A.   Oracle Essbase

B.   IBM TM1

C.   Microsoft SSAS

A.   Это то же самое, что подтверждение данных

B.   Гармонизация данных не может рассматриваться как очистка данных

D.   Стандартизация данных не может рассматриваться как очистка данных

A.   Схема снежинки

C.   Звездная схема

D.   Факт Схема Созвездия

B.   Объединение клеток всех, кроме одного измерения

C.   Объединение ячеек вдоль одного измерения

D.   Выбор всех, кроме одного измерения куба данных.

A.   Для поддержания истории данных

B.   Для повышения качества данных

D.   Для интеграции данных из нескольких исходных систем

A.   ОДИС

B.   Стол для чистой комнаты

D.   Нет отдельной фазы очищения, данные очищены во время запросов MDX

A.   Он использует два уровня представления хранения данных для обработки плотных и разреженных наборов данных

C.   Это облегчает операции OLTP в SQL

D.   Он использует многомерные хранилища на основе массива

A.   Необходимо держать оперативные данные без каких -либо складских операций

B.   Он содержит данные, полученные из нескольких источников

C.   Хранилище данных не может позволить себе повреждать данные в нем

B.   Рандомизация года и региона

C.   Указание определенного года

D.   Рандомизация года

B.   Основная таблица

C.   метаданная таблица

D.   таблица измерений

A.   Может обрабатывать большие объемы данных

B.   Производительность может быть медленной

D.   Может использовать функции, присущие реляционной базе данных

B.   Хранилиты данных содержат данные, которые обычно загружаются из эксплуатационных баз данных в обычном промежутке

C.   Временный горизонт хранилища данных значительно дольше, чем в эксплуатационных системах

D.   Хранилище данных поддерживает как исторические, так и (почти) текущие данные

A.   Кубики MOLAP созданы для быстрого извлечения данных

B.   Кубики MOLAP оптимальны для нарезки и нарезки

C.   Данные хранятся в многомерном кубе.

A.   Это позволяет пользователям анализировать данные из разных измерений или углов

C.   Это процесс анализа данных с разных точек зрения и суммирования их в полезной информации

D.   Это процесс поиска корреляций или закономерности между различными областями

A.   SQL

B.   Etl

D.   Oltp

A.   Постепенное извлечение

C.   Полное извлечение

D.   Онлайн -извлечение

B.   Это копия данных транзакций, специально структурированных для запроса и анализа

C.   Он предназначен для облегчения отчетности и анализа

D.   Это нелетущий репозиторий во времени

A.   Это представлено централизованными таблицами фактов

B.   Это логическое расположение таблиц в многомерной базе данных

D.   Это вариация звездной схемы

B.   Извлечь язык теста

C.   Экспорт, передача, загрузка

D.   Экспорт, перевод, загрузка

A.   Звездная схема

B.   Схема снежинки

C.   Факт Схема Созвездия

A.   Oltp

B.   Реляционная база данных

C.   ОДИС

A.   Звездная схема

C.   Олап

D.   Схема снежинки

A.   Когда два источника имеют несколько подходящих столбцов

B.   Когда два источника имеют первичный ключ к отношениям иностранного ключа

D.   Когда два источника гетерогенные

B.   необработанные данные, из которых получены факты

C.   направление, вдоль которого могут быть объединены аддитивные меры

D.   соотношение фактов к измерениям

A.   Тренировка

B.   Скатывайся

C.   Свернуть

B.   Все участники

C.   Листья

D.   Отчетливый

A.   Фортран

C.   SQL

D.   SPSS

A.   игральная кость

B.   присоединиться

C.   вращаться

A.   объем транзакции

B.   валовая прибыль

C.   расходы

A.   Он вращает оси данных, чтобы предоставить альтернативное представление данных

B.   Две последовательные среза в двух разных измерениях

C.   Это также известно как вращение

A.   CRC

C.   (Ни один из этих вариантов)

D.   Аудиторские столбцы

A.   / * Эта строка */

B.   // эта линия

D.   - эта линия

B.   онлайн, открытый обмен, в котором организации могут торговать бизнесом

C.   схема, которая организует данные в факты и измерения

D.   Центральный репозиторий, в котором отдельные организации могут безопасно резко резко

A.   Схема звезды и снежинки содержит две таблицы фактов

B.   Схема снежинки содержит две таблицы фактов

D.   Звездная схема содержит две таблицы фактов

B.   Хранить UID, когда существует таблица размеров магазина

C.   Проданных единиц

D.   Ни один из вышеперечисленных

A.   Ориентирован на субъект

C.   Нелетен

D.   Интегрированный

A.   База данных

B.   Олап

D.   Данные хранилища Env

A.   Свернуть

B.   Скатывайся

D.   Тренировка

B.   Oltp

C.   И OLAP, и OLTP

D.   Ни Olap, ни Oltp

B.   Ни один из вышеперечисленных

C.   Трехмерный массив для онлайн-аналитической обработки

D.   Операция по размерному снижению, которая суммирует данные

A.   нормализация

B.   Все вышеперечисленное

D.   Первичные ключи

A.   Все варианты верны

B.   Олап

C.   Данные хранилища Env

A.   Он использует только один уровень представления хранения данных для обработки редких наборов данных

B.   Он использует только один уровень представления хранения данных для обработки плотных наборов данных

C.   Он использует один уровень представления хранения данных для обработки как плотных, так и разреженных наборов данных

