大数据领域 数据管理工具 的概念区分

这篇文章的写作契机是疑惑大数据和数据仓库的关系，于是参考多篇文章，总结记录大数据领域数据管理工具相关的概念，旨在从多个角度区分概念加深理解，是系统化学习大数据和数据仓库理论的宏观基础。

1. 定义

1.1 大数据

虽然大数据这个概念是最近才提出的，但大型数据集的起源却可追溯至 1960 - 70 年代。当时数据世界正处于萌芽阶段，全球第一批数据中心和首个关系数据库便是在那个时代出现的。2005 年左右，人们开始意识到用户在使用 Facebook、YouTube 以及其他在线服务时生成了海量数据。同一年，专为存储和分析大型数据集而开发的开源框架 Hadoop 问世，NoSQL 也在同一时期开始慢慢普及开来。
Hadoop 及后来 Spark 等开源框架的问世对于大数据的发展具有重要意义，正是它们降低了数据存储成本，让大数据更易于使用。在随后的几年中，大数据的数量呈现出爆炸式增长。用户目前仍在持续生成海量数据，但并非只有人类在产生数据。随着物联网 (IoT) 的兴起，如今越来越多的设备接入了互联网，它们大量收集客户的使用模式和产品性能数据，而机器学习的出现也进一步加速了数据量的增长。
大数据的定义：大量（Volume）、高速（Velocity）涌现的多样（Variety）、有价值（Value）、真实（Veracity）的数据。这一定义还表明大数据具有 5V 特性。

1.2 数据仓库

数据仓库（Data warehouse，DW/DWH）是上世纪 90 年代就已经出现的概念，其出现的背景是企业的信息化及伴随着各种信息系统的出现如 CRM、ERP等，是在数据库已经大量存在的情况下，为了进一步挖掘数据资源、为了决策需要而产生的。
Bill Inmon的定义接受度最广：数据仓库是面向主题的、集成的、反应时间变化的、相对稳定的数据集合，用于支持管理决策。它包括了ETL、调度、建模在内的完整的理论体系。数据仓库的方案建设的目的，是为前端查询和分析做基础，其主要功能是将组织透过资讯系统之联机事务处理(OLTP)经年累月所累积的大量资料，透过数据仓库理论所特有的资料储存架构，作一有系统的分析整理，以利各种分析方法如联机分析处理(OLAP)、数据挖掘(Data Mining)之进行，并进而支持如决策支持系统(DSS)、主管资讯系统(EIS)之创建，帮助决策者能快速有效的自大量资料中，分析出有价值的资讯，以利决策拟定及快速回应外在环境变动，帮助建构商业智能(BI)。目前使用Hive构建数据仓库的比较多。

• 所谓主题：是指用户使用数据仓库进行决策时所关心的重点方面，如：收入、客户、销售渠道等；所谓面向主题，是指数据仓库内的信息是按主题进行组织的，而不是像业务支撑系统那样是按照业务功能进行组织的
• 所谓集成：是指数据仓库中的信息不是从各个业务系统中简单抽取出来的，而是经过一系列加工、整理和汇总的过程，因此数据仓库中的信息是关于整个企业的一致的全局信息
• 所谓随时间变化：是指数据仓库内的信息并不只是反映企业当前的状态，而是记录了从过去某一时点到当前各个阶段的信息。通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测

1.3 数据库

数据库是按照数据结构来组织、存储和管理数据的仓库。是一个长期存储在计算机内的、有组织的、可共享的、统一管理的大量数据的集合。
一般而言，我们所说的数据库指的是数据库管理系统，并不单指一个数据库实例。
根据数据存储的方式不同，可以将数据库分为三类：分别为行存储、列存储、行列混合存储，其中行存储的数据库代表产品有Oracle、MySQL、PostgresSQL等；列存储的数据代表产品有Greenplum、HBASE、Teradata等；行列混合存储的数据库代表产品有TiDB，ADB for Mysql等。

1.4 数据中台

阿里巴巴于2017年云栖大会正式对外提出数据中台概念，数据中台的出现，就是为了弥补数据开发和应用开发之间，由于开发速度不匹配，出现的响应力跟不上的问题。中台不是一个产品，而与业务强相关。广义上来给数据中台一个企业级的定义：“聚合和治理跨域数据，将数据抽象封装成服务，提供给前台以业务价值的逻辑概念”。

