aula6_inform_sefaz_pi_81079

Prévia do material em texto

Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
1 
• 
 
 
Saudações caros (as) amigos(as), 
Firmes! Em frente! Falta pouco! Pense nisso: 
 
Um Natal iluminado para você e toda a família!! 
Que Deus os abençoe, bom proveito e rumo agora à sexta aula, sobre 
Data Warehousing e Business Intelligence. 
Insista, persista e não desista! Força nos estudos! 
Um abraço, 
Profa Patrícia Quintão. 
Instagram: @patriciaquintao 
Facebook: http://www.facebook.com/professorapatriciaquintao (Todo dia 
com novas dicas, desafios e muito mais, espero vocês por lá para CURTIR a 
página!) 
Livro FCC/2014: 
http://www.livrariadoponto.com.br/produto/5995/11391/informatica---fcc---
serie-questoes-comentadas 
Aula 06 – Conceitos de Data Warehousing e Business 
Intelligence 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
2 
 
Sumário 
 
Data Warehousing, Business Intelligence e Tópicos Relacionados ......... 3 
Memorex .............................................................................................. 27 
Questões de Provas Comentadas ......................................................... 30 
Considerações Finais ........................................................................... 57 
Referências Bibliográficas.................................................................... 57 
Lista de Questões Apresentadas na Aula ............................................. 59 
Gabarito ............................................................................................... 69 
Acompanhe a Evolução do seu Aproveitamento ................................... 70 
 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
3 
Data Warehousing, Business Intelligence e Tópicos Relacionados 
 
1. O Contexto Atual 
De 1990 em diante, o volume de informações armazenadas em meio eletrônico 
cresceu aceleradamente. Estudos mostram que a quantidade de informação 
no mundo dobra a cada 20 meses, e, como consequência, o tamanho e a 
quantidade de banco de dados espalhados pelo mundo cresce ainda mais 
aceleradamente. 
 
Figura. O Tsunami de Dados, O que é e como nos afeta? 
“Estamos nos afogando em informação mas com sede de 
conhecimento” – John Naisbitt, Megatrends (1984). 
E que valor tem esses dados armazenados? Por que tanta informação precisa 
ser mantida de modo cumulativo e não é simplesmente descartada pouco 
tempo depois do seu uso? 
O fato é que nesse meio há um amontoado de dados que estão 
gravados nos bancos de dados e, também, há muita informação não 
explorada, que poderia ser de grande valia para o suporte às decisões 
nas grandes corporações, governos, universidades e outros. 
Há nesse enxame de dados, tidos como desnecessários por alguns, padrões e 
tendências que se descobertos podem ser úteis para entender e otimizar os 
processos de negócio em empresas, ajudar a entender melhor os resultados de 
experiências científicas, colaborar com a medicina no entendimento e 
tratamento de casos de epidemias, e muitos outros. 
É justamente nesse cenário que entra em cena o Data Mining (Mineração de 
Dados). Pode ser entendido como um campo de estudo que procura encontrar 
informações que estão implícitas, ou seja, procura padrões e tendências 
ocultas em base de dados. 
Um exemplo de Data Mining muito comum são as previsões meteorológicas, em 
que é utilizado como forma de prever as alterações climáticas. Para tanto, são 
analisados os registros climáticas dos últimos 10 a 20 anos e procura-se 
identificar os padrões de alterações climáticas nesses períodos, a fim de se 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
4 
conseguir prever as próximas alterações. Assim, o Data Mining exerce a função 
de identificar padrões e tendências meteorológicas. 
Esse novo campo de estudos que é o Data Mining é tido como crítico para os 
negócios das grandes empresas e continua a crescer, uma vez que o uso das 
informações obtidas através de mineração de dados tornou-se imprescindível 
para a sustentação da competitividade no ambiente comercial dos dias de hoje. 
E também, alia-se a isso, o fato de que com o armazenamento de grandes 
quantidades de dados num local comum e, também, o contínuo avanço da 
capacidade de processamento dos computadores, os empresários passaram a 
procurar por tecnologias para extração de informação útil em meio aos 
infindáveis amontoados de dados. 
 
2. O Processo de Descoberta de Conhecimento em Base de Dados (KDD 
- Knowledge Discovery in Databases) 
• “É o processo não trivial de identificação de padrões/modelos em dados 
que sejam válidos, novos, potencialmente úteis e compreensíveis.” 
• “É uma tarefa cujo uso de conhecimento é intensivo, consistindo de 
complexas interações, prolongadas no tempo, entre uma pessoa e um banco 
de dados, possivelmente suportada por um conjunto heterogêneo de 
ferramentas.” 
 
KDD é pluridisciplinar pois envolve banco de dados, técnicas de estatísticas, 
redes neurais, de aprendizado de máquinas, de reconhecimento de padrões e 
de visualização de dados. 
Fayyad et al. (1996) destaca o processo de descoberta de conhecimento de 
forma mais simplificada, baseada em três etapas: Preparação, Data Mining 
e Análise de Dados. 
 
Vejamos cada uma delas: 
• Preparação: é a etapa que trata de preparar os dados antes de serem 
submetidos às técnicas de Data Mining. Nessa etapa, os dados são 
selecionados (Quais dados são importantes?), purificados (retirar as 
inconsistências e incompletude de dados) e pré-processados 
(reapresentá-los de uma forma adequada para o processo de Data Mining). 
Esse passo é executado sob a supervisão de um especialista, pois é 
necessária a colaboração de uma pessoa apta para definir quais dados são 
relevantes e também para definir o que fazer com os dados antes de 
utilizá-los no Data Mining. 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
5 
• Data Mining: é a etapa em que os dados preparados são processados, ou 
seja, é onde se faz a mineração dos dados propriamente dita. O principal 
objetivo desse passo é transformar os dados de uma maneira que permita a 
identificação mais fácil de informações importantes. O que se tenta fazer 
nessa etapa é identificar padrões de comportamento, por exemplo, pode ser 
verificado que 75% dos clientes de um supermercado que compram um 
produto X também compram um produto Y. Essa informação pode levar as 
empresas a criarem novos planos de marketing em cima dos produtos X e Y. 
Portanto, esses padrões e associações, vão compor o conhecimento da 
empresa sobre o negócio em que atua, ajudando-a a obter maiores lucros e 
aumentar a satisfação de seus clientes. 
O Data Mining é uma etapa do KDD em que são aplicadas técnicas 
para identificação de padrões sobre os dados disponíveis. Tais dados 
estão disponíveisem meios digitais, e comumente são trabalhados os dados 
que estão em bases de dados. 
Esse processo como um todo tem o intuito de trabalhar os dados 
registrados ao longo do tempo de vida de um negócio a fim de se 
identificar padrões que representam alguma informação sobre o 
comportamento do negócio. E em função dessas informações busca-se 
identificar conhecimento que possa conduzir a melhores decisões sobre o 
negócio. Esse processo de Descoberta de Conhecimento sendo 
repetido continuamente resultará em sabedoria sobre o domínio de 
negócio para os tomadores de decisões. 
 
Fonte: Navega, 2002 
 
 
 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
6 
Nota 
O que é DADO? 
• De forma bem resumida e direta, posso definir dados como fatos que 
podem ser analisados e que possuem um significado implícito. Por 
exemplo, se você encontrar uma folha de papel, e verificar que nela está 
escrito o valor 25, o que você pensaria? Bem 25 é um valor numérico que 
tem algum significado. Mas qual? Pode ser a idade de alguém, pode ser um 
dia de um mês, pode ser o número de uma casa. Enfim, é apenas um fato, 
um dado registrado, que possui algum significado, mas que de forma isolada 
não agrega nenhum valor para quem lê. 
 
O que é INFORMAÇÃO? 
• A informação é o resultado do processamento, manipulação e 
organização de dados, de tal forma que represente uma modificação 
(quantitativa ou qualitativa) no conhecimento do sistema (pessoa, 
animal ou máquina) que a recebe. No exemplo anterior, se alguém lhe 
informar que o número escrito no papel é a temperatura máxima em graus 
Celsius que fará na sua cidade, pronto, nesse momento esse dado, que 
pouco valor tinha para você, virou uma informação. 
 
O que é CONHECIMENTO? 
• Fornece a capacidade de resolver problemas, inovar e aprender baseado em 
experiências prévias. 
• O conhecimento é o somatório das informações que adquirimos, é a base 
daquilo que chamamos de cultura. Podemos adquirir conhecimento sem 
sequer vivermos uma só experiência fora dos livros e das aulas teóricas. 
Podemos nos tornar cultos sem sairmos da reclusão de uma biblioteca. 
 
