比如說在生產(chǎn)線上，在生產(chǎn)的數(shù)據(jù)庫里面，各種各樣的數(shù)據(jù)，可能是銀行的業(yè)務數(shù)據(jù)，也可能是電信運營商在交換機里面采集下來的數(shù)據(jù)等等，然后這些生產(chǎn)的數(shù)據(jù)通過ETL，是英文 Extract-Transform-Load 的縮寫，用來描述將數(shù)據(jù)從來源端經(jīng)過抽取（extract）、轉(zhuǎn)換（transform）、加載（load）至目的端的過程，通過這個過程，我們可以把需要的數(shù)據(jù)放到數(shù)據(jù)倉庫里面，那這個數(shù)據(jù)倉庫就是多層模型中的第二層。

　　數(shù)據(jù)倉庫主要是給我們需要存放的數(shù)據(jù)提供一個物理基礎，我們對數(shù)據(jù)進行分析，原材料都放在這個數(shù)據(jù)倉庫里面，這幾年以來，除了數(shù)據(jù)倉庫這個概念，還興起了數(shù)據(jù)集市這個概念，數(shù)據(jù)集市其實就是部門級的數(shù)據(jù)倉庫，規(guī)模比較小一點的數(shù)據(jù)倉庫。

　　再上面一層是Data Exploration，這層主要做統(tǒng)計分析的事情，比如我們算均值、標準差、方差、排序、求最小\大值、中位數(shù)、眾數(shù)等等，這些統(tǒng)計學比較常用的指標，另外還有些SQL查詢語句，總的來說主要是做一些目標比較明確，計算方法比較清楚的事情。

　　第四層是Data Mining數(shù)據(jù)挖掘?qū)樱瑪?shù)據(jù)挖掘與數(shù)據(jù)分析（統(tǒng)計分析）有什么區(qū)別呢，數(shù)據(jù)分析往往是統(tǒng)計量和算法比較清楚，數(shù)據(jù)挖掘往往是目標不是很清楚，在實現(xiàn)目標的過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)庫產(chǎn)品，包括IBM的DB2、甲骨文的Oracle數(shù)據(jù)庫。這些廠商的數(shù)據(jù)庫本身帶有一些統(tǒng)計分析的包，里面有些標準的功能可以做數(shù)據(jù)分析工作，但用這些自帶的數(shù)據(jù)分析工具功能相對不夠?qū)I(yè)。主要反映在缺乏標準的統(tǒng)計函數(shù)，比如做一個線性回歸模型，需要寫一大堆SQL語句，甚至要寫一個plsql程序才能完成。但是在專業(yè)的統(tǒng)計軟件只需要寫一個簡單的函數(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)果算出來就OK了。但其實結(jié)果算出來以后對于數(shù)據(jù)分析還遠沒有結(jié)束，還需要把結(jié)果展現(xiàn)出來，有些時候可能結(jié)果的展現(xiàn)比計算花的時間還要多。

　　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%的可能臉上長雀斑。71%的時 間會穿T恤，下身穿牛仔褲的時間占了62%。工作只占了38%，玩游戲卻占了62%，平均每個月會用掉582MB的數(shù)據(jù)流量。這種圖稱為信息圖，在數(shù)據(jù)分析這個行業(yè)里面，是數(shù)據(jù)展現(xiàn)工作的主要組成部分。