当前位置：正文
许多企业正在把眼神转向数据捏造化安卓
在已而万变的信息时间，奏凯从数据中获取有价值信息的企业，将在竞争日益浓烈的市辘集保握其独到的竞争力。对于以数据为驱能源的企业来说，可能会对覆盖在海量数据中的业务和客户有着比较全面的领略，同期，这亦然为什么智能捏造化技巧用功于消释数据孤岛的原因。
[[319730]]
数据湖是势在必行吗?
夙昔，数据只会变得愈加万般化、动态化和阔别化。许多企业试图蚁集他们一起的数据，并通过将一起数据抛入一个数据湖中来使其可窥察，数据湖不错以其原始局面来保存数据，直到需要进行分析为止。
这种作念法或多或少照旧有劝服力的，大部分公司是不错承担得起数据科学家蚁集，翻译并分析数据湖中万般类型数据的用度。
对数据即存即取的需求已日趋强烈!
企业间竞相蚁集和分析尽可能多的数据，旨在取得与同业比拟哪怕是很狭窄的竞争上风。传统的数据湖无法处理新出现的数据源和正在创建的新的腹地数据库。
查询必须匹配用户正在使用的特定数据库，因此用户领有的数据库越多，就需要使用更多的查询讲话。枢纽的是，在一个数据湖中集成不同的数据，仍然需要东说念主工处理以使其具备可窥察性和可读性，这项工程对于数据工程师和数据科学家来说长短常耗时的。
数据湖穷乏纯真性，在数据驱动的经济中将不再适用
因此，许多企业正在把眼神转向数据捏造化，以优化其分析和BI。BI和数据正纠合他们通盘的数据，并使其可从一个场地读取和窥察。
并非通盘的数据捏造化皆是调换的。
数据捏造化创建了一个软件捏造化层，该层集成了通盘跨企业的数据。无论数据的局面是什么，或者数据驻留在哪一个筒仓、行状器或云中，数据皆会被调度成一种通用的业务讲话，并不错从单个学派窥察。
从表面上讲，这赋予了组织一个分享的数据湖，通盘不同的业务单元和业务用户皆不错立即窥察他们需要的数据。领有快速窥察权限，使企业粗略为分享见识作念出数据驱动的决策。
关联词，好多数据捏造化处罚决策并莫得达到分析的理念念成果。这有几个枢纽原因：
1. 安卓专有局面
不少数据捏造化供应商会将所罕有据合况兼调度成一种专有局面。天然脱色允许将数据集成到单个视图的单个位置，但供应商的专有局面时时将数据简化为最小的天下分母景色。
天下分母景色可能致使某些数据出现偏差，失去特定的功能，致使在调度的过程中丢失。有些数据还可能条目其原始数据库的高下文是关联的。因此，用户可能会从舛误的数据中给与信息，并作念出掩人耳目的买卖决策。
2. BI器具不兼容
BI器具对于企业来说是一笔金额极端大的投资。大多数企业级公司在不同部门领有几种不同类型的BI器具。举例，一个部门可能使用Tableau，而另一个部门可能使用MicrosoftPowerBI或Excel。
要让大数据分析在企业中充分施展作用，前提是不管用户可爱使用什么器具，数据皆是易于发现，并能被通盘的用户窥察。
许多供应商使用的专用数据局面可能无法与公司照旧进入的技巧进行互操作。不同的器具使用不同的查询讲话，浮现数据的神态也各不调换。当界说不一致的数据被集成时，分析过程中可能会出当代价惨痛的诞妄。
采纳合适的BI器具对于尽量减少业务中断，最大抑止地提升用户的坐褥力至关枢纽。
3. 查询收尾
跟着数据不竭增长和技巧的快速发展，查询会变得越来越复杂，这对于分析责任负载和处理大限度数据来说并不太理念念。料理的数据源越多，就越需要更多的数据工程来复古快速、交互式的查询。
散布式纠合迁徙多量数据并不适用于交互式查询。它给企业基础结构带来了不可展望和不可接受的压力，而浅陋的数据缓存对于动态查询环境和现时的数据大小来说是不够的。
当将BI和AI责任负载添加到搀和责任负载中时，性能会连忙下跌，从而促使最终用户寻找其他平直窥察数据的旅途，这就使数据捏造化莫得利好可言。
除了这些彭胀残障除外，传统的捏造化居品在处罚分析用例方面进展的也很差强东说念主意。
彭胀大型且复杂的数据行状需要对细节有久了了解：干所有据的统计、所触及的数据库、分享资源的负载、数据使用者的用例和意图、安全性拘谨等。
捏造化处罚决策需要为用户提供其数据的业务全体视图，包括头绪结构、度量、维度、属性和时辰序列。
数据捏造化应该提供什么?
