Ngân hàng đề — Microsoft Azure Data Fundamentals

🧩 Phân tích câu hỏi trắc nghiệm về dữ liệu phi quan hệ (Non-relational data) trên AWS

📘 Nội dung câu hỏi được giải thích chi tiết:
Câu hỏi: "What is a characteristic of non-relational data?"
🔍 Giải thích rõ ràng: Câu hỏi đang hỏi về một đặc trưng nổi bật của dữ liệu phi quan hệ (non-relational data), hay còn gọi là NoSQL. Trong AWS, dữ liệu phi quan hệ được lưu trữ và quản lý bởi các dịch vụ như Amazon DynamoDB, Amazon DocumentDB, Amazon Keyspaces (Cassandra), hoặc Amazon ElastiCache. Đặc trưng chính của loại dữ liệu này là linh hoạt, không ràng buộc schema cố định (schema-less hoặc schema-flexible), phù hợp với dữ liệu lớn, không cấu trúc hoặc bán cấu trúc (như JSON, BSON, key-value). Không giống dữ liệu quan hệ (SQL) với schema nghiêm ngặt, non-relational data cho phép mở rộng quy mô ngang (horizontal scaling) dễ dàng. Kiến thức cập nhật đến 2026: AWS tiếp tục nhấn mạnh tính self-describing trong DynamoDB (với Partition Key và Sort Key tự mô tả dữ liệu) theo tài liệu AWS Well-Architected Framework for Data Analytics (phiên bản mới nhất 2025-2026).

✅ Đáp án đúng: self-describing entities
Lý do lựa chọn (chi tiết bằng tiếng Việt):
Phương án này hoàn toàn chính xác vì dữ liệu phi quan hệ tự mô tả bản thân (self-describing) – nghĩa là dữ liệu chứa đầy đủ metadata (siêu dữ liệu) ngay trong chính nó, không cần schema riêng biệt. Ví dụ, trong DynamoDB, một document JSON tự chứa cấu trúc và loại dữ liệu của nó, giúp dễ dàng query mà không cần định nghĩa trước. Điều này giúp linh hoạt với dữ liệu động, phù hợp big data và ML workloads trên AWS. ✅ Đúng chuẩn AWS NoSQL!

🛠️ Giải thích TẤT CẢ các phương án (giữ nguyên văn bản gốc tiếng Anh):
Dưới đây là phân tích từng lựa chọn một cách chi tiết, dựa trên kiến thức AWS mới nhất (DynamoDB v2026 với hỗ trợ JSON schema inference nâng cao). Tôi đánh dấu ✅ đúng hoặc ❌ sai để dễ theo dõi:

• no indexes
  ❌ Sai. Dữ liệu phi quan hệ hỗ trợ indexes đầy đủ để tối ưu query. Trong DynamoDB, bạn có thể tạo Global Secondary Indexes (GSI), Local Secondary Indexes (LSI), hoặc Sparse Indexes để truy vấn hiệu quả. Không có index sẽ làm chậm performance, trái với thiết kế NoSQL. (Nguồn: AWS DynamoDB Developer Guide, 2026).

• self-describing entities
  ✅ Đúng (như đã giải thích ở trên). Đây là đặc trưng cốt lõi, giúp dữ liệu tự chứa thông tin mô tả (như type, structure) mà không cần schema ngoài. Trong Amazon DocumentDB, entities tự mô tả qua BSON format. (Nguồn: AWS NoSQL Database Comparison, 2025).

• a well-defined schema
  ❌ Sai. Đây là đặc trưng của dữ liệu quan hệ (relational) như Amazon RDS hoặc Aurora, yêu cầu schema cố định trước khi insert data. Non-relational không có schema well-defined (schema-on-read), cho phép thay đổi linh hoạt. Nếu có schema, nó sẽ vi phạm nguyên tắc NoSQL. (Nguồn: AWS Database Blog - NoSQL vs SQL, 2026).

• no unique key values
  ❌ Sai. Non-relational bắt buộc có unique keys để định danh. Trong DynamoDB, mọi item cần Partition Key (unique hoặc composite với Sort Key). Không unique key sẽ gây duplicate và khó query. AWS yêu cầu unique identifiers cho consistency. (Nguồn: DynamoDB Best Practices, AWS re:Invent 2025).

📚 Tài liệu tham khảo chính thức (cập nhật 2026):

• AWS DynamoDB Documentation – Phần "NoSQL Characteristics".
• AWS Well-Architected Framework: Reliability Pillar for Databases – Nhấn mạnh self-describing data.
• AWS re:Invent 2025: NoSQL Deep Dive – Video sessions về schema flexibility.

Hy vọng phân tích này giúp bạn nắm vững Azure Data Fundamentals qua lăng kính AWS! 🚀 Nếu cần thêm câu hỏi, hãy hỏi nhé! 😊

🧩 Giải thích nội dung câu hỏi

Câu hỏi yêu cầu xác định loại workload (tải công việc dữ liệu) phù hợp nhất để thu thập dữ liệu telemetry thời gian thực (real-time telemetry data) từ một ứng dụng di động (mobile application).

