我在这里整理一个表格不同时代数据源的差异性（备注可能整理的有点不全）：数据平台的用户：总结下来互联网的数据平台“服务”方式迭代演进大约可以分为三个阶段。阶段一：约在2008年-2011年初的互联网数据平台，那时建设与使用上与非互联网数据平台有这蛮大的相似性，主要相似点在数据平台的建设角色、与使用到的技术上。老板们、运营的需求主要是依赖于报表、分析报告、临时需求、商业智能团队的数据分析师去各种分析、临时需求、挖掘，这些角色是数据平台的适用方。ETL开发工程师、数据模型建模、数据架构师、报表设计人员，同时这些角色又是数据平台数据建设与使用方。数据平台的技术框架与工具实现主要有技术架构师、JAVA开发等。用户面对是结构化的生产数据、PC端非结构化log等数据。ELT的数据处理方式（备注在数据处理的方式上，由传统企业的ETL基本进化为ELT）。现在的淘宝是从2004年开始构建自己的数据仓库，2004年是采用DELL的6650单节点、到2005年更换为IBM的P550再到2008年的12节点Rac环境。在这段时间的在IBM、EMC、Oracle身上的投入巨大(备注：对这段历史有兴趣可以去度娘：“【深度】阿里巴巴的技术发展路径“)。数据本身没有意义，数据只有对实体行为产生影响时才成为信息。青羊区商业地产数据海
在计算上则以分布式计算为主提高数据的操作性能c.实时数仓是近几年提出的一种数仓架构，与离线数仓方案有相似之处，不同之处在于数据是实时的。这也是整个大数据从离线分布式计算迈向实时流计算过程中产生的。但个人认为实时数仓方案还有很多不成熟的地方，在业务场景中还是有很多局限性d.对于Lambda数仓架构，Kappa数仓架构，混合数仓架构这些架构更多的是应对与特定场景，这类数仓架构方案不具备一定的通用性.数仓的逻辑分层.数仓的设计步骤与原则a.业务场景调研需要明确业务场景的分类，比如行业类大概有电商场景，电信运营商场景，社交场景等等，这些场景不同带来的是需求不同，需求不同则带来的是模型之间的差异化b.需求调研不同的场景不同的需求，比如很多企业的数仓更多是服务于数据可视化BI,有的服务于应用系统，有的服务于C端。这些业务需求在统计、用户画像，推荐上等等的功能都有差异化c.模型调研根据实际业务场景，将业务侧对齐，遵循关系型数据库建模方式，从概念模型（cdm）->逻辑模型（ldm）->物理模型（pdm）建模套路，是一个从抽象到具体的一个不断细化完善的分析，设计和开发的过程。经典抽象建模四步骤:选择业务过程->声明粒度->。高新区大数据价格数据分析成为大数据技术的重点。
线上行为数据：页面数据、交互数据、表单数据、会话数据等。▷内容数据：应用日志、电子文档、机器数据、语音数据、社交媒体数据等。大数据的主要来源：商业数据互联网数据传感器数据数据采集与大数据采集区别传统数据采集来源单一，数据量相对于大数据较小结构单一关系数据库和并行数据仓库大数据的数据采集来源，数据量巨大数据类型丰富，包括结构化，半结构化，非结构化分布式数据库传统数据采集的不足传统的数据采集来源单一，且存储、管理和分析数据量也相对较小，大多采用关系型数据库和并行数据仓库即可处理。对依靠并行计算提升数据处理速度方面而言，传统的并行数据库技术追求高度一致性和容错性，根据CAP理论，难以保证其可用性和扩展性。大数据采集新的方法▷系统日志采集方法很多互联网企业都有自己的海量数据采集工具，多用于系统日志采集，如Hadoop的Chukwa，Cloudera的Flume，Facebook的Scribe等，这些工具均采用分布式架构，能满足每秒数百MB的日志数据采集和传输需求。网络数据采集方法网络数据采集是指通过网络爬虫或网站公开API等方式从网站上获取数据信息。该方法可以将非结构化数据从网页中抽取出来，将其存储为统一的本地数据文件。
