A.   Oracle Essbase

B.   IBM TM1

C.   Microsoft SSAs

A.   É o mesmo que a validação de dados

B.   A harmonização dos dados não pode ser considerada como lavagem de dados

D.   A padronização dos dados não pode ser considerada como lavagem de dados

A.   Esquema de floco de neve

C.   Esquema Star

D.   Esquema de constelação de fatos

B.   Mesclando as células de todas, exceto uma dimensão

C.   Mesclando as células ao longo de uma dimensão

D.   Selecionando tudo, exceto uma dimensão do cubo de dados.

A.   Para manter o histórico de dados

B.   Para aumentar a qualidade dos dados

D.   Para integrar dados de vários sistemas de origem

A.   ODS

B.   Mesa limpa

D.   Nenhuma fase de limpeza distinta, limpo de dados durante consultas MDX

A.   Ele usa o dois níveis de representação de armazenamento de dados para lidar com conjuntos de dados densos e escassos

C.   Facilita operações OLTP no SQL

D.   Ele usa motores de armazenamento multidimensional baseados em matrizes

A.   É necessário manter os dados operacionais livres de qualquer operações de armazém

B.   Ele contém dados derivados de várias fontes

C.   Um data warehouse não pode se dar ao luxo de permitir dados corrompidos dentro dele

B.   randomizando o ano e a região

C.   especificando um determinado ano

D.   randomizando o ano

B.   Tabela central

C.   Tabela de metadados

D.   Tabela de dimensão

A.   Pode lidar com grandes quantidades de dados

B.   O desempenho pode ser lento

D.   Pode alavancar as funcionalidades inerentes ao banco de dados relacional

B.   Data Warehouses contêm dados que geralmente são carregados dos bancos de dados operacionais em um intervalo regular

C.   O horizonte de tempo de um data warehouse é significativo mais longo que o dos sistemas operacionais

D.   Data Warehouse mantém dados atuais históricos e (quase)

A.   Os cubos Molap são construídos para recuperação de dados rápidos

B.   Os cubos Molap são ótimos para operações de corte e corte

C.   Os dados são armazenados em um cubo multidimensional.

A.   Ele permite que os usuários analisem dados de muitas dimensões ou ângulos diferentes

C.   É o processo de análise de dados de diferentes perspectivas e resumindo -os em informações úteis

D.   É o processo de encontrar correlações ou padrões entre vários campos

A.   SQL

B.   Etl

D.   Oltp

A.   Extração incremental

C.   Extração completa

D.   Extração online

B.   É cópia dos dados da transação especificamente estruturados para consulta e análise

C.   Ele foi projetado para facilitar relatórios e análises

D.   É um repositório não volátil de tempo variante

A.   É representado por tabelas de fato centralizadas

B.   É um arranjo lógico de tabelas em um banco de dados multidimensional

D.   É uma variação do esquema STAR

B.   Extrair linguagem de teste

C.   Exportar, transmitir, carregar

D.   Exportar, traduzir, carregar

A.   Esquema Star

B.   Esquema de floco de neve

C.   Esquema de constelação de fatos

A.   Oltp

B.   Banco de dados relacional

C.   ODS

A.   Esquema Star

C.   OLAP

D.   Esquema de floco de neve

A.   Quando as duas fontes têm várias colunas correspondentes

B.   Quando as duas fontes têm uma relação de chave primária para a chave estrangeira

D.   Quando as duas fontes são heterogêneas

B.   os dados brutos dos quais os fatos são derivados

C.   a direção ao longo das quais medidas aditivas podem ser combinadas

D.   a proporção de fatos e dimensões

A.   Perfuração

B.   Rolar para baixo

C.   Rolar

B.   Todos os membros

C.   Folhas

D.   Distinto

A.   Fortran

C.   SQL

D.   SPSS

A.   dados

B.   juntar

C.   pivô

A.   Volume de transação

