@dko
你好歹找个 1 类致癌物来说，拿个 2B 类的碰什么瓷

酒精饮料是 1 类致癌物质：对人类有确认的致癌性
射频辐射是 2B 类致癌物质：对人体致癌的可能性较低

暴论：酒精是酒里最难 tm 喝的成分 🐶

两者都有。
治安较好的地区可能只能体会到防乘客误开的用处，但治安不好的地区防外部开门也很重要。

我遇到过这种问题是双屏幕的缩放比例不一致，以及在调整缩放比例后没有重新启动程序。
Wiindows 缩放确实问题很多，除了渲染之外，还有计算器在两个屏幕间移动总是会越变越大。

如果只是仓库管理没有扩展需求，没必要搞 ERP ，上个 WMS (warehouse management system)就行了。
ERP 涉及整个公司方方面面，你得有很广泛的基础知识，还要针对每家公司了解业务。基本上除了小微企业之外，ERP 都需要进行实施甚至定制。

@fxxkgw
说到借贷平台，前几天安全大佬云舒还被携程诱导开了贷款服务，到逾期了才发现然后大骂携程

作为 5 楼的参照，中国电信网络诈骗挽回损失大概是这个数量级，未能挽回的数字不清楚。

《我国打击电信网络诈骗犯罪成效显著 2020 年为群众挽回经济损失 1870 余亿元》
https://www.gov.cn/xinwen/2021-04/10/content_5598774.htm

@WangLiCha
普通的数据仓库大多是二维表的数据库，和大数据没直接关系，即使有关也是从大数据源（比如数据湖）里抽取并整理之后的少量数据，处于大数据项目偏下游位置。至于数据中台，处在比数据仓库更下游的位置，只比报表制作者和报表使用者稍上面一些。

真正接触大数据上游的人大多都是数据科学家/数据工程师+IT ，写代码敲命令居多，不太需要 GUI 。

至于你问大数据有什么特别的，你可以看一下大数据的基本特征，没有哪条能用常见数据库来达成。
* 量 volume: TB 只是基础单位，上到 PB EB 的数据量，你用普通通用数据库能应付吗？
* 种类 variety: 结构化数据容易用通用数据库处理，给一堆非结构化数据你怎么处理呢？
* 速度 velocity: 比如 1 个车间有 100 台机器，每台机器有 100 个传感器，每个传感器以 1kHz 采样，那么每秒就有 1000 万个采样点，你用传统数据库每秒 insert 1000 万行数据吗？当然 PostgreSQL 可能勉强能达到，但过段时间你有 10 个车间，传感器采样率提高到了 16kHz ，你继续堆数据库硬件吗？
* 可信度 veracity: 传统数据库里的公司内部数据，DBA 很容易管理数据质量，但当你的爬虫从互联网上爬来一大堆乱七八糟的数据时，你怎样从中提取有效信息做成可靠的报告？

数据仓库（ data warehouse ）不是什么新概念，至少在 1980 年代就已经有商业应用了。
数据市集（ data mart ）也是有了数据仓库后自然延伸的概念，比数据仓库更小，一般是从数据仓库里提取了一小部分数据，便于做报告。就像商店从仓库里取出部分货物放到货架上一样。
以上两个都是很早就有的概念，和大数据没直接关系，和传统 OLAP 、ETL 等概念关系更大一些。

传统数据大多是结构化数据，用二维表很容易存储，用 ETL 很容易处理，用 OLAP 很容易分析。
大数据，是现在数据量更加庞大、数据关系和逻辑更加复杂（比如非结构化数据），需要和传统数据库不同的设计和工具，概念大概出现在 2010 年代前期。
数据湖（ data lake ）是和大数据差不多时期出现的概念。

至于数据域、数据指标，虽然能搜到，但具体不太清楚。

大部分是数据库管理员的事情，和前端工作关系不大，前端可能要做的是 BI 报告平台。