A.   Oracle Essbase

B.   IBM TM1

C.   Microsoft SSAs

A.   Es ist gleich wie bei der Datenvalidierung

B.   Die Harmonisierung von Daten kann nicht als Datenschrubben angesehen werden

D.   Die Standardisierung von Daten kann nicht als Datenschrubben angesehen werden

A.   Schneeflockenschema

C.   Sternschema

D.   Fakt -Konstellationsschema

B.   Zusammenführung der Zellen aller bis auf eine Dimension

C.   Zusammenführung der Zellen entlang einer Dimension

D.   Auswahl aller bis auf eine Dimension des Datenwürfels.

A.   Datenverlauf aufrechtzuerhalten

B.   Datenqualität zu verbessern

D.   Daten aus mehreren Quellsystemen zu integrieren

A.   ODS

B.   Reinraumtisch

D.   Keine eindeutige Reinigungsphase, Daten, die während MDX -Abfragen gereinigt wurden

A.   Es verwendet die beiden Datenspeicherungsniveaus, um dichte und spärliche Datensätze zu verarbeiten

C.   Es erleichtert OLTP -Operationen in SQL

D.   Es verwendet Array-basierte mehrdimensionale Speichermotoren

A.   Es ist notwendig, die Betriebsdaten frei von lagernden Vorgängen zu halten

B.   Es enthält Daten, die aus mehreren Quellen abgeleitet wurden

C.   Ein Data Warehouse kann es sich nicht leisten, beschädigte Daten darin zuzulassen

B.   Randomisierung des Jahres und der Region

C.   Angabe eines bestimmten Jahres

D.   Randomisierung des Jahres

B.   Kerntabelle

C.   Metadatentisch

D.   Dimensionstabelle

A.   Kann große Datenmengen bewältigen

B.   Leistung kann langsam sein

D.   Kann Funktionen nutzen, die der relationalen Datenbank inhärent sind

B.   Data Warehouses enthalten Daten, die im Allgemeinen in einem regulären Intervall aus den Betriebsdatenbanken geladen werden

C.   Der Zeithorizont eines Data Warehouse ist länger als der von Betriebssystemen

D.   Data Warehouse hält sowohl historische als auch (nahezu) aktuelle Daten bei

A.   Molap -Würfel sind für schnelle Datenabrufe erstellt

B.   Molap -Würfel sind optimal für das Schneiden und Würfelvorgängen

C.   Die Daten werden in einem mehrdimensionalen Würfel gespeichert.

A.   Dadurch können Benutzer Daten aus vielen verschiedenen Dimensionen oder Winkeln analysieren

C.   Es ist der Prozess der Analyse von Daten aus verschiedenen Perspektiven und Zusammenfassung in nützlichen Informationen

