A.   Oracle Essbase

B.   IBM TM1

C.   SSAS Microsoft

A.   Itu sama dengan validasi data

B.   Harmonisasi data tidak dapat dianggap sebagai penggosok data

D.   Standardisasi data tidak dapat dianggap sebagai penggosok data

A.   Skema kepingan salju

C.   Skema Bintang

D.   Skema Konstelasi Fakta

B.   Menggabungkan sel -sel dari semua kecuali satu dimensi

C.   Menggabungkan sel sepanjang satu dimensi

D.   Memilih semua kecuali satu dimensi kubus data.

A.   Untuk mempertahankan riwayat data

B.   Untuk meningkatkan kualitas data

D.   Untuk mengintegrasikan data dari beberapa sistem sumber

A.   ODS

B.   Meja Cleanroom

D.   Tidak ada fase pembersihan yang berbeda, data dibersihkan selama kueri MDX

A.   Ini menggunakan dua tingkat representasi penyimpanan data untuk menangani set data yang padat dan jarang

C.   Ini memfasilitasi operasi OLTP di SQL

D.   Menggunakan mesin penyimpanan multidimensi berbasis array

A.   Perlu untuk menjaga data operasional bebas dari operasi gudang apa pun

B.   Itu berisi data yang berasal dari berbagai sumber

C.   Gudang data tidak mampu mengizinkan data yang rusak di dalamnya

B.   Mengacak tahun dan wilayah

C.   Menentukan tahun tertentu

D.   Mengacak tahun ini

B.   tabel inti

C.   Tabel metadata

D.   tabel dimensi

A.   Dapat menangani sejumlah besar data

B.   Kinerja bisa lambat

D.   Dapat memanfaatkan fungsionalitas yang melekat dalam database relasional

B.   Gudang data berisi data yang umumnya dimuat dari database operasional secara berkala

C.   Cakrawala Waktu Gudang Data signifikan lebih lama dari sistem operasional

D.   Gudang Data memelihara data historis dan (hampir) saat ini

A.   Kubus molap dibangun untuk pengambilan data cepat

B.   Kubus Molap optimal untuk mengiris dan melakukan diing

C.   Data disimpan dalam kubus multidimensi.

A.   Ini memungkinkan pengguna untuk menganalisis data dari berbagai dimensi atau sudut

C.   Ini adalah proses menganalisis data dari berbagai perspektif dan merangkumnya menjadi informasi yang berguna

D.   Ini adalah proses menemukan korelasi atau pola di antara berbagai bidang

A.   SQL

B.   ETL

D.   OLTP

A.   Ekstraksi tambahan

C.   Ekstraksi penuh

D.   Ekstraksi online

B.   Ini adalah salinan data transaksi yang secara khusus disusun untuk kueri dan analisis

C.   Itu dirancang untuk memfasilitasi pelaporan dan analisis

D.   Ini adalah repositori waktu-variant yang tidak mudah menguap

A.   Itu diwakili oleh tabel fakta terpusat

B.   Itu adalah pengaturan tabel logis dalam database multidimensi

D.   Ini adalah variasi dari skema bintang

B.   Ekstrak bahasa tes

C.   Ekspor, mengirimkan, memuat

D.   Ekspor, Terjemahkan, Muat

A.   Skema Bintang

B.   Skema kepingan salju

C.   Skema Konstelasi Fakta

A.   OLTP

B.   Database Relasional

C.   ODS

A.   Skema Bintang

C.   OLAP

D.   Skema kepingan salju

A.   Ketika kedua sumber memiliki beberapa kolom yang cocok

B.   Ketika kedua sumber memiliki hubungan utama untuk hubungan asing

D.   Saat kedua sumbernya heterogen

B.   data mentah dari mana fakta diturunkan

C.   arah di mana tindakan aditif dapat digabungkan

D.   rasio fakta dengan dimensi

A.   DRILL-UP

B.   Roll-down

C.   Roll-up

B.   Semua anggota

C.   Daun-daun

D.   Berbeda

A.   Fortran

C.   SQL

D.   SPSS

A.   dadu

B.   bergabung

C.   poros

A.   volume transaksi

B.   keuntungan kotor

C.   Biaya

A.   Ini memutar sumbu data dalam tampilan untuk memberikan presentasi data alternatif

