O processo que emprega técnicas estatísticas, matemáticas e de inteligência artificial, para extrair e identificar informações úteis, conhecimentos e padrões na forma de regra de negócio, a partir de vastos conjuntos de dados, denomina-se
- A)DW (data warehouse).
Errada, porque Data Warehouse é o repositório integrado de dados voltado a análise, não o processo de descoberta de padrões.
- B)DM (data mart).
Errada, porque Data Mart é uma subdivisão temática do Data Warehouse, usada para atender a uma área específica do negócio.
- C)K-Means.
Errada, porque K-Means é um algoritmo de agrupamento, ou seja, uma técnica usada dentro de Data Mining, e não o nome do processo em si.
- D)ETL (Extract, Transform and Load).
Errada, porque ETL é a etapa de extração, transformação e carga dos dados, preparando-os para uso analítico, mas não para mineração de padrões.
- E)Data Mining.
Certa, porque Data Mining é o processo de aplicar técnicas estatísticas, matemáticas e de IA para descobrir padrões e conhecimento útil em grandes volumes de dados.
Gabarito: E
A questão descreve o processo de examinar grandes volumes de dados com apoio de estatística, matemática e inteligência artificial para encontrar padrões, relações e regras úteis para o negócio. Isso é exatamente o que se chama Data Mining, ou mineração de dados. A ideia é sair do "monte de dados" e chegar em conhecimento acionável, como previsões, agrupamentos e associações relevantes. Pense assim: o banco de dados guarda os fatos, o Data Warehouse organiza para análise, o Data Mart recorta uma parte desse universo, o ETL prepara e transporta os dados, e o Data Mining entra para "garimpar" conhecimento. O nome já entrega a lógica: mineração é sair cavando até achar algo valioso escondido. Não é só consulta, é descoberta de padrões. Por isso o gabarito é a letra E. Em doutrina de BI e KDD, Data Mining é a etapa em que algoritmos e métodos estatísticos/IA são usados para identificar padrões significativos em grandes bases de dados. CESPE costuma cobrar essa definição quase literal, então vale decorar a associação entre "extrair conhecimento" e "mineração de dados". Se a questão falar em descobrir regras de negócio, tendências, clusters, associações ou classificações a partir de dados massivos, acenda a luz amarela: quase sempre está falando de Data Mining.