大家好，今天来为大家解答数据交易平台逻辑这个问题的一些问题点，包括各平台私域流量构成及运营逻辑也一样很多人还不知道，因此呢，今天就来为大家分析分析，现在让我们一起来看看吧！如果解决了您的问题，还望您关注下本站哦，谢谢~

本文目录

1. 什么是数字化平台
2. 各平台私域流量构成及运营逻辑
3. 怎样选择数据平台的建设方案

一、什么是数字化平台

1、数字化平台，大数据、人工智能、区块链等数字化技术有可能营造全新的财富管理平台。

2、我国财富管理市场产品同质化的问题，归根到底是资源配置的结构性缺陷和技术性短板，数字化平台补齐资源配置的短板。

3、如基于区块链的交互链接架构，可以打造一个链接众多金融机构、众多产品、众多客户的财富管理交易的平台，实现点对点、端对端的链接和交易组合。

4、当今时代信息化时代，而信息的数字化也越来越为研究人员所重视。早在40年代，香农证明了采样定理，即在一定条件下，用离散的序列可以完全代表一个连续函数。就实质而言，采样定理为数字化技术奠定了重要基础。

5、数字信号与模拟信号相比，前者是加工信号。加工信号对于有杂波和易产生失真的外部环境和电路条件来说，具有较好的稳定性。

6、可以说，数字信号适用于易产生杂波和波形失真的录像机及远距离传送使用。数字信号传送具有稳定性好、可靠性高的优点。

7、数字信号需要使用集成电路(IC)和大规模集成电路(ISI)，而且计算机易于处理数字信号。数字信号还适用于数字特技和图像处理。

8、数字信号处理电路简单。它没有模拟电路里的各种调整，因而电路工作稳定、技术人员能够从日常的调整工作中解放出来。

9、参考资料：凤凰网-李礼辉：区块链等数字化技术有可能营造全新的财富管理平台

二、各平台私域流量构成及运营逻辑

1、首先是淘宝，阿里系的生态的特点，是一个相对比较闭塞的一个生态类型，用户基于搜索行为寻找商品，跟用户和品牌之间的关联度不强。平台拥有对流量的绝对掌控权力，这个时候除非是用户对你的店铺有了收藏，用户在他的收藏列表里面去直接搜索你的店铺，或者他本身就对于你的品牌的认知程度相对来说比较高。现在淘宝也在逐渐的希望能够做私域的运营，因为可以对用户的行为做更好的深挖动作。

2、现在，可以抓住这个人人可做的机会：短视频

3、做短视频和做微信营销不同，你更需要有实操（比如直播卖货、视频拍摄、视频剪辑、写脚本等）的能力，有创新的能力（懂各种互联网的新梗，更懂得如何造梗），还要更懂短视频用户不断变化的“胃口”。

4、这些干货知识，都是包含在互联网营销师的课程中，除了短视频运营，还有直播销售、选品、平台管理等专业知识课程，想要转行、创业、兼职、全职的同学，都可以了解一下。

5、毕竟大背景下，线上营销是趋势。

6、互联网营销师是时代的发展和疫情影响下诞生的新职业，人社发布、含金量高、入门容易、0基础满18周岁都可以学习，前景好突破收入天花板，还有兼职、全职、就业推荐。

7、我推荐中思智数，官方授权的互联网营销师考证机构，资质正规、课程丰富、通过率高，1v1服务贴心，还有线上兼职工作和就业推荐服务！！！可以直接点击下方名片，添加助教咨询考证详情哦，他们家还有线上兼职工作机会提供：

8、这两年非常关注的就是直播，淘宝直播是非常强调于关注和采用瀑布流的推广方式。会发现只要你在淘宝直播里面关注了某个主播，关注了之后是可以对你进行有效的触达的。

9、第二个是关于抖音平台，抖音本身也是一个年轻人非常喜欢聚集的平台，这个平台中有一个非常典型的特征是它是一个非常强的媒体，但是社区属性非常弱。抖音在整个字节跳动的生态里面，更多的是基于算法，然后对你进行相应的推荐，推荐之后的精准度更高了，你就会对它进行关注，所以它整个的中心化是非常聚焦的。抖音这个平台只对互相关注的用户提供群聊，抖音本身有它自己的电商体系，所以你要去获取到的一些信息或者是获取用户的情况，也只能是通过收货后对于DM单的一个夹放的方式。

