比如說在生產線上，在生產的數據庫里面，各種各樣的數據，可能是銀行的業務數據，也可能是電信運營商在交換機里面采集下來的數據等等，然后這些生產的數據通過ETL，是英文 Extract-Transform-Load 的縮寫，用來描述將數據從來源端經過抽取（extract）、轉換（transform）、加載（load）至目的端的過程，通過這個過程，我們可以把需要的數據放到數據倉庫里面，那這個數據倉庫就是多層模型中的第二層。

　　數據倉庫主要是給我們需要存放的數據提供一個物理基礎，我們對數據進行分析，原材料都放在這個數據倉庫里面，這幾年以來，除了數據倉庫這個概念，還興起了數據集市這個概念，數據集市其實就是部門級的數據倉庫，規模比較小一點的數據倉庫。

　　再上面一層是Data Exploration，這層主要做統計分析的事情，比如我們算均值、標準差、方差、排序、求最小\大值、中位數、眾數等等，這些統計學比較常用的指標，另外還有些SQL查詢語句，總的來說主要是做一些目標比較明確，計算方法比較清楚的事情。

　　第四層是Data Mining數據挖掘層，數據挖掘與數據分析（統計分析）有什么區別呢，數據分析往往是統計量和算法比較清楚，數據挖掘往往是目標不是很清楚，在實現目標的過程中采用什么方法不能確定，所以數據挖掘比數據分析難度要高很多。

　　常用的數據分析工具，包括一些廠商的數據庫產品，包括IBM的DB2、甲骨文的Oracle數據庫。這些廠商的數據庫本身帶有一些統計分析的包，里面有些標準的功能可以做數據分析工作，但用這些自帶的數據分析工具功能相對不夠專業。主要反映在缺乏標準的統計函數，比如做一個線性回歸模型，需要寫一大堆SQL語句，甚至要寫一個plsql程序才能完成。但是在專業的統計軟件只需要寫一個簡單的函數就可以完成。

　　展現層在數據分析中是一個很重要的組成部分，在大家的心目中數據分析軟件只是讀數據和算數據，結果算出來就OK了。但其實結果算出來以后對于數據分析還遠沒有結束，還需要把結果展現出來，有些時候可能結果的展現比計算花的時間還要多。

　　根據信息圖顯示，Android先生的頭發有47%的可能是黑色的，戴眼鏡的幾率為37%，有36%的可能是北美人，30%的可能臉上長雀斑。71%的時 間會穿T恤，下身穿牛仔褲的時間占了62%。工作只占了38%，玩游戲卻占了62%，平均每個月會用掉582MB的數據流量。這種圖稱為信息圖，在數據分析這個行業里面，是數據展現工作的主要組成部分。