Testez votre compréhension des sujets d'entreposage de données en répondant à plus de 100 QCM d'entreposage de données.
Faites défiler vers le bas pour commencer !
A. Oracle Essbase
B. IBM TM1
C. Microsoft SSAS
D. Tout ce qui précède
A. C'est la même chose que la validation des données
B. L'harmonisation des données ne peut pas être considérée comme un nettoyage des données
C. Cela implique le nettoyage des données
D. La normalisation des données ne peut pas être considérée comme un nettoyage des données
A. Schéma de flocon de neige
B. Modèle de relation d'entité
C. Schéma d'étoile
D. Schéma de constellation des faits
A. Sélection des cellules de n'importe quelle dimension du cube de données
B. Fusion des cellules de toutes les dimensions sauf une
C. Fusion des cellules le long d'une seule dimension
D. Sélection de toutes les dimensions sauf une du cube de données.
A. Pour maintenir l'historique des données
B. Pour améliorer la qualité des données
C. Pour rassembler les données de plusieurs sources dans plusieurs bases de données
D. Pour intégrer les données de plusieurs systèmes source
A. ODS
B. Table de salle blanche
C. Zone de transit
D. Aucune phase de nettoyage distincte, les données nettoyées pendant les requêtes MDX
A. Il utilise le niveau de la représentation du stockage des données pour gérer les ensembles de données denses et clairsemés
B. Il fournit une prise en charge avancée du langage des requêtes et des requêtes pour les requêtes SQL sur les schémas Star et Snowflake
C. Il facilite les opérations OLTP en SQL
D. Il utilise des moteurs de stockage multidimensionnels basés sur une table
A. Il est nécessaire de garder les données opérationnelles exemptes de toutes opérations d'entrepôt
B. Il contient des données dérivées de plusieurs sources
C. Un entrepôt de données ne peut pas se permettre d'autoriser des données corrompues
D. Un entrepôt de données contient des données résumées tandis que la base de données opérationnelle contient des données transactionnelles
A. spécifiant une année et une région particulières
B. randomiser l'année et la région
C. spécifiant une année particulière
D. randomiser l'année
A. Table des faits
B. table centrale
C. table de métadonnées
D. table de dimension
A. Peut gérer de grandes quantités de données
B. Les performances peuvent être lentes
C. Toutes les options données sont valides
D. Peut tirer parti des fonctionnalités inhérentes à la base de données relationnelle
A. Toutes les options données sont valides
B. Les entrepôts de données contiennent des données généralement chargées à partir des bases de données opérationnelles sur un intervalle régulier
