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
A. Un database di data warehouse e relazionali sono separabili
B. Quando è necessario eseguire calcoli complessi
C. Quando è richiesto un rapido recupero dei dati
D. Quando sono richiesti tagli e taglienti
A. Il primo strato dell'architettura
B. Il secondo strato dell'architettura
C. Il terzo strato dell'architettura
D. Il quarto strato dell'architettura
A. Roll-up
B. Rotolare giù
C. Scavare a fondo
D. Trapani
A. Query e aggiorna
B. Inserire ed eliminare
C. Aggiorna e carica
D. Crea e modifica
A. Per coprire i raggruppamenti naturali
B. Facilita le operazioni OLAP
C. Per trovare organizzazioni coerenti e valide dei dati
D. Per avviare ipotesi sui dati
A. Tabella degli indici
B. B-albero
C. Indice bitmap
D. Codifica Huffman
A. Parzialmente denormalizzato
B. completamente normalizzato
C. Completamente denormalizzato
D. Parzialmente normalizzato
A. La maggior parte delle colonne in una tabella sarà richiesta per una domanda
B. Modelli di query dinamici e imprevedibili
C. Piccolo numero di indici noti da creare modelli di query statici
D. Un motore a colonna è appropriato solo per le applicazioni OLTP
A. Può fornire punti di vista specifici del business di un cubo
B. Può limitare in modo sicuro l'accesso agli oggetti in un cubo
C. Può nascondere qualsiasi numero di dimensioni da un cubo
D. Può visualizzare gerarchie da un cubo
A. Non traccia i dati storici
B. Memorizza solo un numero finito di cambiamenti storici
C. Aumenta significativamente i requisiti di archiviazione per record
D. Aggiorna i dati obsoleti con nuovi valori raramente
A. popolare la dimensione sparsa con valori di riempimento
B. Applica l'aggiornamento del tipo 6 alla dimensione sparsa
C. isolare la dimensione sparsa in un cubo separato
D. Crea un composito per stare in piedi per la dimensione sparsa
A. Dati che non vengono mai eliminati una volta che sono stati aggiunti
B. I dati non dovrebbero cambiare una volta immessi nel magazzino
C. I dati vengono manipolati per fornire informazioni su un particolare subjec
D. Data Warehouse ha un ambito definito
A. una prospettiva (sottoinsieme di misure e dimensioni
B. Un cubo
C. A Subcube (query MDX nidificata)
D. Nessuna delle precedenti
A. Nessuna delle precedenti
B. Fonte B per evitare che le righe vengano omesse
C. Fonte A per accelerare il processo di join
D. Non esiste una distinzione da detail maestro, le trasformazioni di falegnameria danno entrambe le fonti di parità
A. Misure. [Valore A]/Misure. [Valore B]
B. Dividi (misure. [Valore A]/Misure. [Valore B], NULL)
C. Nessuna delle precedenti
D. IFF (misure. [Valore a] = 0, null, misure. [Valore a]/misure. [Valore b])
A. Tutti i precedenti
B. L'aggregazione dei dati pertinenti richiede la creazione di nuove chiavi primarie
C. L'aggregazione di dati pertinenti richiede più tabelle si uniscono
D. I dati devono prima essere inseriti in un data warehouse tramite il processo ETL
A. Data warehousing env
B. Oltp
C. Olap
D. Banca dati
A. Tabelle separate per ciascun gruppo di dati correlati con un identificatore univoco per ogni riga
B. Nessuna colonna che non dipende da una chiave primaria
C. Nessuna colonna duplicata all'interno di una singola tabella
D. Nessuna delle precedenti
A. Una partizione logica del livello dati condiviso tra i nodi di calcolo distribuiti
