Data Warehousing - Interviewfragen

A : Data Warehouse ist eine themenorientierte, integrierte, zeitvariante und nichtflüchtige Datenerfassung, die den Entscheidungsprozess des Managements unterstützt.

A : Subjektorientiert bedeutet, dass das Data Warehouse die Informationen zu einem bestimmten Thema wie Produkt, Kunde, Verkauf usw. speichert.

A : Einige Anwendungen umfassen Finanzdienstleistungen, Bankdienstleistungen, Kundenwaren, Einzelhandelssektoren und kontrollierte Fertigung.

A : OLAP ist eine Abkürzung für Online Analytical Processing und OLTP ist eine Abkürzung für Online Transactional Processing.

A : Ein Data Warehouse enthält historische Informationen, die für die Analyse des Geschäfts zur Verfügung gestellt werden, während eine Betriebsdatenbank aktuelle Informationen enthält, die für die Geschäftsführung erforderlich sind.

A : Ein Data Warehouse kann Sternschema, Schneeflockenschema und Faktenkonstellationsschema implementieren.

A : Data Warehousing ist der Prozess des Aufbaus und der Verwendung des Data Warehouse.

A : Data Warehousing umfasst Datenbereinigung, Datenintegration und Datenkonsolidierung.

A : Die Funktionen des Data Warehouse-Tools und der Dienstprogramme sind Datenextraktion, Datenbereinigung, Datenumwandlung, Laden und Aktualisieren von Daten.

A : Datenextraktion bedeutet das Sammeln von Daten aus mehreren heterogenen Quellen.

A: Metadaten werden einfach als Daten über Daten definiert. Mit anderen Worten können wir sagen, dass Metadaten die zusammengefassten Daten sind, die uns zu den detaillierten Daten führen.

A : Metadata Respiratory enthält die Definition von Data Warehouse, Geschäftsmetadaten, Betriebsmetadaten, Daten für die Zuordnung von der Betriebsumgebung zum Data Warehouse und die Algorithmen für die Zusammenfassung.

A: Der Datenwürfel hilft uns, die Daten in mehreren Dimensionen darzustellen. Der Datenwürfel wird durch Dimensionen und Fakten definiert.

A : Die Dimensionen sind die Entitäten, für die ein Unternehmen die Aufzeichnungen führt.

A: Data Mart enthält die Teilmenge der organisationsweiten Daten. Diese Teilmenge von Daten ist für bestimmte Gruppen einer Organisation von Nutzen. Mit anderen Worten können wir sagen, dass ein Data Mart Daten enthält, die für eine bestimmte Gruppe spezifisch sind.

A : Die Ansicht über ein betriebliches Data Warehouse wird als virtuelles Warehouse bezeichnet.

A : Die Phasen sind IT-Strategie, Schulung, Business Case-Analyse, technischer Entwurf, Versionserstellung, Verlaufslast, Ad-hoc-Abfrage, Anforderungsentwicklung, Automatisierung und Erweiterung des Bereichs.

A: Ein Lademanager führt die zum Extrahieren und Laden des Prozesses erforderlichen Vorgänge aus. Die Größe und Komplexität des Lademanagers variiert zwischen spezifischen Lösungen von Data Warehouse zu Data Warehouse.

A: Ein Lademanager extrahiert Daten aus dem Quellsystem. Laden Sie die extrahierten Daten schnell in den temporären Datenspeicher. Führen Sie einfache Transformationen in eine ähnliche Struktur wie im Data Warehouse durch.

A: Der Lagerverwalter ist für den Lagerverwaltungsprozess verantwortlich. Der Lagerverwalter besteht aus Systemsoftware von Drittanbietern, C-Programmen und Shell-Skripten. Die Größe und Komplexität des Lagerverwalters variiert zwischen bestimmten Lösungen.

A : Der Warehouse-Manager führt Konsistenz- und referenzielle Integritätsprüfungen durch, erstellt die Indizes, Geschäftsansichten und Partitionsansichten für die Basisdaten, transformiert und führt die Quelldaten in den temporären Speicher des veröffentlichten Data Warehouse ein und sichert die Daten im Data Warehouse. und archiviert die Daten, die das Ende ihrer erfassten Lebensdauer erreicht haben.

A : Zusammenfassung Informationen sind der Bereich im Data Warehouse, in dem die vordefinierten Aggregationen gespeichert werden.

A : Query Manager ist dafür verantwortlich, die Abfragen an die entsprechenden Tabellen weiterzuleiten.

A : Es gibt vier Arten von OLAP-Servern: Relational OLAP, Multidimensional OLAP, Hybrid OLAP und Specialized SQL Server.

A : Mehrdimensionales OLAP ist schneller als relationales OLAP.

A : OLAP führt Funktionen wie Roll-up, Drilldown, Slice, Dice und Pivot aus.

A : Für die Slice-Operation wird nur eine Dimension ausgewählt.

A : Für die Würfeloperation werden zwei oder mehr Dimensionen für einen bestimmten Würfel ausgewählt.

A : In einem Sternschema gibt es nur eine Faktentabelle.

A : Die Normalisierung teilt die Daten in zusätzliche Tabellen auf.

A : Das Schneeflockenschema verwendet das Konzept der Normalisierung.

A : Normalisierung hilft bei der Reduzierung der Datenredundanz.

A : Data Mining Query Language (DMQL) wird für die Schemadefinition verwendet.

A : DMQL basiert auf Structured Query Language (SQL).

A : Die Partitionierung erfolgt aus verschiedenen Gründen, z. B. zur einfachen Verwaltung, um die Wiederherstellung von Backups zu unterstützen und die Leistung zu verbessern.

A : Data Marting umfasst Hardware- und Softwarekosten, Netzwerkzugriffskosten und Zeitkosten.