數據分析工作雖然隱藏在業務系統背后，但是具有非常重要的作用，數據分析的結果對決策、業務發展有著舉足輕重的作用。隨著大數據技術的發展，數據挖掘、數據探索等專有名詞曝光度越來越高，但是在類似于Hadoop系列的大數據分析系統大行其道之前，數據分析工作已經經歷了長足的發展，尤其是以BI系統為主的數據分析，已經有了非常成熟和穩定的技術方案和生態系統



　　目前圍繞Hadoop體系的大數據架構大概有以下幾種



　　01、傳統大數據架構



　　之所以叫傳統大數據架構，是因為其定位是為了解決傳統BI的問題。



　　優點：



　　簡單，易懂，對于BI系統來說，基本思想沒有發生變化，變化的僅僅是技術選型，用大數據架構替換掉BI的組件。



　　缺點：



　　對于大數據來說，沒有BI下完備的Cube架構，對業務支撐的靈活度不夠，所以對于存在大量報表，或者復雜的鉆取的場景，需要太多的手工定制化，同時該架構依舊以批處理為主，缺乏實時的支撐。



　　適用場景：



　　數據分析需求依舊以BI場景為主，但是因為數據量、性能等問題無法滿足日常使用。



　　02、流式架構



　　在傳統大數據架構的基礎上，直接拔掉了批處理，數據全程以流的形式處理，所以在數據接入端沒有了ETL，轉而替換為數據通道。



　　優點：



　　沒有臃腫的ETL過程，數據的實效性非常高。



　　缺點：



　　流式架構不存在批處理，對于數據的重播和歷史統計無法很好的支撐。對于離線分析僅僅支撐窗口之內的分析。



　　適用場景：



　　預警，監控，對數據有**期要求的情況。



　　03、Lambda架構



　　大多數架構基本都是Lambda架構或者基于其變種的架構。Lambda的數據通道分為兩條分支：實時流和離線。



　　優點：



　　既有實時又有離線，對于數據分析場景涵蓋的非常到位。



　　缺點：



　　離線層和實時流雖然面臨的場景不相同，但是其內部處理的邏輯卻是相同，因此有大量榮譽和重復的模塊存在。



　　適用場景：



　　同時存在實時和離線需求的情況。



　　04、Kappa架構



　　在Lambda的基礎上進行了優化，將實時和流部分進行了合并，將數據通道以消息隊列進行替代。



　　優點：



　　解決了Lambda架構里面的冗余部分，以數據可重播的思想進行了設計，整個架構非常簡潔。



　　缺點：



　　雖然Kappa架構看起來簡潔，但實施難度相對較高，尤其是對于數據重播部分。



　　適用場景：



　　和Lambda類似，改架構是針對Lambda的優化。



　　05、Unifield架構



　　以上的種種架構都圍繞海量數據處理為主，Unifield架構則將機器學習和數據處理揉為一體，在流處理層新增了機器學習層。



　　優點：



　　提供了一套數據分析和機器學習結合的架構方案，解決了機器學習如何與數據平臺進行結合的問題。



　　缺點：



　　實施復雜度更高，對于機器學習架構來說，從軟件包到硬件部署都和數據分析平臺有著非常大的差別，因此在實施過程中的難度系數更高。



　　適用場景：



　　有著大量數據需要分析，同時對機器學習方便又有著非常大的需求或者有規劃。



　　常見的大數據架構有哪些.中琛魔方大數據分析平臺(www.zcmorefun.com)表示以上幾種架構為目前數據處理領域使用比較多的幾種架構，當然還有非常多其他架構，不過其思想都會或多或少的類似。數據領域和機器學習領域會持續發展，以上幾種思想或許終究也會變得過時。