B.   Он образует новый подкуб, выбрав один или несколько измерений

C.   Работа в кости выполняет выбор одного измерения на данном кубе

D.   Он перемещает данные из менее подробных данных в высоко подробные данные

A.   игральная кость

B.   кусочек

C.   вращение

A.   нормализованный подход

B.   Ни размерное, ни нормализованный подход

C.   Как размерный, так и нормализованный подход

B.   В основном 8, runlength, Raw

C.   Байто-долярь, LZO, Delta

D.   Lzo, Delta, Raw

A.   Прочитайте и напишите

C.   Напишите только

D.   Напишите деконтиции

A.   Интегрированное хранилище данных

C.   Офлайн -хранилище операционных данных

D.   Офлайн -хранилище данных

A.   Реляционный

B.   Многомерный

C.   Гибридный

B.   Когда существует требование выполнить сложный расчет

C.   Когда требуется быстрый поиск данных

D.   Когда требуется нарезка и нарезка

A.   Первый слой архитектуры

C.   Третий слой архитектуры

D.   Четвертый слой архитектуры

B.   Скатывайся

C.   Сверло

D.   Тренировка

B.   Вставить и удалить

C.   Обновить и загрузить

D.   Создать и редактировать

A.   Для покрытия естественных групп

C.   Чтобы найти последовательные и действительные организации данных

D.   Чтобы инициировать гипотезу о данных

A.   Индексная таблица

B.   B-дерево

D.   Кодирование Хаффмана

A.   Частично денормализован

C.   Полностью денормализован

D.   Частично нормализован

A.   Большинство столбцов в таблице потребуется для запроса

C.   Небольшое количество известных индексов, которые будут созданы, статические закономерности запроса

D.   Двигатель на основе столбцов подходит только для приложений OLTP

A.   Может предоставить специфичные для бизнеса точки зрения куба

C.   Может скрыть любое количество измерений от куба

D.   Может отображать иерархии из куба

A.   Не отслеживает исторические данные

C.   Значительно увеличивает требования к хранению на запись

D.   Обновления устарели данные с новыми значениями редко

A.   Заполнить разреженное измерение значениями наполнителя

B.   Применить тип 6 обновление к редкому измерению

C.   изолировать разреженное измерение в отдельном кубе

A.   Данные, которые никогда не удаляются после их добавления

C.   Данные манипулируют предоставлением информации о конкретном подведении

D.   В хранилище данных есть определенная область

B.   куб

C.   Подкуб (вложенный запрос MDX)

D.   Ни один из вышеперечисленных

A.   Ни один из вышеперечисленных

B.   Источник B, чтобы предотвратить опускание рядов

D.   Не существует отличия в мастер-дететации, преобразования столяра придают обоим источникам паритет

B.   Разделите (измерения. [Значение A]/меры.

C.   Ни один из вышеперечисленных

D.   iff (меры. [значение a] = 0, null, меры.

A.   Все вышеперечисленное

B.   Агрегация соответствующих данных требует создания новых первичных ключей

D.   Данные должны сначала быть помещены в хранилище данных через процесс ETL

B.   Oltp

C.   Олап

D.   База данных

A.   Отдельные таблицы для каждой группы связанных данных с уникальным идентификатором для каждой строки

C.   Нет дубликатов столбцов в одной таблице

D.   Ни один из вышеперечисленных

A.   Логический раздел уровня данных, разделенный между распределенными вычислительными узлами

B.   Параллельная операция, изолирующая один слой куба красного смещения

D.   Раздел, обращенный к клиенту, который изолирует различные части хранилища данных для различных типов пользователей в организации

A.   ОТ

B.   С

C.   Все вышеперечисленное

A.   Частная зона SQL

C.   Программа глобальная область

D.   SQL Рабочая зона

A.   Все вышеперечисленное

B.   не будет блокировать входные ряды

D.   преобразование отдельной выходной группы

A.   Полное извлечение

B.   Логическое извлечение

D.   Постепенное извлечение

B.   Нормализованные данные с столбцами последовательности ключей в каждой таблице измерений

C.   Звездная схема с столбцами последовательности ключей в каждой таблице измерений

D.   Информация о последовательности, хранящаяся в виде плоской таблицы

A.   Он содержит суммированные данные

B.   Это сбор данных, полученных из нескольких источников

C.   Это реляционная база данных

A.   Член [мер]. [Квадрат] как [измерения]. [Измерение a] * [мер]. [Измерение a], solve_order = 2

B.   Член [мер]. [C меньше одного] как [меры]. [Мера C] - 1, solve_order = 1

C.   Все элементы оцениваются одновременно

B.   Молап

C.   Ролап

E.   Колап

F.   Колап

B.   Проанализируйте взаимосвязь между многими типами деловых элементов, например, Продажи, продукты, регионы и каналы

C.   Сравните агрегированные данные в течение иерархических периодов времени, например, ежемесячно, ежеквартально, ежегодно