D.   Es ist der Prozess, Korrelationen oder Muster zwischen verschiedenen Bereichen zu finden

A.   Sql

B.   ETL

D.   OLTP

A.   Inkrementelle Extraktion

C.   Vollständige Extraktion

D.   Online -Extraktion

B.   Es handelt sich um Kopie der Transaktionsdaten

C.   Es soll die Berichterstattung und Analyse erleichtern

D.   Es ist ein nichtflüchtiges zeitvariante Repository

A.   Es wird durch zentralisierte Faktentische dargestellt

B.   Es ist eine logische Anordnung von Tabellen in einer mehrdimensionalen Datenbank

D.   Es ist eine Variation des Sternschemas

B.   Testsprache extrahieren

C.   Exportieren, übertragen, beladen

D.   Exportieren, übersetzen, laden

A.   Sternschema

B.   Schneeflockenschema

C.   Fakt -Konstellationsschema

A.   OLTP

B.   Relationale Datenbank

C.   ODS

A.   Sternschema

C.   Olap

D.   Schneeflockenschema

A.   Wenn die beiden Quellen mehrere passende Spalten haben

B.   Wenn die beiden Quellen eine primäre Keilbeziehung haben

D.   Wenn die beiden Quellen heterogen sind

B.   Die Rohdaten, aus denen die Fakten abgeleitet sind

C.   Die Richtung entlang der additiven Maßnahmen können kombiniert werden

D.   das Verhältnis von Fakten zu Dimensionen

A.   Bohrer

B.   Herunterrollen

C.   Aufrollen

B.   Alle Mitglieder

C.   Blätter

D.   Unterscheidbar

A.   Forran

C.   Sql

D.   SPSS

A.   Würfel

B.   verbinden

C.   Drehzahl

A.   Transaktionsvolumen

B.   Bruttogewinn

C.   Kosten

A.   Es rotiert die Datenachsen in der Sicht, um eine alternative Präsentation von Daten bereitzustellen

B.   Zwei aufeinanderfolgende Slice -Operationen in zwei verschiedenen Dimensionen

C.   Es ist auch als Rotation bekannt

A.   CRC

C.   (Keine dieser Entscheidungen)

D.   Prüfspalten

A.   /* diese Linie */

B.   // diese Linie

D.   -- diese Linie

A.   Eine Zugriffsschicht, die eine Teilmenge eines Data Warehouse umfasst

B.   Ein Online -Austausch, an dem Unternehmen Geschäftsinformationen tauschen können

C.   Ein Schema, das Daten zu Fakten und Dimensionen organisiert

D.   Ein zentrales Repository, in dem separate Organisationen Daten sicher sichern können

A.   Das Stern- und Schneeflockenschema enthält zwei Faktentische

B.   Das Schneeflockenschema enthält zwei Faktentische

D.   Sternschema enthält zwei Faktentische

B.   Speichern Sie UID, wenn ein Speicherdimensionstisch existiert

C.   Einheiten verkauft

D.   Nichts des oben Genannten

A.   Betreff orientiert

C.   Nicht flüchtig

D.   Integriert

A.   Datenbank

B.   Olap

D.   Data Warehousing Env

A.   Aufrollen

B.   Herunterrollen

D.   Bohrer

B.   OLTP

C.   Sowohl OLAP als auch OLTP

D.   Weder OLAP noch OLTP

B.   Nichts des oben Genannten

C.   Ein dreidimensionales Array für die Online-Analyseverarbeitung

D.   Ein Dimensional-Reduktions-Vorgang, der Daten zusammenfasst

A.   Normalisierung

B.   Alles das oben Genannte

D.   Primärschlüssel

A.   Alle Optionen sind korrekt

B.   Olap

C.   Data Warehousing Env

A.   Es verwendet nur eine Ebene der Datenspeicherdarstellung, um spärliche Datensätze zu verarbeiten

B.   Es verwendet nur eine Ebene der Datenspeicherdarstellung, um dichte Datensätze zu verarbeiten

C.   Es verwendet eine Ebene der Datenspeicherdarstellung, um sowohl dichte als auch spärliche Datensätze zu verarbeiten

B.   Es bildet ein neues Unterkube, indem es eine oder mehrere Dimensionen auswählt

C.   Die Würfeloperation führt eine Auswahl einer Dimension auf einem bestimmten Würfel durch

D.   Es navigiert die Daten von weniger detaillierten Daten bis hin zu sehr detaillierten Daten

A.   Würfel

B.   Scheibe

C.   rotieren

A.   Normalisierter Ansatz

B.   Weder dimensionaler noch normalisierter Ansatz

C.   Sowohl dimensional als auch normalisierter Ansatz

B.   Meistens8, RunLength, roh

C.   Byte-Dictionary, Lzo, Delta

D.   Lzo, Delta, roh

A.   Lesen und Schreiben

C.   Nur schreiben

D.   Schreiben Sie dekonditional

A.   Integriertes Data Warehouse

C.   Offline -Betriebsdatenlager

D.   Offline -Data Warehouse

A.   Relational

B.   Mehrdimensional

C.   Hybrid

B.   Wenn es erforderlich ist, eine komplexe Berechnung durchzuführen

C.   Wenn ein schnelles Datenabruf erforderlich ist

D.   Beim Schneiden und Würfeln ist erforderlich

A.   Die erste Schicht der Architektur

C.   Die dritte Schicht der Architektur

D.   Die vierte Schicht der Architektur

B.   Herunterrollen

C.   Aufreißen

D.   Bohrer

B.   Einlegen und löschen

C.   Erfrischen und laden

D.   Erstellen und bearbeiten

A.   Natürliche Gruppierungen abdecken

C.   Um konsequente und gültige Organisationen der Daten zu finden

D.   Hypothese über die Daten initiieren

