema-on-write, exigindo modelagem prévia, como esquemas em estrela ou floco de neve, para suportar consultas analíticas otimizadas.III. A simples adoção de schema-on-write em um data lake o caracteriza automaticamente como um data warehouse.É verdadeiro o que se afirma em
AI e II, apenas.
BI e III, apenas.
CII, apenas.
DIII, apenas.
EI, II e III.
Revelar gabarito e comentário▾
GabaritoA — I e II, apenas.
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 Lake e Data Warehouse
Gabarito: letra A. As afirmativas I e II estão corretas; a III é falsa. Data lake prioriza schema-on-read e armazena dados em formato bruto (estruturados, semiestruturados e não estruturados). Data warehouse adota schema-on-write, com modelagem prévia (estrela/floco de neve). A simples adoção de schema-on-write em um data lake não o transforma em data warehouse.
Afirmativa
Conteúdo
Veracidade
Justificativa
I
Data lake prioriza ingestão de dados em formato original, armazenando dados estruturados, semiestruturados e não estruturados, com schema-on-read.
✅ Verdadeira
Corresponde à definição clássica de data lake: dados brutos sem imposição de esquema na ingestão.
II
Data warehouse adota schema-on-write, com modelagem prévia (estrela/floco de neve), para consultas analíticas otimizadas.
✅ Verdadeira
Data warehouse exige modelagem dimensional prévia, integração, não volatilidade e suporte a BI.
III
A simples adoção de schema-on-write em um data lake o caracteriza automaticamente como data warehouse.
❌ Falsa
O que define data warehouse é uma arquitetura completa (modelo dimensional, integração, histórico), não apenas o momento de aplicação do esquema.
Data Lake
Data Warehouse
Schema-on-write
Característica principal
Não é automático
Schema-on-read
Não é típico
Característica principal
LEVEL · soulevel.com.br
Item I — ✅ Correto
Corresponde à definição clássica de data lake: armazenamento de dados em formato original, sem imposição de esquema na ingestão, permitindo schema-on-read posterior. Isso possibilita lidar com dados estruturados, semiestruturados e não estruturados.
Item II — ✅ Correto
Data warehouse exige modelagem prévia (schema-on-write), com esquemas dimensionais como estrela ou floco de neve, otimizados para consultas analíticas. É um repositório integrado, não volátil e variante no tempo.
Item III — ❌ Incorreto
A adoção de schema-on-write em um data lake não o converte automaticamente em data warehouse. Um data lake pode ter camadas de transformação, mas sua arquitetura e finalidade (armazenar dados brutos e flexíveis) continuam distintas. Data warehouse é um sistema especializado para BI, com características como integração, não volatilidade e suporte a decisões gerenciais.
NÃO CAIA NESSA!
A banca apresenta uma generalização indevida: "schema-on-write em data lake = data warehouse". Isso é falso, pois o que define o data warehouse é uma arquitetura completa (modelo dimensional, integração, histórico, não volatilidade), não apenas o momento de aplicação do esquema.
PEGA ESSA DICA!
Lembre-se: schema-on-read (data lake) = dados brutos, flexibilidade; schema-on-write (data warehouse) = dados modelados, performance analítica. Questões de concurso adoram inverter esses conceitos.
Conclusão: Apenas I e II são verdadeiras → gabarito letra A.