B.   Lucros brutos

C.   custos

A.   Ele gira os eixos de dados em vista para fornecer uma apresentação alternativa de dados

B.   Duas operações consecutivas de fatias em duas dimensões diferentes

C.   Também é conhecido como rotação

A.   CRC

C.   (nenhuma dessas opções)

D.   Colunas de auditoria

A.   /* está linha */

B.   // está linha

D.   -- está linha

B.   uma troca online e aberta em que as organizações podem negociar informações comerciais

C.   Um esquema que organiza dados em fatos e dimensões

D.   um repositório central onde organizações separadas podem fazer backup com segurança dados

A.   Esquema Star and Snowflake contém duas tabelas de fatos

B.   O esquema de floco de neve contém duas tabelas de fatos

D.   Esquema Star contém duas tabelas de fatos

B.   Armazene UID quando existe uma tabela de dimensão da loja

C.   Unidades vendidas

D.   Nenhuma das acima

A.   Orientado pelo assunto

C.   Não volátil

D.   Integrado

A.   Base de dados

B.   OLAP

D.   Data Warehousing Env

A.   Rolar

B.   Rolar para baixo

D.   Perfuração

B.   Oltp

C.   Tanto OLAP quanto OLTP

D.   Nem Olap nem OLTP

B.   Nenhuma das acima

C.   Uma matriz tridimensional para processamento analítico on-line

D.   uma operação de redução dimensional que resume os dados

A.   normalização

B.   Tudo o que precede

D.   chaves primárias

A.   Todas as opções estão corretas

B.   OLAP

C.   Data Warehousing Env

A.   Ele usa apenas um nível de representação de armazenamento de dados para lidar com conjuntos de dados esparsos

B.   Ele usa apenas um nível de representação de armazenamento de dados para lidar com conjuntos de dados densos

C.   Ele usa um nível de representação de armazenamento de dados para lidar com conjuntos de dados densos e esparsos

B.   Ele forma um novo sub-cubo selecionando uma ou mais dimensões

C.   A operação de dados executa a seleção de uma dimensão em um determinado cubo

D.   Ele navega pelos dados de dados menos detalhados para dados altamente detalhados

A.   dados

B.   fatiar

C.   girando

A.   abordagem normalizada

B.   Nem abordagem dimensional nem normalizada

C.   Abordagem dimensional e normalizada

B.   Principalmente8, RunLlength, Raw

C.   Dicionário de bytes, LZO, Delta

D.   LZO, Delta, Raw

A.   Leia e escreva

C.   Escreva apenas

D.   Escreva descondicional

A.   Data Warehouse integrado

C.   Warehouse offline de dados operacionais

D.   Data Warehouse offline

A.   Relacional

B.   Multidimensional

C.   Híbrido

D.   analítico

B.   Quando há um requisito para realizar um cálculo complexo

C.   Quando a recuperação rápida de dados é necessária

D.   Quando o corte e o cubos são necessários

A.   A primeira camada da arquitetura

C.   A terceira camada da arquitetura

D.   A quarta camada da arquitetura

B.   Rolar para baixo

C.   Perfuração para baixo

D.   Perfuração

B.   Insira e exclua

C.   Atualizar e carregar

D.   Criar e editar

A.   Para cobrir agrupamentos naturais

C.   Para encontrar organizações consistentes e válidas dos dados

D.   Para iniciar a hipótese sobre os dados

A.   Tabela de índice

B.   B-Tree

D.   Huffman codificando

A.   Parcialmente desnormalizado

C.   Completamente desnormalizado

D.   Parcialmente normalizado

A.   A maioria das colunas em uma tabela será necessária para uma consulta

C.   pequeno número de índices conhecidos a serem criados, padrões de consulta estática

D.   Um mecanismo baseado em coluna é apropriado apenas para aplicativos OLTP

A.   Pode fornecer pontos de vista específicos de negócios de um cubo

C.   Pode ocultar qualquer número de dimensões de um cubo

D.   Pode exibir hierarquias de um cubo

