Poslovna inteligencija II parcijala

A vibrant and informative image depicting data analysis, OLAP systems, and data mining techniques, with visual representations of graphs, charts, and business intelligence concepts.

Poslovna inteligencija II parcijala

Testirajte svoje znanje iz oblasti poslovne inteligencije kroz naš detaljan kviz sa 39 pitanja! Kviz obuhvata kljuĝne koncepte OLAP, Data Mining i analizu podataka, pružajući vam priliku da procijenite svoje razumijevanje teme.

Ukljuĝuje:

Pitanja o OLAP sistemima
Definicije kljuĝnih pojmova
Analizu tehnologija i metoda

39 Questions10 MinutesCreated by AnalyzingData202

5. Karakteristika inteligentnih agenata su:

Programi koji inteligentno pomažu korisnicima u radu sa raĝunarskim aplikacijama, uĝeći kroz na primjerima baziranom zakljuĝivanju

6. Znaĝenje pojma Data Mining je:

Otkrivanje skrivenih obrazaca u odnosima između podataka u velikim bazama podataka

7. Drill down (svrdlanje) po podacima je:

Operacija nad podacima, koja posmatra podatke od globalne slike do detalja

9. Karakteristika Fuzzy logike, kao tehnike Data Mining-a:

Nije jasno definisana pripadnost elementa nekom skupu, već se mjeri u procentima

10. Poznati primjer povezanosti kupovine piva I djeĝijih pelena, otkriven je tehnikom:

Metoda analiza potrošaĝke korpe

11. Zašto su nekad firme birale manju grupu najboljih, najvažnijih I najprofitabilnijih klijenata I samo njima davali personaliziranu ponudu:

Zato što su personalizacijske usluge bile intenzivne živim ljudskim radom I iziskivale su povećanje troškova sa rastom broja klijenata.

13. Sekvence kao rezultati Data Mining procesa su:

Izlazi koji predstavljaju događaje koji sa određenim stepenom vjerovatnosti slijede jedan za drugim

15. Tehnika koja se zasniva na grupisanju podataka koji su sliĝni (npr. Segmentacija kupaca po starosti, zanimanju itd.) je:

Klasterizacija

16. Karakteristika Stablo odluĝivanja, kao tehnike Data Mining-a:

Nastaje grananjem kao posljedica ispunjenja uslova klasifikacijskih pitanja

18. Karakteristika Memorijski zasnovanog rasuđivanja (MBR):

Traži sliĝne podatke, ali pri tom ne utvrđuje obrasce I pravilnosti u podacima

19. Osnovna mana ROLAP alata je:

Zaostaje u brzini davanja odgovora (nije tacan odgovor, naci ponovo )

21. Dimenzija kao jedan od 2 osnovna pojma za shvatanje koncepta OLAP-a je:

Opisna kategorija koja ima svoju hijerarhiju

22. Osnovna karakteristika Hiper kocke je:

Multidimenzionalna baza podataka I predstavljanje skoro svakog poslovnog tipa podataka kao dijela kocke

24. U konceptu OLAP-a dimenzija je:

Opisna kategorija koja ima svoju hijerarhiju. Za svaku mjeru u OLAP sistemu moguće je definisati jednu ili više dimenzija koje joj daju kontekst posmatranja

26. Koji skup karakteristika se odnosi na OLTP sisteme:

Izvršenje upita je sporo; spajanje tabela je sporo; ne mogu da predvide sve upite koji će biti potrebni; podaci su normalizovani

29. Otkrivanje novih znanja kao jedan od 2 tipa Data Mining-a je:

Postojanje nekih još nepoznatih a statistiĝkih važnih (znaĝajnih) odnosa koje ĝovjek ni iskustvom niti svojim intelektualnim sposobnostima ne može spoznati

30. Šta ne spada u output-e (rezultate) Data Mining – a

Drill down (svrdlanje) po podacima (od globalne slike do detalja)

Dicing je:

Vertikalni presjek kocke, a naziva se još I rangiranje podataka zato što se podaci grupisanjem razlažu na podskupove.

32. Tehnika najbližeg susjeda se naziva još i:

Rezonovanje zasnovano na sluĝajevima ili Case Based Reasoning.

33. Verifikacija hipoteze, kao jedan od 2 tipa Data Mining-a je :

Provjeravanje da li je neka ideja ili dojam o važnosti odnosa među određenim podacima utemeljen ili nije.

34. Osnovna prednost MOLAP, alata je

Obezbjeđenje odliĝnh performansi kada se radi o već izraĝunatim podacima (agregacijama)

35. Asocijacije su vrsta rezultata (output-a) Data Mining-a:

Koje su uslovljene događajima (napr. Kupci koji kupuju proizvod A u 65% sluĝajeva kupuju I proizvod B)

36. Odsustvo strategije napuštanja neodgovarajućih i/ili zastarjelih metoda je najviše:

Jedan od najĝešćih problema pri korišćenju Poslovne inteligencije, zbog straha od promjena

37. Klasterizacija je funkcija Data Mining-a:

Koja vrši klasificiranje podataka (entiteta) u jednu od nekoliko klasa (klastera), pri ĝemu se klase moraju odrediti iz podataka

38. Mjera kao jedan od 2 osnovna pojma za shvatanje koncepta OLAP-a je:

Numeriĝka vrijednost koja je od presudnog interesa za analizu

39. Koji se proizvod najbolje prodaje u srednjoj Evropi I u kom je to odnosu sa demografskim podacima?“ pitanje je na koje mogu dati odgovor:

Analitiĝko (DW) procesiranje podataka

Poslovna inteligencija II parcijala

Poslovna inteligencija II parcijala

More Quizzes