O que é INTELIGÊNCIA? 
• A inteligência é o dom humano capaz de “digerir” as informações, através da 
análise, e transformá-la em conhecimento útil. Para guardar uma 
informação, precisamos retê-la em nossa memória; para guardar um 
conhecimento, devemos incorporá-la em nossa mente e, consequentemente, 
em nossa maneira de pensar. 
 
O que é SABEDORIA? 
• É o reflexo da vivência, na prática, quer pela experimentação, quer pela 
observação, da utilização dos conhecimentos previamente adquiridos. 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
7 
Importante observar... 
◦ Dado NÃO é Informação. 
◦ Informação não é Conhecimento. 
◦ Conhecimento não é Inteligência. 
◦ Inteligência não é Sabedoria. 
 
• Análise de Dados: aqui o resultado do Data Mining é avaliado, com o 
objetivo de determinar se algum conhecimento adicional foi descoberto, 
assim como definir a importância dos fatos gerados. Nessa etapa, várias 
formas de análise podem ser utilizadas, por exemplo: o resultado do Data 
Mining pode ser expresso em um gráfico, em que análise dos dados passa a 
ser uma análise do comportamento do gráfico. 
 
 
Figura. Etapas do Processo de Descoberta de Conhecimento 
A figura seguinte ilustra o processo proposto por Usama Fayyad, Gregory 
Piatetsky-Shapiro e Padhraic Smyth (1996). 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
8 
 
Figura. Processo de KDD. Adaptação da proposta realizada por Usama 
Fayyad, Gregory Piatetsky-Shapiro e Padhraic Smyth (1996) 
 
O processo de KDD é interativo (pois o usuário pode intervir e controlar o 
curso das atividades) e iterativo (por ser uma sequência finita de operações 
em que o resultado de cada uma é dependente dos resultados das que a 
precedem). 
 
A seguir, daremos uma visão geral de cada uma das fases. 
 
**Entendimento do domínio da aplicação e identificação do objetivo do 
processo de KDD. 
 
**Seleção dos dados 
A fase de seleção dos dados é a primeira no processo de descobrimento de 
informação. Nesta fase é escolhido o conjunto de dados, pertencente a um 
domínio, contendo todas as possíveis variáveis (também chamadas de 
características ou atributos) e registros (também chamados de casos ou 
observações) que farão parte da análise. Normalmente a escolha dos dados fica 
a critério de um especialista do domínio. 
O processo de seleção é bastante complexo, uma vez que os dados 
podem vir de uma série de fontes diferentes (data warehouses, 
planilhas, sistemas legados) e podem possuir os mais diversos 
formatos. Este passo possui impacto significante sobre a qualidade do 
resultado do processo. 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
9 
**Pré-processamento e limpeza dos dados 
Esta é uma parte crucial no processo, pois a qualidade dos dados vai 
determinar a eficiência dos algoritmos de mineração. Nesta etapa deverão ser 
realizadas tarefas que eliminem dados redundantes e inconsistentes, recuperem 
dados incompletos e avaliem possíveis dados discrepantes ao conjunto 
(outliers). Mais uma vez o auxílio do especialista do domínio é fundamental. 
Nessa fase também são utilizados métodos de redução ou transformação para 
diminuir o número de variáveis envolvidas no processo, visando com isto 
melhorar o desempenho do algoritmo de análise. 
 
-Dados ausentes (missing values) 
Um problema bastante comum nesta fase é a ausência de valores para 
determinadas variáveis. Em outras palavras, registros com dados incompletos 
sejam por falhas no processo de seleção ou de revisão. O tratamento desses 
casos é necessário para que os resultados do processo de mineração sejam 
confiáveis. Existem basicamente três alternativas de solução para esse 
problema: usar técnicas de imputação (fazer a previsão dos dados ausentes e 
completá-los individualmente); substituir o valor faltante pela média aritmética 
da variável; excluir o registro inteiro. 
 
-Dados discrepantes (outliers) 
Dados que possuem valores extremos, atípicos ou com características bastante 
distintas dos demais registros são chamados de discrepantes, ou outliers. 
Normalmente, registros que contêm valores outliers são descartados da 
amostra, porém isto só deve ocorrer quando o dado outlier representar um erro 
de observação, de medida ou algum outro problema similar. 
O dado deve ser cuidadosamente analisado antes da exclusão, pois embora 
atípico, o valor pode representar um dado verdadeiro. Outliers podem 
representar, por exemplo, um comportamento não usual, uma tendência ou 
ainda transações fraudulentas. 
 
-Dados derivados 
Muitas das variáveis de uma população apresentam relacionamentos entre si. 
Sendo assim, se houver a necessidade de dados que não estejam disponíveis, é 
possível tentar obtê-los através da transformação ou combinação de outros. 
Estes dados são chamados de dadosderivados. Um exemplo de um dado que 
pode ser calculado a partir de outro é a idade de um indivíduo, que pode ser 
encontrada a partir de sua data de nascimento. 
 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
10 
**Transformação dos dados 
Após serem selecionados, limpos e pré-processados os dados necessitam ser 
armazenados e formatados adequadamente para que os algoritmos de 
aprendizado possam ser aplicados. Em grandes corporações é comum encontrar 
computadores rodando diferentes sistemas operacionais e diferentes Sistemas 
Gerenciadores de Bancos de Dados (SGDB). Estes dados que estão dispersos 
devem ser agrupados em um repositório único. 
 
**Mineração de dados (Data Mining) 
Todas as etapas do processo de KDD possuem grau elevado de importância 
para o sucesso do mesmo. Entretanto, é a etapa de Mineração de Dados 
(data mining) que recebe o maior destaque na literatura. Conforme BERRY e 
LINOFF (1997), data mining é a exploração e análise, de forma 
automática ou semi-automática, de grandes bases de dados com 
objetivo de descobrir padrões e regras. O objetivo principal do processo de 
data mining é fornecer as corporações informações que a possibilitem montar 
melhores estratégias de marketing, vendas e suporte, melhorando assim os 
seus negócios. 
 
**Interpretação e avaliação 
Esta é mais uma fase que deve ser feita em conjunto com um ou mais 
especialistas no assunto. O conhecimento adquirido através da técnica de data 
mining deve ser interpretado e avaliado para que o objetivo final seja 
alcançado. Caso o resultado não seja satisfatório, o que não é raro, o processo 
pode retornar a qualquer um dos estágios anteriores ou até mesmo ser 
recomeçado, conforme pode ser observado na figura. Duas das ações mais 
comuns caso o resultado não seja satisfatório são: modificar o conjunto de 
dados inicial e/ou trocar o algoritmo de data mining (ou ao menos alterar suas 
configurações de entrada). 
 
**Agir a partir do conhecimento descoberto. 
O processo de KDD segundo outros autores, como Terra (2000) pode ser visto a 
seguir: 
 
Figura. Proposta de processo de KDD (TERRA, 2000) 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
11 
 
Figura. Metodologia CRISP-DM (CRoss Industry Standard Process for 
Data Mining), obtido em www.crisp-dm.org 
 
A seguir destacamos uma visão geral do ciclo de vida de um projeto de 
mineração de dados (data mining) destacado na figura anterior. 
Entendimento do 
Negócio 
Foco no entendimento do negócio que visa obter 
conhecimento sobre os objetivos do negócio e seus 
requisitos. 
Seleção dos Dados Consiste no entendimento dos dados, que visa à 
familiarização com o banco de dados pelo grupo de 
projeto, utilizando-se de conjuntos de dados "modelo". 
Limpeza dos 
Dados 
Fase de preparação de dados, que consiste na 
preparação dos dados buscando a limpeza, a 
transformação, a integração e a formatação dos dados 
da etapa anterior. 
Modelagem dos 
Dados 
Fase que consiste na modelagem dos dados, a qual visa 
a aplicação de técnicas de modelagem sobre o conjunto 
de dados preparado na etapa anterior. 
Técnicas são baseadas em conceitos de: aprendizagem 
de máquina; reconhecimento de padrões; estatística. 
Avaliação do 
processo 
Visa garantir que o modelo gerado atenda às 
expectativas da organização. Os resultados do processo 
de descoberta do conhecimento podem ser mostrados 
de diversas formas. 
Execução Esta fase consiste na definição das fases de implantação 
do projeto de Mineração de Dados. 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
12 
Em outra visão temos: 
 
Figura. Fonte: Cavalcanti (2012) 
 
3. Data Mining (ou Mineração de Dados) 
Nos seus primeiros anos o Data Mining foi popularmente tratado como sinônimo 
de Descoberta de Conhecimento em Base de Dados (da sigla em inglês KDD - 
Knowledge Discovery in Databases). Mas na visão de muitos pesquisadores 
Data Mining deve ser entendido como um passo da descoberta de 
conhecimento, independentemente se será sobre uma base de dados ou 
sobre quaisquer outros repositórios de conhecimento. 
O Data Mining (Mineração de Dados) é entendido como o processo de 
identificar informações relevantes, tais como padrões, associações, 
mudanças, anomalias e estruturas, em grandes conglomerados de 
dados que estejam em banco de dados ou outros repositórios de 
informações. 
“A mineração de dados é um campo interdisciplinar que reúne 
técnicas de aprendizado de máquina, reconhecimento de padrões, 
estatísticas, banco de dados e visualização para abordar a questão 
da extração de informações a partir de grandes bases de dados” 
(Evangelos Simoudis, citado em Daniel T. Larose, Discovering 
Knowledge in Data – An Introduction to Data Mining). 
 