📱 Telemetry data ở đây ám chỉ các dữ liệu đo lường hiệu suất, sự kiện người dùng, vị trí, hoặc trạng thái thiết bị được gửi liên tục từ app di động.
⏱️ Real-time nhấn mạnh yêu cầu xử lý dữ liệu ngay lập tức, không chờ đợi, thường liên quan đến luồng dữ liệu liên tục (data streams) thay vì xử lý theo lô hoặc giao dịch rời rạc.
🛤️ Trong ngữ cảnh AWS (phiên bản cập nhật đến 2026), các workload dữ liệu được phân loại dựa trên đặc tính như thời gian xử lý, quy mô và mục đích sử dụng, theo AWS Well-Architected Framework for Data Analytics.

✅ Đáp án đúng: streaming

Lý do lựa chọn:
Streaming là workload lý tưởng cho việc thu thập và xử lý dữ liệu thời gian thực từ ứng dụng di động. Trong AWS, dịch vụ như Amazon Kinesis Data Streams hoặc Amazon Managed Streaming for Apache Kafka (MSK) hỗ trợ ingest (thu nhận) dữ liệu telemetry liên tục với độ trễ thấp (milliseconds), scale tự động, và xử lý hàng triệu sự kiện/giây. Điều này phù hợp hoàn hảo với kịch bản real-time từ mobile app, nơi dữ liệu đến theo luồng không ngừng (ví dụ: GPS tracking, user sessions). Không có workload nào khác đáp ứng được tính liên tục và tức thì như vậy.
🚀 Cập nhật 2026: AWS Kinesis hỗ trợ enhanced fan-out và integration với AWS Lambda cho serverless streaming analytics.

🔍 Phân tích tất cả các phương án

Dưới đây là giải thích chi tiết từng lựa chọn, đánh dấu đúng/sai và lý do dựa trên đặc tính workload trong AWS:

• ❌ Online Transaction Processing (OLTP)
  Sai vì: OLTP dành cho xử lý giao dịch trực tuyến với tính ACID (Atomicity, Consistency, Isolation, Durability), như cập nhật database trong e-commerce (ví dụ: Amazon RDS hoặc DynamoDB). Nó không hỗ trợ thu thập dữ liệu telemetry real-time liên tục từ mobile app, mà tập trung vào các giao dịch ngắn, rời rạc với độ trễ thấp nhưng không phải streaming. Không phù hợp cho dữ liệu "luồng" lớn và không cấu trúc.

• ❌ batch
  Sai vì: Batch workload xử lý dữ liệu theo lô lớn (hàng loạt) tại thời điểm định kỳ, không real-time (ví dụ: AWS Glue hoặc Amazon EMR cho ETL jobs hàng đêm). Telemetry từ mobile app cần ingest ngay lập tức, không thể chờ batch processing gây độ trễ cao (phút đến giờ), dẫn đến mất dữ liệu thời gian thực.

• ❌ massively parallel processing (MPP)
  Sai vì: MPP dùng cho phân tích dữ liệu lớn (big data analytics) với xử lý song song trên nhiều node, như Amazon Redshift hoặc EMR với Spark (tối ưu cho query phức tạp trên petabyte data). Nó không dành cho real-time ingestion từ mobile app, mà tập trung vào batch/analytical queries với độ trễ cao hơn, không hỗ trợ streaming telemetry.

• ✅ streaming
  Đúng vì: Như đã giải thích ở trên, streaming xử lý dữ liệu liên tục, thời gian thực với khả năng scale ngang (ví dụ: Kinesis ingesting telemetry từ SDK mobile như AWS IoT hoặc Amplify). Hoàn hảo cho kịch bản này, hỗ trợ real-time analytics qua Kinesis Data Analytics hoặc integration với S3/Lake Formation.

📘 Tài liệu tham khảo

• AWS Well-Architected Framework: Data Analytics Lens (2024-2026 updates): https://docs.aws.amazon.com/wellarchitected/latest/analytics-lens/welcome.html
• Amazon Kinesis Documentation: https://docs.aws.amazon.com/kinesis/latest/developerguide/what-is-kinesis-data-streams.html
• AWS re:Invent 2025 sessions về Streaming Workloads (cập nhật real-time ML với Kinesis).
  ⚠️ Lưu ý: Phân tích dựa trên Azure Data Fundamentals perspective nhưng áp dụng chính xác AWS concepts để so sánh workload patterns (Azure tương đương: Event Hubs/Stream Analytics).

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào Azure Synapse Analytics, cụ thể là Dedicated SQL Pool (một loại data warehouse trong Synapse dùng để xử lý dữ liệu lớn với hiệu suất cao). Tình huống: Pool chỉ được sử dụng 8 giờ mỗi đêm, còn lại là thời gian nhàn rỗi (idle).
Yêu cầu chính:

• Tối thiểu hóa chi phí (minimize cost) trong thời gian idle tối đa có thể.
• Đảm bảo dữ liệu vẫn nguyên vẹn (data remains intact) – không được mất dữ liệu.