B.   Dua operasi irisan berturut -turut dalam dua dimensi yang berbeda

C.   Itu juga dikenal sebagai rotasi

A.   CRC

C.   (Tidak satu pun dari pilihan ini)

D.   kolom audit

A.   /* garis ini */

B.   // garis ini

D.   -- garis ini

B.   Pertukaran online dan terbuka di mana organisasi dapat memperdagangkan informasi bisnis

C.   Skema yang mengatur data menjadi fakta dan dimensi

D.   Repositori pusat tempat organisasi terpisah dapat dengan aman membuat cadangan data

A.   Skema Bintang dan Kepingan Salju berisi dua meja fakta

B.   Skema kepingan salju berisi dua tabel fakta

D.   Skema bintang berisi dua tabel fakta

B.   Simpan uid saat meja dimensi toko ada

C.   Unit dijual

D.   Bukan dari salah satu di atas

A.   Berorientasi subjek

C.   Nonvolatile

D.   Terintegrasi

A.   Database

B.   OLAP

D.   Data Warehousing Env

A.   Roll-up

B.   Roll-down

D.   DRILL-UP

B.   OLTP

C.   Baik OLAP dan OLTP

D.   Baik OLAP maupun OLTP

B.   Bukan dari salah satu di atas

C.   Array tiga dimensi untuk pemrosesan analitik online

D.   operasi pengurangan dimensi yang merangkum data

A.   Normalisasi

B.   Semua yang di atas

D.   kunci utama

A.   Semua opsi benar

B.   OLAP

C.   Data Warehousing Env

A.   Ini hanya menggunakan satu tingkat representasi penyimpanan data untuk menangani set data yang jarang

B.   Ini hanya menggunakan satu tingkat representasi penyimpanan data untuk menangani set data yang padat

C.   Ini menggunakan satu tingkat representasi penyimpanan data untuk menangani set data yang padat dan jarang

B.   Ini membentuk sub-kubus baru dengan memilih satu atau lebih dimensi

C.   Operasi dadu melakukan pemilihan satu dimensi pada kubus yang diberikan

D.   Ini menavigasi data dari data yang kurang terperinci ke data yang sangat rinci

A.   dadu

B.   mengiris

C.   berputar

A.   pendekatan yang dinormalisasi

B.   Pendekatan dimensi maupun dinormalisasi tidak

C.   Pendekatan dimensi dan dinormalisasi

B.   Kebanyakan8, runlength, mentah

C.   Byte-Dictionary, LZO, Delta

D.   Lzo, delta, mentah

A.   Baca dan tulis

C.   Tulis saja

D.   Tulis dekondisi

A.   Gudang Data Terpadu

C.   Gudang data operasional offline

D.   Gudang Data Offline

A.   Relasional

B.   Multidimensi

C.   Hibrida

B.   Saat ada persyaratan untuk melakukan perhitungan yang kompleks

C.   Saat pengambilan data cepat diperlukan

D.   Saat mengiris dan dicing diperlukan

A.   Lapisan pertama arsitektur

C.   Lapisan ketiga arsitektur

D.   Lapisan keempat arsitektur

B.   Roll-down

C.   DRILL-DOWN

D.   DRILL-UP

B.   Masukkan dan hapus

C.   Menyegarkan dan memuat

D.   Buat dan edit

A.   Untuk menutupi pengelompokan alami

C.   Untuk menemukan organisasi data yang konsisten dan valid

D.   Untuk memulai hipotesis tentang data

A.   Tabel Indeks

B.   B-tree

D.   Pengkodean Huffman

A.   Sebagian didenormalisasi

B.   benar -benar dinormalisasi

C.   Sepenuhnya didenormalisasi

D.   Dinormalisasi sebagian

A.   Sebagian besar kolom dalam tabel akan diperlukan untuk kueri

C.   Sejumlah kecil indeks yang diketahui akan dibuat, pola kueri statis

D.   Mesin berbasis kolom hanya sesuai untuk aplikasi OLTP

A.   Dapat memberikan sudut pandang spesifik bisnis dari sebuah kubus

C.   Dapat menyembunyikan sejumlah dimensi dari kubus

D.   Dapat menampilkan hierarki dari kubus

A.   Tidak melacak data historis

C.   Secara signifikan meningkatkan persyaratan penyimpanan per catatan

