我覺得首先得根據
業務場景
來決定，無論選擇哪種資料庫最終都是為了解決實際問題的。其次再考慮
成本
，開發人員對資料庫的
熟練度，維護難易程度。
一、業務場景
問題上說賣賣的兩種資料庫區磨配殲別還是蠻大的，mysql是傳統關系型資料庫，在處理小型系統和關系型數據時有很多的優點，什麼支持多語言，開源，免費等等網路上就有很多。目前很多中小型公司都是用mysql。如果數據量大，對安全性能要求高，還不差錢的公司可以選擇另外一種關系型資料庫Oracle。monogoDB是非關系型的nosql資料庫，屬於文檔型資料庫，存儲是以json、String等key-value鍵值對形式。通常用的較多的nosql資料庫是redis。monodb使用的少（個人覺得）。這類非關系型資料庫通常用來存儲一些不會經常修改的數據，用來做緩存使用。另外還有使用monogodb開發商城的購物車功能。
二、使用成本
mysql、redis、monogodb都是可以免費使用，成本應該只有伺服器存儲空間成本，而oracle公司使用的話是需要繳費的。
三、工程師成本
這個我覺得還是傳統的關系型資料庫使用的人多，相應的資料也多。用起來應該能更快上手。應該沒有後端工程師不會使用mysql、oracle等關系型資料庫的。
四、維護難易程度
對於數據量在百萬級以內的話維護成本差不多，如果再大mysql資料庫就需要使用分庫分瞎沖表了。後期如果數據大數據處理的話，我認為nosql資料庫更有優勢。
❷ 請問大數據的關鍵技術有哪些
分布式計算，非結構化資料庫，分類、聚類等演算法。
大數據包括結構化、半結構化和非結構化數據，非結構化數據越來越成為數據的主要部分。據IDC的調查報告顯示：企業中80%的數據都是非結構化數據，這些數據每年都按指數增長60%。
(2)monogodb存儲網上視頻文件擴展閱讀：
大數據（Big data）通常用來形容一個公司創造的大量非結構化數據和半結構化數據，這些數據在下載到關系型資料庫用於分析時會花費過多時間和金錢。
大數據分析常和雲計算聯繫到一起，因為實時的大型數據集分析需要像MapRece一樣的框架來向數十、數百或甚至數千的電腦分配工作。
大數據需要特殊的技術，以有效地處理大量的容忍經過時間內的數據。適用於大數據的技術，包括大規模並行處理（MPP）資料庫、數據挖掘、分布式文件系統、分布式資料庫、雲計算平台、互聯網和可擴展的存儲系統。
❸ 哪些技術屬於大數據的關鍵技術
隨著大數據分析市場快速滲透到各行各業，哪些大數據技術是剛需?哪些技術有極大的潛在價值?根據弗雷斯特研究公司發布的指數，這里給出最熱的十個大數據技術。
預測分析：預測分析是一種統計或數據挖掘解決方案，包含可在結構化和非結構化數據中使用以確定未來結果的演算法和技術。可為預測、優化、預報和模擬等許多其他用途而部署。隨著現在硬體和軟體解決方案的成熟，許多公司利用大數據技術來收集海量數據、訓練模型、優化模型，並發布預測模型來提高業務水平或者避免風險;當前最流行的預測分析工具當屬IBM公司的SPSS,SPSS這個軟體大家都已經很熟悉了，它集數據錄入、整理、分析功能於一身。用戶可以根據實際需要和計算機的功能選擇模塊，SPSS的分析結果清晰、直觀、易學易用，而且可以直接讀取EXCEL及DBF數據文件，現已推廣到多種各種操作系統的計算機上。
NoSQL資料庫：非關系型資料庫包括Key-value型(Redis)資料庫、文檔型(MonogoDB)資料庫、圖型(Neo4j)資料庫;雖然NoSQL流行語火起來才短短一年的時間，但是不可否認，現在已經開始了第二代運動。盡管早期的堆棧代碼只能算是一種實驗，然而現在的系統已經更加的成熟、穩定。
