bi系统搭建
ERP里面也有报表，为什么还要专门上线BI工具做分析？
ERP里面也有报表，为什么还要专门上线BI工具做分析？
大数据架构有哪些？应该如何理解？
BI系统的总体架构图如下:
核心模块是立方体，是更高级的业务模型抽象，很多操作都可以在上面进行。大多数BI系统都是基于关系数据库，使用SQL语句进行操作。而SQL在多维运算和分析方面相对较弱，所以Cube有自己独特的查询语言MDX，MDX表达式具有更强的多维表达能力。所以以Cube为核心的分析系统基本占据了数据统计分析的半壁江山。大多数数据库服务供应商直接提供BI软件服务，可以轻松构建Olap分析系统。
以Hadoop系统为首的大数据分析平台:Hadoop系统的生态系统也在不断壮大。目前，围绕Hadoop系统的大数据架构大概有以下几种:
传统大数据架构
它的定位是解决传统BI的问题。简单来说，数据分析的业务没有改变，仍然保留ETL的动作，通过ETL动作将数据录入数据存储。
适用场景:
数据分析的需求仍然由BI场景主导，但是它可以 由于数据量和性能问题，无法满足日常使用。
流式架构
在传统大数据架构的基础上，流式架构非常激进，直接去掉了批处理，以流的形式处理数据的全过程，所以在数据访问端没有ETL，取而代之的是数据通道。流式处理的数据以消息的形式直接推送给消费者。虽然有存储部分，但是存储多是以窗口的形式存储，所以存储不是发生在数据湖，而是在外围系统。
适用场景:
预警、监控和需要数据有效性的情况。
λ架构
λ架构计算它是大数据系统中举足轻重的架构，大部分架构基本上都是Lambda架构或者基于其变体的架构。拉姆达 的数据通道分为两个分支:实时流和离线。实时流基于流式架构，保证了其时效性，而离线流主要基于批处理，保证了最终的一致性。为了保证流媒体通道处理的有效性，增量计算是主要的辅助参考，而批处理层对数据进行满标度运算，保证其最终的一致性。所以Lambda最外层有一个融合实时层和离线层的动作，这是Lambda中非常重要的动作。合并的一般思路如下:
适用场景:
既有实时需求，也有离线需求。
卡帕建筑
Kappa架构在Lambda的基础上进行了优化，结合了实时和流部分，用消息队列代替了数据通道。所以对于Kappa架构来说，流处理仍然是主要的方法，只是数据存储在数据湖级别。当需要离线分析或重新计算时，可以通过消息队列再次重放数据湖的数据。
适用场景:
与Lambda类似，架构的变化旨在实现Lambda优化。
Unifield架构
Unifield架构更激进，将机器学习和数据处理结合起来。从核心来说，Unifield还是以Lambda为主，但已经转型，在流处理层增加了一个机器学习层。可以看出，数据通过数据通道进入数据湖后，在流层增加并使用了模型训练部分。同时，流层不仅使用模型，还包括模型的持续训练。
适用场景:
有大量的数据要分析，同时对机器学习便利性有很大的需求或规划。
相关:
舆情大数据系统架构的设计与实现:
大数据架构的分析与应用；