DifícilMúltipla escolha

Questão de prática de DA0-002

Uma grande empresa de varejo está integrando dados de clientes de dois sistemas CRM separados em um novo data warehouse. O Sistema A armazena IDs de clientes como números inteiros (por exemplo, 12345), enquanto o Sistema B os armazena como strings alfanuméricas (por exemplo, 'CUST-12345-X'). Além disso, alguns clientes existem em ambos os sistemas, mas com pequenas variações de nomes (por exemplo, 'John Smith' vs 'Jon Smith'). O data warehouse exige uma tabela de clientes unificada com um único identificador exclusivo para cada cliente. O analista precisa projetar o processo de aquisição de dados. Qual das seguintes opções é a primeira etapa mais adequada?

Escolha a melhor resposta.

Resposta correta

  • CRealizar o profiling de dados para analisar distribuições de dados, tipos de dados e problemas de qualidade em cada origem

Explicação

O profiling de dados é a primeira etapa fundamental em qualquer projeto de integração de dados. Ele avalia sistematicamente os tipos de dados de origem, formatos, integridade e problemas de qualidade (por exemplo, IDs inteiros vs. alfanuméricos, variações de nomes) antes de projetar a lógica de transformação. Sem o profiling, as etapas subsequentes, como o fuzzy matching ou a padronização de IDs, correm o risco de serem construídas com base em premissas incorretas sobre os dados.

Por que cada alternativa está certa ou errada

A

Incorreta

Usar uma tabela de referência simples baseada em correspondências exatas de nomes para vincular registros

A correspondência exata de nomes falha imediatamente porque 'John Smith' e 'Jon Smith' diferem, e os formatos de ID são incompatíveis, de modo que o crosswalk não pode vincular registros. É tentador porque uma tabela crosswalk é o artefato correto para mapear identificadores legados para uma chave unificada assim que a lógica de correspondência é definida.

B

Incorreta

Carregar todos os dados de ambos os sistemas em uma tabela de staging e, em seguida, executar um algoritmo de fuzzy matching para identificar duplicatas

O fuzzy matching pressupõe que uma chave comum ou campo comparável já exista; aqui, os identificadores diferem em tipo de dado e formato, de modo que nenhuma chave de junção ou correspondência confiável está disponível ainda. É tentador porque o fuzzy matching é genuinamente a ferramenta certa para reconciliar variações de nomes assim que os registros possuem chaves e estão padronizados.

C

Correta

Realizar o profiling de dados para analisar distribuições de dados, tipos de dados e problemas de qualidade em cada origem

O profiling de dados expõe primeiro a incompatibilidade exata de tipos entre IDs de clientes inteiros e de string, além da escala de nomes quase duplicados, como 'John Smith' versus 'Jon Smith'. Essa evidência, cobrindo distribuições, formatos e qualidade, é necessária antes de escolher uma estratégia de correspondência ou padronização para a tabela de clientes unificada.

D

Incorreta

Padronizar todos os IDs de clientes para um formato comum (por exemplo, UUIDs) e, em seguida, mesclar as tabelas

A atribuição de UUIDs cria novos identificadores, mas não determina quais registros representam o mesmo cliente, de modo que as duplicatas persistem após a mesclagem. É tentador porque a geração de chave substituta (surrogate key) é genuinamente necessária para a tabela unificada, mas deve seguir a resolução de entidades, e não precedê-la.

Para se aprofundar

O profiling de dados é o exame sistemático dos dados de origem para entender tipos de dados, distribuições, taxas de nulos, intervalos de valores e problemas de qualidade antes de projetar transformações. Neste cenário, os dois sistemas CRM usam formatos de ID incompatíveis e apresentam variações de nomes, portanto, o profiling revela exatamente como os IDs estão estruturados, com que frequência os nomes diferem e quais regras de correspondência são viáveis. Somente após o profiling o analista pode escolher a padronização, o fuzzy matching ou uma abordagem de tabela de referência (crosswalk). Ignorar o profiling arrisca construir um fuzzy matching em campos mal compreendidos ou padronizar IDs perdendo o significado. Um caso realista é descobrir que 'CUST-12345-X' do Sistema B incorpora o número inteiro do Sistema A, o que simplifica o design do crosswalk.

Sobre estas questões de prática

Esta é uma das questões de prática originais de DA0-002 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.