
怎么設(shè)計(jì)企業(yè)級(jí)大數(shù)據(jù)分析平臺(tái)?
傳統(tǒng)企業(yè)的OLAP幾乎都是基于關(guān)系型數(shù)據(jù)庫(kù),在面臨“大數(shù)據(jù)”分析瓶頸,甚至實(shí)時(shí)數(shù)據(jù)分析的挑戰(zhàn)時(shí),在架構(gòu)上如何應(yīng)對(duì)?本文試擬出幾個(gè)大數(shù)據(jù)OLAP平臺(tái)的設(shè)計(jì)要點(diǎn),意在拋磚引玉。
突破設(shè)計(jì)原則
建設(shè)企業(yè)的大數(shù)據(jù)管理平臺(tái)(Big Data Management Platform),第一個(gè)面臨的挑戰(zhàn)來(lái)自歷史數(shù)據(jù)結(jié)構(gòu),以及企業(yè)現(xiàn)有的數(shù)據(jù)庫(kù)設(shè)計(jì)人員的觀念、原則。數(shù)據(jù)關(guān)系、ACID在關(guān)系數(shù)據(jù)庫(kù)幾十年的統(tǒng)治時(shí)期是久得人心,不少開(kāi)發(fā)人員都有過(guò)為文檔、圖片設(shè)計(jì)數(shù)據(jù)表,或?qū)⑽臋n、圖片序列化為二進(jìn)制文件存入關(guān)系數(shù)據(jù)庫(kù)的經(jīng)歷。在BDMP之上,我們需要對(duì)多種不同的格式的數(shù)據(jù)進(jìn)行混合存儲(chǔ),這就必須意識(shí)到曾經(jīng)的原則已經(jīng)不再適用——One size dosen’t fit all,新的原則——One size fits a bunch.
以下是我列出的一些NoSQL數(shù)據(jù)庫(kù)在設(shè)計(jì)上的模式:
文檔數(shù)據(jù)庫(kù):數(shù)據(jù)結(jié)構(gòu)是類(lèi)JSON,可以使用嵌入(Embed)或文檔引用(Reference)的方式來(lái)為兩個(gè)不同的文檔對(duì)象建立關(guān)系;
列簇?cái)?shù)據(jù)庫(kù):基于查詢(xún)進(jìn)行設(shè)計(jì),有寬行(Wild Rows)和窄行(Skinny Rows)的設(shè)計(jì)決策;
索引數(shù)據(jù)庫(kù):基于搜索進(jìn)行設(shè)計(jì),在設(shè)計(jì)時(shí)需要考慮對(duì)對(duì)每個(gè)字段內(nèi)容的處理(Analysis)。
搜索和查詢(xún)的區(qū)別在于,對(duì)返回內(nèi)容的排序,搜索引擎?zhèn)戎赜谖谋痉治龊完P(guān)鍵字權(quán)重的處理上,而查詢(xún)通常只是對(duì)數(shù)據(jù)進(jìn)行單列或多列排序返回即可。
數(shù)據(jù)存儲(chǔ)的二八原則
不少企業(yè)在解決海量數(shù)據(jù)存儲(chǔ)的問(wèn)題上,要么是把關(guān)系數(shù)據(jù)庫(kù)全部往Hadoop上一導(dǎo)入,要么是把以前的非結(jié)構(gòu)化數(shù)據(jù)如日志、點(diǎn)擊流往NoSQL數(shù)據(jù)庫(kù)中寫(xiě)入,但最后往往發(fā)現(xiàn)前者還是無(wú)法解決大數(shù)據(jù)分析的性能瓶頸,后者也無(wú)法回答數(shù)據(jù)如何發(fā)揮業(yè)務(wù)價(jià)值的問(wèn)題。
在數(shù)據(jù)的價(jià)值和使用上,其實(shí)也存在著二八原則:
20%的數(shù)據(jù)發(fā)揮著80%的業(yè)務(wù)價(jià)值;
80%的數(shù)據(jù)請(qǐng)求只針對(duì)20%的數(shù)據(jù)。
目前來(lái)看,不管是數(shù)據(jù)存儲(chǔ)處理、分析還是挖掘,最完整和成熟的生態(tài)圈還是基于關(guān)系型數(shù)據(jù)庫(kù),比如報(bào)表、聯(lián)機(jī)分析等工具;另外就是數(shù)據(jù)分析人員更偏重于查詢(xún)分析語(yǔ)言如SQL、R、Python數(shù)據(jù)分析包而不是編程語(yǔ)言。
企業(yè)大數(shù)據(jù)平臺(tái)建設(shè)的二八原則是,將20%最有價(jià)值的數(shù)據(jù)——以結(jié)構(gòu)化的形式存儲(chǔ)在關(guān)系型數(shù)據(jù)庫(kù)中供業(yè)務(wù)人員進(jìn)行查詢(xún)和分析;而將80%的數(shù)據(jù)——以非結(jié)構(gòu)化、原始形式存儲(chǔ)在相對(duì)廉價(jià)的Hadoop等平臺(tái)上,供有一定數(shù)據(jù)挖掘技術(shù)的數(shù)據(jù)分析師或數(shù)據(jù)工程師進(jìn)行下一步數(shù)據(jù)處理。經(jīng)過(guò)加工的數(shù)據(jù)可以以數(shù)據(jù)集市或數(shù)據(jù)模型的形式存儲(chǔ)在NoSQL數(shù)據(jù)庫(kù)中,這也是后面要講到的“離線”與“在線”數(shù)據(jù)。
理解企業(yè)的數(shù)據(jù)處理需求
數(shù)據(jù)庫(kù)到數(shù)據(jù)倉(cāng)庫(kù),是事務(wù)型數(shù)據(jù)到分析型數(shù)據(jù)的轉(zhuǎn)變,分析型數(shù)據(jù)需要包括的是:分析的主題、數(shù)據(jù)的維度和層次,以及數(shù)據(jù)的歷史變化等等。而對(duì)大數(shù)據(jù)平臺(tái)來(lái)說(shuō),對(duì)分析的需求會(huì)更細(xì),包括:
查詢(xún):快速響應(yīng)組合條件查詢(xún)、模糊查詢(xún)、標(biāo)簽
搜索:包括對(duì)非結(jié)構(gòu)化文檔的搜索、返回結(jié)果的排序
統(tǒng)計(jì):實(shí)時(shí)反映變化,如電商平臺(tái)的在線銷(xiāo)售訂單與發(fā)貨計(jì)算出的庫(kù)存顯示
挖掘:支持挖掘算法、機(jī)器學(xué)習(xí)的訓(xùn)練集
針對(duì)不同的數(shù)據(jù)處理需求,可能需要設(shè)計(jì)不同的數(shù)據(jù)存儲(chǔ),還需要考慮如何快速地將數(shù)據(jù)復(fù)制到對(duì)應(yīng)的存儲(chǔ)點(diǎn)并進(jìn)行合適的結(jié)構(gòu)轉(zhuǎn)換,以供分析人員快速響應(yīng)業(yè)務(wù)的需求。
離線數(shù)據(jù)與在線數(shù)據(jù)