10、第三个是快手，快手有非常强的社区的特性，它的社区化属性是非常明确的。社区化属性就是我们相同类型的人是比较容易聚焦在一起的，快手有三种用户的沟通方式，可以通过比如发现、关注以及同城来进行交互。抖音是基于算法，而快手更多的是把推荐当做了一个关注。所以快手带有很大的社交属性在里面，快手的群聊功能与QQ相似，它不会去限制你用户当中跟你是什么样的关系，并且快手直播入口在关注Tab下首行，用户与主播之间联系非常便捷。快手本身的私域建设已和有赞等SaaS产品战略合作，所以在用户留存方面是比较好的。

11、第四是微博，其实它更多的属性是在于一个所谓的广场平台。大家都聚在一起，然后这个时候他忽然发一声广播，然后大家都会去看你广播上的内容，就是所谓的热搜。我们首先就已经关注到了整个广场平台上的信息和内容了。

12、对于微博的整个私域化的建设，可以发现微博会和你的新闻客户端，你的电商、等通过微博广告来对你进行相应的用户处理，可以到达品牌资产里面去做相应的沉淀，最后还可以通过微博的一些链路的方式，把你的链接在阿里的平台当中实现二次的一个触达。微博更多的私域的方式是通过微博的主要的载体和其他的功能端来实现。它的操作方式要去沉淀，更多的是需要达人来帮你做整个品牌的介绍和背书，因为达人本身是自带流量的，我们会发现微博本身也是一个明星的真谛，所以微博对于一些头部的品牌或者是预算比较高的一些品牌做品牌背书和介绍是非常有效的。

13、另外就是小红书，其实对于女性用户来说一定是不陌生的，小红书它本身的平台的特点是一定是带有真实美好，更多的去感受到博主或者种草文。通过它来做整个攻略的类型，通过图文或者视频对他的整个生活方式是有一个很好的标记，进而产生有集成的口碑，能够去吸引到大家所相同类型的人，对于口碑的一个传播方式是比较明显的。所以对于小红书来说，更好的去自建自己的品牌号，打通小红书当中的整个交易的环节是关键。

14、在不同的私域里面去连接用户，更好的通过私域的平台或者是内容，用技术手段来支持整个交易的类型，然后把内容作为支撑的平台体系，以微信群为支撑的社群平台体系，私域流量不是一种方式，而是多种链接手段产生的组合矩阵，用客户数字化体系去有效激发客户消费潜力。

15、品牌人格化，人格IP化，IP本身就是私域流量池，因为它自带流量。品牌和IP所带来的流星，属于心流，即人心的流动，这是最真实的流量，但难以量化，不过一旦发现就会觉得很精准，粘性也很高。

16、企业与客户连接的各个触点往往分散在不同的业务部门，用户体验碎片化，要打通各部门的系统数据库，一个个烟囱似的功能系统，只会形成信息孤岛，使数据无法合为一体，不能合体就很难挖掘数据价值。

17、企业经营的目标是盈利，私域流量运营的目的自然是变现、复购、老客户转介绍新客户、变现、复购。

18、总的来说私域做的更多的是在做链接，而公域做的更多的是在做投放，所以两者是不同的但是互相结合运用效果更佳。

19、如今整个微信的转化链路，更多的回归到以人为本，让品牌可以直接跟用户之间产生链接。

20、从这三张图可以看出，过去品牌的属性更多的是一个品牌通过门店去做展现，通过计算你的人流或者计算评效，以此来推算你的零售的业务或者零售的业绩表现情况，并且线下的客流非常的单一，客户是否具有购买力需要导购的认知和判断。到了第二个阶段，电商的兴起，用货找人。比如在一个品牌当中，通过品牌和用户以及货品打爆款或打促销的一些形式，让用户比较明确的在电商买单。所以在电商刚刚兴起的时候，典型的特征就是线上的客群和线下的客群有所差异。一些中高端品牌就会非常质疑，我们的品牌到底适不适合在天猫来做自己的旗舰店。从这个角度来看品牌是很被动的，然后慢慢就发展到第三个阶段，通过链接和触点的方式，在社交的属性和多触点的链接的链路方向里，品牌来跟不同的渠道类型或者不同触点的方式融通。将线上和线下的用户共同打通，也就是OTO模式。

