{"subject_id":"3a3cc48d009981cb83e7ff7375b5443f","topico":"BI: DW (Inmon × Kimball), ETL × ELT, Data Mart, Data Lake, Lakehouse, Data Mesh","stems":["A INFRA S.A. implantou uma arquitetura corporativa de dados híbrida para suportar suas atividades estratégicas, sobretudo a estruturação de projetos de infraestrutura logística. Nessa arquitetura, o Oracle Database 21C é utilizado para sistemas críticos de gestão contratual e execução orçamentária; bancos de dados NoSQL são empregados para armazenar dados semiestruturados oriundos de sensores, documentos técnicos e relatórios de campo; e um data lake corporativo é adotado para ingestão massiva de dados brutos históricos, inclusive dados geoespaciais e séries temporais. Considerando a situação hipotética apresentada, julgue os itens a seguir.","Julgue os próximos itens, relativos a data warehouse, ETL e OLAP.","No que se refere a BI (business intelligence), julgue os itens a seguir.","Julgue os itens seguintes, relativos a big data e a data lake.","Julgue os próximos itens, relativos a manipulação, tratamento e visualização de dados, ETL e ELT, e MLOps.","Julgue os seguintes itens, relativos a técnicas de visualização de dados em business intelligence, a data lakes e a regras de associação em mineração de dados.","No que diz respeito a Big Data, ETL/ELT e metadados, julgue os próximos itens.","Julgue os próximos itens, relativos às técnicas e aos métodos de BI (business intelligence), aos sistemas de suporte à decisão e gestão de conteúdo e à otimização de bases de dados multidimensionais.","Julgue os itens que se seguem, relativos a ciência de dados e inteligência artificial (IA).","Julgue os próximos itens, acerca de soluções de suporte à decisão.","A respeito de arquitetura e política de armazenamento de dados e engenharia de dados, julgue os itens subsequentes.","No que se refere a dados estruturados e não estruturados e a técnicas de integração e ingestão de dados, julgue os próximos itens.","Julgue os itens a seguir, a respeito de ingestão de dados.","indicativo de não pagamento de empréstimo e indicativo de pagamento de empréstimo. Com base nessas informações e nos gráficos apresentados, é correto afirmar que #1 é o modelo mais simples e performático com baixo viés, o modelo #2 tem acurácia média e alto viés e #3 é o modelo ideal, em comparação aos demais, pois tem alto viés e alta acurácia. Julgue os próximos itens, relativos à normalização de dados, à linguagem de definição de dados (DDL), a sistema gerenciador de banco de dados (SGBD) Oracle 21C e a data lake.","Considerando os conceitos relativos a inteligência de negócios, julgue os itens a seguir.","Julgue os itens a seguir, a respeito de sistema gerenciador de banco de dados relacional e NoSQL.","Acerca de business intelligence, julgue os itens a seguir.","A respeito de Big Data, julgue os próximos itens.","Com base em modelos e integração de dados, julgue os itens que se seguem.","Acerca de Big Data, julgue os próximos itens.","Acerca de business intelligence, ETL e OLAP, julgue os itens que se seguem.","Um bom projeto de banco de dados deve ter por objetivo evitar falhas provocadas por problemas que podem ser sanados por meio da normalização, que também contribui para eliminar as misturas de assuntos e as redundâncias desnecessárias de dados correspondentes. Quanto ao processo de normalização em projetos de banco de dados, julgue os itens a seguir.","Acerca de bancos de dados NoSQL, de banco de dados em memória e de data lake, julgue os itens subsecutivos.","Em relação a conceitos, fundamentos, características, técnicas e métodos de BI (business intelligence), definição e conceitos de DW (data warehouse) e data mining e arquitetura e aplicações de data warehouse com ETL, julgue os itens subsequentes.","Julgue os próximos itens, relativos a conceitos e noções de modelo CRISP-DM, sistemas de suporte a decisão, gestão de conteúdo e aplicações de data warehouse com OLAP.","Em relação a BI (business intelligence) e à modelagem de dados, julgue os itens que se seguem.","Julgue os itens seguintes, relativos a Business Intelligence 3.0 e data warehouse.","Em relação à ciência de dados, julgue os itens que se seguem.","Acerca de data mining e data mart, julgue os itens subsequentes.","Julgue os itens a seguir, relativos a business intelligence (BI).","A respeito de arquitetura e políticas de armazenamento de dados, engenharia de dados e Big Data, julgue os próximos itens.","A respeito de data warehouse e data mining, julgue os próximos itens.","No que se refere à análise de dados e informações, julgue os itens a seguir.","No que se refere a banco de dados NoSQL e data lake, julgue os próximos itens.","Julgue os próximos itens, relativos a bancos de dados.","Julgue os próximos itens, relativos a NoSQL, data lake, ETL e governança de dados.","Julgue os próximos itens, a respeito de business intelligence (BI).","Com relação a data warehouse e data mining, julgue os itens a seguir.","No que se refere às características de um banco de dados relacional, julgue os itens que se seguem.","A respeito de business intelligence, julgue os próximos itens.","Julgue o item a seguir, a respeito do conceito de data lake.","A respeito de data warehouse, data mining e business intelligence, julgue os itens subsequentes.","Julgue o próximo item a respeito do conceito de data warehousing.","A respeito de inteligência do negócio, julgue os itens a seguir.","Quanto aos conceitos relativos à arquitetura de dados, julgue os itens a seguir.","Em relação a big data e analytics, julgue os próximos itens.","Julgue os próximos itens, relativos ao business intelligence (BI).","A respeito de análise de dados, business intelligence (BI), OLAP e data warehouse (DW), julgue os itens subsequentes.","Julgue os itens seguintes, a respeito de data warehouse e OLAP.","Acerca da arquitetura e de aplicações de data warehouse, julgue os itens a seguir.","Considerando o processamento voltado para ETL (extract, transform, load), julgue os itens seguintes.","Com relação a data warehouse e data mining, julgue os itens subsequentes.","Acerca de arquitetura e aplicações de data warehousing, ETL e Olap, julgue os itens a seguir.","Com relação a Big Data, julgue os itens a seguir.","Julgue os próximos itens, a respeito de arquitetura de OLAP, data warehousing e dados multidimensionais.","A respeito de data warehouse e data mining, julgue os itens que se seguem.","Julgue os itens que se seguem, a respeito de arquitetura e tecnologias de sistemas de informação.","Julgue os itens que se seguem, acerca de data mining e data warehouse.","Acerca do processo de data warehouse, julgue os itens subsequentes.","Julgue os próximos itens, relativos à ferramenta Oracle Data Integrator.","Com relação à modelagem dimensional e à otimização de bases de dados para business intelligence, julgue os itens subsequentes.","Julgue os itens subsequentes, acerca de segurança da informação de um SGBD e de um BI (Business Intelligence).","Julgue os itens subsecutivos, referentes às tecnologias de bancos de dados.","Julgue os itens a seguir, em relação a data warehouse e data mining.","Com relação a data mining e data warehouse, julgue os itens que se seguem."],"questions":[{"id":"2f1ba9ae9801","number":63,"stem":0,"statement":"O data lake corporativo da INFRA S.A. deve armazenar dados já transformados e normalizados, evitando a ingestão de dados brutos.","answer":"E","source":{"slug":"INFRASA_26_ANALISTA","ano":2026},"explanation":{"verdict_reason":"A ingestão massiva de dados brutos é exatamente a função que o enunciado atribui ao data lake corporativo, e é a definição do repositório: guardar o dado como ele chega e adiar a modelagem para o momento da análise. Exigir dado já transformado e normalizado converteria o lake em data warehouse e descartaria a série histórica bruta e os dados geoespaciais que a arquitetura pretende preservar.","distortion_type":"inversao","distorted_span":"deve armazenar dados já transformados e normalizados, evitando a ingestão de dados brutos","corrected_statement":"O data lake corporativo da INFRA S.A. deve armazenar dados brutos, admitindo a ingestão sem transformação nem normalização prévias.","concept":"Data lake ingere dado bruto; transformar antes é papel do DW","citation":null,"trap_note":"Em item com situação hipotética, o próprio enunciado costuma dizer para que serve cada peça. Quando a assertiva contradiz a função que o enunciado já atribuiu ao componente, ela é falsa sem que se precise sair do texto."}},{"id":"b35581f827ec","number":33,"stem":1,"statement":"A técnica de junção do ETL consiste em aplicar regras de negócio aos dados para a obtenção de novos valores com base em valores já existentes.","answer":"E","source":{"slug":"TCE_RS_25","ano":2025},"explanation":{"verdict_reason":"Aplicar regras de negócio para obter valores novos a partir dos já existentes é derivação. A junção reúne, em um mesmo registro, dados que vêm de tabelas ou de fontes diferentes, relacionando-os por uma chave. A definição apresentada está correta, mas pertence a outra técnica de transformação.","distortion_type":"troca_de_termo","distorted_span":"A técnica de junção do ETL","corrected_statement":"A técnica de derivação do ETL consiste em aplicar regras de negócio aos dados para a obtenção de novos valores com base em valores já existentes.","concept":"Derivação cria valor novo; junção combina dados de fontes distintas","citation":null,"trap_note":"Derivação e junção formam o par mais cobrado entre as técnicas de transformação, e a banca alterna os dois sentidos: ora chama de junção o que é derivação, ora chama de derivação o que é junção. Julgue pela definição, nunca pelo rótulo."}},{"id":"756a2de2a8b3","number":34,"stem":1,"statement":"No OLAP, a operação de decomposição é utilizada para a criação de uma exibição bidimensional do cubo.","answer":"C","source":{"slug":"TCE_RS_25","ano":2025},"explanation":{"verdict_reason":"Um cubo tem três ou mais dimensões; fixando-se o valor de uma delas, o cubo é decomposto em uma fatia, e o que resta é uma tabela de duas dimensões, apresentável na tela. É essa a operação que o item descreve, e o resultado bidimensional é o que a identifica, independentemente do nome usado para nomeá-la.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Fatiar o cubo fixando uma dimensão produz a exibição bidimensional","citation":null,"trap_note":"Identifique a operação OLAP pelo efeito, não pelo nome: mudar o nível de detalhe é drill down ou roll up; girar os eixos é pivoteamento; fixar o valor de uma dimensão e reduzir o cubo a um plano é o fatiamento. O resultado descrito desambigua o termo."}},{"id":"7f565968985b","number":36,"stem":2,"statement":"Em BI, as tabelas DIMENSÃO representam, em um contexto de venda, informações de domínio, como o tipo de produto, ao passo que as tabelas FATO representam informações de evento, como a data da venda e o nome do cliente.","answer":"E","source":{"slug":"TCE_RS_25","ano":2025},"explanation":{"verdict_reason":"A primeira metade está correta: dimensão guarda o descritivo, como o tipo de produto. A tabela fato, porém, guarda as métricas do evento — quantidade vendida, valor, desconto — e apenas as chaves estrangeiras que apontam para as dimensões. Data da venda e nome do cliente são atributos das dimensões tempo e cliente, e não conteúdo da tabela fato.","distortion_type":"atribuicao_errada","distorted_span":"como a data da venda e o nome do cliente","corrected_statement":"Em BI, as tabelas DIMENSÃO representam, em um contexto de venda, informações de domínio, como o tipo de produto, a data e o cliente, ao passo que as tabelas FATO representam as métricas do evento, como a quantidade e o valor vendidos.","concept":"Fato guarda métricas e chaves; dimensão guarda os atributos descritivos","citation":null,"trap_note":"Teste cada exemplo pela pergunta que ele responde: se é algo que se soma ou se conta, é medida e está no fato; se é algo por que se filtra ou se agrupa, é atributo e está na dimensão. Data e nome de cliente são sempre dimensão."}},{"id":"a0448a231f0e","number":39,"stem":3,"statement":"O modelo MapReduce possibilita o processamento, de modo paralelo, de grandes volumes de dados, de modo que se divida a carga de trabalho entre os diversos nós do cluster.","answer":"C","source":{"slug":"TCE_RS_25","ano":2025},"explanation":{"verdict_reason":"No MapReduce a entrada é fatiada e cada fatia é processada por uma tarefa map em um nó diferente do cluster, com as reduções agregando os resultados parciais. É exatamente a divisão da carga de trabalho entre os nós que dá o processamento paralelo de grandes volumes.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"MapReduce: divisão da carga entre nós do cluster","citation":null,"trap_note":"Mapear é processar fatias em paralelo; reduzir é agregar resultados parciais. Se o item descrever agregação na fase map ou fatiamento na fase reduce, trocou as etapas."}},{"id":"a29cb9ea791f","number":61,"stem":4,"statement":"Na implementação de MLOps, o monitoramento de modelos em produção deve centrar-se nas métricas de desempenho técnico como a latência, sendo a detecção de viés algorítmico uma preocupação restrita à fase de desenvolvimento do modelo.","answer":"E","source":{"slug":"SUSEP_25","ano":2025},"explanation":{"verdict_reason":"O monitoramento em produção não se esgota em métricas técnicas: acompanha também o desvio dos dados e do conceito, a degradação da acurácia e a equidade das predições entre grupos. Viés algorítmico é precisamente o que pode surgir depois da implantação, quando a população real se afasta da população de treinamento, e por isso é objeto de monitoramento contínuo, não preocupação encerrada no desenvolvimento. A restrição anexada é que derruba o item.","distortion_type":"generalizacao","distorted_span":"sendo a detecção de viés algorítmico uma preocupação restrita à fase de desenvolvimento do modelo","corrected_statement":"Na implementação de MLOps, o monitoramento de modelos em produção deve abranger tanto métricas de desempenho técnico, como a latência, quanto a qualidade das predições e a detecção de viés algorítmico, que permanece necessária após a implantação do modelo.","concept":"Monitoramento em produção cobre desvio e viés, não só latência","citation":null,"trap_note":"Em MLOps a banca estreita o monitoramento: só métricas de infraestrutura, só na implantação, só na fase de desenvolvimento. O ciclo é contínuo e o monitoramento realimenta o retreinamento; qualquer item que encerre uma preocupação em uma única fase é candidato a Errado."}},{"id":"8f8ef0fc6dd2","number":75,"stem":5,"statement":"Embora os data lakes possam armazenar dados estruturados, como tabelas de bancos relacionais, eles não oferecem suporte para dados semiestruturados e não estruturados, tais como arquivos JSON, XML, imagens e vídeos.","answer":"E","source":{"slug":"MP_CE_25_SERVIDOR","ano":2025},"explanation":{"verdict_reason":"Guardar dado semiestruturado e não estruturado em formato nativo é exatamente o que define o data lake: o esquema é aplicado na leitura, e por isso JSON, XML, imagem e vídeo convivem com tabelas relacionais no mesmo repositório. O item concede o que o lake faz de menos característico e nega justamente a sua razão de existir. Quem não suporta esses formatos é o data warehouse tradicional, de esquema na escrita.","distortion_type":"inversao","distorted_span":"eles não oferecem suporte para dados semiestruturados e não estruturados","corrected_statement":"Além de armazenar dados estruturados, como tabelas de bancos relacionais, os data lakes oferecem suporte para dados semiestruturados e não estruturados, tais como arquivos JSON, XML, imagens e vídeos.","concept":"Data lake armazena qualquer formato, com esquema na leitura","citation":null,"trap_note":"Lake é esquema na leitura e dado bruto; warehouse é esquema na escrita e dado modelado. Item que nega uma função do lake, ou que atribui dado bruto ao warehouse, é a troca que a banca repete."}},{"id":"b2bb704f49a2","number":76,"stem":5,"statement":"Em mineração de dados, as regras de associação podem ser utilizadas para identificar combinações recorrentes entre argumentos jurídicos e decisões judiciais, revelar padrões entre tipos de ação e desfechos processuais, e auxiliar na recomendação de precedentes com base em casos semelhantes.","answer":"C","source":{"slug":"MP_CE_25_SERVIDOR","ano":2025},"explanation":{"verdict_reason":"Regra de associação procura co-ocorrências frequentes entre itens de uma mesma transação, sem exigir classe definida previamente. Trocando transação por processo e itens por argumentos, tipos de ação e desfechos, a técnica se aplica sem nenhuma adaptação conceitual. A recomendação de precedentes por casos semelhantes é uso direto das regras extraídas.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Regras de associação: co-ocorrência em qualquer domínio","citation":null,"trap_note":"Item que apenas transporta uma técnica para um domínio novo costuma ser Certo. O que derruba é a troca da tarefa da técnica — associação descrita como predição de classe, de valor ou de grupo."}},{"id":"be169436c266","number":77,"stem":5,"statement":"A utilização de gráficos de dispersão e histogramas em grandes conjuntos de dados permite visualizar a distribuição das variáveis e a correlação entre elas; a escolha das variáveis independentes e dependentes influencia a percepção de tendências e padrões.","answer":"C","source":{"slug":"MP_CE_25_SERVIDOR","ano":2025},"explanation":{"verdict_reason":"Histograma mostra a distribuição de uma variável e gráfico de dispersão mostra a relação entre duas, que é precisamente o par de leituras afirmado. A segunda metade também se sustenta: o que se põe em cada eixo organiza a leitura visual e orienta a percepção de tendência. O item descreve o uso padrão das duas visualizações, sem exclusividade.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Histograma mostra distribuição; dispersão mostra correlação","citation":null,"trap_note":"Em visualização a banca costuma trocar o par gráfico–leitura: histograma descrito como correlação, dispersão como distribuição, barras como série temporal. Leia primeiro qual leitura o gráfico entrega e só depois o resto da frase."}},{"id":"85c2bd4aec6c","number":78,"stem":6,"statement":"Em um data lake, os dados brutos podem ser carregados sem que seja necessário um pré-processamento, como o ETL, para a padronização das informações.","answer":"C","source":{"slug":"TELEBRAS_25","ano":2025},"explanation":{"verdict_reason":"O data lake aplica o esquema na leitura: o dado é ingerido no formato nativo e a estrutura só é imposta quando alguém o consome. Por isso a padronização prévia por ETL não é condição para a carga, ao contrário do data warehouse, que exige esquema na escrita. O item descreve a característica que distingue o lake do warehouse.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Data lake: esquema na leitura, carga sem pré-processamento","citation":null,"trap_note":"Esquema na leitura é o que autoriza o ELT e o dado bruto no lake; esquema na escrita é o que obriga o ETL antes do warehouse. Guardado esse par, quase todo item de lake e de ELT se resolve sozinho."}},{"id":"64b88946ace6","number":79,"stem":6,"statement":"Uma das técnicas utilizadas na etapa de transformação do processo de ETL é a derivação, em que são vinculados dados semelhantes oriundos de diferentes fontes de dados.","answer":"E","source":{"slug":"TELEBRAS_25","ano":2025},"explanation":{"verdict_reason":"Derivação é criar um novo atributo a partir dos que já existem — calcular margem a partir de receita e custo, extrair o ano de uma data. Vincular dados semelhantes vindos de fontes diferentes é junção e integração, apoiada pela conformação dos valores. O item descreve uma técnica real de transformação e lhe dá o nome de outra.","distortion_type":"troca_de_termo","distorted_span":"a derivação, em que são vinculados dados semelhantes","corrected_statement":"Uma das técnicas utilizadas na etapa de transformação do processo de ETL é a junção, em que são vinculados dados semelhantes oriundos de diferentes fontes de dados.","concept":"Derivação cria atributo novo; junção integra fontes","citation":null,"trap_note":"Na etapa de transformação, separe o que cada técnica faz com o dado: limpeza corrige, conformação padroniza, junção integra fontes, derivação calcula atributo novo, agregação resume. A banca troca o nome e mantém a descrição correta."