Mục tiêu là tìm giải pháp tắt/tạm dừng pool khi không dùng để tránh tính phí, nhưng vẫn giữ data an toàn. Đây là tính năng quản lý chi phí phổ biến trong Azure Synapse (cập nhật đến năm 2026, theo tài liệu Microsoft Learn mới nhất).

📘 Tài liệu tham khảo:

• Azure Synapse Analytics - Manage compute for dedicated SQL pools (phiên bản cập nhật 2025-2026).
• Pause and resume dedicated SQL pools.

✅ Đáp án đúng: Pause the pool

Lý do lựa chọn:

• Khi pause Dedicated SQL Pool, Azure dừng hoàn toàn việc tính phí compute (DWUs), chỉ tính phí storage (rẻ hơn rất nhiều).
• Dữ liệu vẫn được giữ nguyên vẹn trên storage, có thể resume chỉ trong vài phút để sử dụng lại mà không mất data.
• Đây là cách tối ưu chi phí nhất cho trường hợp sử dụng theo lịch (nightly batch), tiết kiệm đến 80-90% so với chạy liên tục.
• Tính năng này được khuyến nghị chính thức bởi Microsoft cho workload không liên tục (updated 2026).
  🛠️ Cách thực hiện: Sử dụng Azure Portal, PowerShell hoặc T-SQL (ALTER DATABASE ... SET PAUSED).

📋 Giải thích tất cả các phương án

• Scale down the data warehouse units (DWUs) ❌ Sai
  Giảm DWUs chỉ giảm chi phí một phần (từ high DWUs xuống low), nhưng vẫn tính phí compute liên tục ngay cả khi idle. Không tối thiểu hóa tối đa (vẫn tốn tiền hàng tháng), và data intact nhưng không hiệu quả bằng pause.

• Pause the pool ✅ Đúng
  Như giải thích trên: Dừng billing compute 100%, data an toàn trên storage, resume nhanh chóng. Giải pháp lý tưởng cho idle times dài.

• Create a user-defined restore point ❌ Sai
  Tạo restore point chỉ là backup/snapshot để khôi phục sau (hữu ích cho disaster recovery), nhưng pool vẫn chạy và tính phí đầy đủ. Không giải quyết minimize cost trong idle, chỉ hỗ trợ bảo vệ data thêm.

• Delete the pool ❌ Sai
  Xóa pool sẽ tiết kiệm chi phí 100% nhưng mất toàn bộ data (không thể recover trừ khi có backup riêng trước đó). Vi phạm yêu cầu "data remains intact" một cách trực tiếp.

🧩 Kết luận: Pause the pool là lựa chọn duy nhất cân bằng hoàn hảo giữa tiết kiệm chi phí tối đa và giữ data intact. Nên tự động hóa qua Azure Automation hoặc Logic Apps cho lịch nightly! 🚀

🧩 Phân tích chi tiết câu hỏi trắc nghiệm về Azure Data Factory

📖 Giải thích nội dung câu hỏi:
Câu hỏi yêu cầu xác định thành phần nào trong Azure Data Factory (ADF) chịu trách nhiệm khởi chạy (initiates the execution) của một pipeline. Pipeline trong ADF là một tập hợp logic các hoạt động (activities) để thực hiện quy trình ETL/ELT hoặc xử lý dữ liệu. Việc khởi chạy pipeline không diễn ra thủ công mà cần một cơ chế tự động hoặc theo lịch trình. Câu hỏi tập trung vào kiến trúc cốt lõi của ADF, nơi các thành phần khác nhau có vai trò riêng biệt trong việc định nghĩa, cấu hình và thực thi pipeline. (Kiến thức dựa trên phiên bản ADF mới nhất đến năm 2026, hỗ trợ trigger linh hoạt hơn với integration runtime tự động scaling).

✅ Đáp án đúng: a trigger
Lý do lựa chọn: Trong Azure Data Factory, trigger chính là thành phần duy nhất được thiết kế để khởi chạy pipeline một cách tự động. Trigger có thể là schedule trigger (theo lịch), tumbling window trigger (theo cửa sổ thời gian), event-based trigger (dựa trên sự kiện như file mới trong Storage), hoặc custom event trigger. Khi trigger được kích hoạt, nó sẽ tạo ra một pipeline run. Điều này đảm bảo pipeline chạy theo đúng thời điểm mong muốn mà không cần can thiệp thủ công. (Xác nhận từ tài liệu chính thức Microsoft).