D.   Memperbarui data usang dengan nilai -nilai baru jarang

A.   mengisi dimensi jarang dengan nilai pengisi

B.   Terapkan Tipe 6 Memperbarui ke dimensi yang jarang

C.   mengisolasi dimensi jarang di kubus terpisah

A.   Data yang tidak pernah dihapus setelah ditambahkan

C.   Data dimanipulasi untuk memberikan informasi tentang subjec tertentu

D.   Gudang Data memiliki ruang lingkup yang ditentukan

B.   sebuah kubus

C.   Subcube (kueri MDX bersarang)

D.   Bukan dari salah satu di atas

A.   Bukan dari salah satu di atas

B.   Sumber B untuk mencegah baris dihilangkan

D.   Tidak ada perbedaan detail master, transformasi joiner memberikan kedua sumber paritas

B.   Divide (Measures. [Nilai A]/Ukuran. [Nilai B], NULL)

C.   Bukan dari salah satu di atas

D.   IFF (Measures. [Nilai A] = 0, NULL, Measures. [Nilai A]/Ukuran. [Nilai b])

A.   Semua yang di atas

B.   Agregat data yang relevan membutuhkan pembuatan kunci primer baru

D.   Data pertama -tama harus ditempatkan ke gudang data melalui proses ETL

B.   OLTP

C.   OLAP

D.   Database

A.   Tabel terpisah untuk setiap kelompok data terkait dengan pengidentifikasi unik untuk setiap baris

C.   Tidak ada kolom duplikat dalam satu tabel

D.   Bukan dari salah satu di atas

A.   Partisi logis dari lapisan data yang dibagikan antara node komputasi terdistribusi

B.   Operasi paralel yang mengisolasi satu lapisan kubus pergeseran merah

D.   Partisi yang menghadap klien yang mengisolasi berbagai bagian gudang data untuk berbagai jenis pengguna dalam suatu organisasi

A.   DARI

B.   DENGAN

C.   Semua yang di atas

A.   Area SQL Pribadi

C.   Area Global Program

D.   Area kerja SQL

A.   Semua yang di atas

B.   tidak akan memblokir baris input

D.   transformasi grup output tunggal

A.   Ekstraksi penuh

B.   Ekstraksi logis

D.   Ekstraksi tambahan

B.   Data dinormalisasi dengan kolom urutan kunci pada setiap tabel dimensi

C.   Skema bintang dengan kolom urutan kunci pada setiap tabel dimensi

D.   Informasi urutan disimpan sebagai tabel datar

A.   Itu berisi data yang dirangkum

B.   Ini adalah kumpulan data yang berasal dari berbagai sumber

C.   Ini adalah database relasional

A.   Anggota [mengukur]. [A Squared] sebagai [ukuran]. [Ukur A] * [mengukur]. [Ukur A], solve_order = 2

B.   Anggota [ukuran]. [C kurang] sebagai [ukuran]. [Ukur c] - 1, solve_order = 1

C.   Semua elemen mengevaluasi secara bersamaan

B.   Molap

C.   Rolap

E.   Kolap

F.   Kolap

B.   Menganalisis hubungan antara banyak jenis elemen bisnis, mis. Penjualan, Produk, Wilayah, dan Saluran

C.   Bandingkan data agregat selama periode waktu hierarkis mis. bulanan, triwulanan, tahunan

D.   Menyajikan data dalam perspektif yang berbeda, mis. Penjualan menurut wilayah vs penjualan berdasarkan saluran berdasarkan produk di dalam setiap wilayah

E.   Tanggapi permintaan pengguna dengan cepat, sehingga pengguna dapat mengejar proses pemikiran analitik tanpa terhalang oleh sistem

B.   Proses membersihkan data

C.   Proses mengintegrasikan data ke dalam DataWarehouse dari Sistem Legacy

D.   Proses mengompresi data

E.   Proses menghilangkan data tidak valid sebelum dimasukkan ke dalam gudang data

A.   Permintaan permintaan

C.   Jumlah dimensi

D.   Volume Data Atom

E.   Volatilitas Data

B.   Subset dari array multi-dimensi yang sesuai dengan beberapa nilai untuk satu atau lebih anggota dimensi yang tidak ada dalam subset