A.   Indextabelle

B.   B-Baum

D.   Huffman Codierung

A.   Teilweise denormalisiert

C.   Komplett denormalisiert

D.   Teilweise normalisiert

A.   Für eine Abfrage sind die meisten Spalten in einer Tabelle erforderlich

C.   Kleine Anzahl bekannter Indizes, die erstellt werden sollen, statische Abfragemuster

D.   Ein spaltenbasierter Motor ist nur für OLTP-Anwendungen geeignet

A.   Kann geschäftsspezifische Standpunkte eines Würfels bieten

C.   Kann eine beliebige Anzahl von Dimensionen vor einem Würfel verbergen

D.   Kann Hierarchien aus einem Würfel anzeigen

A.   Verfolgt keine historischen Daten

C.   Erhöht die Speicheranforderungen pro Datensatz erheblich

D.   Aktualisiert veraltete Daten mit neuen Werten selten

A.   Populieren Sie die spärliche Dimension mit Füllstoffwerten

B.   Anwenden Sie die Aktualisierung von Typ 6 auf die spärliche Dimension

C.   Isolieren Sie die spärliche Dimension in einem separaten Würfel

A.   Daten, die nie gelöscht werden, sobald sie hinzugefügt wurden

C.   Daten werden manipuliert, um Informationen zu einem bestimmten Unterjec bereitzustellen

D.   Data Warehouse hat einen definierten Umfang

B.   ein Würfel

C.   eine Subzahn (verschachtelte MDX -Abfrage)

D.   Nichts des oben Genannten

A.   Nichts des oben Genannten

B.   Quelle B, um zu verhindern, dass Reihen weggelassen werden

D.   Es gibt keine Master-Detail-Unterscheidung, Joiner-Transformationen verleihen beiden Quellen Parität

B.   Division (Maßnahmen. [Wert A]/Messungen. [Wert b], null)

C.   Nichts des oben Genannten

D.   IFF (Maßnahmen. [Wert A] = 0, null, misst. [Wert a]/misst. [Wert b])

A.   Alles das oben Genannte

B.   Um relevante Daten zu aggregieren, erfordert die Erstellung neuer Primärschlüssel

D.   Die Daten müssen zunächst über den ETL -Prozess in ein Data Warehouse eingebaut werden

B.   OLTP

C.   Olap

D.   Datenbank

A.   Separate Tabellen für jede Gruppe von verwandten Daten mit einer eindeutigen Kennung für jede Zeile

C.   Keine doppelten Spalten innerhalb einer einzelnen Tabelle

D.   Nichts des oben Genannten

A.   Eine logische Partition der Datenschicht, die zwischen verteilten Rechenknoten geteilt wird

B.   Eine parallele Operation, die eine einzelne Schicht eines Rotverschiebungswürfels isoliert

D.   Eine auf Kunden ausgerichtete Partition, die verschiedene Teile des Data Warehouse für verschiedene Arten von Benutzern in einer Organisation isoliert

A.   AUS

B.   MIT

C.   Alles das oben Genannte

A.   Privates SQL -Bereich

C.   Programm globaler Bereich

D.   SQL Arbeitsbereich

A.   Alles das oben Genannte

B.   blockiert keine Eingangsreihen

D.   Einzelausgangsgruppentransformation

A.   Vollständige Extraktion

B.   Logische Extraktion

D.   Inkrementelle Extraktion

A.   Sequenzinformationen als verschachtelte Tabelle gespeichert

B.   Normalisierte Daten mit Schlüsselsequenzspalten in jeder Dimensionstabelle

C.   Sternschema mit Schlüsselsequenzspalten in jeder Dimensionstabelle

D.   Sequenzinformationen als flache Tabelle gespeichert

A.   Es enthält zusammengefasste Daten

B.   Es handelt sich um eine Sammlung von Daten von aus mehreren Quellen abgeleiteten Daten

C.   Es ist eine relationale Datenbank

A.   Mitglied [Maßnahmen]. [Ein quadratisches] als [Maßnahmen]. [Maß A] * [Maßnahmen]. [Maß A], LELVE_ORDER = 2

B.   Mitglied [Maßnahmen]. [C weniger eins] als [Maßnahmen]. [Maß C] - 1, LELVE_ORDER = 1

C.   Alle Elemente bewerten gleichzeitig

B.   Molap

C.   Rolap

E.   Kolap

F.   Kolap

B.   Analysieren Sie die Beziehungen zwischen vielen Arten von Geschäftselementen, z. Verkauf, Produkte, Regionen und Kanäle

C.   Vergleichen Sie aggregierte Daten über hierarchische Zeiträume, z. monatlich, vierteljährlich, jährlich

D.   Präsentieren Sie Daten in verschiedenen Perspektiven, z. Umsatz nach Region im Vergleich zu Verkäufen nach Kanälen nach Produkt innerhalb jeder Region

E.   Reagieren Sie schnell auf Benutzeranfragen, damit Benutzer einen analytischen Denkprozess durchführen können, ohne vom System behindert zu werden

B.   Der Prozess der Reinigung der Daten

C.   Der Prozess der Integration der Daten von Legacy Systems in das DataWarehouse aus Legacy -Systemen

D.   Der Prozess der Komprimierung der Daten

E.   Der Prozess der Beseitigung ungültiger Daten, bevor sie in das Data Warehouse eingeführt werden

A.   Anfrage der Abfrage

C.   Anzahl der Dimensionen

D.   Atomdatenvolumen

E.   Datenvolatilität

B.   Eine Teilmenge eines mehrdimensionalen Arrays, das mehreren Werten für ein oder mehrere Mitglieder der Dimensionen entspricht, nicht in der Untergruppe