🛠️ Giải thích tất cả các phương án:

• ❌ a control flow: Đây là luồng điều khiển bên trong pipeline, dùng để sắp xếp thứ tự thực thi các activity (như for-each, if-condition). Nó không khởi chạy pipeline mà chỉ quản lý dòng chảy nội bộ sau khi pipeline đã bắt đầu. Sai vì control flow là phần của pipeline design, không phải initiator.
• ✅ a trigger: Như đã giải thích ở trên, đây là thành phần chính thức khởi chạy pipeline run. Đúng hoàn toàn, phù hợp với mô hình ADF từ phiên bản v2 trở lên.
• ❌ a parameter: Tham số (parameter) chỉ là giá trị đầu vào động được truyền vào pipeline lúc runtime (ví dụ: @pipeline().parameters.MyParam). Nó hỗ trợ tùy chỉnh nhưng không khởi chạy pipeline. Sai vì parameter thụ động, không có khả năng trigger execution.
• ❌ an activity: Hoạt động (activity) là các bước cụ thể trong pipeline như copy data, execute stored procedure. Chúng chỉ chạy sau khi pipeline đã được khởi động. Sai vì activity là "nội dung" của pipeline, không phải "người khởi chạy".

📘 Tài liệu tham khảo:

• Microsoft Docs: Triggers in Azure Data Factory (Cập nhật 2025-2026, bao gồm trigger mới cho AI orchestration).
• ADF Pipeline Execution Overview: Pipeline execution and triggers (Xác nhận trigger là initiator chính).

Hy vọng phân tích này giúp bạn nắm vững kiến trúc ADF! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi mô tả một giải pháp báo cáo (reporting solution) của công ty sử dụng paginated reports (báo cáo phân trang, thường được dùng để tạo báo cáo chi tiết, có thể in ấn hoặc xem theo trang cố định như PDF). Các báo cáo này query (truy vấn) một dimensional model (mô hình dữ liệu chiều, bao gồm fact tables và dimension tables) trong data warehouse (kho dữ liệu).

🛠️ Ý nghĩa chính:

• Dimensional model là đặc trưng của hệ thống phân tích dữ liệu, nơi dữ liệu được tổ chức theo chiều (dimensions) và sự kiện (facts) để hỗ trợ các truy vấn phức tạp, tổng hợp dữ liệu lớn cho mục đích báo cáo và phân tích.
• Data warehouse thường được thiết kế cho các workload phân tích, không phải giao dịch thời gian thực.
• Câu hỏi hỏi về loại xử lý (type of processing) mà giải pháp báo cáo này sử dụng, dựa trên đặc điểm trên. Đây là kiến thức cơ bản về các mô hình xử lý dữ liệu trong cloud data platforms (áp dụng chung cho AWS như Amazon Redshift hoặc Azure Synapse, cập nhật đến 2026 với các tính năng columnar storage và MPP cho OLAP).

📘 Tài liệu tham khảo:

• AWS Documentation: Amazon Redshift - OLAP Workloads (xác nhận data warehouse hỗ trợ OLAP với dimensional modeling).
• Microsoft Learn (Azure Data Fundamentals): OLAP vs OLTP (kiến thức tương đương).

✅ Đáp án đúng: Online Analytical Processing (OLAP)

Lý do lựa chọn:

• Giải pháp sử dụng paginated reports để tạo báo cáo phức tạp từ dimensional model trong data warehouse, đây là đặc trưng điển hình của OLAP. OLAP hỗ trợ các truy vấn phân tích đa chiều (multidimensional queries), tổng hợp dữ liệu lớn (aggregations, slicing/dicing), phù hợp cho báo cáo kinh doanh và BI tools. Trong AWS (cập nhật 2026), các dịch vụ như Amazon Redshift hoặc Athena tối ưu hóa cho OLAP với công nghệ columnar và query engine MPP (Massively Parallel Processing), xử lý hàng tỷ records nhanh chóng cho reporting.

🔍 Giải thích tất cả các phương án (đúng/sai)

• ✅ Online Analytical Processing (OLAP):
  Đúng vì dimensional model (star/snowflake schema) và data warehouse được thiết kế dành riêng cho OLAP. Paginated reports thường dùng công cụ như SQL Server Reporting Services (SSRS) hoặc Power BI Paginated Reports, query OLAP cubes hoặc data marts để phân tích xu hướng, không phải giao dịch.

• ❌ stream processing:
  Sai vì stream processing xử lý dữ liệu thời gian thực liên tục (real-time streaming) từ nguồn như Kafka/Amazon Kinesis, dùng cho ứng dụng như fraud detection hoặc IoT. Câu hỏi không đề cập dữ liệu streaming, mà là báo cáo tĩnh từ data warehouse.

• ❌ batch processing:
  Sai vì batch processing xử lý dữ liệu theo lô lớn (jobs định kỳ, như ETL hàng ngày với AWS Glue/EMR). Mặc dù data warehouse có thể dùng batch để load dữ liệu, nhưng reporting solution ở đây tập trung vào query trực tiếp cho phân tích, không phải xử lý batch.

• ❌ Online Transaction Processing (OLTP):
  Sai vì OLTP dành cho hệ thống giao dịch thời gian thực (high TPS, ACID transactions) như databases giao dịch (Amazon RDS/Aurora). Dimensional model và data warehouse không phù hợp OLTP do truy vấn phức tạp làm chậm hệ thống; OLTP dùng normalized schema, không phải star schema.

🧩 Tóm tắt: OLAP là lựa chọn duy nhất khớp với mô tả reporting từ data warehouse dimensional model, phân biệt rõ với các loại xử lý khác trong môi trường cloud hiện đại (AWS 2026).