Fayyad (Fayyad et al. 1996) sintetiza Data Mining como “o processo 
não-trivial de identificar, em dados, padrões válidos, novos, 
potencialmente úteis e ultimamente compreensíveis”. 
 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
13 
-Mineração de Dados (ou Data Mining)- 
Etapa do processo de KDD. Corresponde à execução de um algoritmo particular 
que, sob algumas limitações aceitáveis de eficiência computacional, encontra 
padrões ou modelos nos dados. 
É o processo de análise de conjuntos de dados que tem por objetivo a 
descoberta de padrões interessantes e que possam representar 
informações úteis. 
 
Um conceito já cobrado em prova foi proposto na edição antiga do livro “Data 
Mining Techniques: For Marketing, Sales, and Customer Support” , listada a 
seguir: 
 
A mineração de dados é a exploração e análise, por meios automáticos ou 
semiautomáticos, de grandes quantidades de dados a fim de descobrir 
padrões e regras significativas (1997). 
 
Na edição mais atual do livro o conceito é o seguinte: 
A mineração de dados é um processo de negócio para explorar grandes 
quantidades de dados para descobrir padrões e regras significativas 
(2011). 
 
Motivos que Potencializam o Uso do Data Mining 
• O volume de dados disponível atualmente é enorme. 
• Os dados estão sendo organizados. 
• Os recursos computacionais estão cada vez mais potentes. 
• A competição empresarial exige técnicas mais modernas de decisão. 
• Programas comerciais de mineração de dados já podem ser adquiridos. 
 
Quando a Mineração de Dados é mais Indicada? 
Hoje praticamente não existe nenhuma área de conhecimento em que técnicas 
de data mining não possam ser usadas. Entretanto existem áreas nas quais o 
uso tem sido mais frequente, como por exemplo: 
· Marketing: redução dos custos com o envio de correspondências através de 
sistemas de mala direta a partir da identificação de grupos de clientes 
potenciais; 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão14 
· Detecção de fraude: reclamações indevidas de seguro, chamadas clonadas 
de telefones celulares, compras fraudulentas com cartão de crédito; 
· Produção: empresas desenvolvem sistemas para detectar e diagnosticar 
erros na fabricação de produtos. Estas falhas são normalmente agrupadas 
por técnicas de Análise de Agrupamentos. 
 
As áreas em que as aplicações de mineração de dados são mais bem sucedidas 
possuem estas características: 
• exigem decisões baseadas em conhecimento; 
• possuem um ambiente em mudança constante; 
• possuem dados acessíveis, suficientes, e relevantes; 
• fornece um retorno significativo para decisões corretas. 
 
4. Mineração de Dados (Data Mining) x Data Warehouse 
Nesse momento, cabe destacar a diferença entre o Data Mining e o Data 
Warehouse, de grande importância para a prova. 
 
• Data Warehouse (DW) – propõe sustentar a tomada de decisão com dados. 
Trata-se de uma coleção de dados orientada por assunto, integrada, 
não-volátil, variante no tempo, que dá apoio às decisões da 
administração. 
 
o Orientado a assunto: refere-se ao fato do Data Warehouse (DW) ser 
organizado conforme diferentes visões de negócio, ou seja, armazena 
informações sobre temas específicos importantes para o negócio da 
empresa. Ex: Vendas, Compras, etc. 
 
o Integrado a partir de fontes de dados heterogêneas. Refere-se à 
consistência de nomes, das unidades, das variáveis, etc., no sentido de 
que os dados foram transformados até um estado uniforme. Por 
exemplo, considere-se sexo como um elemento de dado. Uma 
aplicação pode codificar sexo como M/F, outra como 1/0 e uma terceira 
como H/M. 
Assim, conforme os dados são inseridos no Data Warehouse, eles são 
convertidos para um mesmo padrão. 
• Sexo é codificado apenas de uma forma. 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
15 
• Da mesma maneira, se um elemento de dado é medido em 
centímetros em uma aplicação, em polegadas em outra, 
ele será convertido para uma representação única ao ser 
colocado no Data Warehouse. 
 
o Não volátil: os dados são sempre inseridos, nunca excluídos. Significa 
que em um DW não existem alterações de dados, somente a carga 
inicial e as consultas posteriores. No ambiente operacional, ao 
contrário, os dados são, em geral, atualizados registro a registro, em 
múltiplas transações. 
 
o Variável com tempo: posições históricas das atividades no tempo. 
Refere-se ao fato do dado em um Data Warehouse referir-se a algum 
momento específico, significando que ele NÃO É ATUALIZÁVEL. 
Enquanto que o dado de produção é atualizado de acordo com 
mudanças de estado do objeto em questão, refletindo, em geral, o 
estado do objeto no momento do acesso. 
 
O Data Warehouse é um armazém centralizado de dados, ou seja, um 
banco de dados ou um agrupamento de bases de dados que contêm 
dados sobre os negócios organizados por assunto. Por exemplo, uma 
indústria automotiva poderia ter um Data Warehouse com uma base dados 
destinada a armazenar registros inerentes ao setor de Vendas. Poderia haver 
também uma outra base dados que contivesse dados inerentes ao 
departamento de Produção de Automóveis. A cada uma dessas bases de 
dados dá-se o nome de Data Mart, e ao agrupamento de todos esses 
Data Marts damos o nome de Data Warehouse. 
 
• Os processos de Data Mining são muito facilitados quando a empresa 
já possui seu Data Warehouse bem estruturado, por isso esses dois 
termos Data Warehouse e Data Mining caminham tão juntos. 
As empresas comumente irão primeiramente amadurecer seus processos de 
organização dos dados sobre o negócio e agrupá-los por assunto, formando 
seus Data Marts. Em seguida, irão compor seu Data Warehouse, para 
após, iniciar os processos de Data Mining com a finalidade de encontrar 
algum conhecimento de valor em meio aos dados sobre o negócio. 
 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
16 
A utilização de um data warehouse ajuda o KDD de duas formas 
importantes: 
• Preparação dos dados: como as organizações são forçadas a pensar sobre 
uma visão lógica unificada da grande variedade de dados e bases de dados 
que elas possuem, elas têm que lidar com as questões de mapeamento de 
dados para uma convenção única de nomes, representação uniforme e 
manipulação de dados faltosos, e manipulação de ruídos e erros quando 
possível. 
• Acesso aos dados: métodos uniformes e bem definidos devem ser criados 
para acessar os dados e fornecer caminhos de acesso aos dados que eram 
historicamente difíceis de obter. 
 
Uma vez que as organizações e indivíduos resolveram o problema de como 
armazenar e acessar os dados, o próximo passo natural é a questão “o que 
fazer com todos estes dados?” Aqui é onde as oportunidades para o KDD 
surgem naturalmente. Além disso, se o problema envolve pessoas, então 
devem ser realizadas as devidas considerações em relação à privacidade. 
 
