11个重要的商业智能面试问题 *

数据多维数据集描述内存中的BI数据结构，然后将其发送给BI UI工具以显示给用户. 它是一种多维数据表示，用于更好的可视化, data slicing, and drill-down techniques. UI通常不显示文字多维数据集, 但通常是2D切片，以提高人类的可读性。

数据多维数据集通常基于一个非规范化的事实表和一些表示数据多维数据集维度的维度表. 星型和雪花型模式是专门设计用来帮助在内存中构建数据立方体结构的.

一个示例模式可能包括:

• 时间桶-时间维度表
• 客户-客户维度表
• Products—product dimension table
• 销售量(售出单位)-事实表

The data cube structure 因为这个模式可以这样考虑:

事实表包含一些度量的维度键和数值. 每个维度键表示度量所针对的维度. 度量可以跨维度聚合，以构建可钻取的数据立方体.

维度表是字典表，用于在BI可视化界面上显示维度标签和信息.

1. 构建公司分析数据存储(数据仓库、数据集市).
2. 根据公司实际数据和BI需求设计分析数据存储模式.
3. 最初，用现有的公司数据填充分析数据存储，然后定期更新.
4. 在分析数据存储之上设置BI工具.
5. Develop BI reports.
6. 根据不断变化的需求维护和修改BI报告.

候选人应从以下列出的福利中至少举出两项. 只要意思相近，可以用他们自己的语言表达. 他们能说出的好处越多越好.

Data normalization:

1. Removes data duplication.
2. 允许更细的事务粒度. 每个被引用的表数据都可以在自己的事务中独立更改，而不会影响其外键关系.
3. 支持更清晰的引用完整性. 通过规范化产生的较小实体允许对业务对象及其关系进行建模，使其尽可能接近真实世界.
4. 允许增量模式更改. 在一个表中添加或删除列不会影响被引用表的结构.

数据集市存储专注于特定部门的公司数据子集, activity type, or set of subproblems.

将数据分离到数据集市中可以为BI分析师和业务用户提供更好的性能和任务分离.

这个策略是设计和操作方便性的问题. 然而，何时使用或不使用它并没有明确的答案, 当公司运行不同的业务线时，通常认为构建数据集市是合适的，这些业务线在基础数据和报告需求方面非常独立.

For example, 如果同一家公司正在制造卡车并运行在线游戏应用程序, 在单独的数据市场中处理这些子关注点可能是有意义的.

星型模式由维度表和事实表组成. 每个维度表代表一个可以在BI报告中使用的“度量”. 事实表引用事实表涵盖的每个相应度量的维度表.

雪花模式是星型模式的扩展，通过这种方式，维度表可以进一步规范化，并分为主字典表和辅助字典表.

OLTP stands for “online transactional processing.“它用于公司业务应用程序. 他们通常是客户- (i).e., people- or business-) facing.

OLAP stands for “online analytical processing.它用于公司的内部分析，由部门领导和公司高层管理人员指导公司.

市场上有许多BI工具，但其中最著名的有:

1. Oracle商业智能企业版(OBIEE)
2. IBM Cognos Analytics
3. MicroStrategy
4. The SAS product line
5. SAP BusinessObjects
6. Tableau
7. Microsoft Power BI
8. Oracle Hyperion
9. QlikView

这种自由形式的问题本身并不是要应聘者提供一个正确的答案. 这更多的是为了引发讨论，这样面试官就能了解候选人的专业知识深度, 这与公司当前的需求有哪些重叠.

BI提供了快速和简单的方法来可视化公司指标, generate reports, and analyze data.

这些方法反过来帮助最高管理者:

1. Analyze existing trends.
2. 制定公司发展计划.
3. 确保这些计划按计划执行.
4. Detect anomalies and problems.
5. Apply corrective actions.

候选人应从以下列出的福利中至少举出两项. 只要意思相近，可以用他们自己的语言表达. 他们能说出的好处越多越好.

Data denormalization provides:

1. 更简单的初始数据模式设计.
2. 更好的数据读写性能.
3. 直接适用于数据仓库. 数据仓库中的事实表和维度表的设计通常不考虑数据规范化，以确保快速和直接的数据检索.
4. 数据立方体BI切片和下钻分析的预计算和查询性能改进.

BI开发人员通常需要:

1. 分析公司业务流程和数据.
2. 规范公司数据术语.
3. Gather reporting requirements.
4. 将上述要求与现有数据进行匹配.
5. Build BI reports.
6. 分析现有的报告以进一步实现标准化.

这个问题可以作为一个有用的开场白——不仅可以帮助筛选不受欢迎的候选人，让更合格的候选人放心，而且还提供了一个机会来讨论手头特定工作中可能涉及的任何非标准职责.