1、非结构化数据是数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据。非结构化数据其格式非常多样，标准也是多样性的，而且在技术上非结构化信息比结构化信息更难标准化和理解。半结构化数据具有一定的结构性，是一种适于数据库集成的数据模型。
2、相对于结构化数据（即行数据，存储在数据库里，可以用二维表结构来逻辑表达实现的数据）而言，不方便用数据库二维逻辑表来表现的数据即称为非结构化数据，包括所有格式的办公文档、文本、图片、XML、HTML、各类报表、图像和音频/视频信息等等。
3、非结构化数据是数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据。包括所有格式的办公文档、文本、图片、XML， HTML、各类报表、图像和音频/视频信息等等。
4、结构化数据，简单来说就是数据库。结合到典型场景中更容易理解，比如企业ERP、财务系统；医疗HIS数据库；教育一卡通；政府行政审批；其他核心数据库等。这些应用需要哪些存储方案呢？基本包括高速存储应用需求、数据备份需求、数据共享需求以及数据容灾需求。
5、半结构化数据介于结构化数据和非结构化数据之间，它们具有一定的结构性。例如，对象交换模型（OEM）就是一种常见的半结构化数据模型。在信息系统设计中，设计师经常会遇到半结构化数据，这些数据通常以某种结构性存在，但不像传统数据库中的数据那样严格。
而统一数仓层是 按照业务易理解的角度或者是业务分析的角度 进行数据组织的，定义了一致的指标、维度，各业务板块、数据域都是按照统一的规范来建设，从而形成统一规范的 标准业务数据体系 ，它们通常都是基于Kimball的维度建模理论来构建的， 并通过一致性维度和数据总线来保证各个子主题的维度一致性。
数据仓库，这座企业决策的智慧宝库，通过整合多元数据，为企业提供有力支持。它的架构如同一座精心设计的城市，由数据仓库（主题导向，集成优化）、数据湖（原始数据的海洋）和湖仓一体（一体化数据底座，兼顾历史与实时查询）共同构成，构建起数据驱动的决策基石。
建模方式及原则： 本篇文章主要讲解数仓项目中为什么分层，比如 我们在完成一个需要的需求的时候也许只需要一个复杂的SQL语句就可以完成。
说到数仓建模，就得提下经典的2套理论：数仓的建模或者分层，其实都是为了更好的去组织、管理、维护数据，实际开发时会整合2种方式去使用，当然，还有些其他的，像Data Vault模型、Anchor模型，暂时还没有应用过，就不说了。维度建模，一般都会提到星型模型、雪花模型，星型模型做OLAP分析很方便。
数据分析的步骤一般包括分析设计，数据收集，数据处理等。分析设计。是明确数据分析目的，只有明确目的，数据分析才不会偏离方向。数据收集。数据收集是按照确定的数据分析框架，收集相关数据的过程，它为数据分析提供了素材和依据。数据处理。
数据分析是指用适当的分析方法及工具，对收集来的数据进行分析，提取有价值的信息，形成有效结论的过程。在确定数据分析思路阶段，数据分析师就应当为需要分析的内容确定适合的数据分析方法。到了这个阶段，就能够驾驭数据，从容地进行分析和研究了。
完整的数据分析主要包括了六大步骤，它们依次为：分析设计、数据收集、数据处理、数据分析、数据展现、报告撰写等，所以也叫数据分析六步曲。①分析设计 首先是明确数据分析目的，只有明确目的，数据分析才不会偏离方向，否则得出的数据分析结果不仅没有指导意义，亦即目的引导。
数据分析：使用统计学、数据挖掘或机器学习方法对处理后的数据进行深入分析。这一步骤的目标是从数据中提取有价值的信息和洞察。 数据展现：将分析结果通过图表、报表和可视化工具呈现出来，以便于用户理解和决策。 报告撰写：最后，根据分析结果和展现的图表，撰写数据分析报告。
第三是搜集目的是否清晰，搜集的数据是否真实，充沛，信息通道是否畅通。第四，数据剖析办法是否合理，危险是否操控在可接受的范围内；实用数据剖析所需的资源是否得到确保。关于数据分析一般有哪些步骤，青藤小编就和您分享到这里了。如果你对大数据工程有浓厚的兴趣，希望这篇文章能够对你有所帮助。
方法/步骤 明确分析目的 明确数据分析的目的，才能确保数据分析有效进行，为数据的采集、处理、分析提供清晰的指引方向。数据收集 数据收集按照确定的数据分析的目的来收集相关数据的过程，为数据分析提供依据。一般数据来源于数据库、互联网、市场调查、公开出版物。