C. L'horizon temporel d'un entrepôt de données est significatif plus longtemps que celui des systèmes opérationnels
D. L'entrepôt de données maintient des données historiques et (presque) actuelles
A. Les cubes molap sont conçus pour une récupération rapide des données
B. Les cubes molap sont optimaux pour les opérations de tranchage et de désincarnation
C. Les données sont stockées dans un cube multidimensionnel.
D. Toutes les options données sont valides
A. Il permet aux utilisateurs d'analyser les données à partir de nombreuses dimensions ou angles différents
B. Toutes les options données sont valides
C. C'est le processus d'analyse des données sous différents angles et de les résumer en informations utiles
D. C'est le processus de recherche de corrélations ou de modèles entre divers domaines
A. SQL
B. ETL
C. Olap
D. Oltp
A. Extraction incrémentale
B. Extraction complète et extraction incrémentielle
C. Extraction complète
D. Extraction en ligne
A. Toutes les options données sont vraies
B. Il s'agit d'une copie des données de transaction spécifiquement structurée pour la requête et l'analyse
C. Il est conçu pour faciliter les rapports et l'analyse
D. C'est un référentiel non volatile
A. Il est représenté par des tables de faits centralisées
B. C'est un arrangement logique des tables dans une base de données multidimensionnelle
C. Tout ce qui précède
D. C'est une variation du schéma étoile
A. Extraire, transformer, charger
B. Extraire la langue de test
C. Exporter, transmettre, charger
D. Exporter, traduire, charger
A. Schéma d'étoile
B. Schéma de flocon de neige
C. Schéma de constellation des faits
D. Toutes les options données sont valides
A. Oltp
B. Base de données relationnelle
C. ODS
D. OLAP ou base de données multidimensionnelle
A. Schéma d'étoile
B. Oltp
C. Olap
D. Schéma de flocon de neige
A. Lorsque les deux sources ont plusieurs colonnes correspondantes
B. Lorsque les deux sources ont une relation de clé primaire à des touches étrangères
C. Tout ce qui précède
D. Lorsque les deux sources sont hétérogènes
A. le niveau le plus atomique auquel les faits peuvent être définis
B. les données brutes à partir desquelles les faits sont dérivés
C. la direction le long de laquelle les mesures additives peuvent être combinées
D. le rapport des faits aux dimensions
A. Forage
B. Rabat
C. Enroulement
D. Drillage
A. Croix
B. Tous les membres
C. Feuilles
D. Distinct
A. Frontran
B. Mdx
C. SQL
D. SPSS
A. dé
B. rejoindre
C. pivot
D. tranche
A. volume de transaction
B. bénéfices bruts
C. frais
D. probabilité de défaut
A. Il fait pivoter les axes de données en vue afin de fournir une présentation alternative des données
B. Deux opérations de tranche consécutives en deux dimensions différentes
C. Il est également connu sous le nom de rotation
D. Toutes les options données sont valides
A. CRC
B. (ces deux choix)
C. (aucun de ces choix)
D. Colonnes d'audit
A. /* cette ligne */
B. // cette ligne
C. ## cette ligne
D. -- cette ligne
A. une couche d'accès comprenant un sous-ensemble d'un entrepôt de données
B. un échange ouvert en ligne dans lequel les organisations peuvent échanger des informations commerciales
C. un schéma qui organise les données en faits et dimensions
D. Un référentiel central où des organisations distinctes peuvent sauvegarder en toute sécurité les données
A. Le schéma d'étoile et de flocon de neige contient deux tables de faits
B. Le schéma de flocon de neige contient deux tables de faits
C. Le schéma de constellation des faits contient deux tables de faits
D. Le schéma d'étoile contient deux tables de faits
A. Nom du produit lorsqu'une table de dimension de produit existe
B. Store UID lorsqu'une table de dimension de magasin existe
C. Unités vendues
D. Aucune de ces réponses
A. Axé sur le sujet
B. Volatile
C. Non volatile
D. Intégré
A. Base de données
B. Olap
C. Oltp
D. ENVERSE DE DONNÉES
A. Enroulement
B. Rabat
C. Drillage
D. Forage
A. Olap
B. Oltp
C. OLAP et OLTP
D. Ni OLAP ni OLTP
A. un tableau dans lequel les données sont stockées et caractérisées par plusieurs dimensions
B. Aucune de ces réponses
C. un tableau tridimensionnel pour le traitement analytique en ligne
D. une opération de réduction dimensionnelle qui résume les données
A. normalisation
B. Tout ce qui précède
