Teradata“统一数据架构”引领企业大数据应用体系

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介:

ZDNET至顶网CIO与应用频道 11月17日 人物访谈(文/王聪彬):现如今,数据已经被认定为重要的企业资产,可以帮助企业体现商业价值,也就是实现常说的数据驱动业务。而就在刚刚结束的2014年 Teradata Partners全球用户大会上,Teradata天睿公司国际集团总裁赫尔曼威摩(Hermann Wimmer)从全球客户的交流中得到了一致的反馈,就是大数据已经逐步变成现实。但大数据的出现其实只是开端,还需将结构化数据和非结构化数据进行结合,充分挖掘大数据的价值,而通过统一数据架构可以让数据从捕获到存储再到分析和应用,构建成拥有所有技术优势的架构体系。

中国大数据应用两大变化

Teradata天睿公司在国际市场上正稳步增长,除美国之外,国际业务在2014年已经增长了10%,平均计算全年增长3%,而中国则是其在全球范围内非常具有战略性的市场,按照市场贡献度预计将很快成为在美国之后的第二大市场。

“企业有效驾驭信息的能力已经成为最终体现业务价值的不可或缺的重要途径。” Teradata天睿公司大中华区首席执行官辛儿伦(Aaron Hsin)说道,Teradata 在全球2500多家行业领先的企业及公共事业单位的部署中获得丰富的项目经验,可以协助客户在正确的时间、地点、方式驾驭数据。

Teradata“统一数据架构”引领企业大数据应用体系

左:Teradata天睿公司大中华区首席执行官辛儿伦 Aaron Hsin;右:Teradata天睿公司国际集团总裁赫尔曼威摩 Hermann Wimmer

从企业的应用层面看,数据驱动业务已经是一个普遍现象。通过对数据的使用可以更好地管理业务、增加收入、提高满意度等等。当然还有数据的再使用,为用户在适当的时候提供个性化的服务内容,这些都是数据带来的改变。

而中国用户在大数据时代也表现出两大表现,第一,大数据应用已经不仅限于原来高科技公司和互联网行业,现在银行、通信、汽车制造等各行各业都在使用。第二,中国企业变得更愿意尝试新的想法和技术,并转化为自身的竞争力。

数据还在行业之间变得更加紧密,展现出更大的价值空间。Hermann Wimmer举出了国际上电信和零售行业结合的例子,零售商在取得用户的同意下,通过用户手机地理位置信息了解用户的位置,零售商会整合用户的个人信息,向用户推荐附近最喜欢的餐厅或场所等服务,从而达到提供个性化服务的目的。当然行业间的密切合作并不意味着共享彼此的客户数据。

在未来大数据的发展过程中,数据科学家也将成为企业的必备,他们可以将的数据整合分析的专业知识与行业中的商业模式很好地结合,帮助企业在大数据的使用上更成功。

三部分构建统一数据架构

一年前Teradata就在业内独家推出了统一数据架构(UDA)技术,其中支持Teradata数据仓库、Teradata Aster大数据探索平台,以及开源系统Hadoop和R等三部分。

现在的数据规模只能用海量来形容,数据的来源也多种多样。“如果把数据全部放在Teradata数据仓库中成本太高,我们需要找到一个可以存储同时可以再必要时进行数据分析的高效方法,所以在架构里就集成支持多个版本的开源Hadoop,加上Teradata Aster大数据探索平台。而且,通过数据仓库还可以提供更高的安全和隐私性。” Hermann Wimmer说道,三部分组成了一个非常完善的架构,已经在全球一百多家客户中使用,而在大中华区也有像光大银行、联通研究院、远传电信等知名企业已经开始构建。

Teradata天睿公司大中华区大数据事业部总监孔宇华补充说,统一数据架构是Teradata和很多客户交流时集体智慧的结晶,因为数据管理、分析以及应用很难利用单一的技术来实现,Hadoop平台可以很好地完成数据收集和管理数据,Aster探索平台可以快速挖掘数据的价值,最后再把最有价值的数据导入数据仓库并形成洞察力,这样统一数据架构就将各个平台的优势最大程度地都发挥出来。