}},{"id":"19c0baebdb7d","number":80,"stem":6,"statement":"Os metadados de um banco de dados podem ser classificados em estruturais, descritivos e administrativos.","answer":"C","source":{"slug":"TELEBRAS_25","ano":2025},"explanation":{"verdict_reason":"A classificação corrente de metadados é tripartite: estruturais, que descrevem a organização interna do recurso; descritivos, que permitem identificá-lo e localizá-lo; e administrativos, que tratam de origem, direitos, versão e preservação. O item reproduz essa taxonomia consagrada.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Metadados estruturais, descritivos e administrativos","citation":"NISO — Understanding Metadata","trap_note":"Quando o item lista uma taxonomia completa e correta, costuma ser Certo. O erro aparece quando uma categoria recebe a definição da vizinha: estrutural descrito como identificação, ou administrativo descrito como organização interna."}},{"id":"78dad176f0aa","number":81,"stem":7,"statement":"Índices bitmap são inadequados para ambientes de data warehouse, pois apresentam baixo desempenho em consultas analíticas que envolvem grandes volumes de dados.","answer":"E","source":{"slug":"TELEBRAS_25","ano":2025},"explanation":{"verdict_reason":"Índice bitmap é a estrutura típica de data warehouse: com atributos de baixa cardinalidade, ele representa cada valor como um vetor de bits e resolve filtros combinados por operações lógicas rápidas, o que favorece justamente a consulta analítica sobre grandes volumes. O que o desaconselha é o ambiente transacional, com atualização intensa, porque cada escrita obriga a reconstruir os vetores.","distortion_type":"inversao","distorted_span":"são inadequados para ambientes de data warehouse","corrected_statement":"Índices bitmap são adequados para ambientes de data warehouse, pois apresentam bom desempenho em consultas analíticas que envolvem grandes volumes de dados.","concept":"Bitmap: bom em OLAP, ruim em OLTP","citation":null,"trap_note":"Índice bitmap para baixa cardinalidade e leitura analítica; árvore B para alta cardinalidade e escrita transacional. Quando a banca inverte o ambiente, inverte também a conclusão de desempenho."}},{"id":"35a5adf9c1ca","number":83,"stem":7,"statement":"O processo de ETL, em soluções de BI, tem como objetivo principal garantir a integridade, a padronização e a qualidade dos dados antes da disponibilização destes em um data warehouse.","answer":"C","source":{"slug":"TELEBRAS_25","ano":2025},"explanation":{"verdict_reason":"Entre a extração e a carga, o ETL padroniza formatos, resolve códigos divergentes, limpa e deduplica registros e valida regras de negócio — ou seja, entrega ao data warehouse dado íntegro, padronizado e confiável. É exatamente essa a finalidade que o item atribui ao processo, e a ordem está certa: a qualificação acontece antes da disponibilização.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"ETL garante qualidade e padronização antes da carga","citation":null,"trap_note":"A sequência do ETL é o gabarito de vários itens: extrair, transformar (padronizar, limpar, conformar), carregar. Item que põe a transformação depois da carga descreveu ELT, e item que atribui à transformação o ato de mover para o destino descreveu a carga."}},{"id":"48b072dba867","number":84,"stem":7,"statement":"A integração entre sistemas de BI e sistemas de gestão de conteúdo possibilita análises mais completas ao combinar dados estruturados e informações não estruturadas no processo decisório.","answer":"C","source":{"slug":"TELEBRAS_25","ano":2025},"explanation":{"verdict_reason":"Boa parte da informação corporativa está em documentos, contratos, mensagens e páginas, fora das tabelas transacionais. Integrar a gestão de conteúdo ao BI permite analisar esse material junto com o dado estruturado e, portanto, sustentar a decisão sobre uma base mais completa. O item afirma uma possibilidade, sem exclusividade nem promessa de substituição.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"BI combina dado estruturado e conteúdo não estruturado","citation":null,"trap_note":"Item que afirma que uma integração possibilita análise mais completa costuma ser Certo. O erro aparece quando se afirma que o BI só opera dado estruturado, ou que a gestão de conteúdo substitui o data warehouse."}},{"id":"dc22c9f0c327","number":85,"stem":7,"statement":"Sistemas de suporte à decisão podem substituir o julgamento humano em todos os casos, já que fornecem decisões automáticas baseadas exclusivamente em modelos matemáticos e estatísticos.","answer":"E","source":{"slug":"TELEBRAS_25","ano":2025},"explanation":{"verdict_reason":"Sistema de apoio à decisão apoia o decisor, não o substitui: ele estrutura o problema, simula cenários e apresenta alternativas, permanecendo sob controle do usuário, que é quem decide. Problemas semiestruturados e não estruturados dependem de julgamento, contexto e responsabilidade, que nenhum modelo matemático fornece. O absoluto em todos os casos e a exclusividade do modelo estatístico derrubam o item.","distortion_type":"generalizacao","distorted_span":"podem substituir o julgamento humano em todos os casos","corrected_statement":"Sistemas de suporte à decisão apoiam o julgamento humano, fornecendo análises e cenários baseados em modelos matemáticos e estatísticos, mas a decisão permanece sob controle do usuário.","concept":"DSS apoia a decisão; não substitui o decisor","citation":null,"trap_note":"Apoiar, subsidiar e recomendar são verbos de item Certo neste tópico; substituir, decidir sozinho e dispensar o analista são de item Errado. A palavra que decide é quase sempre o verbo, não o conteúdo técnico."}},{"id":"f8012a95f1a9","number":108,"stem":8,"statement":"Data marts são bases centralizadas e corporativas que integram dados de diferentes áreas da organização, com foco em armazenamento de longo prazo e governança de dados.","answer":"E","source":{"slug":"STM_25","ano":2025},"explanation":{"verdict_reason":"A descrição é a do data warehouse corporativo: base centralizada que integra as diferentes áreas, guarda o histórico de longo prazo e concentra a governança. O data mart é o recorte oposto, orientado a um departamento ou a uma função, com escopo e volume menores. O item descreve um conceito e lhe dá o nome do outro.","distortion_type":"troca_de_termo","distorted_span":"bases centralizadas e corporativas que integram dados de diferentes áreas da organização","corrected_statement":"Data marts são bases departamentais que atendem a uma área ou função específica da organização, extraindo de um escopo mais restrito que o do data warehouse corporativo.","concept":"Data mart é departamental; DW é a base corporativa integrada","citation":null,"trap_note":"Este é o eixo mais produtivo do tópico: escopo departamental para o mart, escopo corporativo e integrador para o warehouse. Leia primeiro o escopo que a frase descreve e só depois o nome que ela usa — a banca acerta a descrição e erra o rótulo."}},{"id":"f5b91297f634","number":120,"stem":9,"statement":"Um data warehouse é um repositório de dados integrados de múltiplas fontes, processados para armazenamento em um modelo multidimensional.","answer":"C","source":{"slug":"FUB_25","ano":2025},"explanation":{"verdict_reason":"O item reúne os três traços que definem o repositório: origem em múltiplas fontes, integração dessas fontes por meio de processamento prévio e armazenamento organizado em modelo multidimensional, com fatos e dimensões. É a descrição corrente do data warehouse como base das soluções de apoio à decisão.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"DW: integração de múltiplas fontes armazenada em modelo multidimensional","citation":null,"trap_note":"Integrado e multidimensional andam juntos no data warehouse. O item vira errado quando substitui multidimensional por normalizado, ou quando admite no DW formatos brutos e não estruturados, que são do data lake."}},{"id":"dc1591e609bf","number":61,"stem":10,"statement":"Os lagos de dados armazenam dados de forma não estruturada e sem catalogação, permitindo que todos os dados sejam armazenados livremente, independentemente de sua análise ou utilidade.","answer":"C","source":{"slug":"TCE_AC_24","ano":2024},"explanation":{"verdict_reason":"O item descreve o lago de dados em sua forma bruta: ingestão livre, sem esquema, sem catalogação prévia e sem juízo antecipado sobre a utilidade do dado, que é armazenado porque pode vir a servir. Os absolutos da frase pertencem à definição do repositório, e não são restrições inventadas pelo item.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Ingestão livre e sem catalogação prévia é característica do data lake","citation":null,"trap_note":"Aqui o item afirma ausência de exigência, e por isso é certo; nos itens errados do mesmo assunto a banca afirma a presença de exigência. Pergunte-se sempre se a frase impõe ou dispensa tratamento prévio: dispensar é a marca do lake."}},{"id":"ce20939811fb","number":63,"stem":11,"statement":"Dados estruturados normalmente são armazenados em arquivos dos tipos doc, wmv, mpw, mp3, wav, jpg; grandes volumes de dados estruturados são armazenados em data lakes, os quais podem ser acessados quando necessário.","answer":"E","source":{"slug":"MP_TO_24_SERVIDOR","ano":2024},"explanation":{"verdict_reason":"Documento de texto, vídeo, áudio e imagem são justamente os exemplos de dados não estruturados, e o data lake é o repositório que guarda dado bruto, em formato nativo, com esquema aplicado apenas na leitura. Dados estruturados vivem em tabelas de bancos relacionais e data warehouses. As duas metades do item estão trocadas.","distortion_type":"inversao","distorted_span":"Dados estruturados normalmente são armazenados em arquivos dos tipos doc, wmv, mpw, mp3, wav, jpg","corrected_statement":"Dados não estruturados normalmente são armazenados em arquivos dos tipos doc, wmv, mpw, mp3, wav, jpg; grandes volumes desses dados são armazenados em data lakes, os quais podem ser acessados quando necessário.","concept":"Data lake guarda dado bruto; data warehouse guarda dado estruturado e modelado","citation":null,"trap_note":"Lake é esquema na leitura e dado bruto; warehouse é esquema na escrita e dado modelado. Ligar dado estruturado ao lake, ou dado bruto ao warehouse, é a troca que a banca repete."}},{"id":"45689fabecd8","number":64,"stem":11,"statement":"O ETL (extract, transform and load) pode ser utilizado para armazenar dados legados ou para agregar dados para analisar e impulsionar as decisões de negócios.","answer":"C","source":{"slug":"MP_TO_24_SERVIDOR","ano":2024},"explanation":{"verdict_reason":"O item apenas afirma usos possíveis do ETL, com verbo permissivo: consolidar dados de sistemas legados em um repositório e agregar dados de várias fontes para análise e decisão. Ambos são empregos correntes do processo, que existe para integrar origens heterogêneas em um destino analítico. Nada é restringido nem tornado exclusivo.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"ETL como técnica de integração: consolidar legado e agregar dados para análise","citation":null,"trap_note":"Item de ETL construído com pode ser utilizado para quase sempre é certo: ele descreve capacidade. A armadilha surge quando o enunciado descreve o conteúdo de uma etapa específica ou nega uma diferença entre ETL e ELT."}},{"id":"dfd3f392b760","number":69,"stem":12,"statement":"Ingestão de dados é o processo de importação e processamento de dados para uso posterior ou armazenamento em um banco de dados.","answer":"C","source":{"slug":"PREF_MOSSORO_RN_24","ano":2024},"explanation":{"verdict_reason":"Ingestão é a porta de entrada do dado no ambiente analítico: importar o dado da origem e prepará-lo para uso posterior ou para armazenamento. O item reproduz essa definição sem restringi-la a um modo — lote ou fluxo contínuo — nem a uma tecnologia.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Ingestão de dados: importação para uso ou armazenamento","citation":null,"trap_note":"Ingestão admite lote e fluxo contínuo. Item que a define como exclusivamente em lote, ou exclusivamente em tempo real, fecha uma alternativa que o conceito mantém aberta."}},{"id":"6ca7c2a793e2","number":70,"stem":12,"statement":"Uma ferramenta que suporta CDC (change data capture) é capaz de capturar os dados de uma origem no momento em que estes são criados ou alterados, e os transporta para um destino, com baixa latência.","answer":"C","source":{"slug":"PREF_MOSSORO_RN_24","ano":2024},"explanation":{"verdict_reason":"Captura de mudanças (CDC) identifica na origem apenas o que foi criado ou alterado, no momento em que a alteração ocorre, e propaga somente esse delta ao destino — daí a baixa latência e a dispensa da recarga completa. O item descreve exatamente o mecanismo e a sua vantagem.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"CDC captura apenas o que mudou, com baixa latência","citation":null,"trap_note":"CDC é o oposto da carga total: transporta o delta, não a base inteira. Item que descreve CDC como recarga periódica completa, ou que lhe atribui transformação de dados, trocou o mecanismo."}},{"id":"fce42115fa1a","number":71,"stem":13,"statement":"A principal característica de um data lake é sua capacidade de armazenar diferentes tipos de dados (estruturados, semiestruturados e não estruturados) sem a necessidade de um esquema antecipadamente definido.","answer":"C","source":{"slug":"TRT10_24","ano":2024},"explanation":{"verdict_reason":"O item enuncia a característica definidora do data lake: armazenar dados estruturados, semiestruturados e não estruturados sem esquema definido de antemão. É o esquema na leitura, oposto ao esquema na escrita do data warehouse, e é o que permite a ingestão de dados brutos cuja utilidade ainda não foi decidida.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Data lake armazena os três tipos de dado sem esquema prévio","citation":null,"trap_note":"Data lake é o repositório que aceita tudo e decide depois; data warehouse é o que decide antes e só aceita o que couber no modelo. Toda exigência prévia de estrutura, limpeza ou normalização atribuída ao lake é falsa."}},{"id":"79ccd362d44c","number":73,"stem":13,"statement":"A execução do comando DLL a seguir alterará a tabela PROCESSO, adicionando uma coluna com o nome STATUS do tipo de dados CHAR(1). ALTER PROCESSO ADD COLUMN STATUS CHAR(1);","answer":"E","source":{"slug":"TRT10_24","ano":2024},"explanation":{"verdict_reason":"O comando não é sintaticamente válido: falta a palavra-chave TABLE, obrigatória em ALTER TABLE, e o Oracle não admite COLUMN na cláusula de acréscimo, cuja forma é ALTER TABLE PROCESSO ADD (STATUS CHAR(1)). Como o comando não executa, não há alteração alguma na tabela.","distortion_type":"troca_de_termo","distorted_span":"ALTER PROCESSO ADD COLUMN STATUS CHAR(1);","corrected_statement":"A execução do comando DLL a seguir alterará a tabela PROCESSO, adicionando uma coluna com o nome STATUS do tipo de dados CHAR(1). ALTER TABLE PROCESSO ADD (STATUS CHAR(1));","concept":"Sintaxe de ALTER TABLE ADD no Oracle","citation":"Oracle Database SQL Language Reference, ALTER TABLE","trap_note":"Em item de DDL, leia o comando palavra por palavra antes de julgar o efeito descrito: a banca costuma descrever corretamente o que se pretende e entregar um comando que não compila. No Oracle a forma é ALTER TABLE tabela ADD (coluna tipo), sem a palavra COLUMN."}},{"id":"eab3d59e2755","number":75,"stem":13,"statement":"O Oracle 21C introduziu o recurso de tabelas imutáveis, que são tabelas à prova de adulteração, somente para inserção, com um período de retenção associado em nível de tabela e nível de linha.","answer":"C","source":{"slug":"TRT10_24","ano":2024},"explanation":{"verdict_reason":"As tabelas imutáveis são um recurso introduzido no Oracle Database 21c: aceitam apenas inserção, impedem atualização e exclusão de linhas e a própria remoção da tabela enquanto vigorar o período de retenção, definido tanto no nível da tabela quanto no nível da linha. O item reproduz essa descrição sem acréscimos.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Tabelas imutáveis do Oracle 21c: somente inserção, com retenção por tabela e por linha","citation":"Oracle Database 21c, Immutable Tables","trap_note":"Recursos novos de versão costumam ser cobrados em enunciado descritivo e correto. O sinal de alerta é a versão: confira se o recurso citado pertence mesmo à versão nomeada, porque é aí que a banca costuma deslocar o item."}},{"id":"0560beb4b3b8","number":77,"stem":14,"statement":"São objetivos do business intelligence permitir o acesso interativo e proporcionar a manipulação dos dados, fornecendo aos gerentes e analistas de negócios a capacidade de realizar a análise adequada.","answer":"C","source":{"slug":"MP_GO_24_SERVIDOR","ano":2024},"explanation":{"verdict_reason":"O item enuncia finalidade de BI sem restringi-la: acesso interativo aos dados, manipulação e capacidade analítica para gerentes e analistas. São os objetivos que a literatura atribui ao conjunto de ferramentas de inteligência de negócios, que existe para colocar a análise nas mãos do usuário de negócio, e não do setor de TI. Não há exclusividade nem impossibilidade afirmada.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Objetivos de BI: acesso interativo, manipulação e análise pelo usuário de negócio","citation":null,"trap_note":"Itens que apenas descrevem o que o BI permite fazer tendem a ser certos. O erro aparece quando se acrescenta uma exclusividade (apenas, somente, exclusivamente) ou uma negação de função (não permite, não pode ser usado)."}},{"id":"4687cb8400db","number":77,"stem":15,"statement":"Data warehouses são repositórios nos quais os dados podem ser armazenados em formatos variados, incluindo-se registros semiestruturados e formatos de arquivo não estruturados.","answer":"E","source":{"slug":"CNJ_24","ano":2024},"explanation":{"verdict_reason":"Quem aceita formatos variados, incluindo semiestruturados e arquivos não estruturados, é o data lake, que adota esquema na leitura. O data warehouse trabalha com esquema na escrita: o dado só é carregado depois de transformado e ajustado ao modelo de dados definido previamente, de modo que o repositório é estruturado por construção. O item descreve o lake com o nome do warehouse.","distortion_type":"troca_de_termo","distorted_span":"Data warehouses são repositórios nos quais os dados podem ser armazenados em formatos variados","corrected_statement":"Data lakes são repositórios nos quais os dados podem ser armazenados em formatos variados, incluindo-se registros semiestruturados e formatos de arquivo não estruturados.","concept":"DW é estruturado por construção; data lake aceita formatos variados","citation":null,"trap_note":"O verbo permissivo podem ser armazenados não salva este item: a permissividade só indica item certo quando a capacidade descrita pertence mesmo ao componente nomeado. Confira primeiro o nome, depois a modalidade."