2022 MongoDB 数据与创新报告发布:复杂基础架构阻碍企业创新,数据成最大痛点

简介: 中国企业普遍认为技术创新对于推动未来增长至关重要,但 61%的企业表示复杂的数据基础架构阻碍了这一进程。

近日,通用数据库平台 MongoDB 发布了《2022 MongoDB 数据与创新报告》,该调查报告是一项针对亚太地区 2,000 余名(包括中国 400 余名)开发者、IT 决策者等专业技术人士的详尽调研,展示了创新的重要性,以及阻碍创新的隐性负担。

创新是当务之急,但时间却没有被用在刀刃上

根据该调查报告,在中国,81%的受访者表示,数据处理是应用程序构建过程中最困难的环节,而在应用程序开发过程中面临的最大技术挑战则是处理不同格式的海量数据。

尽管高达 92%的受访者认为定期构建新的应用程序和功能是企业获得长期成功的关键,但许多机构认为能真正用于创新的时间非常有限。受访的开发团队和 IT 决策者均表示,他们在现有数据、应用程序和基础设施维护方面所花费的时间(27%)与用于构建全新的增值功能或应用程序的时间(28%)基本相当。

调查指出,47%的受访者认为其组织机构的数据架构较为复杂,61%的受访者认为这种复杂性是制约创新的主要因素。受访企业表示,无法创新所导致的最严重后果将是成本上升,及无法从数据洞察获得竞争优势。

MongoDB 公司首席技术官 Mark Porter 表示:“纵观所有处于创新前沿的公司,我们会发现,这些公司并没有将创新外包给第三方。相反,这些组织机构的管理层深谙软件构建的复杂性,所以更加愿意为自己的开发团队配备有效的解决方案,帮助他们提高效率。而我们的调查结果与从企业高管处获悉的信息是一致的。企业正因为使用复杂的遗留技术而让开发团队的工作受到影响。负责数字化转型项目的企业高管应该聚焦于如何尽快部署应用程序、更快地迭代,以及有效安排发布排期。”

对于多数企业而言,上云和数字化转型增加了复杂性

大多数机构(58%)认为数字化转型使其数据架构变得更加复杂。然而,在谈到上云时,一些公司显然有着不同的体验。45%的受访者表示,迁移到云端有助于简化其数据架构,而 36%的受访者则表示,上云实际使其数据架构变得更加复杂。遗留数据基础设施被视为另一个创新制约因素,59%的受访者表示其阻碍了创新技术的发展。

随着对现代应用需求的日益增长,诸如搜索功能或移动应用程序等更多内容被陆续添加,这会导致整体构架随之臃肿。例如,31%的企业称其数据库数量多达 10 个以上。这意味着,开发人员需要花时间维护不同的多个数据模型、集成数据源、支持遗留系统及安全修复等方面。

MongoDB 北亚区副总裁苏玉龙表示:“从调查中可以清楚地看出,并非所有企业都能享受到云带来的各种益处。许多机构只是将现有的基础架构迁移至云平台,再一步一步添加新服务,致使本地存在的问题在云平台上还是一样会存在。企业应该采取不同的方法。我们注意到,一些最具创新性的企业对应用平台进行战略性投资,从根本上改善四大关键领域,1)提高开发人员效率,2)优先考虑使用优质且可重复使用的架构,3)轻松实现数据安全与隐私保护,以及 4)采用既具有部署灵活性又侧重于多云模式的方法。”

该调查报告得出的结论还包括:

• 创新的首要任务是提高内部效率/生产力

• 造成数据复杂性的最大因素是开发新产品或新功能的压力

• 最大的技术挑战是处理不同格式的海量数据

如需获得报告全文,可以在这里下载:2022 MongoDB 数据与创新报告

数据说明:

MongoDB 携手 CensusWide 公司,对印度、中国香港、中国台湾、澳大利亚、新西兰、中国内地和韩国等国家和地区的 2,043 名受访者进行了调研,调研对象为开发人员和 IT 决策者。

开发人员指“从事软件应用程序构建和创建的人员,其职责包括编写、调试和执行应用程序代码。”

IT 决策者指“获授权在公司内制定战略性 IT 决策的员工,包括(但不限于):IT 专业人员的招聘、全新 IT 软件和硬件的采购、以技术为重点的研发决策、数据管理和数据安全等。”

