Brief BI on AZure

Quel est le principal avantage d'un modèle en étoile dans un entrepôt de données ?

• Il empêche la duplication des données

• Il est plus adapté aux bases relationnelles

• Il simplifie les requêtes analytiques

• Il permet de réduire la redondance des données

Quelles sont les caractéristiques d’un entrepôt de données bien structuré ?

• Absence de partitionnement pour éviter la fragmentation

• Stockage des données sous forme de colonnes optimisées

• Suppression des index pour accélérer les requêtes

• Utilisation d’un schéma en étoile ou en flocon

Votre entreprise observe que les performances des requêtes analytiques sur Synapse SQL Pool sont lentes. Après analyse, vous constatez que les tables de dimensions sont très volumineuses et souvent jointes avec la table de faits. Quelle solution proposez-vous ?

• Supprimer les dimensions inutiles

• Désactiver l’indexation des dimensions

• Convertir le modèle en flocon

• Dénormaliser les tables de dimensions

Quel service Azure est utilisé pour stocker un entrepôt de données relationnel ?

• Azure Monitor

• Azure Data Factory

• Azure Synapse Analytics

• Azure Blob Storage

Quelles bonnes pratiques s’appliquent à la création d’un entrepôt de données optimisé sur Azure ?

• Utiliser un moteur de stockage NoSQL pour les requêtes analytiques

• Toujours choisir le modèle en flocon pour maximiser la normalisation

• Utiliser un stockage en colonnes pour les données analytiques

• Partitionner les tables volumineuses

Vous constatez que votre entrepôt de données Azure Synapse SQL Pool est sous-utilisé, mais coûte cher en ressources. Que faites-vous ?

• Supprimer les tables peu utilisées

• Activer plus d’index pour accélérer les requêtes

• Passer à un modèle Serverless pour payer uniquement à l’usage

• Réduire la taille du stockage en compressant les données

Quel est le rôle principal d’Azure Data Factory dans un projet BI ?

• Remplacer un moteur de base de données

• Générer des rapports BI

• Orchestrer et automatiser l'ingestion et la transformation des données

• Stocker les données dans un Data Warehouse

Quelles bonnes pratiques améliorent les performances d’un pipeline ETL ?

• Stocker toutes les étapes intermédiaires dans un fichier CSV

• Traiter l’ensemble des données sans filtrage

• Exécuter les transformations en mémoire avant le chargement

• Charger uniquement les données nécessaires

Votre pipeline d’ingestion Data Factory prend trop de temps pour charger les données vers Synapse. Quelle action prenez-vous ?

• Charger toutes les données en une seule fois

• Remplacer Azure Data Factory par un traitement manuel

• Augmenter la fréquence des exécutions du pipeline

• Activer le partitionnement des données en entrée

Quelle option permet de réduire les coûts d’un entrepôt de données Azure Synapse inactif ?

• Exécuter moins de requêtes

• Limiter le nombre d’utilisateurs

• Mettre en pause le service lorsque non utilisé

• Supprimer les bases de données