Poslovna inteligencija- prva parcijala
Poslovna Inteligencija Quiz
Testirajte svoje znanje o poslovnoj inteligenciji i skladištenju podataka kroz naš informativni kviz. Ovaj kviz pokriva kljuĝne koncepte i tehnike u oblasti data warehousing-a, OLAP-a i Data Mining-a.
- Razumijevanje karakteristika DW-a i OLTP-a
- Analiza metodologija ekstrakcije i transformacije podataka
- Evaluacija primjene tehnika Data Mining-a u poslovanju
1. Koja je najvažnija korist koju kompanije oĝekuju od DW-a su (prema istraživanju Cutter Information Corp):
A) smanjenje vremena lociranja, pristupa I analiziranja informacija
B) konsolidacija razliĝitih izvora informacija
C) bolja poslovna inteligencija
D) brže osvajanje tržišta
2. Krajnji cilj skladištenja podataka je
A) da se podaci skladište
B) da su podaci fiziĝki na jednom mjestu
C)da menadžeri mogu sami da vrše analizu
D) da se podacima u skladištu lakše pristupa
3. Osnovne radne aplikacije, kao jedna od vrsta aplikacija koje koristi DW:
A) Obrađuje podatke koristeći jednostavne radne upite
B) Generišu osnovne izvještaje
C) Iako ovi izvještaji sadrže istorijske podatke, ne zadovoljavaju potrebe preduzeća za dubljem analizama
D) To su alati koji su razvijeni u samostalnom okruženju
4. Aplikacije koje se koriste za analizu I planiranje, kao jedna od vrsta aplikacija koje koristi DW:
A) Obrađuju podatke koristeći jednostavne radne upite
B) Generišu osnovne izvještaje
C) Zadovoljavaju suštinske potrebe poslovnih procesa kao što su: predviđanje, analiza proizvodnje, proizvodne aplikacije koje koriste postojuće podatke, željene ili taĝno izdvojene podatke, potrebne za određ. Analizu, Finansijska kosolidacija I profitabilnost
D) Iako ovi izvještaji sadrže istorijske podatke ne zadovoljavaju potrebe preduzeća za dubljim analizama
5. Koja od navedenih karakteristika nije karakteristika OLTP sistema, nego karakteristika DW-a
A) Obrađuje poslovne transakcije u realnom vremenu
B) Sadrže strukture podataka prilagođene unosu I izmjeni podataka
C) Multidimenzionalnost – mogućnost pregleda iz više dimenzija
D) Obezbjeđuju ograniĝene sposobnosti za podršku odluĝivanju
6. Koja od navedenih karakteristika nije karakteristika DW sistema, nego karakteristika OLTP-a
A) Organizacija – predmetna, sadrže relevantne informacije za DSS
B) Multidimenzialnost – mogućnost pogleda iz više dimentzija (aspekata)
C) Sadrže strukture podataka prilagođene unosu I izmjeni podataka
D) Web zasnovanost – skladište podataka je dizajnirano tako da obezbijedi efikasno okruženje za Web aplikacije
7. Šta ne spada u mehanizme manipulacije podacima (kao jedan od elemenata sturkture DW-a)
A) procesi ekstrakcije, transformacije I punjenja podataka (ETL)
B) agregirani višedimenzionalni podaci
C) sistem upravljanja podacima
D) postupci analitiĝke obrade podataka
8. Ekstrakcija podataka je:
A) Predvođenje kodiranih podata (npr. Ako izvorni sistem predstavalja ženski pol sa F, a muški sa M, a u skladištu podataka se obilježvaju sa 1 I 2)
B) Šifriranje slobodnih formi podataka (zamjena „Male“, ili Mr. Kao 1)
C) Kreiranje vrijednosti alternativnih (surogat) kljuĝeva
D) Proces prikupljanja podataka iz razliĝitih izvora I platformi I smještanje tih podataka u DW
9. Koji od 4 vrste programa spadaju u Load programe:
a) Programi za inkrementalno punjenje
b) Programi za spajanje podataka iz više razliĝitih izvora
c) Programi za šifriranje slobodnih formi
d) Programi za kreiranje vrijednosti alternativnih (surogat) kljuĝeva
10. Mjera kao jedan od 2 osnovna pojma za shvatanje koncepta OLAP-a je:
