大数据的底表是什么意思

A. 商业智能bi，大数据，传统报表，数据分析有何区别

作者：胡海
链接：https://www.hu.com/question/56839362/answer/151311039
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

BI(BusinessIntelligence)即商业智能，它是一套完整的解决方案，用来将企业中现有的数据进行有效的整合，快速准确的提供报表并提出决策依据，帮助企业做出明智的业务经营决策。
标签：ETL、数据仓库、OLAP、可视化报表
BI工具：Tableau、Qlikview、帆软大数据BI ——FineBI
技术发展方向：自助式BI（工具简单易用）、移动BI、云BI（SAAS级）；数据挖掘技术、R语言等分析语言的结合，拓展专业数据分析的功能
大数据(Big Data)是指在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。
标签：Hadoop、MPP、HDFS、MapRece、流处理等。
大数据工具：Hadoop、HPCC、Cloudera 、Storm、Apache Drill等等
技术发展方向：内存技术、机器科学、预测分析、关系挖掘
传统报表就是用于展示固定格式的报表，可以是业务报表也可以是分析报表。形式上可以用表格、图表等格式来动态显示数据。
标签：表格、填报、Dashboard、行式报表、分组报表、交叉报表等。
报表工具：帆软报表FineReport、Excel高级功能、水晶报表
技术发展方向：近年来报表有向BI方向发展的趋势
数据分析是运用各种统计方法将数据进行剖析，最大化地发现数据价值，以发挥数据的作用。说白了就是基于数据事实找出规律的方法。

B. 大数据分析基础——维度模型

维度模型的概念出自于数据仓库领域，是数据仓库建设中的一种数据建模方法。维度模型主要由事实表和维度表这两个基本要素构成。

维度是度量的环境，用来反映业务的一类属性 ， 这类属性的集合构成一个维度 ， 也可以称为实体对象。 维度属于一个数据域，如地理维度(其中包括国家、地区、 省以及城市等级别的内容)、时间维度(其中包括年、季、月、周、日等级别的内容)。

维度是维度建模的基础和灵魂。在维度建模中，将度量称为“事实” ， 将环境描述为“维度”，维度是用于分析事实所需要的多样环境。例如， 在分析交易过程时，可以通过买家、卖家、商品和时间等维度描述交易发生的环境。

维度所包含的表示维度的列，称为维度属性。维度属性是查询约束条件、分组和报表标签生成的基本来源，是数据易用性的关键。

事实表是维度模型的基本表，每个数据仓库都包含一个或者多个事实数据表。事实数据表可能包含业务销售数据，如销售商品所产生的数据，与软件中实际表概念一样。

事实表作为数据仓库维度建模的核心，紧紧围绕着业务过程来设计，通过获取描述业务过程的度量来表达业务过程，包含了引用的维度和与业务过程有关的度量。

事实表中一条记录所表达的业务细节程度被称为粒度。通常粒度可以通过两种方式来表述:一种是维度属性组合所表示的细节程度:一种是所表示的具体业务含义。

作为度量业务过程的事实，一般为整型或浮点型的十进制数值，有可加性、半可加性和不可加性三种类型。

相对维度来说，通常事实表要细长，行的增加速度也比维度表快的多，维度表正好相反。

事实表有三种类型 :

原子指标和度量含义相同，基于某一业务事件行为下的度量，是业务定义中不可 再拆分的指标，具有明确业务含义的名词 ，如支付金额。

事实表和维度交叉汇聚的点，度量和维度构成OLAP的主要概念，这里面对于在事实表或者一个多维立方体里面存放的数值型的、连续的字段，就是度量。

维度表是事实表不可分割的部分。维度表是进入事实表的入口。丰富的维度属性给出了丰富的分析切割能力。维度给用户提供了使用数据仓库的接口。最好的属性是文本的和离散的。属性应该是真正的文字而不应是一些编码简写符号。应该通过用更为详细的文本属性取代编码，力求最大限度地减少编码在维度表中的使用。

维度表和事实表二者的融合也就是“维度模型”，“维度模型”一般采用“星型模式”或者“雪花模式”，“雪花模式”可以看作是“星型模式”的拓展，表现为在维度表中，某个维度属性可能还存在更细粒度的属性描述，即维度表的层级关系。

维度属性也可以存储到事实表中，这种存储到事实表中的维度列被称为“退化维度”。与其他存储在维表中的维度一样 ，退化维度也可以用来进行事实表的过滤查询、实现聚合操作等。

下表显示的是一个维度（“城市”）和两个指标（“会话数”和“每次会话浏览页数”）。

维度中的一些描述属性以层次方式或一对多的方式相互关联，可以被理解为包含连续主从关系的属性层次。比如商品类目的最低级别是叶子类目，叶子类目属于二级类目，二级类目属于一级类目。在属性的层次结构中进行钻取是数据钻取的方法之一。