C. Pivot Tables
D. clés primaires
A. Toutes les options sont correctes
B. Olap
C. ENVERSE DE DONNÉES
D. Oltp
A. Il utilise un seul niveau de représentation de stockage de données pour gérer les ensembles de données clairsemés
B. Il utilise un seul niveau de représentation de stockage de données pour gérer les ensembles de données denses
C. Il utilise un niveau de représentation de stockage de données pour gérer les ensembles de données denses et clairsemés
D. Il utilise deux niveaux de représentation de stockage de données pour gérer les ensembles de données denses et clairsemés
A. L'opération de dés effectue une sélection de deux ou plus de dimension sur un cube donné
B. Il forme un nouveau sous-cube en sélectionnant une ou plusieurs dimensions
C. L'opération de dés effectue la sélection d'une dimension sur un cube donné
D. Il navigue sur les données des données moins détaillées aux données très détaillées
A. dé
B. tranche
C. tournant
D. Drill-across
A. approche normalisée
B. Ni dimension ni approche normalisée
C. Approche dimensionnelle et normalisée
D. approche dimensionnelle
A. Delta, octet-dictionnaire, lzo
B. Principalement8, runlength, brut
C. Octet-dictionnaire, lzo, delta
D. Lzo, delta, brut
A. Lire et écrire
B. Lecture seulement
C. Écrire uniquement
D. Écrire de la déconditionnement
A. Entrepôt de données intégré
B. Sur l'entrepôt de données à temps
C. Entrepôt de données opérationnelles hors ligne
D. Entrepôt de données hors ligne
A. Relationnel
B. Multidimensionnel
C. Hybride
D. Analytique
A. Un entrepôt de données et une base de données relationnels sont séparables
B. Lorsqu'il est nécessaire d'effectuer un calcul complexe
C. Lorsque la récupération rapide des données est requise
D. Lorsque le tranchage et les dédos
A. La première couche de l'architecture
B. La deuxième couche de l'architecture
C. La troisième couche de l'architecture
D. La quatrième couche de l'architecture
A. Roll-up
B. Rabat
C. Percevoir
D. Forage
A. Requête et mise à jour
B. Insérer et supprimer
C. Actualiser et charger
D. Créer et modifier
A. Pour couvrir les groupements naturels
B. Il facilite les opérations OLAP
C. Pour trouver des organisations cohérentes et valides des données
D. Pour initier une hypothèse sur les données
A. Tableau d'index
B. B
C. Bitmap Index
D. Encodage de Huffman
A. Partiellement dénormalisé
B. Complètement normalisé
C. Complètement dénormalisé
D. Partiellement normalisé
A. La plupart des colonnes d'une table seront nécessaires pour une requête
B. Modèles de requête dynamiques et imprévisibles
C. petit nombre d'index connus à créer, modèles de requête statiques
D. Un moteur basé sur une colonne ne convient que pour les applications OLTP
A. Peut fournir des points de vue spécifiques à l'entreprise d'un cube
B. Peut restreindre en toute sécurité l'accès aux objets dans un cube
C. Peut masquer n'importe quel nombre de dimensions à un cube
D. Peut afficher les hiérarchies d'un cube
A. Ne suit pas les données historiques
B. Stocke seulement un nombre fini de changements historiques
C. Augmente considérablement les exigences de stockage par enregistrement
D. Met à jour les données obsolètes avec de nouvelles valeurs rarement
A. remplir la dimension clairsemée avec des valeurs de remplissage
B. Appliquer le type 6 mise à jour de la dimension clairsemée
C. isoler la dimension clairsemée dans un cube séparé
D. Créez un composite pour être domestique pour la dimension clairsemée
A. Des données qui ne sont jamais supprimées une fois qu'ils ont été ajoutés
B. Les données ne doivent pas changer une fois qu'elles sont entrées dans l'entrepôt
C. Les données sont manipulées pour fournir des informations sur un sous-jec particulier
D. L'entrepôt de données a une portée définie
A. une perspective (sous-ensemble de mesures et dimensions
B. un cube
C. un sous-cube (requête MDX imbriquée)
D. Aucune de ces réponses
A. Aucune de ces réponses
B. Source B pour empêcher les lignes d'être omises
C. Source A pour accélérer le processus de jointure
D. Il n'y a pas de distinction de maître-détail, les transformations de menuisier donnent à la fois la parité des sources
A. mesures. [Valeur A] / Mesures. [Valeur B]
B. Diviser (mesures. [Valeur A] / Mesures. [Valeur B], NULL)
C. Aucune de ces réponses
