数据仓库你需要知道的3个区别（转载）

一、OLTP和OLAP的区别

OLAP

OLTP

全称

On-line Analytical Processing

On-line Transaction Processing

应用场景

数据仓库

数据库

核心

维度、度量、下钻、上卷、切片、切块、旋转

ACID(原子性、一致性、孤立性、持续性)

关注点

事后的分析，从统计的角度去看待业务发生的节点

关注完成这件事情，准确无误的执行

二、传统数仓和互联网数仓的区别

传统数仓

互联网数仓

行业

金融、电信、保险、证券

电商、短视频、出行、团购、外卖

行业特点

业务简单、周期长、业务缓慢改变

业务复杂、敏捷开发、业务变化快、临时需求多

技术栈

mysql、oracle、sql server

Hadoop、spark、flink

建模方式

范式建模

维度建模+范式建模的混合建模方式

数据类型

结构化

结构化+非结构化

应用场景

经分、结算、风控

经分、数分、挖掘(广告、推荐)

准确性

高

较高

混合建模是什么？
dwd层采用范式建模，dwd层以上维度建模
好处是什么？
dwd层采用范式建模能快速响应业务的变换，维护成本低。上层采用维度建模考虑到下游的易用性
什么时候使用它？
业务发展初期，推荐使用维度建模，目的是快速出结果，因为互联网行业是一个不断探索和迭代的过程。业务稳定后，对于重业务的公司，比如美团、淘宝，dwd层推荐使用范式建模，dwd以上使用维度建模。目的是为了快速响应业务的变化，维护成本低。因为维度建模有个缺点就是，维度变化对数据的更新量大。

三、数据仓库和数据库的区别

数据仓库

数据库

数据范围

存储历史的数据

存储最新状态的数据

数据变化

可添加、可查询、无删除、无变更

支持增删改查

应用场景

分析、决策、服务于分析系统

业务交易、服务于业务系统

设计理论

反范式、有意引入冗余

严格遵循范式、避免冗余

处理量

非频繁、大批量、高吞吐、延迟高

频繁、小批次、高并发、低延迟

设计理念

面向主题设计、为分析数据而生

面向事务设计、为捕获数据而生

总结
OLTP和OLAP
OLTP 作为 OLAP的一种数据源，但不是唯一的数据源，当服务于线上业务使用时，比如报表、通过接口的方式提供服务等。OLAP计算的数据也会流向OLTP。OLTP=>OLAP=>OLTP 形成一个闭环，而不是单向的。
建模方式的选择
业务发展初期，维度建模，业务稳定，尤其重业务的公司，混合建模
数据库和数据仓库的区别
都是存储数据的。
数据库是基本的、日常的事务处理，例如银行交易。
数据仓库支持复杂的分析操作，侧重决策支持。不仅是一个存储引擎，也是一套数据组织和应用的方法论

原文链接：https://blog.csdn.net/hsl971105/article/details/108164044?utm_medium=distribute.pc_feed.none-task-blog-personrec_tag-6.nonecase&depth_1-utm_source=distribute.pc_feed.none-task-blog-personrec_tag-6.nonecase&request_id=5f442741cea070620e93fc67