D.   Представьте данные в разных точках, например, Продажи по региону против продаж по каналам по продукту в каждом регионе

E.   Быстро ответьте на запросы пользователей, чтобы пользователи могли продолжить аналитический мыслительный процесс, не будучи задерживая систему

B.   Процесс очистки данных

C.   Процесс интеграции данных в DataWarehouse из устаревших систем

D.   Процесс сжатия данных

E.   Процесс устранения неверных данных до того, как они будут введены в хранилище данных

A.   Спрос на запрос

C.   Количество измерений

D.   Объем атомных данных

E.   Волатильность данных

B.   Подмножество многомерного массива, соответствующего нескольким значениям для одного или нескольких членов измерений, не в подмножестве

C.   Подмножество многомерного массива, соответствующего одному значению для одного или нескольких членов измерений в подмножестве

D.   Подмножество многомерного массива, соответствующего нескольким значениям для одного или нескольких членов измерений в подмножестве

E.   Подмножество многомерного массива, не соответствующего одному значению для одного члена измерений, не в подмножестве

A.   Денормализация

B.   Разделение

C.   Суммирование

D.   Денормализация и разделение

A.   Дата

C.   IBM

D.   Оракул

E.   Microsoft

B.   Метаданные

C.   Столы RDBMS

D.   Фактические таблицы

E.   Поворотные таблицы

A.   Обоснованность данных, хранящихся в хранилище данных

C.   Своевременность данных, хранящихся в хранилище данных

D.   Избыточность данных, хранящихся в хранилище данных

E.   Компактность данных, хранящихся в хранилище данных

A.   Каков баланс текущего счета этого клиента?

B.   Сколько клиентов не заплатили свои остатки вовремя?

C.   Какое общее количество клиентов в среднем регионе?

E.   Какой клиент делает максимальные покупки?

B.   Избыточность данных

C.   Объем данных

D.   Компактность данных

E.   Обоснованность данных

A.   Данные, которые необходимо проанализировать, меньше в объеме

C.   Если относительно высокий процент возможных комбинаций (пересечений) членов измерений набора данных содержат недопустимые данные

D.   Если относительно высокий процент возможных комбинаций (пересечений) членов измерений набора данных содержат допустимые данные

E.   Если относительно высокий процент возможных комбинаций (пересечения) членов измерений набора данных содержат устаревшие данные

B.   Синхронизация

C.   Нареж и нарезание

D.   Репликация

E.   Преобразование данных

B.   Очищение данных

C.   Интеграция данных из различных источников в хранилище данных

D.   Анализ данных

E.   Восстановление данных

A.   Рециклическая онлайн-аналитическая обработка

C.   Снижение аналитической обработки онлайн

D.   Повернутая онлайн-аналитическая обработка

E.   Избыточная онлайн-аналитическая обработка

A.   Таблица фактов

C.   Словарь данных

D.   Поворот

E.   Таблица измерений

A.   Обнаружение закономерности мошеннического использования кредитной карты

C.   Определить расходы по кредитным картам группами клиентов

D.   Найдите скрытую корреляцию между различными финансовыми показателями

E.   Прогнозировать клиентов, которые могут изменить свою кредитную карту

A.   Иерархическая онлайн-аналитическая обработка

C.   Горизонтальная онлайн-аналитическая обработка

D.   Гипер онлайн-аналитическая обработка

E.   Аналитическая обработка Hypercube Analytical

A.   Стол

B.   Раздел

C.   Профила

E.   Репозиторий

A.   Классификация

B.   Ассоциации

D.   Кластеризация

E.   Сегментация

A.   Кластеризация и сегментация

C.   Нечеткая логика

D.   Анализ линейной регрессии

E.   Анализ на основе правил

B.   РДБМ не должны иметь никаких архитектурных ограничений

C.   Сервер RDBMS должен поддерживать сотни, даже тысячи, одновременных пользователей, сохраняя при этом приемлемая производительность запроса

D.   Производительность запроса не должна зависеть от размера базы данных, а скорее от сложности запроса

E.   Склад должен обеспечить локальную последовательность, глобальную согласованность и референциальную целостность

B.   Репликация

C.   Синхронизация

D.   Перенос данных

E.   Нормализация

A.   Это процесс превращения данных в информацию

B.   Это коллекция многих техник

D.   Он основан на гипотезе, генерируемой машиной

E.   Он используется в поддержке решений, прогнозировании, прогнозировании и оценке