OLAP（联机分析处理）数据库

在 OLAP 场景中，有一些基本概念是理解和操作多维数据分析的基础：
数据立方体（Data Cube）：数据立方体是 OLAP 中用于组织和存储多维数据的结构，它允许用户从多个维度对数据进行切片、切块、钻取和旋转等操作，实现聚合分析，例如按时间、地域、产品等维度查看销售额。
维度（Dimension）与度量（Measure）：维度是数据分析的视角或分类标准，用于对事实数据进行分类和组织，例如时间维度、地域维度和产品维度。度量是被分析的数值型数据，通常是可以进行聚合计算的指标，例如销售额、利润或订单数量。
星型模型（Star Schema）与雪花模型（Snowflake Schema）：是不同的数据库设计方法。星型模型将中心事实表与多个维度表连接，形状类似于星星，用于 OLAP 系统优化查询性能。雪花模型是星型模型的扩展形式，维度表被进一步规范化为多张表，使维度数据呈现分层结构。
切片（Slice）：指在数据立方体中选择一个特定的维度值，从而得到一个数据的子集。例如，选择特定地区的销售数据。
切块（Dice）：与切片类似，但切块是在多个维度上同时选择特定的值，从而得到一个更小的数据子集。例如，选择特定地区和特定时间段的销售数据。
钻取（Drill-down）与上卷（Roll-up）：指用户在数据的层次结构中上下移动，钻取是从汇总数据深入到详细数据，上卷是钻取的反向操作，指从详细数据汇总到更高层次的数据。例如，从年度销售数据钻取到季度或月度数据。
旋转（Pivot）：旋转操作允许用户改变数据的视图，将一个维度的数据转换为另一个维度，从不同的角度分析数据。例如，将时间维度的数据转换为地区维度的数据。
聚合（Aggregation）：聚合是对度量数据进行统计计算的操作，例如求和、平均值、最大值或最小值，用以生成汇总信息。
预聚合（Pre-Aggregation）：预聚合是提前计算和存储常用的聚合结果，减少运行时的计算压力，从而加速查询。

OLAP 的实时性一般情况下要求相对较低，侧重于对大量历史数据进行分析，以发现数据中的模式和趋势，为决策提供支持。
相比之下，OLTP 对实时性要求高，需要快速处理单个事务，确保数据的即时更新和准确性，以满足业务操作的实时性需求。

OLAP 系统以数据分析为中心，通常是数据仓库或数据湖，采用专门的建模方法（如星型模型、雪花模型）来优化多维分析和查询性能。为了提升分析效率，OLAP 中常对数据进行去规范化存储，例如通过预聚合或存储中间结果减少运行时计算。很多 OLAP 系统在分析数据前需进行离线数据集成、清洗和聚合，数据通常是以ETL流程定期加载的形式进入系统。
OLTP 以事务处理为中心，多为关系型数据库，使用高度规范化的设计（如三范式）以减少数据冗余和写入冲突。OLTP 系统通常采用行存储结构，优化单条记录的插入、更新和删除操作，对系统可靠性、一致性和可用性要求极高。

在电商、社交媒体或流媒体平台中，实时记录用户的浏览、点击、购买或播放行为，并基于即时分析其行为模式进行进一步运营动作。例如，根据用户的实时观看记录提供个性化的内容推荐。

实时分析玩家行为数据（如在线时长、消费模式、玩法偏好等），动态调整游戏活动、福利投放或系统平衡性，从而提高用户粘性，优化用户体验。

OLAP 数据库普遍采用列式存储架构，即将数据按列存储而非按行存储，便于对特定列的数据进行批量处理。列式存储能够显著减少 I/O 成本，因为查询通常只涉及少量列，而非整个表的数据。此外，通过列式压缩技术，OLAP 数据库可以显著提升存储效率，并进一步加速查询性能。

OLAP 数据库普遍具备良好的扩展性，能够处理PB级别甚至更大规模的数据。通过分布式架构和弹性扩展机制，这些数据库可以将大规模数据的存储和计算分散到多个节点上，从而提升系统的整体吞吐量。它们适用于企业中的数据仓库和湖仓一体化场景，满足对超大数据集的查询和分析需求。

掌玩游戏专注于游戏联运、游戏发行和游戏盒子等业务，旗下运营国战传奇、自由之刃、怒火一刀等热门游戏产品，累计注册用户超千万。数据分析是指导游戏运营的重要手段，可以将玩家行为数字化，并提供建立用户画像，分析用户行为的基础，又能给游戏公司建立多纬度的数据报表指导运营决策。随着业务快速发展，数据量越来越大，包括运营分析，买量分析，用户分析等在内的数据分析性能已经远远不能满足业务需求，客户需要更强大更稳定的 AP 能力。
迁移至 OceanBase 后，掌玩游戏借助 OceanBase 的 HTAP 能力，替代原有“云原生数据库（TP）+数据仓库（AP）”的方案，大大简化了数据库架构，数据只有一份且无需维护同步链路，分析业务真正做到了实时没有链路延迟，分析处理的性能和实时性得到进一步提高，复杂 SQL 性能平均提高 30%。