5. Modelagem de Dados Multidimensional 
Conforme visto, Data Warehouse é o processo de integração dos dados 
corporat ivos de uma empresa em um único repositório. É 
um ambiente de suporte à decisão que alavanca dados armazenados em 
diferentes fontes e os organiza e entrega aos tomadores de decisões. 
Resumindo, é uma tecnologia de gestão e análise de dados. 
Para os processos de construção de um Data Warehouse 
(DW) é altamente importante a compreensão do negócio que envolve a 
empresa ou instituição em que se está desenvolvendo o trabalho. 
O processo inicial é a extração de dados das bases de dados 
transacionais, dados de sistemas ERP, dados locais, externos ou web. Esta 
extração se chama ETL (Extract Transform Load, E x t r a ç ã o 
T r a n s f o r m a ç ã o C a r g a ) e é aqui que são anal isados 
cu idadosamente os dados e ass im traduz idos às necess idades de 
negóc io da empresa. 
Após a extração os dados estes devem ser transformados para que seja 
possível a carga dos dados em um Data Warehouse ou Data Mart dependendo 
do método de construção adotado. Como métodos de construção, existem 
formalmente dois: 
• Top-down, no qual é realizada a modelagem integral do DW, seguida 
pelas extrações de dados. A principal vantagem é a criação de um modelo 
único. O revés fica por conta do maior tempo de projeto; 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
17 
• Bottom-up, em que o foco é em uma área por vez, com o crescimento 
gradual do DW. A vantagem é a obtenção de resultados a 
intervalos mais curtos, garantindo muitas vezes sustentação 
ao projeto. A desvantagem é a maior d i f iculdade de se 
consolidar informações entre as diversas áreas. 
 
Como vemos na imagem seguinte há duas formas de construção, uma na 
qual o DW gera os DM (Data Mart) e outra em que os DM geram o 
DW. 
 
Figura. Exemplos das duas formas de construção de um 
Data WareHouse 
 
O DM nada mais é que um subconjunto de dados de um DW, 
em que tipicamente desempenham o papel de um DW 
departamental, regional ou funcional. Alguns autores e especialistas 
dizem que o DW é uma evolução do DM que começou localizado e cresceu 
para atender um escopo maior. 
 
A modelagem multidimensional é a técnica de projeto mais 
frequentemente utilizadapara a construção de um Data Warehouse. O 
objetivo é buscar um padrão de apresentação de dados que seja facilmente 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
18 
visualizado pelo usuário final e que possua um bom desempenho para 
consultas. 
Quando falamos em modelagem multidimensional, estamos nos referindo à 
definição de um modelo que se destina à análise de dados. No que diz 
respeito à análise de dados, o que se espera do modelo de dados encontra-se 
listado a seguir: 
• seja uma representação simples do modelo de negócios estudado; 
• seja um modelo físico de fácil interpretação, de modo que usuários sem 
treinamento formal em TI possam entendê-lo; 
• facilite a implementação física do modelo de modo a maximizar 
performance das consultas aos dados. 
 
Portanto, no modelo multidimensional, deixamos de focar a coleta de 
dados para nos ocuparmos com a consulta aos dados. E esta é uma 
mudança radical de foco. 
O modelo dimensional é formado por uma tabela central (tabela de fatos) 
e várias outras a ela interligadas (tabelas de dimensão) , sempre por meio 
de chaves especiais, que associam o fato a uma dimensão do cubo. 
 
Alguns conceitos importantes dentro da modelagem multidimensional estão 
listados a seguir: 
• Dimensões: estabelecem a organização dos dados, determinando 
possíveis consultas/cruzamentos. Por exemplo: região, tempo, canal de 
venda,... 
Cada dimensão pode ainda ter seus elementos, chamados membros, 
organizados em diferentes níveis hierárquicos. A dimensão tempo, 
por exemplo, pode possuir duas hierarquias: calendário gregoriano (com 
os níveis ano, mês e dia) e calendário fiscal (com os níveis ano, semana e 
dia); 
• Medidas: são os valores a serem analisados, como médias, totais e 
quantidades; 
• Fatos: são os dados a serem agrupados, contendo os valores de cada 
medida para cada combinação das dimensões existentes. O 
tamanho da tabela que contém os fatos merece atenção especial do 
analista; 
• Agregações: totalizações calculadas nos diversos níveis hierárquicos; 
• Granularidade de dados: refere-se ao nível de sumarização dos 
elementos e de detalhes disponíveis nos dados, considerado o mais 
importante aspecto do projeto de um Data Warehouse. 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
19 
Em um nível de granularidade muito alto: 
o O espaço em disco e o número de índices necessários se tornam 
bem menores. 
o Há, porém, uma diminuição da possibilidade de utilização dos 
dados para atender a consultas detalhadas. 
 
Como ferramenta de consulta a banco de dados multidimensionais 
temos um conjunto de aplicações que se denominam ferramentas 
OLAP (On-Line Analytical Processing, Processamento Analítico 
On-line), as quais tem capacidade para manipular e analisar um grande 
volume de dados, sob múltiplas perspectivas. 
Típicas questões que uma ferramenta OLAP consegue responder dentro 
de um banco de dados multidimensional: 
• Quais os produtos mais bem vendidos no mês passado? 
• Quais os 10 melhores vendedores dos departamentos da filial BH? 
• Qual a média salarial dos funcionários de informática na região sudeste 
nos últimos cinco anos? 
 
No contexto do DataWarehouse, a análise multidimensional é 
uma das grandes utilidades da tecnologia OLAP, 
consistindo em ver determinados cubos de informações de 
diferentes ângulos e de vários níveis de agregação. 
 
Apesar de obedecer a uma estrutura cliente/servidor multiusuário, as 
ferramentas OLAP podem ser implementadas de diversas formas, 
classificadas por exemplo nos seguintes tipos listados a seguir (INMON, 
1997): 
 
� DOLAP (Desktop On Line Analytical Processing) 
� No modo de armazenamento DOLAP ferramentas disparam uma 
instrução SQL de um cliente qualquer para o servidor e recebem o 
microcubo de informações de volta para ser analisado na workstation. 
� Vantagem: pouco tráfego que se dá na rede (todo o processamento 
OLAP acontece na máquina do cliente); maior agilidade de análise; 
servidor de banco de dados não ficar sobrecarregado. 
� Desvantagem: o tamanho do microcubo não pode ser muito grande; 
caso contrário, a análise passa a ser demorada e/ou a máquina do cliente 
pode não suportar em função de sua configuração. 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
20 
� MOLAP (Multidimensional On Line Analytical Processing) 
� No modo de armazenamento MOLAP (OLAP Multidimensional) uma 
cópia dos dados de origem do cubo, junto com as suas 
agregações, armazenam-se em uma estrutura multidimensional. 
 
Enquanto os dados de origem são modificados diretamente com as 
operações, os objetos com armazenamento MOLAP devem ser 
processados para incorporar estas mudanças. 
O tempo compreendido entre um processamento e o seguinte cria um 
período de latência durante o qual a informação OLAP pode não coincidir 
com os dados de origem atuais. 
Como características do armazenamento MOLAP, podemos destacar: 
• oferece excelente rendimento e compressão de dados; 
• apresenta melhor tempo de resposta, dependendo apenas da 
porcentagem das agregações do cubo; 
• a estrutura está muito otimizada para maximizar o rendimento das 
consultas; 
• geralmente este método é muito apropriado para cubos com uso 
frequente devido à sua rápida resposta. 
 
� ROLAP (Relational On Line Analytical Processing) 
� Toda a informação do cubo, seus dados, sua agregação, somas, 
etc., são armazenadas em um banco de dados relacional. 
� Diferente do modo de armazenamento MOLAP, não armazena cópia 
do BD. Acessa as tabelas originais quando precisa responder às 
consultas, geralmente é muito mais lento do que as outras formas 
(MOLAP ou HOLAP). 
� Utilizado para economizar espaço de armazenamento quando se 
trabalha com grandes conjuntos de dados consultados com pouca 
frequência; por exemplo, dados exclusivamente históricos. 
Os usos comuns deste esquema são: 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
21 
� quando os clientes desejam ver as mudanças imediatamente; 
� quando contamos com grandes conjuntos de dados que não são 
consultados frequentemente. 
 
 
� HOLAP (Hybrid On Line Analytical Processing (OLAP Híbrido)) 
� Combina atributos do MOLAP e do ROLAP. 
 
Da mesma forma que o MOLAP, o HOLAP armazena as agregações em 
uma estrutura multidimensional e os dados detalhados em um banco de 
dados relacional, da mesma forma que no armazenamento ROLAP. 
Para procedimentos de busca que acessam dados sumarizados, o HOLAP é 
equivalente ao MOLAP. Em caso contrário, se os processos de consultas 
acessam os níveis máximos de detalhe, devem retirar os dados do banco 
de dados relacional e isso não é tão rápido comparado com uma estrutura 
MOLAP. 
Os cubos armazenados como HOLAP são menores do que os MOLAP e 
respondem mais rápido que os ROLAP. 
Alguns usos comuns de HOLAP: 
-Cubos que requerem resposta rápida. 
-Quando existem sumarizações baseadas em uma grande quantidade de 
dados de origem. 
-Soluçãocom o compromisso de reduzir o espaço ocupado sem prejudicar 
totalmente o rendimento das consultas. 
 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
22 
6. Business Intelligence (BI) 
Refere-se ao processo para tomada de decisões em uma empresa, sendo de 
elevada importância a existência de um repositório próprio para os dados 
consolidados e já transformados em “informação real”, que pode ser um Data 
Warehouse ou um Data Mart por exemplo. 
 