A.   Não rastreia dados históricos

C.   Aumenta significativamente os requisitos de armazenamento por registro

D.   Atualiza dados obsoletos com novos valores com pouca frequência

A.   Preencha a dimensão esparsa com valores de enchimento

B.   Aplique atualização do tipo 6 na dimensão esparsa

C.   isolar a dimensão esparsa em um cubo separado

A.   Dados que nunca são excluídos depois de adicionados

C.   Os dados são manipulados para fornecer informações sobre um subjec específico

D.   Data Warehouse tem um escopo definido

B.   um cubo

C.   Um subcubo (consulta MDX aninhada)

D.   Nenhuma das acima

A.   Nenhuma das acima

B.   Fonte B para impedir que as linhas sejam omitidas

D.   Não há distinção mestre-detalhe, as transformações de marceneiro dão a ambas as fontes paridade

B.   Divida (Medidas. [Valor A]/Medidas. [Valor B], NULL)

C.   Nenhuma das acima

D.   iff (mede. [valor a] = 0, nulo, mede. [Valor a]/mede. [Valor b])

A.   Tudo o que precede

B.   Agregar dados relevantes requer a criação de novas chaves primárias

D.   Os dados devem primeiro ser colocados em um data warehouse por meio do processo ETL

B.   Oltp

C.   OLAP

D.   Base de dados

A.   Tabelas separadas para cada grupo de dados relacionados com um identificador exclusivo para cada linha

C.   Sem colunas duplicadas em uma única tabela

D.   Nenhuma das acima

A.   Uma partição lógica da camada de dados compartilhada entre nós de computação distribuída

B.   Uma operação paralela isolando uma única camada de um cubo de desvio para o vermelho

D.   Uma partição voltada para o cliente que isola diferentes partes do data warehouse para diferentes tipos de usuários em uma organização

A.   DE

B.   COM

C.   Tudo o que precede

A.   Área SQL privada

C.   Programa Global Area

D.   Área de trabalho SQL

A.   Tudo o que precede

B.   não bloqueará linhas de entrada

D.   Transformação de grupo de saída única

A.   Extração completa

B.   Extração lógica

D.   Extração incremental

B.   Dados normalizados com colunas de sequência -chave em cada tabela de dimensão

C.   Esquema em estrela com colunas de sequência -chave em cada tabela de dimensão

D.   Informações de sequência armazenadas como uma mesa plana

A.   Contém dados resumidos

B.   É uma coleção de dados de derivados de várias fontes

C.   É um banco de dados relacional

A.   Membro [medidas]. [Um quadrado] como [medidas]. [Medida A] * [Medidas]. [Medida A], Solve_order = 2

B.   Membro [medidas]. [C menos um] como [medidas]. [Medida C] - 1, solve_order = 1

C.   Todos os elementos avaliam simultaneamente

B.   Molap

C.   Rolap

E.   Kolap

F.   Kolap

B.   Analise as relações entre muitos tipos de elementos de negócios, por exemplo vendas, produtos, regiões e canais

C.   Compare dados agregados em períodos hierárquicos, p. mensalmente, trimestral, anualmente

D.   Apresente dados em diferentes perspectivas, por exemplo Vendas por região versus vendas por canais por produto em cada região

E.   Responda rapidamente às solicitações do usuário, para que os usuários possam buscar um processo de pensamento analítico sem serem impedidos pelo sistema

B.   O processo de limpeza dos dados

C.   O processo de integrar os dados no DataWareHouse de sistemas legados

D.   O processo de comprimir os dados

E.   O processo de eliminar dados inválidos antes de serem introduzidos no data warehouse

A.   Demanda de consulta

C.   Número de dimensões

D.   Volume de dados atômicos

E.   Volatilidade dos dados

B.   Um subconjunto de uma matriz multidimensional correspondente a vários valores para um ou mais membros das dimensões não no subconjunto

