不久前，在商業智能實時圖表解決方案的選擇中，我們簡單講了下實時分析的工作流程。今天我們就來詳細討論一下這個話題。

如果你已經使用過實時dashboard，或者正打算建立一個，那么，這篇文章可以幫助你理解實時dashboard背后的故事以及實時數據如何展現在你的dashboard中，從而實現數據可視化。

除去端到端之間極短的時間，數據實時可視化主要有四大步驟。這里我們用一張圖來展示。

1、捕獲數據流

實時數據流使用 scrapers、collectors、agents、listeners捕獲，并且存儲在數據庫中。數據庫通常是NoSQL數據庫，例如， Cassandra、MongoDB, 或者有時候是你只是Hadoop Hive。關系數據庫不適合這種高展現的分析。NoSQL數據庫的崛起也增強了實時數據分析向他靠攏的趨勢。

2、數據流處理

數據流可以通過許多方式處理，比如，分裂、合并、計算以及與外部數據源結合。這些工作由一個容錯分布式數據庫系統，比如， Storm、Hadoop，這些都是比較常用的大數據處理框架。但是他們卻不是實時數據分析的理想選擇。因為他們依賴MapReduce面向批量的處理。不過Hadoop 2.0允許使用其他計算算法代替MapReduce，這樣使得Hadoop在實時分析系統中運用又進了一步。處理之后，數據就可以很可視化組件讀取了。

3、數據可視化組件讀取處理過的數據

處理過的數據以結構化的格式（比如JSON或者XML）存儲在NoSQL數據庫中，被可視化組件讀取。在大多數情況下，這會是一個嵌入到一個內部BI系統的圖表庫，或者成為像Tableau這種更加廣泛的可視化平臺的一部分。處理過的數據在JSON/XML文件中的刷新頻率，稱為更新時間間隔。

4、可視化組件更新實時DASHBOARD

可視化組件從結構數據文件（JSON/XML）,在圖表界面繪制一個圖表、儀表或者其他可視化行為。處理過的數據在客戶端展現的頻率叫做刷新間隔時間。在一些應用程序中，比如帶有圖表渲染功能的股票交易應用程序,會預先設置基于數據流的觸發功能。

會不會覺得很復雜呢？只不過這些過程會在幾秒鐘內，甚至更短時間內完成。這些操作因為不斷進步的數據庫及實時功能變成現實，特別是NoSQL數據庫。再由諸如Storm這種專用于實時進程處理的工具輔助，可以讓其性能效果更上一層能。現在的可視化數據已經支持需求場景，在當今的大數據應用程序中建立了一個實時分析生態圈。

推薦閱讀：

• 商業智能分析中如何正確地選擇實時圖表解決方案
• 商業智能分析中選擇實時圖表解決方案應該考慮的四個因素
• 數據預測分析中的非結構化和半結構化數據問題
• 數據預測分析模式和影響因素
• 細說數據可視化的發展里程碑
• 數據可視化的下一個標準：自動化+交互性