B. Un'operazione parallela che isola un singolo strato di un cubo di spostamento verso il rosso
C. Una partizione che consente ciascuno del nucleo di un nodo multi-processore per elaborare il carico di lavoro del nodo in parallelo
D. Una partizione rivolta al cliente che isola diverse parti del data warehouse per diversi tipi di utenti in un'organizzazione
A. DA
B. CON
C. Tutti i precedenti
D. DOVE
A. Area SQL privata
B. Area globale dell'utente
C. Programma area globale
D. Area di lavoro SQL
A. Tutti i precedenti
B. non bloccerà le righe di ingresso
C. trasformazione del gruppo di input singolo
D. trasformazione del gruppo di output singolo
A. Estrazione completa
B. Estrazione logica
C. Estrazione fisica
D. Estrazione incrementale
A. Informazioni sulla sequenza memorizzate come tabella nidificata
B. Dati normalizzati con colonne di sequenza chiave su ciascuna tabella di dimensione
C. Schema a stella con colonne di sequenza chiave su ciascuna tabella di dimensione
D. Informazioni sulla sequenza memorizzate come tabella piatta
A. Contiene dati riassunti
B. È una raccolta di dati di derivata da più fonti
C. È un database relazionale
D. È una raccolta di dati di diversi tipi
A. Membro [Misure]. [A Squared] come [Misure]. [Misura A] * [Misure]. [Misura A], Solve_order = 2
B. Membro [Misure]. [C less One] come [Misure]. [Misura C] - 1, Solve_order = 1
C. Tutti gli elementi valutano contemporaneamente
D. Membro [Misure]. [B due volte] come [Misure]. [Misura B] + [Misure]. [Misura B], Solve_order = 4
A. Molap
B. Molap
C. Rolap
D. Rolap
E. Kolap
F. Kolap
A. Accedi a piccole quantità di dati
B. Analizzare le relazioni tra molti tipi di elementi aziendali, ad es. Vendite, prodotti, regioni e canali
C. Confronta i dati aggregati rispetto ai periodi di tempo gerarchici, ad es. mensile, trimestrale, annuale
D. Presentare dati in diverse prospettive, ad es. Vendite per regione rispetto alle vendite per canali per prodotto all'interno di ciascuna regione
E. Rispondi rapidamente alle richieste degli utenti, in modo che gli utenti possano perseguire un processo di pensiero analitico senza essere ostacolati dal sistema
A. Il processo di organizzazione dei dati in conformità con le regole di un database relazionale
B. Il processo di pulizia dei dati
C. Il processo di integrazione dei dati nel Datawarehouse dai sistemi legacy
D. Il processo di comppressione dei dati
E. Il processo di eliminazione dei dati non validi prima di essere introdotti nel data warehouse
A. Domanda di domanda
B. Fonte di dati
C. Numero di dimensioni
D. Volume dei dati atomici
E. Volatilità dei dati
A. Un sottoinsieme di un array multidimensionale corrispondente a un singolo valore per uno o più membri delle dimensioni non nel sottoinsieme
B. Un sottoinsieme di un array multidimensionale corrispondente a più valori per uno o più membri delle dimensioni non nel sottoinsieme
C. Un sottoinsieme di un array multidimensionale corrispondente a un singolo valore per uno o più membri delle dimensioni nel sottoinsieme
D. Un sottoinsieme di un array multidimensionale corrispondente a più valori per uno o più membri delle dimensioni nel sottoinsieme
E. Un sottoinsieme di un array multidimensionale non corrispondente a un singolo valore per un membro delle dimensioni non nel sottoinsieme
