Intuit公司負(fù)責(zé)數(shù)據(jù)工程的副總裁Bill Loconzolo已兩腳踏入了數(shù)據(jù)湖。而Smarter Remarketer的首席數(shù)據(jù)科學(xué)家Dean Abbott也徑直走進了云中。當(dāng)我們說到大數(shù)據(jù)和分析的前沿時，它既包括數(shù)據(jù)湖(以原生格式存儲海量數(shù)據(jù))，當(dāng)然也包括云計算。盡管這些技術(shù)選項距離成熟還很遠，但我們肯定不能選擇一味的等待和觀望。
“現(xiàn)實情況雖然是，各種大數(shù)據(jù)工具在不斷涌現(xiàn)，但Hadoop平臺的前途尚未達到讓企業(yè)能夠依賴的程度，”Loconzolo說。然而大數(shù)據(jù)和分析技術(shù)演變得如此之快，企業(yè)必須做出抉擇，要么涉足其中，要么就得冒落后的風(fēng)險。“在過去，新興技術(shù)可能需要幾年時間才能成熟。而現(xiàn)在，解決方案的迭代和升級只需要幾個月，甚至幾周時間。”那么，在你的觀察名單或者實驗室里，最重要的新興技術(shù)和趨勢是什么呢?當(dāng)我們用這樣的問題去問很多IT高管、咨詢師和行業(yè)分析師時，得到了如下的答案。
1、云中的大數(shù)據(jù)分析
Hadoop框架和一組工具可用于處理非常大的數(shù)據(jù)集，它最初是為了物理機集群而設(shè)計的。但現(xiàn)在情況有了變化。Forrest分析師Brian Hopkins說：“如今已有很多技術(shù)可用于處理云中的數(shù)據(jù)。”實例包括亞馬遜Redshift所托管的BI數(shù)據(jù)倉庫、谷歌BigQuery數(shù)據(jù)分析服務(wù)、IBM Bluemix云平臺，以及亞馬遜Kinesis數(shù)據(jù)處理服務(wù)等。“大數(shù)據(jù)的未來狀態(tài)將是企業(yè)端和云端的某種混合態(tài)。”
從事零售業(yè)分析與營銷服務(wù)的SaaS廠商Smarter Remarketer最近已從其內(nèi)部的Hadoop和MongoDB數(shù)據(jù)庫基礎(chǔ)架構(gòu)轉(zhuǎn)移到了亞馬遜Redshift云數(shù)據(jù)倉庫上。該公司主要收集線上和線下的零售銷售數(shù)據(jù)、消費者統(tǒng)計數(shù)據(jù)及實時行為數(shù)據(jù)，然后對其作分析，幫助零售商創(chuàng)建有針對性的消息發(fā)送，以便吸引顧客的響應(yīng)(某些情況下可能是實時的響應(yīng))。
Abbortt稱，Redshift對于Smarter Remarketer的數(shù)據(jù)需求來說，更具成本效益，特別是其針對結(jié)構(gòu)化數(shù)據(jù)的范圍廣泛的報表功能。作為一種托管服務(wù)，Redshift既可擴展，使用起來也相對簡單。“它在虛擬機上的擴展成本要比購買由我們自己管理的物理機便宜不少。”
Intuit也開始謹(jǐn)慎地在向云分析轉(zhuǎn)移，因為它需要一個安全、穩(wěn)定和可審計的環(huán)境。這家財務(wù)軟件公司一方面計劃在自己私有的Intuit分析云中保留一切資源，另一方面“又在與亞馬遜和Cloudera合作，計劃構(gòu)建一個公私混合的、高度可用而且安全的分析云，”Loconzolo說。對于像Intuit這樣銷售在云中運行的產(chǎn)品廠商來說，向云的遷移是不可避免的。“一旦在企業(yè)端分析數(shù)據(jù)的成本高到無法承受時，就只能把所有的數(shù)據(jù)遷到云中去。”
2、Hadoop：新的企業(yè)數(shù)據(jù)操作系統(tǒng)
Hopkins認(rèn)為，各種分布式分析框架，如MapReduce，正在演變?yōu)榉植际劫Y源管理器，它們會逐漸地將Hadoop轉(zhuǎn)變?yōu)橐环N通用的數(shù)據(jù)操作系統(tǒng)。有了Hadoop這樣的分布式文件存儲系統(tǒng)，“你就能執(zhí)行很多不同的數(shù)據(jù)操控和分析任務(wù)。”