Business Intel l igence pode ser obt ido por qualquer 
artefato, seja tecnológico ou não, que permita a extração 
de conhecimento a part ir de anál ises do n e g ó c i o . 
 
Business Intelligence: um conjunto de tecnologias que dão suporte às 
decisões gerenciais por meio de informações internas e externas às 
organizações. Essas tecnologias tem um profundo impacto na estratégia 
corporativa, na performance e na competitividade. 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
23 
 
Figura. Tecnologias relacionadas ao Business Intelligence 
 
Nesse contexto, duas aplicações são identificadas e muito cobradas em 
provas: 
• a primeira, que sustenta o negócio por meio de ferramentas OLTP (On Line 
Transaction Processing); e 
• a segunda, que analisa o negócio por meio de ferramentas OLAP (On Line 
Analytical Processing). 
 
Sistema 
Transacional 
(OLTP) 
Os sistemas OLTP (On-Line Transaction Processing) são os 
sistemas que capturam as transações de um negócio e as 
mantêm em estruturas relacionais chamadas Banco de Dados. 
As principais características dos sistemas OLTP são: 
• Realizar transações em tempo real do processo de um 
negócio, motivo pelo qual os dados armazenados mudam 
continuamente. Os sistemas OLTP, nas suas transações, 
controlam processos essenciais do negócio. 
• Os sistemas OLTP são os responsáveis pela manutenção 
dos dados, acrescentando dados, realizando atualizações 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
24 
ou eliminando-os. 
• Para a tomada de decisões, os sistemas OLTP possuem 
capacidades limitadas, pois não é seu objetivo e, 
portanto, não é uma prioridade no seu desenvolvimento. 
Se desejasse obter uma determinada informação 
histórica relativa ao negócio consultando um sistema 
OLTP, seria produzido um impacto negativo no 
funcionamento do sistema. 
Sistemas 
OLAP 
Os sistemas OLAP (On-Line Analytical Processing, ou 
Processamento Analítico On-line) oferecem uma 
alternativa aos sistemas transacionais, proporcionando uma 
visão dos dados orientada à análise, além de uma navegação 
rápida e flexível. A tecnologia OLAP apresenta as seguintes 
características: 
• Os bancos de dados OLAP apresentam um esquema 
otimizado para que as perguntas realizadas pelos 
usuários sejam respondidas rapidamente. 
• As perguntas realizadas a um OLAP devem permitir a 
utilização interativa com os usuários. 
 
Finalizando, cabe destacar que os sistemas OLTP registram as 
transações, enquanto que os sistemas OLAP realizam uma análise 
minuciosa dos dados brutos, extraindo informações variadas para a 
tomada de decisões. 
Através dos padrões desenhados pelas ferramentas de OLAP, é possível analisar 
tendências de mercado, padrões de comportamento dos clientes, dentre outros. 
 
Características da Análise OLAP 
A funcionalidade de uma ferramenta OLAP é caracterizada pela análise 
dinâmica dos dados, seja pela manipulação dos atributos de dimensão, seja 
pela manipulação dos atributos de medida. 
 
Vejamos algumas técnicas: 
Drill 
Across 
Ocorre quando o usuário pula um nível intermediário dentro 
de uma mesma dimensão. Por exemplo: a dimensão tempo é 
composta por ano, semestre, trimestre, mês e dia. O usuário 
estará executando um Drill Across quando ele passar de ano direto 
para trimestre ou mês, sem passar por semestre. 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
25 
 
Drill 
Down 
Ocorre quando o usuário aumenta o nível de detalhe da 
informação, diminuindo o grau de granularidade, como 
passar de semestre para trimestre. 
Drill Up É o contrário do Drill Down, ele ocorre quando o usuário 
aumenta o grau de granularidade, diminuindo o nível de 
detalhamento da informação, como passar de mês para 
trimestre. 
Drill 
Throught 
Ocorre quando o usuário passa de uma informação contida 
em uma dimensão para uma outra. Por exemplo: Estou na 
dimensão de tempo e no próximo passo começo a analisar a 
informação por região. 
Slice And 
Dice 
Como a ferramenta OLAP recupera o microcubo, surgiu a 
necessidade de criar um módulo que se convencionou de Slice and 
Dice para ficar responsável por trabalhar esta informação. Ele 
serve para modificar a posição de uma informação, alterar 
linhas por colunas de maneira a facilitar a compreensão dos 
usuários e girar o cubo sempre que tiver necessidade. 
Alertas Utilizados para indicar situações de destaque em elementos 
dos relatórios, baseados em condições envolvendo objetos 
e variáveis. Servem para indicar valores mediante condições mas 
não para isolar dados pelas mesmas. 
Ranking Permite agrupar resultados por ordem de maiores / 
menores, baseado em objetos numéricos (Measures). Esta 
opção impacta somente uma tabela direcionada (relatório) não 
afetando a pesquisa (Query). 
 
7. Ferramentas de Business Intelligence 
Responsáveis pela interface que o usuário final terá com as 
informações armazenadas na estrutura de BI, que normalmente estará 
armazenada no Data Warehouse. 
Assim, devem transmitir, principalmente, velocidade, robustez e facilidade de 
uso. Por isso a escolha de qual ferramenta utilizar é um dos grandes desafios no 
projeto. 
A seguir, vide o “quadrante mágico” do Gartner, com destaque para a posição 
do uso dessas plataformas pelo mundo. Conforme destacado pelo Gartner, 
“características como custo, desempenho, atualização, interface, 
licença de uso, suporte da plataforma e volume de dados são exemplos 
de aspectos que deverão ser avaliados para adequação à realidade de cada 
empresa contratante”. 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
26 
 
Fonte: [1] 
 
Ferramentas computadorizadas para Soluções de Suporte à Decisão: 
 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
27 
Memorex 
 
• Business Intel l igence pode ser obt ido por qualquer 
artefato, seja tecnológico ou não, que permita a 
extração de conhecimento a part ir de análises do 
negócio. 
• Objetivos fundamentais do BI: permite acesso a dados 
confiáveis, além do aumento da transparência e 
compreensão do negócioe suporte para a tomada de 
decisão. 
• Data Warehouse (DW) é o processo de integração dos dados 
corporat ivos de uma empresa em um único repositório. É 
um ambiente de suporte à decisão que alavanca dados armazenados 
em diferentes fontes e os organiza e entrega aos tomadores de decisões. 
Resumindo, é uma tecnologia de gestão e análise de dados. 
• Sistemas de BI - Business Intelligence - reúnem um conjunto de 
tecnologias orientadas a disponibilizar informação e conhecimento 
em uma organização, dentre as quais está o DW. 
• Requisitos básicos para um Data Warehousing 
o DW: organizados em assuntos; 
o DW: capacidade de integração; 
o DW: deve ser flexível o suficiente para atender às exigências de 
mudança rapidamente; 
o Dados: considerados não voláteis e devem ser carregados em 
massa; 
o Dados: existem em vários níveis de granularidade. 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
28 
 
Figura. Processo de Data Warehousing 
-Mineração de Dados (ou Data Mining)- 
• É o processo de análise de conjuntos de dados que tem por objetivo 
a descoberta de padrões interessantes e que possam representar 
informações úteis. 
• A mineração de dados é a exploração e análise, por meios automáticos 
ou semiautomáticos, de grandes quantidades de dados a fim de descobrir 
padrões e regras significativas. 
A Mineração de Dados surgiu com a motivação de 
“garimpar” informações relevantes das Bases de Dados, de 
forma automática. 
• A mineração de dados é um processo de negócio para explorar grandes 
quantidades de dados para descobrir padrões e regras significativas. 
 
