Metti alla prova la tua comprensione degli argomenti di data warehousing rispondendo a tutti gli oltre 100 MCQ di data warehousing.
Scorri verso il basso per iniziare!
A. Oracle Essbase
B. IBM TM1
C. Microsoft SSAS
D. Tutti i precedenti
A. È uguale alla convalida dei dati
B. L'armonizzazione dei dati non può essere considerata come lavaggio dei dati
C. Implica la pulizia dei dati
D. La standardizzazione dei dati non può essere considerata come lavaggio dei dati
A. Schema del fiocco di neve
B. Modello di relazione di entità
C. Schema a stella
D. Schema di costellazione di fatti
A. Selezione delle celle di qualsiasi dimensione del cubo di dati
B. Unendo le cellule di tutte tranne una dimensione
C. Unendo le cellule lungo una dimensione
D. Selezione di tutte le dimensioni tranne una sola del cubo di dati.
A. Per mantenere la cronologia dei dati
B. Per migliorare la qualità dei dati
C. Per raccogliere dati da più fonti in più database
D. Per integrare i dati da più sistemi di origine
A. ODS
B. Tavolo da camera pulita
C. Area di sosta
D. Nessuna fase di pulizia distinta, dati purificati durante le query MDX
A. Utilizza i due livelli di rappresentazione di archiviazione dei dati per gestire set di dati densi e sparsi
B. Fornisce supporto per le query e l'elaborazione delle query avanzate per le query SQL su schemi di stelle e fiocchi di neve