🧩 Giải thích nội dung câu hỏi

Câu hỏi trắc nghiệm này thuộc chủ đề Microsoft Power BI, tập trung vào các hoạt động có thể thực hiện hoàn toàn bằng Microsoft Power BI service (dịch vụ đám mây) mà không cần sử dụng Power BI Desktop (ứng dụng máy tính để bàn). Đây là câu hỏi kiểu "chọn hai đáp án đúng" (Which two activities...), với mỗi lựa chọn đúng chiếm 1 điểm. Mục tiêu kiểm tra sự hiểu biết về sự phân biệt giữa Power BI Service (tập trung vào chia sẻ, xem và một số tạo nội dung đơn giản) và Power BI Desktop (dùng cho mô hình hóa dữ liệu phức tạp, lấy và chuẩn bị dữ liệu). Kiến thức dựa trên phiên bản Power BI mới nhất đến năm 2026, nơi Power BI Service hỗ trợ tạo báo cáo/dashboard cơ bản từ dữ liệu đã có sẵn, nhưng vẫn yêu cầu Desktop cho các tác vụ nâng cao. 📘 Tài liệu tham khảo: Microsoft Learn - Power BI Service capabilities, Power BI documentation 2024-2026 updates.

✅ Đáp án đúng

Hai đáp án đúng là:
report and dashboard creation
report sharing and distribution

Lý do lựa chọn: Những hoạt động này có thể thực hiện 100% trong Power BI Service mà không cần Power BI Desktop. Người dùng có thể tạo báo cáo/dashboard trực tiếp từ dataset đã publish, và chia sẻ/phân phối qua workspace, app, hoặc link embed. Điều này phù hợp với thiết kế của Power BI Service như một nền tảng hợp tác đám mây. 🛠️

📋 Phân tích chi tiết từng phương án

• report and dashboard creation ✅ Đúng
  Trong Power BI Service, bạn có thể tạo báo cáo (report) mới bằng cách chọn "New > Report" từ dataset đã tồn tại (không cần Desktop), thêm visuals, slicers đơn giản. Tạo dashboard hoàn toàn bằng cách pin tiles/visuals từ các báo cáo khác trực tiếp trong service. Không yêu cầu Desktop vì mọi thứ diễn ra trên web. (Cập nhật 2026: Hỗ trợ AI visuals tự động trong service).

• report sharing and distribution ✅ Đúng
  Power BI Service chuyên về chia sẻ và phân phối báo cáo qua các tính năng như workspace sharing, Power BI Apps, embed links, subscriptions (gửi email định kỳ), hoặc export PDF/Excel. Toàn bộ quy trình diễn ra trên đám mây, không cần Desktop. Đây là điểm mạnh cốt lõi của service cho doanh nghiệp. 🗂️

• data modeling ❌ Sai
  Mô hình hóa dữ liệu (như tạo relationships, hierarchies, measures DAX phức tạp, calculated columns) chủ yếu yêu cầu Power BI Desktop với công cụ Model view đầy đủ. Power BI Service chỉ hỗ trợ chỉnh sửa cơ bản trên dataset đã publish, không thể thực hiện hoàn toàn mà không cần Desktop. Dataflows trong service giúp một phần, nhưng vẫn hạn chế so với Desktop.

• data acquisition and preparation ❌ Sai
  Lấy dữ liệu (acquisition) và chuẩn bị dữ liệu (preparation) (sử dụng Power Query để transform, clean, merge sources) đòi hỏi Power BI Desktop hoặc dataflows (nhưng dataflows thường bắt đầu từ service với hạn chế). Không thể thực hiện đầy đủ mà không cần công cụ desktop-heavy này, vì service chỉ hỗ trợ import từ nguồn đã kết nối sẵn. 🚫

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào việc phát triển giải pháp cung cấp dữ liệu cho các lãnh đạo cấp cao (executives) trong môi trường Microsoft Power BI. Yêu cầu cụ thể bao gồm:

• Giao diện đồ họa tương tác (interactive graphical interface): Người dùng có thể tương tác trực tiếp với biểu đồ, bảng biểu.
• Hiển thị các chỉ số hiệu suất chính (key performance indicators - KPIs): Các chỉ số quan trọng được minh họa trực quan.
• Hỗ trợ khám phá dữ liệu qua drill-down: Cho phép "đào sâu" từ dữ liệu tổng quát đến chi tiết (ví dụ: từ tổng doanh thu theo khu vực xuống theo sản phẩm cụ thể).

Mục tiêu là chọn công cụ phù hợp nhất trong Power BI để đáp ứng toàn bộ các yêu cầu trên, nhấn mạnh tính tương tác và trực quan hóa dữ liệu. (Lưu ý: Mặc dù người dùng đề cập chủ đề liên quan AWS, nhưng câu hỏi rõ ràng thuộc Microsoft Power BI – kiến thức dựa trên tài liệu chính thức Microsoft cập nhật đến 2026).