a) Pogled u dubinu ili Drill down
b) Numeriĝka vrijednost koja je od presudnog interesa za analizu
c) Biranje dimenzija (eng. „Selection of dimensions“)
d) Sagledavanje opšte slike odnosno pogled na zbirne informacije ĝlanova
11. Dimenzija kao jedan od 2 osnovna pojma za shvatanje koncepta OLAP-a je:
a) Varijabilna (Mesure ili Variable)
b)Numeriĝka vrijednost koja je od presudnosg interesa za analizu
c) Opisna kategorija koja ima svoju hijerarhiju
d) Izbor (iz mnoštva hijerarhijskih vrijednosti) onih vrijednosti za daljnju analizu konstantne
12. Otkrivanje novih znanja kao jedan od 2 tipa Data Mining-a je:
a) Provjeravanje da li je neka ideja ili dojam o važnosti odnosa među određenim podacima utemeljen ili nije
b) Klasifikacija pojava na osnovu pronađenih obrzaca koji postoje u podacima
c) Ocjenjivanje vjerovatnoće posojanja zakonomjernosti među podacima
d) Postojanje nekih još nepoznatih a statistiĝki važnih (znaĝajnih) odnosa između dvije pojave koje ĝovjek ni iskustvom niti svojim intelektualnim sposobnostima ne može spoznati
13. Verifikacija hipoteze, kao jedan od 2 tipa Data Mining-a je :
a) Klasifikacija pojava na osnovu pronađenih obrzaca koji postoje u podacima
b) Ocjenjivanje vjerovatnoće posojanja zakonomjernosti među podacima
c) Postojanje nekih još nepoznatih a statistiĝki važnih (znaĝajnih) odnosa između dvije pojave koje ĝovjek ni iskustvom niti svojim intelektualnim sposobnostima ne može spoznati
D) Provjeravanje da li je neka ideja ili dojam o važnosti odnosa među određenim podacima utemeljen ili nije
14. Šta ne spada u output-e (rezultate) Data Mining-a
a) klase, postupkom klasificiranja prema unaprijed definisanim klasama
b) asocijacije, koje su uslovnljene događajima (npr. Kupci kupuju proizvod A u 65% sluĝajeva kupuju I proizvod B)
c) Drill down (svrdlanje) po podacima (od globalne slike do detalja)
D) sekvence, koje otkrivaju događaje koji sa određenim stepenom vjerovatnosti slijede jedan za drugim
15) Koje vrste aplikacija, koje koristi DW, zadovoljavaju suštinske potrebe poslovnih procesa (predviđanje, analiza proizvodnje, finansijska konsolidacija, profitabilnost)
a) Osnovne radne akcije
b) Aplikacije dizajnirane za upite I izvještaje
c) Aplikacije koje se koriste za analizu I planiranje
d) Ostale aplikacije
16. Know how je vrsta znanja:
a) Znati šta?
b) Znati zašto?
c) Znati kako?
d) Znati šta treba?
17. Klasterizacija je funkcija Data Mining-a:
a) Koja ukljuĝuje uspostavljanje relacija uz pomoć prediktorskih varijabli
b) Koja klasificira podatak (entitet) u jednu od nekoliko prethodno definisanih klasa
c) Koja vrši klasificiranje podataka (entiteta) u jednu od nekoliko klasa (klastera), pri ĝemu se klase moraju odrediti iz podataka
d) Koja sažima sliĝne podatke u grupe
18. Asocijacije su vrsta rezultata (output-a) Data Mining-a:
a) Koje otkrivaju događaje koji sa određenim stepenom vjerovatnosti slijede jedan za drugim
b) Koja predstavlja kategoriju nastalu postupkom klasifikacije bez unaprijed zadanih klasa
c) Koje nastaju postupkom klasificiranja prema unaprijed definisanim klasama
d) Koje su uslovljene događajima (napr. Kupci koji kupuju proizvod A u 65% sluĝajeva kupuju I proizvod B),
19. Tehnika najbližeg susjeda se naziva još i:
a) Mašinsko uĝenje
b) Memorijski bazirano rezonovanje
c) Rezonovanje zasnovano na sluĝajevima ili Case Based Reasoning
d) Stablo odluĝivanja
20. Inteligentni agenti su:
a) Tehnika Data Mining-a koja radi na principu proširenja mogućih izlaznih rezultata.