}},{"id":"afba67f41144","number":79,"stem":16,"statement":"Um data warehouse proporciona, como repositório de dados, uma visão global, comum e integrada dos dados de uma organização de maneira estável, coerente, confiável e com informação histórica.","answer":"C","source":{"slug":"MP_GO_24_SERVIDOR","ano":2024},"explanation":{"verdict_reason":"O enunciado percorre os quatro atributos clássicos do data warehouse de Inmon: orientação por assunto e integração (visão global, comum e integrada), não volatilidade (estável e coerente) e variação no tempo (informação histórica). Nenhum deles é restringido nem trocado. É a definição canônica do repositório, e por isso o item é correto.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Definição de data warehouse: integrado, não volátil, histórico","citation":"Inmon, Building the Data Warehouse","trap_note":"Os quatro adjetivos de Inmon são um gabarito de conferência: orientado por assunto, integrado, não volátil e variante no tempo. Item que os enuncia costuma ser certo; item que troca algum deles por volátil, atualizado em tempo real ou apenas com dados correntes costuma ser errado."}},{"id":"a4e6f43eae48","number":80,"stem":17,"statement":"Aplicações que usam data lake devem ser abrigadas em plataformas diferentes, em função de armazenarem dados estruturados e não estruturados.","answer":"E","source":{"slug":"TCE_AC_24","ano":2024},"explanation":{"verdict_reason":"A razão de ser do data lake é abrigar, em um único repositório, dados estruturados, semiestruturados e não estruturados, eliminando os silos que a separação por plataforma criaria. A heterogeneidade dos dados é o motivo para reuni-los, e não para dividi-los em plataformas distintas. O item transforma a característica do repositório em exigência de separação.","distortion_type":"inversao","distorted_span":"devem ser abrigadas em plataformas diferentes","corrected_statement":"Aplicações que usam data lake podem ser abrigadas em uma mesma plataforma, ainda que armazenem dados estruturados e não estruturados.","concept":"O data lake reúne dados de todos os tipos em um único repositório","citation":null,"trap_note":"Item que impõe um dever — devem, é obrigatório, é necessário — a partir de uma característica do componente costuma ser errado neste assunto. A característica quase sempre justifica a permissão, não a obrigação."}},{"id":"9f79d2e487a9","number":80,"stem":16,"statement":"A arquitetura de business intelligence se utiliza dos componentes indicados na figura a seguir, sendo o OLTP uma ferramenta de software cuja função é a extração de dados de diversos sistemas, transformando-os, conforme regras de negócios e, por fim, carregando-os em um data mart ou um data warehouse.","answer":"E","source":{"slug":"MP_GO_24_SERVIDOR","ano":2024},"explanation":{"verdict_reason":"A descrição dada — extrair de diversos sistemas, transformar conforme regras de negócio e carregar em data mart ou data warehouse — é exatamente a do ETL. OLTP não é ferramenta de carga: é a categoria dos sistemas transacionais que operam o dia a dia e que, na arquitetura de BI, figuram como fontes de onde o ETL extrai. A ação descrita é real; o componente ao qual foi atribuída é outro.","distortion_type":"atribuicao_errada","distorted_span":"sendo o OLTP uma ferramenta de software cuja função é a extração de dados de diversos sistemas","corrected_statement":"A arquitetura de business intelligence se utiliza dos componentes indicados na figura a seguir, sendo o ETL uma ferramenta de software cuja função é a extração de dados de diversos sistemas, transformando-os, conforme regras de negócios e, por fim, carregando-os em um data mart ou um data warehouse.","concept":"OLTP é fonte transacional; ETL é o processo de carga","citation":null,"trap_note":"Na arquitetura de BI cada caixa tem um papel único: OLTP gera, ETL move e transforma, DW guarda, data mart recorta, OLAP consulta. Leia primeiro a função descrita e só depois o nome que a banca colou nela — a fraude quase sempre está no nome, não na função."}},{"id":"c2d364d9cc62","number":84,"stem":18,"statement":"Uma das técnicas utilizadas em ETL é a separação, conforme a qual um dado do tipo texto pode ser dividido em textos menores.","answer":"C","source":{"slug":"TCE_AC_24","ano":2024},"explanation":{"verdict_reason":"A separação é a técnica de transformação que divide um campo único em vários campos menores, como quebrar o nome completo em nome e sobrenome ou o endereço em logradouro, número e bairro. É a operação inversa da concatenação e é rotineira na padronização feita durante o ETL.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Separação no ETL: dividir um campo de texto em partes menores","citation":null,"trap_note":"As técnicas de transformação se identificam pelo efeito sobre a estrutura: separação divide um campo em vários, junção reúne registros de fontes distintas, derivação cria campo novo por cálculo, agregação resume linhas. Guarde os quatro juntos, porque a banca os embaralha entre si."}},{"id":"27ecbaaa68d0","number":85,"stem":18,"statement":"Os processos de ETL utilizam uma área de preparação, conhecida como zona de pouso, onde os dados extraídos são armazenados temporariamente.","answer":"C","source":{"slug":"TCE_AC_24","ano":2024},"explanation":{"verdict_reason":"A área de preparação, também chamada de zona de pouso, é o repositório intermediário onde o dado extraído fica temporariamente antes da transformação e da carga. Ela existe para desacoplar a extração dos sistemas de origem do restante do processo, permitindo reprocessamento sem voltar à fonte. O item apenas nomeia e descreve essa área.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Área de estágio (zona de pouso): armazenamento temporário entre extração e carga","citation":null,"trap_note":"Armazenamento temporário no ETL é sempre a área de estágio. Se o item apontar como temporário o sistema OLTP de origem ou o próprio data warehouse de destino, trocou as caixas do fluxo."}},{"id":"ec099564466d","number":86,"stem":18,"statement":"Os processos de ETL e ELT exigem o mesmo grau de definição em todas as suas etapas, não havendo diferenciação entre ambos os processos.","answer":"E","source":{"slug":"TCE_AC_24","ano":2024},"explanation":{"verdict_reason":"Há diferença, e ela está justamente no grau de definição prévia. O ETL transforma antes de carregar, o que exige modelo de destino e regras de negócio definidos de antemão; o ELT carrega o dado bruto primeiro e transforma depois, dentro do próprio destino, permitindo que a modelagem seja decidida quando a análise for necessária. Afirmar que não há diferenciação apaga a única característica que separa as duas siglas.","distortion_type":"generalizacao","distorted_span":"o mesmo grau de definição em todas as suas etapas, não havendo diferenciação entre ambos os processos","corrected_statement":"Os processos de ETL e ELT não exigem o mesmo grau de definição em todas as suas etapas, pois no ETL a transformação precede a carga e exige modelo definido previamente, enquanto no ELT a carga do dado bruto precede a transformação, feita no destino.","concept":"ETL transforma antes de carregar; ELT carrega e transforma no destino","citation":null,"trap_note":"A ordem das letras é a resposta: no ETL o T vem antes do L, com esquema definido na escrita; no ELT o L vem antes do T, o que combina com data lake e com bancos analíticos potentes. Item que nega a diferença, ou que inverte qual dos dois exige modelagem prévia, é errado."}},{"id":"cd80306b81d6","number":87,"stem":18,"statement":"Utilizada na transformação de dados, a técnica de derivação vincula dados semelhantes de diferentes fontes de dados.","answer":"E","source":{"slug":"TCE_AC_24","ano":2024},"explanation":{"verdict_reason":"Vincular dados semelhantes provenientes de fontes diferentes é junção. A derivação não relaciona fontes: ela cria um atributo novo a partir de valores já existentes no próprio conjunto, por cálculo ou regra de negócio. A definição apresentada pertence à outra técnica.","distortion_type":"troca_de_termo","distorted_span":"a técnica de derivação","corrected_statement":"Utilizada na transformação de dados, a técnica de junção vincula dados semelhantes de diferentes fontes de dados.","concept":"Junção vincula fontes distintas; derivação cria valor novo a partir do existente","citation":null,"trap_note":"Derivação e junção aparecem trocadas nos dois sentidos dentro deste mesmo assunto. Fixe o critério: se a operação precisa de mais de uma fonte, é junção; se se resolve dentro do próprio registro, é derivação."}},{"id":"707a9ed86156","number":88,"stem":18,"statement":"Em ETL, o carregamento incremental por transmissão envia de forma contínua alterações em pequenos volumes de dados para o data warehouse de destino.","answer":"C","source":{"slug":"TCE_AC_24","ano":2024},"explanation":{"verdict_reason":"A carga incremental leva ao destino apenas o que mudou desde a última execução, e na modalidade por transmissão esse envio é contínuo, em pequenos lotes, à medida que as alterações ocorrem — por oposição à carga em lote, concentrada em uma janela. O item descreve corretamente essa modalidade.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Carga incremental por transmissão: alterações contínuas em pequenos volumes","citation":null,"trap_note":"Distinga carga completa de carga incremental e, dentro desta, lote de transmissão. A palavra contínua só é aceitável quando qualifica a carga incremental por transmissão; aplicada à atualização do data warehouse como regra geral, contradiz a não volatilidade."}},{"id":"bdf86f664f61","number":92,"stem":19,"statement":"Em um data lake, os dados são armazenados como foram coletados, sem a necessidade de análise prévia para estruturação.","answer":"C","source":{"slug":"PREF_MOSSORO_RN_24","ano":2024},"explanation":{"verdict_reason":"Guardar o dado como foi coletado, em formato nativo, e só impor estrutura quando alguém o consome é a definição de esquema na leitura, que é o regime do data lake. Por isso não há análise prévia de estruturação como condição para a ingestão — ao contrário do data warehouse, cujo esquema é definido antes da carga.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Data lake armazena dado bruto, com esquema na leitura","citation":null,"trap_note":"Esquema na leitura no lake, esquema na escrita no warehouse: esse par decide quase todo item que compara os dois repositórios, e é também o que explica por que o ELT pertence à era do lake."}},{"id":"d791272c5b4d","number":92,"stem":20,"statement":"Na transformação avançada do ETL, a derivação de dados cria novos atributos ou métricas a partir de colunas existentes, usando cálculos complexos e funções analíticas para enriquecer o dataset e suportar análises preditivas e segmentações contextuais.","answer":"C","source":{"slug":"TRF6_24","ano":2024},"explanation":{"verdict_reason":"Derivação é a técnica de transformação que produz atributos novos a partir dos já existentes, aplicando cálculos e regras de negócio — margem a partir de receita e custo, faixa etária a partir da data de nascimento. O item descreve essa criação de novas colunas e sua finalidade analítica, sem trocá-la por junção ou por agregação.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Derivação no ETL: criar atributos novos a partir de colunas existentes","citation":null,"trap_note":"Guarde as técnicas de transformação por resultado: derivação cria coluna nova a partir das existentes; junção reúne registros de fontes distintas; separação quebra um campo em vários; agregação resume linhas. A banca costuma manter a definição e trocar o nome."}},{"id":"8633deff7233","number":92,"stem":21,"statement":"A desnormalização é apenas tolerável quando houver imperativos rígidos de desempenho, como no caso de data warehouse, ou se o sistema não conseguir atingir um patamar mínimo de desempenho sem o processo de desnormalização.","answer":"C","source":{"slug":"MPO_24","ano":2024},"explanation":{"verdict_reason":"A normalização é a regra e a desnormalização é a exceção justificada por desempenho — e o data warehouse é o caso típico dessa exceção, porque a redundância controlada evita junções caras em consultas analíticas. O item não libera a desnormalização de modo geral: condiciona-a a imperativo rígido de desempenho. A restrição, aqui, pertence à doutrina de projeto, não ao autor do item.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Desnormalização justificada por desempenho no DW","citation":null,"trap_note":"Absoluto que vem da doutrina (apenas tolerável quando houver imperativo de desempenho) é Certo; absoluto inventado pelo autor do item é que derruba. Pergunte de quem é a restrição antes de reagir à palavra apenas."}},{"id":"7134e5c991cd","number":93,"stem":20,"statement":"O ROLAP (relational OLAP) armazena os dados exclusivamente em estruturas multidimensionais, como cubos OLAP, ignorando bancos de dados relacionais para processamento analítico.","answer":"E","source":{"slug":"TRF6_24","ano":2024},"explanation":{"verdict_reason":"ROLAP guarda os dados em tabelas relacionais e traduz a consulta multidimensional em SQL sobre o esquema estrela ou floco de neve; quem materializa cubos em estruturas multidimensionais próprias é o MOLAP. O item atribui ao ROLAP o armazenamento do MOLAP e ainda o faz negar o banco relacional, que é justamente o que o R do acrônimo indica.","distortion_type":"troca_de_termo","distorted_span":"armazena os dados exclusivamente em estruturas multidimensionais, como cubos OLAP, ignorando bancos de dados relacionais","corrected_statement":"O ROLAP (relational OLAP) armazena os dados em bancos de dados relacionais, traduzindo as consultas multidimensionais em SQL, ao passo que o MOLAP as armazena em estruturas multidimensionais, como cubos.","concept":"ROLAP guarda em tabelas relacionais; MOLAP guarda em cubo multidimensional","citation":null,"trap_note":"O acrônimo entrega a resposta: R de relacional, M de multidimensional, H de híbrido. Sempre que o item descrever armazenamento incompatível com a letra inicial, está trocado."}},{"id":"99b6646b5531","number":95,"stem":19,"statement":"No processo de ELT, a limpeza e a transformação dos dados ocorrem dentro do data warehouse, enquanto que, no ETL, essas etapas ocorrem antes de os dados serem carregados na base de destino.","answer":"C","source":{"slug":"PREF_MOSSORO_RN_24","ano":2024},"explanation":{"verdict_reason":"A distinção é de ordem das etapas e de lugar onde a transformação acontece: no ETL, limpeza e transformação ocorrem antes da carga, em uma área de preparação; no ELT, o dado bruto é carregado primeiro e transformado dentro do próprio repositório de destino, aproveitando o poder de processamento dele. O item enuncia os dois lados corretamente.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"ELT transforma no destino; ETL transforma antes da carga","citation":null,"trap_note":"Leia a sigla como cronograma: a letra do meio diz o que acontece em segundo lugar. Se o item puser a transformação dentro do destino e chamar isso de ETL, inverteu os padrões."}},{"id":"b1efdc7411d6","number":96,"stem":22,"statement":"Um data lake funciona como uma arquitetura de armazenamento que requer que todos os dados sejam estruturados e limpos antes de serem armazenados.","answer":"E","source":{"slug":"CPNUJE_24","ano":2024},"explanation":{"verdict_reason":"O data lake adota o esquema na leitura: ingere o dado bruto como ele chega, estruturado ou não, e só lhe impõe formato quando a análise o exige. Exigir estrutura e limpeza antes do armazenamento é a regra do data warehouse, que trabalha com esquema na escrita. O item troca a propriedade de um repositório pela do outro.","distortion_type":"inversao","distorted_span":"requer que todos os dados sejam estruturados e limpos antes de serem armazenados","corrected_statement":"Um data lake funciona como uma arquitetura de armazenamento que não requer que os dados sejam estruturados e limpos antes de serem armazenados.","concept":"Esquema na leitura (data lake) × esquema na escrita (data warehouse)","citation":null,"trap_note":"Toda exigência prévia imposta ao data lake — estruturar, limpar, normalizar, transformar, catalogar antes de gravar — é falsa por definição. Essa checagem resolve a maior parte dos itens do assunto sem que se precise conhecer a tecnologia."}},{"id":"17b4318c9493","number":97,"stem":22,"statement":"Em bancos de dados NoSQL distribuídos, o uso de replicação embasada em quórum pode introduzir latência adicional nas operações de escrita, uma vez que um número específico de réplicas deve confirmar a operação antes que ela seja considerada bem-sucedida, o que pode impactar o tempo de resposta do sistema.","answer":"C","source":{"slug":"CPNUJE_24","ano":2024},"explanation":{"verdict_reason":"Na replicação por quórum, a escrita só é confirmada depois que um número mínimo de réplicas responde, e esperar por essas confirmações acrescenta latência à operação. É o custo deliberado da consistência mais forte em um sistema distribuído, e o item o descreve com verbos permissivos, sem afirmar que sempre haverá impacto perceptível.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Quórum de escrita troca latência por consistência em bancos distribuídos","citation":null,"trap_note":"Em sistemas distribuídos, todo ganho de consistência custa latência ou disponibilidade. Item que reconhece esse custo costuma ser certo; item que promete consistência forte sem custo costuma ser errado."}},{"id":"6281b0d016cb","number":98,"stem":22,"statement":"Bancos de dados em memória são inerentemente mais seguros contra falhas de energia que bancos de dados em disco, pois eles armazenam todos os dados em uma cache volátil que é sincronizada automaticamente com o armazenamento persistente.\n\nuse std::sync::{Arc};\nuse std::thread;\nfn main() {\n  let counter = Arc::new(0);\n  let mut handles = vec![];\n  for _ in 0..10 {\n    let counter_clone = Arc::clone(&counter);\n    let handle = thread::spawn(move || {\n      let mut num =\n      counter_clone.lock().unwrap();\n      *num += 1;\n    });\n    handles.push(handle);\n  }\n  for handle in handles {\n   handle.join().unwrap();\n  }\n  println!(“Resultado final do contador: {}”,\n  *counter.lock().unwrap());\n}","answer":"E","source":{"slug":"CPNUJE_24","ano":2024},"explanation":{"verdict_reason":"A memória principal é volátil: na falta de energia o conteúdo se perde, ao passo que o dado gravado em disco permanece. Por isso os bancos em memória são mais vulneráveis, e não mais seguros, contra falha de energia, e recorrem a registro de transações em disco, pontos de verificação e replicação exatamente para compensar essa fragilidade. O item deduz segurança da propriedade que a compromete.","distortion_type":"inversao","distorted_span":"inerentemente mais seguros contra falhas de energia que bancos de dados em disco","corrected_statement":"Bancos de dados em memória são inerentemente mais vulneráveis a falhas de energia que bancos de dados em disco, pois eles armazenam os dados em memória volátil, dependendo de registro em disco e pontos de verificação para não perdê-los.","concept":"Volatilidade da memória: desempenho alto, durabilidade dependente de persistência auxiliar","citation":null,"trap_note":"Quando o próprio item dá a razão — aqui, cache volátil —, leia a razão antes da conclusão: a justificativa oferecida frequentemente prova o contrário do que se afirma. Volátil nunca sustenta segurança contra queda de energia."}},{"id":"acfbb483eb53","number":100,"stem":23,"statement":"Data mining consiste em um processo analítico projetado para explorar grandes quantidades de dados em busca de padrões consistentes e(ou) relacionamentos sistemáticos entre variáveis.","answer":"C","source":{"slug":"CODEVASF_24","ano":2024},"explanation":{"verdict_reason":"A definição clássica de mineração de dados é essa: exploração de grandes volumes em busca de padrões consistentes e de relacionamentos sistemáticos entre variáveis, com posterior validação sobre novos dados. O item reproduz a definição sem restringir a tarefa nem prometer resultado automático.