D. iff (mesures. [valeur a] = 0, null, mesures. [valeur a] / mesures. [valeur b])
A. Tout ce qui précède
B. L'agrégation des données pertinentes nécessite la création de nouvelles clés primaires
C. L'agrégation des données pertinentes nécessite plusieurs jointures de table
D. Les données doivent d'abord être placées dans un entrepôt de données via le processus ETL
A. Data Warehousing Env
B. Oltp
C. Olap
D. Base de données
A. Tables séparées pour chaque groupe de données connexes avec un identifiant unique pour chaque ligne
B. Aucune colonne qui ne dépend pas d'une clé primaire
C. Pas de colonnes en double dans une seule table
D. Aucune de ces réponses
A. Une partition logique de la couche de données partagée entre les nœuds de calcul distribués
B. Une opération parallèle isolant une seule couche d'un cube de décalage vers le rouge
C. Une partition permettant à chacun du noyau d'un nœud multi-processeur pour traiter la charge de travail de nœud en parallèle
D. Une partition orientée client qui isole différentes parties de l'entrepôt de données pour différents types d'utilisateurs d'une organisation
A. DEPUIS
B. AVEC
C. Tout ce qui précède
D. OÙ
A. Zone SQL privée
B. Zone mondiale des utilisateurs
C. Programme Area Global Area
D. Zone de travail SQL
A. Tout ce qui précède
B. ne bloquera pas les lignes d'entrée
C. Transformation de groupe d'entrée unique
D. Transformation de groupe de sortie unique
A. Extraction complète
B. Extraction logique
C. Extraction physique
D. Extraction incrémentale
A. Informations sur séquence stockées comme une table imbriquée
B. Données normalisées avec des colonnes de séquence de clés sur chaque table de dimension
C. schéma d'étoile avec des colonnes de séquence de clés sur chaque table de dimension
D. Informations sur séquence stockées comme une table plate
A. Il contient des données résumées
B. Il s'agit d'une collection de données dérivées de plusieurs sources
C. C'est une base de données relationnelle
D. Il s'agit d'une collection de données de différents types
A. Membre [mesures]. [Un carré] comme [mesures]. [Mesure A] * [Mesures]. [Mesure A], Solve_Order = 2
B. Membre [mesures]. [C moins un] comme [mesures]. [Mesure C] - 1, Solve_Order = 1
C. Tous les éléments évaluent simultanément
D. Membre [mesures]. [B deux fois] comme [mesures]. [Mesure b] + [Mesures]. [Mesure B], Solve_Order = 4
A. Molap
B. Molap
C. Rolap
D. Rolap
E. Kolap
F. Kolap
A. Accéder aux petites quantités de données
B. Analyser les relations entre de nombreux types d'éléments commerciaux, par exemple Ventes, produits, régions et canaux
C. Comparez les données agrégées sur des périodes hiérarchiques, par ex. Mensuel trimestriel annuel
D. Présent les données dans différentes perspectives, par exemple Ventes par région vs ventes par canaux par produit dans chaque région
E. Répondez rapidement aux demandes des utilisateurs, afin que les utilisateurs puissent poursuivre un processus de réflexion analytique sans être bloqué par le système
A. Le processus d'organisation des données conformément aux règles d'une base de données relationnelle
B. Le processus de nettoyage des données
C. Le processus d'intégration des données dans le Datawarehouse à partir des systèmes hérités
D. Le processus de compression des données
E. Le processus d'élimination des données non valides avant qu'elle ne soit introduite dans l'entrepôt de données
A. Demande de requête
B. Source de données
C. Nombre de dimensions
D. Volume de données atomiques
E. Volatilité des données
A. Un sous-ensemble d'un tableau multidimensionnel correspondant à une seule valeur pour un ou plusieurs membres des dimensions non dans le sous-ensemble
B. Un sous-ensemble d'un tableau multidimensionnel correspondant à plusieurs valeurs pour un ou plusieurs membres des dimensions non dans le sous-ensemble
C. Un sous-ensemble d'un tableau multidimensionnel correspondant à une seule valeur pour un ou plusieurs membres des dimensions du sous-ensemble
D. Un sous-ensemble d'un tableau multidimensionnel correspondant à plusieurs valeurs pour un ou plusieurs membres des dimensions du sous-ensemble
E. Un sous-ensemble d'un tableau multidimensionnel ne correspondant pas à une seule valeur pour un membre des dimensions non dans le sous-ensemble
