對話數據技術專家—大數據發展思考

近兩年，“大數據”已成為業界和學術界舌尖上的熱詞，它時刻準備著改造社會，從民生到商業，從醫療到教育……，大數據正成為新的經濟推動力和重要的生產資料。但是，在歡呼和激動了數年后，我們更需要認真思考如何利用大數據、如何正確挖掘出大數據的價值。2014年底，Informatica中國區的幾位資深技術專家與國內IT媒體記者，就大數據的思維、技術和發展等問題進行了深入探討與剖析。

大數據思路已有，離成功尚遠

大數據真正開始做始于去年，通過兩年的嘗試、積累，思路已有，但離成功還很遠。一些國外的大數據案例、大數據故事無非是商務智能（BI）、數據倉庫（BW）的改頭換面，新瓶裝舊酒而已。就如數據倉庫一樣，建設了近20年才讓每個企業真正承認其價值，大數據也不能期望很快就獲得成功，需要一個沉淀時間。

大數據發展可以用一個波浪式的圖來形容，現在還處于第一個峰頂，必須經過低谷再升起，幾輪反復。這期間，大家可能會看到許多大數據真實的案例，不管是成功的還是失敗的都會給我們啟示。只要嘗試了就不一定完全失敗，就如數據倉庫建設，幾年前很多報告都顯示80%的項目失敗，但仔細分析后發現，只是在發展過程當中沒有達到預期價值而已。前人淌過的路，后邊的人可以少走一些雷區。

真正的大數據思維：允許數據的不精確性

以前，由于可獲得的數據量比較小，為此我們必須盡量準確的記錄下所獲得的所有數據，做出個KPI供領導參考，采樣過程的精確度被放在重要的地位。顯然，這種對精確性的執著是信息缺乏時代的產物。大數據時代，數據的收集問題不再成為困擾，采集全量的數據成為現實，但海量數據的涌現一定會增加數據的混亂性且造成結果的不準確性，如果仍執迷精確性，那么將無法應對這個新的時代。

大數據通常都用概率說話，且大數據處理之前是可以對之進行清洗從而減少部分的錯誤數據。所以，與致力于避免錯誤相比，對錯誤的包容將會帶給我們更多信息。其實，允許數據的混雜性和容許結果的不精確性才是我們擁抱大數據的正確態度，只要做到10%準確結果，能夠達成業務數十倍的增長即可，這是真正的大數據思維，未來我們應當習慣這種思維。

大數據不是一個純技術的問題

大數據不是一個純技術問題，會包含很多管理、業務方面的內容。并不是說，購買了一套數據挖掘工具，組建了一個Hadoop環境，就能稱為做了大數據。除了設備、技術上的投資，企業還需要從組織結構、人員意識、管理方式、企業文化等方面都有一個轉變。大數據的前期準備工作很多，這是一種思維上的全面變革。大家都是摸著石頭過河，走一步想一想，然后再走一步再想，直到最后成功上岸。

在這樣的一個過程當中，人們的思想還要跟隨大數據技術的發展不斷更新，同時也要對一些過去的想法進行糾正和改變。當然，這個時間不會像以前數據倉庫那樣花費20年，大數據可能會縮短一半時間。因為數據倉庫時代是從無到有，而大數據時代是從有到更好，人們已經從建設數據倉庫中積累了很多的經驗、技術、教訓，甚至有效的管理方法，可以很好地借鑒。

大數據技術解決的是非結構化數據的問題，非也

新興的大數據技術提供了非常有效的手段，讓人們可以花很低的代價去分析、處理非結構化的數據，但是這些非結構化數據有一個特點，就是密度還很低，它遠不如結構化數據有非常高的價值密度，可能100G的非結構化數據，最終有效的才1G。這表明，非結構化數據是對數據完整度的很大補充，但是并不能說大數據就是做非結構化數據，其實最終的目的還是要發掘數據價值。另外一方面，傳統的數據倉庫已經能夠完成現有結構化數據90%的利用程度，在這種背景下，人們才會把大數據的焦點放在對非結構化的處理上。