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Mineração de dados: descoberta de padrões e relações","citation":null,"trap_note":"A definição ampla de mineração é Certa; o erro aparece quando o item a reduz a uma tarefa só (apenas prever, apenas classificar) ou a confunde com a consulta comum ao data warehouse, que devolve o que já se sabia perguntar."}},{"id":"2dd602a67fe2","number":101,"stem":23,"statement":"Modelagem dimensional é um tratamento aplicado na transformação de dados em ETL e na etapa de granularidade das tabelas, na qual dados armazenam um conjunto de atributos que descrevem os fatos, como produtos, vendas e mercado.","answer":"E","source":{"slug":"CODEVASF_24","ano":2024},"explanation":{"verdict_reason":"Modelagem dimensional é técnica de projeto do modelo do data warehouse — organiza o esquema em tabela de fatos e tabelas de dimensão —, e não um tratamento aplicado aos dados durante a transformação do ETL. Além disso, o conjunto de atributos que descreve o fato, como produto e mercado, é a tabela de dimensão, um elemento do modelo, não a modelagem inteira. O item desloca a modelagem para dentro do processo de carga.","distortion_type":"atribuicao_errada","distorted_span":"um tratamento aplicado na transformação de dados em ETL","corrected_statement":"Modelagem dimensional é a técnica de projeto do modelo do data warehouse, na qual as tabelas de dimensão armazenam um conjunto de atributos que descrevem os fatos, como produtos, vendas e mercado.","concept":"Modelagem dimensional é projeto do modelo, não etapa de ETL","citation":null,"trap_note":"Distinga o que é modelo do que é processo: modelagem dimensional, esquema estrela e granularidade pertencem ao projeto do DW; extração, limpeza, conformação e carga pertencem ao ETL. A banca move um conceito de uma coluna para a outra."}},{"id":"ca9d29e59271","number":102,"stem":23,"statement":"A interface gráfica consiste na utilização de um dos componentes de BI por gerentes e executivos para controlar a saúde ou o desempenho de um negócio, monitorar métricas e analisar a estratégia desse negócio.","answer":"E","source":{"slug":"CODEVASF_24","ano":2024},"explanation":{"verdict_reason":"O componente de BI que gerentes e executivos usam para acompanhar a saúde do negócio, monitorar métricas e avaliar a estratégia é o painel (dashboard), eventualmente na forma de balanced scorecard. Interface gráfica é apenas o modo de apresentação de qualquer software, e não um componente com essa finalidade. A descrição está certa; o componente nomeado é que não é esse.","distortion_type":"troca_de_termo","distorted_span":"A interface gráfica","corrected_statement":"O painel (dashboard) consiste na utilização de um dos componentes de BI por gerentes e executivos para controlar a saúde ou o desempenho de um negócio, monitorar métricas e analisar a estratégia desse negócio.","concept":"Painel (dashboard) é o componente de monitoramento em BI","citation":null,"trap_note":"Quando a descrição de um componente estiver impecável, verifique o sujeito da frase: a banca mantém a função e troca o nome do componente. Painel monitora, relatório informa, OLAP explora, mineração descobre."}},{"id":"a4878a40546b","number":103,"stem":23,"statement":"A análise de dados preditiva baseia-se em técnicas de estatística para determinar o que é mais provável de acontecer por meio da utilização da mineração de dados e pode prever se um cliente está propenso a se mudar para um concorrente.","answer":"C","source":{"slug":"CODEVASF_24","ano":2024},"explanation":{"verdict_reason":"Análise preditiva usa técnicas estatísticas e de mineração sobre o histórico para estimar a probabilidade de eventos futuros, e a previsão de evasão de clientes é o exemplo canônico desse uso. O item enuncia a finalidade com o verbo correto — o que é mais provável de acontecer — sem prometer certeza.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Análise preditiva estima probabilidade de evento futuro","citation":null,"trap_note":"Os quatro níveis caem juntos: descritiva diz o que aconteceu, diagnóstica por que aconteceu, preditiva o que deve acontecer, prescritiva o que fazer. Item que promete certeza, em vez de probabilidade, ou que troca o nível pelo vizinho, é o que derruba."}},{"id":"257766493c23","number":104,"stem":23,"statement":"DW é um processo que reúne e gerencia várias coleções de dados históricos, indexados e de alto valor, que passam por um processo de limpeza, processamento e transformação com vistas a análises estratégicas e avançadas.","answer":"C","source":{"slug":"CODEVASF_24","ano":2024},"explanation":{"verdict_reason":"A descrição reúne os traços definidores do data warehouse: coleções históricas, integradas a partir de várias origens, submetidas a limpeza e transformação antes da carga, e destinadas à análise estratégica. Nada ali contraria a não volatilidade nem a orientação por assunto.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"DW: dado histórico, integrado e tratado para análise","citation":null,"trap_note":"Item que descreve o DW por dado histórico, integração e apoio à decisão é Certo. O que derruba é a frase que lhe atribui suporte a operação diária, atualização em tempo real ou alteração pelo usuário."}},{"id":"f4723fab53e3","number":105,"stem":24,"statement":"Os sistemas de apoio à decisão (DSS) combinam dados e modelos analíticos sofisticados e interface amigável, e estão sob controle do usuário.","answer":"C","source":{"slug":"CODEVASF_24","ano":2024},"explanation":{"verdict_reason":"A definição corrente de sistema de apoio à decisão é essa combinação de dados, modelos analíticos e interface amigável, mantida sob controle do usuário — a autonomia do decisor faz parte da definição, e é o que separa o DSS do sistema que decide sozinho. O item reproduz a caracterização sem exagerá-la.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"DSS: dados, modelos e interface sob controle do usuário","citation":null,"trap_note":"Sob controle do usuário é a expressão que aparece nos itens Certos de DSS e substituir o julgamento humano, nos Errados. O eixo é sempre o mesmo: apoio, não substituição."}},{"id":"a765abdea221","number":106,"stem":24,"statement":"ROLAP e HOLAP são métodos de armazenamento de dados utilizados pelos sistemas OLAP e a diferença entre eles está na tecnologia de banco de dados — o ROLAP usa MDDB.","answer":"E","source":{"slug":"CODEVASF_24","ano":2024},"explanation":{"verdict_reason":"Quem armazena os dados em banco multidimensional (MDDB), em cubos pré-agregados, é o MOLAP. O ROLAP mantém os dados em banco relacional, com esquema estrela ou floco de neve, e traduz a consulta multidimensional em SQL; o HOLAP combina os dois, guardando o agregado no multidimensional e o detalhe no relacional. O item atribui ao ROLAP a tecnologia do MOLAP.","distortion_type":"troca_de_termo","distorted_span":"o ROLAP usa MDDB","corrected_statement":"ROLAP e HOLAP são métodos de armazenamento de dados utilizados pelos sistemas OLAP e a diferença entre eles está na tecnologia de banco de dados — o ROLAP usa banco de dados relacional.","concept":"ROLAP é relacional; MOLAP usa banco multidimensional","citation":null,"trap_note":"A sigla entrega a resposta: R de relacional, M de multidimensional, H de híbrido. Qualquer item que ligue MDDB ao ROLAP, ou tabelas relacionais ao MOLAP, trocou a primeira letra."}},{"id":"2bd338648050","number":106,"stem":25,"statement":"Em BI, a informação é o resultado da organização dos dados, ao passo que o conhecimento é a geração de valor com a informação.","answer":"C","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"A cadeia dado, informação, conhecimento é o pressuposto do BI: dado é o registro bruto, informação é o dado organizado e contextualizado, conhecimento é o que permite decidir e gerar valor a partir dela. O item reproduz essa hierarquia na ordem correta, sem inverter nenhum degrau.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Dado, informação e conhecimento em BI","citation":null,"trap_note":"A inversão possível é curta e a banca a usa: informação descrita como matéria-prima bruta e dado como resultado do processamento. Confira a direção da cadeia antes de aceitar a frase."}},{"id":"dc7ddaf35edb","number":107,"stem":24,"statement":"A preparação de dados, que consiste em analisar a qualidade dos dados de acordo com o problema, explorar os dados e formular as hipóteses, faz parte dos estágios do CRISP-DM.","answer":"E","source":{"slug":"CODEVASF_24","ano":2024},"explanation":{"verdict_reason":"Analisar a qualidade dos dados, explorá-los e formular hipóteses são atividades da fase de entendimento dos dados do CRISP-DM. A fase de preparação é outra: seleciona, limpa, constrói, integra e formata os dados para a modelagem. A fase citada existe na metodologia, mas recebeu a descrição da fase anterior.","distortion_type":"troca_de_termo","distorted_span":"A preparação de dados","corrected_statement":"O entendimento dos dados, que consiste em analisar a qualidade dos dados de acordo com o problema, explorar os dados e formular as hipóteses, faz parte dos estágios do CRISP-DM.","concept":"CRISP-DM: entendimento explora; preparação transforma","citation":"CRISP-DM 1.0 — Step-by-step data mining guide","trap_note":"Guarde as seis fases do CRISP-DM em ordem — entendimento do negócio, entendimento dos dados, preparação, modelagem, avaliação e implantação — e verifique se a atividade descrita é da fase nomeada. A banca mantém a atividade e desloca a fase."}},{"id":"9dff9f6cb2b1","number":107,"stem":25,"statement":"No ETL, a qualificação de dados engloba o processo de conformidade, no qual são identificados registros repetidos.","answer":"E","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"Identificar registros repetidos é tarefa de limpeza e deduplicação, que compara registros e elege o sobrevivente. Conformidade é outra coisa: é a padronização dos dados oriundos de fontes distintas a um formato e a um conjunto de valores comuns, para que possam ser integrados e comparados. O item descreve a atividade certa e a atribui ao subprocesso errado da qualificação.","distortion_type":"troca_de_termo","distorted_span":"o processo de conformidade","corrected_statement":"No ETL, a qualificação de dados engloba o processo de limpeza, no qual são identificados registros repetidos.","concept":"Conformidade padroniza; limpeza deduplica","citation":null,"trap_note":"Dentro do ETL a banca troca subprocessos vizinhos: extração por carga, transformação por carga, limpeza por conformidade, derivação por junção. Leia a atividade descrita e pergunte de qual subprocesso ela é, ignorando o nome que o item deu."}},{"id":"fd18828c5130","number":107,"stem":26,"statement":"A principal característica de um data warehouse é armazenar dados em um ambiente de atualização contínua, no qual as informações são alteradas em tempo real, à medida que novos dados são gerados pelas fontes operacionais.","answer":"E","source":{"slug":"TRF6_24","ano":2024},"explanation":{"verdict_reason":"A característica principal do data warehouse é a oposta: o dado entra por carga programada e, uma vez carregado, não é alterado — é a não volatilidade, que garante que a mesma consulta reproduza o mesmo resultado. Atualização contínua e alteração em tempo real conforme as fontes operacionais descrevem o banco transacional. A metade final da frase está certa quanto às origens; o regime de atualização é que foi invertido.","distortion_type":"inversao","distorted_span":"em um ambiente de atualização contínua, no qual as informações são alteradas em tempo real","corrected_statement":"A principal característica de um data warehouse é armazenar dados em um ambiente não volátil, no qual as informações não são alteradas após a carga, que ocorre periodicamente a partir dos dados gerados pelas fontes operacionais.","concept":"Data warehouse é não volátil, carregado periodicamente","citation":null,"trap_note":"Atualização contínua, alteração em tempo real e exclusão frequente dentro do DW são a marca do item errado deste tópico. O DW acumula fotografias; quem muda a cada operação é a base transacional que o alimenta."}},{"id":"e43586a8104b","number":108,"stem":27,"statement":"Um data warehouse é projetado para suportar operações transacionais diárias, como inserções, atualizações e exclusões frequentes de dados, similarmente a um banco de dados operacional.","answer":"E","source":{"slug":"STJ_24","ano":2024},"explanation":{"verdict_reason":"Inserção, atualização e exclusão frequentes são o regime do banco operacional, cujo projeto é normalizado e otimizado para escrita concorrente. O data warehouse é o oposto por definição: não volátil, carregado periodicamente e modelado de forma dimensional para leitura e agregação. O item descreve o ambiente transacional e lhe dá o nome de data warehouse.","distortion_type":"inversao","distorted_span":"é projetado para suportar operações transacionais diárias","corrected_statement":"Um data warehouse é projetado para suportar consultas analíticas sobre grandes volumes de dados históricos, diferentemente de um banco de dados operacional, que sustenta inserções, atualizações e exclusões frequentes.","concept":"DW é analítico e não volátil; o operacional é transacional","citation":null,"trap_note":"OLTP contra OLAP é a divisão que resolve a maior parte dos itens de data warehouse: escrita curta e concorrente de um lado, leitura longa e agregadora do outro. Se a frase puser operação diária, transação ou exclusão frequente dentro do DW, já está errada."}},{"id":"3fbb4e846811","number":108,"stem":25,"statement":"Bancos de dados utilizados em data warehouses empregam uma modelagem específica e otimizada, denominada modelagem multidimensional.","answer":"C","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"O banco que sustenta um data warehouse não é modelado pelas formas normais do ambiente transacional, e sim pela modelagem dimensional, organizada em tabela de fatos e tabelas de dimensão. A escolha é deliberada e orientada a desempenho de consulta analítica. O item apenas nomeia essa modelagem.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"O DW usa modelagem dimensional, não normalização","citation":null,"trap_note":"Normalizado é o transacional; dimensional e desnormalizado é o warehouse. Item que exige normalização no DW, ou que chama o modelo dimensional de normalizado, está errado por esse eixo."}},{"id":"5f4a3f356801","number":108,"stem":26,"statement":"O conceito de BI 3.0 (Business Intelligence 3.0) é caracterizado pela introdução de soluções de inteligência artificial para tomada de decisões automatizadas em tempo real.","answer":"C","source":{"slug":"TRF6_24","ano":2024},"explanation":{"verdict_reason":"A numeração das gerações de BI segue o que se automatiza: o BI 1.0 entrega relatório e consulta sobre o data warehouse, o BI 2.0 traz autoatendimento e dado em tempo quase real, e o BI 3.0 incorpora inteligência artificial e análise preditiva a ponto de a decisão ser tomada automaticamente. O item enuncia essa caracterização sem excedê-la.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"BI 3.0: inteligência artificial e decisão automatizada","citation":null,"trap_note":"Item que atribui a uma geração mais nova uma capacidade mais avançada costuma ser Certo. O erro aparece quando a capacidade é deslocada para a geração anterior, ou quando o item afirma que a nova geração dispensa o data warehouse."}},{"id":"b133229aec95","number":109,"stem":28,"statement":"Um data mart é um repositório de dados orientado a um departamento ou a uma função específica dentro de uma organização.","answer":"C","source":{"slug":"TRF6_24","ano":2024},"explanation":{"verdict_reason":"Data mart é o recorte departamental ou funcional do ambiente analítico: vendas, finanças, recursos humanos. O que integra todas as áreas e atende à corporação inteira é o data warehouse. O item põe cada escopo no seu lugar.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Data mart é departamental; DW é corporativo","citation":null,"trap_note":"Esse par é o mais explorado do tópico e cai nos dois sentidos. Fixe o escopo: mart é uma área, warehouse é a organização. Item que chama o mart de base corporativa integrada descreveu o warehouse."}},{"id":"965460e6a01b","number":109,"stem":27,"statement":"Durante o processo de ETL (extract, transform, load), a etapa de transformação é responsável por mover os dados extraídos para o sistema de destino, onde serão armazenados para análise.","answer":"E","source":{"slug":"STJ_24","ano":2024},"explanation":{"verdict_reason":"Mover os dados para o sistema de destino, onde ficarão armazenados, é a etapa de carga. A transformação é o que acontece antes disso: limpeza, padronização, conformação, junção, derivação e agregação para adequar o dado ao modelo do destino. A descrição está correta; a etapa nomeada é a seguinte.","distortion_type":"troca_de_termo","distorted_span":"a etapa de transformação é responsável por mover os dados extraídos para o sistema de destino","corrected_statement":"Durante o processo de ETL (extract, transform, load), a etapa de carga é responsável por mover os dados extraídos e transformados para o sistema de destino, onde serão armazenados para análise.","concept":"Transformar adequa o dado; carregar o move ao destino","citation":null,"trap_note":"As três letras do ETL são três verbos distintos: extrair lê da origem, transformar adequa, carregar grava no destino. A banca descreve uma etapa e nomeia a vizinha — leia o verbo da frase, não a sigla."}},{"id":"ca2ef2adbef7","number":110,"stem":28,"statement":"A técnica de clustering (agrupamento), em data mining, é utilizada para classificar dados em categorias predefinidas, facilitando a análise de grandes volumes de dados.","answer":"E","source":{"slug":"TRF6_24","ano":2024},"explanation":{"verdict_reason":"Categoria predefinida é a marca da classificação, que é tarefa supervisionada e precisa de rótulos conhecidos no treinamento. O agrupamento é não supervisionado: ele descobre os grupos a partir da similaridade entre os registros, e os grupos só recebem sentido depois. O item descreve classificação e dá o nome de agrupamento.","distortion_type":"troca_de_termo","distorted_span":"classificar dados em categorias predefinidas","corrected_statement":"A técnica de clustering (agrupamento), em data mining, é utilizada para agrupar dados por similaridade, sem categorias predefinidas, facilitando a análise de grandes volumes de dados.","concept":"Agrupamento não tem classes predefinidas","citation":null,"trap_note":"Se aparecer categoria predefinida, classe conhecida ou rótulo, a tarefa é classificação, qualquer que seja o nome que o item deu. Essa é a troca mais repetida da mineração de dados."}},{"id":"de2596068c25","number":119,"stem":29,"statement":"As estatísticas relacionadas a BI devem ser geradas com base nas fontes transacionais, sem que haja acréscimo de informações diretamente da base de BI.","answer":"C","source":{"slug":"STJ_24","ano":2024},"explanation":{"verdict_reason":"O dado só entra no ambiente analítico pelo processo de extração a partir dos sistemas transacionais, que são a fonte de verdade. Inserir informação diretamente na base de BI romperia a rastreabilidade e a não volatilidade do repositório, produzindo número que não se reconcilia com nenhuma origem. A restrição do item pertence à arquitetura, não ao autor do item.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"A base de BI é carregada, nunca alimentada diretamente","citation":null,"trap_note":"Absoluto que decorre da própria arquitetura (sem acréscimo direto na base de BI) é Certo; absoluto inventado pelo autor é que derruba. Pergunte de quem é a restrição antes de reagir ao sem que haja."