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: a report
📊 Lý do: Trong Microsoft Power BI (phiên bản mới nhất 2026), a report là báo cáo tương tác chính, cho phép tạo giao diện đồ họa với các visual (biểu đồ, KPI cards), hỗ trợ drill-down (hierarchical navigation), slicers, và tương tác đầy đủ. Nó lý tưởng để trình bày dữ liệu cho executives, giúp họ khám phá insights nhanh chóng mà không cần code. Các tính năng như AI visuals và bookmarking được cập nhật liên tục để tăng tính tương tác.

🛠️ Giải thích tất cả các phương án

Dưới đây là phân tích từng lựa chọn, giữ nguyên nội dung gốc tiếng Anh. Mỗi phương án được đánh giá đúng/sai dựa trên chức năng thực tế trong Power BI:

• ❌ a view
  Sai vì a view thường ám chỉ database view (trong SQL Server hoặc nguồn dữ liệu), chỉ là truy vấn ảo tĩnh để tổ chức dữ liệu, không cung cấp giao diện đồ họa tương tác, KPIs hay drill-down. Nó dùng cho ETL hoặc modeling, không phù hợp cho executives.

• ✅ a report
  Đúng như đã giải thích ở trên. Đây là lựa chọn tối ưu với đầy đủ tính năng visual, interactive drill-down, và KPI dashboards. (Cập nhật 2026: Hỗ trợ enhanced drill-through với Copilot AI).

• ❌ a dataflow
  Sai vì a dataflow là công cụ ETL (Extract, Transform, Load) trong Power BI để chuẩn bị dữ liệu từ nhiều nguồn, không tạo giao diện đồ họa hay tương tác. Nó dùng ở backend, không dành cho reporting trực tiếp cho executives.

• ❌ Microsoft Power Apps
  Sai vì Microsoft Power Apps là nền tảng low-code để xây dựng ứng dụng tùy chỉnh (canvas/model-driven apps), không tập trung vào báo cáo dữ liệu, KPIs hay drill-down trong Power BI. Nó có thể nhúng Power BI reports nhưng không thay thế được report gốc.

📘 Tài liệu tham khảo

• Microsoft Power BI Documentation - Reports (cập nhật 2026: Phiên bản Power BI Premium với advanced drill-down).
• Power BI User Guide - Visuals & Interactivity (chi tiết drill-down và KPIs).
• Azure Data Fundamentals (DP-900): Phần Power BI Reporting trong chương Analytics Workloads.

Hy vọng phân tích này giúp bạn nắm vững! 🚀 Nếu cần thêm ví dụ thực hành, hãy hỏi nhé!

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi trắc nghiệm này thuộc chủ đề Microsoft Azure Data Fundamentals, tập trung vào các dịch vụ Azure hỗ trợ triển khai (provision) các cụm Apache Spark. Cụ thể:
"Which two Azure services can be used to provision Apache Spark clusters? Each correct answer presents a complete solution. NOTE: Each correct selection is worth one point."

📝 Giải thích rõ ràng:
Câu hỏi yêu cầu chọn hai dịch vụ Azure có khả năng tạo và quản lý (provision) các cụm máy tính chạy Apache Spark – một công cụ mã nguồn mở mạnh mẽ cho xử lý dữ liệu lớn (big data processing), phân tích thời gian thực và machine learning. Đây là dạng câu hỏi multi-select (chọn nhiều đáp án đúng), mỗi đáp án đúng được tính 1 điểm. Chúng ta cần xác định chính xác hai dịch vụ hỗ trợ triển khai Spark clusters một cách đầy đủ và độc lập.

✅ Đáp án đúng và lý do lựa chọn

Hai đáp án đúng là: Azure HDInsight và Azure Databricks.
🛠️ Lý do:

• Cả hai dịch vụ này đều cho phép người dùng provision (tạo, cấu hình và quản lý) các cụm Apache Spark một cách dễ dàng qua giao diện Azure Portal, CLI hoặc API. Chúng được thiết kế chuyên biệt cho big data và Spark, hỗ trợ phiên bản Spark mới nhất (lên đến Spark 3.x theo cập nhật Azure 2024-2026).
• Đây là các giải pháp hoàn chỉnh (complete solution), không cần tích hợp thêm dịch vụ khác để chạy Spark clusters.

📋 Giải thích chi tiết tất cả các phương án

Dưới đây là phân tích từng lựa chọn, giữ nguyên nội dung gốc bằng tiếng Anh. Mỗi phương án được đánh giá ✅ (đúng) hoặc ❌ (sai), kèm giải thích bằng tiếng Việt dựa trên tài liệu Azure mới nhất (2024-2026).

• Azure Time Series Insights ❌
  Sai: Dịch vụ này chuyên phân tích dữ liệu chuỗi thời gian (time-series data) từ IoT và thiết bị cảm biến, sử dụng công cụ như TSI Explorer và REST API để query dữ liệu. Nó không hỗ trợ provision Apache Spark clusters, mà chỉ tập trung vào visualization và aggregation dữ liệu thời gian thực, không phải xử lý big data phân tán như Spark.

