用友iUAP:应变“互联网+”时代的企业大数据管理与分析

本文涉及的产品
数据管理 DMS,安全协同 3个实例 3个月
推荐场景:
学生管理系统数据库
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:

企业运营模式在互联网+时代已经发生了革命性的转变,客户导向、实时运营、数据驱动。互联网化让企业从供应商、服务商、渠道商到客户,甚至最终用户都希望能够建立一个密切的联系。

并且伴随着互联网化的不断深入,企业也将越来越向着数字化发展。数据管理和分析数据的需求越来越大,而这需要多个平台配合解决。用友iUAP的数据平台和用友BQ商业分析平台则可以很好的支撑用户的不同需求,在互联网+时代快速帮助企业开展大数据管理和分析。

企业大数据管理发展进程

用友网络助理总裁,兼集团iUAP中心副总经理谢东指出,数字化的信息和处理能力是支撑企业互联网化的技术,企业各类数据的综合构成了企业在数字世界的完整画像,这也意味着企业需要从数据中挖掘价值。

用友iUAP:应变“互联网+”时代的企业大数据管理与分析

用友网络助理总裁,兼集团iUAP中心副总经理谢东

随着企业业务应用的深化与外延,企业需要处理的数据在两个维度延伸,第一,处理数据类型的增加;第二,企业涉及的数据视野更广泛。在这样一个大数据的环境下,企业需要重新认识数据,从关键业务数据到一切都是数据;从关注自己的数据到关注所有相关甚至看似不相关的数据 ;从自己处理所有数据,到利用一切可以利用的处理能力。因此,企业现在需要解决自己的数据资产变现的问题,即价值如何最大化。

伴随着大数据的发展,企业开展大数据管理和分析需要经历不同的阶段。谢东认为企业要想做好大数据,需要管理好以下三方面,一是解决企业数据管理架构问题;二是解决企业大数据管理的技术问题;三是大数据应用的建设问题。

企业数据架构的选择思路要从一种架构支持所有应用,转变成多种架构支撑多种应用,针对不同应用场景选择不同的架构来解决相应的问题。像半结构化、非结构化数据处理要引用NoSQL、NewSQL,甚至Hadoop等新兴数据处理技术。

之后将进入数据管理阶段,分为孤立系统、数据集市、数据仓库以及统一元数据仓库几个阶段。分析应用的发展路径则会经历报表报告、交互分析、挖掘预测,最终到决策自动化四个阶段。

用友iUAP:应变“互联网+”时代的企业大数据管理与分析

最后企业将开始大数据分析建设,并且需要遵循四个原则,业务驱动、自上而下、价值最大化、全员应用。

iUAP平台的全方位支撑

用友iUAP是面向大型企业的互联网开放平台,分为开发与集成、移动与社交、大数据、互联网与云服务四大部分,十二大产品。iUAP在应对数字化企业变革和企业大数据管理和分析上有两大平台:数据平台和用友BQ商业分析平台。

数据平台包括iUAP DI(数据集成)、iUAP CDC(实时数据集成)、iUAP AE(结构化数据引擎)、iUAP UDH(非结构化数据引擎)。CDC实现业务库与分析库秒级数据延时的同步;AE采用列存储技术,使查询响应提高10倍以上,并实现透明压缩;UDH基于Hadoop开源产品体系,实现大规模结构化、非机构化数据集成、分析处理和统一展现。

用友网络集团iUAP中心数据平台总经理李长山指出,基于数据平台企业可以做到数据整合,同时支持企业外部数据整合;通过列式存储技术加速分析;支持结构化、非结构化、半结构化数据处理、PB级分布式并行计算、离线和在线数据处理;对分析模型和业务模型统一建立和管理,以及元数据整体的传递;提供了相应的工具进行预测。

用友iUAP:应变“互联网+”时代的企业大数据管理与分析

用友网络集团iUAP中心数据平台总经理李长山

目前AE的用户量要多于UDH,也间接反映出企业在数据管理和分析的应用还主要在结构化数据阶段。企业引入UDH会有很多考虑因素,用友加速UDH扩展的思路是提供企业管理器支持快速部署。当然企业也可以基于自身各方面能力自建,所以对企业而言AE可能是必选,UDH则是可选。

在数据平台之上,用友BQ商业分析平台是一个综合的商业分析平台产品套件。包含数据集成、分析引擎、多维展现工具、自由报表、移动分析等功能模块。

用友iUAP:应变“互联网+”时代的企业大数据管理与分析

用友网络集团iUAP中心产品与技术与技术管理部商业分析产品经理王翀表示,用友BQ拥有实时数据分析能力,可以实现全程的可视化,在统一架构下处理结构化和非结构化数据,并进行数据挖掘,同时可以展现到移动端。以及通过对元数据的处理保证准确度,还可以将其嵌入到业务系统中。