C. Facilita le operazioni OLTP in SQL
D. Utilizza motori di archiviazione multidimensionale basati su array
A. È necessario mantenere i dati operativi liberi da qualsiasi operazione di magazzino
B. Contiene dati derivati da più fonti
C. Un data warehouse non può permettersi di consentire dati corrotti al suo interno
D. Un data warehouse contiene dati riassunti mentre il database operativo contiene dati transazionali
A. specificando un anno e una regione in particolare
B. randomizzando l'anno e la regione
C. specificando un anno particolare
D. randomizzando l'anno
A. tabella dei fatti
B. Tabella principale
C. Tabella dei metadati
D. Tabella delle dimensioni
A. Può gestire grandi quantità di dati
B. Le prestazioni possono essere lente
C. Tutte le opzioni fornite sono valide
D. Può sfruttare le funzionalità inerenti al database relazionale
A. Tutte le opzioni fornite sono valide
B. I data warehouse contengono dati generalmente caricati dai database operativi su un intervallo regolare
C. L'orizzonte temporale di un data warehouse è significativo più lungo di quello dei sistemi operativi
D. Data Warehouse mantiene dati sia storici che (quasi) attuali
A. I cubi Molap sono costruiti per un rapido recupero dei dati
B. I cubi di molap sono ottimali per le operazioni di taglio e di taglio
C. I dati sono archiviati in un cubo multidimensionale.
D. Tutte le opzioni fornite sono valide
A. Consente agli utenti di analizzare i dati da molte dimensioni o angoli
B. Tutte le opzioni fornite sono valide
C. È il processo di analisi dei dati da diverse prospettive e riassumi in informazioni utili
D. È il processo di ricerca di correlazioni o modelli tra i vari campi
A. SQL
B. Etl
C. Olap
D. Oltp
A. Estrazione incrementale
B. Sia l'estrazione completa che l'estrazione incrementale
C. Estrazione completa
D. Estrazione online
A. Tutte le opzioni date sono vere
B. È una copia dei dati delle transazioni specificamente strutturati per query e analisi
C. È progettato per facilitare i report e l'analisi
D. È un repository non volatile.
A. È rappresentato da tabelle di fatti centralizzati
B. È una disposizione logica di tabelle in un database multidimensionale
C. Tutti i precedenti
D. È una variazione dello schema a stella
A. Estratto, trasforma, carico
B. Estrarre il linguaggio del test
C. Esportazione, trasmetti, carico
D. Esportazione, traduci, carico
A. Schema a stella
B. Schema del fiocco di neve
C. Schema di costellazione di fatti
D. Tutte le opzioni determinate sono valide
A. Oltp
B. Database relazionale
C. ODS
D. Database OLAP o multidimensionale
A. Schema a stella
B. Oltp
C. Olap
D. Schema del fiocco di neve
A. Quando le due fonti hanno più colonne corrispondenti
B. Quando le due fonti hanno una relazione con key-key primaria
C. Tutti i precedenti
D. Quando le due fonti sono eterogenee
A. il livello più atomico in cui i fatti possono essere definiti
B. i dati grezzi da cui derivano i fatti
C. la direzione lungo la quale è possibile combinare misure additive
D. Il rapporto tra fatti e dimensioni
A. Trapani
B. Rotolare giù
C. Roll-up
D. Scavare a fondo
A. CrossJoin
B. Tutti i membri
C. Foglie
D. Distinto
A. Fortran
B. Mdx
C. SQL
D. SPSS
A. dado
B. giuntura
C. perno
D. fetta
A. Volume delle transazioni
B. profitti lordi
C. costi
D. Probabilità di default
A. Ruota gli assi di dati in vista per fornire una presentazione alternativa di dati
B. Due operazioni di fetta consecutive in due diverse dimensioni
C. È anche noto come rotazione
D. Tutte le opzioni fornite sono valide
A. CRC
B. (entrambe queste scelte)
C. (nessuna di queste scelte)
D. colonne di audit
A. / * questa riga */
B. // questa riga
C. ## questa riga
D. - Questa linea
A. un livello di accesso comprendente un sottoinsieme di un data warehouse
B. uno scambio online online in cui le organizzazioni possono scambiare informazioni commerciali
C. uno schema che organizza i dati in fatti e dimensioni
D. Un repository centrale in cui organizzazioni separate possono eseguire il backup in modo sicuro di dati
A. Lo schema di stelle e fiocchi di neve contiene due tavoli fatti
B. Lo schema del fiocco di neve contiene due tavoli fatti
C. Lo schema di costellazione di fatti contiene due tabelle fatti
D. Lo schema a stella contiene due tabelle fatti
A. Nome prodotto Quando esiste una tabella della dimensione del prodotto
B. Memorizzare uid quando esiste una tabella della dimensione del negozio
C. Unità vendute
D. Nessuna delle precedenti
A. Oriente al soggetto
B. Volatile
C. Non volatile
D. Integrato
A. Banca dati
B. Olap
C. Oltp
D. Data warehousing env
A. Roll-up
B. Rotolare giù
C. Scavare a fondo
D. Trapani
A. Olap
B. Oltp
C. Sia OLAP che OLTP
D. Né OLAP né OLTP
A. Un array in cui i dati sono archiviati e caratterizzati da più dimensioni
B. Nessuna delle precedenti
C. Un array tridimensionale per l'elaborazione analitica online
D. Un'operazione di riduzione dimensionale che riassume i dati
A. normalizzazione
B. Tutti i precedenti
C. tabelle pivot
D. chiavi primarie
A. Tutte le opzioni sono corrette
B. Olap
C. Data warehousing env
D. Oltp
A. Utilizza solo un livello di rappresentazione di archiviazione dei dati per gestire set di dati sparsi
B. Utilizza solo un livello di rappresentazione di archiviazione dei dati per gestire set di dati densi
C. Utilizza un livello di rappresentazione di archiviazione dei dati per gestire set di dati densi e sparsi
D. Utilizza due livelli di rappresentazione di archiviazione dei dati per gestire set di dati densi e sparsi
A. L'operazione di dadi esegue la selezione di due o più dimensioni su un determinato cubo
B. Forma un nuovo sotto-cubo selezionando una o più dimensioni
C. L'operazione di dadi esegue la selezione di una dimensione su un determinato cubo
D. Naviga i dati da dati meno dettagliati a dati altamente dettagliati
A. dado
B. fetta
C. rotante
D. Drill-Across
A. approccio normalizzato
B. Né approccio dimensionale né normalizzato
C. Approccio sia dimensionale che normalizzato
D. Approccio dimensionale
A. Delta, byte-dizionario, lzo
B. Principalmente 8, runlength, grezzo
C. Byte-Dictionary, Lzo, Delta
D. Lzo, Delta, Raw
A. Leggere e scrivere
B. Sola lettura
C. Scrivi solo
D. Scrivi decondizionati
A. Data Warehouse integrato
B. On Time Data Warehouse
C. Data warehouse offline
D. Data Warehouse offline
A. Relazionale
B. Multidimensionale
C. Ibrido
D. Analitico