Modelagem Dimensional

ESTÁCIO

em 06/04/2026

Conteúdos escolhidos para você

38 pág.

Arquitetura de Data Warehouse e Data Marts - Simulado

ESTÁCIO

39 pág.

Tema 03 Conceitos básicos de modelagem dimensional de dados

ESTÁCIO EAD

165 pág.

22 Noções de mineração de dados - Parte 02

IESO

Perguntas dessa disciplina

Leia o trecho a seguir. “Modelo Floco de Neve (Snow Flake Schema): Este modelo tem como prática a remoção dos atributos redundantes da tabela de dimen

Em organizações que lidam com grande volume de informações, a estruturação e o acesso eficiente aos dados são fatores importantes para a tomada de dec

UNIVESP

DESAFIO PROFISSIONAL DE BANCO DE DADOS Esta é a descrição do seu Desafio Profissional. Para que você possa desenvolver sua atividade e chegar à con...

UniCesumar

ETAPA 1 - Apresentação do Desafio Profissional. Você foi contratado recentemente como Analista de Banco de Dados pela "MedLife Clínicas", uma rede ...

UniCesumar

DESAFIO PROFISSIONAL DE BANCO DE DADOS Esta é a descrição do seu Desafio Profissional. Para que você possa desenvolver sua atividade e chegar à con...

UniCesumar

Material

Libere esse material sem enrolação!

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Libere esse material sem enrolação!

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Libere esse material sem enrolação!

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Libere esse material sem enrolação!

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Libere esse material sem enrolação!

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Libere esse material sem enrolação!

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Libere esse material sem enrolação!

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Libere esse material sem enrolação!

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Libere esse material sem enrolação!

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Libere esse material sem enrolação!

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Conteúdos escolhidos para você

38 pág.

Arquitetura de Data Warehouse e Data Marts - Simulado

ESTÁCIO

39 pág.

Tema 03 Conceitos básicos de modelagem dimensional de dados

ESTÁCIO EAD

165 pág.

22 Noções de mineração de dados - Parte 02

IESO

Perguntas dessa disciplina

Leia o trecho a seguir. “Modelo Floco de Neve (Snow Flake Schema): Este modelo tem como prática a remoção dos atributos redundantes da tabela de dimen

Em organizações que lidam com grande volume de informações, a estruturação e o acesso eficiente aos dados são fatores importantes para a tomada de dec

UNIVESP

DESAFIO PROFISSIONAL DE BANCO DE DADOS Esta é a descrição do seu Desafio Profissional. Para que você possa desenvolver sua atividade e chegar à con...

UniCesumar

ETAPA 1 - Apresentação do Desafio Profissional. Você foi contratado recentemente como Analista de Banco de Dados pela "MedLife Clínicas", uma rede ...

UniCesumar

DESAFIO PROFISSIONAL DE BANCO DE DADOS Esta é a descrição do seu Desafio Profissional. Para que você possa desenvolver sua atividade e chegar à con...

UniCesumar

Prévia do material em texto

Aula 16 (Profs. Diego
Carvalho e Emannuelle
Gouveia)
TCE-SC (Exceto cargo de TI) Informática
e Análise de Dados - 2026 (Pós-Edital)
Autor:
André Castro, Diego Carvalho,
Emannuelle Gouveia Rolim,
Equipe Exatas Estratégia
Concursos, Renato da Costa,
Rodrigo Rennó
01 de Março de 2026
07931781937 - Amanda Finck Drehmer
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
Índice
..............................................................................................................................................................................................1) Modelagem Multidimensional - Teoria 3
..............................................................................................................................................................................................2) Modelagem Multidimensional - Questões Comentadas - FGV 33
..............................................................................................................................................................................................3) Modelagem Multidimensional - Lista de Questões - FGV 50
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
2
59
Sumário
Guia de Estudos da Aula ........................................................................................................................................3
Modelagem Dimensional .......................................................................................................................................4
Conceitos Básicos ................................................................................................................................................4
Tabelas Fato e Dimensão ...................................................................................................................................7
Esquema Estrela e Flocos de Neve ................................................................................................................ 10
Esquema Estrela (Star Schema) .................................................................................................................. 10
Esquema Flocos de Neve (Snowflake Schema) ........................................................................................ 12
Esquema Constelação de Fatos (Fact Constellation Schema) ................................................................ 14
Tipos de Medidas ............................................................................................................................................. 16
Medidas/Fatos Aditivas ............................................................................................................................... 16
Medidas/Fatos Não-Aditivas ....................................................................................................................... 17
Medidas/Fatos Semi-Aditivas ...................................................................................................................... 17
Online Analytical Processing (OLAP) ............................................................................................................. 18
Classificação .................................................................................................................................................. 20
Operações OLAP .......................................................................................................................................... 24

Fala, galera! O assunto do nosso tópico é Modelagem Dimensional! Sim, existe a modelagem relacional
para bases de dados transacionais e a modelagem dimensional para bases de dados dimensionais.
Pessoal, não vou mentir para vocês! Esse é o assunto mais complexo de todas as últimas aulas. Ele exigirá
um alto nível de atenção porque são assuntos extremamente abstratos. Hora de fazer um copão de Café
+ Guaraná + Red Bull, fazer cem polichinelos e tacalhepau na aula...

PROFESSOR DIEGO CARVALHO - WWW.INSTAGRAM.COM/PROFESSORDIEGOCARVALHO

Galera, todos os tópicos da aula possuem Faixas de Incidência, que indicam se o assunto cai muito ou
pouco em prova. Diego, se cai pouco para que colocar em aula? Cair pouco não significa que não cairá
justamente na sua prova! A ideia aqui é: se você está com pouco tempo e precisa ver somente aquilo que
cai mais, você pode filtrar pelas incidências média, alta e altíssima; se você tem tempo sobrando e quer
ver tudo, vejam também as incidências baixas e baixíssimas. Fechado?

INCIDÊNCIA EM PROVA: BAIXÍSSIMA

INCIDÊNCIA EM PROVA: BAIXA

INCIDÊNCIA EM PROVA: MÉDIA

INCIDÊNCIA EM PROVA: ALTA

INCIDÊNCIA EM PROVA: ALTÍSSIMA

Além disso, essas faixas não são por banca – é baseado tanto na quantidade de vezes que caiu em prova
independentemente da banca e também em minhas avaliações sobre cada assunto...

O conteúdo de Modelagem Dimensional é complexo e abstrato, exigindo um alto nível de atenção. Eu fiz
uma análise de mais de 300 questões de concurso sobre o tema e cheguei à seguinte conclusão: quatro
tópicos da aula representam 72% das questões de prova, portanto são considerados o núcleo do que
deve ser dominado pelo aluno. São eles:

TÓPICOS ORIENTAÇÃO
TABELAS
FATO E
DIMENSÃO
Este é o tópico mais cobrado. As questões focam na função desses elementos: a tabela
fato armazena medidas quantitativas ou métricas, enquanto a tabela dimensão fornece o
contexto descritivo (atributos descritivos). É recorrente a cobrança sobre o
relacionamento de um para muitos (1:N) da dimensão para a fato.

OPERAÇÕES
OLAP
O foco principal é diferenciar as operações de navegação dentro do cubo: Drill-Down
(descer na hierarquia para aumentar o detalhe); Roll-Up (subir na hierarquia para agregar
ou resumir os dados; Slice (seleciona uma fatia única – uma dimensão é fixada); Dice (extrai
um subcubo ao selecionar duas ou mais dimensões); Pivot (mudar a perspectiva da
visualização).
ESQUEMA
ESTRELA E
FLOCOS DE NEVE
A distinção entre os modelos de modelagem é central: Esquema Estrela (Star Schema),
em que temos a Tabela Fato central, Dimensões desnormalizadas (menos joins, melhor
desempenho em consultas); e o Esquema Floco de Neve (Snowflake Schema), em que as
Dimensões são normalizadas (mais joins, economia de armazenamento e hierarquia
explícita).
CONCEITOS
BÁSICOS
DE OLAP
O foco é o papel do OLAP e sua diferença em relação ao OLTP. O OLAP é utilizado para
análise, suporte à decisão. O Cubo de Dados é a estrutura multidimensional que permite
a análise sob múltiplos enfoques. OLAP opera sobre dados históricos e é otimizado para
leitura/consulta, enquanto OLTP foca em transações atômicas e dados atuais.

Use este guia para concentrar seus esforços onde a chance de cobrança em provas é maior. A imagem
seguinte sozinha é capaz de responder dezenas de questões de prova:

André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalhoo Drill Across descrevendo-o como a
operação que permite ao usuário saltar um nível intermediário dentro de uma mesma dimensão.
Exemplo: sendo a dimensão Localização composta por Bairro, Cidade, Estado e País, o usuário poderia
saltar de bairro direto para país; ou em uma dimensão Período composto com Dia, Semana, Mês,
Trimestre e Ano, o usuário poderia pular de Mês direto para Ano.

Drill-Through

Ainda não acabou: aqui temos também uma polêmica! Na definição clássica, essa operação permite sair
da visão agregada do cubo OLAP e acessar os dados detalhados no nível transacional, normalmente
armazenados no banco relacional subjacente. Em outras palavras, o usuário parte de um total ou resumo
e “atravessa” o cubo para ver as linhas atômicas que compõem aquele valor — por exemplo, sair do total
de vendas mensais e visualizar as vendas individuais (notas, pedidos, transações) que geraram aquele
agregado. Nesse contexto, o Drill Through não navega hierarquias do cubo; ele romperia a fronteira do
cubo e vai ao detalhe relacional.

Por outro lado, as questões de concurso cobram uma definição dessa operação como aquela que permite
saltar não de uma hierarquia para outra (como no Drill Across) e, sim, de uma dimensão para outra. Em
outras palavras, imaginem duas dimensões: Tempo e Localização. De acordo com essa definição, seria
possível atravessar, por exemplo, de Mês para Cidade.

Pivot (Rotação)

Essa operação consiste em reorientar a visualização dos dados, alterando a disposição das dimensões
nos eixos da análise, sem modificar o nível de granularidade nem aplicar agregações adicionais.
Diferentemente de operações como Roll-Up ou Drill-Down, o Pivot não resume nem detalha os dados;
ele apenas troca a perspectiva analítica, permitindo que o usuário observe o mesmo conjunto de
informações sob outro ângulo. É uma operação puramente visual e analítica, muito usada para facilitar
comparações e melhorar a interpretação dos dados.

SÍNTESE DO TÓPICO

1. (FGV / MPE-RJ - 2025) Durante o processo de modelagem multidimensional, alguns analistas
criam dimensões normalizadas separadas para cada nível de uma hierarquia, como por exemplo,
uma dimensão de data, dimensão de mês, dimensão de trimestre e dimensão do ano e, em
seguida, inclui todas essas chaves estrangeiras em uma tabela de fatos. Isso resulta em uma
tabela de fatos com dezenas de dimensões hierarquicamente relacionadas. Esse tipo de
abordagem deve ser evitada pois cria tabelas de fatos denominadas de

a) Octópus.
b) Snowflake.
c) Centopeia.
d) Geográfica.
e) Constelação.

Comentários:

(a) Errado. O termo "Octópus" não é reconhecido na modelagem multidimensional e não se refere a uma
estrutura de tabelas de fatos com múltiplas dimensões hierárquicas.

(b) Errado. "Snowflake" refere-se a um esquema de banco de dados onde as dimensões são normalizadas,
mas não descreve especificamente a complexidade de uma tabela de fatos com muitas dimensões.

(c) Correto. O termo "Centopeia" é utilizado para descrever tabelas de fatos que possuem muitas
dimensões hierarquicamente relacionadas, resultando em uma estrutura complexa e difícil de gerenciar.

(d) Errado. "Geográfica" não é um termo utilizado para descrever tabelas de fatos em modelagem
multidimensional, mas sim um tipo de dimensão que pode ser utilizada em análises espaciais.

(e) Errado. "Constelação" refere-se a um esquema de modelagem onde múltiplas tabelas de fatos
compartilham dimensões, mas não se relaciona diretamente com a complexidade de uma tabela de fatos
com muitas dimensões hierárquicas.

Gabarito: Letra C

2. (FGV / MPE-RJ - 2025) Segundo Kimball, considerado um dos pais do Datawarehouse, uma tabela
de fatos é um elemento essencial na modelagem multidimensional de dados. Acerca das tabelas
de fatos, avalie as afirmativas a seguir.

II. Os tipos de medidas presentes na tabela de fatos são apenas aditivas, semi-aditivas e não
aditivas.

III. O uso de medidas com valores nulos é possível nas tabelas de fatos mas não são computáveis
por funções agregadas (SUM, COUNT, MIN, MAX e AVG) porque esses nulos causam uma violação
de integridade referencial.

Está correto o que se afirma em

a) I, apenas.
b) II, apenas.
c) III, apenas.
d) I e III, apenas.
e) II e III, apenas.

Comentários:

(I) Correto. As tabelas de fatos são, de fato, dominantes em esquemas de modelagem multidimensional,
armazenando dados históricos, mas os tipos de dados são geralmente numéricos, não string.

(II) Errado. As tabelas de fatos podem conter medidas aditivas, semi-aditivas e não aditivas, mas também
podem incluir medidas que não se encaixam nessas categorias.

