我在这里整理一个表格不同时代数据源的差异性（备注可能整理的有点不全）：数据平台的用户：总结下来互联网的数据平台“服务”方式迭代演进大约可以分为三个阶段。阶段一：约在2008年-2011年初的互联网数据平台，那时建设与使用上与非互联网数据平台有这蛮大的相似性，主要相似点在数据平台的建设角色、与使用到的技术上。老板们、运营的需求主要是依赖于报表、分析报告、临时需求、商业智能团队的数据分析师去各种分析、临时需求、挖掘，这些角色是数据平台的适用方。ETL开发工程师、数据模型建模、数据架构师、报表设计人员，同时这些角色又是数据平台数据建设与使用方。数据平台的技术框架与工具实现主要有技术架构师、JAVA开发等。用户面对是结构化的生产数据、PC端非结构化log等数据。ELT的数据处理方式（备注在数据处理的方式上，由传统企业的ETL基本进化为ELT）。现在的淘宝是从2004年开始构建自己的数据仓库，2004年是采用DELL的6650单节点、到2005年更换为IBM的P550再到2008年的12节点Rac环境。在这段时间的在IBM、EMC、Oracle身上的投入巨大(备注：对这段历史有兴趣可以去度娘：“【深度】阿里巴巴的技术发展路径“)。数据是符号，是物理性的，信息是对数据进行加工处理之后所得到的并对决策产生影响的数据。郫都区购物中心数据调研
数据采集的三大要点：采集的多方面性：采集的数据量足够大具有分析价值、数据面足够支撑分析需求。比如查看app的使用情况这一行为，我们需要采集从用户触发时的环境信息、会话、以及背后的用户id，、需要统计这一行为在某一时段触发的人数、次数、人均次数、活跃比等。采集的多维性：数据更重要的是能满足分析需求。灵活、快速自定义数据的多种属性和不同类型，从而满足不同的分析目标。比如“查看app的使用情况”这一行为，我们需要采集用户使用的app的哪些功能、点击频率、使用时常、打的app的时间间隔等多个属性。才能使采集的结果满足我们的数据分析！采集的高效性：高效性包含技术执行的高效性、团队内部成员协同的高效性以及数据分析需求和目标实现的高效性。 郫都区购物中心数据调研数据成为与土地、劳动力、资本、技术等传统要素并列的生产要素。
如果需要修改数据表的结构就会十分困难。而NoSQL数据库由于面对的是大量非结构化的数据的存储，它采用的是动态结构，对于数据类型和结构的改变非常的适应，可以根据数据存储的需要灵活的改变数据库的结构。[]数据库存储规范关系型数据库为了避免重复、规范化数据以及充分利用好存储空间，把数据按照小关系表的形式进行存储，这样数据管理的就可以变得很清晰、一目了然，当然这主要是一张数据表的情况。如果是多张表情况就不一样了，由于数据涉及到多张数据表，数据表之间存在着复杂的关系，随着数据表数量的增加，数据管理会越来越复杂。而NoSQL数据库的数据存储方式是用平面数据集的方式集中存放，虽然会存在数据被重复存储，从而造成存储空间被浪费的问题（从当前的计算机硬件的发展来看，这样的存储空间浪费的问题微不足道）。但是由于基本上单个数据库都是采用单独存放的形式，很少采用分割存放的方式，所以这样数据往往能存成一个整体，这对于数据的读写提供了极大的方便。[]数据库扩展方式当前社会和科学飞速发展，要支持日益增长的数据库存储需求当然要求数据库有良好的扩展性能，并且要求数据库支持更多数据并发量。
部分：什么是大数据，大数据有什么特征（注：本文根据小讲“企业大数据战略及价值变现”中的“什么是大数据”章节的分享整理而成）对于大数据，我想不管你是否行业内人士，在这高度信息化的社会里面，都会有意无意的听说过大数据这么一个概念。小到一个店家，大到一个国家，都在讲大数据。不过，真正搞清楚什么是大数据的人可能真不那么多。其实，故名思议，大数据肯定体现在“大”上，可数据是一个比较抽象的东西，我们该怎么去描述数据的“大”呢？这里面就涉及到一些专业领域的东西了。麦肯锡对“大数据”给出的定义是：一种规模大到在获取、存储、管理、分析方面超出了传统数据库软件工具能力范围的数据，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。我们应该怎么去理解这句话呢，首先，我们知道，在大数据出现之前，我们对数据的日常处理分析常常使用的是诸如sqlsever/oracle/mysql等传统关系数据库，处理T级别的数据量已经是这些数据库的极限，面对PB/EB/ZB级的数据量那就更无能为力了。那是不是以前就没有这么大的数据量呢，也不是，早在20世纪80年代，未来学家阿尔文托夫勒就将大数据称作“第三次浪潮的华彩乐章”。地图、表格、影像、磁带、纸带，按数字化方式分为矢量数据、格网数据等。
还得考虑可操作性、约束性（备注约束性是完成数据质量提升的一个关键要素，未来新话题主题会讨论这些），这个既要顾业务、数据源、合理的整合的角色是数据模型设计师，又叫数据模型师。平台中模型设计所关注的是企业分散在各角落数据、未知的商业模式与未知的分析报表，通过模型的步骤，理解业务并结合数据整合分析，建立数据模型为Datacleaning指定清洗规则、为源数据与目标提供ETLmapping（备注：ETL代指数据从不同源到数据平台的整个过程，ETLMapping可理解为数据加工算法，给数码看的，互联网与非互联网此处差异性也较为明显，非互联网数据平台对ETL定义与架构较为复杂）支持、理清数据与数据之间的关系。（备注：Datacleaning是指的数据清洗数据质量相关不管是在哪个行业，是令人的问题，分业务域、技术域的数据质量问题，需要通过事前盘点、事中监控、事后调养，有机会在阐述）。大家来看一张较为严谨的数据模型关系图：数据模型是整个数据平台的数据建设过程的导航图。有利于数据的整合。数据模型是整合各种数据源指导图，对现有业务与数据从逻辑层角度进行了描述，通过数据模型，可以建立业务系统与数据之间的映射与转换关系。排除数据描述的不一致性。数据本身没有意义，数据只有对实体行为产生影响时才成为信息。郫都区购物中心数据调研
数据是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。郫都区购物中心数据调研
如果通过技术将人无法通过肉眼找到的价值信息呈现出来，这是重要的！大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。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，必须采用分布式计算架构。它的特色在于对海量数据的挖掘，但它必须依托云计算的分布式处理、分布式数据库、云存储和虚拟化技术。随着云时代的来临，大数据（Bigdata）也吸引了越来越多的关注。《着云台》的分析师团队认为，大数据（Bigdata）通常用来形容一个公司创造的大量非结构化和半结构化数据，这些数据在下载到关系型数据库用于分析时会花费过多时间和金钱。大数据分析常和云计算联系到一起，因为实时的大型数据集分析需要像MapReduce一样的框架来向数十、数百或甚至数千的电脑分配工作。大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据技术，包括大规模并行处理。郫都区购物中心数据调研
成都达智咨询股份有限公司在数据调研分析，数据采集，数据策略咨询，数据智慧科技系统一直在同行业中处于较强地位，无论是产品还是服务，其高水平的能力始终贯穿于其中。达智咨询是我国商务服务技术的研究和标准制定的重要参与者和贡献者。达智咨询致力于构建商务服务自主创新的竞争力，将凭借高精尖的系列产品与解决方案，加速推进全国商务服务产品竞争力的发展。