从目前来看需要大数据的主要应用领域，也只有两个：联机事务处理OLTP（On-line Transaction Processing）、联机分析处理OLAP（On-Line Analytical Processing）。
OLTP是传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，例如银行交易。OLTP一般就是把大数据用于在线业务，比如淘宝的订单交易、商品展示、历史交易、百度的网页搜索、新浪的微博内容展示等。这种需求要求有实时性，查询以后需要在秒级别返回，且对于服务稳定性和容错性有一定要求的。另外，读操作的数量远远大于写操作，且增量数据的大小要远远小于历史数据。在设计OLTP的数据系统中，主要技术难点有：分层，分片，分布式事务等。
OLAP是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。OLAP主要是做离线分析，对时效性要求不高，跑几个小时到几天问题都不大，并且机器挂了也没事，大不了Restart一下。但是这种系统往往数据量非常大，维数特别多，基本都需要把历史数据全部扫描1-2遍。在设计OLAP系统里主要涉及到技术有：列存储，降维，切分等。
| Name | OLTP | OLAP |
|---|---|---|
| 用户 | 操作人员，低层管理人员 | 决策人员，高级管理人员 |
| 功能 | 日常操作处理 | 分析决策 |
| 设计 | 面向应用 | 面向主题 |
| 数据 | 当前的， 最新的细节的， 二维的分立的 | 历史的， 聚集的， 多维的，集成的， 统一的 |
| 存取 | 读/写数十条记录 | 读上百万条记录 |
| 工作单位 | 简单的读写 | 复杂查询 |
| DB大小 | 0-100G | TB-PB级别 |
OLTP做起来相对容易，并且企业产品和开源产品非常多。小型项目用mysql+redis+memcached足够应付。大型项目在开源社区的支持下，hadoop +hbase+redis也可以从无到有地应对需求，迅速减少小公司同大公司的差距。甚至连之前NOSQL的各大产品一直纠结的CAP原则，目前也隐隐有了逼近的解决方案，至少在可用性A和分区容忍度P达到的基础上，基本能把一致性C的延迟时间降低到秒级甚至毫秒级。而大型商业产品推出的分布式数据库，和一些开源分布式产品，例如淘宝开源的OceanBase都在保证分布式数据库的ACID的原子性上进行了一定程度的尝试。
OLAP相对起来较为复杂，由于数据是多维的，以往以语义性著称的SQL语言也在数据分析时显得力不从心。在这方面建模和抽象变得很重要，如何解决数据的语义性和查询的可描述性变得很困难。相比起来，这方面的突破才显得不那么容易。目前OLAP主要的开源产品包括HDFS、HIVE和Impala等，至于商业产品，因为没有机会用到，在这里就不提了
