数据-OLTP、OLAP

1、概念

1.1 OLTP(online transaction processing-联机事务处理)

       它强调对数据的实时处理。OLTP系统通常用于处理企业的日常交易数据，例如订单处理、库存管理、银行交易等。它的主要功能是支持事务和实时数据处理，为用户提供高效的交易处理服务。

        在商业数据处理的早期阶段，写入数据库通常对应于商业的交易场景，如: 销售,订单等涉及金钱交易的场景，交易的英文为transaction，也就是事务一词的来源，在计算机领域代表一个逻辑单元的一组读写操作。

1.2 OLAP(online analytic processing-联机分析处理)

       它强调对大量历史数据的分析与处理。OLAP系统通常用来查询多维数据库，以便观察数据的多个维度之间的关系，并进行复杂的计算和汇总。它的主要功能包括查询、分析、预测、数据挖掘等，为用户提供灵活的数据分析和快速决策支持。

        例如: 统计每个店铺平均销售额，这些查询通常由业务分析师编写，以形成有助于公司管理层更好的决策；为了与事务处理系统进行区分，我们称之为在线分析处理(OLAP)。

2、区别

2.1 OLTP VS OLAP

        最开始的时候，相同的数据库可以同时用于事务处理和分析查询，但是后来大公司开始慢慢放弃使用OLTP系统用于数据分析，而是使用单独的数据库进行分析，这个单独的数据库也被称为数据仓库。 

2.2 功能区别

• OLAP聚焦于数据分析和预测，为使用者提供数据挖掘和多维分析等功能，通过复杂的计算和统计分析来发现数据背后的规律。
  • 适合数据库：列存储数据库，如Hive、Hbase、ClickHouse等。
• OLTP更注重交易数据的实时处理，支持并发的事务处理和数据插入、更新、删除等操作。
  • 适合数据库：行存储数据库，如Mysql、Oracle等。

2.3 数据处理区别

        OLAP通常处理大规模的历史数据，它需要快速的数据查询和复杂的统计计算，以满足用户对数据多维分析的需求。

        OLTP则处理实时的事务数据，它需要高效的事务处理和快速的数据录入，以保证日常交易的正常运行。

2.4 数据结构区别

        OLAP采用多维数据库结构，通过维度、度量、层次等数据元素来组织和管理数据，以便进行复杂的查询和分析。

        而OLTP通常采用关系数据库结构，通过表和关系来存储和管理交易数据，以支持事务的正确处理。

2.5 应用场景区别

        OLAP适用于需要进行复杂数据分析和决策的场景，例如市场营销分析、销售业绩分析、客户关系管理等。

        OLTP适用于需要进行实时数据处理和高并发事务处理的场景，例如在线交易管理、订单处理、支付结算、网银系统、电信系统、医院挂号系统、机场航班管理系统等。

3、OLAP

        随着互联网的快速发展，数据分析已成为企业决策的重要手段。但要想做好数据分析，就必须掌握数据采集、数据处理、数据分析等技术。

3.1 数据采集

        数据采集是指从各种渠道收集和获取原始数据的过程。来源如下

• 数据库：业务数据。
• 日志文件：用户行为数据和系统运行数据。
• Web爬虫：网络公开信息。
• API接口：第三方提供的信息。
• 硬件信息：
  • 传感器：监测各种物理量（如温度、湿度、压力等）。
  • 移动设备：移动设备（如智能手机、平板电脑等）产生大量的位置、行为和用户反馈数据。

 3.2 数据处理

        数据处理是指对原始数据进行清洗和整理，使其符合后续分析需要的格式和要求。这个过程最重要，往往耗时也最长。

处理内容

• 数据清洗：对原始数据进行去重、去噪、填充缺失值等操作，保证数据的准确性和完整性。
• 数据转换：将原始数据转换成可分析的格式，如将文本转换成数字、将时间格式标准化等。
• 数据集成：将来自不同渠道的数据进行整合，形成一个统一的数据集。
• 数据规约：对数据进行命名、编码、单位标准化等处理，保证数据的标准性和一致性。

前提

        数据处理的前提是明确数据规则。数据规则包括数据的完整性、准确性、一致性和规范性等方面，这些规则对于后续的数据处理和分析具有重要的指导作用。

        例如，做报表首先要确定统计维度，可以先设计好报表的表结构。在数据清理过程中，需要确定哪些数据是不符合规则的，哪些数据是缺失的，哪些数据是不一致的等，然后根据这些规则对数据进行处理，使其符合数据挖掘或分析的要求。

3.3 数据分析

        数据分析是指对已经清洗整理好的数据进行分析和挖掘，从中发现有价值的信息和知识。

分析类型

• 探索性数据分析（EDA）：通过可视化手段对数据进行初步探索，了解其分布、趋势等特征。
• 统计学方法：使用统计学方法对数据进行描述和推断，并验证假设。
• 机器学习方法：使用机器学习算法对数据进行分类、聚类、预测等操作。
• 数据可视化：通过图表、地图等手段将分析结果呈现出来，以便更好地理解和传播。

3.4 数据输出

        将分析的结果以直观易懂的形式输出，支持决策。

输出形式

• 报表：OLAP系统可以生成各种报表，如销售报表、财务报告、库存报告等。报表可以展示多维度的数据，包括数据的汇总、过滤、切片等。
• 图表：OLAP系统可以生成各种图表，如柱状图、折线图、饼图、热力图等。图表可以直观地展示数据的分布、趋势和关联关系。
• KPI：关键绩效指标（KPI）是OLAP数据输出的一种重要方式。KPI可以反映企业的运营状况和业绩表现，如销售额、利润率、客户满意度等。
• 仪表板：仪表板是一种综合性的数据展示方式，它可以集成多个数据源和多个维度的数据，以图形化的方式展示出来。仪表板可以直观地展示企业的运营状况，并提供即时的分析和预警。
• 多维模型：多维模型是OLAP的核心技术之一，它可以展示多维度的数据。多维模型可以帮助用户从多个角度和维度分析数据，发现数据的隐藏模式和关联关系。
• 数据挖掘：OLAP可以和数据挖掘技术结合使用，从大量数据中发现隐藏的模式、关联和趋势。数据挖掘的结果可以通过OLAP进行验证和细化，以提供更准确的分析结果。

4、总结

        数据仓库中的OLAP和OLTP是两种不同的数据处理方式，分别以数据分析和实时事务处理为核心。了解它们的区别有助于我们更好地选择合适的处理方式，并且在实际应用中可以发挥它们的优势。

参考：

简单谈谈OLTP,OLAP和列存储的概念-腾讯云开发者社区-腾讯云

百度安全验证