(III) Errado. Embora valores nulos possam estar presentes, eles não causam violação de integridade
referencial, mas sim podem afetar os resultados das funções agregadas.

Gabarito: Letra B

3. (FGV / MPU - 2025) A analista de Business Intelligence Lúcia está elaborando o modelo
multidimensional do Data Mart Processos Judiciais (DMProcJ). Durante sua análise, ela observou
que o número do processo judicial (num_processo) não é uma métrica, mas sim um atributo
importante, pois representa o menor grão do DMProcJ e pode ser usado para navegar até o
sistema transacional de origem para analisar outras informações de um processo específico. Para
modelar o atributo num_processo, Lúcia deve implementar um(a):

a) fato não aditivo;
b) dimensão ponte;
c) operação drill across;
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
34
59
d) dimensão degenerada;
e) data mart dependente.

Comentários:

(a) Errado. Fatos não aditivos são medidas que não podem ser somadas, como contagens, mas o atributo
num_processo é uma chave de navegação, não uma métrica.

(b) Errado. Dimensões ponte são usadas para resolver muitos-para-muitos entre dimensões, o que não se
aplica ao caso do num_processo, que é um atributo singular.

(c) Errado. A operação drill across permite comparar dados de diferentes fontes, mas não se relaciona
diretamente coma modelagem do atributo num_processo.

(d) Correto. A dimensão degenerada é utilizada para armazenar atributos que não são medidas, como o
num_processo, permitindo sua utilização como chave em análises.

(e) Errado. Um data mart dependente é um subconjunto de um data warehouse, não se aplica à
modelagem de atributos como o num_processo.

Gabarito: Letra D

4. (FGV / MPU - 2025) O analista Flávio precisa analisar diversos dados contábeis do MPU sob
diferentes perspectivas ao longo do tempo para fundamentar suas perícias. Para isso, ele recorreu
ao ambiente analítico do MPU, a fim de utilizar uma ferramenta que permita realizar operações de
roll-up, drilldown, slice, dice e pivot. Para apoiar suas perícias, Flávio deve usar uma ferramenta:

a) ETL;
b) OLAP;
c) SciPy;
d) Postgres;
e) Data Lake.

Comentários:

(a) Errado. ETL (Extract, Transform, Load) é um processo de integração de dados, mas não é uma
ferramenta analítica que permite operações como roll-up e drilldown.

(b) Correto. OLAP (Online Analytical Processing) é uma tecnologia que permite a análise multidimensional
de dados, possibilitando operações como roll-up, drilldown, slice, dice e pivot, essenciais para análises
contábeis.

(d) Errado. Postgres é um sistema de gerenciamento de banco de dados relacional, que pode armazenar
dados, mas não é uma ferramenta analítica que suporte operações OLAP diretamente.

(e) Errado. Data Lake é uma arquitetura de armazenamento de dados que permite armazenar grandes
volumes de dados em seu formato bruto, mas não é uma ferramenta analítica para operações como roll-up
e drilldown.

Gabarito: Letra B

5. (FGV / TCE-RR - 2025) Você, como analista de dados do TCE-RR, pode ser incumbido de utilizar
um cubo OLAP para avaliar as auditorias do tribunal pelas dimensões cidade, tempo e custo.
Considere que a análise possua a seguinte cadeia de ações: filtro para apenas considerar o último
ano, detalhamento de ano para mês e agregação de mês para trimestre. A sequência de ações
OLAP será:

a) Slice, Drill Down e Roll Up.
b) Slice Down, Roll Across e Drill Up.
c) Slice, Dice e Roll Up.
d) Dice, Drill Down e Roll Up.
e) Dice, Drill Through e Drill Across.

Comentários:

(a) Correto. A sequência de ações OLAP descrita está correta: "Slice" para filtrar dados, "Drill Down" para
detalhar de ano para mês e "Roll Up" para agregar de mês para trimestre.

(b) Errado. "Slice Down" e "Roll Across" não são terminologias padrão em OLAP; o correto seria "Drill
Down" e "Roll Up".

(c) Errado. Embora "Slice" e "Roll Up" estejam corretos, "Dice" não se aplica na sequência apresentada, pois
não é mencionado o recorte de dados em múltiplas dimensões.

(d) Errado. "Dice" não é a ação correta para a sequência, e "Drill Down" e "Roll Up" estão fora de ordem na
descrição da análise.

(e) Errado. "Drill Through" e "Drill Across" não são ações que se aplicam na sequência apresentada, que
requer "Drill Down" e "Roll Up".

Gabarito: Letra A
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
36
59
==2f4e8==

6. (FGV / DATAPREV - 2024) Uma empresa de varejo deseja analisar suas vendas de forma mais
estratégica, buscando identificar tendências, sazonalidades e oportunidades de melhoria. Para
isso, decidiram implementar um sistema de OLAP (Online Analytical Processing) que permita a
análise multidimensional de seus dados de vendas, armazenados em um Data Warehouse.
Considere as seguintes afirmativas sobre OLAP (Online Analytical Processing) nesse contexto:

I. OLAP permite a análise multidimensional de grandes volumes de dados, possibilitando a
exploração de informações sob diferentes perspectivas, como tempo, produto e região.

II. As operações de OLAP incluem slice (fatiar), dice (cortar em cubos), drill-down (detalhar) e roll-
up (agregar), que permitem navegar pelos dados em diferentes níveis de granularidade.

III. OLAP é utilizado principalmente para processar transações em tempo real, como vendas e
pagamentos, garantindo a consistência dos dados.

IV. O Data Warehouse é um componente essencial para o OLAP, pois armazena os dados
históricos de forma integrada e estruturada, facilitando a análise multidimensional.

Está correto o que se afirma em

a) I, apenas.
b) II, apenas.
c) I e II, apenas.
d) I, II e IV, apenas.
e) I, II, III e IV.

Comentários:

(I) Correto. OLAP realmente permite a análise multidimensional, possibilitando a exploração de dados sob
diversas perspectivas, como tempo, produto e região, essencial para a tomada de decisões estratégicas.

(II) Correto. As operações de OLAP, como slice, dice, drill-down e roll-up, são fundamentais para a
navegação e análise dos dados em diferentes níveis de granularidade, permitindo insights mais profundos.

(III) Errado. OLAP não é voltado para o processamento de transações em tempo real, mas sim para análise
de dados históricos, enquanto sistemas OLTP (Online Transaction Processing) são utilizados para
transações em tempo real.

(IV) Correto. O Data Warehouse é crucial para o OLAP, pois armazena dados históricos de forma integrada
e estruturada, facilitando a análise multidimensional e a geração de relatórios.

7. (FGV / TRF - 1ª REGIÃO - 2024) Em um ambiente de Business Intelligence, Júlio implementou uma
ferramenta OLAP para apoiar a análise de dados do Data Mart do TRF1. Uma das consultas mais
realizadas é o total de processos por tipo e por data. A operação OLAP que permite a geração de
um subcubo é a:

a) slice
b) dice
c) drill up
d) rotate
e) pivot

Comentários:

(a) Errado. A operação "slice" refere-se à seleção de uma única dimensão de um cubo, resultando em uma
nova tabela, mas não gera um subcubo.

(b) Correto. A operação "dice" permite a seleção de múltiplas dimensões de um cubo, resultando em um
subcubo que contém um conjunto específico de dados, ideal para análises detalhadas.

(c) Errado. "Drill up" é uma operação que reduz a granularidade dos dados, agregando informações, mas
não cria um subcubo.

(d) Errado. "Rotate" não é uma operação padrão em OLAP; geralmente refere-se à reorientação de dados,
mas não gera subcubos.

(e) Errado. "Pivot" refere-se à reorganização dos dados em uma tabela, mas não resulta na criação de um
subcubo.

Gabarito: Letra B

8. (FGV / EPE - 2024) A produção e a disseminação de dados corporativos cresceram muito
rapidamente, o que requer tecnologias de função analítica adequadas ao volume de dados
envolvidos, visando extrair informações úteis e viabilizar a criação de relatórios analíticos. As
tecnologias descritas recebem, na literatura, o nome de

a) Big Data.
b) Data Warehouse.
c) Map Reduce.
d) OnlineAnalytical Processing (OLAP).
e) Online Transaction Processing (OLTP).
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
38
59

Comentários:

(a) Errado. Big Data refere-se ao conjunto de tecnologias e práticas para lidar com grandes volumes de
dados, mas não se concentra especificamente em análises e relatórios.

(b) Errado. Data Warehouse é um repositório de dados estruturados para análise, mas não é uma
tecnologia analítica em si, e sim um sistema que armazena dados para análises posteriores.

(c) Errado. Map Reduce é um modelo de programação para processamento de grandes volumes de dados,
mas não é uma tecnologia analítica voltada para relatórios.

(d) Correto. Online Analytical Processing (OLAP) é uma tecnologia analítica que permite a análise
multidimensional de dados, facilitando a criação de relatórios e extração de informações úteis.

(e) Errado. Online Transaction Processing (OLTP) é um sistema de processamento de transações em tempo
real, focado em operações do dia a dia, não em análises e relatórios.

Gabarito: Letra D

9. (FGV / AL-TO - 2024) A implementação de sistemas OLAP (On Line Analytical Processing) pode
utilizar alguma opção tecnológica tal como ROLAP, MOLAP, entre outras. Assinale a opção que
descreve corretamente uma característica do ROLAP (Relational OLAP).

a) armazena os dados em arquivos de texto simples, com manipulação ágil e eficiente dos dados.
b) armazena os dados em cubos multidimensionais pré-calculados para consultas rápidas.
c) armazena os dados em um banco de dados relacional, aproveitando o poder das consultas SQL para
análises.
d) otimiza consultas em tempo real, armazenando os dados em cubos multidimensionais pré-
calculados.
e) requer a criação de uma estrutura de dados hierárquica multinível para armazenar os dados.

Comentários:

(a) Errado. ROLAP não utiliza arquivos de texto simples, mas sim bancos de dados relacionais, que
permitem consultas complexas e eficientes.

(b) Errado. Essa descrição se aplica ao MOLAP, que utiliza cubos multidimensionais para otimizar consultas,
enquanto ROLAP utiliza bancos de dados relacionais.

(c) Correto. ROLAP armazena dados em bancos de dados relacionais, permitindo o uso de SQL para
realizar análises complexas e dinâmicas, aproveitando a estrutura relacional.
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
39
59

(d) Errado. Essa característica é típica do MOLAP, que utiliza cubos multidimensionais pré-calculados para
otimizar consultas em tempo real, enquanto ROLAP não faz isso.

(e) Errado. ROLAP não requer uma estrutura hierárquica multinível específica; ele usa a estrutura relacional
existente para armazenar e consultar dados.

Gabarito: Letra C

10. (FGV / AL-PR - 2024) Os sistemas OLAP, com vistas a auxiliar o processo de tomada de decisão,
geralmente oferecem um conjunto de operações pré-programadas. A operação que consiste em
níveis cada vez maiores de detalhamento na análise de uma determinada dimensão é conhecida
como

a) drill-down.
b) pivoting.
c) rolap.
d) slice e dice.
e) SMP.

Comentários:

(a) Correto. A operação "drill-down" permite que o usuário explore dados em níveis de detalhamento cada
vez maiores, facilitando uma análise mais profunda das informações em uma dimensão específica;

(b) Errado. "Pivoting" refere-se à reorganização dos dados em uma tabela dinâmica, permitindo visualizar
diferentes perspectivas, mas não envolve detalhamento progressivo;

(c) Errado. ROLAP (Relational OLAP) é uma abordagem que utiliza bancos de dados relacionais para
armazenar dados multidimensionais, mas não é uma operação de análise;

(d) Errado. "Slice e dice" são operações que permitem segmentar e reorganizar dados, mas não se referem
ao aumento de detalhamento em uma dimensão específica;

(e) Errado. SMP (Symmetric Multiprocessing) é uma arquitetura de processamento paralelo e não está
relacionada a operações de análise em sistemas OLAP.

Gabarito: Letra A

11. (FGV / CVM - 2024) O ambiente analítico da CVM armazena dados no formato multidimensional,
implementa um cubo de dados e disponibiliza uma ferramenta OLAP para apoiar os analistas no
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
40
59
desempenho de suas funções. Diante da grande quantidade de dados disponíveis, eles precisam
reduzir o seu domínio de análise. Para isso, a operação OLAP, que extrai um subcubo da seleção
de duas ou mais dimensões de um cubo de dados, é a:

a) Slice;
b) Dice;
c) Pivot;
d) Roll up;
e) Drill down.

Comentários:

(a) Errado. A operação "Slice" refere-se à seleção de uma única dimensão de um cubo de dados,
resultando em uma fatia do cubo, e não na extração de um subcubo com múltiplas dimensões.

(b) Correto. A operação "Dice" permite a seleção de um subcubo ao extrair dados de duas ou mais
dimensões, filtrando as informações de interesse, o que se alinha perfeitamente à descrição dada.

(c) Errado. "Pivot" é uma operação que reorganiza a visualização dos dados, permitindo a troca de
dimensões, mas não extrai um subcubo de múltiplas dimensões.

(d) Errado. "Roll up" refere-se à agregação de dados, onde se reduz a granulação dos dados, mas não
envolve a extração de um subcubo.