A. Denormalizzazione
B. Partizionamento
C. Riassunto
D. Denormalizzazione e partizionamento
E. Denormalizzazione, partizionamento e riassunto
A. Data
B. CODD
C. IBM
D. Oracolo
E. Microsoft
A. Cubi multidimensionali
B. Metadati
C. Tabelle RDBMS
D. Tabelle di fatti
E. Tabelle pivot
A. Validità dei dati memorizzati in un data warehouse
B. Il livello di dettaglio dei fatti memorizzati in un data warehouse
C. La tempestività dei dati archiviati in un data warehouse
D. La ridondanza dei dati archiviati in un data warehouse
E. Compattezza dei dati archiviati in un data warehouse
A. Qual è il saldo del conto corrente di questo cliente?
B. Quanti clienti non hanno pagato i loro saldi in tempo?
C. Qual è il numero totale di clienti nella regione centrale?
D. Hich Product Line vende meglio nella regione centrale e in che modo questo è correlato ai dati demografici?
E. Quale cliente effettua gli acquisti massimi?
A. Il grado in cui i dati e le strutture di dati cambiano nel tempo
B. La ridondanza dei dati
C. Il volume dei dati
D. La compattezza dei dati
E. La validità dei dati
A. I dati da analizzare hanno meno volume
B. Se una percentuale relativamente elevata delle possibili combinazioni (intersezioni) dei membri dalle dimensioni del set di dati contengono dati mancanti
C. Se una percentuale relativamente elevata delle possibili combinazioni (intersezioni) dei membri dalle dimensioni del set di dati contengono dati non validi
D. Se una percentuale relativamente elevata delle possibili combinazioni (intersezioni) dei membri dalle dimensioni del set di dati contengono dati validi
E. Se una percentuale relativamente elevata delle possibili combinazioni (intersezioni) dei membri dalle dimensioni del set di dati contengono dati obsoleti
A. Snowflaking
B. Sincronizzazione
C. Affettare e curare
D. Replica
E. Trasformazione dei dati
A. Copia fisica di dati da un database a un altro
B. Pulizia dei dati
C. Integrazione dei dati da varie fonti nel data warehouse
D. Analisi dei dati
E. Recupero dei dati
A. Elaborazione analitica on-line ricicla
B. Elaborazione analitica online relazionale
C. Elaborazione analitica in linea ridotta
D. Elaborazione analitica in linea ruotata
E. Elaborazione analitica su linea ridondante
A. Tabella dei fatti
B. Meta Table
C. Dizionario dei dati
D. Tabella pivot
E. Tabella delle dimensioni
A. Rileva i modelli di utilizzo della carta di credito fraudolenti
B. Accertare il numero di transazioni effettuate in un giorno
C. Determina la spesa per carta di credito da parte dei gruppi di clienti
D. Trova una correlazione nascosta tra diversi indicatori finanziari
E. Prevedere i clienti che probabilmente cambieranno l'affiliazione della carta di credito
A. Elaborazione analitica in linea gerarchica
B. Elaborazione analitica online ibrida
C. Elaborazione analitica on-line orizzontale
D. Elaborazione analitica iper-linea
E. Elaborazione analitica in linea Hypercube
A. Tavolo
B. Sezione
C. Partizione
D. Cubo
E. Repository
A. Classificazione
B. Associazioni
C. Modelli sequenziali/temporali
D. Clustering
E. Segmentazione
A. Clustering e segmentazione
B. Reti neurali
C. Logica fuzzy
D. Analisi di regressione lineare
E. Analisi basata sulle regole
A. L'RDBMS deve fornire un set completo di operazioni analitiche tra cui le operazioni sequenziali e statistiche core
B. L'RDBMS non deve avere limitazioni architettoniche
C. Il server RDBMS deve supportare centinaia, anche migliaia, di utenti simultanei mantenendo prestazioni di query accettabili
D. Le prestazioni delle query non devono dipendere dalle dimensioni del database, ma piuttosto dalla complessità della query
E. Il magazzino deve garantire la coerenza locale, la coerenza globale e l'integrità referenziale
A. Trasformazione dei dati
B. Replica
C. Sincronizzazione
D. Migrazione dei dati
E. Normalizzazione
A. È il processo di trasformare i dati in informazioni
B. È una raccolta di molte tecniche
C. È un sostituto per olap
D. Si basa sull'ipotesi generata dalla macchina
E. È utilizzato nel supporto alle decisioni, nella previsione, nella previsione e nella stima