21、这个模式到了今年才真正的把所谓的OTO的整套的模型整理完整。零售行业是永远摆脱不了人货场的，不管是电商还是线下，人货场一定都是零售业的核心的思路和方式。这就形成了多方位的触点，比如：线上触点、线下触点、社交触点、商业触点。

22、微信生态内单触点运营到多触点联动

23、所谓的线上的触点比如说公众号模板消息或者微信的会员卡服务通知，支付后的关注发券。这些都属于提醒消息，并且它不是通过导购去提醒你，所以我们把这种方式叫做线上触点。

24、线下触点很直观，要么消费者就直接通过扫码的形式扫码购，优衣库相对来说做的比较好，用户可以通过在小程序上面或者在互动大屏上面来进行下单，同时能够在收银台或者是在某个地方来完成一些提货的动作，其实都是属于商家在触点上的一些优化。

25、社交触点，是通过导购跟顾客之间产生一对一的交互和沟通。有专属的导购或者是专属的微信群，能够跟顾客之间是能够形成互动。

26、商业触点，比如说你像一些社交广告IP化的内容，在社群当中去找人帮我们带货，或者是KOL、KOC种草这些方式，这些需要付费的都属于商业触点。

27、在整个触点当中，首先对于微信的平台的入口就有很多，比如说通过任务栏、通过发现通过安卓的桌面还有小程序的互跳、客服消息。对话框分享、群分享、图片分享及朋友圈，微信支付的支付凭证等等。前几种是平台本身自有的流量，真正需要去做的是我们如何能够去运营流量。通过精细化的数据运营，使用户留存。公众号的阅读率正在逐年下滑，但是对于用户留存来说，公众号依旧是一个不可或缺的蓄水池。现在企业微信就是一个非常强有力的连接用户的最好的工具，所以这些都是需要被运营的。至于广告这部分，更多的属于商业流量，要通过专业的形式去做腾讯广告属性和内容。

28、私域流量的这些触点的方式可以通过渠道来做追踪。从数据维度中会知道流量是从哪里来的。我们可以计算哪个渠道对于品牌来说最有效。整个投入的成本在不同的渠道里面这些获客获得的方式最终要在哪里转化，实际上用户的转化需要商城加解决方案，用户所有的转化都在微商城里面转化，通过公众号的精准触达、导购的社交表现，社群当中的群用户跟你的互动性程度。另外就是多门店的云仓，要链接到云仓或者是企业自己在部署的OMS的模型等等。基于整个数据的分析，分析公众号的三率、导购的三率，公众号的三率比如打开率、阅读率、分享率、导购三率也是登录率等等。

29、转化了之后最终还是需要沉淀用户，将用户沉淀在企业微信、微商城、公众号等并且将用户打上相应的标签，对于他的人口属性、行为数据、订单数据等等这些东西都要有标签分类，标签化之后就会成为你的用户的画像。整个私域当中首先通过触点来获客，同时在商城里面完成转化的路径和动作，然后用户沉淀在公众号商城或者是企业微信，之后通过标签的维度或者是标签的数据和方向，再对用户进行后面的传播，以及后面的相关联的商品的推送或者是内容的推送，这是整条链路的增长模型。

30、获取了用户之后，你要对用户有个触达，触达的方式就是公众号、导购和社群，触达了之后对沉淀下来的用户做细分，，区分了用户的购买周期，区分了用户的购买金额和购买属性，然后针对不同的用户的购买属性和购买的链路重新去设计，对于会员来说，我们可能通过不同的积分属性、特权属性或者券的属性来做更好的转化，那么最终的层面才会在整个裂变的属性当中，会通过我们SNS的裂变计划、培育，以及整个客单的提升的策略和规划的方式，来进行相应的策略属性或者是策略内容的转化方向。

31、对于现在的微信生态里面，整个CRM的建设部分，更多的是通过微信的电子会员卡和公众号，另外通过会员的数据沉淀，更好的达到一个个性化的触达的能力。最终的一个关系，是通过用户

三、怎样选择数据平台的建设方案

业务跑的好好的，各系统稳定运行，为何还要搭建企业的数据平台?

