利用大數據供應鏈釋放商業價值_數據分析師

現如今，數據技術飛速發展，但大量企業數據并未得到充分利用。Gartner近期的一份調查顯示，85%的《財富》500強企業都未充分發掘大數據所蘊藏的潛力并據此形成競爭優勢，這樣的情況將持續至2015年底。異曲同工的是，埃森哲的研究發現，雖然半數的受訪企業很重視數據的準確性，但絕大多數管理者并不清楚數據分析項目會帶來怎樣的業務成果。企業的數據生態系統正變得日益復雜，各自為政的“數據孤島”卻比比皆是，限制了企業從數據中創造價值。

為了釋放數據所蘊藏的潛力，企業應著手將數據視為一條供應鏈，使該鏈條以簡單、有效的方式在整個企業中流動，并最終貫穿包括供應商和客戶在內的整個企業合作伙伴生態系統。通過有效的配置和管理，數據供應鏈有助企業發掘內部數據，對更多數據來源進行充分利用，并最終產生切實可行的業務洞察力。

而對于強有力的數據供應鏈而言，數據加速起著至關重要的作用。數據加速主要依托相關工具和技術快速獲取海量數據（從數據源輸入專門的數據系統），并能使其迅速存儲和取用。具體而言，企業能夠通過數據加快節奏獲取有價值的數據，進而進行數據分析，獲取洞察力并據此采取行動，有時甚至能在機遇窗口極為短暫的情況下迅速交付。

由此可見，數據加速能幫助企業克服數據遷移、數據處理和數據交互的數據相關挑戰，從而從根本上解決如何使數據從源頭迅速遷移到有需求的企業部門，如何盡快處理數據以獲取可行洞察力，以及如何快速響應用戶或應用提交的查詢請求等問題。

加快數據處理

過去，數據在企業中的遷移緩慢且相對直接：數據首先被收集至暫存區，隨后再轉換成適當的格式，并加載存入同數據源，然后以點對點的形式將數據直接傳輸至數據集市，供用戶和應用調取使用。然而，隨著數據量和數據種類的急劇增加，這種傳統的流程已難以為繼。

物聯網進一步推動了數據遷移的發展。到2020年，全球將有多達260億臺設備集成、納入到物聯網當中。每臺互聯設備都會生成數據，并且具有各自的形式和特征。對于出自各類源頭、各式各樣的數據，要想從源頭把對應數據完整地傳輸到有需求的企業部門，難度好比將消防龍頭當作引水口，并且要求做到滴水不漏。而數據加速恰恰有利于企業有效管理這項艱巨而又工程浩大的任務，通過各種方式將數據納入企業的數據基礎架構，確保數據能夠快速存取。

長期以來，企業一直通過數據處理來獲取切實可行的洞察力。然而，有待處理的數據量和數據種類顯著增加。為適應該情況，實現又快又準的處理結果，企業必須培養相應的數據處理能力。

實時分析技術的崛起為企業帶來了諸多全新機遇。良好的分析技術會對輸入數據進行預處理。例如，通過監測客戶所處位置，企業能在客戶接近潛在購買地點時，向客戶的移動設備發送促銷或折扣信息。而更加出色的技術則會將流數據與歷史（已建模的）數據有機結合起來，從而做出更加明智合理的決策。舉例而言，如果能將客戶位置與其購買歷史對應起來，企業就能向同一位客戶發送量身定制的個性化促銷信息，從而提高購買的可能性。

為從更加快速的數據處理中全面獲益，企業必須對計算機集群進行有效利用——即通過組織有序的成百上千臺計算機篩選海量數據。市場上有關數據快速存取的新型解決方案已如雨后春筍般涌現，每一種方案都為數據處理速度、耐久性和準確性提供了有力保證。數據加速能為實現更快的數據處理提供支持，利用計算機集群的軟硬件升級，使計算機的運行效率得到前所未有的提升。

提速數據交互

數據交互主要關乎數據基礎架構的可用性。用戶或應用會向基礎架構提交查詢要求，并期望在可接受的時間范圍內獲得響應。傳統的解決方案已使人們能夠輕松地提交要求、獲得所需結果，獲取切實可行的洞察力。但是，大數據的興起催生出了許多全新的編程語言，阻礙了現有用戶采用這些系統。此外，由于數據規模龐大，用戶不得不等候數十分鐘、甚至好幾小時才能獲得查詢結果。

用戶等待時間越久，獲取洞察力所需時間也就越長，進而導致業務決策和滿足客戶期望的過程拖沓、延緩?？上攵?，客戶在向自身用戶提供重要服務時，例如零售交易處理，可能會要求響應時間必須達到次秒級（毫秒）的水平。而在相對不太重要的業務中，客戶能夠接受的響應時間也許會稍長一些。數據加速能為實現更快的數據交互提供支持，即以普遍接受的方式將用戶和應用與數據基礎架構關聯起來，并確保按要求快速提交查詢結果。

為推動數據加速，企業應從眾多不同的數據技術組件中選定適用的范圍構建架構。這些組件包括：大數據平臺、復雜事件處理、數據采集、內存數據庫、緩存集群以及各種套裝設備等。同時，架構組件只有經過正確的組合和架構配置，充分利用各自的互補優勢，方能夠實現最大價值。為了構建能夠支持數據加速的數據供應鏈戰略，企業可以從以下幾點著手準備：

• 儲存數據。從使用頻率最高、時間關聯度最強的數據著手，將這些數據首先納入數據平臺，獲得加速。
• 識別效率低下的流程。尋找那些耗時頗多的手工數據修補流程（如：數據標記或數據清理），利用機器學習算法進行替代。
• 找到數據孤島。明確企業目前尚未得以滿足的相應數據需求。
• 簡化數據存取。制定標準化的數據平臺數據存取策略，使得解決方案具有混合的特點，比如將傳統的中間件和應用程序接口相結合起來，抑或采用平臺即服務（PaaS）產品。
• 對單個數據供應鏈進行優先排序。這有助企業制定詳細的路線圖，從而大規模實施數據供應鏈。
• 兼顧外部數據源。在企業外部尋找數據源，以補充現有數據，幫助生成更加全面的洞察力。
• 為自身企業數據選擇合適的數據加速技術堆疊，同時研究優化配置的方法。

大數據的誕生，使相關技術門檻降至歷史新低。但是，大數據同樣也帶來了各種挑戰。為了應對這些挑戰，企業應建立數據供應鏈，通過數據加速加快數據的遷移、處理與交互，從而使決策者得以更加迅速地捕獲數據洞察力并采取行動，最終實現數據分析投資回報。