大多数数据捏造化处罚决策的发展设施与今天的数据集和数据科学履行不同，仍然依赖于传统的数据和解方法和浅陋的缓存技巧。关联词，还有更多的下一代智能数据捏造化专为现时复杂且对时辰明锐的BI需求而谋划。
淌若你的数据捏造化处罚决策莫得提供以下功能，那就讲明它不够智能。
1. 自主数据工程
东说念主类遥远不可能是竣工的;庆幸的是，意想机不错。
鉴于当代数据体捆绑构的复杂性，东说念主类濒临这一问题根蒂是就无法可想，至少不不错现在保握竞争力所需的速率进走时算。这即是数据捏造化处罚决策需要提供自主的数据工程的原因。
自主数据工程不错说明无数的纠合和意想收尾自动推断出优化收尾，而这是东说念主脑无法达到的。机器学习(ML)是用来瓦解公司的所罕有据并稽查它是若何被查询并集成到通盘这个词组织的通盘效户正在构建的数据模子中的。
自动化数据工程可尽可能圣洁多量的资金和资源，同期开释数据工程师来履行对组织更有价值的更复杂的任务。
2. 加快结构
智能数据捏造化还不错自动已毕将数据放入特定的数据库，从而达到最好的性能。
有许多类型的数据和不同的局面比较符合这些数据。
智能数据捏造化不错基于生成最好性能的位置自动决定将数据放在哪个平台上。不同的数据平台具有不同的上风。举例，淌若用户的数据模子和查询正在处理时辰序列数据，那么智能数据捏造化将在数据库中遗弃一个针对时辰序列数据进行优化的加快结构。从而自动获悉哪个数据库具有哪些上风，然后加以运用，不同数据库类型的可变性皆能将其滚动为上风。
加快度结构可圣洁多量云运营资本。说明用户正在使用的平台，可能会对数据库的存储大小、启动的查询数目、查询中正在迁徙的数据、问题中的行数、查询的复杂性或其他变量收取用度。
举例，使用GoogleBigQuery，需要支付的金额与数据库的大小以及查询的复杂进度成正比。
当用户自动使用加快结构进行性能和资本优化时，只对在加快团聚中使用的查询数据收取用度，而不是对通盘这个词数据库的大小。
3. 自动数据建模
下一代数据捏造化不仅提供对数据的调度和窥察，智能数据捏造化还不错自动获悉每个数据平台的功能和局限性。它会自动识别哪些信息是可用的，以及如安在开发模子时将其与其他数据脱色和集成。
智能数据捏造化不错对用于创建旧版报表的数据模子和查询进行逆向运作，因此用户不错继续使用调换的报表，而毋庸重新构建数据模子或查询。举例，淌若用户在旧系统中创建了一个TPS呈报，则仍然不错粗略在新系统中检索到它。
有些查询可能是在旧数据基础上启动的，但它们仍然不错在新系统上启动，而无需任何重写。
4. 复古自助行状
频年来，IT的好多方面变得“巨匠化”了--也即是说，技巧的寥落(尤其是云意想)使它们变得“巨匠化”。使得那些莫得等闲技巧基础的生手东说念主也不错使用这些技巧。天然分析和买卖智能照旧落伍于民主化趋势，然而BI器具现在越来越符合平常巨匠使用。
BI的使用迷惑了一种新的“自助行状”分析文化的发展，在这种文化中，业务用户不错使用我方可爱的BI器具平直窥察和分析数据，而毋庸依赖数据工程师或数据分析东说念主员。
自助分析正连忙成为企业中优化大数据分析的必要妙技。
举例，假定销售部门保存干系于前一年的开销的数据，但但愿使用对于多个鸿沟的客户行动形态的数据来进行补充。或者，营销部门需要发起一场基于账户的营销当作，指标是那些被合计最有可能更换供应商的公司。
通过自助行状分析，销售或营销部门的业务用户不错窥察这些数据，并使用适当的器具调用这些数据。自助分析被使用，而不是依赖于稽查有素的数据工程师来为BI器具获取数据，以及数据科学家来建模和展望。
借助自助行状动态，组织中的每个部门皆不错将我方的警告和专科学问应用于BI，从汉典毕全新的便利性。
智能数据捏造化提供了一个业务逻辑层，它内容上将所罕有据调度为一种天下业务讲话，这种讲话既与源无关，也与器具无关。有了逻辑层，就意味着业务用户不错使用他们可爱的任何BI器具，且毋庸屈从于BI软件的单一圭臬。
无论用户使用什么器具或使用些许器具，所罕有据皆是可窥察的，况兼通盘查询皆将复返一致的谜底。圭臬和逻辑的解说使企业具备分享数据智能和自助行状文化的智力，而这种文化在现时数据驱动的业务环境中变得越来越必要。
5. 安全保险
在追求数据用户化的过程中，无论便利性和资本效益若何，皆不可殉国安全性和合规性。
人所共知，捏造化层会带来安全风险。然而，使用下一代智能数据捏造化，数据将秉承了所罕有据库的安全和治理策略。透明的料理过程意味着用户的权限和策略保握不变。
通过追踪数据的起源和用户身份，将通盘现存的安全和阴私信息保存到各个用户。
即使在使用具有不同的安全计谋的多个数据库时，这些策略也不错被无缝地脱色，况兼自动应用于全局安全和折服契约。在经受智能数据捏造化之后，不需要遴选其他规范来确保安全性和折服性。
数据捏造化必须跟着其他IT部门的发展而发展
对企业而言，领有效户化的数据和领有可读、可窥察和可靠的数据一样枢纽，但现如今，不少公司皆陷于海量数据的泥淖。越来越多的散布式模子以动态和万般化的局面和用例添加到数据中。淌若用户无法快速找到并分析所需数据，并深信它们的准确性和最新性，BI质地就会下跌，从而导致基于数据的决策不够理念念。
因此，数据捏造化需要不竭发展以粗俗这些新的挑战和复杂性，这么它才能信得过地用于大数据分析。
淌若数据捏造化处罚决策不可提供自主的数据工程，加快结构，如自动数据建模，自助行状分析，就存在问题了。用户需要无黄雀伺蝉的安全性和折服性，或者是平台讲话的多维语义层。淌若莫得这些经过，那么数据捏造化处罚决策就一定不够智能。