这样的问题，心里想想就可以了，不要大声问出来。我来直接回答一下，公司一般在什么情况下需要搭建数据平台，对各种数据进行重新架构。

1、业务系统过多，彼此的数据没有打通。这种情况下，涉及到数据分析就麻烦了，可能需要分析人员从多个系统中提取数据，再进行数据整合，之后才能分析。一次两次可以忍，天天干这个能忍吗?人为整合出错率高怎么控制?分析不及时效率低要不要处理?

2、业务系统压力大，而不巧，数据分析又是一项比较费资源的任务。那么自然会想到的，通过将数据抽取出来，独立服务器来处理数据查询、分析任务，来释放业务系统的压力。

3、性能问题，公司可以越做越大，同样的数据也会越来越大。可能是历史数据的积累，也可能是新数据内容的加入，当原始数据平台不能承受更大数据量的处理时，或者是效率已经十分低下时，重新构建一个大数据处理平台就是必须的了。

上面我列出了三种情况，但他们并非独立的，往往是其中两种甚至三种情况同时出现。一个数据平台的出现，不仅可以承担数据分析的压力，同样可以对业务数据进行整合，也会不同程度的提高数据处理的性能，基于数据平台实现更丰富的功能需求。

二、数据平台的建设有哪些方案可以选择

下文中的优缺点仅从企业选型的角度，并非方案本身的技术角度。

如果一句话回答的话，那就是：太多了(这是一句废话，我承认)，但确实有非常多的方案可供选择，我懂的少，肯定是无法一一介绍，所以就分成了下面几类，相信也一定程度上覆盖了大部分企业的需求了。

概念不说了，既然是做数据这一行的，相信你比我还要清楚，不清楚的可以百度。它的重点在于数据整合，同时也是对业务逻辑的一个梳理。虽然它也可以打包成ssas那种cube一类的东西来提升数据的读取性能，但是数据仓库的作用，更多的是为了解决公司的业务问题，而不仅仅是性能问题。这一点后面会详细介绍。

关于这一方案的优缺点，直接说重点:

方案成熟，关于数据仓库的架构，不管是Inmon架构还是Kimball架构，都有着非常广泛的应用，而且相信能将这两种架构落地的人也不少。

实施简单，涉及的技术层面主要是仓库的建模以及etl的处理，很多软件公司具备数据仓库的实施能力，实施难度的大小更多的取决于业务逻辑的复杂程度，而并非技术上的实现。

灵活性强，说这句话要有对应场景的，数据仓库的建设是透明的，如果需要，可以对仓库的模型、etl逻辑进行修改，来满足变更的需求(当然，最好设计之初考虑的周全一点)。同时对于上层的分析而言，通过sql或者mdx对仓库数据的分析处理具备极强的灵活性。

“实施周期长”，注意，我加了引号，对应下面的敏捷型数据集市，而且这点是相对的，实施周期的长与短要取决于业务逻辑的复杂性，时间是花在了业务逻辑的梳理，并非技术上的瓶颈。关于这点，后面会详细介绍。

数据的处理能力有限，这个有限，也是相对的，海量数据的处理它肯定不行，非关系型数据的处理它也不行，但是TB以下级别的数据，还是搞得定的(也取决于所采用的数据库系统)，这个量级的数据，而相当一部分企业的数据，还是很难超过这个级别的。

底层的数据产品与分析层绑定，使得应用层可以直接对底层数据产品中的数据进行拖拽式分析。这一类产品的出现，其初衷是为了对业务数据进行简单的、快速的整合，实现敏捷建模，并且大幅提升数据的处理速度。目前来看，这些产品都达到了以上的目的。但它的优缺点也比较明显。

