A.   Oracle Essbase

B.   IBM TM1

C.   微软SSA

A.   它与数据验证相同

B.   数据的协调不能被视为数据擦洗

D.   数据的标准化不能被视为数据擦洗

A.   雪花图架

C.   星模架

D.   事实星座模式

B.   合并除一个维度以外的所有细胞

C.   沿一个维度合并细胞

D.   选择数据立方体的一个维度以外的所有维度。

A.   维护数据历史记录

B.   提高数据质量

D.   集成来自多个源系统的数据

A.   ODS

B.   洁净室桌

D.   没有明显的清洁阶段，在MDX查询期间清洗数据

A.   它使用两个级别的数据存储表示来处理密集和稀疏的数据集

B.   它为SQL查询提供高级查询语言和查询处理支持。

C.   它促进了SQL的OLTP操作

D.   它使用基于数组的多维存储引擎

A.   有必要使操作数据免于任何仓库操作

B.   它包含从多个来源得出的数据

C.   数据仓库无力允许其中损坏的数据

B.   将年度和地区随机化

C.   指定特定年份

D.   将年份随机化

B.   核心表

C.   元数据表

D.   尺寸表

A.   可以处理大量数据

B.   性能可能很慢

D.   可以利用关系数据库固有的功能

B.   数据仓库包含通常从操作数据库加载的数据

C.   数据仓库的时间范围比操作系统的时间长大。

D.   数据仓库同时保持历史和（几乎）当前数据

A.   MOLAP立方用于快速数据检索

B.   Molap Cutes非常适合切片和切割操作

C.   数据存储在多维立方体中。

A.   它允许用户从许多不同的维度或角度分析数据

C.   这是从不同角度分析数据并将其汇总到有用信息中的过程

D.   这是在各个领域之间找到相关或模式的过程

A.   SQL

B.   etl

D.   OLTP

A.   增量提取

C.   完全提取

D.   在线提取

B.   它是专门为查询和分析的交易数据的副本

C.   它旨在促进报告和分析

D.   这是一个非易失性的时间变化存储库

A.   它由集中事实表代表

B.   它是多维数据库中表的逻辑布置

D.   这是星模架的变体

B.   提取测试语言

C.   导出，发射，负载

D.   导出，翻译，加载

A.   星模架

B.   雪花图架

C.   事实星座模式

A.   OLTP

B.   关系型数据库

C.   ODS

A.   星模架

C.   OLAP

D.   雪花图架

A.   当两个源具有多个匹配列时

B.   当两个来源具有外交关系的初选时

D.   当两个来源是异质的

B.   事实得出的原始数据

C.   可以将添加剂量度组合的方向

D.   事实与维度的比率

A.   钻探

B.   滚下来

C.   卷起

B.   Allmembers

C.   树叶

D.   清楚的

A.   Fortran

C.   SQL

D.   SPSS

A.   骰子

B.   加入

C.   枢

A.   交易量

B.   毛利润

C.   费用

A.   它旋转数据轴以提供数据的替代介绍

B.   两个连续的切片操作在两个不同的维度上

C.   它也称为旋转

A.   CRC

C.   （这些选择都没有）

D.   审核列

A.   / *这条线 */

B.   //这线

D.   - 这线

B.   在线开放交流，组织可以在其中交易业务信息

C.   将数据组织成事实和维度的模式

D.   单独组织可以安全备份数据的中央存储库

A.   星和雪花架构包含两个事实表

B.   雪花模式包含两个事实表

D.   Star模式包含两个事实表

A.   产品尺寸表存在时的产品名称

B.   存储UID时，商店维度表存在

C.   卖出的单位

D.   以上都不是

A.   面向主题

C.   非易失性

D.   融合的

A.   数据库

B.   OLAP

D.   数据仓库环境

A.   卷起

B.   滚下来

D.   钻探

B.   OLTP

C.   OLAP和OLTP

D.   olap也不是OLTP

B.   以上都不是

C.   用于在线分析处理的三维阵列

D.   总结数据的尺寸还原操作

A.   正常化

B.   上述所有的

D.   主键

A.   所有选项都是正确的

B.   OLAP

C.   数据仓库环境

A.   它仅使用一个级别的数据存储表示来处理稀疏数据集

B.   它仅使用一个级别的数据存储表示来处理密集的数据集

C.   它使用一个级别的数据存储表示来处理密集和稀疏数据集

B.   它通过选择一个或多个维度来形成一个新的子立方体

C.   骰子操作在给定立方体上选择一个维度

D.   它将数据从不太详细的数据导航到高度详细的数据

A.   骰子

B.   片

C.   旋转

A.   归一化方法

B.   既不是尺寸也不归一化方法

C.   尺寸和归一化方法

B.   主要是8，runlength，raw

C.   BYTE-DICTICARY，LZO，DELTA

D.   Lzo，Delta，RAW

A.   读和写

C.   只写

D.   写下典型

A.   集成数据仓库

C.   离线操作数据仓库

D.   离线数据仓库

A.   关系

B.   多维

C.   杂交种

B.   当需要进行复杂的计算时

C.   当需要快速数据检索时

D.   当需要切片和切碎时

A.   体系结构的第一层

C.   体系结构的第三层

D.   体系结构的第四层

B.   滚下来

C.   钻

D.   钻探

B.   插入并删除

C.   刷新和负载

D.   创建和编辑

A.   覆盖自然组

C.   找到一致且有效的数据组织

D.   启动有关数据的假设

A.   索引表

B.   b-tree

D.   霍夫曼编码

A.   部分成分