搜索和認知商業：當今時代大數據與分析已經發展到一個新的高度，那就是認知時代，認知時代不再是簡單的數據分析與展示，它更多的是上升到一個利用數據來支撐人機交互的一種模式，例如前段時間的圍棋大戰，就是一個很好的應用、現已經逐步推廣到機器人的應用上面，也就是下一個經濟爆發點——人工智慧，互聯網人都比較熟悉國內的BAT，以及國外的apple、google、facebook、IBM、微軟、亞馬遜等等;可以大致看一下他們的商業布局，未來全是往人工智慧方向發展，當然目前在認知商業這一塊IBM當屬領頭羊，特別是當前主推的watson這個產品，以及取得了非常棒的效果。
流式分析：目前流式計算是業界研究的一個熱點，最近Twitter、LinkedIn等公司相繼開源了流式計算系統Storm、Kafka等，加上Yahoo!之前開源的S4，流式計算研究在互聯網領域持續升溫，流式分析可以對多個高吞吐量的數據源進行實時的清洗、聚合和分析;對存在於社交網站、博客、電子郵件、視頻、新聞、電話記錄、傳輸數據、電子感應器之中的數字格式的信息流進行快速處理並反饋的需求。目前大數據流分析平台有很多、如開源的spark，以及ibm的 streams 。
內存數據結構：通過動態隨機內存訪問(DRAM)、Flash和SSD等分布式存儲系統提供海量數據的低延時訪問和處理;
分布式存儲系統：分布式存儲是指存儲節點大於一個、數據保存多副本以及高性能的計算網路;利用多台存儲伺服器分擔存儲負荷，利用位置伺服器定位存儲信息，它不但提高了系統的可靠性、可用性和存取效率，還易於擴展。當前開源的HDFS還是非常不錯，有需要的朋友可以深入了解一下。
數據可視化：數據可視化技術是指對各類型數據源(包括hadoop上的海量數據以及實時和接近實時的分布式數據)進行顯示;當前國內外數據分析展示的產品很多，如果是企業單位以及政府單位建議使用 cognos ，安全、穩定、功能強大、支持大數據、非常不錯的選擇。
數據整合：通過亞馬遜彈性MR(EMR)、Hive、Pig、Spark、MapRece、Couchbase、Hadoop和MongoDB等軟體進行業務數據整合;
數據預處理：數據整合是指對數據源進行清洗、裁剪，並共享多樣化數據來加快數據分析;
數據校驗：對分布式存儲系統和資料庫上的海量、高頻率數據集進行數據校驗，去除非法數據，補全缺失。
數據整合、處理、校驗在目前已經統稱為 ETL ，ETL過程可以把結構化數據以及非結構化數據進行清洗、抽取、轉換成你需要的數據、同時還可以保障數據的安全性以及完整性、關於ETL的產品推薦使用 datastage就行、對於任何數據源都可以完美處理。
❹ 數據分析師要掌握哪些技能
要熟練使用 Excel、至少熟悉並精通一種數據挖掘工具和語言、撰寫報告的能力、要打好扎實的 SQL 基礎。
1、要熟練使用 Excel
Excel 可以進行各種數據的處理、統計分析和輔助決策操作，作為常用的數據處理和展現工具，數據分析師除了要熟練將數據用 Excel 中的圖表展現出來，還需要掌握為生成的圖表做一系 列的格式設置的方法。
注意：
1、與傳統的數據分析師相比，互聯網時代的數據分析師面臨的不是數據匱乏，而是數據過剩。因此，互聯網時代的數據分析師必須學會藉助技術手段進行高效的數據處理。更為重要的是，互聯網時代的數據分析師要不斷在數據研究的方法論方面進行創新和突破。
2、就行業而言，數據分析師的價值與此類似。就新聞出版行業而言，無論在任何時代，媒體運營者能否准確、詳細和及時地了解受眾狀況和變化趨勢，都是媒體成敗的關鍵。
❺ 數據分析師要學會什麼技能
數據分析師要學會Excel、掌握SQL Server或者Oracle的SQL語句、掌握可視化工具。
首先是Excel，貌似這個很簡單，其實未必。Excel不僅能夠做簡單二維表、復雜嵌套表，能畫折線圖、Column chart、Bar chart、Area chart、餅圖、雷達圖、Combo char、散點圖、Win Loss圖等，而且能實現更高級的功能。
掌握可視化工具，比如BI，如Cognos、Tableau、FineBI等，具體看企業用什麼工具，像我之前用的是FineBI。
這些工具做可視化非常方便，特別是分析報告能含這些圖，一定會吸引高層領導的眼球，一目瞭然了解，洞察業務的本質。另外，作為專業的分析師，用多維分析模型Cube能夠方便地自定義報表，效率大大提升。