(e) Errado. "Drill down" é o oposto do "Roll up", permitindo a visualização de dados em um nível mais
detalhado, mas não se relaciona com a extração de um subcubo.

Gabarito: Letra B
12. (FGV / DATAPREV - 2024) Uma empresa de varejo online deseja analisar suas vendas para
identificar tendências e oportunidades de melhoria. Para isso, eles implementaram um modelo
dimensional de dados, onde as vendas são registradas em uma tabela de fatos, e informações
sobre produtos, clientes, tempo e localização são armazenadas em tabelas de dimensão.
Considerando o cenário de uma empresa de varejo online que utiliza um modelo dimensional de
dados para analisar suas vendas, assinale a opção correta.

a) As tabelas de fatos armazenam informações descritivas sobre produtos, clientes e tempo.
b) As dimensões são utilizadas para consolidar dados de diferentes tabelas de fatos.
c) A modelagem dimensional é aplicável exclusivamente a dados estruturados e numéricos.
d) As tabelas de dimensão fornecem contexto para as métricas de vendas armazenadas nas tabelas de
fatos.
e) A modelagem dimensional ignora completamente os princípios da normalização de bancos de
dados.
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
41
59

Comentários:

(a) Errado. Tabelas de fatos armazenam dados quantitativos, como vendas, enquanto as dimensões contêm
informações descritivas sobre produtos, clientes e tempo.

(b) Errado. Dimensões não consolidam dados de diferentes tabelas de fatos; elas fornecem contexto e
detalhamentopara as métricas nas tabelas de fatos.

(c) Errado. A modelagem dimensional pode ser aplicada a dados estruturados e não estruturados, não se
limitando apenas a dados numéricos.

(d) Correto. Tabelas de dimensão oferecem contexto às métricas de vendas nas tabelas de fatos,
permitindo análises mais ricas e informativas.

(e) Errado. A modelagem dimensional considera a normalização, embora utilize desnormalização para
otimizar consultas e desempenho em análises.

Gabarito: Letra D

13. (FGV / TRF - 1ª REGIÃO - 2024) No sistema transacional da organização PrevData, há o registro
dos pedidos de licença médica de todos os seus funcionários. Para apoiar as campanhas de
prevenção, foi levantado o seguinte requisito analítico: quantidade de atestados de crise
respiratória durante as estações do ano, ao longo dos últimos 10 anos. Para atender a esse
requisito analítico, deve ser elaborado o Modelo Multidimensional de Dados com a estrutura:

a) FATO_ATESTADOS (Quantidade, Descrição) DIMENSÃO_TEMPO (Ano, Estação)

b) FATO_ATESTADOS (Estação, ANO_ATESTADO >= SYSDATE - INTERVAL '10' YEAR)
DIMENSÃO_TIPO_ATESTADO (Descrição)

c) DIMENSÃO_ATESTADOS (Quantidade, Estação) DIMENSÃO_TIPO_ATESTADO (Descrição)

d) FATO_ATESTADOS (Quantidade) DIMENSÃO_TEMPO (Ano, Estação) DIMENSÃO_TIPO_ATESTADO
(Descrição)

e) FATO_ATESTADOS (Quantidade, Tipo_Atestado) DIMENSÃO_TEMPO
(DATEDIFF(ANO_ATESTADO,-10)

Comentários:

(b) Errado. A condição de filtro "ANO_ATESTADO >= SYSDATE - INTERVAL '10' YEAR" não é uma estrutura
de modelo multidimensional, mas sim uma cláusula de consulta, inadequada para a definição do modelo.

(c) Errado. A proposta apresenta uma dimensão de atestados, mas não inclui uma tabela de fatos que
permita a análise quantitativa dos dados, essencial para o modelo multidimensional.

(d) Correto. A estrutura apresentada permite registrar a quantidade de atestados como fato, enquanto as
dimensões de tempo (Ano, Estação) e tipo de atestado (Descrição) possibilitam análises detalhadas e
segmentadas.

(e) Errado. A expressão "DATEDIFF(ANO_ATESTADO,-10)" não é uma forma válida de definir uma
dimensão no modelo, além de não atender ao requisito de análise dos últimos 10 anos de forma clara.

Gabarito: Letra D

14. (FGV / CVM - 2024) Para apoiar análises sobre os fundadores de empresas ao longo do tempo,
elaborou-se, inicialmente, o seguinte modelo multidimensional de dados, no qual a tabela FATO
FUNDAÇÃO EMPRESAS se relaciona com múltiplos valores da tabela DIMENSÃO FUNDADOR.

No caso apresentado, a implementação de uma dimensão multivalorada deve ser realizada por
meio da aplicação da técnica de modelagem multidimensional:

a) Tabela Ponte (Bridge Tables);
b) Tabela Fato sem Fatos (Factless Fact Tables);
c) Dimensão Degenerada (Degenerate Dimensions);
d) Dimensão Floco de Neve (Snowflaked Dimensions);
e) Dimensão que Desempenha Múltiplos Papéis (Role-Playing Dimensions).

Comentários:

(b) Errado. Tabelas Fato sem Fatos são usadas para registrar eventos que não possuem medidas, não se
aplicando ao contexto de múltiplos valores de uma dimensão.

(c) Errado. Dimensões Degeneradas são aquelas que não têm atributos próprios e são representadas
apenas por chaves, não servindo para modelar relações multivaloradas.

(d) Errado. Dimensões Floco de Neve são uma forma de normalização de dimensões, mas não são
adequadas para lidar com múltiplos valores de uma dimensão em relação a um fato.

(e) Errado. Dimensões que Desempenham Múltiplos Papéis referem-se a uma dimensão que pode ser
utilizada em diferentes contextos, mas não abordam a questão de multivaloração de forma direta.

Gabarito: Letra A

15. (FGV / AL-PR - 2024) Seja o modelo multidimensional representado a seguir, refletindo uma
dinâmica de vendas de produtos por vendedores e por região.

Considere que

I. os campos indicados como são os identificadores de suas respectivas tabelas;

II. na tabela “Vendas”, o atributo “cod_vendedor” referencia o identificador cod_vendedor da
tabela “Vendedor”.
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
44
59

III. na tabela “Vendas”, o atributo “cod_regiao” referencia o identificador cod_regiao da tabela
“Região”.

IV. na tabela “Vendas”, o atributo “cod_produto” referencia o identificador cod_produto da
tabela “Produto”.

V. na tabela “Região”, o atributo “cod_cidade” referencia o identificador cod_cidade da tabela
“Cidade”.

Ao analisar a semântica do modelo, é correto inferir que

a) a dimensão tempo está representada como tabela oculta.
b) a menor granularidade de tempo é data da venda.
c) existem quatro tabelas fato e uma tabela dimensão.
d) implementa o esquema multidimensional estrela.
e) um registro específico de venda pode se relacionar a várias cidades.

Comentários:

(a) Errado. Não há indicação de que exista uma tabela oculta representando a dimensão tempo. A data da
venda aparece como atributo na tabela de fatos, e não como dimensão separada;

(b) Correto. O atributo data_venda na tabela Vendas indica que a menor granularidade temporal disponível
para análise é a data individual de cada venda, e não mês ou ano;

(d) Errado. O modelo não segue exatamente o esquema estrela, pois há uma ligação entre dimensões
(Região → Cidade), o que caracteriza um esquema floco de neve (snowflake);

(e) Errado. A relação entre Cidade e Região é de 1 para muitos (uma cidade pode estar em várias regiões),
mas cada venda está ligada a uma única região, e essa a uma única cidade — logo, uma venda não se
relaciona a várias cidades.

Gabarito: Letra B

16. (FGV / CGE-PB - 2024) Maria está implementando o Audit-DataMart para apoiar análises sobre a
quantidade de auditorias realizadas por cidade e por período. Para isso, Maria elaborou o modelo
multidimensional de dados no qual a dimensão tempo se relaciona com a tabela fato duas vezes,
uma representando a data de início da auditoria e a outra representando a data do fim da
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
45
59
auditoria, conforme ilustrado a seguir. A técnica de modelagem multidimensionalde dados
utilizada por Maria para referenciar múltiplas vezes uma única dimensão física na tabela fato é:

a) Non-Additive Fact;
b) Degenerate Dimension;
c) Role Playing Dimension;
d) Dimension Surrogate Key;
e) Calendar Date Dimensions.

Comentários:

(a) Errado. Non-Additive Fact refere-se a fatos que não podem ser somados em todas as dimensões, o que
não se aplica ao caso de múltiplas referências a uma dimensão.

(b) Errado. Degenerate Dimension é uma dimensão que não possui atributos descritivos e é representada
apenas por uma chave, não se relacionando com múltiplas instâncias da mesma dimensão.

(c) Correto. Role Playing Dimension é a técnica que permite que uma única dimensão, como a dimensão
tempo, seja utilizada em diferentes contextos dentro da tabela fato, como início e fim da auditoria.

(d) Errado. Dimension Surrogate Key refere-se a uma chave substituta usada para identificar uma dimensão,
mas não aborda a questão de múltiplas referências à mesma dimensão na tabela fato.

(e) Errado. Calendar Date Dimensions não é uma técnica de modelagem, mas sim uma descrição de
dimensões que representam datas, não se referindo ao uso múltiplo da mesma dimensão em um modelo.

Gabarito: Letra C

17. (FGV / CGM de Belo Horizonte - MG - 2024) O modelo multidimensional é composto por diversos
elementos, por exemplo, dimensões, chaves, medidas e tabelas de fatos. As tabelas de fatos
podem ser do tipo

a) star e snowflake.
b) mutivalorate dataset e surrogate.
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
46
59
c) uncommited dataset, snapshot e dynamic dataset.
d) transaction, periodic snapshot e accumulating snapshot.

Comentários:

(a) Errado. As tabelas de fatos não são classificadas como "star" e "snowflake", que se referem a modelos de
esquema de banco de dados, não a tipos de tabelas de fatos.

(b) Errado. "Mutivalorate dataset" e "surrogate" não são tipos de tabelas de fatos, mas sim conceitos
relacionados a dados e chaves em modelagem de dados.

(c) Errado. "Uncommited dataset", "snapshot" e "dynamic dataset" não são categorias reconhecidas de
tabelas de fatos em um modelo multidimensional.

(d) Correto. As tabelas de fatos podem ser classificadas como "transaction", "periodic snapshot" e
"accumulating snapshot", que são tipos que refletem diferentes formas de armazenar dados em um modelo
multidimensional.

Gabarito: Letra D

18. (FGV / CGE-SC - 2023) Sobre a proposta geral do modelo dimensional em um Data Warehouse,
não é correto afirmar que o modelo dimensional

a) cobre tanto dados detalhados quanto dados sumarizados.
b) cobre toda a empresa, e não apenas departamentos.
c) é escalável, podendo entregar relatórios com trilhões de registros.
d) é arquitetado apenas para um uso previsível, geralmente cobrindo os 10 relatórios mais acessados.
e) pode integrar diversas fontes de dados operacionais da empresa, inclusive fontes externas.

Comentários:

(a) Errado. O modelo dimensional realmente cobre dados detalhados e sumarizados, permitindo análises
em diferentes níveis de granularidade.

(b) Errado. O modelo dimensional é projetado para abranger toda a empresa, facilitando a análise
integrada de dados de diferentes departamentos.

(c) Errado. O modelo dimensional é escalável e pode lidar com grandes volumes de dados, incluindo
relatórios com trilhões de registros.

(d) Correto. O modelo dimensional não é limitado a um uso previsível e pode ser adaptado para atender a
uma variedade de necessidades analíticas, não se restringindo apenas aos 10 relatórios mais acessados.
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
47
59

(e) Errado. O modelo dimensional é capaz de integrar diversas fontes de dados, tanto operacionais quanto
externas, proporcionando uma visão abrangente da informação.

Gabarito: Letra D

19. (FGV / DPE-RS - 2023) Observe a seguinte arquitetura básica de uma solução de Business
Intelligence implementada na empresa CleverBI. O elemento arquitetural da solução de BI da
CleverBI implementado por meio de operações OLAP, como slice, rotate, drill-down e drill-up, é
o:

a) ETL;
b) Stage Area;
c) Banco de Dados Multidimensionais;
d) Análises Multidimensionais;
e) Busca de Padrões.

Comentários:

(a) Errado. ETL (Extract, Transform, Load) refere-se ao processo de extração, transformação e carregamento
de dados, não às operações OLAP mencionadas.

(b) Errado. Stage Area é uma área de armazenamento temporário para dados antes de serem carregados
em um data warehouse, não está diretamente relacionada às operações OLAP.

(c) Errado. Banco de Dados Multidimensionais é uma estrutura que suporta OLAP, mas as operações
específicas como slice e drill-down são mais diretamente relacionadas a análises multidimensionais.

(d) Correto. Análises Multidimensionais referem-se ao uso de operações OLAP, como slice, rotate, drill-
down e drill-up, para explorar e analisar dados de forma interativa.

Gabarito: Letra D

20. (FGV / SMPOG de Belo Horizonte - MG - 2023) Assinale a opção que indica a operação OLAP que
permite analisar os dados de um Data Warehouse em níveis de agregação progressivamente mais
detalhados, ou de menor granularidade.

a) Slide.
b) Pivot.
c) Roll-up.
d) Drill-down.