b) Poluautonomni programi koji inteligentno pomažu korisnicima u radu sa raĝunarskim aplikacijama, uĝeći kroz na primjerima baziranom zakljuĝivanju I tako poboljšavajući svoje performanse
c) Tehnika Data Mining-a koja omogućava grupisanja podataka koji su sliĝni.
d) Tehnika Data Mining-a, koja traži sliĝne podatke, ali pri tome ne utvrđuje obrasce I pravilnosti u podacima
21. Neuronske mreže su:
a) Tehnika Data Mining-a koja se ne bavi prepoznavanjem obrazaca I pravila u podacima nego memorisanjem
b) Tehnika Data Mining-a koja radi na principima Fuzzy logike (nerazgovjetne logike)
c) Tehnika Data Mining-a koja radi na principima induktvne logike I vizualizacije
d) Djeluje sliĝno ljudskom mozgu, koji predstavlja skup neurona, koji sliĝno ljudskom mozgu predviđaju promjene I dešavanja u sistemu nakon procesa uĝenja
22. Skrivena procesna logika je:
a) Problem koji usporava proces transformacije podataka iz tzv Legacy sistema
b) Problem koji usporava proces ekstrakcije podataka iz tzv Legacy sistema
c) Problem koji usporava proces punjenja podataka iz tzv Legacy sistema
d) Problem sinonima I homonima
23.Kada se prilikom transformacije podataka, vrši napr. Zamjena sadržaja nekog polja koje oznaĝava muški pol sa “Male” ili “Mr” u 1, ta metoda se zove:
a) Kreiranje vrijednosti surogat kljuĝeva
b) Prevođenje kodiranih podataka
c) Šifriranje slobodnih formi
d) Spajanje podataka iz više razliĝitih izvora
24. Rutine za ĝišćenje I usklađivanje podataka da bi se eliminisale greške su sastavni dio:
a) Programa za inicijalno punjenje
b) Programa za punjenje istorijskih podataka
c) Programa za inkrementalno punjenje
d) Programa za transformaciju podataka
25. U konceptu OLAP-a dimenzija je:
a) Numeriĝka vrijednost koja je od presudnog interesa za analizu.
b) Opisna kategorija koja ima svoju hijerarhiju. Za svaku mjeru u OLAP sistemu moguće je definisati jednu ili više dimenzija koje joj daju kontekst posmatranja
c) Jedna od komponenti OLAP-a, koja ukazuje na alternativna rješenja
d) Mjera, koja je izvedena iz osnovnih mjera
26. Drill down (svrdlanje) po podacima je:
a) Operacija nad podacima, koja posmatra podatke od detalja do globalne slike
b) Operacija nad podacima, koja vrši horizontalni presjek kocke
c) Operacija nad podacima, koja posmatra podatke od globalne slike do detalja
d) Zaokretanje tabele tako da redovi I kolone zamijene mjesta
27. Dicing je:
a) Horizontalni presjek kocke
b) Operacija nad podacima, koja posmatra podatke od globalne slike do detalja
c) Operacija nad podacima, koja posmatra podatke od detalja do globalne slike
d) Vertikalni presjek kocke, a naziva se još I rangiranje podataka zato što se podaci grupisanjem razlažu na podskupove
28. Decision tree se temelji na:
a) Traženju podataka koji imaju najsliĝnija svojstva I poznato ponašanje
b) Rezonovane zasnovano na sluĝaju
c) Granjanu kao posljedici ispunjavanja uslova klasifikacijskih pitanja
d) Nejasno (u procentima) definisanoj pripadnosti elemenata nekom skupu
29. Metoda najbližeg susjeda zove se još:
a) Rezonovanje zasnovano na sluĝaju
b) Neighbor Discovery Knowledge
c) Market Basket Analysis
d) Neighbornhood Method
30. Market Basket Analysis metoda se još zove
a) Rezonovanje zasnovano na sluĝaju
b) Memory based sesoning
c) Grupisanje po sliĝnosti
d) Memorijski zasnovano rasuđivanje
31. Zašto su nekad firme birale manju grupu najboljih, najvažnijih I najprofitabilnijih klijenata I samo njima davali personaliziranu ponudu:
a) Zato što su personalizacijske usluge bile intenzivne živim ljudskim radom I iziskivale povećanje troškova sa rastom broja klijenata
b) Zato što su na taj naĝin znaĝajno povećavali profit, smatrajući da takvu uslugu treba ponuditi samo izbirljivim klijentima koji su spremni platiti više za takvu personaliziranu uslugu
c) Zato što ostali klijenti nisu niti zahtijevali takvu personalizaciju usluga niti su je bili spremni dodatno platiti
d) Zato što su smatrali da samo ova vrsta klijenata zaslužuje personalizaciju usluga
32. DW mora biti uvijek raspoloživo I oblikovano na naĉin:
a) Da može prije svega poslužiti svakoj svrsi koju nije uvijek moguće unaprijed predvidjeti
b) Da može prije svega poslužiti svakoj svrsi koju je moguće unaprijed predvidjeti
c) Da može prije svega davati informacije srednjem nivou menadžmenta
d) Da može prije svega davati informacije operativnom nivou menadžmenta
33. Kojim postupkom (kategorijom kvaliteta podataka) se utvrđuje podudarnost bilo kojeg podatka sa nekim poznatim izvorom, koji služi kao uzorak ili urnek:
a) Standardiziranost
b) Podudarnost
c) Verificiranost
d) Proširivost
34. Odsustvo strategije napuštanja neodgovarajućih i/ili zastarjelih metoda je najviše:
a) Posljedica nedovoljno brzog razvoja IKT
b) Jedan od najĝešćih problema pri korišćenju Poslovne inteligencije, zbog straha od promjena
c) Posljedica sporih promjena u poslovnom okruženju
d) Posljedica nedovoljnog znanja o novijim tehnologijama
35. Koji od dole navedenih faktora ne spada u grupu faktora kojim je omogućena ekspanzija koncepta DW-a:
a) Razvojem tehnologija za paralelno procesiranje RDB
b) Pojavom 64-bitnih RISC procesora (s velikim brzinama rada)
c) Pojavom internet pretraživaĝa
d) Pojavom medija eksterne memorije sa velikim kapacitetima I brzinama pristupa podacima
36. Skladište podataka se oslanja na:
a) Relacioni model podataka
b) Hijerarhijski model podataka
c) Višedimenzionalni model podataka
d) Mrežni model podataka
37. Data Mart predstvalja:
a) Konglomerat više razliĝitih skladišta podataka
b) Bazu podataka dizajniranu za cijelu kompaniju da bi pomagala pri donošenju odluka
c) Samo jedan segment poslovanja, jednu temu, jednu poslovnu funkciju
D) Bazu podataka dizajniranu za nekoliko organizacionih jedinica, koja služi za podršku odluĝivanju
38. Koja od karakteristika u skladištu podataka se odnosi na to da se podaci najĝešće pridodaju već postojećim umjesto da ih zamjenjuju
a) Subjektna orjentisanost
b) Integrisanost
c) Vremenska određenost
d) Nepromjenljivost
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:
a) OLTP (transakcioni) sistemi
b) Ekspertni sistemi
c) MIS sistemi
d) Analitiĝko (DW) procesiranje podataka
40. Najvažniji cilj skladištenja podataka je:
a) Da se podaci samo skladište
b) Da su svi podaci relevantni za odluĝivanje na jednom mjestu
c) Da menadžeri (donosioci odluka) mogu sami da vrše analize
d) Da su svi podaci relevantni za odluĝivanje u istom formatu
41. Šta ne spada u ciljeve personalizacije klijenata:
a) Praćenje ponašanja klijenata u svim situacijama
b) Praćenje reakcije klijenata
c) Omogućiti lakše obavljanje transakcija
d) Udovoljiti potrebama klijenata
42. HDFS ( Hadoop Distributet File System) je komponenta Hadoop tehnologije zadužena za:
a) Razbijanje kompleksnih problema obrade na manje I jednostavnije dijelove
b) Prikupljanje međurezultata obrade I njihovo integrisanje radi dobivanja krajnjih rezultata