}},{"id":"60a792764486","number":63,"stem":30,"statement":"Um dos objetivos da BI (Business Intelligence) é fornecer informações coletadas em DW (Data Warehouses) para tomada de decisões.","answer":"C","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"É a relação padrão entre as duas camadas: o data warehouse concentra e historiciza os dados integrados, e o BI é o conjunto de processos e ferramentas que transforma esse acervo em informação para a tomada de decisão. O item diz um dos objetivos, sem exclusividade, o que também o mantém correto mesmo havendo outras fontes possíveis para o BI.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"O DW é o repositório que alimenta o BI; o BI entrega informação para decisão","citation":null,"trap_note":"A expressão um dos objetivos desarma a checagem de exclusividade: ela não afirma que é o único objetivo nem a única fonte. Compare com itens que dizem apenas ou exclusivamente, onde a mesma frase se tornaria falsa."}},{"id":"1897e1c497ad","number":72,"stem":31,"statement":"O data mining é um processo usado para extrair e analisar informações que revelam padrões ou tendências estratégicas do negócio.","answer":"C","source":{"slug":"CNMP_23","ano":2023},"explanation":{"verdict_reason":"A definição é a corrente: mineração de dados é o processo de extrair e analisar grandes volumes para revelar padrões e tendências antes não percebidos, com valor estratégico para o negócio. O item não restringe a técnica nem a confunde com consulta.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Data mining revela padrões e tendências estratégicas","citation":null,"trap_note":"Definições curtas e sem qualificador absoluto costumam ser certas. O erro em data mining aparece quando se exige o data warehouse como ambiente obrigatório ou quando se promete relação de causa."}},{"id":"13affa823085","number":73,"stem":31,"statement":"Fatos, dimensões e medidas são elementos essenciais de um data warehouse.","answer":"C","source":{"slug":"CNMP_23","ano":2023},"explanation":{"verdict_reason":"O data warehouse é organizado segundo o modelo dimensional, cujos elementos são a tabela fato, as dimensões que a qualificam e as medidas armazenadas no fato. São justamente esses três componentes que permitem a análise por diferentes perspectivas, e o item apenas os enumera.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Fato, dimensão e medida como elementos do modelo dimensional do DW","citation":null,"trap_note":"Enumerar os elementos corretamente é item certo; distribuí-los é onde se erra. Medida fica no fato, atributo descritivo fica na dimensão, e a dimensão nunca guarda o valor que se soma."}},{"id":"1cfe831e6e06","number":74,"stem":31,"statement":"Em data warehouse, o conceito de granularidade refere-se ao nível de detalhe ou resumo existente em uma unidade de dados, de forma que, quanto mais detalhes, mais alto o nível de granularidade.","answer":"E","source":{"slug":"CNMP_23","ano":2023},"explanation":{"verdict_reason":"A relação é inversa: quanto maior o detalhe da unidade de dado, mais baixo o nível de granularidade; quanto mais resumido o dado, mais alto o nível. A definição inicial de granularidade está correta, e apenas a proporção final foi trocada de sentido.","distortion_type":"inversao","distorted_span":"quanto mais detalhes, mais alto o nível de granularidade","corrected_statement":"Em data warehouse, o conceito de granularidade refere-se ao nível de detalhe ou resumo existente em uma unidade de dados, de forma que, quanto mais detalhes, mais baixo o nível de granularidade.","concept":"Mais detalhe significa granularidade mais baixa","citation":"Inmon, Building the Data Warehouse","trap_note":"Granularidade é a questão de projeto mais importante do data warehouse e cai quase sempre como proporção invertida. Fixe um exemplo: venda item a item é granularidade baixa; total mensal por loja é granularidade alta."}},{"id":"a6fe775e769c","number":96,"stem":32,"statement":"Uma das vantagens de sistemas de BI (business intelligence) é a otimização no processamento de transações online.","answer":"E","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"Otimizar o processamento de transações em linha é objetivo do ambiente OLTP, projetado para muitas escritas curtas e rápidas. O BI serve ao propósito oposto, o processamento analítico sobre dados históricos e integrados, e é precisamente para não degradar o desempenho transacional que os dados são extraídos para um repositório separado. O item atribui ao BI a vantagem do ambiente que ele existe para aliviar.","distortion_type":"atribuicao_errada","distorted_span":"a otimização no processamento de transações online","corrected_statement":"Uma das vantagens de sistemas de BI (business intelligence) é a otimização no processamento analítico de grandes volumes de dados históricos.","concept":"BI é analítico (OLAP); transação em linha é OLTP","citation":null,"trap_note":"OLTP × OLAP é a divisória mais rentável do assunto: escrita curta e estado corrente de um lado, leitura pesada e histórico do outro. Item que promete ao BI ganho transacional inverteu os papéis."}},{"id":"f0834b0a4f7b","number":99,"stem":32,"statement":"Data warehouse é um repositório de dados para análises e, portanto, deve conter apenas dados atualizados a fim de não enviesar a análise.","answer":"E","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"O data warehouse é variante no tempo: ele guarda o histórico justamente para permitir a comparação entre períodos e a análise de tendência. Restringi-lo a dados atualizados destruiria a série temporal e inviabilizaria a análise que o item pretende proteger. O advérbio apenas é o que torna a frase falsa.","distortion_type":"generalizacao","distorted_span":"deve conter apenas dados atualizados","corrected_statement":"Data warehouse é um repositório de dados para análises e, portanto, deve conter também dados históricos, a fim de permitir a análise de séries e tendências.","concept":"Variação no tempo: o DW preserva o histórico, não só o dado corrente","citation":null,"trap_note":"Quando o item justifica a restrição com um objetivo nobre — não enviesar, garantir qualidade, acelerar a consulta —, confira se a restrição não destrói a função do componente. No DW, descartar o histórico destrói a razão de existir dele."}},{"id":"ff630b55ce3b","number":101,"stem":32,"statement":"O ETL é um dos processos para alimentar um data warehouse e pode consumir dados de distintas fontes e diferentes formatos.","answer":"C","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"O ETL é o processo padrão de alimentação do data warehouse e foi concebido exatamente para lidar com heterogeneidade: extrai de bancos relacionais, arquivos, planilhas e serviços, e a etapa de transformação padroniza formatos e codificações divergentes antes da carga. O item afirma capacidade, com um dos processos, sem exclusividade.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"ETL integra fontes e formatos heterogêneos para alimentar o DW","citation":null,"trap_note":"Integrar origens diferentes é a razão de ser da etapa de transformação. Item que nega essa pluralidade, ou que exige formato único na origem, contraria a definição do processo."}},{"id":"e9a525fcd8ec","number":106,"stem":33,"statement":"Considere-se que uma empresa de comércio eletrônico deseje armazenar todos os dados relacionados às interações dos clientes em seu site — registros de visitas, cliques, compras, avaliações, comentários, entre outros. Nessa situação, se a empresa decidir não estruturar e organizar esses dados antecipadamente, será melhor armazenar esses dados em uma solução data lake do que em um banco relacional.","answer":"C","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"Registros de visitas, cliques, comentários e avaliações são dados brutos, volumosos e de estrutura variável, e a premissa do caso é não estruturar nem organizar antes. Isso é exatamente o esquema na leitura do data lake, que ingere o dado bruto e só lhe impõe estrutura no momento da análise; o banco relacional exigiria esquema na escrita e modelagem prévia.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Data lake: esquema na leitura, ingestão de dado bruto sem modelagem prévia","citation":null,"trap_note":"Procure no enunciado a expressão sem estruturar antes ou dados brutos: ela seleciona data lake. Esquema definido antes da gravação seleciona banco relacional ou data warehouse. É esse par que resolve quase todo item de data lake."}},{"id":"29df8427af0b","number":107,"stem":33,"statement":"Os bancos relacionais permitem uma escalabilidade mais barata e menos trabalhosa que os bancos não relacionais, pois não exigem máquinas extremamente poderosas e sua facilidade de manutenção possibilita um número menor de profissionais necessários.","answer":"E","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"A relação é a inversa: os bancos relacionais escalam tipicamente na vertical, dependendo de máquinas mais poderosas e caras, enquanto os não relacionais foram projetados para escalar na horizontal, distribuindo a carga por muitos servidores comuns. O item atribui ao relacional a vantagem de escalabilidade que é característica do NoSQL.","distortion_type":"inversao","distorted_span":"Os bancos relacionais permitem uma escalabilidade mais barata e menos trabalhosa que os bancos não relacionais","corrected_statement":"Os bancos não relacionais permitem uma escalabilidade mais barata e menos trabalhosa que os bancos relacionais, pois não exigem máquinas extremamente poderosas.","concept":"Escalabilidade vertical do relacional × horizontal do NoSQL","citation":null,"trap_note":"Escala horizontal em servidores comuns é a promessa do NoSQL; consistência forte e esquema rígido são a do relacional. Quando um item elogia um lado com a vantagem do outro, é inversão."}},{"id":"74ddee941ba0","number":116,"stem":34,"statement":"Em um data warehouse, a ocorrência de deadlocks causados por grande fluxo de dados é um fator crítico para o desempenho.","answer":"E","source":{"slug":"BCB_24","ano":2023},"explanation":{"verdict_reason":"Deadlock nasce de transações concorrentes disputando bloqueios de escrita, e esse é o regime do ambiente transacional. No data warehouse a carga é programada e controlada e o uso corrente é de leitura, de modo que o fator crítico de desempenho ali é o custo de varredura e de agregação sobre grandes volumes, não o impasse de bloqueios. O item transporta para o ambiente analítico um problema que é do OLTP.","distortion_type":"atribuicao_errada","distorted_span":"a ocorrência de deadlocks causados por grande fluxo de dados é um fator crítico","corrected_statement":"Em um banco de dados transacional, a ocorrência de deadlocks causados por grande fluxo de dados é um fator crítico para o desempenho.","concept":"Deadlock é problema de OLTP, não de data warehouse","citation":null,"trap_note":"Pergunte sempre de que ambiente é o problema descrito: concorrência, bloqueio e normalização são do OLTP; varredura, agregação, índice bitmap e desnormalização são do OLAP. A banca move o problema de um ambiente para o outro e mantém a explicação técnica correta."}},{"id":"c748728cf4ea","number":130,"stem":35,"statement":"Segundo o DAMA-DMBok, a escolha de uma ferramenta para uso na governança de dados deve ser precedida pela definição de metas e requisitos gerais de governança.","answer":"C","source":{"slug":"SEFIN_FORTALEZA_CE_23","ano":2023},"explanation":{"verdict_reason":"O DMBOK trata ferramenta como consequência, não como ponto de partida: primeiro se definem metas, princípios e requisitos do programa de governança, e só então se avalia que ferramenta os atende. A ordem inversa — comprar a ferramenta e depois descobrir o que governar — é o antipadrão que o corpo de conhecimento adverte. O item reproduz a recomendação na ordem correta.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Governança de dados: requisitos antes da ferramenta","citation":"DAMA-DMBOK 2 — Governança de Dados","trap_note":"Em governança e em qualidade de dados, a banca inverte a ordem entre definir e ferramentar. Requisito antes de ferramenta, política antes de tecnologia: quando o item põe a ferramenta primeiro, quase sempre é Errado."}},{"id":"5f4b9e480852","number":131,"stem":35,"statement":"Em um banco de dados NoSQL, o modelo de grafos é especialmente interessante quando a interconectividade dos dados é tão importante quanto os dados em si.","answer":"C","source":{"slug":"SEFIN_FORTALEZA_CE_23","ano":2023},"explanation":{"verdict_reason":"No modelo de grafos o relacionamento é armazenado como aresta de primeira classe, com propriedades próprias, e não como junção reconstruída em tempo de consulta. Por isso ele é a escolha indicada quando a interconexão entre as entidades vale tanto quanto os atributos delas — redes sociais, detecção de fraude, cadeia de participações societárias. O item reproduz o critério clássico de escolha desse modelo.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Grafos: relacionamento tão relevante quanto o dado","citation":null,"trap_note":"Cada família NoSQL tem um critério de escolha próprio: chave-valor para acesso por identificador, documento para agregado autocontido, colunar para varredura analítica, grafo para travessia de relacionamentos. A banca troca a família e mantém o critério."}},{"id":"32d174bfca78","number":132,"stem":35,"statement":"A arquitetura de um data lake pode variar de organização para organização, uma vez que muitas tecnologias podem ser usadas e combinadas de diferentes formas.","answer":"C","source":{"slug":"SEFIN_FORTALEZA_CE_23","ano":2023},"explanation":{"verdict_reason":"Data lake é um padrão arquitetural, não um produto: ingestão, armazenamento de objetos, catálogo, processamento e consumo podem ser montados com combinações distintas de tecnologias conforme o que a organização já possui. O item afirma variabilidade, que é o traço reconhecido dessa arquitetura, e não impõe nenhuma restrição.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Data lake é arquitetura, não produto único","citation":null,"trap_note":"Item que afirma que uma arquitetura admite variação costuma ser Certo; o que derruba é o item que fixa uma tecnologia obrigatória (exige Hadoop, exige HDFS) para um conceito que é arquitetural."}},{"id":"1c55d6cd599a","number":133,"stem":35,"statement":"A fase de carga em um processo de ETL exige que os dados sejam carregados em lotes programados, como forma de garantir a eficiência do sistema como um todo.","answer":"E","source":{"slug":"SEFIN_FORTALEZA_CE_23","ano":2023},"explanation":{"verdict_reason":"A carga admite mais de um regime: lote programado, carga incremental por captura de mudanças e carga contínua em fluxo, e a escolha depende da latência exigida pelo negócio, não de uma exigência do processo de ETL. O verbo exige transforma uma opção de projeto em obrigação. É a restrição que derruba o item, não a descrição do lote.","distortion_type":"generalizacao","distorted_span":"exige que os dados sejam carregados em lotes programados","corrected_statement":"A fase de carga em um processo de ETL pode ser feita em lotes programados, mas também admite carga incremental ou contínua, conforme a latência exigida pelo sistema como um todo.","concept":"Carga em ETL: lote, incremental ou contínua","citation":null,"trap_note":"Em ETL a banca converte alternativa de projeto em obrigação com exige, deve necessariamente, só é possível. Quando o item fixa um único regime de carga, de extração ou de atualização, procure o regime que ele excluiu."}},{"id":"6e4bc4d150ca","number":75,"stem":36,"statement":"Situação hipotética: Um analista concentrou em um único local o armazenamento de dados de fontes diferentes, com o objetivo de eliminar os silos de informação da organização, eliminando as dezenas de fontes de informações estruturadas dispersas e armazenando-as em formato não estruturado em um único repositório. Assertiva: Essa situação pode ser considerada um exemplo de sistema de suporte a decisão, ainda que não se conheçam as informações do repositório.","answer":"E","source":{"slug":"PGE_RJ_22","ano":2022},"explanation":{"verdict_reason":"Um sistema de apoio à decisão exige dados integrados e de significado conhecido, para que produzam informação sobre o negócio. No caso descrito, fontes estruturadas foram desestruturadas e depositadas em um repositório cujo conteúdo não se conhece, o que elimina a integração em vez de criá-la e produz, na melhor hipótese, um depósito sem uso analítico. Concentrar dados em um único local não basta para caracterizar apoio à decisão.","distortion_type":"atribuicao_errada","distorted_span":"pode ser considerada um exemplo de sistema de suporte a decisão, ainda que não se conheçam as informações do repositório","corrected_statement":"Assertiva: Essa situação não pode ser considerada um exemplo de sistema de suporte a decisão, pois não se conhecem as informações do repositório, que permanece sem integração e sem uso analítico.","concept":"Repositório único sem integração nem significado conhecido não é SSD","citation":null,"trap_note":"Armazenar não é apoiar decisão. Quando o item concede explicitamente que não se conhece o conteúdo, ou que não há tratamento nem catalogação, ele já entregou a razão pela qual nada de analítico pode ser extraído dali."}},{"id":"bff910810cc7","number":76,"stem":36,"statement":"A partir da transformação de dados brutos em informações, o BI ajuda uma empresa a criar conhecimento para permitir uma melhor tomada de decisão dos gestores e ajudá-los a converter essas decisões em ação.","answer":"C","source":{"slug":"PGE_RJ_22","ano":2022},"explanation":{"verdict_reason":"É a cadeia clássica do BI: dado bruto vira informação pela integração e pelo tratamento, a informação vira conhecimento pela análise, e o conhecimento sustenta a decisão e a ação do gestor. O item apenas descreve essa finalidade, com verbo permissivo e sem exclusividade.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"BI converte dado em informação e conhecimento para decisão e ação","citation":null,"trap_note":"Definições finalísticas de BI, quando não restringem nem negam, são quase sempre certas. Guarde o esforço de leitura para os itens que descrevem componentes, etapas ou frequências de carga."}},{"id":"3a09b6ebfe7d","number":77,"stem":36,"statement":"Data warehouse contém grande variedade de dados que apresentam uma imagem coerente das condições da empresa em um determinado ponto no tempo; por conta dessas características, não pode ser utilizado como repositório de dados em uma arquitetura de BI.","answer":"E","source":{"slug":"PGE_RJ_22","ano":2022},"explanation":{"verdict_reason":"A primeira metade reproduz a definição corrente de data warehouse, e são exatamente essas características — variedade de dados e imagem coerente da empresa — que o qualificam como repositório central de uma arquitetura de BI. A conclusão nega a função que a premissa acabou de justificar.","distortion_type":"inversao","distorted_span":"não pode ser utilizado como repositório de dados em uma arquitetura de BI","corrected_statement":"Data warehouse contém grande variedade de dados que apresentam uma imagem coerente das condições da empresa em um determinado ponto no tempo; por conta dessas características, pode ser utilizado como repositório de dados em uma arquitetura de BI.","concept":"O DW é o repositório típico da arquitetura de BI","citation":null,"trap_note":"Item que define corretamente um componente e depois nega a função dele é o formato mais frequente de erro neste assunto. Leia a conclusão perguntando se ela decorre da premissa: quando a contradiz, o gabarito é errado."