A
corresponde a uma metodologia de modelagem dimensional baseada em fatos e dimensões, enquanto o Data Warehouse representa um conjunto de algoritmos distribuídos utilizados para processamento paralelo de dados em larga escala.
B
e Data Warehouse são conceitos equivalentes relacionados à administração de bancos de dados relacionais, diferenciando-se pela capacidade de armazenamento disponibilizada pela infraestrutura computacional utilizada.
C
e Data Warehouse possuem a mesma finalidade arquitetural, sendo ambos destinados ao armazenamento de dados estruturados em modelos dimensionais voltados à análise gerencial.
D
corresponde às tecnologias e abordagens voltadas ao processamento e armazenamento de grandes volumes de dados, enquanto o Data Warehouse consiste em um repositório destinado à consolidação de dados para a tomada de decisão.
E
caracteriza ambientes destinados ao processamento transacional de aplicações corporativas, enquanto o Data Warehouse é utilizado para armazenamento de dados operacionais antes de sua transferência para os sistemas de produção.
A
A análise de dados constitui uma etapa conceitual e puramente teórica que antecede a ciência de dados, prescindindo do uso de ferramentas computacionais ou de técnicas de matemática aplicada para sua execução.
B
A inteligência artificial e o aprendizado de máquina são áreas adjacentes, porém independentes da ciência de dados, não havendo intersecção metodológica entre a modelagem de algoritmos preditivos e o processo de extração de conhecimento.
C
O objetivo final da ciência de dados restringe-se à validação técnica de fluxos de dados ( pipelines ), sendo a compreensão do problema de negócio e o mapeamento de valor etapas exclusivas da engenharia de dados e do Big Data.
D
A ciência de dados caracteriza-se primordialmente pelo estudo e pela implementação de infraestruturas físicas para transmissão de dados, ao passo que o Big Data tem foco estrito na modelagem algorítmica e inferência estatística.
E
O Big Data provê o ecossistema tecnológico e as ferramentas para lidar com a coleta, o armazenamento e o processamento distribuído de dados em larga escala (volume, velocidade e variedade), enquanto a ciência de dados utiliza esse suporte para aplicar métodos científicos e matemáticos que permitam a extração de conhecimento e de padrões úteis à tomada de decisão.
A
manter os dados processados localmente e evitar arquiteturas em nuvem, pois a infraestrutura local oferece maior controle sobre a segurança, o desempenho do processamento e o sigilo dos insigths obtidos.
B
utilizar um modelo de processamento distribuído baseado em frameworks como Apache Hadoop e Apache Spark, permitindo a manipulação eficiente de grandes volumes de dados de forma paralela e escalável.
C
aumentar a capacidade dos servidores e utilizar bancos de dados relacionais, pois a verticalização dos recursos melhora o desempenho da análise de dados e viabiliza o data mining.
D
focar na coleta de dados estruturados e ferramentas OLAP para análise, evitando dados não estruturados, pois estes não fazem parte do universo de dados do Tribunal.
E
implementar dashboards de Business Intelligence para facilitar a tomada de decisão, pois visualizações bem estruturadas garantem uma análise detalhada, sem necessidade de processamento distribuído.
A
o aumento do Volume de dados, já na escala de TeraBytes, inviabiliza o uso de ferramentas de bancos de dados tradicionais, exigindo imediatamente a adoção de arquiteturas em nuvem que operem em ExaBytes (1 Exabyte é equivalente a 1024 ZettaBytes) ou mais, devido à variedade envolvida.
B
se há a necessidade de se processar um Volume de 100 TeraBytes de informação ( throughput ) em um sistema com capacidade de transferência de 1 GBps, o tempo total de processamento seria de cerca de 102.400 segundos. Considerando uma latência inicial para o sistema começar a processar os dados, da ordem de alguns segundos ou minutos dependendo da arquitetura, o tempo final para completar a transação seria de cerca de 28 horas e alguns minutos.
C
a Veracidade dos dados é um desafio que surgiu recentemente, com a explosão de dados que deram origem ao Big Data. Dados de trabalhadores obtidos de redes sociais e fontes externas são pouco confiáveis, pois podem advir de fake news, ao contrário dos dados de sistemas internos como ERPs e CRMs, que garantem automaticamente a autenticidade das informações, gerando economia de recursos gastos com mecanismos de validação.
D
a Volatilidade dos dados está relacionada à sua precisão e correção para o uso pretendido. Um exemplo seria: o dado "gênero" de trabalhadores cadastrados deve levar a um único atributo, como M para masculino e F para feminino, mesmo que na origem haja diferentes denominações como homem, mulher, macho, fêmea etc. M significando Mulher não poderia ser usado como M, pois este já indicaria Masculino.
E
antes da era do big Data, era comum armazenar os dados quase que indefinidamente, já que alguns TeraBytes não implicavam em despesas relevantes com armazenamento. Mas este cenário mudou drasticamente devido à Velocidade e ao Volume do Big Data, e sua Variabilidade precisa ser cuidadosamente considerada. A Variabilidade implica, por exemplo, em responder: a partir de quantos anos os dados de um trabalhador podem ser considerados irrelevantes, históricos ou deixarem de ser úteis?
A
a utilização de ferramentas de Data Mining, pois algoritmos de mineração de dados conseguem analisar qualquer volume de informações fiscais sem depender de frameworks como Hadoop ou Spark.
B
o Data Warehouse, pois permite processar dados não estruturados e estruturados simultaneamente, garantindo alta velocidade e baixa latência nas análises fiscais.
C
a combinação de Hadoop, para armazenamento distribuído e processamento em lote, com Spark, para análises rápidas e em tempo real, que viabiliza a fiscalização de grandes volumes de dados fiscais.
D
o Apache Hadoop, ferramenta ideal para análise em tempo real, pois seu módulo de processamento MLIb, otimizado para aprendizado de máquina, permite respostas instantâneas a consultas complexas em grandes volumes de dados fiscais.
E
o Apache Spark, uma plataforma otimizada para processamento em lote, ideal para análises de streamíng e detecção de padrões em tempo real utilizando MapReduce.
A
Data Warehousing refere-se ao processamento de grandes volumes de dados em tempo real, permitindo que decisões sejam tomadas instantaneamente, sem a necessidade de armazená-los previamente.
B
Business Intelligence (BI) está focada apenas na coleta de dados internos da organização, não considerando fontes externas, como redes sociais, tendências de mercado e concorrência.
C
Data Mining é a técnica utilizada para transformar dados brutos em informações organizadas, estruturadas e padronizadas para facilitar seu armazenamento e recuperação.
D
Machine Learning é um modelo de banco de dados usado para armazenar informações estruturadas, sendo utilizado principalmente para o armazenamento físico de grandes volumes de dados.
E
Big Data é caracterizado pelo grande volume, variedade e velocidade dos dados processados, permitindo análises avançadas para identificar padrões e apoiar decisões estratégicas.
