数据仓库【多维分析】

  

目录

1、BI

1.1 BI 技术

2、OLAP基本操作和类型

2.1 OLAP基本操作

2.2 OLAP分类

3、OLAP数据库选型

3.1 Presto

3.1.1 概念

3.1.2 presto架构（master+slaver模式）

3.1.3 Presto应用场景

3.2 Druid 

3.2.1 概念

3.2.2 Druid架构

3.2.3 基本特点

3.2.4 应用场景

3.2.5 Druid案例

3.3 Kylin

3.3.1 概述

3.3.2 kylin特性

3.3.3 kylin生态圈

4、Clickhouse 

4.1 概述

4.2 场景特征

4.3 clickhouse自身限制

---

    数据应用，是真正体现数仓价值的部分，包括且又不局限于 数据可视化、BI、OLAP、即席查询，实时大屏，用户画像，推荐系统，数据分析，数据挖掘，人脸识别，风控反欺诈，ABtest等等。

​​​​​​​   ​​​​​​​ 本文侧重于数据应用之BI可视化和OLAP技术选型。

1、BI

1.1 BI 技术

    大数据时代商业智能（BI）和数据可视化诉求更为强烈，淘宝大屏更是风靡全球！数据可视化是大数据『最后一公里』。

1.2 BI分类

    统看业界可视化BI工具可大致分为：开源bi，商业bi，和传统重bi工具。

    业界目前比较流行的开源bi工具有Superset、metabase、Redash、Cboard、Spagobi等，商业bi工具有帆软、tableau、PowerBI、SmartBI、QlinkView、QuickBI等，传统企业、传统数仓，大多依然沿用重bi产品，如Congos、BIEE、BO、MicroStrategydeng等。

2、OLAP基本操作和类型

    OLAP，On-Line Analytical Processing，在线分析处理，主要用于支持企业决策管理分析。区别于OLTP，On-Line Transaction Processing，联机事务处理。

    OLAP的优势：丰富的数据展现方式、高效的数据查询以及多视角多层次的数据分析。

    数据仓库与OLAP的关系是互补的，现代OLAP系统一般以数据仓库作为基础，即从数据仓库中抽取详细数据的一个子集并经过必要的聚集存储到OLAP存储器中供前端分析工具读取。

2.1 OLAP基本操作

OLAP的多维分析操作包括：钻取（Drill-down）、上卷（Roll-up）、切片（Slice）、切块（Dice）以及旋转（Pivot）。