C.   Um subconjunto de uma matriz multidimensional correspondente a um único valor para um ou mais membros das dimensões no subconjunto

D.   Um subconjunto de uma matriz multidimensional correspondente a vários valores para um ou mais membros das dimensões no subconjunto

E.   Um subconjunto de uma matriz multidimensional não correspondente a um único valor para um membro das dimensões não no subconjunto

A.   Desnormalização

B.   Partição

C.   Resumo

D.   Desnormalização e partição

A.   Data

C.   IBM

D.   Oráculo

E.   Microsoft

B.   Metadados

C.   Tabelas RDBMS

D.   Tabelas de fato

E.   Tabelas de articulação

A.   Validade dos dados armazenados em um data warehouse

C.   A pontualidade dos dados armazenados em um data warehouse

D.   A redundância dos dados armazenados em um data warehouse

E.   Compactação dos dados armazenados em um data warehouse

A.   Qual é o saldo da conta corrente deste cliente?

B.   Quantos clientes não pagaram seus saldos a tempo?

C.   Qual é o número total de clientes na região do meio?

E.   Qual cliente faz as compras máximas?

B.   A redundância dos dados

C.   O volume dos dados

D.   A compactação dos dados

E.   A validade dos dados

A.   Os dados a serem analisados ​​são menos em volume

C.   Se uma porcentagem relativamente alta das possíveis combinações (cruzamentos) dos membros das dimensões do conjunto de dados contiver dados inválidos

D.   Se uma porcentagem relativamente alta das possíveis combinações (cruzamentos) dos membros das dimensões do conjunto de dados contiver dados válidos

E.   Se uma porcentagem relativamente alta das possíveis combinações (cruzamentos) dos membros das dimensões do conjunto de dados contiver dados desatualizados

B.   Sincronização

C.   Fatiando e cubos

D.   Replicação

E.   Transformação de dados

B.   Limpeza dos dados

C.   Integração de dados de várias fontes no data warehouse

D.   Análise dos dados

E.   Recuperação de dados

A.   Processamento analítico on-line reciclico

C.   Processamento analítico on-line reduzido

D.   Processamento analítico on-line girado

E.   Processamento analítico on-line redundante

A.   Tabela de fatos

C.   Dicionário de dados

D.   Tabela de articulação

E.   Tabela de dimensão

A.   Detectar padrões de uso de cartão de crédito fraudulento

C.   Determine os gastos com cartão de crédito por grupos de clientes

D.   Encontre correlação oculta entre diferentes indicadores financeiros

E.   Preveja os clientes que provavelmente mudarão sua afiliação ao cartão de crédito

A.   Processamento analítico on-line hierárquico

C.   Processamento analítico on-line horizontal

D.   Processamento analítico hiper-on-line

E.   Processamento analítico on-line Hypercube

A.   Mesa

B.   Seção

C.   Partição

E.   Repositório

A.   Classificação

B.   Associações

D.   Clustering

E.   Segmentação

A.   Agrupamento e segmentação

C.   Lógica difusa

D.   Análise de regressão linear

E.   Análise baseada em regras

B.   O RDBMS não deve ter limitações arquitetônicas

C.   O servidor RDBMS deve suportar centenas, até milhares, de usuários simultâneos, mantendo o desempenho aceitável da consulta

D.   O desempenho da consulta não deve depender do tamanho do banco de dados, mas da complexidade da consulta

E.   O armazém deve garantir consistência local, consistência global e integridade referencial

B.   Replicação

C.   Sincronização

D.   Migração de dados

E.   Normalização

A.   É o processo de transformar dados em informações

B.   É uma coleção de muitas técnicas

D.   É baseado na hipótese gerada pela máquina

E.   É usado no suporte à decisão, previsão, previsão e estimativa