c) Obrađivanje manjih dijelova (na koji je razbijen složeni problem obrade) paralelno, odnosno istovremeno
d) Skladištenje podataka na distribuiranim serverima prije njihovog organizovanja
43. MAPREDUCE predstavlja koncept obrade:
a) Koji se zasniva na naizmjeniĝnom dodjeljivanju dijela procesorskog vremena (time sharing), svakom zadatku (job, tasks, workera) koji se izvodi na raĝunaru dok se svi ne završe
b) Koji podrazumjeva obradu, koaj se vrši nakon prikupljanja određenog skupa poslovnih transakcija
c) Koji predstavlja interfejs za paralelno procesiranje velikih koliĝina podataka skladištenih u HDFS-u
d) Koji podrazumijeva reduciranje ulaznih podataka, odnosno njihovo svođenje na samo one podatke koji su relevantni za konkretnu obradu
44. Eksplicitno znanje:
a) Mentalno shvatanje
b) Akumulirano iskustvo
c) Oštroumnost
d) Znanje koje je kodifikovano (dokumentovano) u obliku u kojem može biti dostavljeno drugom
45. Informatiĝka podrška struktuiranim odlukama su:
a) Sistemi za podršku odluĝivanju (DSS)
b) Izvršni informacioni sistemi (EIS)
c) Sistemi lienarnog programiranja (LP)
d) Sistemi vještaĝke inteligencije (AI)
46. Koji uređaj se ne može koristiti za perosnalizaciju:
a) Telefaks
b) Pager
c) TV
d) E-mail
47. Informacija je:
a) Pojam, koji redukuje primaoĝevu neizvjesnost I koji će biti upotrebljen u jegovom odluĝivanju
b) Simboliĝki I formalizovan prikaz ĝinjenica, pojmova I instrukciaj iz stavrnog svijeta
c) Pojam nematerijalne prirode,........
d) Jednostavna neobrađena, izolirana misaona ĝinjenica koja ima neko znaĝenje
48. Poslovna inteligencija je:
a) Sposobnost uĝenja, razumijevanja, logiĝkog razmišljanja, sposobnost da se stvari rade dobro
B) Tajna informacija sakupljena o stranoj zemlji, osobito neprijateljskoj, odnosno osobe koje sakupljaju te informacije
C) Sposobnost rješavanja apstraktnih poslovnih problema
D) Skup integrisanih operativnih aplikacija, aplikaciaj za podršku odluĝivanju I baza podataka koje poslovnim sistemima omogućavaju lagan pristup podacima
49. Znanje je:
a) Pojam, koji mijenja vjerovanje primaoca, posebno s obzirom na distribucije vjerovatnoća sa primaoĝeva aspekta
b) Pojam, koji primaocu pomaže da indentifikuje kontekstualna znaĝenja rijeĝi u reĝenici
c) Informacija koja je kontekstualna, relevantna I dejstvena
d) Pojam, koji iskljuĝuje neka od alternativnih stanja stvari
50. Implicitno znanje je:
a) Procedura
b) Naredba
c) Propis
d) Razbacano, nestruktuirano znanje bez propisane forme
51. Podatak je:
a) Pojam oblikovan u formu koja je smisaona I upotrebljiva za ljudska bića
b) Prirast znanja, koji predstavlja smisaon I upotrebljiv kontekst za speĝcifiĝne kranje korisnike
c) Simboliĝka reprezentacija događaja ili stanja
d) Pojam koji primaocu redukuje neizvjesnost
52. Da li se Big Data razlikuje od Poslovne inteligencije:
a) Uopšte se ne razlikuju ta dva koncepta
b) To su dva sliĝna koncepta,.............
c) To su dva sliĝna koncepta, koji se razlikuju prije svega po koliĝini podataka kojiu obrađuju I naĝinu skladištenja
d) To su dva potpuno razliĝita koncepta
53. Šta ne spada u karakteristike personalizacijskih usluga nekad:
a) Iziskivale su povećanje troškova sa rastom broja klijenata, kojim su se pružale
b) Niski marginalni troškovi
c) Bile su intenzivne živim ljudskim radom
d) Neprilagodljive promjenama u broju klijenata
54. Koja je osnovna prednost korišćenja sistema Poslovne inteligencije u odnosu na konvencionalne informacione sisteme:
A) Dobivanje potpunih, taĝnih..