}},{"id":"67ffd9016890","number":78,"stem":37,"statement":"No processo de data warehousing, ETL transforma os dados oriundos de staging área, utilizando repositório de dados de sistemas de processamento de transações online (OLTP) como armazenamento temporário para inserir em data warehouse.","answer":"E","source":{"slug":"PGE_RJ_22","ano":2022},"explanation":{"verdict_reason":"O papel de armazenamento temporário no data warehousing é da área de estágio, e não dos bancos OLTP: os sistemas transacionais são as fontes de onde o ETL extrai. O item troca os dois, fazendo o dado sair da área de estágio e usar o OLTP como repositório intermediário, quando o fluxo correto é OLTP para área de estágio, e daí para o data warehouse.","distortion_type":"inversao","distorted_span":"utilizando repositório de dados de sistemas de processamento de transações online (OLTP) como armazenamento temporário","corrected_statement":"No processo de data warehousing, ETL transforma os dados oriundos de sistemas de processamento de transações online (OLTP), utilizando a staging área como armazenamento temporário para inserir em data warehouse.","concept":"OLTP é origem; a área de estágio é o armazenamento temporário do ETL","citation":null,"trap_note":"Desenhe o fluxo antes de julgar: fonte, área de estágio, data warehouse, data mart, ferramenta de consulta. Item de arquitetura costuma errar por trocar duas caixas de posição, e não por inventar uma caixa nova."}},{"id":"3c1515badf7e","number":79,"stem":37,"statement":"Entre as várias arquiteturas, o data warehouse centralizado assemelha-se à arquitetura em estrela, na qual, no centro, tem-se o data warehouse empresarial e, nas pontas, ligados ao central, os data mart dependentes, organizados por áreas temáticas da empresa.","answer":"E","source":{"slug":"PGE_RJ_22","ano":2022},"explanation":{"verdict_reason":"A arquitetura descrita — repositório corporativo no centro e data marts dependentes ligados a ele, organizados por assunto — é a de eixos e raios, associada à fábrica de informações corporativas de Inmon. A arquitetura de data warehouse centralizado é justamente a que dispensa os data marts dependentes: nela os usuários consultam diretamente o repositório central. O nome dado à topologia é que está errado.","distortion_type":"troca_de_termo","distorted_span":"o data warehouse centralizado","corrected_statement":"Entre as várias arquiteturas, a de eixos e raios assemelha-se à arquitetura em estrela, na qual, no centro, tem-se o data warehouse empresarial e, nas pontas, ligados ao central, os data mart dependentes, organizados por áreas temáticas da empresa.","concept":"Eixos e raios tem data marts dependentes; o DW centralizado não os tem","citation":null,"trap_note":"Distinga as arquiteturas pela presença e pela dependência dos data marts: marts independentes sem repositório central, barramento de dimensões conformadas na linha de Kimball, repositório central com marts dependentes na linha de Inmon, e centralizado sem marts. É a existência do mart, não o desenho, que nomeia cada uma."}},{"id":"01ed34b5b38d","number":80,"stem":37,"statement":"A análise de cluster em data mining permite, por meio de análise exploratória de dados, ordenar casos em clusters, de modo que o grau de associação seja forte entre os membros do mesmo cluster e fraco entre membros de clusters diferentes.","answer":"C","source":{"slug":"PGE_RJ_22","ano":2022},"explanation":{"verdict_reason":"A definição de agrupamento está completa e correta: é técnica exploratória, não supervisionada, que reparte os casos em grupos de modo a maximizar a semelhança interna e minimizar a semelhança entre grupos distintos. O item enuncia exatamente esse critério de coesão e separação.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Análise de cluster: alta associação dentro do grupo, baixa entre grupos","citation":null,"trap_note":"Agrupamento descobre os grupos; classificação designa o caso a grupos que já existem. Item que faz o cluster usar categorias predefinidas, ou a árvore de decisão descobrir categorias novas, trocou as duas tarefas."}},{"id":"6c2e321f3e2d","number":82,"stem":38,"statement":"Em contraste com os modelos relacionais, os modelos dimensionais, ou modelos de dados dimensionais kimball — modelos de dados baseados na técnica desenvolvida por Ralph Kimball —, são estruturas normalizadas projetadas para recuperar dados de um data warehouse.","answer":"E","source":{"slug":"SEPLAN_RR_22","ano":2022},"explanation":{"verdict_reason":"O modelo dimensional de Kimball existe justamente para abandonar a normalização: a tabela fato guarda as métricas e cada dimensão é deliberadamente desnormalizada, para reduzir junções e acelerar a consulta analítica. A oposição que o item monta com o modelo relacional só faz sentido se o dimensional for desnormalizado. Ao chamá-lo de estrutura normalizada, o item afirma exatamente a propriedade contrária à que distingue os dois modelos.","distortion_type":"inversao","distorted_span":"são estruturas normalizadas projetadas para recuperar dados de um data warehouse","corrected_statement":"Em contraste com os modelos relacionais, os modelos dimensionais, ou modelos de dados dimensionais kimball — modelos de dados baseados na técnica desenvolvida por Ralph Kimball —, são estruturas desnormalizadas projetadas para recuperar dados de um data warehouse.","concept":"Modelo dimensional (Kimball) é desnormalizado; o relacional OLTP é que é normalizado","citation":null,"trap_note":"Guarde o par por finalidade: normalizar serve para escrever sem redundância (OLTP, 3FN, linha de Inmon no repositório corporativo); desnormalizar serve para ler rápido (dimensional, estrela, Kimball). Sempre que a banca colar normalização em modelo dimensional, estrela ou data mart de consulta, o item cai."}},{"id":"34e873016f8b","number":82,"stem":37,"statement":"Um data warehouse usa técnicas estatísticas e de aprendizagem automática para, em uma coleção de dados orientada ao assunto e não volátil, extrair e identificar informações úteis com objetivos de apoiar a tomada de decisão.","answer":"E","source":{"slug":"PGE_RJ_22","ano":2022},"explanation":{"verdict_reason":"Quem emprega técnicas estatísticas e de aprendizado de máquina para extrair informação útil é a mineração de dados. O data warehouse é o repositório sobre o qual essa análise pode ser feita: orientado por assunto e não volátil, como o próprio item reconhece, ele armazena e organiza, mas não descobre padrão algum. O item atribui ao repositório a atividade da técnica que o consome.","distortion_type":"atribuicao_errada","distorted_span":"Um data warehouse usa técnicas estatísticas e de aprendizagem automática","corrected_statement":"A mineração de dados usa técnicas estatísticas e de aprendizagem automática para, em uma coleção de dados orientada ao assunto e não volátil, extrair e identificar informações úteis com objetivos de apoiar a tomada de decisão.","concept":"O DW armazena; o data mining analisa","citation":null,"trap_note":"Repositório não faz análise. Sempre que o sujeito da frase for data warehouse, data mart ou data lake e o verbo for descobrir, prever, classificar ou agrupar, o sujeito está errado: essas ações são de mineração ou de BI."}},{"id":"30289e87e96a","number":86,"stem":39,"statement":"Data lake é um sistema que permite o armazenamento em uma base de dados os quais tenham sido refinados em processos anteriores.","answer":"E","source":{"slug":"BANCO_DO_NORDESTE_22","ano":2022},"explanation":{"verdict_reason":"O data lake armazena o dado bruto, como ele chega da origem, sem refinamento prévio: é essa ingestão sem tratamento que o distingue do data warehouse e que permite guardar hoje o que só será analisado depois. Exigir dado já refinado em processos anteriores descreve o repositório analítico estruturado, não o lago.","distortion_type":"inversao","distorted_span":"os quais tenham sido refinados em processos anteriores","corrected_statement":"Data lake é um sistema que permite o armazenamento em uma base de dados os quais ainda não tenham sido refinados, mantidos em seu formato bruto de origem.","concept":"Data lake guarda dado bruto; refinamento prévio é característica do DW","citation":null,"trap_note":"Bruto contra refinado é a chave de todo item de data lake. Refinado, tratado, limpo, transformado, normalizado e catalogado antes da gravação são atributos do data warehouse; atribuí-los ao lake torna o item errado."}},{"id":"e9aa40cf8d3a","number":100,"stem":40,"statement":"O termo data lake é usado para se referir a uma arquitetura em que os dados são armazenados em vários sistemas de armazenamento de dados e em diferentes formatos, inclusive em sistemas de arquivos, mas podem ser consultados em um único sistema.","answer":"C","source":{"slug":"BANCO_DO_NORDESTE_22","ano":2022},"explanation":{"verdict_reason":"O data lake reúne dados de origens e formatos distintos, inclusive em sistemas de arquivos, e os expõe a uma camada única de consulta, que aplica o esquema na leitura sobre o que está armazenado em formato nativo. O item descreve a arquitetura sem exigir tecnologia específica nem negar formato algum.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Data lake: armazenamento heterogêneo, consulta unificada","citation":null,"trap_note":"Item de data lake que apenas descreve heterogeneidade de formato e unificação da consulta costuma ser Certo. O que derruba é a negação de um formato suportado ou a exigência de estruturação prévia."}},{"id":"50984321bd24","number":106,"stem":41,"statement":"Diferentemente dos bancos de dados transacionais, os data warehouses caracterizam-se pela volatilidade, já que neles as informações armazenadas são alteradas com muito mais frequência, praticamente em tempo real.","answer":"E","source":{"slug":"FUB_22","ano":2022},"explanation":{"verdict_reason":"A não volatilidade é uma das quatro características definidoras do data warehouse: os dados são carregados e depois lidos, sem atualização nem exclusão de rotina, para que uma mesma consulta repetida produza o mesmo resultado. O item atribui ao DW justamente a volatilidade, que é marca do banco transacional.","distortion_type":"inversao","distorted_span":"os data warehouses caracterizam-se pela volatilidade, já que neles as informações armazenadas são alteradas com muito mais frequência","corrected_statement":"Diferentemente dos bancos de dados transacionais, os data warehouses caracterizam-se pela não volatilidade, já que neles as informações armazenadas não são alteradas com frequência, sendo acrescidas em cargas periódicas.","concept":"Não volatilidade do DW × volatilidade do OLTP","citation":"Inmon, Building the Data Warehouse","trap_note":"Quando o item começa por diferentemente dos bancos transacionais, ele promete uma oposição — e a fraude usual é entregar a característica do OLTP com o nome do DW. Confira se o atributo citado pertence mesmo ao lado que o item nomeou."}},{"id":"88acff39b1fb","number":107,"stem":41,"statement":"Coletar e transformar dados de várias fontes e descobrir tendências e inconsistências são etapas gerais dos processos de business intelligence.","answer":"C","source":{"slug":"FUB_22","ano":2022},"explanation":{"verdict_reason":"Coletar e transformar dados de várias fontes descreve o ETL, e descobrir tendências e inconsistências descreve a análise e a mineração que se apoiam no repositório resultante. Ambas são etapas gerais do ciclo de BI, e o item as apresenta sem ordem rígida nem exclusividade.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Ciclo de BI: coleta e transformação, depois descoberta de padrões","citation":null,"trap_note":"Enunciados que listam etapas gerais sem quantificá-las costumam ser certos. A checagem útil é outra: se aparecer uma ordem obrigatória ou um passo apontado como imprescindível, teste a obrigatoriedade, não a lista."}},{"id":"29b9da78fbf9","number":108,"stem":41,"statement":"Sistemas de data mining viabilizam a extração de novos padrões significativos de informação que não seriam necessariamente encontrados por meio de meras consultas ou processamento de dados ou metadados no data warehouse.","answer":"C","source":{"slug":"FUB_22","ano":2022},"explanation":{"verdict_reason":"A mineração de dados se distingue da consulta justamente por não depender de uma pergunta formulada de antemão: ela busca padrões antes desconhecidos, ao passo que a consulta e o processamento OLAP recuperam o que o analista já sabe procurar. É essa a fronteira que o item enuncia, e o advérbio necessariamente evita o absoluto.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Data mining descobre padrões desconhecidos; consulta e OLAP recuperam o que já se pergunta","citation":null,"trap_note":"A fronteira consulta × mineração decide muitos itens: a consulta confirma hipótese, a mineração gera hipótese. Item que exige do data mining uma pergunta prévia, ou que o confina ao data warehouse, tende a ser errado."}},{"id":"938a29d9df85","number":116,"stem":42,"statement":"O esquema em estrela é uma abordagem adotada por data warehouses relacionais e composta por tabela de fatos, várias tabelas de dimensão e chaves estrangeiras da tabela de fatos para as tabelas de dimensão.","answer":"C","source":{"slug":"SEPLAN_RR_22","ano":2022},"explanation":{"verdict_reason":"O esquema estrela é a forma dimensional adotada em data warehouses relacionais: uma tabela de fatos central, várias tabelas de dimensão ao redor e chaves estrangeiras saindo do fato para cada dimensão. O item descreve a composição e a direção das chaves corretamente.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Esquema estrela: um fato central e dimensões ligadas por chaves","citation":null,"trap_note":"A direção das chaves estrangeiras vai do fato para as dimensões, nunca o contrário; e a estrela mantém as dimensões desnormalizadas, ao passo que o floco de neve as normaliza. Esses dois pontos decidem a maior parte dos itens de esquema."}},{"id":"f9cc6f1d2f93","number":48,"stem":43,"statement":"Um dos objetivos da inteligência de negócios é fornecer aos tomadores de decisão a capacidade de realizar análises adequadas, por meio de acesso a dados, desde que não se permita a manipulação desses dados, a fim de garantir a segurança da informação.","answer":"E","source":{"slug":"TCE_SC_21_AUDITOR","ano":2021},"explanation":{"verdict_reason":"Permitir que o tomador de decisão manipule os dados — filtrar, agregar, mudar a perspectiva — é parte do objetivo do BI, não algo que ele deva impedir. A cláusula anexada nega justamente a função que a primeira metade da frase acabou de afirmar, e o pretexto de segurança da informação é resolvido por controle de acesso, não por proibição de análise. A primeira metade está correta; a condição é que derruba o item.","distortion_type":"inversao","distorted_span":"desde que não se permita a manipulação desses dados","corrected_statement":"Um dos objetivos da inteligência de negócios é fornecer aos tomadores de decisão a capacidade de realizar análises adequadas, por meio de acesso a dados e da manipulação desses dados pelos próprios analistas.","concept":"BI existe para permitir a manipulação dos dados","citation":null,"trap_note":"O mesmo enunciado aparece sem a cláusula e é Certo. Quando a frase começa correta e termina com desde que não, sem que se permita ou vedada a, leia a cláusula final isolada: ela costuma negar a função que a frase acabou de descrever."}},{"id":"509766427913","number":52,"stem":43,"statement":"Os conceitos de data warehouse (DW) e data mining (DM) são relacionados à inteligência de negócios; a principal diferença entre eles é que o DW atua na análise dos eventos do passado, enquanto o DM limita-se na predição dos eventos futuros.","answer":"E","source":{"slug":"TCE_SC_21_AUDITOR","ano":2021},"explanation":{"verdict_reason":"A mineração de dados não se restringe a prever o futuro: suas tarefas descritivas — agrupamento, regras de associação, detecção de desvios — descobrem padrões no que já ocorreu, sem qualquer predição. E o data warehouse não é técnica de análise, e sim o repositório integrado e histórico sobre o qual a análise se faz. A distinção real é entre repositório e técnica, não entre passado e futuro.","distortion_type":"generalizacao","distorted_span":"o DM limita-se na predição dos eventos futuros","corrected_statement":"Os conceitos de data warehouse (DW) e data mining (DM) são relacionados à inteligência de negócios; a principal diferença entre eles é que o DW é o repositório integrado e histórico dos dados, enquanto o DM é o conjunto de técnicas que descobre padrões nesses dados, tanto descritivos quanto preditivos.","concept":"DW é repositório; mineração é técnica, descritiva e preditiva","citation":null,"trap_note":"Limita-se a, restringe-se a e serve apenas para são os verbos que derrubam itens de mineração, porque a disciplina tem tarefas descritivas e preditivas. Confira também se o item não transformou um repositório em técnica."}},{"id":"40402b60552c","number":62,"stem":44,"statement":"O ETL (Extract Transform Load) possui uma área de preparação de dados localizada entre as fontes de dados e os destinos de dados, que geralmente são data warehouses, data marts ou outros repositórios de dados; uma staging area é usada para o processamento de dados durante o processo de ETL.","answer":"C","source":{"slug":"PETROBRAS_21_NS","ano":2021},"explanation":{"verdict_reason":"A área de preparação (staging area) fica entre as origens e os destinos e é onde o dado extraído é armazenado temporariamente enquanto passa por limpeza, padronização e integração, antes de ser carregado no data warehouse, no data mart ou em outro repositório. O item posiciona corretamente a área e descreve corretamente o seu uso.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Staging area: preparação entre origem e destino","citation":null,"trap_note":"A staging area é de trabalho, não de consulta: o usuário final não a acessa e ela não guarda histórico para análise. Item que a apresenta como camada de apresentação, ou que a confunde com o data mart, trocou a camada."}},{"id":"6bc30f69b7ae","number":63,"stem":44,"statement":"Data lakes são grandes armazenadores de informações, vindas de diversas fontes, na qual diversos usuários podem ter acesso para fazer a análise e coletar insights importantes para o negócio.","answer":"C","source":{"slug":"PETROBRAS_21_NS","ano":2021},"explanation":{"verdict_reason":"O item descreve o data lake pelos traços reconhecidos: repositório de grande volume, alimentado por origens diversas e aberto a vários perfis de usuário para exploração analítica. Não há restrição de formato nem exigência de estruturação prévia que pudesse contrariar o conceito.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Data lake: repositório amplo para exploração analítica","citation":null,"trap_note":"Descrição ampla do lake, sem negativa, é Certa. O erro do tópico é sempre por restrição: negar formato suportado, exigir ETL antes da carga ou reduzir o lake a um data warehouse maior."}},{"id":"5a95691c31d1","number":74,"stem":45,"statement":"Comparado ao ETL, o ELT apresenta vantagens como tempos menores de carregamento e de transformação de dados, e, consequentemente, menor custo de manutenção.","answer":"C","source":{"slug":"SEFAZ_CE_21","ano":2021},"explanation":{"verdict_reason":"No ELT o dado bruto é carregado primeiro e transformado depois, dentro do próprio destino, o que elimina a etapa intermediária de transformação antes da carga e aproveita o poder de processamento elástico do repositório analítico. Daí decorrem o carregamento mais rápido e a manutenção mais barata, já que não se mantém um servidor de transformação separado com suas rotinas. O item enuncia a vantagem reconhecida do padrão.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"ELT: carregar primeiro, transformar no destino","citation":null,"trap_note":"A ordem das letras é a resposta: em ETL transforma-se antes de carregar, em ELT carrega-se bruto e transforma-se no destino. O ELT é o padrão da era do data lake e do armazenamento elástico; o ETL é o do warehouse clássico com staging area."