Comentários:

(a) Errado. A operação "Slide" não é uma terminologia padrão em OLAP e não se refere a uma análise de
dados em níveis de agregação.

(b) Errado. "Pivot" é uma operação que permite reorganizar dados, mas não se relaciona diretamente com
a análise em níveis de agregação ou granularidade.

(c) Errado. "Roll-up" é a operação que agrega dados em níveis superiores, mas a questão pede a operação
que analisa dados em níveis mais detalhados, que é o "Drill-down".

(d) Correto. "Drill-down" é a operação OLAP que permite a análise de dados em níveis de agregação mais
detalhados, aumentando a granularidade da informação.

Gabarito: Letra D

a) Octópus.
b) Snowflake.
c) Centopeia.
d) Geográfica.
e) Constelação.

I. São as tabelas dominantes em um esquema de modelagem multidimensional. Elas armazenam
grande quantidade de dados históricos, em função do tempo que pode ser dos tipos string ou
numéricos.

II. Os tipos de medidas presentes na tabela de fatos são apenas aditivas, semi-aditivas e não
aditivas.

Está correto o que se afirma em

a) I, apenas.
b) II, apenas.
c) III, apenas.
d) I e III, apenas.
e) II e III, apenas.

3. (FGV / MPU - 2025) A analista de Business Intelligence Lúcia está elaborando o modelo
multidimensional do Data Mart Processos Judiciais (DMProcJ). Durante sua análise, ela observou
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
50
59
que o número do processo judicial (num_processo) não é uma métrica, mas sim um atributo
importante, pois representa o menor grão do DMProcJ e pode ser usado para navegar até o
sistema transacional de origem para analisar outras informações de um processo específico. Para
modelar o atributo num_processo, Lúcia deve implementar um(a):

a) fato não aditivo;
b) dimensão ponte;
c) operação drill across;
d) dimensão degenerada;
e) data mart dependente.

a) ETL;
b) OLAP;
c) SciPy;
d) Postgres;
e) Data Lake.

a) Slice, Drill Down e Roll Up.
b) Slice Down, Roll Across e Drill Up.
c) Slice, Dice e Roll Up.
d) Dice, Drill Down e Roll Up.
e) Dice, Drill Through e Drill Across.

I. OLAP permite a análise multidimensional de grandes volumes de dados, possibilitando a
exploração de informações sob diferentes perspectivas, como tempo, produto e região.
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
51
59

II. As operações de OLAP incluem slice (fatiar), dice (cortar em cubos), drill-down (detalhar) e roll-
up (agregar), que permitem navegar pelos dados em diferentes níveis de granularidade.

III. OLAP é utilizado principalmente para processar transações em tempo real, como vendas e
pagamentos, garantindo a consistência dos dados.

IV. O Data Warehouse é um componente essencial para o OLAP, pois armazena os dados
históricos de forma integrada e estruturada, facilitando a análise multidimensional.

Está correto o que se afirma em

a) I, apenas.
b) II, apenas.
c) I e II, apenas.
d) I, II e IV, apenas.
e) I, II, III e IV.

a) slice
b) dice
c) drill up
d) rotate
e) pivot

a) Big Data.
b) Data Warehouse.
c) Map Reduce.
d) Online Analytical Processing (OLAP).
e) Online Transaction Processing (OLTP).

a) drill-down.
b) pivoting.
c) rolap.
d) slice e dice.
e) SMP.

11. (FGV / CVM - 2024) O ambiente analítico da CVM armazena dados no formato multidimensional,
implementa um cubo de dados e disponibiliza uma ferramenta OLAP para apoiar os analistas no
desempenho de suas funções. Diante da grande quantidade de dados disponíveis, eles precisam
reduzir o seu domínio de análise. Para isso, a operação OLAP, que extrai um subcubo da seleção
de duas ou mais dimensões de um cubo de dados, é a:

a) Slice;
b) Dice;
c) Pivot;
d) Roll up;
e) Drill down.
12. (FGV / DATAPREV - 2024) Uma empresa de varejo online deseja analisar suas vendas para
identificar tendências e oportunidades de melhoria. Para isso, eles implementaram um modelo
dimensional de dados, onde as vendas são registradas em uma tabela de fatos, e informações
sobre produtos, clientes, tempo e localização são armazenadas em tabelas de dimensão.
Considerando o cenário de uma empresa de varejo online que utiliza um modelo dimensional de
dados para analisar suas vendas, assinale a opção correta.André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
53
59
==2f4e8==
a) As tabelas de fatos armazenam informações descritivas sobre produtos, clientes e tempo.
b) As dimensões são utilizadas para consolidar dados de diferentes tabelas de fatos.
c) A modelagem dimensional é aplicável exclusivamente a dados estruturados e numéricos.
d) As tabelas de dimensão fornecem contexto para as métricas de vendas armazenadas nas tabelas de
fatos.
e) A modelagem dimensional ignora completamente os princípios da normalização de bancos de
dados.

a) FATO_ATESTADOS (Quantidade, Descrição) DIMENSÃO_TEMPO (Ano, Estação)

b) FATO_ATESTADOS (Estação, ANO_ATESTADO >= SYSDATE - INTERVAL '10' YEAR)
DIMENSÃO_TIPO_ATESTADO (Descrição)

c) DIMENSÃO_ATESTADOS (Quantidade, Estação) DIMENSÃO_TIPO_ATESTADO (Descrição)

d) FATO_ATESTADOS (Quantidade) DIMENSÃO_TEMPO (Ano, Estação) DIMENSÃO_TIPO_ATESTADO
(Descrição)

e) FATO_ATESTADOS (Quantidade, Tipo_Atestado) DIMENSÃO_TEMPO
(DATEDIFF(ANO_ATESTADO,-10)

No caso apresentado, a implementação de uma dimensão multivalorada deve ser realizada por
meio da aplicação da técnica de modelagem multidimensional:

15. (FGV / AL-PR - 2024) Seja o modelo multidimensional representado a seguir, refletindo uma
dinâmica de vendas de produtos por vendedores e por região.

Considere que

I. os campos indicados como são os identificadores de suas respectivas tabelas;

II. na tabela “Vendas”, o atributo “cod_vendedor” referencia o identificador cod_vendedor da
tabela “Vendedor”.

III. na tabela “Vendas”, o atributo “cod_regiao” referencia o identificador cod_regiao da tabela
“Região”.

IV. na tabela “Vendas”, o atributo “cod_produto” referencia o identificador cod_produto da
tabela “Produto”.

V. na tabela “Região”, o atributo “cod_cidade” referencia o identificador cod_cidade da tabela
“Cidade”.

Ao analisar a semântica do modelo, é correto inferir que

a) Non-Additive Fact;
b) Degenerate Dimension;
c) Role Playing Dimension;
d) Dimension Surrogate Key;
e) Calendar Date Dimensions.

a) star e snowflake.
b) mutivalorate dataset e surrogate.
c) uncommited dataset, snapshot e dynamic dataset.
d) transaction, periodic snapshot e accumulating snapshot.

18. (FGV / CGE-SC - 2023) Sobre a proposta geral do modelo dimensional em um Data Warehouse,
não é correto afirmar que o modelo dimensional

a) cobre tanto dados detalhados quanto dados sumarizados.
b) cobre toda a empresa, e não apenas departamentos.
c) é escalável, podendo entregar relatórios com trilhões de registros.
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
56
59
d) é arquitetado apenas para um uso previsível, geralmente cobrindo os 10 relatórios mais acessados.
e) pode integrar diversas fontes de dados operacionais da empresa, inclusive fontes externas.

a) ETL;
b) Stage Area;
c) Banco de Dados Multidimensionais;
d) Análises Multidimensionais;
e) Busca de Padrões.

a) Slide.
b) Pivot.
c) Roll-up.
d) Drill-down.

MODELAGEM DIMENSIONAL
Abordagem de organização de dados voltada para análise, usada em Data Warehouses, que estrutura as
informações em torno de um fato — um evento mensurável do negócio — descrito por dimensões, que fornecem
contexto (como tempo, produto, cliente ou região). Seu objetivo é facilitar consultas rápidas, intuitivas e de alto
desempenho, apoiando decisões gerenciais. Essa técnica privilegia simplicidade, consistência e facilidade de
navegação, utilizando esquemas como estrela, floco de neve e constelação de fatos, que tornam os dados mais
acessíveis para análises OLAP e criação de relatórios.

Existem dois tipos principais de bancos de dados: transacionais e analíticos. Os bancos de dados
transacionais são adequados para sistemas que processam grande volume de transações, como
inserções, atualizações e exclusões de dados. Esses dados alimentam os bancos de dados analíticos, que,
por sua vez, são otimizados para a geração de relatórios consolidados, auxiliando na tomada de decisões
estratégicas. Um exemplo comum de banco analítico é o Data Warehouse (DW).

Os bancos transacionais, também chamados de operacionais, geralmente utilizam modelagem relacional,
enquanto os bancos analíticos empregam modelagem dimensional ou multidimensional. Modelos
multidimensionais exploram os relacionamentos entre os dados para organizá-los em estruturas
chamadas cubos de dados ou hipercubos, quando envolvem mais de três dimensões.

Esses cubos permitem análises a partir de múltiplas perspectivas. Por exemplo, uma matriz bidimensional
pode exibir a quantidade de frangos vendidos por região. Com a adição de uma terceira dimensão, como
o tempo (trimestres), essa matriz torna-se um cubo, possibilitando análises mais complexas. Portanto, a
modelagem multidimensional viabiliza a organização e análise de dados a partir de diversas dimensões
simultâneas.

A imagem apresenta representações de uma matriz bidimensional e de um cubo de três dimensões. Uma
matriz tridimensional é denominada Cubo de Dados, enquanto uma matriz com mais de três dimensões
é chamada de Hipercubo. A representação gráfica de estruturas com quatro ou mais dimensões é
complexa e, geralmente, inviável visualmente.

Além disso, os cubos podem ser classificados de acordo com a densidade dos dados: um Cubo Esparso
contém a maioria de suas combinações de dimensões sem dados (vazias), enquanto um Cubo Denso
apresenta dados preenchendo a maior parte das intersecções entre as dimensões.

André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
6
59
Agora, vale destacar um ponto: representar graficamente estruturas com quatro ou mais dimensões não
é nada simples. Na prática, isso se torna bastante complicado e, muitas vezes, inviável do ponto de vista
visual. Por isso, mesmo que os sistemas trabalhem com hipercubos, as análises costumam ser feitas com
recortes ou visualizações parciais das dimensões envolvidas. Na imagem seguinte, à esquerda temos um
hipercubo com quatro dimensões; e a direita temos um hipercubo com cinco dimensões.

Hipercubos podem ser classificados quanto à quantidade de combinações possíveis de dimensões que
realmente possuem dados armazenados dentro de um cubo OLAP.

CLASSIFICAÇÃO DE
HIPERCUBOS
DESCRIÇÃO
DENSO
Trata-se daquele em que a maioria das células contém valores — ou seja, quase todas
as combinações entre dimensões têm fatos registrados. Isso costuma ocorrer em
cenários com alto volume de transações e cobertura completa das combinações
dimensionais (Ex: vendas diárias de milhares de produtos em centenas de lojas)
ESPARSO
Apresenta grande quantidade de células vazias, situação comum quando há muitas
dimensões, muitos níveis hierárquicos ou quando os eventos são raros ou
distribuídos de forma desigual (Ex: análise de falhas específicas em equipamentos ao
longo do tempo).

A distinção é essencial porque afeta performance, armazenamento e técnicas de agregação: cubos
densos favorecem compressão simples e processamento direto, enquanto cubos esparsos exigem
estruturas otimizadas (como índices bitmap, compressão de esparsidade ou armazenamento orientado a
colunas) para evitar desperdício e melhorar o desempenho de consultas.

A modelagem dimensional possibilita diversas formas de consulta em um Data Warehouse,
proporcionando alta eficiência na geração de relatórios. Sua principal vantagem é a flexibilidade na
análise dos dados, permitindo visualizações sob múltiplas perspectivas, muitas vezes não previstas
previamente.

Os dados podem ser acessados a partir de qualquer combinação de dimensões, eliminando a
necessidade de consultas complexas, comuns em bancos de dados transacionais. Dessa forma, o
desempenho das consultas em estruturas multidimensionais supera significativamente o das consultas
em modelos relacionais.

Além disso, a modelagem multidimensional permite a reorganização das hierarquias e orientações do
cubo de dados por meio da técnica conhecida como giro ou rotação. Essa funcionalidade viabiliza a
análise dos dados sob diferentes eixos, como, por exemplo, visualizar a quantidade de produtos vendidos
por região e por trimestre, alternando facilmente a disposição entre linhas, colunas e profundidade.

CARACTE-
RÍSTICAS
MODELO DIMENSIONAL MODELO RELACIONAL
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
7
59
OBJETIVO
Projetado para consultas analíticas e
relatórios rápidos em DW.