部署简单，敏捷开发，这也是这类产品最大的优点，和数据仓库相比，实施周期要短的多。实际上它也没什么严格的实施的概念，因为这类产品只是针对需要分析的数据，进行局部的关联，只考虑眼前要解决的问题就够了，迭代的能力更强些。

与上层的分析工具结合较好，上层的分析工具接入这类数据产品后，可直接实现数据的图形化展示和olap分析。对数据处理性能的提高，这类产品都对数据的分析性能做了处理，虽然方式不尽相同，有内存映射文件存储的，也有分布式架构、列数据存储的。但无疑都一定程度上提高了数据的处理性能。

无法处理复杂的业务逻辑，这只是一个工具，它无法解决业务问题。这类工具中自带简单的etl功能，实现简单的数据处理和整合，而如果考虑到历史数据，考虑到整体的数据之间的逻辑和关系，它一定是解决不了的。一个简单的例子，当某个表中，有两个字段，一个要保留历史数据，一个要更新历史数据，要怎样实现自动处理。有一个观念是需要清楚的，不能指望一款工具来解决业务问题。这种数据产品仅仅是对当前的业务数据进行简单的整合，第一，数据是局部的，第二，时间是当前的(其涵带的增量更新或者全量更新，是无法应对复杂的逻辑的，相信熟悉etl的人都知道这个过程有多复杂)。当然，对于一些公司来说，可能需求只是对当前业务数据进行整合分析，那么这类产品就够了。(说实话，很多公司真的是懒得更长远的考虑，有一天没一天的，谁说的准呢)

l灵活性低，这个也是没法避免的，越是操作简单的工具，他的灵活性肯定受限，因为封装住了，产品是不透明的，常规的需求用起来非常方便，但是遇到复杂的，发现对他内部不了解，你也没法修改，只有蛋疼的份。

从我的角度看，它是很难成为公司的数据中心的。

3、 MPP(大规模并行处理)架构的数据产品，以最近开源的greenplum为例

传统的主机计算模式在海量数据面前，显得弱鸡。造价非常昂贵，同时技术上也无法满足高性能的计算，smp架构难于扩展，在独立主机的cpu计算和io吞吐上，都没办法满足海量数据计算的需求。分布式存储和分布式计算正是解决这一问题的关键，不管是后面的MapReduce计算框架还是MPP计算框架，都是在这一背景下产生的。

greenplum的数据库引擎是基于postgresql的，并且通过Interconnnect神器实现了对同一个集群中多个Postgresql实例的高效协同和并行计算。

同时，基于greenplum的数据平台建设，可以实现两个层面的处理，显而易见的一个是对数据处理性能的处理，greenplum的百科中宣称支持50PB级海量数据的处理，考虑它有吹牛的成分，对目前greenplum实际应用情况的了解，100tb级左右的数据，是非常轻松的。另一个是数据仓库可以搭建在greenplum中，这一层面上也是对业务逻辑的梳理，对公司业务数据的整合。

海量数据的支持，大量成熟的应用案例，所以我想这一点是不用怀疑的。

扩展性，据说可线性扩展到10000个节点，并且每增加一个节点，查询、加载性能都成线性增长。

易用性，不需要复杂的调优需求，并行处理由系统自动完成。依然是sql作为交语言，简单、灵活、强大。

高级功能，greenplum还研发了很多高级数据分析管理功能，例如人气很高的外部表，还有Primary/Mirror镜像保护机制，行/列混合存储等。

稳定性，greenplum原本作为一个纯商业数据产品，具有很长的历史，其稳定性相比于其他产品以及敏捷性数据集市是更加有保障的。 greenplum有非常多的应用案例，纳斯达克、纽约证券交易所、平安银行、建设银行、华为等都建立了基于greenplum的数据分析平台。其稳定性是可以从侧面验证的，在15年9月份开源后，各大互联网公司也是一片欢腾，现在也接触了几家在使用greenplum的客户，对其评价都很高。