B) Dobivanje informacija u realnom (ili razumnom) vremenu na veoma jednostavan naĝin (bez mnogo informatiĝkog znanaj) iz struktuiranih I nestruktuiranih podataka organizovanih u baze podataka, datoteke, I skladišta podataka
c) Mogućnost trenutnog generisanja........
d) Trenutno dobivanje unaprijed..........
55. Makroekonomski aspekt Poslovne inteligencije se odnosi na:
a) Otkrivanje skrivenih poslovnih znanja iz rutinskih prikupljenih podataka o poslovnim transakcijama u jednoj kompaniji
B) Otkrivanje skrivenih poslovnih znanja iz rutinskih prikupljenih podataka o poslovnim transakcijama u jednoj geopolitiĝkoj zajednici
C) Otkrivanje privrednih trendova I zakonomjernosti u kompanijama
D) Otrivanje privrednih trendova I zakonomjernosti u geopolitiĝkoj zajednici, državnoj ili svjetskoj privredi , te predviđanje budućih događaja, procesa I stanja
56. Variety je jedna od dimenzija (karakteristika) Big Data koja se odnosi na:
a) Dostupnost podataka u razliĝitim formatima I izvorima, a najĝešće nestruktuiranih podataka
b) Ogromnu brzinu kojom pristižu novi podaci razliĝitih forma
c) Variranje kvaliteta prikupljenih podataka
d) Koliĝinu nedoslijednosti u podacima(....)
57. Šta ne spada u izvore podataka za Big Data:
a) Izvorni kompjuterski programi napisani u nekom od programskih jezika
b) Poslovne transakcije
c) Društvene interakcije
d) Senzori
58. Karakteristike implicitnog znanja su:
a) Dokumentovano u obliku u kojem može biti dostavljeno drugim
b) Nestrukturirano, razbacano I bez propisane forme
c) Znanje u obliku strategije, izvještaja ili plana
d) Znanje u obliku naredbe, propisa, procedure
59. Jedan od tržišnih pritisaka na preduzeće, koji dolazi iz okruženja je:
a) Preplavljenost informacijama
b) Inovacije I zastarjevanje
c) Globalna ekonomija – globalna konkurencija
d) Vladine deregulacije
60. Jaki, obrazovani potrošaĝi predstavljaju:
a) Tržišni pritisak iz okruženja
b) Tehnološki pritisak
c) Socijalni pritisak
d) Interni pritisak
61. Preplavljenost informacijama je najviše rezultat:
a) Razvoja informacionih sistema
b) Razvoja globalne ekonomije
c) Razvoja interneta I ostalih informaciono-komunikacionih tehnologija
d) Usložnavanja uslova privređivanja
62. Koji od navedenih pritisaka ne spada u socijalne pritiske
a) Zdravstveno I socijalno osiguranje
b) Kontinuirano obrazovanje zaposlenih
c) Vladine deregulacije
d) Promijenjena priroda radne snage
63. Sve veći broj kompanija razvija I koristi sisteme za poslovnu inteligenciju, najviše zbog toga:
a) Da bi bolje I brže iskoristili postojeće podatke u stvaranju informacija potrebnih za odluĉivanje
b) Da bi poboljšali image kompanije
c) Da bi organizacionu kulturu kompanije digli na viši nivo
d) Da bi svim sredstvima došli do potrebnih informacija o konkurenciji
64. Nestrukturirane odluke su:
a) Odluke koje rješavaju problem za ĝije rješenje je poznat postupak
b) Odluke koje rješavaju problem za ĝije rješenje nije poznat postupak
c) Odluke koje rješavaju problem za ĝije rješenje nije potrebna podrška informacionih sistema
d) Odluke koje rješavaju problem za ĝije rješenje nije moguća podrška informacionih sistema
65. Kao podrška razvoju nove tehnologije (strateška odluka) koriste se:
a) Transakcioni (operativni) informacioni sistemi
b) Neuronske mreže, DSS ili Ekspertni sistemi
c) Menadžment informacioni sistemi
d) EIS sistemi
66. Makroekonomski aspekt poslovne inteligencije se stvara:
A) Unaprijed ciljanim prikupljanjem podataka o makroekonomskim kretanjima uodređenoj geopolitiĝkoj zajednici
b) Unaprijed neciljanim prikupljanjem podataka o makroekonomskim kretanjima uodređenoj geopolitiĝkoj zajednici
c) Otkrivanjem skrivenih poslovnih znanja iz rutinski prikupljenih podataka o poslovnim transakcijama