 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
29 
 
Ferramentas computadorizadas para Soluções de Suporte à Decisão: 
 
 
Vamos aos comentários das questões ☺!! 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
30 
Questões de Provas Comentadas 
 
1. (FCC/2013/TRT9R/Téc.Jud./Tec.Informação) A revista ClubeDelphi 
publicou o seguinte artigo: 
Com o crescente aumento do volume de dados, surge a necessidade de 
ferramentas e mecanismos que permitam que eles possam ser analisados de 
forma otimizada, uma vez que armazenam toda a trajetória da empresa. 
Uma solução é a utilização de I que, em síntese, é utilizado para armazenar 
conjuntos de dados organizados por assuntos, mantendo todo um histórico 
corporativo. 
Outro recurso muito utilizado e dos mais importantes quando o objetivo é a 
busca de conhecimento, é o II , que é um processo que consiste na 
identificação de informações relevantes que estão presentes em grandes bancos 
de dados ou repositórios, geralmente realizado em três etapas: a exploração, a 
definição dos padrões e a validação dos dados. 
Estas ferramentas e técnicas fazem parte do III, definido como um conjunto de 
métodos e conceitos que podem ser implementados através de softwares com o 
intuito de utilizar os dados importantes da organização para auxiliar no 
processo de tomada de decisões, proporcionando melhorias para a alta 
administração. 
Outra tecnologia que pode prover uma melhor e mais flexível análise das 
informações, é o IV que permite uma visão conceitual de forma 
multidimensional das informações da organização, de maneira que as 
informações possam ser visualizadas e analisadas de diferentes perspectivas 
pelo usuário. 
(http://www.devmedia.com.br/mineracao-de-dados-data-warehouse-data-
mining-bi-e-olap-atraves-do-fastcube-revista-clubedelphi-146/26537) 
 
As lacunas que completam corretamente o texto estão expressas em: 
 
 
 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
31 
Comentários 
Lacuna Conceito Descrição 
I Data 
Warehouse 
Utilizado para armazenar conjuntos de dados 
organizados por assuntos, mantendo todo um 
histórico corporativo. Trata-se de uma coleção de 
dados orientada por assunto, integrada, não-
volátil, variante no tempo, que dá apoio às 
decisões da administração. 
II Data Mining 
(Mineração 
de Dados) 
Processo que consiste na identificação de 
informações relevantes que estão presentes em 
grandes bancos de dados ou repositórios, 
geralmente realizado em três etapas: a exploração, 
a definição dos padrões e a validação dos dados. 
Em outras palavras, é o processo de identificar 
informações relevantes, tais como padrões, 
associações, mudanças, anomalias e 
estruturas, em grandes conglomerados de 
dados que estejam em banco de dados ou 
outros repositórios de informações. 
III Business 
Intelligence 
Um conjunto de métodos e conceitos que podem ser 
implementados através de softwares com o intuito 
de utilizar os dados importantes da organização para 
auxiliar no processo de tomada de decisões, 
proporcionando melhorias para a alta administração. 
IV OLAP 
(Online 
Analytical 
Processing) 
Permite uma visão conceitual de forma 
multidimensional das informações da organização, 
de maneira que as informações possam ser 
visualizadas e analisadas de diferentes perspectivas 
pelo usuário. 
Gabarito: letra D. 
 
2. (FCC/2014/ICMS-RJ/Auditor Fiscal da Receita Estadual) Sistemas de 
BI - Business Intelligence reúnem um conjunto de tecnologias 
orientadas a disponibilizar informação e conhecimento em uma 
organização, dentre as quais está o DW. Um ambiente que utiliza DW 
reúne processos e ferramentas, está sempre em evolução e pode ser 
visualizado como na figura abaixo. 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
32 
 
Os componentes I, II, III e IV estão corretamente identificados em: 
 
 
 
Comentários 
O termo Business Intelligence (BI) está relacionado ao processo de tomada 
de decisões em uma empresa, sendo de elevada importância nesse contexto a 
existência de um repositório próprio para os dados consolidados e já 
transformados em “informação real”, que pode ser um Data Warehouse ou um 
Data Mart por exemplo. 
Nesse contexto, duas aplicações são identificadas: 
• a primeira, que sustenta o negócio por meio de ferramentas OLTP (On Line 
Transaction Processing); e 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
33 
• a segunda, que analisa o negócio por meio de ferramentas OLAP (On Line 
Analytical Processing). 
Os sistemas OLTP registram as transações, enquanto que os sistemas 
OLAP realizam uma análise minuciosa dos dados brutos, extraindo 
informações variadas para a tomada de decisões. Através dos padrões 
desenhados pelas ferramentas de OLAP, é possível analisar tendências de 
mercado, padrões de comportamento dos clientes, dentre outros. 
Assim, na figura da questãoapresentada pela FCC, o processo inicial envolve 
a extração de dados das bases de dados transacionais, dados de sistemas ERP, 
dados locais, externos ou web (geralmente armazenados em sistemas OLTP). 
Essa extração se chama ETL (Extract Transform Load - E x t r a ç ã o 
T r a n s f o r m a ç ã o C a r g a ) e é aqui que são anal isados 
cu idadosamente os dados e ass im traduz idos às necess idades de 
negóc io da empresa. Após a extração os dados devem ser transformados 
para que seja possível a carga dos dados em um Data Warehouse ou Data 
Mart dependendo do método de construção adotado. 
Como vemos na imagem seguinte há duas formas de construção, uma na qual o 
DW gera os DM (Data Mart), utilizada na questão, e outra em que os 
DM geram o DW. 
 
Figura. Exemplos das duas formas de construção de um 
Data WareHouse 
O Data Mart (DM) nada mais é que um subconjunto de dados de 
um DW, em que tipicamente desempenham o papel de um DW 
departamental, regional ou funcional. Alguns autores e especialistas 
dizem que o DW é uma evolução do DM que começou localizado e cresceu 
para atender um escopo maior. 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
34 
Pela figura da questão, foi feita a criação dos Data Marts mais especializados 
(abordagem top-down), e, em seguida, utilizados Sistemas OLAP para analisar 
as informações. Conforme visto, a letra E é a resposta da questão. 
O Data Warehouse é um armazém centralizado de dados, ou seja, um 
banco de dados ou um agrupamento de bases de dados que contêm 
dados sobre os negócios organizados por assunto. Por exemplo, uma 
indústria automotiva poderia ter um Data Warehouse com uma base dados 
destinada a armazenar registros inerentes ao setor de Vendas. Poderia haver 
também uma outra base dados que contivesse dados inerentes ao 
departamento de Produção de Automóveis. A cada uma dessas bases de 
dados dar-se-á o nome de Data Mart, e ao agrupamento de todos 
esses Data Marts damos o nome de Data Warehouse. 
Gabarito: letra E. 
 
Acerca de soluções de suporte a decisão, julgue os dois itens seguintes. 
3. (CESPE/Correios/Analista de Correios/Analista de 
Sistemas/Desenvolvimento de Sistemas/2011) As ferramentas de 
software ETL (extract transform load) têm como função a extração de dados 
de diversos sistemas, a transformação desses dados de acordo com as 
regras de negócio e a carga dos dados em um data mart ou um DW. 
 
Comentários 
As ferramentas de software ETL (Extract Transform Load - E x t r a ç ã o 
T r a n s f o r m a ç ã o C a r g a ) , conforme visto na figura seguinte, têm 
como função a extração de dados a partir dos sistemas de origem e, 
geralmente, gravação em disco no ambiente de ETL antes de qualquer 
reestruturação dos dados. Em seguida, é realizada a transformação desses 
dados de acordo com as regras de negócio e, por fim, a carga dos dados em 
um data mart ou um Data Warehouse (DW). 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
35 
 
Gabarito: item correto. 
 
4. (CESPE/Correios/Analista de Correios/Analista de 
Sistemas/Desenvolvimento de Sistemas/2011) Em um ambiente data 
warehouse (DW), é possível a análise de grandes volumes de dados, os 
quais ficam disponíveis para serem alterados e manipulados pelo usuário. 
 
Comentários 
Segundo Laudon & Laudon, um Data Warehouse (DW) é um banco de dados, 
com ferramentas de consulta e relatório, que armazena dados atuais e 
históricos extraídos de vários sistemas operacionais e consolidados para fins de 
analises e relatórios administrativos. 
Em um ambiente DW, é possível a análise de grandes volumes de dados. No 
entanto, diferentemente do ambiente operacional em que os dados são, em 
geral, atualizados registro a registro, em múltiplas transações, o DW 
permite apenas a carga inicial dos dados e consultas a estes dados. Após 
serem integrados e transformados, os dados são carregados em bloco 
para o Data Warehouse, para que estejam disponíveis aos usuários para 
acesso. 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
36 
 
Gabarito: item errado. 
 
5. (FCC/2013/TRT - 9ª REGIÃO (PR)/Analista Judiciário - Tecnologia 
da Informação) As ferramentas OLAP são as aplicações às quais os 
usuários finais têm acesso para extrair os dados de suas bases e construir os 
relatórios capazes de responder às suas questões gerenciais. As operações 
realizadas abaixo navegam nos dados, modificando o nível de granularidade 
da consulta. 
 