“统一数据架构是一个面向未来的,经过验证的架构。企业应用未来也会朝着这个方向发展,由于架构的开放兼容能力,用户可以逐步根据业务需求搭建所需的技术,最终根据需求的演进,逐步延伸构建起整体架构。”辛儿伦说道。

在应用层面,Teradata统一数据架构在全球已经有一百多家客户在使用,在中国也有十几个客户开始构建。

由于架构的开放性,所以可以分阶段投资,并非只能适用于集团型或大型企业使用。根据企业的成熟度,其可以选取目前需要整合的能力进行投入,之后随着企业业务和规模的扩大再进一步投入,做到大数据从小做起。

原文发布时间为:2014年11月17日
本文作者:王聪彬
本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。
相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
2月前
|
消息中间件 存储 缓存
十万订单每秒热点数据架构优化实践深度解析
【11月更文挑战第20天】随着互联网技术的飞速发展,电子商务平台在高峰时段需要处理海量订单,这对系统的性能、稳定性和扩展性提出了极高的要求。尤其是在“双十一”、“618”等大型促销活动中,每秒需要处理数万甚至数十万笔订单,这对系统的热点数据处理能力构成了严峻挑战。本文将深入探讨如何优化架构以应对每秒十万订单级别的热点数据处理,从历史背景、功能点、业务场景、底层原理以及使用Java模拟示例等多个维度进行剖析。
58 8
|
2月前
|
存储 分布式计算 数据挖掘
数据架构 ODPS 是什么?
数据架构 ODPS 是什么?
436 7
|
1天前
|
分布式计算 Shell MaxCompute
odps测试表及大量数据构建测试
odps测试表及大量数据构建测试
|
15天前
|
存储 SQL 分布式计算
大数据时代的引擎:大数据架构随记
大数据架构通常分为四层:数据采集层、数据存储层、数据计算层和数据应用层。数据采集层负责从各种源采集、清洗和转换数据,常用技术包括Flume、Sqoop和Logstash+Filebeat。数据存储层管理数据的持久性和组织,常用技术有Hadoop HDFS、HBase和Elasticsearch。数据计算层处理大规模数据集,支持离线和在线计算,如Spark SQL、Flink等。数据应用层将结果可视化或提供给第三方应用,常用工具为Tableau、Zeppelin和Superset。
168 8
|
1月前
|
机器学习/深度学习 人工智能 运维
智能化运维:AI与大数据在IT运维中的应用探索####
本文旨在探讨人工智能(AI)与大数据分析技术如何革新传统IT运维模式,提升运维效率与服务质量。通过具体案例分析,揭示AI算法在故障预测、异常检测及自动化修复等方面的实际应用成效,同时阐述大数据如何助力实现精准运维管理,降低运营成本,提升用户体验。文章还将简要讨论实施智能化运维面临的挑战与未来发展趋势,为IT管理者提供决策参考。 ####
|
2月前
|
机器学习/深度学习 存储 大数据
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系,保留最大方差信息,实现数据压缩、去噪及可视化。本文详解PCA原理、步骤及其Python实现,探讨其在图像压缩、特征提取等领域的应用,并指出使用时的注意事项,旨在帮助读者掌握这一强大工具。
94 4
|
16天前
|
存储 负载均衡 监控
揭秘 Elasticsearch 集群架构,解锁大数据处理神器
Elasticsearch 是一个强大的分布式搜索和分析引擎,广泛应用于大数据处理、实时搜索和分析。本文深入探讨了 Elasticsearch 集群的架构和特性,包括高可用性和负载均衡,以及主节点、数据节点、协调节点和 Ingest 节点的角色和功能。
37 0
|
2月前
|
存储 大数据 数据管理
大数据分区简化数据维护
大数据分区简化数据维护
27 4
|
2月前
|
机器学习/深度学习 存储 大数据
云计算与大数据技术的融合应用
云计算与大数据技术的融合应用
|
1月前
|
弹性计算 API 持续交付
后端服务架构的微服务化转型
本文旨在探讨后端服务从单体架构向微服务架构转型的过程,分析微服务架构的优势和面临的挑战。文章首先介绍单体架构的局限性,然后详细阐述微服务架构的核心概念及其在现代软件开发中的应用。通过对比两种架构,指出微服务化转型的必要性和实施策略。最后,讨论了微服务架构实施过程中可能遇到的问题及解决方案。