这个数据仓库平台计划三年的时间构建完毕，第一阶段计划构建统统一生性周期视图、客户统一视图的数据，完成对数据质量的摸底与部分实施为业务分析与信息共享提供基础平台。第二阶段是完成主要业务数据集成与视图统一，初步实现企业绩效管理。第三阶段完善企业级数据仓库，实现业务的数据统一。这个是国内某银行的一套数据集市，这是一个典型数据集市的架构模式、面向客户经理部门的考虑分析。数据仓库混合性架构(Cif)这是太平洋保险的数据平台，目前为止我认识的很多人都在该项目中呆过，当然是保险类的项目。回过头来看该平台架构显然是一个混合型的数据仓库架构。它有混合数据仓库的经典结构，每一个层次功能定义的非常明确。新一代架构OPDM操作型数据集市(仓库)OPDM大约是在2011年提出来的，严格上来说，OPDM操作型数据集市（仓库）是实时数据仓库的一种，他更多的是面向操作型数据而非历史数据查询与分析。数据模型”数据模型“这个词只要是跟数据沾边就会出现的一个词。在构建过程中，有一个角色理解业务并探索分散在各系统间的数据，并通过某条业务主线把这些分散在各角落的数据串联并存储同时让业务使用，在设计时苦逼的地方除了考虑业务数据结构要素外。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。
数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求比较大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。 数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。数据也称为观测值，是实验、测量、观察、调查等的结果。数据分析中所处理的数据分为定性数据和定量数据。只能归入某一类而不能用数值进行测度的数据称为定性数据。定性数据中表现为类别，但不区分顺序的，是定类数据，如性别、品牌等；定性数据中表现为类别，但区分顺序的，是定序数据，如学历、商品的质量等级等。近10年来，大数据相关技术、产品、应用和标准快速发展。龙泉驿区市场数据调研
数据是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。青羊区商业地产数据海
还得考虑可操作性、约束性（备注约束性是完成数据质量提升的一个关键要素，未来新话题主题会讨论这些），这个既要顾业务、数据源、合理的整合的角色是数据模型设计师，又叫数据模型师。平台中模型设计所关注的是企业分散在各角落数据、未知的商业模式与未知的分析报表，通过模型的步骤，理解业务并结合数据整合分析，建立数据模型为Datacleaning指定清洗规则、为源数据与目标提供ETLmapping（备注：ETL代指数据从不同源到数据平台的整个过程，ETLMapping可理解为数据加工算法，给数码看的，互联网与非互联网此处差异性也较为明显，非互联网数据平台对ETL定义与架构较为复杂）支持、理清数据与数据之间的关系。（备注：Datacleaning是指的数据清洗数据质量相关不管是在哪个行业，是令人的问题，分业务域、技术域的数据质量问题，需要通过事前盘点、事中监控、事后调养，有机会在阐述）。大家来看一张较为严谨的数据模型关系图：数据模型是整个数据平台的数据建设过程的导航图。有利于数据的整合。数据模型是整合各种数据源指导图，对现有业务与数据从逻辑层角度进行了描述，通过数据模型，可以建立业务系统与数据之间的映射与转换关系。排除数据描述的不一致性。青羊区商业地产数据海
成都达智咨询股份有限公司是一家有着雄厚实力背景、信誉可靠、励精图治、展望未来、有梦想有目标，有组织有体系的公司，坚持于带领员工在未来的道路上大放光明，携手共画蓝图，在四川省等地区的商务服务行业中积累了大批忠诚的客户粉丝源，也收获了良好的用户口碑，为公司的发展奠定的良好的行业基础，也希望未来公司能成为*****，努力为行业领域的发展奉献出自己的一份力量，我们相信精益求精的工作态度和不断的完善创新理念以及自强不息，斗志昂扬的的企业精神将**成都达智咨询供应和您一起携手步入辉煌，共创佳绩，一直以来，公司贯彻执行科学管理、创新发展、诚实守信的方针，员工精诚努力，协同奋取，以品质、服务来赢得市场，我们一直在路上！