目录
相关文章
|
4月前
|
机器学习/深度学习 人工智能 监控
大型动作模型LAM:让企业重复任务实现80%效率提升的AI技术架构与实现方案
大型动作模型(LAMs)作为人工智能新架构,融合神经网络与符号逻辑,实现企业重复任务的自动化处理。通过神经符号集成、动作执行管道、模式学习、任务分解等核心技术,系统可高效解析用户意图并执行复杂操作,显著提升企业运营效率并降低人工成本。其自适应学习能力与上下文感知机制,使自动化流程更智能、灵活,为企业数字化转型提供坚实支撑。
367 0
大型动作模型LAM:让企业重复任务实现80%效率提升的AI技术架构与实现方案
|
4月前
|
人工智能 数据可视化 算法
企业想做数智化,数据仓库架构你得先搞懂!
在数智化浪潮下,数据驱动已成为企业竞争力的核心。然而,许多企业在转型过程中忽视了数据仓库这一关键基础。本文深入解析数据仓库的重要性,厘清其与数据库的区别,详解ODS、DWD、DWS、ADS分层逻辑,并提供从0到1搭建数据仓库的五步实战方法,助力企业夯实数智化底座,实现数据治理与业务协同的真正落地。
企业想做数智化,数据仓库架构你得先搞懂!
|
5月前
|
存储 BI Shell
Doris基础-架构、数据模型、数据划分
Apache Doris 是一款高性能、实时分析型数据库,基于MPP架构,支持高并发查询与复杂分析。其前身是百度的Palo项目,现为Apache顶级项目。Doris适用于报表分析、数据仓库构建、日志检索等场景,具备存算一体与存算分离两种架构,灵活适应不同业务需求。它提供主键、明细和聚合三种数据模型,便于高效处理更新、存储与统计汇总操作,广泛应用于大数据分析领域。
621 2
|
2月前
|
运维 Prometheus 监控
别再“亡羊补牢”了!——聊聊如何优化企业的IT运维监控架构
别再“亡羊补牢”了!——聊聊如何优化企业的IT运维监控架构
155 8
|
5月前
|
SQL 缓存 前端开发
如何开发进销存系统中的基础数据板块?(附架构图+流程图+代码参考)
进销存系统是企业管理采购、销售与库存的核心工具,能有效提升运营效率。其中,“基础数据板块”作为系统基石,决定了后续业务的准确性与扩展性。本文详解产品与仓库模块的设计实现,涵盖功能概述、表结构设计、前后端代码示例及数据流架构,助力企业构建高效稳定的数字化管理体系。
|
4月前
|
数据采集 缓存 前端开发
如何开发门店业绩上报管理系统中的商品数据板块?(附架构图+流程图+代码参考)
本文深入讲解门店业绩上报系统中商品数据板块的设计与实现,涵盖商品类别、信息、档案等内容,详细阐述技术架构、业务流程、数据库设计及开发技巧,并提供完整代码示例,助力企业构建稳定、可扩展的商品数据系统。
|
3月前
|
数据采集 机器学习/深度学习 搜索推荐
MIT新论文:数据即上限,扩散模型的关键能力来自图像统计规律,而非复杂架构
MIT与丰田研究院研究发现,扩散模型的“局部性”并非源于网络架构的精巧设计,而是自然图像统计规律的产物。通过线性模型仅学习像素相关性,即可复现U-Net般的局部敏感模式,揭示数据本身蕴含生成“魔法”。
200 3
MIT新论文:数据即上限,扩散模型的关键能力来自图像统计规律,而非复杂架构
|
2月前
|
存储 NoSQL 前端开发
【赵渝强老师】MongoDB的分布式存储架构
MongoDB分片通过将数据分布到多台服务器,实现海量数据的高效存储与读写。其架构包含路由、配置服务器和分片服务器,支持水平扩展,结合复制集保障高可用性,适用于大规模生产环境。
335 1
|
3月前
|
JSON 供应链 监控
1688商品详情API技术深度解析:从接口架构到数据融合实战
1688商品详情API(item_get接口)可通过商品ID获取标题、价格、库存、SKU等核心数据,适用于价格监控、供应链管理等场景。支持JSON格式返回,需企业认证。Python示例展示如何调用接口获取商品信息。
|
4月前
|
数据采集 监控 数据可视化
数据量暴涨时,抓取架构该如何应对?——豆瓣电影案例调研
本案例讲述了在豆瓣电影数据采集过程中,面对数据量激增和限制机制带来的挑战,如何通过引入爬虫代理、分布式架构与异步IO等技术手段,实现采集系统的优化与扩展,最终支撑起百万级请求的稳定抓取。
291 0
数据量暴涨时,抓取架构该如何应对?——豆瓣电影案例调研

推荐镜像

更多