A. Dénormalisation
B. Partitionnement
C. Récapitulation
D. Dénormalisation et partitionnement
E. Dénormalisation, partitionnement et résumé
A. Date
B. Codd
C. Ibm
D. Oracle
E. Microsoft
A. Cubes multidimensionnels
B. Métadonnées
C. Tables SGBDR
D. Tables de faits
E. Tables de pivot
A. Validité des données stockées dans un entrepôt de données
B. Le niveau de détail des faits stockés dans un entrepôt de données
C. L'aciderie des données stockées dans un entrepôt de données
D. La redondance des données stockées dans un entrepôt de données
E. Compacité des données stockées dans un entrepôt de données
A. Quel est le solde du compte courant de ce client?
B. Combien de clients n'ont pas payé leurs soldes à temps?
C. Quel est le nombre total de clients dans la région du milieu?
D. La gamme de produits se vend le mieux dans la région du milieu et comment cela est-il en corrélation avec les données démographiques?
E. Quel client fait les achats maximaux?
A. Le degré auquel les structures de données et de données changent au fil du temps
B. La redondance des données
C. Le volume des données
D. La compacité des données
E. La validité des données
A. Les données à analyser sont moins en volume
B. Si un pourcentage relativement élevé des combinaisons possibles (intersections) des membres des dimensions de l'ensemble de données contient des données manquantes
C. Si un pourcentage relativement élevé des combinaisons possibles (intersections) des membres des dimensions de l'ensemble de données contiennent des données non valides
D. Si un pourcentage relativement élevé des combinaisons possibles (intersections) des membres des dimensions de l'ensemble de données contiennent des données valides
E. Si un pourcentage relativement élevé des combinaisons possibles (intersections) des membres des dimensions de l'ensemble de données contiennent des données obsolètes
A. Snowflaking
B. Synchronisation
C. Tranchage et désir
D. Réplication
E. Transformation des données
A. Copie physique des données d'une base de données à un autre
B. Nettoyage des données
C. Intégration des données provenant de diverses sources dans l'entrepôt de données
D. Analyse des données
E. Récupération des données
A. Traitement analytique en ligne recyclique
B. Traitement analytique relationnel relationnel
C. Traitement analytique réduit en ligne
D. Traitement analytique en ligne tourné
E. Traitement analytique en ligne redondant
A. Table de fait
B. Meta Table
C. Dictionnaire de données
D. Table de pivot
E. Table de dimension
A. Détecter les modèles d'utilisation de la carte de crédit frauduleuse
B. Vérification du nombre de transactions effectuées en une journée
C. Déterminer les dépenses de carte de crédit par les groupes de clients
D. Trouvez une corrélation cachée entre différents indicateurs financiers
E. Prédire les clients susceptibles de modifier leur affiliation par carte de crédit
A. Traitement analytique hiérarchique en ligne
B. Traitement analytique hybride en ligne
C. Traitement analytique horizontal en ligne
D. Traitement analytique hyper en ligne
E. Traitement analytique en ligne hypercube
A. Tableau
B. Section
C. Cloison
D. Cube
E. Dépôt
A. Classification
B. Les associations
C. Modèles séquentiels / temporels
D. Regroupement
E. Segmentation
A. Regroupement et segmentation
B. Les réseaux de neurones
C. Logique floue
D. Analyse de régression linéaire
E. Analyse basée sur les règles
A. Les RDBM doivent fournir un ensemble complet d'opérations analytiques, y compris les opérations séquentielles et statistiques de base
B. Les SGBDR ne doivent pas avoir de limitations architecturales
C. Le serveur RDBMS doit prendre en charge des centaines, voire des milliers d'utilisateurs simultanés tout en conservant des performances de requête acceptables
D. Les performances de la requête ne doivent pas dépendre de la taille de la base de données, mais plutôt de la complexité de la requête
E. L'entrepôt doit assurer la cohérence locale, la cohérence mondiale et l'intégrité référentielle
A. Transformation des données
B. Réplication
C. Synchronisation
D. Migration de données
E. Normalisation
A. C'est le processus de transformation des données en informations
B. C'est une collection de nombreuses techniques
C. C'est un remplacement pour olap
D. Il est basé sur une hypothèse générée par la machine
E. Il est utilisé dans l'aide à la décision, la prédiction, la prévision et l'estimation