用友iUAP:应变“互联网+”时代的企业大数据管理与分析

用友网络集团iUAP中心产品与技术与技术管理部商业分析产品经理王翀

用友BI的未来发展也将围绕着敏捷BI和商业分析云展开。商业分析云的产品原型已经在设计阶段,同时还会有用户参与其中,目前看到最主要的用户需求包括自助、分享、离线三部分。


 

原文发布时间为:2015-7-14

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
|
22天前
|
机器学习/深度学习 算法 搜索推荐
从理论到实践,Python算法复杂度分析一站式教程,助你轻松驾驭大数据挑战!
【10月更文挑战第4天】在大数据时代,算法效率至关重要。本文从理论入手,介绍时间复杂度和空间复杂度两个核心概念,并通过冒泡排序和快速排序的Python实现详细分析其复杂度。冒泡排序的时间复杂度为O(n^2),空间复杂度为O(1);快速排序平均时间复杂度为O(n log n),空间复杂度为O(log n)。文章还介绍了算法选择、分而治之及空间换时间等优化策略,帮助你在大数据挑战中游刃有余。
46 4
|
22天前
|
SQL 消息中间件 分布式计算
大数据-124 - Flink State 01篇 状态原理和原理剖析:状态类型 执行分析
大数据-124 - Flink State 01篇 状态原理和原理剖析:状态类型 执行分析
57 5
|
2月前
|
存储 大数据 测试技术
用于大数据分析的数据存储格式:Parquet、Avro 和 ORC 的性能和成本影响
在大数据环境中,数据存储格式直接影响查询性能和成本。本文探讨了 Parquet、Avro 和 ORC 三种格式在 Google Cloud Platform (GCP) 上的表现。Parquet 和 ORC 作为列式存储格式,在压缩和读取效率方面表现优异,尤其适合分析工作负载;Avro 则适用于需要快速写入和架构演化的场景。通过对不同查询类型(如 SELECT、过滤、聚合和联接)的基准测试,本文提供了在各种使用案例中选择最优存储格式的建议。研究结果显示,Parquet 和 ORC 在读取密集型任务中更高效,而 Avro 更适合写入密集型任务。正确选择存储格式有助于显著降低成本并提升查询性能。
344 1
用于大数据分析的数据存储格式:Parquet、Avro 和 ORC 的性能和成本影响
|
3月前
|
分布式计算 Hadoop 大数据
Jupyter 在大数据分析中的角色
【8月更文第29天】Jupyter Notebook 提供了一个交互式的开发环境,它不仅适用于 Python 编程语言,还能够支持其他语言,包括 Scala 和 R 等。这种多语言的支持使得 Jupyter 成为大数据分析领域中非常有价值的工具,特别是在与 Apache Spark 和 Hadoop 等大数据框架集成方面。本文将探讨 Jupyter 如何支持这些大数据框架进行高效的数据处理和分析,并提供具体的代码示例。
86 0
|
1天前
|
人工智能 供应链 搜索推荐
大数据分析:解锁商业智能的秘密武器
【10月更文挑战第31天】在信息爆炸时代,大数据分析成为企业解锁商业智能的关键工具。本文探讨了大数据分析在客户洞察、风险管理、供应链优化、产品开发和决策支持等方面的应用,强调了明确分析目标、选择合适工具、培养专业人才和持续优化的重要性,并展望了未来的发展趋势。
|
17天前
|
存储 SQL 分布式计算
湖仓一体架构深度解析:构建企业级数据管理与分析的新基石
【10月更文挑战第7天】湖仓一体架构深度解析:构建企业级数据管理与分析的新基石
22 1
|
22天前
|
存储 消息中间件 大数据
大数据-69 Kafka 高级特性 物理存储 实机查看分析 日志存储一篇详解
大数据-69 Kafka 高级特性 物理存储 实机查看分析 日志存储一篇详解
23 4
|
21天前
|
消息中间件 druid 大数据
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(二)
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(二)
26 2
|
21天前
|
消息中间件 分布式计算 druid
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(一)
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(一)
45 1
|
4天前
|
数据采集 分布式计算 OLAP
最佳实践:AnalyticDB在企业级大数据分析中的应用案例
【10月更文挑战第22天】在数字化转型的大潮中,企业对数据的依赖程度越来越高。如何高效地处理和分析海量数据,从中提取有价值的洞察,成为企业竞争力的关键。作为阿里云推出的一款实时OLAP数据库服务,AnalyticDB(ADB)凭借其强大的数据处理能力和亚秒级的查询响应时间,已经在多个行业和业务场景中得到了广泛应用。本文将从个人的角度出发,分享多个成功案例,展示AnalyticDB如何助力企业在广告投放效果分析、用户行为追踪、财务报表生成等领域实现高效的数据处理与洞察发现。
18 0