DB、ETL、DW、OLAP、DM、BI关系 ZT
在此大概用口水话简单叙述一下他们几个概念：
（1）DB/Database/数据库——这里一般指的就是OLTP数据库，在线事物数据库，用来支持生产的，比如超市的买卖系统。DB保留的是数据信息的最新状态，只有一个状态！比如，每天早上起床洗脸照镜子，看到的就是当时的状态，至于之前的每天的状态，不会出现的你的眼前，这个眼前就是db。
（2）DW/Data Warehouse/数据仓库——这里保存的是DB中的不同时间点的状态，比如，每天早上洗完照镜子时，都拍一张照片，天天这样，这些照片放入到一个相册中，之后就可以查看每一天的状态了，这个相册就是数据仓库，他保存的是数据在不同时间点的状态，对同一个数据信息，保留不同时间点的状态，就便于我们做统计分析了。
（3）ETL/Extraction-Transformation-Loading——用于完成DB到DW的数据转存，它将DB中的某一个时间点的状态，“抽取”出来，根据DW的存储模型要求，“转换”一下数据格式，然后再“加载”到DW的一个过程，这里需要强调的是，DB的模型是ER模型，遵从范式化设计原则，而DW的数据模型是雪花型结构或者星型结构，用的是面向主题，面向问题的设计思路，所以DB和DW的模型结构不同，需要进行转换。
（4）OLAP——在线分析系统，简单说就是报表系统，销售报表，统计报表，等等，这个大家都熟悉，当然，OLAP的统计要更复杂更丰富一些，比如切面，钻取等等。
（5）DM/Data Mining/数据挖掘——这个挖掘，不是简单的统计了，他是根据概率论的或者其他的统计学原理，将DW中的大数据量进行分析，找出我们不能直观发现的规律，比如，如果我们每天早上照相，量身材的时候，还记录下头一天吃的东西，黄瓜，猪腿，烤鸭，以及心情，如果记录上10年，形成了3650天的相貌和饮食心情的数据，我们每个人都记录，有20万人记录了，那么，我们也许通过这些记录，可以分析出，身材相貌和饮食的客观规律；再说一个典型的实例，就是英国的超市，在积累了大量数据之后，对数据分析挖掘之后，得到了一个规律：将小孩的尿布和啤酒放在一起，销量会更好——业务专家在得到该结论之后，仔细分析，知道了原因，因为英国男人喜欢看足球的多，老婆把小孩介绍男人看管，小孩尿尿需要尿布，而男人看足球喜欢喝酒，所以两样商品有密切的关系，放在一起销售会更好！
（6）BI/Business Intelligence/商业智能——领导，决策者，在获取了OLAP的统计信息，和DM得到的科学规律之后，对生产进行适当的调整，比如，命令超市人员将啤酒喝尿布放在一起销售，这就反作用于DB修改存货数据了——这就是整个BI的作用！
-----------
看完了才发现，我连DW都没搞过。不过还好，专业的事情交给专业的公司去做，比如拿着Wyn Enterprise，连ETL是个啥都不太懂的我们也可以愉快的做BI，还是基于浏览器使用的自助式BI哦。
“赋能开发者”，葡萄城还真不是闹着玩的。
最新文章
- 使用JavaMail创建邮件发送邮件
- ajax跨域原理以及解决方案
- Mysql事物与Metadata lock 问题
- 数据库中存储日期的字段类型究竟应该用varchar还是datetime ？
- Android自定义Notification并没有那么简单
- ubuntu 硬件系统信息
- Gabor滤波器学习
- c#里listview里如何获取点击的是哪一列
- 华为-on练习--重复的字符过滤
- java.sql.SQLException: Can not issue empty query.
- python3 字符串/列表/元组（str/list/tuple）相互转换方法及join()函数的使用
- python面试题收集
- 云栖大会day1 上午
- parrot os 安装后更改更新源
- B - Moo Volume
- centos安装pg以及pg配置ssl
- json.dump和json.dumps区别，json.load和json.loads的区别
- WinAFL
- treap(树堆)
- 数据库机器迁移对AlwaysON 集群影响测试