数据中台是指通过企业内外部多源异构的数据采集、治理、建模、分析，应用，使数据对内优化管理提高业务，对外可以数据合作价值释放，成为企业数据资产管理中枢。数据中台建立后，会形成数据API，为企业和客户提供高效各种数据服务。

数据中台整体技术架构上采用云计算架构模式，将数据资源、计算资源、存储资源充分云化，并通过多租户技术进行资源打包整合，并进行开放，为用户提供“一站式”数据服务。
利用大数据技术，对海量数据进行统一采集、计算、存储，并使用统一的数据规范进行管理，将企业内部所有数据统一处理形成标准化数据，挖掘出对企业最有价值的数据，构建企业数据资产库，提供一致的、高可用大 数据服务。
数据中台不是一套软件，也不是一个信息系统，而是一系列数据组件的集合，企业基于自身的信息化建设基础、数据基础以及业务特点对数据中台的能力进行定义，基于能力定义利用数据组件搭建自己的数据中台。

1.5 数据湖

维基百科对数据湖的定义
数据湖（Data Lake）是一个存储企业的各种各样原始数据的大型仓库，其中的数据可供存取、处理、分析及传输。数据湖是以其自然格式存储的数据的系统或存储库，通常是对象blob或文件。数据湖通常是企业所有数据的单一存储，包括源系统数据的原始副本，以及用于报告、可视化、分析和机器学习等任务的转换数据。数据湖可以包括来自关系数据库（行和列）的结构化数据，半结构化数据（CSV，日志，XML，JSON），非结构化数据（电子邮件，文档，PDF）和二进制数据（图像，音频，视频）。
目前，Hadoop是最常用的部署数据湖的技术，所以很多人会觉得数据湖就是Hadoop集群。数据湖是一个概念，而Hadoop是用于实现这个概念的技术。

2. 区别与联系

2.1 大数据与数据仓库

大数据是一种技术手段；数据仓库是一个存放数据的集合。大数据会涉及到各种工具，离线计算：Hadoop、Hive…，实时计算：flink,storm,spark,kafka…

1、用途和价值不同
数据仓库相对用途比较单一，主要用于支持管理决策，多服务于各种 BI 报表、仪表盘、自助分析等应用。
大数据用途非常广泛，除了决策支持外，还常见于互联网搜索、市场营销、实时计算、物联网、机器学习等各种新型应用中。

2、处理的数据量与类型不同
数据仓库是小数据时代的产物，且主要用于结构化数据的分析，一般处理的数据量从 GB 至 TB 不等。数据来源包括企业的各种信息化系统，如ERP、CRM、SCM、MES…
大数据是互联网时代的产物，用于海量的各种类型的数据存储、处理与分析，包含结构化、半结构化、非结构化的数据，其处理的数据量一般起始以 TB 为单位，PB 也非常常见。其数据来源非常广泛，包括企业的信息系统、在线网站、物联网设备、网络爬虫、甚至第三方购买数据。

3、技术与产品成熟度不同
数据仓库发展了这么多年，技术与产品相对较为成熟，且有完整的建设方法论。技术上大多以大规模并行处理（MPP）、内存计算、列式存储为核心，产品上以 Teradata, Oracle, Vertica, Greenplum, SAP BW 等为代表。
大数据技术经过10多年的发展，尽管以 Hadoop 为代表的大数据生态圈已经非常繁荣，在技术上拥有出色的可扩展性，包含了丰富的各式数据处理引擎或框架，但相比数据仓库，其技术与产品的成熟度还相对欠缺，企业的大数据平台往往需要大量优秀的大数据人才进行开发和运维。
数据仓库与大数据的区别

大数据技术的发展把数据仓库带入了一个新的发展阶段，新一代的企业数据仓库越来越多的基于大数据技术构建，在向海量、实时、弹性、应用场景丰富等方向发展。在此过程中，涌现了一批优秀的国产大数据开源技术，比如 Apache Kylin, Apache Doris，RocketMQ 等。
一文读懂大数据环境下的数据仓库建设

