為了讓大數據在大范圍內實際可用，許多企業組織正竭力采用易于使用的數據分析技術。也許他們應考慮將部分功能外包到云端。如果選擇一種大數據即服務解決方案，可以處理像Hadoop、Spark和Hive等這些大數據技術很耗費資源、很耗費時間的操作方面，企業就能專注于大數據的好處，少關注枯燥乏味的工作。

大數據的出現帶來了以下幾方面的基本問題：

• 企業組織如何發揮其潛力
• 如何將其價值引入到企業組織的更廣泛部門
• 如何將該數據與之前就有的企業數據倉庫結合起來，比如企業數據倉庫(EDW)和數據集市

如今商業化應用的主流大數據技術是Apache Hadoop。它經常與Hadoop龐大的生態系統中其它技術結合使用，比如Apache Spark內存處理引擎、Apache Hive數據倉庫基礎設施和Apache HBase NoSQL存儲系統。

企業要將大數據納入到其核心企業數據架構，勢必需要改動或購置大數據即服務技術。適合如今需求的現代數據架構應當包括以下這幾個部分：

Hadoop上的高性能、分析就緒的數據倉庫

大數據如何才能做到速度快、隨時可供分析?構建便于分析的大數據環境的一個最佳實踐就是，可以Hadoop數據湖創建分析型數據倉庫，并封裝進最常用的數據集，然后建立維度模型。有了在Hadoop上便于分析的數據倉庫，企業組織就能獲得最快的查詢響應。這種模型便于業務用戶了解，它們便于探究業務環境逐漸發生了怎樣的變化。

這個分析數據倉庫不但要支持報告已知用例，還要支持探究分析非計劃場景。然而整個過程對用戶來說是無縫的，不需要知道是否需要直接查詢Hadoop上的分析型數據倉庫。

便于“業務語言”數據分析的語義層

大數據如何才能更加易于實際業務中的用戶訪問?為了隱藏原始數據中的復雜性，并以通俗易懂的業務術語將數據展示給業務用戶，就需要語義覆蓋層(semantic overlay)。這個語義層是數據的邏輯表示，可以在其中運用業務規則。

比如說，語義層可以將“高價值客戶”定義為“時間在三年以上，經常購買新產品或續約的那些客戶”。“高價值客戶”方面的數據可以從不同的表格獲取，經過不同層次的計算和轉換，最后進入到語義層，這一切都是查詢“高價值客戶”的業務用戶所看不見的。

之前，業務用戶不得不直接查詢Hadoop，這不切實際，或者要求IT部門提供信息，這意味著在報告請求排隊中等待。語義層讓業務用戶能夠使用熟悉的業務術語，分析和探究數據――不需要等待IT部門優先處理請求。這還便于針對不同的用戶，可以重復使用數據、報表和分析，保持一致性，并且讓IT部門不需要逐個情況地應對每個請求。

多租戶大數據環境

如何在整個企業組織訪問大數據，不管人們位于何處?由于廣泛需要數據分析，企業組織需要采用一種混合的集中式和分散式數據方法。這讓不同的術語可以兼顧本地數據集和語義定義，同時又訪問IT部門創建的企業數據資源。

這種混合方法可以用多租戶數據架構來實現。在這種架構中，IT部門收集和清理數據后，放入到共享的Hadoop數據湖，并利用該數據，準備好集中式語義層和分析型數據倉庫。

隨后，IT部門為不同的業務小組(比如財務、銷售、營銷和客戶支持)，創建集中式數據環境的虛擬拷貝。這樣一來，IT部門保留了數據治理和語義規則方面的統一權限，同時業務小組和部門又可以對照存儲在Hadoop中的歷史或企業數據，真正看到其日常業務活動的影響。

用戶界面友好的消費分析

怎樣才使用戶容易掌握大數據分析?就最終用戶處理大數據而言，最后要考慮的一個問題是，數據將以哪種形式來表示。這些數據界面將滿足每個用戶的獨特、個別的要求。這一需求包括：為業務用戶提供高度交互和響應的儀表板，為分析員提供界面直觀的可視化發現機制，以及為信息消費者提供計劃報表。

雖然每一種方式都很獨特，但最佳實踐是確保每個界面都不是單獨的工具，那樣在創建、協作和發布信息時可以確保一致性和準確性。只有通過確保數據價值仍然一致的語義層，才能做到這一點，而數據表示可能因用戶界面而異。

大數據對企業來說越來越重要，它是企業數據架構的一個基本部分。想充分發掘大數據的潛力，企業就要加快購置可高效地分析和存儲數據的技術。面向大數據和分析的云解決方案讓這成為了可能。有了這種解決方案，企業就能為未來的數據增長作好充分準備，反過來在日益發展的大數據生態系統中有出色的表現。

本文轉載自