根據(jù)不同的企業(yè)業(yè)務(wù),對(duì)“離線”的定義其實(shí)不一樣,在這里離線數(shù)據(jù)特指在業(yè)務(wù)場(chǎng)景中適用于“歷史數(shù)據(jù)”的部分。常見(jiàn)的歷史數(shù)據(jù)查詢(xún)分析一般來(lái)自于特定時(shí)間段,設(shè)計(jì)上需要考慮的是將數(shù)據(jù)存入歷史庫(kù)中時(shí),建立時(shí)間索引。另一種情況是某種業(yè)務(wù)問(wèn)題的定位或分析,在數(shù)據(jù)量巨大的情況下,基于Hadoop或Spark等框架編寫(xiě)分析算法并直接在平臺(tái)上運(yùn)行,可以大大節(jié)約數(shù)據(jù)導(dǎo)出導(dǎo)入、格式轉(zhuǎn)換與各種分析工具對(duì)接的時(shí)間。
在線數(shù)據(jù)處理按照存儲(chǔ)和分析的先后順序,可分為批處理(先存儲(chǔ)后分析)和流處理(先分析后存儲(chǔ))兩類(lèi)。Cassandra數(shù)據(jù)庫(kù)的設(shè)計(jì)采用上數(shù)據(jù)追加寫(xiě)入模式,可以支持實(shí)時(shí)批處理;流式計(jì)算平臺(tái)則有Apache Storm、Yahoo S4等開(kāi)源框架,商業(yè)平臺(tái)有Amazon Kenisis(部署在云端)。企業(yè)的實(shí)時(shí)分析需求往往有特定的應(yīng)用場(chǎng)景,需要對(duì)業(yè)務(wù)和現(xiàn)行系統(tǒng)有深入的理解才能設(shè)計(jì)出一個(gè)合理的架構(gòu)。
數(shù)據(jù)分析咨詢(xún)請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
LSTM 模型輸入長(zhǎng)度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長(zhǎng)序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報(bào)考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計(jì)的實(shí)用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶(hù) ...
2025-07-11尊敬的考生: 您好! 我們誠(chéng)摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實(shí)施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價(jià)值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡(jiǎn)稱(chēng) BI)深度融合的時(shí)代,BI ...
2025-07-10SQL 在預(yù)測(cè)分析中的應(yīng)用:從數(shù)據(jù)查詢(xún)到趨勢(shì)預(yù)判? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代,預(yù)測(cè)分析作為挖掘數(shù)據(jù)潛在價(jià)值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢(xún)結(jié)束后:分析師的收尾工作與價(jià)值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢(xún)結(jié)束)并非工作的終點(diǎn),而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報(bào)考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭(zhēng)搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢(shì)性檢驗(yàn):捕捉數(shù)據(jù)背后的時(shí)間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢(shì)性檢驗(yàn)如同一位耐心的偵探,專(zhuān)注于從單 ...
2025-07-09year_month數(shù)據(jù)類(lèi)型:時(shí)間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時(shí)間是最不可或缺的維度之一,而year_month數(shù)據(jù)類(lèi)型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實(shí)戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗(yàn):數(shù)據(jù)趨勢(shì)與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢(shì)變化以及識(shí)別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國(guó)內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對(duì)策略? 長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨(dú)特的門(mén)控機(jī)制,在 ...
2025-07-07統(tǒng)計(jì)學(xué)方法在市場(chǎng)調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場(chǎng)調(diào)研是企業(yè)洞察市場(chǎng)動(dòng)態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計(jì)學(xué)方法則是市場(chǎng)調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書(shū)考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動(dòng)力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專(zhuān)業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動(dòng)力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開(kāi)啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價(jià)值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03