Projetado para armazenamento de dados
transacionais e operações de inserção,
atualização e exclusão.
ESTRUTURA
Desnormalizado para otimizar as consultas.
Utiliza tabelas fato e tabelas dimensão.
Normalizado, com múltiplas tabelas
relacionadas por chaves primárias e chaves
estrangeiras.
TABELA
PRINCIPAL
Tabela Fato, que contém métricas e dados
numéricos (como vendas, lucros, etc).

Tabelas que armazenam dados transacionais
em forma de registros.

TABELAS DE
SUPORTE
Tabelas Dimensão, que armazenam
informações descritivas sobre as métricas
(como produtos, clientes, tempo).
Tabelas com dados organizados de maneira
relacional, com normalização de 3ª ou 4ª
forma normal.
REDUNDÂNCIA
Alta redundância de dados nas tabelas de
dimensão (desnormalização).

Baixa redundância devido à normalização
das tabelas.

CONSULTAS
Otimizado para leitura e consulta rápida,
com menor complexidade de joins.

Otimizado para operações de CRUD (Create,
Read, Update, Delete), com consultas mais
complexas.
PERFORMANCE
Melhor para consultas agregadas e análises
complexas, pois os dados são acessados
sem a necessidade de múltiplos joins.
Melhor para operações transacionais e
integridade dos dados, mas os joins podem
ocasionar consultas complexas mais lentas.
EXEMPLOS DE
USO
Data Warehousing, Business Intelligence
(BI), e relatórios de tendências e análise
histórica.
Sistemas de gestão de banco de dados
transacional, como sistemas de ERP ou CRM.

ATUALIZAÇÕES
Menos eficiente para atualizações
frequentes, pois a desnormalização pode
gerar duplicidade de dados.
Eficiente para atualizações frequentes, pois
os dados estão normalizados e não há
redundância.
MANUTENI-
BILIDADE
Menosflexível para alterações de dados em
tempo real, pois mudanças podem precisar
ser feitas em várias partes.
Mais fácil de manter dados consistentes e
realizar atualizações incrementais.

A principal distinção entre a estrutura relacional e a estrutura multidimensional reside no grau de
normalização, na redundância de dados e na frequência de atualizações. A estrutura relacional é
caracterizada por alta normalização, baixa redundância e suporte a atualizações frequentes. Em
contrapartida, a estrutura multidimensional apresenta desnormalização, alta redundância e menor
frequência de atualização.

A normalização é um conjunto de regras que visa reduzir a redundância de dados, isto é, evitar a repetição
das mesmas informações em diferentes tabelas. Em bancos de dados transacionais, a normalização é
essencial para garantir desempenho e consistência, já que esse tipo de banco processa um grande
volume de transações. Por outro lado, em bancos de dados dimensionais, a desnormalização — e,
consequentemente, a replicação de dados — é desejável, pois facilita a geração de relatórios, que não
ocorrem com a mesma frequência das transações em sistemas operacionais.

A desnormalização confere maior flexibilidade aos bancos de dados multidimensionais, permitindo a
organização dos dados conforme os requisitos e preferências dos usuários. A abordagem
multidimensional é estruturada por assuntos, que representam a tradução das necessidades
informacionais dos diversos usuários. Assim, a desnormalização facilita a visualização dos dados segundo
os temas de maior interesse, otimizando a análise e a geração de relatórios.

SÍNTESE DO TÓPICO

Tabelas Fato e Dimensão
INCIDÊNCIA EM PROVA: BAIXA

A modelagem multidimensional baseia-se em dois elementos fundamentais e complementares: Tabela
Fato e Tabela Dimensão.

A Tabela Fato armazena informações quantitativas utilizadas na análise de dados, sendo composta por
medidas, métricas ou fatos relacionados a um processo de negócio. No exemplo citado, ela poderia
conter informações como o valor arrecadado com vendas na loja do Rio de Janeiro em janeiro, em São
Paulo no primeiro trimestre ou em Brasília durante o Carnaval. Esses dados representam fatos
mensuráveis vinculados ao processo de vendas.

Essas informações quantitativas dependem de dados descritivos que não estão na Tabela Fato, mas sim
nas Tabelas Dimensão, as quais armazenam atributos descritivos relacionados aos fatos. Por exemplo:

▪ A dimensão loja pode conter o código da loja, cidade, tamanho e número de funcionários.
▪ A dimensão tempo pode conter o código temporal, dia, mês, trimestre, semestre, ano, entre outros.
▪ A dimensão região pode conter o código da região, nome, localização e número de estados.

TABELA FATO
Estrutura central da modelagem dimensional, responsável por registrar os eventos mensuráveis de um processo
de negócio, armazenando medidas quantitativas como quantidade, valor, custo ou lucro. Ela possui alto volume
de registros, cresce principalmente em número de linhas e mantém chaves estrangeiras que se relacionam às
tabelas dimensão, permitindo a análise dos dados sob diferentes perspectivas (tempo, produto, cliente, local,
entre outras). Seu objetivo principal é suportar consultas analíticas e agregações, servindo como base para
relatórios, indicadores de desempenho e análises OLAP em ambientes de Data Warehouse.

CARACTERÍSTICAS DESCRIÇÃO
FINALIDADE
Armazenam ocorrências, eventos ou fatos mensuráveis de um processo de
negócio.
PERGUNTA QUE
RESPONDEM
“O que está sendo medido nesse processo de negócio?”

CONTEÚDO PRINCIPAL
Medidas quantitativas: quantidade, valor, lucro, margem, perdas, indicadores
operacionais, etc.
VOLUME DE DADOS
Normalmente possuem altíssimo número de registros e crescem verticalmente
(mais linhas).
ESTRUTURA
Simples e direta; não possuem hierarquias internas (hierarquias pertencem às
dimensões).
RELAÇÃO COM
DIMENSÕES
Contêm chaves estrangeiras que apontam para tabelas dimensão;
relacionamentos 1:N.
DIMENSÃO TEMPO
Geralmente presente, mas não obrigatória por regra formal.

CHAVE PRIMÁRIA
Frequentemente composta pelas FKs das dimensões; pode ser substituída por
surrogate key em alguns projetos.
NORMALIZAÇÃO
Não é correto classificá-las como desnormalizadas; quem é desnormalizada é a
tabela dimensão.
ORDEM DE CRIAÇÃO
São criadas após as dimensões, pois dependem das chaves dessas tabelas.

UTILIZAÇÃO
Servem como base para cálculos estatísticos, análises OLAP e indicadores de
desempenho.
EXEMPLOS DE MÉTRICAS
Quantidade, valor, custo, lucro, desconto, tempo de atendimento, volume
produzido, etc.

TABELA DIMENSÃO
Estrutura da modelagem dimensional que armazena atributos descritivos usados para contextualizar e interpretar
as medidas registradas na tabela fato. Ela contém informações qualitativas — como nomes, categorias, datas,
locais ou pessoas — e permite que os dados sejam analisados sob diferentes perspectivas, respondendo a
perguntas como quem, o quê, quando e onde. Em geral, é desnormalizada, possui menos registros que a tabela
fato, utiliza uma chave primária própria (frequentemente uma surrogate key) e tem como objetivo facilitar
consultas, filtros, agrupamentos e navegação analítica em ambientes de Data Warehouse e OLAP.

CARACTERÍSTICAS DESCRIÇÃO
FINALIDADE
Armazenam atributos descritivos que fornecem contexto às medidas registradas
na Tabela Fato.
PERGUNTAS QUE
RESPONDEM
“Quem?”, “O quê?”, “Onde?”, “Quando?” e “Como?”.

CONTEÚDO PRINCIPAL Atributos qualitativos e descritivos, geralmente textuais ou categóricos.
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
10
59
==2f4e8==

VOLUME DE DADOS
Normalmente possuem menos registros que tabelas fato, mas podem crescer
continuamente com novos membros.
CRESCIMENTO
Crescem principalmente verticalmente (novos registros); crescimento horizontal
(novos atributos) é possível, mas menos frequente.
ESTRUTURA
Geralmente desnormalizadas, com muitos atributos em uma única tabela para
facilitar consultas.
HIERARQUIAS
Podem conter hierarquias internas (ex.: dia → mês → ano; produto → categoria
→ departamento).
NORMALIZAÇÃO
A desnormalização é a prática recomendada; a normalização ocorre apenas em
esquemas floco de neve, como exceção.
CHAVE PRIMÁRIA
Possuem chave primária própria, geralmente uma surrogate key, que identifica
unicamente cada registro.
RELAÇÃO COM A TABELA
FATO
A chave primária da dimensão é referenciada como chave estrangeira na Tabela
Fato.
QUALIDADE DOS
ATRIBUTOS
Devem ser verbosos, claros, descritivos, completos, discretos e semanticamente
corretos.
UTILIZAÇÃO
Permitem analisar os fatos sob diferentes perspectivas e níveisde agregação.

EXEMPLOS DE
DIMENSÕES
Cliente, Produto, Tempo, Localização, Vendedor, Organização, Canal de Venda.

Em suma, a modelagem dimensional é uma técnica de estruturação de dados que visa a simplicidade e a
facilidade de consulta. Ela se opõe à modelagem relacional tradicional (utilizada em Sistemas OLTP), que
prioriza a normalização para evitar redundâncias e garantir a integridade dos dados transacionais.
Vejamos uma tabela que resume tudo que vimos:

CARACTERÍSTICAS TABELA FATO TABELA DIMENSÃO
CONTEÚDO
Armazena medidas quantitativas que
representam eventos do negócio, como
vendas ou atendimentos, passíveis de
cálculo e agregação.
Armazena atributos descritivos que
contextualizam os fatos, como nomes,
datas, categorias, locais e demais
informações qualitativas.
FUNÇÃO
Registrar o que foi medido no processo de
negócio, concentrando dados numéricos
usados em análises, relatórios e indicadores.
Fornecer o contexto dos fatos, permitindo
análises por quem, quando, onde, o quê e
outras perspectivas relevantes.
CHAVE PRIMÁRIA
Geralmente composta pelas chaves
estrangeiras das dimensões, podendo em
alguns casos ser uma chave substituta da
transação.
Possui chave primária própria,
normalmente uma surrogate key, que
identifica unicamente cada registro da
dimensão.
RELACIONAMENTO
Contém chaves estrangeiras que
referenciam as chaves primárias das tabelas
dimensão no esquema multidimensional.
Relaciona-se com a tabela fato por meio
de sua chave primária, sendo referenciada
como chave estrangeira na fato.
CARDINALIDADE
Relaciona-se no formato muitos-para-um
(N:1), pois muitos fatos podem estar
associados a um mesmo registro de
dimensão.
Relaciona-se no formato um-para-muitos
(1:N), já que um registro de dimensão
pode descrever vários fatos.
NORMALIZAÇÃO
Não é foco de normalização, pois armazena
medidas numéricas e não atributos sujeitos
a redundância descritiva.
Geralmente desnormalizada no esquema
estrela e parcialmente normalizada
apenas no esquema floco de neve.
TAMANHO
Normalmente é a maior tabela do Data
Warehouse, devido ao grande volume de
registros gerados pelos eventos.
Menor que a tabela fato em número de
linhas, mas pode possuir muitas colunas
descritivas para análise.

Esquema Estrela e Flocos de Neve

Os esquemas Estrela (Star Schema) e Floco de Neve (Snowflake Schema) são formas de organizar
fisicamente um modelo dimensional em um Data Warehouse. Ambos partem do mesmo princípio — uma
tabela fato no centro e tabelas dimensão ao redor —, mas diferem no nível de normalização das dimensões
e, consequentemente, em simplicidade, desempenho e manutenção.

Esquema Estrela (Star Schema)
INCIDÊNCIA EM PROVA: ALTA

O Esquema Estrela (Star Schema) é a forma mais clássica e recomendada de organização física de um
modelo dimensional em Data Warehouses. Ele recebe esse nome porque, visualmente, apresenta uma
tabela fato central, conectada diretamente a várias tabelas dimensão desnormalizadas, formando o
desenho de uma estrela.

A ideia central do esquema estrela é simplificar consultas analíticas. Em vez de muitas tabelas
normalizadas e múltiplos joins (como em modelos OLTP), o esquema estrela prioriza menos joins, maior
legibilidade e melhor desempenho, especialmente para operações de agregação (SUM, COUNT, AVG).
Todo esquema estrela possuirá:

▪ Uma tabela fato, que representa um processo de negócio; contém métricas numéricas; possui chaves
estrangeiras para as dimensões; e tem granularidade bem definida.

▪ Várias tabelas dimensão, que armazenam atributos descritivos; são desnormalizadas; possuem chaves
primárias próprias; e respondem às perguntas: quem, o quê, quando, onde, como.

Atenção: a tabela fato nunca se relaciona diretamente com outra tabela fato e as dimensões também não
se relacionam entre si. O esquema estrela é amplamente adotado porque reduz a complexidade das
consultas SQL; melhora o desempenho em ambientes analíticos; facilita o entendimento por usuários de
negócio; funciona muito bem com ferramentas OLAP e BI; e segue as boas práticas de Kimball.

Em Data Warehousing, desnormalização é uma virtude, não um problema. O pequeno aumento de
redundância nas dimensões é compensado por simplicidade, performance e clareza semântica. É
importante destacar também que, no esquema estrela, dimensões são planas (flat), hierarquias ficam na
mesma tabela e há menos joins.