當前，非結構化數據大量產生，如機器日志、傳感器的數據、社交媒體的數據，都是以非結構化形式存在，而傳統的方式對這些數據的處理能力比較欠缺。如果用木桶效應來比喻，首先要把這個短板補上，與結構化數據處理的效率和能力齊平之后，更多的就是圍繞數據如何使用來進行更深一步的研究。還要認識到一點，大數據技術能夠處理半結構化、非結構化的數據，不過，這些數據總是要轉換成結構化的數據才能分析，算法可能輸入的是非結構化的，如視頻信息，但是剛進來不到10秒就變成結構化，最后顯示出來的還是表格式結構化的結果。

大數據應用的必要前提

在紛繁雜亂的大數據面前，沒有良好的數據質量，沒有更加良好的數據管理策略，用于業務應用的投資將隨著應用組合在企業內的增長和擴展而日漸縮水。做大數據，90%的企業走的路子都不可能實現放煙花式的很炫效果，他們首先還是要踏踏實實地解決數據整合、數據質量和主數據管理等問題，而這些恰恰是Informatica公司的核心競爭力所在。

現在，越來越多的企業從以前的粗獷式數據管理方式向精細化方向發展，更加注重數據質量和主數據管理，注重全數據視圖的構建等等。目前，Informatica已經有了11個方面，30多小項的解決方案，Informatica數據集成平臺提供了將數據轉化為可信、可行且可靠的信息資產所需的全部功能，可以隨時隨地集成任何的數據碎片、控制企業內或“云中”數據、高速傳送數據、與合作伙伴共享數據、查找并解決數據質量問題、給予您憑借數據主動采取行動的能力、創建針對最重要數據資產的可靠視圖等等，這些技術組合能夠天衣無縫地配合運作，且可通過有效利用硬件基礎設施來降低總體擁有成本，實現更精細化數據管理。

大數據時代，隱私高于一切

近兩年，國家政府著重強調信息安全，企業都非常關注數據安全問題。敏感的個人、財務和健康信息受到多種不同行業和政府數據隱私法規的管制，如果企業無法保持數據隱私，他們就會面臨嚴重的財務和法律懲罰，同時還會在客戶與市場信心方面蒙受可觀損失。在這種情況下，數據脫敏技術應運而生，并且在最近兩年，開始被越來越多的企業用戶所采用。Informatica在數據讀取和使用兩方面使用動態或靜態的數據脫敏手段來保證數據的隱私，在保存數據原始特征的同時改變它的數值，從而保護敏感數據免于未經授權的訪問，同時又可以進行相關的數據處理。

2014年，Informatica數據安全方案因滿足市場熱點需求而成為業務增長較快的單元。而另一種市場需求很大的是數據歸檔類方案。企業經過幾年發展，積累了大量歷史數據希望存檔，Informatica提供了一些運算、存儲等系列新技術，能夠對歷史數據進行歸檔、留存及分析，實現全生命周期數據的管理。

Informatica的 IDP理念

大數據時代最缺乏的是什么？是對數據能夠有效掌握和分析的人，這不僅僅是指高端的數據分析專家，更是包括能夠有效的獲取和利用數據價值的企業業務人員。Informatica IDP（Intelligent Data Platform）智能數據集成平臺，可以讓業務部門成為真正數據受益者，IDP直接面向業務部門，將人員、位置與事物以更加智能的方式緊密相連，業務人員可以根據自己的需求，自助式的獲得他所要的數據。

從實現手段來看，IDP并不是一個IT工具，更像是一個平臺，包括數據的自助式服務、數據的虛擬化等等，這些方法從底層通過技術的手段將各種各樣的數據呈現到最終業務用戶面前，讓他們自由地選擇希望使用、瀏覽、分析什么樣的數據，甚至能夠參與到數據的操作過程中來。目前IDP還沒有落地的產品，但是從發展理念來看，這是將Informatica傳統業務、優勢產品與智能化產品進行組合的一整套解決方案。