d) Korištenjem poslovni podataka koje kompanija rutinski zahvata prilikom obavljanja razliĝitih poslovnih transakcija
67. Koji od dole navedenih pojmova ne spada u metodologije, platforme I tehnike Poslovne inteligencije:
a) Data Warehousing
b) Data Mining
c) Business Process Reengneering
d) On Line Analitical Processing
68. Procjenjuje se da danas tipiĝna organizacija analizira :
a) Samo 5 % prikupljenih podataka *moze 10% bit*
b) Samo 15 % prikupljenih podataka
c) 30 % prikupljenih podataka
d) 40 % prikupljenih podataka
69. Koja se od navedenih karakteristika ne odnosi na Poslovnu inteligenciju:
a) Zasniva se na personalizaciji
b) Zasniva se na strukturiranim podacima
c) Proaktivna je
d) Nastaje iz operativnih podataka
70. Namjera koncepta BI je:
a) Stvaranje veće koliĝine informacija
b) Generisanje boljih, kvalitetnijih informacija, potrebnih za donošenje poslovnih odluka
c) Brža obrada poslovnih transakcija
d) Taĝnija obrada poslovnih transakcija
71. BI pruža korisnicima:
A) Samo one informacije koje su im potrebne, ali pravovremeno I iskazane na naĝin koji im odgovara
b) Sve moguće informacije koje se odnose na problem koji se rješava
c) Mogućnost da posredno dođu do svih potrebnih informacija relevantnih za rješavanje problema
d) I one informacije koje im nisu trenutno neophodne za donošenje poslovnih odluka
72. Proaktivnost je takva karakteristika Poslovne inteligencije:
A) Koja se odnosi na kreiranje takvih znanja koja služe za promptni odgovor (reakcija) na neoĝekivane događaje
b) Koja se odnosi na kreiranje mase transakcijskih podataka koji govore o prošlim događajima
c) Koja se odnosi na kreiranje takvih znanja koja u trenutku kada se desi neki unaprijed oĝekivani događaj, traže najbolji odgovor
D) Koja se odnosi na kreiranje takvih znanja, koja predviđaju događaje, koji idu u susret događajima, tako što imaju unaprijed pripremljenu rekaciju na oĝekivane događaje
73. Koje aktivnosti prethode stvaranju Skladišta podataka:
a) Kompleksne analitiĝke obrade
b) Eksternalizacija podataka
c) Extract, Transform, Load (ETL) procesi
d) Kreiranje Data Mart-ova
74. U šta ne spada Poslovna inteligencija:
a) U sisteme Vještaĝke inteligencije
b) U novu generaciju DSS informacionih sistema
c) U sisteme za upravljanje znanjem
d) U novu generaciju Menadžment Informacionih sistema
75. Korisnici usluga, ne vole biti tretirani kao dio mase, horde ili krda. Ovo se odnosi na jednu od komponenti Poslovne intelihencije. Koju:
a) Dostava putem više kanala
b) Akcija, Interakcija ili transakcija
c) Personalizacija
d) Analiza I segmentacija
76. Koja je od karakteristika DW sistema bitna za praćenje trendova I prognoza:
a) Organizacija
b) Konzistentnost
c) Multidimenzionalnost
d) Vremenski podaci
77. OLTP sistemi se zasnivaju na:
a) Relacionim bazama podataka
b) Multidinezionalnim bazama podataka
c) Hijerarhijskim bazama podataka
d) Mrežnim bazama podataka
78. Koji skup karakteristika se odnosi na OLTP sisteme:
a) Izvršenje upita je sporo; spajanje tabela je sporo; ne mogu da predvide sve upite koji će biti potrebni;podaci su normalizovani
B) Izvršavanje upita je brzo: denormmalizovani su podaci; model se zasniva na metodologiji multidimenzionalne analize
C) Konzistentnost podataka; olakšano pretraživanje I osoblju koje nije tehniĝki najbolje osposobljeno
D) Ovi sistemi se ne bave obradom podataka, već analizom; moguće je uzimanje podataka iz razlĝitih DBMS I objedinjavanje u zajedniĝki OLAP sistem; naĝin skladištenja podataka je prilagođen u cilju kreiranja veoma kompleksnih izveštaja
79. Data Mart je (funkcionalno posmatrano):
a) Skup procesa koji ĝisti, transformiše, povezuje I priprema izvorne podatke za korišćenje u DW.