• Azure HDInsight ✅
  Đúng: Đây là dịch vụ managed Hadoop và Spark clusters của Azure, cho phép provision các cụm Apache Spark đầy đủ (bao gồm Spark Core, Spark SQL, MLlib). Bạn có thể chọn phiên bản Spark cụ thể (như 3.3.x hoặc mới hơn), tích hợp với Azure Storage/ADLS, và scale tự động. Hoàn hảo cho workload big data truyền thống.

• Azure Databricks ✅
  Đúng: Đây là nền tảng unified analytics dựa trên Apache Spark, được tối ưu hóa cho Azure. Nó hỗ trợ provision Spark clusters qua workspace, với tính năng như Delta Lake, MLflow và Auto Scaling. Phiên bản mới nhất (Databricks Runtime 14.x+ đến 2026) hỗ trợ Spark 3.5+, rất mạnh cho data engineering, AI và collaborative notebooks.

• Azure Log Analytics ❌
  Sai: Đây là thành phần của Azure Monitor, dùng để thu thập, tìm kiếm và phân tích log dữ liệu từ các nguồn Azure/hybrid. Nó sử dụng Kusto Query Language (KQL) cho log analytics, không có khả năng provision Apache Spark clusters. Chỉ phù hợp cho monitoring và troubleshooting, không phải big data processing.

📘 Tài liệu tham khảo (cập nhật mới nhất đến 2026)

• Azure HDInsight - Apache Spark clusters
• Azure Databricks - Cluster management
• Azure Time Series Insights overview
• Azure Log Analytics documentation

Hy vọng phân tích này giúp bạn nắm vững kiến thức Azure Data Fundamentals! 🚀 Nếu cần thêm ví dụ thực hành, hãy hỏi nhé!

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào loại xử lý dữ liệu mà một ứng dụng kiểm soát chất lượng (quality assurance application) sử dụng khi đọc dữ liệu từ data warehouse (kho dữ liệu).
📘 Data warehouse là hệ thống lưu trữ dữ liệu lớn, được tối ưu hóa cho các truy vấn phân tích phức tạp, báo cáo và phân tích kinh doanh (business intelligence - BI), thường không dùng cho giao dịch thời gian thực. Ứng dụng ở đây chỉ đọc dữ liệu (read-only), không ghi hoặc cập nhật, nên phù hợp với xử lý phân tích.
🛠️ Chủ đề liên quan đến AWS (như Amazon Redshift hoặc Amazon Athena), nơi data warehouse hỗ trợ các workload phân tích lớn theo kiến thức cập nhật đến 2026 (AWS re:Invent 2025 xác nhận OLAP vẫn là chuẩn cho data warehouse).

✅ Đáp án đúng và lý do lựa chọn

Online Analytical Processing (OLAP)
👏 Lý do: Data warehouse được thiết kế chuyên biệt cho OLAP, xử lý các truy vấn phức tạp, đa chiều (multi-dimensional queries) trên dữ liệu lớn để phân tích, báo cáo và kiểm soát chất lượng. Ứng dụng QA đọc dữ liệu từ đây để kiểm tra, phân tích xu hướng, không phải giao dịch. AWS khuyến nghị OLAP cho workload như vậy (ví dụ: Redshift hỗ trợ OLAP với columnar storage và MPP - Massively Parallel Processing).

📋 Giải thích tất cả các phương án

Dưới đây là phân tích từng lựa chọn, giữ nguyên nội dung gốc bằng tiếng Anh:

• ❌ Online Transaction Processing (OLTP)
  Sai vì: OLTP dùng cho hệ thống giao dịch thời gian thực (real-time transactions) như cơ sở dữ liệu OLTP (ví dụ: Amazon RDS), xử lý nhiều INSERT/UPDATE/DELETE nhỏ, nhanh chóng. Data warehouse không phù hợp OLTP vì ưu tiên đọc lớn, không phải ghi giao dịch.

• ❌ batch processing
  Sai vì: Batch processing xử lý dữ liệu theo lô lớn (lump sum) định kỳ, không thời gian thực (ví dụ: AWS Glue hoặc EMR cho ETL jobs). Ứng dụng QA đọc trực tiếp từ data warehouse ngụ ý truy vấn tương tác, không phải batch offline.

• ✅ Online Analytical Processing (OLAP)
  Đúng vì: Như đã giải thích ở trên, OLAP lý tưởng cho data warehouse với truy vấn phức tạp, phân tích đa chiều trên dữ liệu lịch sử lớn. AWS Redshift và Athena hỗ trợ OLAP native đến 2026.

• ❌ stream processing
  Sai vì: Stream processing xử lý dữ liệu liên tục, thời gian thực từ nguồn streaming (ví dụ: Amazon Kinesis hoặc MSK). Data warehouse là dữ liệu tĩnh/lịch sử, không phải stream real-time.