当属性层次被实例化为一系列维度，而不是单一的维度时，被称为雪花模式。

大多数联机事务处理系统( OLTP)的底层数据结构在设计时采用此种规范化技术，通过规范化处理将重复属性移至其自身所属的表中，删除冗余数据。

将维度的属性层次合并到单个维度中的操作称为反规范化。分析系 统的主要目的是用于数据分析和统计，如何更方便用户进行统计分析决 定了分析系统的优劣。采用雪花模式，用户在统计分析的过程中需要 大 量的关联操作，使用复杂度高，同时查询性能很差;而采用反规范化处 理，则方便、易用且性能好。

数据仓库总线架构的重要基石之一就是一致性维度。在针对不同数 据域进行迭代构建或并行构建时，存在很多需求是对于不同数据域的业 务过程或者同 一数据域的不同业务过程合并在 一起观察。比如对于日志数据域，统计了商品维度的最近一天的 PV 和 UV; 对于交易数据域， 统计了商品维度的最近一天的下单MV。现在将不同数据域的商品的 事实合并在一起进行数据探查 ，如计算转化率等，称为交叉探查。

我们先来看数据仓库的定义: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数据集合，用来支持管理人员的决策。

数据由面向应用的操作型环境进人数据仓库后，需要进行数据 集成。将面向应用的数据转换为面向主题的数据仓库数据，本身就是一种集成。

具体体现在如下几个方面:

表级别的整合，有两种表现形式。

水平拆分
维度通常可以按照类别或类型进行细分。由于维度分类的不同而存在特殊的维度属性，可以通过水平拆分的方式解决此问题。

在设计过程中需要重点考虑以下三个原则。

根据数据模型设计思想，在对维度进行水平拆分时，主要考虑如下两个依据。

垂直拆分
在维度设计内容中，我们提到维度是维度建模的基础和灵魂，维度 属性的丰富程度直接决定了数据仓库的能力。在进行维度设计时，依据 维度设计的原则，尽可能丰富维度属性，同时进行反规范化处理。

某些维度属性的来源表产出时间较早，而某些维度属性的来 源 表产出时间较晚;或者某些维度属性的热度高、使用频繁，而某些维度属性的热度低、较少使用 ; 或者某些维度属性经常变化，而某些维度属性比较稳定。在“水平拆分”中提到的模型设计的三个原则同样适合解决此问题。

出于扩展性、产出时间、易用性等方面的考虑，设计 主从维度。主 维表存放稳定 、 产出时间早、热度高的属性;从维表存放变化较快、产 出时间晚、热度低的属性。

参考
《The Data Warehouse Toolkit-The Complete Guide to Dimensional Modeling》
《Google Analytics》
《大数据之路》

欢迎关注 高广超的博客 与 收藏文章 ！
欢迎关注 头条号：互联网技术栈 ！

C. 什么是大数据 大数据是什么意思

大数据是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。

从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘。但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。

(3)大数据的底表是什么意思扩展阅读

大数据的价值体现在以三方面：

1、对大量消费者提供产品或服务的企业可以利用大数据进行精准营销；

2、做小而美模式的中小微企业可以利用大数据做服务转型；

3、面临互联网压力之下必须转型的传统企业需要与时俱进充分利用大数据的价值。

D. 什么是大数据,通俗的讲

有人说大数据技术是第四次技术革命，这个说法其实不为过。
很多人只是听过大数据这个词或者是简单知道它是什么，那么它是什么呢，在这里就通俗点来说一下个人对大数据的理解。
大数据，很明显从字面上理解就是大量的数据，海量的数据。大，意思就是数据的量级很大，不上TB都不好意思说是大数据。数据，狭义上理解就是12345那么些数据，毕竟计算机底层是二进制来存的，那么在大数据领域，数据就不仅仅包括数字这些，它可以是所有格式的东西，比如日志，音频视频，文件等等。
所以，大数据从字面上理解就是海量的数据，技术上它包括这些海量数据的采集，过滤，清洗，存储，处理，查看等等部分，每一个部分包括一些大数据的相关技术框架来支持。
举个例子，淘宝双十一的总交易额的显示，后面就是大数据技术的支持，全国那么多淘宝用户的交易记录汇聚到一起，数据量很大，而且要做到实时的展现，就需要强有力的大数据技术来处理了。
数据量一大，那么得找地方来存，一个服务器硬盘可以挂多少，肯定满足不了这么大的数据量存储啊，所以，分布式的存储系统应运而生，那就是HDFS分布式文件系统。简单的说，就是把这么大的数据分开存在甚至几百甚至几千台服务器上，那么管理他们的系统就是HDFS文件系统，也是大数据技术的最基本的组件。
有地方存了，需要一些分布式的数据库来管理查询啊，那就有了Hbase等，还需要一些组件来计算分析这些数据啊，maprece是最基本的计算框架，其他的计算框架Spark和Storm可以完成实时的处理，其中HDFS和MapRece组成了Hadoop1.
总之，一切都是数据。我们的历史，是不是都是大量的数据保存下来的，现在我们也是大数据的生活，天天有没有接到骚扰电话还知道你姓什么，你查话费什么的从几亿人的数据中查到你的信息，大数据生活。未来，大数据将更深刻的渗透到生活中。