❻ 哪些技術屬於大數據的關鍵技術
隨著大數據分析市場快速滲透到各行各業，哪些大數據技術是剛需?哪些技術有極大的潛在價值?根據弗雷斯特研究公司發布的指數，這里給出最熱的十個大數據技術。
預測分析：預測分析是一種統計或數據挖掘解決方案，包含可在結構化和非結構化數據中使用以確定未來結果的演算法和技術。可為預測、優化、預報和模擬等許多其他用途而部署。隨著現在硬體和軟體解決方案的成熟，許多公司利用大數據技術來收集海量數據、訓練模型、優化模型，並發布預測模型來提高業務水平或者避免風險;當前最流行的預測分析工具當屬IBM公司的SPSS,SPSS這個軟體大家都已經很熟悉了，它集數據錄入、整理、分析功能於一身。用戶可以根據實際需要和計算機的功能選擇模塊，SPSS的分析結果清晰、直觀、易學易用，而且可以直接讀取EXCEL及DBF數據文件，現已推廣到多種各種操作系統的計算機上。
NoSQL資料庫：非哪行關系型資料庫包括Key-value型(Redis)資料庫、文檔型(MonogoDB)資料庫、圖型(Neo4j)資料庫;雖然NoSQL流行語檔緩型火起來才短短一年的時間，但是不可否認，現在已經開始了第二代運動。盡管早期的堆棧代碼只能算是一種實驗，然而現在的系統已經更加的成熟、穩定。
搜索和認知商業：當今時代大數據與分析已經發展到一個新的高度，那就是認知時代，認知時代不再是簡單的數據分析與展示，它更多的是上升到一個利用數據來支撐人機交互的一種模式，例如前段時間的圍棋大戰，就是一個很好的應用、現已經逐步推廣到機器人的應用上面，也就是下一個經濟爆發點——人工智慧，互聯網人都比較熟悉國內的BAT，以及國外的apple、google、facebook、IBM、微軟、亞馬遜等等;可以大致看一下他們的商業布局，未來全是往人工智慧方向發展，當然目前在認知商業這一塊IBM當屬領頭羊，特別是當前主推的watson這個產品，以及取得了非常棒的效果。
流式分析：目前流式計算是業界研究的一個熱點，最近Twitter、LinkedIn等公司相繼開源了流式計算系統Storm、Kafka等，加上Yahoo!之前開源的S4，流式計算研究在互聯網領域持續升溫，流式分析可以對多個高吞吐量的數據源進行實時的清洗、聚合和分析;對存在於社交網站、博客、電子郵件、視頻、新聞、電話記錄、傳輸數據、電子感應器之中的數字格式的信息流進行快速處理並反饋的需求。目前大數據流分析平台有很多、如開源的spark，以及ibm的 streams 。
內存數據結構：通過動態隨機內存訪問(DRAM)、Flash和SSD等分布式存儲系統提供海量數據的低延時訪問和處理;
分布式存儲系統：分布式存儲是指存儲節點大於一個、數據保存多副本以及高性能的計算網路;利用多台存儲伺服器分擔存儲負荷，利用位置伺服器定位存儲信息，它不但提高了系統的可靠性、可用性和存取效率，還易於擴展。當前開源的HDFS還是非常不錯，有需要的朋友可以深入了解一下。
數據可視化：數據可視化技術是指對各類型數據源(包括hadoop上的海量數據以及實時和接近實時的分布式數據)進行顯示;當前國內外數據分析展示的產品很多，如果是企業單位以及政府單位建議使用 cognos ，安全、穩定、功能強大、支持大數據、非常不錯的選擇。
數據整合：通過亞馬遜彈性MR(EMR)、Hive、Pig、Spark、MapRece、Couchbase、Hadoop和MongoDB等軟體進行業務數據整合;
數據預處理：數據整合是指對數據源進行清洗、行猜裁剪，並共享多樣化數據來加快數據分析;
數據校驗：對分布式存儲系統和資料庫上的海量、高頻率數據集進行數據校驗，去除非法數據，補全缺失。
數據整合、處理、校驗在目前已經統稱為 ETL ，ETL過程可以把結構化數據以及非結構化數據進行清洗、抽取、轉換成你需要的數據、同時還可以保障數據的安全性以及完整性、關於ETL的產品推薦使用 datastage就行、對於任何數據源都可以完美處理。