# Data Modeling per Data Engineering (Data Engineering)

> Star schema, snowflake, Data Vault, normalizzazione, tipi di SCD, grain, metriche additive

- 20 domande da colloquio
- Mid-Level
- [Domande da colloquio: Data Engineering](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio.md)

## 1. Cos'è uno star schema?

**Risposta**

Uno star schema è un modello di dati dimensionale in cui una fact table centrale è circondata da dimension table. La fact table contiene le metriche e le foreign key verso le dimensioni, che contengono gli attributi descrittivi. Questa struttura semplice e denormalizzata ottimizza le prestazioni delle query analitiche minimizzando le join.

## 2. Qual è la differenza tra una fact table e una dimension table?

**Risposta**

Una fact table contiene misure quantitative (metriche) e foreign key verso le dimensioni. Registra eventi o transazioni. Una dimension table contiene attributi descrittivi (chi, cosa, dove, quando) che consentono di filtrare e raggruppare i fatti. I fatti sono numerici e aggregabili, le dimensioni sono testuali e descrittive.

## 3. Cos'è il grain di una fact table?

**Risposta**

Il grain definisce il livello di dettaglio di una riga nella fact table. Risponde alla domanda: cosa rappresenta esattamente una riga? Ad esempio, una vendita per riga, una vendita per giorno per prodotto o una vendita per ora. Definire il grain è il primo passo del dimensional modeling poiché determina quali dimensioni sono necessarie e quale livello di aggregazione viene memorizzato.

## Altre 17 domande disponibili

- Qual è la differenza tra uno star schema e uno snowflake schema?
- Cos'è una conformed dimension?

Registrati gratis: https://sharpskill.dev/it/login

## Altri argomenti di colloquio Data Engineering

- [Linux & Shell - Fondamenti](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/linux-shell-basics.md): 20 domande, Junior
- [Git & GitHub - Fondamenti](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/git-github-fundamentals.md): 20 domande, Junior
- [Python avanzato per Data Engineering](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/python-advanced-de.md): 25 domande, Junior
- [Docker - Fondamenti](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/docker-fundamentals.md): 25 domande, Junior
- [Google Cloud Platform - Fondamenti](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/gcp-fundamentals.md): 20 domande, Junior
- [CI/CD e qualità del codice](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/ci-cd-code-quality.md): 20 domande, Mid-Level
- [Docker Compose](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/docker-compose.md): 20 domande, Mid-Level
- [FastAPI - API per dati](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/fastapi.md): 20 domande, Mid-Level
- [SQL avanzato per il Data Engineering](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/sql-advanced-de.md): 20 domande, Mid-Level
- [Data Lake - Architettura e ingestione](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/data-lake.md): 20 domande, Mid-Level
- [BigQuery per il Data Engineering](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/bigquery-de.md): 20 domande, Mid-Level
- [PostgreSQL - Amministrazione](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/postgresql-admin.md): 20 domande, Mid-Level
- [Fivetran & Airbyte - Ingestione dati](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/fivetran-airbyte.md): 20 domande, Mid-Level
- [dbt - Fondamenti](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/dbt-fundamentals-de.md): 20 domande, Mid-Level
- [Apache Airflow - Fondamenti](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/airflow-fundamentals.md): 20 domande, Mid-Level
- [Kubernetes - Fondamenti](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/kubernetes-fundamentals.md): 20 domande, Mid-Level
- [dbt - Funzionalità avanzate](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/dbt-advanced-de.md): 20 domande, Senior
- [Pattern ETL / ELT / ETLT](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/etl-elt-patterns.md): 20 domande, Senior
- [Apache Airflow - Avanzato](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/airflow-advanced.md): 20 domande, Senior
- [Airflow + dbt - Orchestrazione delle pipeline](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/airflow-dbt-integration.md): 20 domande, Senior
- [PySpark - Elaborazione su larga scala](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/pyspark.md): 20 domande, Senior
- [Google Pub/Sub - Streaming di dati](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/pubsub-streaming.md): 20 domande, Senior
- [Apache Beam & Dataflow](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/apache-beam-dataflow.md): 20 domande, Senior
- [Kubernetes - Produzione e scaling](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/kubernetes-advanced.md): 20 domande, Senior
- [Terraform - Infrastructure as Code](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/terraform.md): 20 domande, Senior
- [Database NoSQL](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/nosql-databases.md): 20 domande, Senior
- [Data Architecture moderna](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/data-architecture.md): 20 domande, Senior
- [Monitoraggio e osservabilità](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/monitoring-observability.md): 20 domande, Senior
- [IAM e sicurezza dei dati](https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/iam-security-de.md): 20 domande, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/it/technologies/data-engineering/domande-colloquio/data-modeling-de