Além disso, a tabela fato não contém atributos textuais; dimensões podem conter hierarquias; cada linha
da tabela fato deve representar um único nível de granularidade; métricas devem ser coerentes com essa
granularidade; e a dimensão tempo é quase sempre obrigatória. Dito isso, vamos analisar o Esquema
Estela apresentado na página anterior.

O diagrama apresenta uma tabela fato no centro (FATO_VENDAS) e várias tabelas dimensão ao redor
(DIM_DATA, DIM_PRODUTO, DIM_LOJA). A tabela fato guarda medidas (números) do processo de
negócio venda; as dimensões guardam descrições que contextualizam essas medidas (quando, o quê,
onde). Pense assim: a tabela FATO_VENDAS responde “quanto foi vendido, com que desconto, custo,
etc”; já as dimensões respondem “em que dia, qual produto, em qual loja”.

Agora o que uma linha da tabela FATO_VENDAS representa? Pelo modelo apresentado, a leitura mais
natural é: uma linha representa as vendas de um produto, em uma loja, em uma data. Isso é ótimo
didaticamente porque temos uma granularidade clara e estável. A partir daí, dá para somar e agrupar em
qualquer nível (dia → mês → ano; cidade → estado; categoria a→ subcategoria, etc).

Ainda sobre essa tabela, ela possui três chaves estrangeiras: ID_DATA ((referência para DIM_DATA);
ID_PRODUTO (referência para DIM_PRODUTO); e ID_LOJA (referência para DIM_LOJA); e possui quatro
métricas: VALOR_VENDA; QUANTIDADE; DESCONTO; e CUSTO. Essas quatro métricas são típicas de
fatos transacionais e geralmente são aditivas:

▪ VALOR_VENDA: soma por tempo, loja, produto, etc.
▪ QUANTIDADE: soma por tempo, loja, produto, etc.
▪ DESCONTO: soma por tempo, loja, produto, etc.
▪ CUSTO: soma por tempo, loja, produto, etc.
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
13
59

Com isso, você consegue derivar indicadores em consulta, por exemplo:

▪ A receita líquida será igual a: VALOR_VENDA – DESCONTO;
▪ O lucro será (VALOR_VENDA - DESCONTO) – CUSTO;
▪ A margem (em percentual) será Lucro / (VALOR_VENDA - DESCONTO).

Já a dimensão DIM_DATA é uma dimensão clássica e muito comum em DW – uma linha por dia
(ID_DATA), com vários atributos que permitem agregação e filtros: DATA_COMPLETA, DIA, MES,
NOME_MES, TRIMESTRE, SEMESTRE, ANO, DIA_DA_SEMANA, IND_FERIADO e PERIODO_FISCAL.

E por que isso é tão bom? Porque você consegue agregar de dia → mês → trimestre → ano sem mudar
a FATO_VENDAS; filtrar por “feriado”, “período fiscal”, “dia da semana”; e fazer análises temporais sem
ficar inventando funções de data no SQL. Já a dimensão DIM_PRODUTOdescreve o que foi vendido. Ela
é desnormalizada, trazendo atributos úteis para agrupamento e segmentação: NOME_PRODUTO,
DESCRICAO, CATEGORIA, SUBCATEGORIA, FABRICANTE, TIPO_FABRICANTE.

O que isso permite? Permite analisar vendas por categoria/subcategoria; comparação por fabricante;
análise de mix de produtos; e relatórios legíveis (“Nome do Produto”) sem inflar a fato com texto. Por fim,
a dimensão DIM_LOJA responde onde foi vendido: NOME_LOJA, CIDADE, ESTADO, PAIS, REGIAO,
TIPO_LOJA. Isso suporta análises como: vendas por cidade/estado/região, comparação de performance
por tipo de loja e expansão territorial (mapas, clusters, etc).

E como esse esquema pode ser utilizado na prática? É possível consultar receitas por mês e categoria ou,
por exemplo, os dez produtos por lucro em uma região. O bacana do esquema estrela é que essas
consultas ficam curtas e previsíveis: geralmente uma tabela fato e diversas tabelas dimensões.

Esquema Flocos de Neve (Snowflake Schema)
INCIDÊNCIA EM PROVA: MÉDIA

O esquema floco de neve é uma variação do esquema estrela, mas com dimensões normalizadas. Em
outras palavras, enquanto no esquema estrela as dimensões são desnormalizadas (ou seja, todos os
atributos de uma dimensão ficam em uma única tabela), no esquema floco de neve as dimensões podem
ser divididas em tabelas menores. Isso reduz redundância de dados, mas aumenta o número de joins
necessários para consultas.

A Tabela Fato (FATO_VENDAS) contém as métricas (neste caso, QUANTIDADE de vendas) e as chaves
estrangeiras que apontam para as dimensões: PRODUTO, PERÍODO e LOCALIZAÇÃO. A Dimensão
Produto (DIM_PRODUTO) contém informações do produto (nome, descrição, categoria) e uma FK para
DIM_FABRICANTE.

A Dimensão Fabricante (DIM_FABRICANTE) é uma tabela separada que detalha o fabricante (nome,
CNPJ, tipo). Isso é um exemplo de normalização: o atributo FABRICANTE, que poderia estar na
DIM_PRODUTO, foi "desmembrado" em uma tabela própria. A Dimensão Localização
(DIM_LOCALIZAÇÃO) contém atributos como país, estado, cidade, bairro e rua. Novamente, se
quiséssemos, poderíamos normalizar ainda mais, criando tabelas para cada nível (Ex: uma tabela só para
"Estado"), mas aqui está em um nível intermediário.

A Dimensão Período (DIM_PERIODO) está um pouco diferente da DIM_DATA que vimos no esquema
estrela. Aqui, ela está representada por níveis (diário, semanal, mensal, etc). Isso pode ser visto como uma
normalização do conceito de tempo, embora em geral, a prática mais comum seja uma dimensão de data
com um registro por dia (como no estrela).

Dentre as vantagens do Modelo Floco de Neve, temos: reduz redundância de dados nas dimensões,
economiza espaço e pode facilitar a manutenção de dados dimensionais. Se um fabricante muda de
nome, por exemplo, você só precisa atualizar a DIM_FABRICANTE, e não todas as linhas da
DIM_PRODUTO. Entre as desvantagens, temos: aumenta a complexidade das consultas, pois agora é
preciso fazer mais joins entre tabelas. Enquanto o esquema estrela é mais simples para consultas ad-hoc,
o floco de neve exige um pouco mais de conhecimento técnico.

Em suma, esse esquema é o resultado da decomposição de uma ou mais tabelas de dimensões
normalizadas até a 3ª Forma Normal (3FN). Em contraste com o esquema estrela, apresenta consultas
mais complexas, mais lentas, mas com manutenção mais fácil. Como as tabelas são normalizadas, existe
menos redundância de dados, portanto ocupa-se menos espaço. Além disso, como há tabelas de
dimensão conectadas a outras tabelas de dimensão, existe uma hierarquia.

ESQUEMA ESTRELA FLOCOS DE NEVE
FATO Geralmente Desnormalizada Geralmente Desnormalizada
DIMENSÃO Geralmente Desnormalizada Geralmente Normalizada

CRITÉRIO
ESQUEMA ESTRELA
(STAR SCHEMA)
ESQUEMA FLOCO DE NEVE
(SNOWFLAKE SCHEMA)
MODELO

Alta (dimensões normalizadas)

QUANTIDADE DE
TABELAS
Menor

Maior

NÚMERO DE JOINS
Menor número de joins

Maior número de joins

COMPLEXIDADE DAS
CONSULTAS
Baixa, consultas mais simples e legíveis
Maior, consultas mais complexas

DESEMPENHO EM
CONSULTAS
Melhor desempenho (menos joins)

Desempenho inferior em geral

REDUNDÂNCIA DE
DADOS
Maior redundância nas dimensões

Menor redundância

FACILIDADE DE
ENTENDIMENTO
Alta (modelo intuitivo para usuários de
negócio)
Menor (exige conhecimento técnico
maior)
MANUTENÇÃO DAS
DIMENSÕES
Mais simples conceitualmente

Pode facilitar manutenção de atributos
hierárquicos
ADERÊNCIA ÀS BOAS
PRÁTICAS KIMBALL
Recomendado como padrão

Usar apenas quando necessário

USO EM
FERRAMENTAS DE BI
Muito adequado

Adequado, porém menos amigável

CENÁRIOS TÍPICOS
DE USO
Data Warehouses e Data Marts analíticos
Dimensões muito grandes ou altamente
hierárquicas

MNEMÔNICO PARA NUNCA MAIS CONFUNDIR MODELO SNOWFLAKE E STAR
ESQUEMA SNOWFLAKE DIMENSÕES NORMALIZADAS

Esquema Constelação de Fatos (Fact Constellation Schema)

Antes de seguir para o próximo tópico, é importante falar de um terceiro esquema chamado Constelação
de Fatos. Ele cai beeeem menos em prova, mas é fundamental saber seus conceitos básicos: ele é
basicamente constituído de duas ou mais tabelas fato que compartilham uma ou mais dimensões.
Quando vários esquemas estrela são unidos por dimensões compatíveis1 – comuns entre eles – chamamos
de Esquema Multiestrela.

É importante que as dimensões guardem entre si uma compatibilidade e as tabelas fato estejam definidas
em granularidade compatível com as dimensões interligadas. Ele pode ser criado dividindo um esquema
estrela em dois ou mais esquemas estrela. Por que eu usaria um esquema desses, professor? Porque ele
fornece uma flexibilidade maior ao esquema, por outro lado ele é um esquema bem mais complexo, logo
é mais difícil de implementar ou manter.

MODELO CARACTERÍSTICA PRINCIPAL
ESQUEMA ESTRELA Uma tabela fato + várias dimensões
ESQUEMA FLOCO DE NEVE Uma fato + dimensões normalizadas
CONSTELAÇÃO DE FATOS Múltiplas fatos compartilhando dimensões

1 Essas dimensões comuns também são chamadas de Dimensão Conforme.
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
16
59
MODELO

Uma constelação é composta por múltiplas tabelas fato (Ex: vendas, estoque, devoluções, metas); por
dimensões compartilhadas (conformes) entre essas tabelas fatos; e por dimensões exclusivas, quando
necessário, para fatos específicas. Importante: as tabelas fato não se relacionam diretamente entre si,
apenas por meio das dimensões. Vejamos suas principais características:

CARACTERÍSTICA DESCRIÇÃO
DEFINIÇÃO
Modelo dimensional composto por duas ou mais tabelas fato que coexistem no
mesmo ambiente e compartilham dimensões comuns.
QUANTIDADE DE
TABELAS FATO
Múltiplas tabelas fato, cadauma representando um processo de negócio distinto.
COMPARTILHAMENTO
DE DIMENSÕES
Utiliza dimensões conformes, permitindo análises integradas entre diferentes
processos.
RELACIONAMENTO
ENTRE FATOS
Não existe relacionamento direto entre tabelas fato; a integração ocorre
exclusivamente via dimensões.
GRANULARIDADE
Cada tabela fato possui granularidade própria, definida de acordo com o processo de
negócio.
TIPOS DE MÉTRICAS
Cada fato armazena métricas específicas do seu processo, podendo ser aditivas, semi-
aditivas ou não-aditivas.
COMPLEXIDADE DO
MODELO
Maior que o esquema estrela simples, devido à presença de múltiplas tabelas fato.
FLEXIBILIDADE
ANALÍTICA
Alta, pois permite análises cruzadas entre processos distintos (ex.: vendas × estoque).
USO TÍPICO
Data Warehouses corporativos com múltiplos processos integrados.

ADERÊNCIA A
KIMBALL
Totalmente compatível com a abordagem Kimball, desde que use dimensões
conformes.
EXEMPLOS COMUNS
Vendas, Estoque, Devoluções, Metas, Atendimento ao Cliente.

SÍNTESE DO TÓPICO

Tipos de Medidas
INCIDÊNCIA EM PROVA: MÉDIA

Essas métricas ou medidas que eu tanto falei são informações que se são armazenadas em Tabelas Fato
e que permitem medir um processo de negócio. Existem três tipos:

Medidas/Fatos Aditivas

Medidas aditivas são aquelas que podem ser somadas livremente em todas as dimensões do modelo
dimensional, sem perda de significado. Isso inclui somas por tempo, produto, loja, cliente, ou qualquer
outra dimensão associada à tabela fato. Por essa razão, são as medidas mais simples, mais comuns e mais
desejáveis em um Data Warehouse.

Em geral, métricas financeiras e quantitativas se enquadram nessa categoria, como quantidade vendida,
valor de venda, faturamento, impostos, custos e descontos. Elas se comportam bem em agregações e são
ideais para relatórios, dashboards e indicadores consolidados, pois mantêm coerência
independentemente do nível de análise.

No exemplo seguinte, note que o valor total vendido pode ser somado por dia, por loja, por produto ou
por mês, sem gerar distorções. As medidas aditivas são: VALOR_VENDA e QUANTIDADE.

DATA_ID LOJA_ID PRODUTO_ID QUANTIDADE VALOR_VENDA
2024-01-10 10 101 2 10,00
2024-01-10 10 202 1 8,00
2024-01-11 12 303 1 12,00

Medidas não-aditivas são aquelas que não podem ser somadas em nenhuma dimensão, pois a soma não
faz sentido do ponto de vista do negócio. Normalmente, são razões, proporções, médias, índices ou
percentuais, cujo significado se perde quando agregados por soma.

