在几年以前，数据库的分类基本就分两种，一种面向OLTP 的，一种面向OLAP 的，都是关系型数据库，各种应用的不同决定了他们优化的路线不同，现在随着数据量的暴增，两个世界都发生了巨变，兴起了各种面向不同方向优化的noSQL 数据库，这里介绍的就是主要面向分析型数据库的大概分类。

　　1、企业级数据仓库 (EDW)

　　包括的数据： 各种类型但是不包括操作的交易记录

　　使用类型： 各种

　　包括的数据： 各种类型但是不包括操作的交易记录

　　通常例子：集中的EDW 对大企业

　　鸭梨： 并发，可靠性，负载管理

　　最原始的美好想法，所有支持决策的数据放一起，主要厂家是Teradata ,DB2 , Oracle Exadata . 现在看来完全不可能，数据量的增长远远超过了硬件, 软件优化和复杂度的能力. 但是在数据量容许的情况下，部分EDW 还是可能的.

　　2、传统的数据集市 (Data mart)

　　包括的数据： 各种数据类型，但是一般限于部门级别

　　通常例子： BI 报表 ， 预算预测， MOLAP 之类的

　　鸭梨： 性能 , 并发, 成本

　　BI 最开始的定义, 尤其像是报表这种入门级应用, 一般也是选用关系型数据库， 但是列数据库(Vertica , Sybase IQ ) 可能成本会更有优势

　　3、敏捷型分析数据集市

　　包括的数据： 各种数据， 尤其是客户相关的

　　使用类型： 分析

　　通常例子： 几TB 的面向特定分析但是不持久

　　鸭梨： 容易建立，容易管理，性价比要高

　　往往面向少数特定的分析而建立的非持久化的子集，比如像是客户分类之后做的营销或者广告效果之类的分析，一般网站的点击流也算，这时候InfoBright 可能是性价比极高的选择，IBM 的Netezza 低端设备也可以考虑， 或者一些内存型的前端分析工具像是QlikView 或是Tableau 都不错.

　　4、大型分析数据库

　　包括的数据： 各种类型 , 尤其客户相关的，财务方面的

　　使用类型： 分析

　　通常例子： 从20TB 到20 PB 的数据库

　　鸭梨： 性能， 伸缩， 分析功能

　　现在的面向分析型的数据库都可以考虑，报表,仪表盘,OLAP 往往不是他的主要应用，能够伸缩到上百到上千节点是必须的，POC 必须能够证明性能和功能能满足大多需要，还要提供面向分析的功能，不管是mapreduce , procedure 还是in-database analytics functions, Aster ,Netezza , ParAccel, Vertica , Greenplum 基本都是往这个方向发展. Teradata 更是跟SAS 合作多年，分析能力更多更强.

　　5、Bit Bucket

　　包括的数据： 日志

　　使用类型： ETL , 中间格式

　　通常例子： Hadoop 用的各种日志， GPS 生成的地理信息， 医疗仪器产生的监测数据

　　鸭梨： 廉价存储，伸缩，涉及大IO的查询 , 数据一般需要经过清洗和转换

　　比如监控主机产生的监控日志和程序输出的消息，大部分没有实际作用，不发生特别事件的时候都可以只保留小部分. 主要技术可以考虑的有Hadoop 和Splunk

　　6、归档数据储存

　　包括的数据： 历史操作记录

　　使用类型： 归档, 报表

　　通常例子： 电话记录，历史邮件，历史消息 , B2C 的历史购买信息

　　鸭梨： 储存成本， 压缩率，伸缩，偶尔的报表查询

　　银行电信一般都会保留比较长时间的各种记录，但是基本都是“冷数据”，greenplum 一开始跟Sun 合作就是做这个市场的，SAND 和Infobright 也都可以考虑. 压缩率往往是一个很重要的标准.

　　7、外包数据集市

　　包括的数据： 各种

　　通常例子： 在线广告跟踪 , Saas CRM

　　鸭梨： 性能，可靠性，并发

　　广告跟踪的时候一般都没有具体的本地的数据库，另外一些Saas 厂商提供的数据服务也算，像是Amazon 和Google Appengine 提供的都是非关系数据库.

　　8、操作分析混合型

　　包括的数据： 客户相关的，财务交易相关的

　　使用类型： 网页个性化，反欺诈，风险控制

　　鸭梨： 性能，可靠性，分析功能

　　yahoo 和amazon 的首页你登录进去每个人都是不一样的，显示的广告也是不一样 . 复杂事件管理比如信用卡短期大量提款冻结，零售分析你买了什么东西推荐你买另一些东西。 这种应用都是在传统的操作性流程里面加入分析特性，但是马上把给过返回给操作流程的. 个性化搜索或者社交里面的People You May Know 都算.