作者 | 滴滴数据平台团队
编辑 | Vincent
AI 前线导读：
企业的生产活动会产生各种各样的数据，数据作为企业最重要的资产之一，价值巨大，数据价值的获取需要对其进行不断访问（或读或写），不同的数据访问需求就构成了相互区别的数据访问场景，只有按照场景定制数据的存储、检索、传输以及计算加工方案，才有可能提供整体最优的数据访问性能。
滴滴 OLAP 引擎细分多种场景，如灵活分析、固化分析、热点数据等，针对不同场景的特性，使用不同的场景引擎。Apache Kylin 作为滴滴 OLAP 引擎内部的固化分析场景引擎，间接服务了滴滴下游多个重要的数据产品，覆盖了十多条业务线，为用户提供了稳定、可靠、高效的数据分析性能。
更多干货内容请关注微信公众号“AI 前线”，（ID：ai-front）
滴滴 OLAP 引擎细分多种场景，如灵活分析、固化分析、热点数据等，针对不同场景的特性，使用不同的场景引擎。Apache Kylin 作为滴滴 OLAP 引擎内部的固化分析场景引擎，间接服务了滴滴下游多个重要的数据产品，覆盖了十多条业务线，为用户提供了稳定、可靠、高效的数据分析性能。
更多干货内容请关注微信公众号“AI 前线”，（ID：ai-front）
数据访问场景
2.1 重视区分数据访问场景
为什么需要重视区分数据访问场景？怎么区分数据访问场景？
本质上，数据访问场景是一类数据访问需求，数据访问需求可以通过考察以下几个方面进行归类识别：
-
期望进行的查询以及各个查询的查询频度和占查询总量的比例；
-
每类查询（行、列、字节等）结果的数据量级分布；
-
读取和更新数据的关系，如读写比例、数据更新粒度等；
-
数据的工作规模以及在本机使用数据的方式；
-
事务以及事务隔离级别的需求；
-
数据副本和逻辑完整性的需求；
-
对每类查询的延迟和吞吐量的需求；
等等，针对不同的数据访问场景，需要定制不同的数据存储、检索、传输以及计算加工方案，只有这样，才能借助场景特性，设计更有针对性的实现方案，以更加契合该场景下的数据使用，最大化整体数据访问性能。