C.   完全不合同

D.   部分标准化

A.   查询需要的大多数列都需要

C.   要创建的少量已知索引，静态查询模式

D.   基于列的发动机仅适用于OLTP应用

A.   可以提供立方体特定于业务的观点

C.   可以从立方体隐藏任何数量的尺寸

D.   可以从立方体显示层次结构

A.   不跟踪历史数据

C.   每条记录可显着增加存储要求

D.   更新具有新值的过时数据过时

A.   用填充值填充稀疏尺寸

B.   将6类更新应用于稀疏维度

C.   隔离单独立方体中的稀疏尺寸

A.   添加后永远不会删除的数据

C.   操纵数据以提供有关特定子JEC的信息

D.   数据仓库具有定义的范围

B.   一个立方体

C.   一个子立方体（嵌套的MDX查询）

D.   以上都不是

A.   以上都不是

B.   源B防止行被省略

D.   没有主尾区的区别，木匠转换均给出了两个来源的奇偶校验

B.   分隔（测量。[值A]/量度。[值B]，null）

C.   以上都不是

D.   iff（测量。[值a] = 0，null，测量。[值A]/量度。

A.   上述所有的

B.   汇总相关数据需要创建新的主要密钥

D.   必须首先通过ETL过程将数据放入数据仓库中

B.   OLTP

C.   OLAP

D.   数据库

A.   每组相关数据的单独表格，每行具有唯一标识符

C.   单个表中没有重复的列

D.   以上都不是

A.   分布式计算节点之间共享数据层的逻辑分区

B.   平行操作隔离红移立方体的单层

D.   一个面向客户端的分区，该分区隔离了组织中不同类型的用户数据仓库的不同部分

A.   从

B.   和

C.   上述所有的

A.   私人SQL区域

C.   计划全球区域

D.   SQL工作区

A.   上述所有的

B.   不会阻止输入行

D.   单输出组转换

A.   完全提取

B.   逻辑提取

D.   增量提取

B.   每个维度表上具有关键序列列的归一化数据

C.   星形架模式，每个维度表上都有关键序列列

D.   序列信息存储为平桌

A.   它包含汇总数据

B.   它是从多个来源派生的数据集合

C.   这是一个关系数据库

B.   molap

C.   rolap

E.   kolap

F.   kolap

B.   分析多种类型的业务要素之间的关系，例如销售，产品，地区和渠道

C.   比较在层次期间的汇总数据，例如每月每季度，每年

D.   以不同的角度呈现数据，例如按区域销售与每个区域内的产品销售

E.   快速响应用户请求，以便用户可以在不被系统困扰的情况下进行分析思维过程

B.   清洁数据的过程

C.   将数据集成到旧系统中

D.   压缩数据的过程

E.   在将其引入数据仓库之前消除无效数据的过程

A.   查询需求

C.   尺寸的数量

D.   原子数据量

E.   数据波动

B.   多维阵列的子集，该阵列对应于一个或多个尺寸的多个值，而不是子集中的一个或多个值

C.   多维阵列的子集，该阵列对应于子集中一个或多个成员的单个值

D.   多维阵列的子集，该阵列与子集中一个或多个成员的多个值相对应

E.   多维阵列的子集，不对应于一个尺寸的一个成员，而不是子集中的一个值

A.   否定化

B.   分区

C.   摘要

D.   否定和分区

A.   日期

C.   IBM

D.   Oracle

E.   微软

B.   元数据

C.   RDBMS表

D.   事实表

E.   枢轴表

A.   存储在数据仓库中的数据的有效性

C.   数据仓库中存储的数据的及时性

D.   数据仓库中存储的数据的冗余

E.   数据仓库中存储的数据的紧凑性

A.   该客户的经常账户余额是多少？

B.   有多少客户没有按时支付余额？

C.   中间地区的客户总数是多少？

E.   哪个客户最多购买？

B.   数据的冗余

C.   数据量

D.   数据的紧凑性

E.   数据的有效性

A.   要分析的数据的数量较少

C.   如果数据集的尺寸中成员的可能组合（相交）的比例相对较高，则包含无效的数据

D.   如果来自数据集的尺寸的成员的可能组合（相交）的比例相对较高，则包含有效的数据

E.   如果来自数据集的尺寸的成员的可能组合（相交）的比例相对较高，则包含过时的数据

B.   同步

C.   切片和切割

D.   复制

E.   数据转换

B.   清洁数据

C.   将来自各种来源的数据集成到数据仓库中

D.   数据分析

E.   恢复数据

A.   循环在线分析处理

C.   减少在线分析处理

D.   旋转的在线分析处理

E.   冗余在线分析处理

A.   事实表

C.   数据词典

D.   数据透视表

E.   尺寸表

A.   检测欺诈性信用卡的模式使用

C.   确定客户群体的信用卡支出

D.   在不同的财务指标之间找到隐藏的相关性

E.   预测可能更改信用卡隶属关系的客户

A.   分层在线分析处理

C.   水平在线分析处理

D.   超级在线分析处理

E.   超立方体在线分析处理

A.   桌子

B.   部分

C.   分割

E.   存储库

A.   分类

B.   协会

D.   聚类

E.   分割

A.   聚类和细分

C.   模糊逻辑

D.   线性回归分析

E.   基于规则的分析

B.   RDBM不得具有任何建筑限制

C.   RDBMS服务器必须支持数百甚至数千个并发用户，同时保持可接受的查询性能

D.   查询性能不得取决于数据库的大小，而是取决于查询的复杂性

E.   仓库必须确保本地一致性，全球一致性和参考完整性

B.   复制

C.   同步

D.   数据迁移

E.   正常化

A.   这是将数据变成信息的过程

B.   这是许多技术的集合

D.   它基于机器生成的假设

E.   它用于决策支持，预测，预测和估计