C.   Eine Teilmenge eines mehrdimensionalen Arrays, das einem einzelnen Wert für ein oder mehrere Mitglieder der Dimensionen in der Teilmenge entspricht

D.   Eine Teilmenge eines mehrdimensionalen Arrays, das mehreren Werten für ein oder mehrere Mitglieder der Dimensionen in der Teilmenge entspricht

E.   Eine Teilmenge eines mehrdimensionalen Arrays, das nicht einem einzelnen Wert für ein Mitglied der Dimensionen entspricht, die nicht in der Untergruppe

A.   Denormalisierung

B.   Partitionierung

C.   Zusammenfassung

D.   Denormalisierung und Aufteilung

A.   Datum

C.   IBM

D.   Orakel

E.   Microsoft

B.   Metadaten

C.   RDBMS -Tabellen

D.   Faktentische

E.   Pivot -Tische

A.   Gültigkeit der in einem Data Warehouse gespeicherten Daten

C.   Die Aktualität der in einem Data Warehouse gespeicherten Daten

D.   Die Redundanz der in einem Data Warehouse gespeicherten Daten

E.   Kompaktheit der in einem Data Warehouse gespeicherten Daten

A.   Was ist der Girokonto -Kontostand dieses Kunden?

B.   Wie viele Kunden haben ihre Guthaben nicht pünktlich bezahlt?

C.   Wie viele Kunden in der mittleren Region?

E.   Welcher Kunde tätigt die maximalen Einkäufe?

B.   Die Redundanz der Daten

C.   Das Volumen der Daten

D.   Die Kompaktheit der Daten

E.   Die Gültigkeit der Daten

A.   Die zu analysierenden Daten sind weniger Volumen

C.   Wenn ein relativ hoher Prozentsatz der möglichen Kombinationen (Kreuzungen) der Mitglieder aus den Dimensionen des Datensatzes ungültige Daten enthalten

D.   Wenn ein relativ hoher Prozentsatz der möglichen Kombinationen (Kreuzungen) der Mitglieder aus den Dimensionen des Datensatzes gültige Daten enthalten

E.   Wenn ein relativ hoher Prozentsatz der möglichen Kombinationen (Kreuzungen) der Mitglieder aus den Dimensionen des Datensatzes veraltete Daten enthalten

B.   Synchronisation

C.   Häppchen

D.   Reproduzieren

E.   Datenumwandlung

B.   Reinigung der Daten

C.   Integration von Daten aus verschiedenen Quellen in das Data Warehouse

D.   Analyse der Daten

E.   Wiederherstellung von Daten

A.   Recyclische Online-Analyseverarbeitung

C.   Reduzierte Online-Analyseverarbeitung

D.   Rotierte Online-Analyseverarbeitung gedreht

E.   Redundante Online-Analyseverarbeitung

A.   Faktentabelle

C.   Datenwörterbuch

D.   Pivot -Tabelle

E.   Dimensionstabelle

A.   Erkennen Sie Muster der Verwendung betrügerischer Kreditkarte

C.   Bestimmen Sie die Kreditkartenausgaben nach Kundengruppen

D.   Finden Sie eine versteckte Korrelation zwischen verschiedenen Finanzindikatoren

E.   Prognostizieren die Kunden, die ihre Kreditkartenzugehörigkeit wahrscheinlich ändern,

A.   Hierarchische Online-Analyseverarbeitung

C.   Horizontale Online-Analyseverarbeitung

D.   Hyper-Online-Analyseverarbeitung

E.   Hypercube Online-Analyseverarbeitung

A.   Tisch

B.   Abschnitt

C.   Trennwand

E.   Repository

A.   Einstufung

B.   Assoziationen

D.   Clustering

E.   Segmentierung

A.   Clustering und Segmentierung

C.   Fuzzy Logic

D.   Lineare Regressionsanalyse

E.   Regelbasierte Analyse

B.   Die RDBMs dürfen keine architektonischen Einschränkungen haben

C.   Der RDBMS -Server muss Hunderte, sogar Tausende von gleichzeitigen Benutzern unterstützen und gleichzeitig die akzeptable Abfrageleistung beibehalten

D.   Die Abfrageleistung darf nicht von der Größe der Datenbank abhängig sein, sondern von der Komplexität der Abfrage

E.   Das Lager muss lokale Konsistenz, globale Konsistenz und referenzielle Integrität sicherstellen

B.   Reproduzieren

C.   Synchronisation

D.   Datenmigration

E.   Normalisierung

A.   Es ist der Prozess, Daten in Informationen umzuwandeln

B.   Es ist eine Sammlung vieler Techniken

D.   Es basiert auf einer maschinengenerierten Hypothese

E.   Es wird zur Entscheidungsunterstützung, Vorhersage, Prognose und Schätzung verwendet