2.2 数据仓库与数据库

数据库与数据仓库的区别实际讲的是 OLTP 与 OLAP 的区别。
操作型处理，叫联机事务处理 OLTP（On-Line Transaction Processing），也可以称面向交易的处理系统，它是针对具体业务在数据库联机的日常操作，通常对少数记录进行查询、修改。用户较为关心操作的响应时间、数据的安全性、完整性和并发支持的用户数等问题。传统的数据库系统作为数据管理的主要手段，主要用于操作型处理。
分析型处理，叫联机分析处理 OLAP（On-Line Analytical Processing） 一般针对某些主题的历史数据进行分析，支持管理决策。
数据库的大规模应用，使得信息行业的数据爆炸式的增长，为了研究数据之间的关系，挖掘数据隐藏的价值，人们越来越多的需要使用OLAP来为决策者进行分析，探究一些深层次的关系和信息。但很显然，不同的数据库之间根本做不到数据共享，就算同一家数据库公司，数据库之间的集成也存在非常大的挑战（最主要的问题是庞大的数据如何有效合并、存储）。数据仓库就是为了解决数据库不能解决的问题而提出的，旨在进一步挖掘数据资源、为了决策需要而产生的，它绝不是所谓的“大型数据库”。

数据仓库的出现，并不是要取代数据库。

• 数据库是面向事务的设计，数据仓库是面向主题设计的
• 数据库一般存储业务数据，数据仓库存储的一般是历史数据
• 数据库设计是尽量避免冗余，一般针对某一业务应用进行设计，比如一张简单的User表，记录用 户名、密码等简单数据即可，符合业务应用，但是不符合分析。数据仓库在设计是有意引入冗余， 依照分析需求，分析维度、分析指标进行设计
• 数据库是为捕获数据而设计，数据仓库是为分析数据而设计

特性	数据仓库	事务数据库
适合的工作负载	分析、报告、大数据	事务处理
数据源	从多个来源收集和标准化的数据	从单个来源（例如事务系统）捕获的数据
数据捕获	批量写入操作通过按照预定的批处理计划执行	针对连续写入操作进行了优化，因为新数据能够最大程度地提高事务吞吐量
数据标准化	非标准化schema，例如星型Schema或雪花型schema	高度标准化的静态schema
数据存储	使用列式存储进行了优化，可实现轻松访问和高速查询性能	针对在单行型物理块中执行高吞吐量写入操作进行了优化
数据访问	为最小化I/O并最大化数据吞吐量进行了优化	大量小型读取操作

参考链接：数据仓库与数据库的来龙去脉
参考链接：数据仓库与数据库的区别
参考链接：数据仓库与数据库的区别

2.3 数据仓库与数据集市

什么是数据集市？
数据集市（Data Mart），也叫数据市场，就是满足特定的部门或者用户的需求，按照多维的方式进行存储，包括定义维度、需要计算的指标、维度的层次等，生成面向决策分析需求的数据立方体。
从范围上来说，数据集市的数据是从数据库，或者是更加专业的数据仓库中抽取出来的。数据集市分为从属的数据集市与独立的数据集市：
独立型数据集市的数据来自于操作型数据库，是为了满足特殊用户而建立的一种分析型环境。这种数据集市的开发周期一般较短，具有灵活性，但是因为脱离了数据仓库，独立建立的数据集市可能会导致信息孤岛的存在，不能以全局的视角去分析数据。
从属型数据集市的数据来自于企业的数据仓库，这样会导致开发周期的延长，但是从属型数据集市在体系结构上比独立型数据集市更稳定，可以提高数据分析的质量，保证数据的一致性。

特性	数据仓库	数据集市
数据来源	OLTP系统、外部数据	数据仓库
范围	企业级	部门级或工作组级
主题	企业主题	部门或特殊的分析主题
数据粒度	最细的粒度	较粗的粒度
历史数据	大量的历史数据	适度的历史数据
目的	适度的历史数据	便于某个维度数据访问和分析，快速查询

2.4 数据仓库与数据中台

数据仓库与数据中台的区别与联系

特性	数据仓库	数据中台
计算存储	基于OLAP类型的数据库构建一套数据存储体系	混合架构，随需搭配，满足各类数据 的计算要求
技术体系	传统的ETL开发和报表开发为主	数仓建设、数据开发IDE、任务调度、数据集成、数据治理、统一数据服务、数据资产管理、元数据管理、数据质量管理、流批计算、敏捷BI报表开发等多个功能
应用场景	报表为主	多元化场景：除了传统报表，还支持商品推荐、精准推送、客满评价等非确定场景的业务，数据服务业务、业务与数据互补，形成闭环
价值体现	面向管理层和业务人员的辅助决策	除了完成传统的业务人员辅助决策，还能面向业务系统推动优化升级、数据变现等，把数据资产变成数据服务能力