Essas medidas exigem tratamento especial nas consultas, sendo geralmente calculadas no momento da
análise, a partir de outras métricas aditivas. Um erro clássico é tentar somar percentuais ou médias, o que
leva a resultados incorretos e distorcidos — algo muito explorado em questões de concurso.

No exemplo seguinte, note que a margem de lucro (%) não pode ser somada entre produtos ou dias.
Percebam que somar 30% + 25% = 55% não faz sentido. Logo, MARGEM_% é uma medida não aditiva.

DATA_ID PRODUTO_ID VALOR_VENDA CUSTO MARGEM_%
2024-01-10 101 10,00 7,00 30%
2024-01-10 202 8,00 6,00 25%

Medidas/Fatos Semi-Aditivas

Medidas semi-aditivas são aquelas que podem ser somadas em algumas dimensões, mas não em outras
— quase sempre não aditivas ao longo do tempo. Elas aparecem com frequência em snapshots periódicos,
onde o valor representa um estado, e não um fluxo de eventos.

O caso mais clássico é o saldo (estoque, conta bancária, quantidade em caixa). Somar saldos de dias
diferentes não faz sentido, mas somar saldos de produtos diferentes ou lojas diferentes em um mesmo
instante pode ser perfeitamente válido. No exemplo seguinte, o estoque diário pode ser somado por
produto ou loja, mas não por datas diferentes.

DATA_ID LOJA_ID PRODUTO_ID ESTOQUE_QTD
2024-01-10 10 101 50
2024-01-11 10 101 47
2024-01-10 10 202 30

Percebam que somar 50 + 30 = 80 (estoque total no dia 10) faz sentido; já somar 50 + 47 = 97 (estoque
em dias diferentes) não faz sentido. Logo, ESTOQUE_QTD é uma medida semi-aditiva.

TIPO DE MEDIDA
PODE SOMAR NO
TEMPO?
PODE SOMAR EM
OUTRAS DIMENSÕES?
EXEMPLO
CLÁSSICO
ADITIVA Sim Sim Valor de venda
NÃO-ADITIVA Não Não Percentual, média
SEMI-ADITIVA Não Sim Estoque, saldo

Em suma, podemos concluir que medidas aditivas podem ser agregadas em todas as dimensões;
medidas não-aditivas não podem ser somadas em nenhuma dimensão; e medidas semi-aditivas admitem
agregação apenas em algumas dimensões, tipicamente exceto a dimensão tempo.

SÍNTESE DO TÓPICO

Online Analytical Processing (OLAP)
INCIDÊNCIA EM PROVA: ALTÍSSIMA

O OLAP refere-se a um conjunto de tecnologias e ferramentas projetadas para análise analítica avançada
de dados, com foco no apoio à tomada de decisões gerenciais e estratégicas. Diferentemente dos
sistemas tradicionais de banco de dados, que são voltados ao registro e à manutenção das operações do
dia a dia, o OLAP tem como propósito explorar, resumir, comparar e compreender grandes volumes de
dados históricos, permitindo que o usuário observe o negócio sob diversos ângulos simultaneamente.

A base conceitual do OLAP está na análise multidimensional. Os dados são organizados de forma que
possam ser analisados segundo múltiplas dimensões — como tempo, produto, local, cliente ou área
organizacional — e suas hierarquias. Isso possibilita que o analista navegue entre diferentes níveis de
detalhe, por exemplo, passando de uma visão anual para mensal ou diária, ou de uma visão nacional para
regional e local. Essa navegação ocorre de maneira interativa, sem necessidade de reestruturar dados ou
reescrever consultas complexas.

Uma das características mais relevantes do OLAP é o suporte a consultas ad-hoc, isto é, consultas
formuladas no momento da análise, sem que tenham sido previamente definidas pelo time de TI. O
usuário pode testar hipóteses, cruzar informações inesperadas e explorar padrões emergentes conforme
novas perguntas surgem. Esse dinamismo torna o OLAP especialmente valioso em ambientes nos quais
as decisões dependem de exploração contínua dos dados, e não apenas de relatórios fixos.

Outro aspecto fundamental é a abstração da complexidade técnica. Embora os dados por trás do OLAP
sejam armazenados em estruturas sofisticadas — como Data Warehouses, Data Marts ou cubos
multidimensionais —, o usuário final interage com interfaces visuais, painéis e operações intuitivas. Dessa
forma, profissionais de áreas como gestão, planejamento, controle ou auditoria conseguem analisar
informações sem dominar SQL, modelagem de dados ou conceitos avançados de bancos de dados.

André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
20
59
Em ambientes corporativos, o OLAP é amplamente utilizado para análise de desempenho,
monitoramento de indicadores, comparação entre períodos, avaliação de tendências e identificação de
desvios. Por exemplo, uma organização pode comparar o desempenho de vendas entre regiões,
identificar variações sazonais, avaliar o impacto de campanhas ou analisar a evolução de custos ao longo
do tempo. No setor público, essas mesmas capacidades são aplicadas à análise orçamentária,
acompanhamento de políticas públicas, controle de gastos e avaliação de resultados institucionais.

Do ponto de vista conceitual, o OLAP representa a camada analítica final de uma arquitetura de dados
mais ampla. Antes dele, os dados são coletados em sistemas transacionais (OLTP), integrados e
historizados em um Data Warehouse por meio de processos de ETL, e organizados segundo modelos
dimensionais. O OLAP se apoia nessa base estruturada para oferecer uma experiência de análise rápida,
flexível e orientada ao negócio.

Assim, o OLAP se distingue por transformar grandes volumes de dados históricos em informação
explorável, permitindo que decisões estratégicas sejam fundamentadas em análises consistentes,
comparativas e multidimensionais. Ele não substitui os sistemas operacionais nem os bancos
transacionais, mas os complementa, cumprindo um papel essencial na governança de dados e na
inteligência organizacional.

OLTP (ONLINE TRANSACTION PROCESSING) OLAP (ONLINE ANALYTICAL PROCESSING)
Sistema voltado ao processamento de transações em
banco de dados.
Sistema voltado à consulta e análise de dados.

Foco no nível operacional, apoiando a execução diária
do negócio.
Foco no nível estratégico, apoiando análise e tomada
de decisão.
Tabelas em linhas e colunas, geralmente
normalizadas.
Estruturas com fatos, dimensões e medidas,
geralmente desnormalizadas.
Utiliza bancos de dados transacionais em modelo
relacional.
Utiliza Data Warehouse/Data Marts em modelo
dimensional.
Tempo de resposta curto, de milissegundos a
segundos.
Tempo de resposta maior, geralmente de segundos a
minutos.
Trabalha com dados detalhados (alta granularidade).

Trabalha com dados resumidos ou agregados (baixa
granularidade), podendo manter detalhe.
Atualizações frequentes, ocorrendo a cada transação.

Atualizações periódicas via processos de carga
(ETL/ELT).
Não otimizado para análises históricas complexas.

Otimizado para análise de grandes volumes de dados
históricos.
Dados voláteis, sujeitos a inserção, alteração e
exclusão.
Dados históricos e não voláteis, raramente alterados.

Consultas pré-definidas e estruturadas.

Consultas ad-hoc e multidimensionais.

Poucos registros por transação e muitos usuários
simultâneos.
Muitos registros analisados e poucos usuários
simultâneos.

SÍNTESE DO TÓPICO

Classificação
INCIDÊNCIA EM PROVA: MÉDIA

A classificação do OLAP quanto ao tipo de armazenamento refere-se a onde e como os dados analíticos
são fisicamente armazenados e processados. Vejamos essa classificação:

ROLAP (Relational OLAP)

O ROLAP (sigla para Relational OLAP) é uma das abordagens do processamento analítico online que se
apoia diretamente nos bancos de dados relacionais para realizar análises multidimensionais. Em vez de
armazenar os dados em cubos ou estruturas pré-agregadas, o ROLAP mantém tudo no formato
tradicional de tabelas com linhas e colunas.

Por outro lado, apesar dessa estrutura relacional, o usuário final interage com o sistema como se estivesse
navegando por um cubo multidimensional. Essa “mágica” acontece graças a uma camada intermediária
que faz o mapeamento entre o modelo relacional e a visão multidimensional. Quando o usuário executa
operações como slice, dice ou drill-down, essa camada traduz essas ações em consultas SQL que o banco
consegue entender.

A maior vantagem do ROLAP é a escalabilidade. Como ele aproveita a capacidade dos SGBDs relacionais
— que já são otimizados para lidar com grandes volumes de dados —, não há um limite fixo imposto pela
CRIAÇÃO DINÂMICA DE CUBOS DADOS
SQL COMPLEXO REQUISIÇÃO

BANCO
RELACIONAL
ROLAP USUÁRIO
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
22
59
própria tecnologia de OLAP. Isso faz do ROLAP uma escolha interessante para ambientes com bases
muito extensas e dados constantemente atualizados.

Por outro lado, o desempenho costuma ser o calcanhar de Aquiles dessa abordagem. Cada interação do
usuário pode gerar uma ou várias consultas SQL, o que consome tempo e recursos — especialmente se o
banco não estiver bem indexado ou otimizado. Além disso, como o ROLAP depende exclusivamente da
linguagem SQL, ele acaba ficando limitado na hora de executar cálculos analíticos mais complexos, que
exigiriam funções além das disponíveis no SQL padrão.

Em suma, no ROLAP, o usuário faz uma solicitação analítica, que é convertida em SQL, executada no
banco relacional e, depois, o resultado é apresentado em um formato multidimensional. É uma solução
que valoriza a flexibilidade e a integração com infraestruturas relacionais já existentes, mesmo que isso
traga um custo em termos de performance e sofisticação analítica.

Imagine uma loja que vende uma variedade de produtos em diferentes regiões e deseja analisar as
vendas por produto, por região e por mês. O gerente da loja quer ser capaz de: ver as vendas totais por
mês e analisar as vendas detalhadas por produto e cliente. Nesse contexto, o gerente solicita uma
consulta ad-hoc para saber as vendas totais por produto e por mês.

No ROLAP, o sistema não tem um cubo pré-calculado. Em vez disso, o ROLAP pega a tabela de vendas
transacionais, que armazena cada venda detalhadamente, e usa SQL dinâmico para calcular os totais para
cada produto e mês no momento da consulta.

Quando o gerente faz a consulta, o sistema vai até o banco de dados relacional (onde as vendas são
registradas linha a linha) e executa um SQL complexo com junções (JOINs) para agrupar os dados por
produto e mês, calculando a soma das vendas. Como resultado, o sistema faz o cálculo na hora, o que
pode demorar mais, especialmente se os dados forem volumosos. Por outro lado, o gerente pode
consultar qualquer detalhe sem limitações, pois os dados estão sempre atualizados.

MOLAP (Multidimensional OLAP)

Trata-se da ferramenta tradicional de OLAP que recupera dados de um banco de dados multidimensional.
Falou em multidimensional, vocês se lembram do quê? Vetores/Arrays Dimensionais (Cubos)! Em outras
palavras, essa ferramenta apresenta os dados para o usuário em uma visão multidimensional e eles são
efetivamente armazenados em bancos de dados multidimensional otimizados chamados
Multidimensional Database (MDDB).

Esses bancos de dados multidimensionais são proprietários, isto é, pertencem a alguma empresa
específica. Além disso, cubos de dados deste banco transportam dados pré-calculados e pré-fabricados.
Por quem, professor? Pelas ferramentas MOLAP, que recebem dados de algum Data Warehouse. O
MOLAP fornecerá a visualização multidimensional dos dados dos MDDBs para o usuário. Vocês
conseguem ver a sacada desse modelo?
DW
CUBOS DE DADOS
DADOS PROPRIETÁRIOS
CRIA E ARMAZENA
REQUISIÇÃO

MOLAP MDDB USUÁRIO
André Castro, Diego Carvalho,Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
23
59

Um usuário que deseje realizar consultas multidimensionais fará uma requisição diretamente a um banco
de dados multidimensional sem necessidade de qualquer tradução. Além disso, ele consultará dados
pré-calculados e pré-fabricados, melhorando o desempenho da consulta. Dessa forma, quando houver
uma solicitação do usuário para os dados, nenhum tempo será desperdiçado no cálculo dos dados e as
respostas do sistema serão rápidas.

Uma vantagem, portanto, desse modelo é seu alto desempenho, visto que os cubos de dados são
construídos para uma rápida recuperação de dados e o usuário é capaz de manipular dados diretamente
no servidor. Além disso, todos os cálculos são pré-gerados quando o cubo é criado e podem ser
facilmente aplicados no momento da pesquisa de dados. No entanto, exige altos investimentos, uma vez
que necessita de tecnologias proprietárias.

Sem esquecer de sua baixa escalabilidade: sua vantagem de conseguir alto desempenho com a pré-
geração de todos os cálculos no momento da criação dos cubos faz com que o MOLAP seja limitado a
uma pouca quantidade de dado2s. Essas vantagens e desvantagens auxiliam o usuário a escolher com
melhor acusaria a ferramenta que mais lhe atende.