這種變化對企業(yè)來說意義何在呢?和SQL一樣，MapReduce、內(nèi)存計算、流處理、圖形分析和其他類型的工作負(fù)載都能夠以適當(dāng)?shù)男阅茉贖adoop上運行，越來越多的企業(yè)會把Hadoop當(dāng)作企業(yè)數(shù)據(jù)集中庫來使用。“這樣的能力，即針對Hadoop上的數(shù)據(jù)執(zhí)行多種不同類型查詢和操控的能力，將使其成為一種低成本的通用平臺，企業(yè)想要分析的任何數(shù)據(jù)都可以放在其上進行分析。”Hopkins說。
Intuit已經(jīng)開始在構(gòu)建自己的Hadoop基礎(chǔ)。“我們的戰(zhàn)略是利用MapReduce和Hadoop，構(gòu)造Hadoop分布式文件系統(tǒng)，長期目標(biāo)是讓人和產(chǎn)品之間所有類型的互動得以產(chǎn)生，”Loconzolo說。
3、大數(shù)據(jù)湖
傳統(tǒng)的數(shù)據(jù)庫理論會告訴你，在進入任何數(shù)據(jù)之前，首先得設(shè)計好數(shù)據(jù)集。而數(shù)據(jù)湖，也稱企業(yè)數(shù)據(jù)湖或企業(yè)數(shù)據(jù)集中庫，可能會徹底改變傳統(tǒng)模式，普華永道美國咨詢業(yè)務(wù)負(fù)責(zé)人兼首席技術(shù)專家Chris Curran說。“也就是說，我們會將各種數(shù)據(jù)資源傾倒進一個大的Hadoop倉庫中去，而不會事先設(shè)計什幺數(shù)據(jù)模型。”相反地，我們會提供各種工具，再配上對數(shù)據(jù)湖中現(xiàn)存數(shù)據(jù)的頂層定義，供人們?nèi)シ治鰯?shù)據(jù)。“這樣，人們就可隨著對數(shù)據(jù)湖的逐步深入而構(gòu)建起自己的數(shù)據(jù)視圖。這正是構(gòu)建一個大規(guī)模數(shù)據(jù)庫的增量化的、有機的模型。”Curran說。不過，這種方法也存在不足，那就是對數(shù)據(jù)分析人員的技術(shù)要求較高。
Loconzolo說，作為Intuit分析云的一個組成部分，Intuit也有一個數(shù)據(jù)湖，包括用戶的點擊流數(shù)據(jù)、企業(yè)數(shù)據(jù)和第三方數(shù)據(jù)，但重點是圍繞數(shù)據(jù)湖對工具進行所謂的“民主化”，讓商業(yè)人士都能有效地使用它。Loconzolo說，在Hadoop里構(gòu)建一個數(shù)據(jù)湖，他的一個擔(dān)心是Hadoop平臺并未真正實現(xiàn)企業(yè)就緒。“我們希望它具備數(shù)十年來傳統(tǒng)企業(yè)數(shù)據(jù)庫所具備的所有功能——監(jiān)控訪問控制、數(shù)據(jù)加密、保護數(shù)據(jù)，并可跟蹤數(shù)據(jù)從源到目標(biāo)的傳遞路徑。”
4、更有預(yù)測性的分析
有了大數(shù)據(jù)，分析師們不僅有了更多的數(shù)據(jù)可用，而且具備了處理大量多屬性記錄的能力，Hopkins說。傳統(tǒng)的機器學(xué)習(xí)使用的是對全體數(shù)據(jù)集某個樣本所作的統(tǒng)計分析。“而現(xiàn)在，我們已經(jīng)可以處理海量的記錄，以及對每條記錄的海量屬性進行處理，”從而提高了預(yù)測能力，他說。
大數(shù)據(jù)與計算能力相互結(jié)合，還能讓分析師們?nèi)パ芯啃碌男袨閿?shù)據(jù)，例如消費者所訪問的網(wǎng)站或位置信息等。Hopkins稱之為“稀疏數(shù)據(jù)”，因為要想找出真正有興趣的東西，就必須在大量看似無關(guān)緊要的數(shù)據(jù)里去淘金。“針對這種類型的數(shù)據(jù)，試圖采用傳統(tǒng)的機器學(xué)習(xí)算法，這在計算上就是行不通的。現(xiàn)在，我們可以把更便宜的計算能力賦予Hadoop平臺。你只需要去解決問題，而完全不必再去考慮速度和內(nèi)存是否會有問題了。”Abbott說。“如今，遇到問題時，我們可以利用強大的計算資源，找出哪些變量可以進行最佳分析。這確實是一個游戲規(guī)則改變者。”
