3个角度教你数据仓库和数据库该怎么选
2020-05-26 10:58:33
选择数据仓库或数据库可从以下三个角度进行判断：
一、根据核心定位选择- 数据库：核心任务是处理正在发生的业务操作，目标是确保每一次交易都快速、准确、稳定。例如电商平台下单、银行APP转账、社交软件发消息等业务场景，都依赖数据库支撑，关注的是“当下”业务系统的平稳运行。
- 数据仓库：核心任务是回溯和分析历史数据，将来自不同业务系统的数据汇集起来，经过清洗和整理，发现规律、趋势和问题，从而支持决策，关注的是“过去”，致力于从历史中“分析”出价值。
- 数据瞎举库
工作模式：采用OLTP（在线事务处理），一个包含多个步骤的操作必须作为一个整体完成，要么全部成功，要么全部失败，以保证数据的绝对准确，数据的强一致性是其最高准则。例如从A账户转账100元到B账户，需执行检查A账户余额、从A账户扣减100元、向B账户增加100元这三个步骤，构成一个“事务”，任何一步失败，整个操作都必须撤销。
数据模型：通常采用规范化设计，把数据拆分成多张相互关联的表，最大程度减少重复数据，确保每次写入或更新时，只需改动最少的地方，从而保证速度和准确性。
特点
实时性：处理最新的业务数据状态。
频繁增删改：日常操作以插入、更新、删除为主。
简单查询：查询通常基于索引快速定位单条或少量记录。
高并发：需要同时响应大量用户的短平快请求。
- 数据仓库
工作模式：核心技术模式是OLAP（在线分析处理），例如分析“过去3年，各个区域的产品销售额趋势，并与市场活动关联”，这种查询需要扫描上亿条记录，进行大规模的分组、排序和聚合计算。
数据模型：通常采用“维度模型”，如星型或雪花模型。有一张或多张核心的事实表（记录发生了什么事，如销售流水），周围连接着一圈维度表（描述事实的背景信息，如时间、产品、客户等），这种结构直竖闷观，特别适合做多维度的分析和钻取。
数据加工：数据仓库里的数据需要从各个业务数据库里搬运和加工过来，包括抽取（从不同源头获取数据）、转换（清洗脏数据、统一标准、处理缺失值等）、加载（将干净、规整的数据导入数据仓库的模型中）。
特点
历史性：存储从历史到现在的完整数据，用于趋势分析。
批量追加：数据以批量方式周期性导入，一旦进入，很少更新。
复杂查询：查询复杂，涉及大量数据的扫描和聚合计算。
低并发：同时进行分析查询的用户数相对较少，但每个查询都消耗大量计算资源。
- 选择数据库的情况
开发业务应用：如开发一个网站、一个APP、一个管理系统等，这些系统需要记录用户实时产生的操作，如注册、下单、支付、发布内容等。
事务性操作：每次操作涉及的数据量小，要求毫秒级响应，并且必须保证数据的准确和完整。
简单查询模式：主要是通过索引查询某一条或某一小批数据的明细。若核心需求是快速、准确、高并发地处理“现在进行时”的业务，应选择数据库。
- 选择数据仓库的情况
制作报表和进行BI分析：需要生成定期的业务报表，制作可视化的数据看板给管理团队看。
回答复杂商业问题：例如“为什么这个季度的A产品销量下滑？”“我们的用户流失主要发生在哪个环节？”
数据来源多样：数据分散在多个业务系统、日志文件或第三方平台，需要整合才能得出全局视图。
查询涉及海量历史数据：分析需要扫描百万、千万甚至上亿条记录进行聚合计算。若核心需求是基于大磨纤碧量历史数据，进行复杂的、聚合性的、为战略决策提供支持的“回顾式”分析，数据仓库更合适。
热门标签
