大数据需求通常可分为三大类：离线数据统计，实时数据计算，即席查询。

离线数据统计，通常是T+1出数，是最典型的数据仓库解决的问题。计算复杂性最高，所以是时间就不能要求太高，否则对资源的要求将是非常高。比如计算DAU、留存等指标。

实时数据计算，需要实时进行数据ETL过程，实时流计算，来计算出结果，这类计算复杂性不会太高但是对数据处理的吞吐量要求很高，比如典型的计算一个APP的实时在线人数，当天实时新增人数等。

即席查询，是现在OLAP分析越来越普遍的场景。随着现在计算能力的提升、成本的下降，选择合适的数据分析技术，可以实现相对复杂的即席查询。

细分OLAP，有以下几类：

ROLAP：关系型OLAP，基于明细数据进行聚合计算。系统比如：Presto，Impala，GreenPlum，Clickhouse，Elasticsearch，Hive，Spark SQL，Flink SQL，kudu。

先解析Query，生成执行计划，扫描数据，执行关系型算子，在原始数据上做过滤(Where)、聚合(Sum, Avg, Count)、关联(Join)，分组（Group By)、排序（Order By）等。

好处是查询灵活、扩展性很好，对查询模式不固定情景支持更好；坏处是数据量大或者复杂计算时，耗费计算资源高，计算效率不稳定，存在潜在的重复计算。

MOLAP：多维OLAP，预聚合模式。系统比如：Kylin，Druid。

根据用户定义的数据维度、度量（也可以叫指标）在数据写入时生成预聚合数据；Query查询到来时，实际上查询的是预聚合的数据而不是原始明细数据。

好处是预结算，查询时效率高，能缓解重复计算但也带来维度爆炸问题。

Hybird OLAP：融合OLAP，结合上述两类。

分场景看下各类数据分析系统。

场景一：简单查询

 对查询响应时间要求毫秒级时，ElasticSearch、Druid/Kylin、Clickhouse符合，但是吞吐量依次降低。

场景二：复杂查询

秒级查询，即席查询这类场景，可选的方案Presto、Kudu，其他在复杂分析下基本做不到秒级，或者支持不了过于复杂的分析。