Care sunt cele patru proprietăți ale unui depozit de date în definiția lui Inmon?
Orientat pe subiect, integrat, variabil în timp, nevolatil: patru adjective, o arhitectură.
W. H. Inmon · Building the Data Warehouse
Ce înseamnă independența datelor la Codd?
Fiecare atribut depinde de cheie, de toată cheia și numai de cheie.
E. F. Codd · A Relational Model of Data for Large Shared Data Banks
De ce nu rulezi rapoartele direct pe baza de producție?
OLTP atinge rânduri întregi de puține ori; OLAP atinge câteva coloane de miliarde de ori.
Michael Stonebraker, Uğur Çetintemel · “One Size Fits All”: An Idea Whose Time Has Come and Gone
Care sunt cei patru pași ai proiectării dimensionale, în ordine?
Granularitatea e o propoziție: «un rând = o linie de bon, într-un magazin, într-o zi».
Ralph Kimball, Margy Ross · The Data Warehouse Toolkit
Ce rol au hub-ul, link-ul și satelitul în Data Vault?
Hub, link, satellite: chei, relații, atribute cu istoric — trei tipuri de tabele, un depozit auditabil.
Dan Linstedt · Data Vault Series 1 — Data Vault Overview
Ce adaugă un lakehouse peste un data lake?
Bronze e dovada, silver e adevărul curățat, gold e răspunsul.
Michael Armbrust, Ali Ghodsi, Reynold Xin, Matei Zaharia · Lakehouse: A New Generation of Open Platforms that Unify Data Warehousing and Advanced Analytics
Care sunt cele patru principii ale data mesh-ului?
Un produs de date are proprietar, schemă, SLA și o adresă — altfel e doar un tabel.
Zhamak Dehghani · Data Mesh Principles and Logical Architecture
De ce e stocarea pe coloane mai rapidă pentru analiză?
Coloanele comprimă bine fiindcă vecinii seamănă; rândurile nu.
Michael Stonebraker et al. · C-Store: A Column-oriented DBMS
Ce avantaj are CDC față de extragerea periodică cu interogări?
Un SELECT periodic nu vede ștergerile; jurnalul de tranzacții le vede pe toate.
Jay Kreps · The Log: What every software engineer should know about real-time data's unifying abstraction
Cum corectezi o eroare într-un sistem doar-cu-adăugare?
O corecție e un rând nou, nu o radieră.
Pat Helland · Immutability Changes Everything
De ce cere SCD tip 2 o cheie surogat?
Tip 1 suprascrie, tip 2 adaugă un rând cu perioadă, tip 3 ține o coloană cu valoarea anterioară.
Ralph Kimball, Margy Ross · The Data Warehouse Toolkit
Ce înseamnă compatibilitatea înapoi și cea înainte la o schemă?
Adaugă, umple, comută, abia apoi șterge — niciodată nu schimba pe loc.
Martin Kleppmann · Designing Data-Intensive Applications
Ce face un job de încărcare idempotent?
O rulare repetată pentru aceeași fereastră trebuie să dea același rezultat — asta e idempotența.
Joe Reis, Matt Housley · Fundamentals of Data Engineering
Numește patru dimensiuni ale calității datelor.
Un test la intrare costă o linie; aceeași eroare găsită în raport costă o săptămână.
W. Edwards Deming · Out of the Crisis
La ce servește proveniența (lineage) într-un depozit?
Fiecare cifră dintr-un raport trebuie să poată spune din ce rânduri și din ce fișier a venit.
Charles Babbage · Passages from the Life of a Philosopher
Ce este scurgerea de informație (leakage) într-un set de antrenament?
O trăsătură se calculează «așa cum era la momentul evenimentului», nu «așa cum e acum».
Alon Halevy, Peter Norvig, Fernando Pereira · The Unreasonable Effectiveness of Data
De ce nu poți compara doi vectori de embedding cu egalitate?
Versiunea modelului de embedding face parte din schemă: schimbi modelul, recalculezi coloana.
John Rupert Firth · A synopsis of linguistic theory 1930–1955
Care e diferența dintre pseudonimizare și anonimizare?
Pseudonimizat înseamnă tot date personale — doar că cheia stă în altă cameră.
Parlamentul European și Consiliul Uniunii Europene · Regulamentul general privind protecția datelor (GDPR)
Ce este crypto-shredding și ce problemă rezolvă?
Ștergerea unei persoane e distrugerea cheii ei, nu rescrierea istoricului.
Bruce Schneier · Data Is a Toxic Asset, So Why Not Throw It Out?
Ce garantează k-anonimitatea și ce nu garantează?
Un cvasi-identificator e inofensiv singur; trei împreună sunt un nume.
Latanya Sweeney · k-anonymity: a model for protecting privacy