Questões de Concurso Público FUNPRESP-EXE 2022 para Analista de Previdência Complementar - Área de Atuação: Comercial
Foram encontradas 120 questões
A área representada pela coluna 2 é alimentada com dados obtidos da coluna 1; ela é uma área acessível aos usuários para efetuarem suas consultas.
A área das ferramentas de acesso a dados é representada pela coluna 4; nessa área é possível que existam vários data marts integrados.
Na área representada pela coluna 4 é possível adicionar ferramentas para consultas e geração de relatórios.
A área representada pela coluna 3 suporta a apresentação de dados departamentais, de resumo e não atômicos.
A área representada pela coluna 1 suporta obtenção de dados externos ao data warehouse, mesmo que exista pouco ou nenhum controle sobre o conteúdo.
Na modelagem dimensional, a tabela fato deverá refletir o maior número de informações para os negócios, sejam números ou não.
Em uma modelagem dimensional, o campo Nomes das lojas poderá ser utilizado em uma tabela fato ou na tabela dimensão.
Chave do produto é uma chave estrangeira (FK – foreign key); é possível que exista um campo desse tipo em outra tabela, como chave primária (PK – primary key).
Uma tabela fato como a mostrada pode apresentar uma relação de muitos para muitos em modelos dimensionais.
Chave da data poderia ser alterada facilmente para uma chave primária na tabela fato de vendas.
Ao ser gerado um relatório relacionado a vendas de alguns produtos, é possível que os atributos dimensionais sejam uma fonte primária de restrição de consultas desse relatório.
Tabelas de fato são pontos de entrada para tabelas de dimensão.
Tabelas dimensão como a apresentada são consideradas complexas e assimétricas pela modelagem dimensional, do ponto de vista do usuário que consome os dados.
O tipo de tabela dimensão em tela sempre acompanha uma tabela fato.
As dimensões devem ser designadas por uma chave primária (primary key).
Na modelagem dimensional, data marts devem ser criados e utilizados para dados de resumo.
No desenvolvimento de data marts e modelos dimensionais, o escopo deve ser focado em soluções departamentais e não corporativas.
Modelos dimensionais e data marts podem ser integrados, não sendo necessário soluções isoladas uma das outras, desde que sigam a arquitetura de barramento dos data marts.
Modelos dimensionais e data marts permitem obter alta capacidade de escalonabilidade.
Modelos dimensionais e data marts são apropriados especificamente quando existe um padrão de utilização previsível.