本身来说，它的定位在olap领域，不擅长oltp交易系统。当然我们搭建公司的数据中心也不会是用来做交易系统的。

成本，两个方面的考虑，一是硬件成本，greenplum有其推荐的硬件规格，对内存、网卡都有要求。当然，在硬件选型上，需要达到一个平衡，要在性能、容量、成本等多方面考虑，毕竟不能一味的追求性能，把采购部门吓到吧。另一个是实施成本，这里主要是人了，基本的是greenplum的安装配置，再到greenplum中数据仓库的构建，都需要人和时间。(但是必须要说的是，人家软件都开源了，也省下了一笔钱啊)

技术门槛，这里是相对于上一个敏捷型数据集市的，greenplum的门槛肯定是要高一点了。

关于hadoop，已经火的要爆炸了，greenplum的开源跟它也是脱不了关系的。有着高可靠性、高扩展性、高效性、高容错性的口碑。在互联网领域有非常广泛的运用，雅虎、facebook、百度、淘宝等等等等。hadoop生态体系非常庞大，各公司基于hadoop所实现的也不仅限于数据分析，也包括机器学习、数据挖掘、实时系统等。

当企业数据规模达到一定的量级，我想hadoop是各大企业的首选方案，到达这样一个层次的时候，我想企业所要解决的也不仅是性能问题，还会包括时效问题、更复杂的分析挖掘功能的实现等。非常典型的实时计算体系也与hadoop这一生态体系有着紧密的联系。

近些年来hadoop的易用性也有了很大的提升，sql-on-hadoop技术大量涌现，包括hive、impala、spark-sql等。尽管其处理方式不同，但普遍相比于原始基于文件的Mapreduce，不管是性能还是易用性，都是有所提高的。也因此对mpp产品的市场产生了压力。

对于企业构建数据平台来说，hadoop的优势与劣势非常明显：它的大数据的处理能力、高可靠性、高容错性、开源性以及低成本(为什么说低成本，要处理同样规模的数据，换一个其他方案试试呢)。缺点也就是他的体系的复杂，技术门槛较高(能搞定hadoop的公司规模一般都不小了)。

关于hadoop的优缺点对于公司的数据平台选型来说，影响已经不大了。需要上hadoop的时候，也没什么其它的方案好选择(要么太贵，要么不行)，没到达这个数据量的时候，也没人愿意碰这东西。总之，不要为了大数据而大数据。

三、方案很多，企业要怎样选择呢?

环境太复杂，但是我想至少要从下面这几个方面去考虑吧。

什么样的目的?就是文中开始部分的三种情况呀(不好意思，自大了，肯定有其它情况，欢迎向“jiago王”补充)，或者是其中几个的组合。

做事方法都一样，哪怕是中午出去吃饭，也是要在心里有个目的，这顿饭是为了吃饱，还是吃爽，或者为了拍别人的马屁，然后才好选择去吃什么。

当然，要明确数据平台的建设目的，哪里是那么容易的，初衷与讨论后确认的目标或许是不一致的。

公司要搭建一个数据平台的初衷可能很简单，只是为了减轻业务系统的压力，将数据拉出来后再分析，如果目的真的就这么单纯，还真的没有必要大动干戈了。如果是独立系统的话，直接将业务系统的数据库复制出来一份就好了;如果是多系统，选类似finecube那种型敏捷型的商业数据产品也够了，快速建模，直接用finebi或者finereport接入进去就能实现数据的可视化与olap分析。

但是，既然已经决定要将数据平台独立出来了，就不再多考虑一点吗?多个系统的数据，不趁机梳理整合一下?当前只有分析业务数据的需求，以后会不会考虑到历史数据呢?这种敏捷的方案能够支撑明年、后年的需求吗?