b) Podskup DW koji sadrži podatke specifiĝne za određenu poslovnu oblast kao što su finansije ili analiza klijenata
c) Kombinacija podataka iz OLTP sistema, podataka sa Interneta I podataka u Excel tabelama I dr.
d) Virtuelna unija DW-ova sa integrisanim informacijama
80. Prezentacija podataka je:
a) Komponenta DW-a za mehanizme manipulaciju podacima
b) Komponenta osnovni podaci
c) Komponenta agregirani višedimenzioni podaci
d) Komponenta sistem upravljanja podacima.
81. Informacija je:
a) Činjenica
b) Brojka
c) Simboliĝka reperezentacija događaja
d) Tok podataka konvertovan u smisaon I upotrebljiv kontekst za specifiĝne krajnje korisnike.
82. Znanje je:
a) Podatak oblikovane u formu, koja je smisaona I upotrebljiva za ljudska bića.
b) Nešto što korisniku redukuje neizvjesnost
c) Nešto što proizvodi zamišljene, razmatrane ili stvarno poduzete akcije korisnika
d) Informacija, koja je organizovana I analizirana da bi bila razumljiva u rješavanju problema ili u odluĝivanju.
83. Osnovna mana ROLAP alata je:
nemogućnost pohranivanja svih podataka o dimenzijama I svim potrebnim definicijama mjera
84. Koja od navedenih karaketristika OLAP alata najmanje važna:
Modularnost primjene
85. Rotacija dimenzija je:
Posmatranje iste mjere na razliĝite naĝine
86. Osnovna karaketristika Hiper kocke je:
Multidimenzionalna baza podataka I predstavljanje skoro svakog poslovnog tipa podataka kao dijela kocke
87. HOLAP alati su:
kombinacija Hibrid ROLAP alata I MOLAP alata
88. Osnovna prednost MOLAP alata je:
Obezbjeđenje odliĝnih performansi kada se radi o već izraĝunatim podacima (agregacijama)
89. Koja se od navedenih karakteristika ne odnosi na DOLAP alate:
Robusni I veoma skupi alati
{"name":"Poslovna inteligencija- prva parcijala", "url":"https://www.quiz-maker.com/QPREVIEW","txt":"Testirajte svoje znanje o poslovnoj inteligenciji i skladištenju podataka kroz naš informativni kviz. Ovaj kviz pokriva kljuĝne koncepte i tehnike u oblasti data warehousing-a, OLAP-a i Data Mining-a.Razumijevanje karakteristika DW-a i OLTP-aAnaliza metodologija ekstrakcije i transformacije podatakaEvaluacija primjene tehnika Data Mining-a u poslovanju","img":"https:/images/course1.png"}
More Quizzes
PI
251285
MIS integrala 2
1005029
Ekonometrija
241221
Mis integrala 3
311634
Upravljanje razvojem informacionih sistema - GRUPA B
251294
MIS integrala
1005035
What do you know about influencers?
8422
Tinklų testas
35180
Which character are you from The Great Gatsby?
1050
Sports Trivia
10515
Πόσο καλά γνωρίζεις το φετινό ΠΑΣ Λαμία;
1050
Which Character From "Arthur" Is Your "DinoSquad" Mutation?
10533