A primeira e a segunda operações são, respectivamente, 
a) roll up e drill down. 
b) drill across e slice and dice. 
c) slice and dice e dill throught. 
d) dill throught e roll up. 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
37 
e) drill down e roll up. 
 
Comentários 
• Drill down: navegação ao longo das dimensões na direção de maior 
detalhe. O detalhamento é feito através da adição de colunas de dimensões. 
Não necessariamente os atributos devem pertencer à mesma hierarquia; 
• Roll up (Drill up): navegação ao longo das dimensões na direção de menor 
detalhe. Diminui o detalhamento, tendo uma visão mais ampla, através da 
remoção de colunas de dimensões do cabeçalho; 
Observa-se que na primeira operação foi diminuído o detalhamento (mensal 
para trimestral), ou seja, foi realizado um roll up. Já na segunda, foi aumentado 
o detalhamento (estados para cidades), numa operação de Drill down. 
Gabarito: letra A. 
 
6. (FCC/2014/ICMS-RJ/Auditor Fiscal da Receita Estadual) Com o 
advento da tecnologia de Data Warehousing, os ambientes de apoio 
à decisão passaram a ser denominados ambientes de Data 
Warehouse (DW). 
Em relação à tecnologia DW, é correto afirmar: 
a) Um DW tem duas operações básicas: a carga dos dados (inicial e 
incremental) e o acesso a estes dados em modo leitura. Depois de 
carregado, um DW não necessita de operações de bloqueio por concorrência 
de usuários no acesso aos seus dados. 
b) Em um DW as convenções de nomes, valores de variáveis e outros 
atributos físicos de dados como data types são bastante flexíveis. Para 
facilitar a tomada de decisões, as informações são apresentadas de 
diferentes formas, da mesma maneira que foram carregadas dos sistemas 
legados. 
c) Um projetista de DW deve ter seu foco na modelagem dos dados e no 
projeto de banco de dados. Um sistema transacional armazena as 
informações agrupadas por assuntos de interesse da empresa que são mais 
importantes, enquanto um DW é orientado a processos e deve ser 
desenvolvido para manter disponíveis as transações realizadas diariamente. 
d) Os dados de um DW são um conjunto dinâmico de registros de uma ou 
mais tabelas, capturados em um momento de tempo predeterminado, por 
isso têm que ser sempre atualizados. 
e) Um sistema multidimensional, como o DW, deve atualizar o valor corrente 
das informações e sua exatidão é válida por um tempo curto, por exemplo, o 
valor total das notas fiscais processadas pela Receita às 12:00 de um dia 
pode ser diferente às 18:00 do mesmo dia.Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
38 
Comentários 
Bill Inmon destaca que o Data Warehouse (DW) “é uma coleção de dados 
orientados por assuntos, integrados, variáveis com o tempo e não 
voláteis, para dar suporte ao processo de tomada de decisão“. Essas 
características podem ser descritas da seguinte forma: 
• Orientado a assunto: refere-se ao fato do Data Warehouse (DW) ser 
organizado conforme diferentes visões de negócio, ou seja, armazena 
informações sobre temas específicos importantes para o negócio da 
empresa. Ex.: Vendas, Compras, etc. 
• Integrado a partir de fontes de dados heterogêneas. 
• Não volátil: os dados são sempre inseridos, nunca excluídos. Em um DW 
não existem alterações de dados, somente a carga inicial e as 
consultas posteriores. 
• Variável com tempo: posições históricas das atividades no tempo. 
Conforme visto, a restrição de não volatilidade permite basicamente duas 
operações em um DW, que são: a carga (inicial ou incremental) e consulta dos 
dados. Via de regra não há operações de atualizações de registros, nem 
necessidade de operações de bloqueio por concorrência de usuários no acesso 
aos seus dados (o que acontece tipicamente em operações de escrita de 
dados), pois os dados em um DW são apenas para leitura. Assim, a letra A é a 
resposta da questão. 
Gabarito: letra A. 
 
7. (FCC/2010/TRF-4/Analista Judiciário-Informática) Sobre data 
mining, é correto afirmar: 
a) Não requer interação com analistas humanos, pois os algoritmos utilizados 
conseguem determinar de forma completa e eficiente o valor dos padrões 
encontrados. 
b) Na mineração de dados, encontrar padrões requer que os dados brutos 
sejam sistematicamente "simplificados", de forma a desconsiderar aquilo que é 
genérico e privilegiar aquilo que é específico. 
c) É um grande banco de dados voltado para dar suporte necessário nas 
decisões de usuários finais, geralmente gerentes e analistas de negócios. 
d) O processo de descobrimento realizado pelo data mining só pode ser 
utilizado a partir de um data warehouse, onde os dados já estão sem erros, 
sem duplicidade, são consistentes e habilitam descobertas abrangentes e 
precisas. 
e) É o processo de descoberta de novas correlações, padrões e tendências entre 
as informações de uma empresa, por meio da análise de grandes quantidades 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
39 
de dados armazenados em bancos de dados usando técnicas de reconhecimento 
de padrões, estatísticas e matemáticas. 
 
Comentários 
A mineração de dados (ou Data Mining) é o nome dado ao conjunto de 
técnicas que permite a extração de conhecimentos a partir de grandes volumes 
de dados. Em outras palavras, é o processo de descoberta de novas 
correlações, padrões e tendências entre as informações úteis em grandes 
depósitos de dados. A letra E é a resposta dessa questão. 
Gabarito: letra E. 
 
8. (ESAF/MPOG/Adaptada/2008) Algumas pessoas têm considerado 
que os Data Warehouses são uma extensão de visões de banco de 
dados. Porém, as visões fornecem apenas um subconjunto das 
funções e das capacidades dos data warehouses. Com relação às 
diferenças e similaridades entre as visões e os data warehouses, é 
correto afirmar que tanto os data warehouses quanto as visões 
fornecem, frequentemente, grandes quantidades de dados 
integrados e temporais, geralmente mais do que é contido em um 
banco de dados. 
 
Comentários 
Uma View (Visão) é uma tabela lógica, baseada em uma tabela ou em outra 
visão. Ela não possui dados próprios, é somente uma interface para a 
manipulação de um conjunto de dados. Ela pode ser utilizada para restringir o 
acesso a dados em uma tabela, facilitar consultas complexas e também otimizar 
o tempo dos desenvolvedores. 
A View é uma maneira alternativa de observação de dados de uma ou mais 
tabelas, que compõem uma base de dados. Pode ser considerada como uma 
tabela virtual ou uma consulta armazenada. Como exemplo de utilização de 
view, cita-se a restrição usuário x domínio controlando o acesso de um usuário 
específico a colunas de uma tabela. 
Alguns benefícios da utilização das Views: economia de tempo com retrabalho; 
velocidade de acesso às informações; mascara a complexidade do banco de 
dados; organiza dados a serem exportados para outros aplicativos. 
Um Data warehouse (ou armazém de dados) é um sistema de computação 
utilizado para armazenar informação relativa às atividades de uma organização 
em banco de dados, de forma consolidada. Ele possibilita a análise de grandes 
volumes de dados, coletados dos sistemas transacionais. Por definição, os 
dados em um Data Warehouse não são voláteis, ou seja, eles não mudam, são 
somente para leitura e não podem ser alterados. 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
40 
Os Data Warehouses surgiram como conceito acadêmico na década de 80. Com 
o amadurecimento dos sistemas de informação empresariais, as necessidades 
de análise dos dados cresceram paralelamente. Como os sistemas transacionais 
não conseguiam cumprir a tarefa de análise com a simples geração de 
relatórios, os Data Warehouses são atualmente o núcleo dos sistemas de 
informações gerenciais e apoio a decisão das principais soluções de Business 
Intelligence do mercado, devido a sua capacidade de sumarizar grandes 
volumes de dados e de possibilitar análises. 
As ferramentas OLAP (Online Analytical Processing) têm como função a 
navegação nos dados de um Data Warehouse, possuindo uma estrutura 
adequada tanto para as pesquisas como para a apresentação das informações. 
A assertiva, portanto, é falsa, tendo-se em vista que a View não tem como 
objetivo fornecer frequentemente grandes quantidades de dados integrados, e 
sim fornecer um subconjunto dinâmico de dados (tabela virtual) a partir 
de uma ou mais tabelas. 
Observem ainda que o item afirma indevidamente que a quantidade de dados 
ofertada é maior do que em todo o banco de dados. Uma View não possui 
quantidade de dados maior do que o próprio banco de dados em que ela está 
inserida. 
Gabarito: item errado. 
 