任何公司要搭建数据平台，都不是一件小事，多花一两个月实施你可能觉得累，多花一周两周的时间，认真的思考一下总可以的吧。雷军不是说过这样一句话：不能以战术上的勤奋，掩盖战略上的懒惰。

根据公司的数据规模选择合适的方案，这里说多了都是废话。

包括时间成本和金钱，不必多说。但是这里有一个问题想提一下，发现很多公司，要么不上数据平台，一旦有了这样的计划，就恨不得马上把平台搭出来用起来，时间成本不肯花，这样的情况很容易考虑欠缺，也容易被数据实施方忽悠。

关于方案选择的建议，举以下3 1个场景

要实现对业务数据的快速提取和分析，多个业务系统，没有达到海量数据，不考虑历史数据，不需要依照业务逻辑对数据进行系统的梳理，这种情况下，可以考虑敏捷型的bi工具自带的数据底层。

简单来讲，这种场景仅仅是在技术层面上，完成对数据的整合与提速，并没有从业务层面上对数据进行建模。他可以满足一定的分析需求，但是不能成为公司的数据中心。

要搭建公司级的数据中心，打通各系统之间的数据。非常明显的，需要搭建一个数据仓库。这时就需要进一步考虑公司数据的量级了，如果是小数据量，TB级以下，那么在传统数据库中建这样一个数据仓库就可以了，如果数据量达到几十上百TB，或者可见的在未来几年内数据会达到这样一个规模，可以将仓库搭在 greenplum中。

这种场景应该是适用于大部分公司，对于大部分企业来说，数据量都不会PB级别，更多的是在TB级以下。

公司数据爆发式增长，原有的数据平台无法承担海量数据的处理，那么就建议考虑hadoop这种大数据平台了。它一定是公司的数据中心，这样一个角色，仓库是少不了的，可以将原来的仓库直接搬到hive中去。这种数据量比较大的情况要怎样呈现，因为hive的性能较差，它的即席查询可以接 impala，也可以接greenplum，因为impala的并发量不是那么高，而greenplum正好有它的外部表(也就是greenplum创建一张表，表的特性叫做外部表，读取的内容是hadoop的hive里的)，正好和hadoop完美的融合(当然也可以不用外部表)。

这个是后面补充的，当公司原本有一个数据仓库，但历史数据了堆积过多，分析性能下降，要怎么办?两个方案可以考虑，比较长远的，可以将仓库以及数据迁移到greenplum中，形成一个新的数据平台，一个独立的数据平台，可以产生更多的可能性;比较快速的，是可以将类似finecube那种敏捷型数据产品接入原来的仓库，这样来提升数据的处理性能，满足分析的要求。

四、关于方案选型时可能会出现的误区

(忽略业务的复杂性，要用工具来解决或者是绕开业务的逻辑。)

这个是我最近遇到过的，客户要做报表平台，有三个业务系统的数据需要整合。但是急于变现，不想搭建传统的数据仓库，所以从敏捷型的bi工具中选型。工具厂商对自己数据产品的描述，一般着重于他的快速实施、性能的优化、以及自带的基本etl功能。这样容易给客户造成误区，就是通过这一产品可快速搭建出一个公司级别的数据中心，满足于顶层对数据的需求。

然而在后期突然意识到，工具所解决的，仅仅是在技术层面上简化了工具的使用的复杂性，把etl和数据集市封装在一起，并且提高了数据的性能，但是并没有从业务层面上实现数据的建模，很多细节问题无法处理。

虽然敏捷开发非常诱人，如果业务系统简单，或者只需要分析当前状态的业务数据，不需要公司级的数据中心，那么确实是一个非常好的方案。然而这些问题还没有考虑清楚，对敏捷产品有了过高的期望，后面是会遇到些麻烦的。

除此之外，可能还会有为了大数据而大数据的，但是这些我在实际的工作中还没有遇到。

最后总结一下，企业选择数据平台的方案，有着不同的原因，要合理的选型，既要充分的考虑搭建数据平台的目的，也要对各种方案有着充分的认识。

仅从个人的角度，对于数据层面来说，还是倾向于一些灵活性很强的方案的，因为数据中心对于公司来说太重要了，我更希望它是透明的，是可以被自己完全掌控的，这样才有能力实现对数据中心更加充分的利用。因为，我不知道未来需要它去承担一个什么样的角色。

OK，关于数据交易平台逻辑和各平台私域流量构成及运营逻辑的内容到此结束了，希望对大家有所帮助。