OLTP与OLAP数据库的区别与应用场景
mysql终究是一个关系型数据库，mysql承载的数据是有上限的，互联网场景中，一个用户的数据可能就有几百mb甚至上g的数据
只能将数据水平垂直拆封，应对不断增大的数据变化
问题来了，针对于TP，PB级别的数据，传统的mysql数据库已经力不从心，尤其是以数据分析这种典型全盘扫描的统计业务，大规模扫盘已经让mysql不堪重负，为了解决这类问题，从数据应用场景角度分为OLTP与OLAP、
OLTP
- 全程Online Transaction Processing，联机事务处理系统，就是对数据增伤改查等操作
- 存储的是业务数据，来记录某类业务事件的发生，比如下单 ，支付，注册等等
- 典型代表有mysql，oracle等数据库，对应的网站系统应用后端数据库
- 针对事务进行操作，对响应时间要求高，面相前台应用的，应用比较简单的数据量相对较少的，是GB级别的
- 面相群体业务人员
当数据累计到一定的程度，需要对过去发生的事情做一个总结分析时，就需要把过去一段时间内产生的数据拿出来进行统计分析，从中获取想要的新信息，为公司决策提供支持，这个就是做OLAP了。
OLAP
- 全程Online Analystical Processing 联机分析处理系统
- 存储的是历史数据，对应的风控平台，BI平台，数据可视化等系统就属于
- OLAP是数据仓系统的主要应用，支持复杂的分析操作，侧重决策，并且提供只管易懂的查询结果
- 典型代表有hive，ClickHouse
- 针对基于查询的分析系统，基础数据源于产生系统中的操作数据，数据量非常大 ，常规是TB级别的
- 面向群体：分析决策人员
OLAP的基本多维分析操作有钻取（Roll Up和Drill Down）、切片（Slice）和切块（Dice）、以及旋转（Pivot）、Drill Across、Drill Through等。
钻取是改变维的层次，变换分析的粒度。它包括向上钻取（Roll Up）和向下钻取（Drill Down）。Roll Up是在某一维上将低层次的细节数据概括到高层次的汇总数据，或者减少维数；而Drill Down则相反，它从汇总数据深入到细节数据进行观察或增加新维。
切片和切块是在一部分维上选定值后，关心度量数据在剩余维上的分布。如果剩余的维只有两个，则是切片；如果有三个，则是切块。
旋转是变换维的方向，即是在表格中重新安排维的放置（例如行列互换）
分类
MOLAP（Multi-dimensional OLAP）以多维数组模型存储数据，它的特点是数据需要预计算（pre-computaion），然后把预计算之后的结果（cube）存在多维数组里。因为cube包含所有维度的聚合结果，所以查询速度非常快。但查询灵活度比较低，需要提前设计维度模型，查询分析的内容仅限于这些指定维度，增加维度需要重新计算。
ROLAP（Relational OLAP）以关系模型存储数据，一般要求事实表（fact table）和维度表（dimensition table）按一定关系设计，它不需要预计算，使用标准SQL就可以根据需要即时查询不同维度数据。它的扩展性强，适用于维度数量多的模型。但因为是即时计算，查询响应时间一般比预计算的MOLAP长。
不管是MOLAP的多维数据模型，还是ROLAP的关系模型，它们都需要预先设计好模型后才可以使用。
与BI的关系
BI包括数据采集、数据准备、数据分析和数据共享等环节，数据分析又包括报表、OLAP、数据挖掘、数据可视化等多种分析技术。所以说，OLAP只是BI的一部分，是BI中一种数据分析技术。因为OLAP需要预先建模，所以在BI中主要是用于“描述发生了什么？”，它和报表、仪表盘一样，是属于“静态”的一种分析技术，用于构建信息门户或监控数据。
透视分析是最常用的一款OLAP分析工具，可以快速分类汇总、比较大量的数据，并且可以根据用户的业务需求，快速变换统计分析维度来查看统计结果。透视分析不仅综合了数据排序、筛选、组合及分类汇总等数据分析方法的优点，而且汇总的方式更灵活多变，并能以不同方式显现数据。
但是，基于OLAP的透视分析需要复杂的数据加工过程，需要cube，需要建立维度表、事实表、定维度层次、聚合指标等等，数据查询需要写SQL语句。
所以，我们需要对“静态”的透视分析进行改良，让它成为“动态”的一种分析工具，让用户可以对数据进行自由地探索。让它不仅能够“描述发生了什么？”，而且还能够“分析为什么会发生？”。
例如，Smartbi的透视分析工具采用“类Excel数据透视表”的设计，多维分析不再需要建立模型，就能够组合维度、汇总计算、切片、钻取，洞察数据。不仅如此，任何字段都可直接作为输出字段或筛选条件，轻松实现对数据的查询与探索。