}},{"id":"e737b9071431","number":78,"stem":46,"statement":"Faz parte do rol de objetivos do BI permitir acesso interativo aos dados e fornecer aos analistas de negócios, por meio da manipulação desses dados, a capacidade de realizar a análise adequada.","answer":"C","source":{"slug":"SEFAZ_CE_21","ano":2021},"explanation":{"verdict_reason":"Acesso interativo aos dados e capacidade de manipulá-los para conduzir a própria análise são objetivos declarados do BI — é o que distingue a ferramenta analítica do relatório fixo. O item descreve a finalidade sem impor restrição alguma.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"BI: acesso interativo e manipulação pelo analista","citation":null,"trap_note":"Este enunciado reaparece com uma cláusula restritiva anexada (desde que não se permita a manipulação dos dados) e aí passa a ser Errado. A frase é a mesma; o que muda o gabarito é a negação da função."}},{"id":"d53e46555811","number":79,"stem":46,"statement":"Um data warehouse (DW), ainda que seja não volátil — ou seja, após os dados serem inseridos nele os usuários não podem alterá-los — é variável no tempo, pois mantém um conjunto de dados históricos que oferecem suporte à tomada de decisões.","answer":"C","source":{"slug":"SEFAZ_CE_21","ano":2021},"explanation":{"verdict_reason":"Não volatilidade e variação no tempo não se contradizem, e o item explica exatamente por quê: o dado já carregado não é alterado pelo usuário, e o warehouse cresce acumulando fotografias sucessivas que formam a série histórica. Uma propriedade fala de alteração, a outra de abrangência temporal. As duas definições estão corretas.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Não volátil e variável no tempo convivem no DW","citation":null,"trap_note":"Não volátil significa que não se altera o que já entrou, e não que o DW nunca recebe dado novo. Item que usa a não volatilidade para negar a carga periódica, ou para negar o histórico, trocou o sentido da propriedade."}},{"id":"e8e21a6dd01c","number":100,"stem":47,"statement":"Tecnologias como o IBM Watson tornam possível a geração de valor a partir de coleções de informações relativas a operações da organização, seus clientes, procedimentos internos e interações com funcionários.","answer":"C","source":{"slug":"PETROBRAS_21_NS","ano":2021},"explanation":{"verdict_reason":"Plataformas cognitivas processam grandes coleções de informação corporativa — operações, clientes, procedimentos internos, interações — e delas extraem análises que sustentam decisão, que é precisamente a geração de valor afirmada. O item usa verbo permissivo e não atribui à tecnologia nenhuma capacidade exclusiva ou absoluta.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Analytics gera valor a partir de coleções corporativas","citation":null,"trap_note":"Item que afirma que uma tecnologia torna possível algo costuma ser Certo neste tópico; o que derruba é o que afirma que ela dispensa o analista, substitui a decisão humana ou é a única capaz de fazê-lo."}},{"id":"2575779bc7b0","number":101,"stem":47,"statement":"O processo de BI se baseia na transformação de dados em informações, depois em decisões e, por fim, em ações.","answer":"C","source":{"slug":"PETROBRAS_21_NS","ano":2021},"explanation":{"verdict_reason":"Essa é a cadeia que define o BI como processo: o dado é organizado e vira informação, a informação sustenta a decisão e a decisão se converte em ação de negócio. O item apenas percorre a cadeia na ordem correta, sem inverter nenhum elo.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"BI: dado, informação, decisão e ação","citation":null,"trap_note":"A ordem da cadeia é o que a banca inverte, pondo a decisão antes da informação ou o dado como produto final. Confira a direção antes de aceitar a frase."}},{"id":"24fe1e7aa638","number":102,"stem":47,"statement":"A implementação correta dos processos de acesso a dados, federação de dados e captura de mudanças possibilita o acesso a essas informações por meio de um leque de ferramentas ETL.","answer":"C","source":{"slug":"PETROBRAS_21_NS","ano":2021},"explanation":{"verdict_reason":"Acesso a dados, federação e captura de mudanças são justamente os três modos de integração que alimentam as ferramentas de ETL: ler a fonte diretamente, consultar fontes distintas como se fossem uma só, e capturar apenas o que mudou desde a última carga. Implementados corretamente, ampliam o alcance das ferramentas sobre as origens. O item descreve a composição sem exclusividade.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Acesso, federação e CDC alimentam o ETL","citation":null,"trap_note":"Separe os modos de integração pelo que evitam: federação evita mover o dado, CDC evita recarregar tudo, o acesso direto evita a cópia intermediária. A banca troca o nome do modo e mantém a vantagem descrita."}},{"id":"f91e8fbf22ab","number":103,"stem":47,"statement":"OLAP é uma técnica de análise de dados que tem o proposito de desempenhar funções empresariais cotidianas.","answer":"E","source":{"slug":"PETROBRAS_21_NS","ano":2021},"explanation":{"verdict_reason":"Executar as funções empresariais do dia a dia — registrar venda, emitir nota, atualizar cadastro — é o papel do processamento transacional, o OLTP. O OLAP serve à análise multidimensional sobre dado histórico consolidado, com operações de agregação e mudança de perspectiva, para apoiar decisão e não para sustentar a operação. O item acerta a categoria (técnica de análise) e erra a finalidade.","distortion_type":"troca_de_termo","distorted_span":"desempenhar funções empresariais cotidianas","corrected_statement":"OLAP é uma técnica de análise de dados que tem o proposito de apoiar a tomada de decisão por meio da análise multidimensional de dados históricos.","concept":"OLAP é análise; OLTP é a operação cotidiana","citation":null,"trap_note":"As siglas diferem por uma letra e a banca explora isso: A de analítico, T de transacional. Sempre que o item ligar OLAP à rotina operacional, ou OLTP à análise histórica, trocou as siglas."}},{"id":"5203d7df8b5d","number":104,"stem":48,"statement":"Em uma aplicação OLAP, a operação de roll-up consiste em passar os dados com detalhamento maior para um detalhamento menor.","answer":"C","source":{"slug":"PETROBRAS_21_NS","ano":2021},"explanation":{"verdict_reason":"Roll-up (ou drill up) sobe na hierarquia da dimensão e agrega: de dia para mês, de município para estado. O resultado é menos detalhe e mais síntese, que é o movimento descrito. O sentido oposto, de menos para mais detalhe, é o drill down.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Roll-up agrega: mais detalhe para menos detalhe","citation":null,"trap_note":"Guarde as operações OLAP pelo que mudam: drill down e roll-up mudam o nível de detalhe na hierarquia; slice fixa um valor em uma dimensão; dice restringe faixas em várias; pivot gira os eixos. A troca entre drill down e roll-up é a mais explorada."}},{"id":"15648b1c3ed4","number":104,"stem":47,"statement":"DW representa um sistema que fornece armazenamento para dados que serão usados para análise, possibilitando embasar e agilizar tomadas de decisões.","answer":"C","source":{"slug":"PETROBRAS_21_NS","ano":2021},"explanation":{"verdict_reason":"A finalidade do data warehouse é exatamente essa: concentrar dados destinados à análise, de modo a embasar e acelerar a tomada de decisão. O item enuncia a função do repositório sem lhe atribuir papel operacional nem prometer exclusividade.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"DW armazena dados para análise e apoio à decisão","citation":null,"trap_note":"Definição funcional do DW, sem restrição, é Certa. O que derruba é a frase que lhe acrescenta suporte à operação diária ou que o confunde com a ferramenta de análise que o consome."}},{"id":"777b9244e470","number":105,"stem":48,"statement":"Em um data warehouse, as tabelas contendo dados multidimensionais são denominadas tabelas de fatos; normalmente, elas são muitos grandes.","answer":"C","source":{"slug":"PETROBRAS_21_NS","ano":2021},"explanation":{"verdict_reason":"A tabela de fatos guarda as medidas do processo de negócio e as chaves que a ligam às dimensões, acumulando uma linha por evento; por isso cresce na ordem do volume transacional e é, de longe, a maior tabela do esquema. As tabelas de dimensão, em contraste, são largas mas curtas. O item afirma as duas coisas corretamente.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Tabela de fatos guarda as medidas e é a maior do esquema","citation":null,"trap_note":"Fato é numérico, longo e aditivo; dimensão é textual, descritiva e curta. Item que põe o atributo descritivo no fato, ou a medida na dimensão, inverteu os papéis do esquema."}},{"id":"104c5a62dfb8","number":66,"stem":49,"statement":"Normalmente, todas as soluções de data warehouse são iguais em relação a seus dados, mas nem todas são caracterizadas por componentes padronizados, vitais para a exibição de dados.","answer":"E","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"A relação verdadeira é a oposta em ambas as metades: os dados de cada solução de data warehouse são próprios do negócio e por isso diferentes entre organizações, enquanto os componentes da arquitetura — área de estágio, repositório, data marts, camada de apresentação — são padronizados e se repetem em toda solução. O item troca a parte que varia pela parte que se mantém.","distortion_type":"inversao","distorted_span":"todas as soluções de data warehouse são iguais em relação a seus dados, mas nem todas são caracterizadas por componentes padronizados","corrected_statement":"Normalmente, nem todas as soluções de data warehouse são iguais em relação a seus dados, mas todas são caracterizadas por componentes padronizados, vitais para a exibição de dados.","concept":"Dados variam por organização; componentes da arquitetura de DW são padronizados","citation":null,"trap_note":"Quando o item traz duas metades ligadas por mas, teste se a banca não apenas as trocou de lugar. Vale a pergunta: o que de fato varia de empresa para empresa é o conteúdo ou a estrutura? Em arquitetura, a estrutura é a parte padronizada."}},{"id":"6f9f1cd9d0ad","number":67,"stem":49,"statement":"Aplicativos de data warehouse são projetados para oferecer suporte aos requisitos de dados do usuário.","answer":"C","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"A afirmação é uma descrição de finalidade, sem restrição: aplicações de data warehouse são construídas a partir dos requisitos de informação do usuário de negócio, e é dessa necessidade analítica que saem os assuntos, a granularidade e as dimensões do projeto. Nada é negado nem tornado exclusivo.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"O projeto de DW parte dos requisitos de dados do usuário","citation":null,"trap_note":"Enunciados genéricos e permissivos sobre finalidade quase sempre são certos neste assunto. Desconfie apenas quando o item acrescentar como é feito — frequência de carga, formato dos dados, acesso direto à produção —, pois é aí que a banca insere o defeito."}},{"id":"9a725f61fa07","number":68,"stem":49,"statement":"Em sistemas de produção, um banco de dados de data warehouse é constantemente atualizado a partir dos sistemas de fontes de dados, em horário comercial, em tempo real e com queries diretas aos bancos em produção.","answer":"E","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"A carga de um data warehouse é periódica e em lote, executada em janelas de baixa demanda e mediada por uma área de estágio, exatamente para não competir com os sistemas de produção nem comprometer a não volatilidade do repositório. O item descreve o regime oposto: atualização constante, em horário comercial, em tempo real e com consultas diretas às bases transacionais.","distortion_type":"inversao","distorted_span":"constantemente atualizado a partir dos sistemas de fontes de dados, em horário comercial, em tempo real e com queries diretas aos bancos em produção","corrected_statement":"Em sistemas de produção, um banco de dados de data warehouse é atualizado periodicamente a partir dos sistemas de fontes de dados, em cargas em lote realizadas em janelas de baixa demanda e intermediadas por uma área de estágio, evitando queries diretas aos bancos em produção.","concept":"Carga do DW é em lote e em janela; não é atualização em tempo real sobre a produção","citation":null,"trap_note":"Tempo real, horário comercial e acesso direto à base transacional são as três marcas do OLTP. Sempre que aparecerem descrevendo o data warehouse, o item está a serviço da armadilha: o DW é não volátil e carregado em lote."}},{"id":"e6b31a39d7ef","number":72,"stem":50,"statement":"Transformação é o processo de gravar os dados no banco de dados de destino.","answer":"E","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"Gravar os dados no banco de destino é a etapa de carga (load), a última das três. A transformação é a etapa intermediária: limpeza, padronização, conversão de formatos, derivação, junção e agregação, tudo antes de o dado chegar ao destino. O item aplica a definição de uma etapa ao nome de outra.","distortion_type":"troca_de_termo","distorted_span":"Transformação é o processo de gravar os dados","corrected_statement":"Carga é o processo de gravar os dados no banco de dados de destino.","concept":"ETL: extração lê da origem, transformação trata, carga grava no destino","citation":null,"trap_note":"Em item de ETL, decore a fronteira pelo verbo: ler ou capturar é extração; limpar, converter, derivar ou juntar é transformação; gravar ou inserir no destino é carga. A banca quase sempre mantém a definição correta e apenas troca o rótulo da etapa."}},{"id":"01e244d4eaa9","number":73,"stem":50,"statement":"A extração converte registros de seu formato de origem operacional em um formato específico de data warehouse.","answer":"E","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"Converter o registro do formato operacional de origem para o formato exigido pelo data warehouse é transformação. A extração apenas obtém o dado do sistema de origem, tal como ele está, para uso posterior — é o que o item seguinte do mesmo bloco enuncia corretamente. Novamente a definição está certa e o nome da etapa é que foi trocado.","distortion_type":"troca_de_termo","distorted_span":"A extração converte registros","corrected_statement":"A transformação converte registros de seu formato de origem operacional em um formato específico de data warehouse.","concept":"Converter formato é transformação, não extração","citation":null,"trap_note":"Quando dois itens do mesmo bloco descrevem etapas do ETL, compare-os entre si: a banca costuma enunciar uma etapa corretamente e usar a mesma definição, com outro rótulo, no item vizinho. O par revela qual deles é o falso."}},{"id":"22df7b4e013b","number":74,"stem":50,"statement":"Extração pode ser definida como a operação de extrair informações de um sistema de origem para uso posterior em um ambiente de data warehouse.","answer":"C","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"É a definição direta da primeira etapa do ETL: obter informações do sistema de origem para uso posterior no ambiente de data warehouse. Não há conversão de formato nem gravação no destino atribuídas a ela, que são transformação e carga. O item delimita a etapa exatamente onde ela termina.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Extração: obter o dado da origem para uso posterior no DW","citation":null,"trap_note":"A extração é a etapa mais fácil de reconhecer porque não trata nem grava: ela só busca. Se o enunciado de extração mencionar regra de negócio, conversão ou destino, o rótulo está errado."}},{"id":"57d484b29020","number":93,"stem":51,"statement":"A etapa de estratificação da técnica de árvore de decisão é responsável por determinar as regras para a designação dos casos identificados a uma categoria existente mais adequada no data mining.","answer":"C","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"A árvore de decisão opera por estratificações sucessivas do conjunto de dados: cada nó parte os casos segundo o valor de um atributo, e o caminho da raiz até a folha é precisamente a regra que designa o caso a uma das categorias já existentes. É a tarefa de classificação, em que as classes são conhecidas de antemão. O item descreve essa etapa sem lhe acrescentar exclusividade.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Árvore de decisão: estratificação sucessiva gera as regras de classificação","citation":null,"trap_note":"Classificação e agrupamento se distinguem pela existência prévia das classes: árvore de decisão designa o caso a uma categoria que já existe; análise de cluster descobre os grupos. Item que atribui à árvore a descoberta dos grupos, ou ao cluster o uso de classes predefinidas, está trocado."}},{"id":"53644078fb03","number":94,"stem":51,"statement":"Um ambiente de data warehouse permite acessos simultâneos ao mesmo registro, para consulta e(ou) atualização, sem a preocupação com bloqueios de deadlock.","answer":"C","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"O data warehouse não sofre atualização transacional registro a registro pelos usuários: os dados entram em cargas em lote e depois são apenas lidos. Sem concorrência por bloqueios de escrita, desaparece o controle de concorrência típico do OLTP, com travamento em nível de registro e risco de deadlock. Por isso o acesso simultâneo ao mesmo registro não é problema no ambiente analítico.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Não volatilidade elimina o controle de concorrência e o deadlock no DW","citation":"Inmon, Building the Data Warehouse","trap_note":"Muita propriedade do DW é consequência da não volatilidade: ausência de bloqueio de registro, de integridade transacional e de deadlock. Quando o item afirmar alguma dessas ausências no DW, ela costuma ser verdadeira; quando afirmar a presença delas, desconfie."}},{"id":"6eecbfc03a62","number":95,"stem":51,"statement":"A análise de data mining por padrão sequencial visa à identificação de fatos que geram outros fatos, sempre ocorrendo causa e consequência em momentos adjacentes.","answer":"E","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"A análise por padrões sequenciais identifica eventos que se sucedem no tempo com frequência relevante, mas não exige adjacência entre eles nem afirma causalidade: entre a primeira e a segunda ocorrência pode haver intervalo e outros eventos. O advérbio sempre e a exigência de momentos adjacentes transformam uma associação temporal em lei causal imediata.","distortion_type":"generalizacao","distorted_span":"sempre ocorrendo causa e consequência em momentos adjacentes","corrected_statement":"A análise de data mining por padrão sequencial visa à identificação de fatos que antecedem outros fatos, não sendo necessário que ocorram em momentos adjacentes.","concept":"Padrão sequencial indica sucessão temporal, não causalidade adjacente","citation":null,"trap_note":"Mineração encontra correlação e sucessão, nunca causa. Todo item que converte padrão em causa, ou que exige adjacência, simultaneidade ou obrigatoriedade, extrapola o que a técnica entrega."}},{"id":"870d075e2c11","number":123,"stem":52,"statement":"No ambiente de data warehouse a atualização de dados em uma arquitetura controlada por destino ocorre quando o data warehouse envia periodicamente solicitações por novos dados às fontes.","answer":"C","source":{"slug":"TCE_RJ_20","ano":2020},"explanation":{"verdict_reason":"Na arquitetura controlada por destino quem toma a iniciativa é o data warehouse: ele consulta periodicamente as fontes em busca de dados novos. Na controlada por origem é o sistema-fonte que notifica ou envia a alteração assim que ela ocorre. O item descreve a primeira, e o verbo está do lado certo.