Ainda no contexto da loja visto anteriormente, temos que: no MOLAP, a loja tem um cubo de vendas já
pré-calculado, onde os dados foram agregados por produto, por região e por mês. Quando o gerente
solicita as vendas totais por produto e por mês, o sistema simplesmente consulta o cubo para buscar as
informações pré-calculadas.

O cubo MOLAP já possui todas as agregações (como total de vendas por produto e mês) e o gerente
pode consultar esses dados com muito mais rapidez. O cubo foi construído previamente a partir dos
dados detalhados e armazenado de forma multidimensional. Como resultado, as consultas são
extremamente rápidas, pois os cálculos já estão prontos no cubo. No entanto, o cubo MOLAP não tem
dados detalhados. Se o gerente quiser ver uma venda individual, o sistema não poderá fornecer essas
informações.

HOLAP (Hybryd OLAP)

Trata-se de combinar as vantagens de MOLAP e ROLAP, extraindo o que há de melhor de cada uma, ou
seja, a alta performance do MOLAP com a melhor escalabilidade do ROLAP. Para informações mais
sintéticas, HOLAP utiliza cubos dimensionais para um desempenho mais rápido. Quando for necessário
mais detalhe, ele pode ir além do cubo multidimensional para o banco relacional utilizado no
armazenamento de detalhes.

Uma vantagem é o alto desempenho: os cubos dimensionais apenas armazenam uma síntese das
informações; e alta escalabilidade: os detalhes das informações são armazenados em um banco de dados
relacional. Como desvantagem, podemos dizer que arquitetura possui um custo maior, uma vez que
necessita de um alto investimento de aquisição. Bacana? Vamos ver alguns exercícios para treinar...

Ainda no contexto da loja dos exemplos anteriores, essa loja pode adotar o HOLAP para equilibrar o
desempenho e a flexibilidade. O cubo de vendas contém os totais agregados de vendas por produto,
região e mês (como no MOLAP), mas também mantém os dados detalhados das vendas no banco
relacional. Quando o gerente solicita as vendas totais por produto e por mês, o sistema consulta

2 Embora o ROLAP seja mais escalável para grandes volumes, o MOLAP é imbatível em performance (velocidade) especificamente em volumes de
dados menores ou controlados (Data Marts), devido à sua arquitetura de pré-cálculo e acesso direto ao cubo
André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
24
59
rapidamente o cubo MOLAP para os totais agregados. Porém, se o gerente quiser consultar uma venda
individual, o sistema acessa o banco relacional para puxar os dados detalhados dessa venda específica.

Como resultado, as consultas rápidas (como totais de vendas) são feitas diretamente no cubo, enquanto
a consulta detalhada é feita diretamente no banco de dados relacional. Isso proporciona um bom
equilíbrio entre performance e flexibilidade. O gerente pode obter informações detalhadas quando
necessário, sem comprometer a velocidade nas análises agregadas.

ARQUITETURA DESEMPENHO ESCALABILIDADE CUSTO
MOLAP ↑ ↓ ↑
ROLAP ↓ ↑ ↓
HOLAP ↑ ↑ ↑

TIPO EXEMPLO COMO FUNCIONA VANTAGENS DESVANTAGENS
ROLAP
[Relational OLAP]
Análise ad-hoc de
vendas totais por
produto e mês.
Utiliza SQL dinâmico,
buscando dados
diretamente no banco
relacional.
Flexível e
acessa dados
detalhados.
Mais lento devido à
necessidade de
cálculos dinâmicos e
joins.
MOLAP
[Multidimensional
OLAP]
Análise de vendas
totais já agregadas
por produto e mês.
Usa cubos pré-calculados
para consultas rápidas em
bancos dimensionais.
Desempenho
muito rápido
nas
consultas.
Não fornece dados
detalhados, apenas
agregados.
HOLAP
[Hybrid OLAP]
Consulta de vendas
totais e detalhes de
vendas específicas.
Combina cubos (agregações
rápidas) e dados detalhados
armazenados no banco
relacional.
Equilibra
desempenho
e
flexibilidade.
Requer mais espaço
de armazenamento e
mais complexidade
na implementação.

Por fim, é importante salientar que ROLAP é mais indicado para Data Warehouses pelo grande volume
de dados, pela necessidade de um maior número de funções e pelas diversas regras de negócio a serem
aplicadas. Já o MOLAP é mais indicado para Data Marts, em que os dados são mais específicos e o
aplicativo será direcionado na análise com dimensionalidade limitada e pouco detalhamento das
informações.

Existe também uma classificação quanto à origem ou ao local de execução do processamento, que trata
de onde o OLAP é acessado e onde ocorre o processamento analítico. Ela se divide em DOLAP (Desktop
OLAP), WOLAP (Web OLAP) e SOLAP (Server OLAP). No entanto, até hoje não vi ser cobrado em provas
de concurso, portanto não vamos detalhá-la.

SÍNTESE DO TÓPICO

Operações OLAP
INCIDÊNCIA EM PROVA: ALTÍSSIMA

OPERAÇÕES OLAP
Conjunto de ações que permitem explorar e analisar dados multidimensionais de forma interativa, possibilitando
ao usuário navegar entre diferentes níveis de detalhe e diferentes perspectivas de análise. Por meio dessas
operações — como drill-down, roll-up, slice, dice e pivot — o analista pode aprofundar ou resumir informações,
filtrar subconjuntos de dados, reorganizar dimensões e comparar resultados, sempre com o objetivo de
identificar padrões, tendências e exceções que apoiem a tomada de decisões estratégicas.

É possível executar diversas operações diferentes em um cubo de dados facilitando a navegação pelas
dimensões. Antes de conhecê-las, precisamos entender o conceito de granularidade (grão).

E aqui já temos uma polêmica enorme: ao resolver diversas questões de concurso, vocês verão que existe
uma divergência sobre esse conceito. O problema não está exatamente na teoria, mas na forma como o
termo “granularidade” e “níveis de granularidade” são utilizados em contextos diferentes em prova.
Vamos lá...

O que é granularidade? Granularidade refere-se ao nível de detalhamento, ou seja, o quão pequenae
específica é a divisão de uma entidade ou conjunto de dados. Nesse contexto, detalhamento é antônimo
de agregação. Dessa forma, o que tem maior granularidade: areia ou cascalho? Areia tem maior
granularidade porque é menor (mais atômica) que cascalho.

Nesse sentido, quando eu aumento a granularidade, eu estou aumentando o detalhamento (ou reduzindo
a agregação dos dados). De forma análoga, quando eu reduzo a granularidade, eu estou reduzindo o
detalhamento (ou aumentando a agregação). Até aqui nenhum problema –a confusão começa quando as
provas utilizam o termo “nível de granularidade”.

André Castro, Diego Carvalho, Emannuelle Gouveia Rolim, Equipe Exatas Estratégia Concursos, Renato da Costa, Rodrigo Rennó
Aula 16 (Profs. Diego Carvalho e Emannuelle Gouveia)
TCE-SC (Exceto cargo de TI) Informática e Análise de Dados - 2026 (Pós-Edital)
www.estrategiaconcursos.com.br
07931781937 - Amanda Finck Drehmer
26
59
O raciocínio mais comum dos alunos é pensar da seguinte forma: se a “granularidade” se refere ao nível
de detalhamento, então o “nível de granularidade” também se refere ao nível de detalhamento. Seguindo
esse raciocínio, quanto maior o nível de granularidade, maior o detalhamento. Se você pensou assim,
pronto... errou a questão!

Quando as questões de concurso falam em “nível de granularidade”, você tem que trocar imediatamente
em sua cabeça por “nível de hierarquia”, isto é, a altura dos níveis na hierarquia. Agora, sim, seguindo
esse raciocínio, podemos concluir que, quanto maior o nível de granularidade, ou seja, quanto mais alto
na hierarquia, menor o detalhamento. Se você pensou assim, pronto... acertou a questão!

Para entender isso melhor, considerem a hierarquia a seguir. Agora respondam: quem tem hierarquia
maior está em cima ou embaixo na imagem? Acredito que todos vão responder que está em cima! Logo,
se eu subo na hierarquia, eu posso concluir que estou aumentando a granularidade (altura dos níveis); de
forma análoga, se eu desço na hierarquia, eu estou reduzindo a granularidade (altura dos níveis).

Ainda nesse sentido, eu posso concluir que o nível de granularidade do Nível C é menor que o nível de
granularidade do Nível A, dado que está em uma altura mais baixa na hierarquia; de forma análoga, eu
também posso afirmar que o nível de granularidade do nível A é mais alto que o nível de granularidade
do Nível C, dado que está em uma altura mais alta na hierarquia.

Para ficar mais fácil de entender, imagine que o Nível A representa Generais do Exército e o Nível C
representa Soldados do Exército. Quem tem o nível hierárquico maior? O general, logo o nível de
granularidade (nível de hierarquia) dele é mais alto; já o soltado representa um nível de granularidade
(nível de hierarquia) mais baixo.

Slice

A operação Slice (em português, “fatiar”) consiste em fixar um único valor de uma dimensão e, a partir
disso, reduzir o cubo multidimensional para uma subestrutura de menor dimensionalidade. Em termos
práticos, é como “cortar” o cubo em uma direção específica, mantendo apenas os dados que atendem
àquele critério. O resultado normalmente é um subcubo ou até mesmo uma matriz bidimensional,
dependendo da quantidade de dimensões restantes. O objetivo do slice é simplificar a análise,
permitindo foco total em um recorte específico dos dados.

Dice

A operação Dice (em português, “cortar”) consiste em selecionar subconjuntos de valores em duas ou
mais dimensões simultaneamente, criando um subcubo a partir do cubo original. Diferentemente do slice,
que fixa apenas um valor em uma única dimensão, o Dice aplica filtros múltiplos, restringindo intervalos
ou conjuntos específicos de valores em várias dimensões ao mesmo tempo. Essa operação é usada
quando o analista deseja uma visão mais refinada dos dados, combinando critérios e reduzindo
significativamente o espaço de análise, sem perder a natureza multidimensional.

Quando realizamos um Slice, fixamos um valor em uma dimensão e reduzimos a dimensionalidade do
cubo. Quando realizamos um Dice, selecionamos subconjuntos de valores em duas ou mais dimensões,
mantendo o cubo, porém menor. Ao aplicar Slice and Dice em conjunto, estamos extraindo partes
específicas do cubo original, criando subcubos ou visões parciais dos dados. Nesse sentido, é
perfeitamente válido dizer que o cubo está sendo fragmentado, pois apenas uma fração do espaço
multidimensional original está sendo analisada.

Do ponto de vista teórico, o termo mais preciso é subcubo ou recorte do cubo multidimensional, mas a
ideia de “fragmentação” ajuda muito na compreensão intuitiva: o cubo completo é progressivamente
“quebrado” em pedaços menores, cada um representando um contexto analítico específico. Em provas,
é importante lembrar que slice, dice e slice-and-dice não destroem o cubo, apenas criam visões derivadas
dele. Assim, “fragmentação” pode aparecer como explicação conceitual, mas não como o nome oficial
de uma operação OLAP.

Em suma: a aplicação conjunta das operações slice e dice resulta na criação de subcubos, representando
recortes ou fragmentações conceituais do cubo multidimensional, sem alterar o cubo original.

Drill Down

Essa operação consiste em aumentar o nível de detalhe da análise, navegando de um nível mais agregado
para níveis mais detalhados dentro de uma hierarquia de uma dimensão. Em termos conceituais, é o
movimento do geral para o específico, permitindo que o analista investigue a origem de um resultado
agregado. O drill down não altera o cubo em si, mas muda o nível hierárquico exibido, aprofundando a
análise e revelando informações que estavam resumidas em um nível superior.

Essa operação consiste em subir o nível de agregação dos dados, navegando de um nível mais detalhado
para um nível mais resumido dentro de uma hierarquia dimensional. Ela pode ocorrer de duas formas
principais: (1) agregando valores ao longo de uma hierarquia explícita (Ex: mês → trimestre → ano na
dimensão tempo) ou (2) reduzindo dimensões, quando se elimina um nível de detalhe para obter uma
visão mais consolidada. O objetivo do Roll-Up é permitir análises mais macro, respondendo perguntas
do tipo “qual o total por período maior?”, sacrificando detalhe em troca de visão estratégica.

Drill-Across

Aqui infelizmente também temos uma polêmica grande, dados que o termo Drill Across é usado de
formas diferentes na literatura técnica e nas questões de concurso, o que gera interpretações conflitantes.
Do ponto de vista clássico da modelagem dimensional (Kimball), Drill Across não é uma navegação dentro
de um único cubo, como ocorre no Drill Down ou Drill Up. Ele ocorre quando o analista compara ou
combina medidas de tabelas fato diferentes, desde que essas tabelas compartilhem dimensões
conformadas (mesmo significado, mesma granularidade e mesmas chaves).

Por outro lado, em questões de prova, algumas bancas tratam

Modelagem Dimensional

ESTÁCIO

Ferramentas de estudo

Conteúdos escolhidos para você

II_BIntelligence_PDF

Arquitetura de Data Warehouse e Data Marts - Simulado

Tema 03 Conceitos básicos de modelagem dimensional de dados