C.   Subset dari array multi-dimensi yang sesuai dengan nilai tunggal untuk satu atau lebih anggota dimensi dalam subset

D.   Subset dari array multi-dimensi yang sesuai dengan beberapa nilai untuk satu atau lebih anggota dimensi dalam subset

E.   Subset dari array multi-dimensi yang tidak sesuai dengan nilai tunggal untuk satu anggota dimensi yang tidak ada dalam subset

A.   Denormalisasi

B.   Partisi

C.   Peringkasan

D.   Denormalisasi dan Partisi

A.   Tanggal

C.   IBM

D.   Peramal

E.   Microsoft

B.   Metadata

C.   Tabel RDBMS

D.   Tabel Fakta

E.   Tabel pivot

A.   Validitas data yang disimpan di gudang data

C.   Ketepatan waktu data yang disimpan di gudang data

D.   Redundansi data yang disimpan di gudang data

E.   Kekompakan data yang disimpan di gudang data

A.   Berapa saldo akun saat ini dari pelanggan ini?

B.   Berapa banyak pelanggan yang belum membayar saldo mereka tepat waktu?

C.   Berapa jumlah total pelanggan di wilayah tengah?

E.   Pelanggan mana yang melakukan pembelian maksimal?

B.   Redundansi data

C.   Volume data

D.   Kekompakan data

E.   Validitas data

A.   Data yang akan dianalisis lebih sedikit dalam volume

C.   Jika persentase yang relatif tinggi dari kemungkinan kombinasi (persimpangan) anggota dari dimensi set data berisi data yang tidak valid

D.   Jika persentase yang relatif tinggi dari kemungkinan kombinasi (persimpangan) anggota dari dimensi set data berisi data yang valid

E.   Jika persentase yang relatif tinggi dari kemungkinan kombinasi (persimpangan) anggota dari dimensi set data berisi data yang sudah ketinggalan zaman

A.   pengikat salju

B.   Sinkronisasi

C.   Mengiris dan memotong

D.   Replikasi

E.   Transformasi data

A.   Menyalin fisik data dari satu database ke lainnya

B.   Pembersihan data

C.   Integrasi data dari berbagai sumber ke gudang data

D.   Analisis data

E.   Pemulihan data

A.   Pemrosesan analitik on-line daur ulang

C.   Mengurangi pemrosesan analitik on-line

D.   Pemrosesan analitik on-line yang diputar

E.   Pemrosesan analitik on-line yang berlebihan

A.   Tabel fakta

C.   Kamus data

D.   Tabel pivot

E.   Tabel dimensi

A.   Mendeteksi pola penggunaan kartu kredit yang curang

C.   Tentukan Pengeluaran Kartu Kredit oleh Grup Pelanggan

D.   Temukan korelasi tersembunyi antara berbagai indikator keuangan

E.   Memprediksi pelanggan kemungkinan akan mengubah afiliasi kartu kredit mereka

A.   Pemrosesan analitik on-line hierarkis

C.   Pemrosesan analitik on-line horizontal

D.   Pemrosesan analitik hyper on-line

E.   Hypercube On-Line Analytical Processing

A.   Meja

B.   Bagian

C.   Partisi

E.   Gudang

A.   Klasifikasi

B.   Asosiasi

D.   Kekelompokan

E.   Segmentasi

A.   Pengelompokan dan segmentasi

C.   Logika fuzzy

D.   Analisis regresi linier

E.   Analisis Berbasis Aturan

B.   RDBMS tidak boleh memiliki keterbatasan arsitektur

C.   Server RDBMS harus mendukung ratusan, bahkan ribuan, pengguna bersamaan sambil mempertahankan kinerja kueri yang dapat diterima

D.   Kinerja kueri tidak boleh tergantung pada ukuran database, tetapi lebih pada kompleksitas kueri

E.   Gudang harus memastikan konsistensi lokal, konsistensi global, dan integritas referensial

B.   Replikasi

C.   Sinkronisasi

D.   Migrasi data

E.   Normalisasi

A.   Ini adalah proses mengubah data menjadi informasi

B.   Ini adalah kumpulan banyak teknik

D.   Itu didasarkan pada hipotesis yang dihasilkan mesin

E.   Ini digunakan dalam dukungan keputusan, prediksi, peramalan dan estimasi