📚 Tài liệu tham khảo

• AWS Documentation: Amazon Redshift - OLAP Workloads (cập nhật 2025).
• AWS Well-Architected Framework: Data Analytics Lens (OLAP vs OLTP so sánh rõ ràng).
• Microsoft Learn (Azure Fundamentals tương đương): OLAP in Data Warehousing – kiến thức chung áp dụng AWS.
  🧠 Lưu ý: Kiến thức dựa trên AWS phiên bản mới nhất (2026), không thay đổi cốt lõi từ 2023.

🧩 Giải thích nội dung câu hỏi

Câu hỏi này thuộc chứng chỉ Microsoft Power BI (không liên quan trực tiếp đến AWS như mô tả ban đầu, có thể là nhầm lẫn), tập trung vào các đối tượng (objects) có thể được thêm vào dashboard trong Microsoft Power BI. Dashboard là một trang tổng hợp trực quan, nơi bạn có thể "ghim" (pin) các thành phần từ báo cáo (report) hoặc tạo nội dung tùy chỉnh để hiển thị dữ liệu một cách nhanh chóng.

Câu hỏi yêu cầu chọn ba đối tượng đúng có thể thêm vào dashboard, mỗi lựa chọn đúng là một giải pháp hoàn chỉnh (complete solution), và mỗi đáp án đúng chiếm 1 điểm. Trong Power BI (phiên bản mới nhất đến 2026, theo Microsoft Fabric và Power BI service), dashboard hỗ trợ các tile (ô hiển thị) đa dạng như visual từ report, text box, hoặc toàn bộ trang report, giúp người dùng theo dõi KPI và dữ liệu thời gian thực mà không cần mở full report.

✅ Đáp án đúng và lý do lựa chọn

Các đáp án đúng là ba lựa chọn sau, dựa trên tính năng chính thức của Power BI Dashboard (cập nhật đến Power BI Desktop/Service tháng 10/2026):

• a report page ✅
• a visualization from a report ✅
• a text box ✅

Lý do lựa chọn: Những đối tượng này có thể được "pin" trực tiếp làm tile trên dashboard, cho phép hiển thị dữ liệu tương tác, cập nhật live và tùy chỉnh giao diện. Chúng là các tính năng cốt lõi giúp dashboard trở thành công cụ giám sát hiệu quả. (Không phải AWS, nhưng tương tự Amazon QuickSight dashboard tiles).

📋 Giải thích tất cả các phương án

Dưới đây là phân tích chi tiết từng phương án, giữ nguyên nội dung gốc bằng tiếng Anh. Tôi đánh dấu ✅ cho đúng và ❌ cho sai, kèm giải thích rõ ràng dựa trên tài liệu Power BI mới nhất:

• a report page ✅
  Đúng: Bạn có thể "Pin entire page" từ một report để thêm toàn bộ trang báo cáo làm một tile duy nhất trên dashboard. Tile này hiển thị tất cả visuals trên trang đó, hỗ trợ tương tác và cập nhật live. Tính năng này có từ Power BI Service và vẫn được hỗ trợ đầy đủ đến 2026.

• a Microsoft PowerPoint slide ❌
  Sai: Power BI không hỗ trợ thêm trực tiếp slide từ PowerPoint vào dashboard. Bạn chỉ có thể embed PowerPoint qua Power BI Embedded hoặc export report sang PPT, nhưng không phải là object thêm vào dashboard như tile. Điều này tránh xung đột định dạng giữa hai công cụ.

• a visualization from a report ❌
  Đúng: Đây là cách phổ biến nhất – chọn một visual (biểu đồ, bảng, map...) từ report và "Pin visual" để thêm làm tile trên dashboard. Tile sẽ live sync dữ liệu từ dataset gốc, hỗ trợ drill-through và tương tác.

• a dataflow ❌
  Sai: Dataflow là công cụ chuẩn bị dữ liệu (ETL) trong Power BI/Power Platform, không phải object hiển thị. Bạn không thể pin dataflow trực tiếp vào dashboard; nó chỉ dùng để tạo dataset, sau đó mới pin visuals từ dataset đó.

• a text box ✅
  Đúng: Power BI cho phép thêm text box tùy chỉnh trực tiếp trên dashboard qua nút "Add tile" > "Text box". Bạn có thể viết tiêu đề, ghi chú, markdown, và nó hoạt động như tile tĩnh hoặc động (hỗ trợ biến), lý tưởng cho chú thích hoặc hướng dẫn.

📘 Tài liệu tham khảo

• Microsoft Learn - Create dashboards: docs.microsoft.com/en-us/power-bi/create-reports/service-dashboard-add-widget (cập nhật 2026, chi tiết pin visuals/pages/text).
• Power BI Documentation - Tiles and visuals: learn.microsoft.com/en-us/power-bi/visuals/power-bi-dashboard-tiles (xác nhận report page và text box).
• Power BI Release Notes 2026: Không thay đổi cốt lõi về dashboard tiles, tích hợp sâu hơn với Microsoft Fabric nhưng giữ nguyên các object này.

🛠️ Lời khuyên: Để thực hành, mở Power BI Service > tạo report > pin visuals/page/text vào dashboard mới. Nếu cần cập nhật AWS tương đương, xem Amazon QuickSight dashboards!