比如說(shuō)在生產(chǎn)線上，在生產(chǎn)的數(shù)據(jù)庫(kù)里面，各種各樣的數(shù)據(jù)，可能是銀行的業(yè)務(wù)數(shù)據(jù)，也可能是電信運(yùn)營(yíng)商在交換機(jī)里面采集下來(lái)的數(shù)據(jù)等等，然后這些生產(chǎn)的數(shù)據(jù)通過(guò)ETL，是英文 Extract-Transform-Load 的縮寫，用來(lái)描述將數(shù)據(jù)從來(lái)源端經(jīng)過(guò)抽取（extract）、轉(zhuǎn)換（transform）、加載（load）至目的端的過(guò)程，通過(guò)這個(gè)過(guò)程，我們可以把需要的數(shù)據(jù)放到數(shù)據(jù)倉(cāng)庫(kù)里面，那這個(gè)數(shù)據(jù)倉(cāng)庫(kù)就是多層模型中的第二層。
數(shù)據(jù)倉(cāng)庫(kù)主要是給我們需要存放的數(shù)據(jù)提供一個(gè)物理基礎(chǔ)，我們對(duì)數(shù)據(jù)進(jìn)行分析，原材料都放在這個(gè)數(shù)據(jù)倉(cāng)庫(kù)里面，這幾年以來(lái)，除了數(shù)據(jù)倉(cāng)庫(kù)這個(gè)概念，還興起了數(shù)據(jù)集市這個(gè)概念，數(shù)據(jù)集市其實(shí)就是部門級(jí)的數(shù)據(jù)倉(cāng)庫(kù)，規(guī)模比較小一點(diǎn)的數(shù)據(jù)倉(cāng)庫(kù)。
再上面一層是Data Exploration，這層主要做統(tǒng)計(jì)分析的事情，比如我們算均值、標(biāo)準(zhǔn)差、方差、排序、求最小\大值、中位數(shù)、眾數(shù)等等，這些統(tǒng)計(jì)學(xué)比較常用的指標(biāo)，另外還有些SQL查詢語(yǔ)句，總的來(lái)說(shuō)主要是做一些目標(biāo)比較明確，計(jì)算方法比較清楚的事情。
第四層是Data Mining數(shù)據(jù)挖掘?qū)?，?shù)據(jù)挖掘與數(shù)據(jù)分析（統(tǒng)計(jì)分析）有什么區(qū)別呢，數(shù)據(jù)分析往往是統(tǒng)計(jì)量和算法比較清楚，數(shù)據(jù)挖掘往往是目標(biāo)不是很清楚，在實(shí)現(xiàn)目標(biāo)的過(guò)程中采用什么方法不能確定，所以數(shù)據(jù)挖掘比數(shù)據(jù)分析難度要高很多。
常用的數(shù)據(jù)分析工具，包括一些廠商的數(shù)據(jù)庫(kù)產(chǎn)品，包括IBM的DB2、甲骨文的Oracle數(shù)據(jù)庫(kù)。這些廠商的數(shù)據(jù)庫(kù)本身帶有一些統(tǒng)計(jì)分析的包，里面有些標(biāo)準(zhǔn)的功能可以做數(shù)據(jù)分析工作，但用這些自帶的數(shù)據(jù)分析工具功能相對(duì)不夠?qū)I(yè)。主要反映在缺乏標(biāo)準(zhǔn)的統(tǒng)計(jì)函數(shù)，比如做一個(gè)線性回歸模型，需要寫一大堆SQL語(yǔ)句，甚至要寫一個(gè)plsql程序才能完成。但是在專業(yè)的統(tǒng)計(jì)軟件只需要寫一個(gè)簡(jiǎn)單的函數(shù)就可以完成。
展現(xiàn)層在數(shù)據(jù)分析中是一個(gè)很重要的組成部分，在大家的心目中數(shù)據(jù)分析軟件只是讀數(shù)據(jù)和算數(shù)據(jù)，結(jié)果算出來(lái)就OK了。但其實(shí)結(jié)果算出來(lái)以后對(duì)于數(shù)據(jù)分析還遠(yuǎn)沒(méi)有結(jié)束，還需要把結(jié)果展現(xiàn)出來(lái)，有些時(shí)候可能結(jié)果的展現(xiàn)比計(jì)算花的時(shí)間還要多。
根據(jù)信息圖顯示，Android先生的頭發(fā)有47%的可能是黑色的，戴眼鏡的幾率為37%，有36%的可能是北美人，30%的可能臉上長(zhǎng)雀斑。71%的時(shí) 間會(huì)穿T恤，下身穿牛仔褲的時(shí)間占了62%。工作只占了38%，玩游戲卻占了62%，平均每個(gè)月會(huì)用掉582MB的數(shù)據(jù)流量。這種圖稱為信息圖，在數(shù)據(jù)分析這個(gè)行業(yè)里面，是數(shù)據(jù)展現(xiàn)工作的主要組成部分。
