現代數據架構之道：包括數據倉庫與語義層等四個部分

鑒于許多企業組織在竭力采用易于使用的數據分析技術讓大數據廣泛可用，它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。它與作為更龐大的Hadoop生態系統一部分的其他技術結合使用，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，創建分析型數據倉庫，可以從Hadoop數據湖裝入最常用的數據集，然后將它們組織到維度模型。有了在Hadoop上的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。整個過程應該對用戶來說是無縫的，不需要知道要不要直接查詢Hadoop上的分析型數據倉庫。
　　便于“業務語言”數據分析的語義層
　　大數據如何才能被更多的業務用戶易于訪問?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”?！案邇r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。
　　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。