9. (FGV/SEFAZ-RJ/2009) O grande desafio do profissional de TI que 
gerencia qualquer processo é a análise dos fatos relacionados à função que 
exerce em uma organização. Essa análise deve ser feita com as ferramentas 
e os dados disponíveis, permitindo aos executivos e gerentes detectar as 
tendências e tomar as decisões com eficiência e eficácia. Devido a essa 
necessidade, surgiu o conceito de Business Intelligence – “BI”. 
Assinale a alternativa que indique duas características dos atuais sistemas de 
Business Intelligence. 
(A) procurar relações de causa e efeito / extrair e integrar dados de 
múltiplas fontes. 
(B) evitar a utilização de ferramentas automatizadas / desprezar dados 
contextualizados. 
(C) extrair e integrar dados de múltiplas fontes / evitar a utilização de 
ferramentas automatizadas. 
(D) desprezar dados contextualizados / trabalhar exclusivamente com fatos 
reais e não hipotéticos. 
(E) trabalhar exclusivamente com fatos reais e não hipotéticos / procurar 
relações de causa e efeito. 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE)– SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
41 
Comentários 
Conforme visto em http://imasters.com.br/artigo/5415/gerencia-de-ti/por-que-
business-intelligence/ o grande desafio de todo indivíduo que gerencia qualquer 
processo é a análise dos fatos relacionados a seu dever. 
Essa análise deve ser feita de modo que, com as ferramentas e dados 
disponíveis, o gerente possa detectar tendências e tomar decisões eficientes e 
no tempo correto. 
Com essa necessidade surgiu então o conceito de Business Intelligence. Há 
milhares de anos atrás, Fenícios, Persas, Egípcios e outros Orientais já faziam, a 
seu modo, Business Intelligence, ou seja, cruzavam informações provenientes 
da natureza, tais como comportamento das marés, períodos de seca e de 
chuvas, posição dos astros, para tomar decisões que permitissem a melhoria de 
vida de suas comunidades. 
A história do Business Intelligence que conhecemos hoje, começa na década de 
70, quando alguns produtos de BI foram disponibilizados para os analistas de 
negócio. O grande problema era que esses produtos exigiam intensa e 
exaustiva programação, não disponibilizavam informação em tempo hábil nem 
de forma flexível, e além de tudo tinham alto custo de implantação. Com o 
surgimento dos bancos de dados relacionais, dos PCs e das interfaces gráficas 
como o Windows, aliados ao aumento da complexidade dos negócios, 
começaram a surgir os primeiros produtos realmente direcionados aos analistas 
de negócios, que possibilitavam rapidez e uma maior flexibilidade de análise. 
Os sistemas de Business Intelligence atuais têm como características: 
• extrair e integrar dados de múltiplas fontes; 
• fazer uso da experiência; 
• analisar dados contextualizados; 
• trabalhar com hipóteses; 
• procurar relações de causa e efeito; 
• transformar os registros obtidos em informação útil para o 
conhecimento empresarial. 
Gabarito: letra A. 
 
10. (FGV/SEFAZ-RJ/Fiscal de Rendas/2007) DataWarehouse e 
DataMining são recursos utilizados por muitas organizações para 
facilitar e agilizar o processamento, a análise e a consulta de dados. 
Sobre esses recursos, é correto afirmar que: 
(A) um DataMining armazena dados extraídos de bancos de dados de 
diferentes organizações. 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
42 
(B) um DataWarehouse armazena dados por períodos não superiores a três 
meses, o que dificulta previsões e análises de tendência. 
(C) um DataWarehouse é repositório de dados históricos orientados a 
assunto, organizados para serem acessíveis para atividades de 
processamento analítico. 
(D) DataMining é uma técnica de análise de dados exclusiva para aplicação 
em um DataWarehouse. 
(E) num DataWarehouse, os usuários finais necessitam conhecer linguagem 
de programação para acessar dados. 
 
Comentários 
Bill Inmon destaca que o “Data Warehouse é uma coleção de dados 
orientados por assuntos, integrados, variáveis com o tempo e não 
voláteis, para dar suporte ao processo de tomada de decisão.“ 
O Data Warehouse é um banco de dados multidimensional grande, de escopo 
organizacional (ou seja, abrange toda a empresa) e reúne dados de todos os 
departamentos de forma a permitir a busca rápida de informações para auxiliar 
a tomada de decisões estratégicas. 
A principal ideia do Data Warehouse é construir um depósito no qual será 
mantida a memória histórica dos dados, possibilitando a utilização dos 
mesmos para consulta e análise estratégica para a tomada de decisão!! 
• Data Mart: é um banco de dados multidimensional de escopo departamental 
(ou seja, abrange apenas um determinado departamento). “Um subconjunto 
lógico do Data Warehouse, geralmente visto como um data warehouse 
setorial” (Kimball). 
As diferenças entre o Data Mart e o Data Warehouse são apenas com relação 
ao tamanho e ao escopo do problema a ser resolvido. 
• Data Mining (ou Mineração de dados): define uma série de 
procedimentos, técnicas e ferramentas para recuperar e analisar dados de 
um Data Warehouse ou Data Mart à procura de padrões e tendências a 
respeito dos dados armazenados. 
Gabarito: letra C. 
 
11. (UFF/UFF/2009) O conjunto de técnicas que, envolvendo métodos 
matemáticos e estatísticos, algoritmos e princípios de inteligência 
artificial, tem o objetivo de descobrir relacionamentos significativos 
entre dados armazenados em repositórios de grandes volumes e 
concluir sobre padrões de comportamento de clientes de uma 
organização é conhecido como: 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
43 
(A) Datawarehouse; 
(B) Metadados; 
(C) Data Mart; 
(D) Data Mining; 
(E) Sistemas Transacionais. 
 
Comentários 
O enunciado da questão dá fortes indicações de que a questão trata de Data 
Mining. O texto diz: “descobrir relacionamentos significativos” e também 
“concluir sobre padrões de comportamento de clientes de uma organização”, 
tudo isso faz parte da descrição de Data Mining. 
 
Contudo vamos comentar as demais opções: 
A letra A cita o Data Warehouse. Uma das atividades de uma empresa que 
pretende trabalhar com Data Mining é justamente coletar os registros das bases 
de dados transacionais e organizá-los em bases de dados agrupadas por 
assunto e destinadas a análises. Cada base de dados organizada por assunto 
dá-se o nome de Data Mart, e ao conjunto de Data Marts dá-se o nome de Data 
Warehouse. Essa organização dos dados é importante e muito válida, pois 
tende a facilitar em muito o trabalho de mineração de dados. 
A letra B cita o Metadados. Metadados são dados com a finalidade de descrever 
outros dados. É como se fosse um dicionário, trata-se de um grupo específico 
de registros em banco de dados cuja finalidade é permitir melhor entendimento 
dos dados a que se referem. 
A letra C cita o Data Mart, que é uma base de dados em que os dados já estão 
organizados por assunto. Assim, numa grande empresa seria comum encontrar 
um Data Mart de Vendas (tratando de registros sobre vendas), um Data Mart de 
Recursos de Humanos, ou outro sobre Compras da Empresa, e por aí vai. 
A letra E cita Sistemas Transacionais. Esses são os sistemas da empresa de um 
modo geral. Pode ser tanto a loja virtual da empresa, como pode ser seu 
sistema de gerenciamento de vendas ou de recursos humanos. Esses sistemas 
são caracterizados inclusive por realizarem contínuas operações de consulta, 
inserção, alteração e exclusão em banco de dados transacionais. Chamamos de 
banco de dados transacionais os bancos de dados preparados para se 
comportarem em transações (inserção, exclusão e alteração). Esses bancos de 
dados são chamados de OLTP (On-line Transaction Processing). 
Gabarito: letra D. 
 
Tecnologia da Informação em Teoria e Exercícios 
p/ Auditor Fiscal da Fazenda Estadual (AFFE) – SEFAZ/PI - Foco: FCC 
Aula 06 –DW e BI - Prof
a
. Patrícia Quintão 
 
 
www.pontodosconcursos.com.br | Prof
a
. Patrícia Lima Quintão 
 
44 
12. (ESAF/STN/DESENV SISTEMAS/2008) Um depósito de dados 
organizado por assunto, não-volátil, integrado e variável em função 
do tempo, utilizado para apoiar decisões de gerenciamento, é 
denominado 
a) datawarehouse. 
b) gestão do conhecimento. 
c) business Intelligence. 
d) mineração de dados. 
e) OLAP (OnLine Analytical Processing). 
 
Comentários