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Atualização controlada por destino: o DW solicita","citation":null,"trap_note":"Em toda arquitetura de atualização, identifique quem inicia: destino que puxa ou origem que empurra. A banca inverte a iniciativa e mantém a periodicidade, que é a metade correta da frase."}},{"id":"39e32392130f","number":59,"stem":53,"statement":"Big Data pode ser definido como um grande data warehouse, com processos de business intelligence atuando em múltiplos data sets com terabytes de dados.","answer":"C","source":{"slug":"FUB_19","ano":2019},"explanation":{"verdict_reason":"O item usa o verbo permissivo pode ser definido e apresenta uma das caracterizações correntes na literatura, que descreve big data pelo conjunto de repositórios analíticos de grande volume sobre os quais atuam processos de business intelligence. Nada ali é negado nem restringido: não se afirma que big data seja apenas isso, nem que se limite a dados estruturados. Descrição admissível do fenômeno, sem exclusividade, é aceita pela banca.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Big data caracterizado por volume e múltiplos data sets","citation":null,"trap_note":"Neste tópico o item que apenas descreve, com pode ser definido como, costuma ser Certo; o que derruba é o item que reduz big data a uma única dimensão (apenas volume, somente dados não estruturados) ou que nega uma função do repositório."}},{"id":"d71330589371","number":65,"stem":54,"statement":"Na transformação pesquisa difusa, a limpeza de dados utiliza técnicas de álgebra fuzzy para a localização de informações em data warehouse.","answer":"E","source":{"slug":"FUB_19","ano":2019},"explanation":{"verdict_reason":"A transformação de pesquisa difusa (fuzzy lookup) faz correspondência aproximada de cadeias de caracteres: compara o registro de entrada com uma tabela de referência por medidas de similaridade e limiar de distância, para casar grafias divergentes do mesmo dado. Isso não é álgebra fuzzy nem lógica nebulosa, que operam com graus de pertinência a conjuntos. O nome difusa remete à tolerância a erro na comparação de texto, não ao aparato matemático citado.","distortion_type":"troca_de_termo","distorted_span":"técnicas de álgebra fuzzy","corrected_statement":"Na transformação pesquisa difusa, a limpeza de dados utiliza técnicas de correspondência aproximada de cadeias de caracteres para a localização de informações em data warehouse.","concept":"Pesquisa difusa é correspondência aproximada de texto","citation":null,"trap_note":"Quando o item explica um nome pelo que ele parece significar — difusa virando lógica fuzzy, dimensional virando multidimensional — desconfie: a banca troca o fundamento técnico e mantém o resto da frase intacto."}},{"id":"e5b4faa7fbfb","number":93,"stem":55,"statement":"Chamados de data mart, os servidores de apresentação de data warehouse permitem consultas.","answer":"C","source":{"slug":"TJ_AM_19_SERVIDOR","ano":2019},"explanation":{"verdict_reason":"Na arquitetura dimensional o servidor de apresentação é a camada em que o dado já tratado fica disponível para consulta direta do usuário, e é essa camada que recebe o nome de data mart. O item apenas nomeia o componente e afirma a sua função: permitir consultas. Descrição fiel da terminologia consagrada.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Data mart é o servidor de apresentação do data warehouse","citation":null,"trap_note":"Guardar a cadeia: fontes, área de preparação (staging), servidor de apresentação (data mart), ferramenta de consulta. Item que põe o usuário consultando a staging area, ou que chama de data mart a área de preparação, trocou a camada."}},{"id":"1280ab73b786","number":94,"stem":55,"statement":"A técnica machine learning pode ser utilizada para apoiar um processo de data mining.","answer":"C","source":{"slug":"TJ_AM_19_SERVIDOR","ano":2019},"explanation":{"verdict_reason":"Mineração de dados é a etapa de descoberta de padrões dentro do processo de descoberta de conhecimento, e os algoritmos que executam essa descoberta — classificação, regressão, agrupamento — são justamente algoritmos de aprendizado de máquina. O item usa o verbo permissivo pode ser utilizada, sem afirmar exclusividade nem confundir as duas noções.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Aprendizado de máquina apoia a mineração de dados","citation":null,"trap_note":"Item que apenas afirma que uma técnica pode apoiar outra costuma ser Certo. O que derruba é o item que iguala as duas (mineração é o mesmo que aprendizado de máquina) ou que restringe uma delas a um único uso."}},{"id":"a8965fe35c0f","number":69,"stem":56,"statement":"Usualmente, os data warehouses dão apoio a análises de série temporal e de tendências, as quais requerem maior volume de dados históricos do que os que geralmente são mantidos em bancos de dados transacionais.","answer":"C","source":{"slug":"EBSERH_18_ADMINISTRATIVO","ano":2018},"explanation":{"verdict_reason":"A variação no tempo é o atributo que separa o data warehouse do banco transacional: o DW guarda séries longas para permitir análise de tendência e de série temporal, enquanto o sistema transacional mantém sobretudo o estado corrente e arquiva ou descarta o histórico. O advérbio usualmente ainda evita qualquer absoluto.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"DW é variante no tempo e guarda mais histórico que o banco transacional","citation":null,"trap_note":"Horizonte temporal é o eixo mais rentável deste assunto: DW pensa em anos, OLTP pensa no agora. Item que aproxima o DW do presente costuma ser errado; item que o afasta para o histórico costuma ser certo."}},{"id":"bd6e33c9453d","number":74,"stem":57,"statement":"O processo de mineração de dados está intrinsecamente ligado às dimensões e a fato, tendo em vista que, para a obtenção de padrões úteis e relevantes, é necessário que esse processo seja executado dentro dos data warehouses.","answer":"E","source":{"slug":"STJ_18","ano":2018},"explanation":{"verdict_reason":"A mineração de dados opera sobre qualquer conjunto de dados suficientemente preparado — bases transacionais, arquivos, data lakes, amostras extraídas — e não depende do modelo dimensional. O data warehouse facilita a tarefa por já entregar dados integrados, limpos e históricos, mas não é condição necessária. A exigência afirmada no item é que o torna errado.","distortion_type":"generalizacao","distorted_span":"é necessário que esse processo seja executado dentro dos data warehouses","corrected_statement":"O processo de mineração de dados é favorecido pelos dados integrados e históricos do data warehouse, mas não é necessário que esse processo seja executado dentro dos data warehouses.","concept":"Data mining não exige data warehouse nem modelo dimensional","citation":null,"trap_note":"Facilita não é o mesmo que exige. Quando o item converte uma conveniência arquitetural em requisito — só funciona dentro do DW, só é possível com modelo dimensional —, a conversão é a armadilha."}},{"id":"7aedd5deae1f","number":111,"stem":58,"statement":"O data warehouse tem como finalidade a apresentação das informações necessárias para a identificação de indicadores e da evolução de valores ao longo de uma grande janela de tempo.","answer":"C","source":{"slug":"STJ_18","ano":2018},"explanation":{"verdict_reason":"A finalidade do data warehouse é analítica e histórica: apurar indicadores e acompanhar a evolução de valores ao longo de um horizonte temporal extenso, o que decorre diretamente da variação no tempo. O item enuncia essa finalidade sem restringi-la nem negá-la.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"O DW serve a indicadores e à evolução de valores em janela temporal longa","citation":null,"trap_note":"Grande janela de tempo é marca de item certo em data warehouse; período corrente, mês atual e tempo real são marcas de item errado. O horizonte temporal, sozinho, decide boa parte do assunto."}},{"id":"7b21a1030ca6","number":112,"stem":58,"statement":"O investimento para empreendimentos que considerem o mês corrente ou um período atual em que haja rastreabilidade dos dados lá armazenados é o mais apropriado para a realização de um projeto de data warehouse.","answer":"E","source":{"slug":"STJ_18","ano":2018},"explanation":{"verdict_reason":"Um projeto de data warehouse se justifica quando há necessidade de análise histórica em série longa, com comparação entre períodos e identificação de tendências. Empreendimentos limitados ao mês corrente ou ao período atual são atendidos pelos próprios sistemas transacionais e pelos relatórios operacionais, sem exigir o repositório analítico. O item elege como mais apropriado exatamente o cenário que dispensa o DW.","distortion_type":"troca_de_termo","distorted_span":"o mês corrente ou um período atual","corrected_statement":"O investimento para empreendimentos que considerem uma grande janela de tempo em que haja rastreabilidade dos dados lá armazenados é o mais apropriado para a realização de um projeto de data warehouse.","concept":"O DW se justifica por histórico longo, não por dado corrente","citation":null,"trap_note":"Este item é o par invertido do anterior no mesmo bloco: a banca afirma a finalidade certa em um e encolhe a janela temporal no outro. Ao julgar dois itens seguidos sobre o mesmo componente, compare-os antes de decidir cada um."}},{"id":"7919fd8c3835","number":114,"stem":59,"statement":"Módulo de conhecimento é um modelo de código que define os tipos de scripts SQL de consultas que precisam ser gerados para que se completem a extração de dados, o carregamento e as operações de transformação.","answer":"C","source":{"slug":"STJ_18","ano":2018},"explanation":{"verdict_reason":"No Oracle Data Integrator, o módulo de conhecimento é um modelo de código reutilizável e parametrizado: a partir dele a ferramenta gera os scripts SQL específicos de cada tecnologia para realizar carregamento, integração, engenharia reversa e verificação. O item descreve exatamente essa função de gabarito de código para as operações de extração, carga e transformação.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Módulo de conhecimento do ODI: modelo de código que gera os scripts da integração","citation":"Oracle Data Integrator — Knowledge Modules","trap_note":"O ODI trabalha por carga e depois transformação no próprio banco de destino, isto é, na lógica do ELT, e não com um servidor de transformação à parte. Guarde o par: ETL transforma no caminho, em motor próprio; ELT carrega primeiro e transforma no destino, usando o poder do banco."}},{"id":"ac18a5d9f596","number":75,"stem":39,"statement":"Business intelligence pode ser definido como um processo inteligente de coleta, organização, análise, compartilhamento e monitoração de dados que, depois de processados, geram informações para o suporte e para a tomada de decisões no ambiente de negócios.","answer":"C","source":{"slug":"PREF_JP_17_CGM","ano":2017},"explanation":{"verdict_reason":"A definição corrente de business intelligence é a de um processo que coleta, organiza, analisa, compartilha e monitora dados para convertê-los em informação de apoio à decisão do negócio. O item percorre essa cadeia na ordem e não atribui ao BI capacidade de decidir por conta própria.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"BI é processo de coleta, análise e apoio à decisão","citation":null,"trap_note":"Definições amplas de BI, com verbo de apoio, são Certas. O que derruba é o item que estreita o conceito a uma ferramenta única, ou que faz o BI decidir em lugar do gestor."}},{"id":"1bc1077d03e3","number":78,"stem":60,"statement":"Uma ferramenta de ETL deve ser capaz de extrair dados de fontes heterogêneas, copiá-los para uma área de transição, onde possam ser convertidos conforme o padrão estabelecido, e, ainda, realizar limpeza e correção nesses dados, de acordo com regras preestabelecidas.","answer":"C","source":{"slug":"PREF_JP_17_CGM","ano":2017},"explanation":{"verdict_reason":"O item percorre o ETL na ordem certa: extrair de fontes heterogêneas, copiar para uma área de transição, converter ao padrão estabelecido e limpar e corrigir segundo regras previamente definidas. Cada verbo está na etapa a que pertence, e a área de transição é a staging area.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Ferramenta de ETL: extrair, transitar, padronizar e limpar","citation":null,"trap_note":"Quando o item lista as etapas do ETL em sequência, confira a posição da área de transição: ela vem depois da extração e antes da carga. Item que a põe depois do data warehouse inverteu o fluxo."}},{"id":"929cb520042c","number":62,"stem":61,"statement":"CRISP-DM é uma metodologia proprietária que identifica as fases Business Understanding e Data Understanding na implantação de um projeto de data mining.","answer":"E","source":{"slug":"TCE_PA_16","ano":2016},"explanation":{"verdict_reason":"As fases citadas são de fato as duas primeiras do CRISP-DM, mas o modelo é aberto, público e independente de fornecedor e de ferramenta, resultado de um consórcio industrial e disponível livremente. Chamá-lo de proprietário é o único defeito do item, e basta para torná-lo errado.","distortion_type":"troca_de_termo","distorted_span":"metodologia proprietária","corrected_statement":"CRISP-DM é uma metodologia aberta e não proprietária que identifica as fases Business Understanding e Data Understanding na implantação de um projeto de data mining.","concept":"CRISP-DM é modelo de processo aberto e independente de ferramenta","citation":null,"trap_note":"Quando o item acerta o conteúdo técnico e erra um só qualificador — proprietário, obrigatório, exclusivo de determinado fabricante —, o qualificador é o alvo. Leia o adjetivo com a mesma atenção que se lê o substantivo."}},{"id":"57b67febfcbf","number":75,"stem":62,"statement":"O uso de banco de dados normalizado para o processamento de ETL exige, em alguns casos, maior esforço e investimento para a disponibilização dos dados em um modelo dimensional.","answer":"C","source":{"slug":"FUNPRESP_16_JUD","ano":2016},"explanation":{"verdict_reason":"Partir de uma base normalizada significa manter os dados espalhados por muitas tabelas em terceira forma normal, e entregá-los em modelo dimensional exige junções, desnormalização, montagem de tabelas de dimensão e de fato. Esse trabalho adicional é justamente o custo da abordagem que constrói primeiro o repositório corporativo normalizado e só depois os data marts dimensionais. A ressalva em alguns casos ainda evita qualquer absoluto.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Base normalizada (3FN) exige esforço extra para entregar o modelo dimensional","citation":null,"trap_note":"Este é o eixo Inmon × Kimball: repositório corporativo normalizado, com data marts derivados depois, contra data marts dimensionais construídos diretamente. Cada escolha tem um custo — integração cara e entrega lenta de um lado, integração dependente do barramento de dimensões conformadas do outro."}},{"id":"5e3477d00985","number":103,"stem":63,"statement":"Data warehouse é um repositório de dados dinâmico, que sofre alterações frequentes, de modo a permitir que sejam feitas consultas em base de dados constantemente atualizada.","answer":"E","source":{"slug":"TCE_PA_16","ano":2016},"explanation":{"verdict_reason":"A não volatilidade é característica definidora do data warehouse: os dados entram por carga periódica e depois permanecem estáveis, sem alteração de rotina, para que a mesma consulta produza sempre o mesmo resultado e a comparação histórica se mantenha válida. O item descreve um repositório dinâmico e constantemente atualizado, que é o banco transacional.","distortion_type":"inversao","distorted_span":"repositório de dados dinâmico, que sofre alterações frequentes","corrected_statement":"Data warehouse é um repositório de dados não volátil, que não sofre alterações frequentes, sendo atualizado por cargas periódicas.","concept":"Não volatilidade: o DW é estável entre cargas","citation":"Inmon, Building the Data Warehouse","trap_note":"Este é o item mais repetido do assunto e sempre na mesma forma: atribuir ao data warehouse a atualização constante do OLTP. Ao ler dinâmico, volátil, em tempo real ou constantemente atualizado junto de data warehouse, o gabarito tende a ser errado."}},{"id":"84ca3a0bc6c5","number":104,"stem":63,"statement":"No contexto de data mining, o processo de descoberta de conhecimento em base de dados consiste na extração não trivial de conhecimento previamente desconhecido e potencialmente útil.","answer":"C","source":{"slug":"TCE_PA_16","ano":2016},"explanation":{"verdict_reason":"É a definição consagrada de descoberta de conhecimento em bases de dados: extração não trivial de conhecimento antes desconhecido, implícito nos dados e potencialmente útil. Cada qualificador tem função — não trivial exclui a simples consulta, previamente desconhecido exclui a confirmação de hipótese e potencialmente útil exige relevância para o negócio.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"KDD: extração não trivial de conhecimento antes desconhecido e potencialmente útil","citation":null,"trap_note":"Esta definição é citada quase literalmente pela banca e costuma vir certa. Quando houver alteração, ela recai em um dos qualificadores: trocar não trivial por trivial, ou previamente desconhecido por previamente definido."}},{"id":"26482d414c23","number":118,"stem":64,"statement":"Comparados aos bancos de dados transacionais, os data warehouses são mais voláteis porque, para que se mantenham consistentes, são atualizados em tempo real a cada atualização que ocorrer em qualquer uma das bases originais de dados que o componham.","answer":"E","source":{"slug":"SEE_16_DF","ano":2016},"explanation":{"verdict_reason":"Não volatilidade é uma das quatro propriedades que definem o data warehouse: o dado entra por carga programada e não é alterado nem apagado pelo usuário, de modo que a mesma consulta devolve o mesmo resultado amanhã. Volátil é a base transacional, que muda a cada operação. O item inverte a comparação e ainda inventa uma atualização em tempo real a cada mudança nas origens, que é o oposto do regime de carga do warehouse.","distortion_type":"inversao","distorted_span":"os data warehouses são mais voláteis","corrected_statement":"Comparados aos bancos de dados transacionais, os data warehouses são menos voláteis porque, uma vez carregados, seus dados não são alterados pelos usuários, sendo atualizados por cargas periódicas a partir das bases originais que o componham.","concept":"Data warehouse é não volátil; a base transacional é volátil","citation":null,"trap_note":"As quatro propriedades do DW — orientado por assunto, integrado, não volátil e variável no tempo — são o gabarito de meia dúzia de itens. Qualquer frase que ponha atualização em tempo real, alteração pelo usuário ou exclusão frequente dentro do DW já está errada."}},{"id":"42dcb01ea46b","number":119,"stem":64,"statement":"Agrupar registros em grupos, de modo que os registros em um grupo sejam semelhantes entre si e diferentes dos registros em outros grupos é uma maneira de descrever conhecimento descoberto durante processos de mineração de dados.","answer":"C","source":{"slug":"SEE_16_DF","ano":2016},"explanation":{"verdict_reason":"A descrição é a do agrupamento: formar grupos de alta similaridade interna e alta dissimilaridade entre grupos, sem classes definidas de antemão. Agrupamento é uma das tarefas descritivas reconhecidas da mineração de dados, ao lado das regras de associação. O item descreve a tarefa corretamente e a situa no processo certo.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Agrupamento é tarefa descritiva da mineração","citation":null,"trap_note":"Separe as tarefas pelo que exigem de rótulo: classificação precisa de classes predefinidas, agrupamento não tem rótulo nenhum, associação procura co-ocorrência, regressão prevê valor numérico. Quase todo item de mineração se resolve nessa separação."}}]}