2.5 数据仓库与数据湖

Pentaho的CTO James Dixon 在2011年提出了“Data Lake”的概念。在面对大数据挑战时，他声称：不要想着数据的“仓库”概念，想想数据 的“湖”概念。数据“仓库”概念和数据湖概念的重大区别是：数据仓库中数据在进入仓库之前需要是事先归类，以便于未来的分析。这在OLAP时代很常见，但是对于离线分析却没有任何意义，不如把大量的原始数据保存下来，而现在廉价的存储提供了这个可能。
数据仓库是高度结构化的架构，数据在转换之前是无法加载到数据仓库的，用户可以直接获得分析数据。数据湖中，数据直接加载到数据湖中，然后根据分析的需要再转换数据。

特性	数据仓库	数据湖
数据	来自事务系统、运营数据库和业务线应用程序的关系数据	来自 IoT 设备、网站、移动应用程序、社交媒体和企业应用程序的非关系和关系数据
Schema	写入型 Schema， 数据存储之前需要定义Schema， 数据集成之前需要完成大量清洗工作 ，数据的价值需要提前明确	读取型 Schema， 数据存储之后才需要定义Schema 提供敏捷、简单的数据集成 ，数据的价值尚未明确
扩展性	中等开销获得较大的容量扩展	低成本开销获得极大容量扩展
性价比	更快查询结果会带来较高存储成本	更快查询结果会带来较高存储成本
连接方式	标准的SQL接口或者BI接口、ANSI SQL	标准的SQL接口或者BI接口、ANSI SQL
数据质量	可作为重要事实依据的高度监管数据	任何可以或无法进行监管的数据（例如原始数据）
复杂性	复杂的SQL链接	复杂的SQL链接
用户	业务分析师	数据科学家、数据开发人员和业务分析师（使用监管数据）
分析	批处理报告、BI 和可视化	批处理报告、BI 和可视化
优势	高并发、快速响应、干净安全的数据、数据一次转换多次使用	无限扩展性、支持编程框架、数据存储成本低

参考链接：数据库、数据仓库、大数据平台、数据中台、数据湖对比分析
参考链接：数据仓库、数据湖、数据中台终于有人说清楚了，建议收藏

2.6 数据中台与数据湖

目前，Hadoop是最常用的部署数据湖的技术，所以很多人会觉得数据湖就是Hadoop集群。数据湖是一个概念，而Hadoop是用于实现这个概念的技术。

数据中台整体技术架构上采用云计算架构模式，将数据资源、计算资源、存储资源充分云化，并通过多租户技术进行资源打包整合，并进行开放，为用户提供“一站式”数据服务。
参考链接：数据湖、数据中台概念

数据湖是将复杂的事物具象化，反映了它在大数据存储和大数据处理方面的优势和能力。数据湖作为一个集中的存储库，可以在其中存储任何形式（结构化和非结构化）、任意规模的数据。在数据湖中，可以不对存储的数据进行结构化，只有在使用数据的时候，再利用数据湖强大的大数据查询、处理、分析等组件对数据进行处理和应用。因此，数据湖具备运行不同类型数据分析的能力。

中台概念的鼻祖——阿里巴巴的数据产品部总经理朋新宇表示：数据中台是数据+技术+产品+组织的组合，是企业开展新型运营的一个中枢系统。具体的说，它是一套解决方案，抽象的理解，它是一种新的公司运营理念。
数据中台从技术层面承接了数据湖的技术，通过数据技术，对海量、多源、多样的数据进行采集、处理、存储、计算，同时统一标准和口径，把数据统一后，以标准形式存储，形成大数据资产层，以满足前台数据分析和应用的需求。数据中台更强调应用，离业务更近，更强调服务于前台的能力，实现逻辑、算法、标签、模型、数据资产的沉淀和复用，能更快速的满足业务和应用开发的需求。
参考链接：浅析数据湖和数据中台的关系