大数据的整体见解

如何建设高效的数据模型体系，使数据易用，避免重复建设和数据不一致性，保证数据的规范性；如何提供高效易用的数据开发工具；如何做好数据质量保障；如何有效管理和控制日益增长的存储和计算消耗；如何保证数据服务的稳定，保证其性能；如何设计有效的数据产品高效赋能于外部客户和内部员工；这些都对大数据提出了更多复杂要求。
大数据的服务的服务体系主要分为数据采集，数据计算，数据服务和数据应用四大层次。

一个大数据交付项目的链路：
售前捕获商机，签订合同
业务分析师进行需求分析，业务分析
架构师进行架构，建模
高级数据标签开发，算法及pyspark
数据开发进行盘点，指标开发
业务分析或数开进行数据可视化
售后提供支持
运维及治理

数据采集
数据采集有埋点（其中埋点可分为埋点采集和无埋点采集），无埋点，爬虫（python,java）获得或者从业务库拉取。
pv:页面浏览量； uv：独立访客数
spu: 一类型商品 sku:最细商品
埋点的话就是借助埋点采集数据，在需要检测用户行为的地方加上一段代码，我们可以称之为capture模式，通过在客户端/服务端埋下确定的点采集数据上云，这种方式准确性与稳定性高，适合监控和分析，一般埋点往往有很多业务属性，方便对事件上进行业务属性拆解和下钻分析，可以较好从业务逻辑切入行为分析，帮助理解业务思路。
缺点：埋点缺点是跨部门的协作沟通；埋点不能回溯历史数据；埋点数量有限，许多用户行为数据可能缺失影响数据分析效率。
埋点适用场景：核心数据；需要长期监控和存储；业务属性丰富；数据稳定准确
一个完整的埋点方案需要具备四个要素：确定事件与变量；明确事件触发时机，规范命名，明确优先级。

无埋点不是不需要打代码，而是前端自动采集全部事件并上报所有的数据，无埋点使用record模式，只需要首次使用时加载一段SDK代码，即可全量实时的采集数据。埋点使用capture模式。
缺点：无埋点的缺点是部分业务维度无法采集;无法实现滑动；数据准确性受到开发框架，开发规范等影响。
无埋点适用场景：业务属性弱，交互属性强；数据使用周期短不需要长期监控；突发问题快速及时分析

数据计算
数据计算有阿里的dataworks，dataphin，华为云，腾讯云及自研计算平台进行数据计算。在其中进行计算（hive,spark,shell,pyspark）和数据整合管理（onedata）
加工链路（数据矩阵）
ods->stg->std->dim->dwd->dws->ads->mysql
然后进行可视化（帆软，tableau，datav,quickbi，python或自研可视化工具），用户画像，推荐系统，人群圈选，机器学习

数据服务
数据终点站mysql或宽表（Hbase,mogodb），也可将其放入云数据库（RDS）探后通过接口对外提供查询服务。

数据应用
搜索，推荐，广告，政企，金融，文娱，电商，保险，地产及工业信息化等等

数据同步
数据同步是采集后的数据进行上云，也叫数据集成，数据源来自不同系统库，可能有mysql,oracle，db2.sftp,ftp.等
ODBC/JDBC 等规定了统一规范的标准接口，不同的数据库基于这套标准接口提供规范的驱动，支持完全相同的函数调用和 SQL 实现或者封装实现。
同步包括全量同步（数据量较少），增量同步（数据量大），新增及变化同步（原来同步数据会发生变化）

数据建模
传统关系型数据库是ER模型，关系模型即范式
大数据要求维度建模，防止冗余
传统OLTP，大数据OLAP
面对爆炸式增长的数据，如何建设高效的数据模型和体系，避免重复建设和数据不一致性，保证数据的规范性， 一直是大数据系统建设不断追求的方向。OneData 即进行数据整合及管理的方法体系和工具。在这一体系下，构建统一 、规范、可共享的全域数据体系，避免数据的冗余和重复建设，规避数据烟囱和不一致性，充分发挥在大数据海量、多样性方面的独特优势。借助统一化数据整合及管理的方法体系，构建数据公共层，可以帮助相似的大数据项目快速落地实现。

数据仓库定义：数据仓库是一个面向主题的，集成的，非易失的且随时间变化的集合。
数据仓库是一个中央存储库，里面集中存储了某一个专一主题或功能区域的数据。
数据仓库不是数据的终点而是做准备，包括清洗，转义，重组，合并，拆分，统计
数据仓库-》数据中台-》数据湖（湖仓一体）