“如何用Hadoop核心來實現(xiàn)實時分析以及預(yù)測建模，這才是我們真正感興趣的所在，”Loconzolo說。但在這方面來說，速度一直是個問題。相較于一些已成熟的技術(shù)，采用Hadoop來獲得問題答案的時間要長出20倍左右。所以Intuit開始測試大規(guī)模數(shù)據(jù)處理引擎Apache Spark，及其相關(guān)的SQL查詢工具Spark SQL。“Spark具備快速的交互式查詢、圖表服務(wù)和流處理能力。它一面將數(shù)據(jù)保留在Hadoop中，又能提供足夠的性能來縮小速度上的差距。”Loconzolo說。
5、SQL on Hadoop：更快、更好
假如你擅長編程，而且精通數(shù)學(xué)，就可以很容易地將數(shù)據(jù)放入Hadoop，并對其進行分析。這既是美好前景，但也是問題所在，Gartner分析師Mark Beyer說。“我得需要有個人幫我將數(shù)據(jù)納入某種格式和我所熟悉的某種語言中，才能進行分析。”這也是SQL on Hadoop能夠流行開來的緣故，因為對于早就了解SQL技巧的商業(yè)用戶來說，使用可支持類SQL查詢語言的工具對數(shù)據(jù)進行操控并不困難。SQL on Hadoop“為Hadoop在企業(yè)中的應(yīng)用打開了大門”，Hopkins說，因為企業(yè)無須再花高薪聘請能用Java、JavaScript和Python編寫數(shù)據(jù)腳本的數(shù)據(jù)科學(xué)家和業(yè)務(wù)分析師了。
這些工具都不是什么新東西。Apache Hive就可為Hadoop提供一種結(jié)構(gòu)化的、類似SQL的查詢語言。還有一些商用工具，如來自Cloudera、Pivotal軟件、IBM和其他一些廠商的產(chǎn)品，不但可提供更好的性能，而且還能讓查詢進行的更快速。這些工具讓Hadoop能更好地適用于“迭代分析”，也就是在詢問了一個問題并得到答案后，可以在此基礎(chǔ)上查詢新的問題。這樣的工作傳統(tǒng)上是需要構(gòu)建數(shù)據(jù)倉庫才能進行的，Hopkins說，SQL on Hadoop無意取代數(shù)據(jù)倉庫，至少短期內(nèi)不會，“但它可為某些類型的分析提供成本更低廉的軟件和分析器具。”
6、更多、更好的NoSQL
可取代傳統(tǒng)基于SQL關(guān)系數(shù)據(jù)庫的技術(shù)叫做NoSQL數(shù)據(jù)庫，它正迅速普及，用于一些特定的分析應(yīng)用中，而其發(fā)展動力也在持續(xù)增強。Curran估計，目前市面上已出現(xiàn)了15到20個開源的NoSQL數(shù)據(jù)庫，每個NoSQL數(shù)據(jù)庫都各有特色。例如ArangoDB就是具有圖形功能的NoSQL產(chǎn)品，相比于傳統(tǒng)的關(guān)系數(shù)據(jù)庫，它可提供一種更快速、更直接的方式來分析客戶或銷售人員的關(guān)系網(wǎng)絡(luò)。
開源的SQL數(shù)據(jù)庫“早就有了，但它們并未流行開來，因為需要專業(yè)的分析人員，”Curran說。普華永道的一個客戶在商店的貨架上放置了很多傳感器，用于監(jiān)控貨架上的產(chǎn)品多長時間會被消費者拿到手里，消費者在某個貨架前會停留多長時間，等等。“這些傳感器會產(chǎn)生大量的呈指數(shù)級增加的數(shù)據(jù)。一個NoSQL鍵值組合數(shù)據(jù)庫則可專門用于處理這樣的情形，而且性能高，還是輕量級的。”
7、深度學(xué)習(xí)
所謂深度學(xué)習(xí)是基于神經(jīng)網(wǎng)絡(luò)的一組機器學(xué)習(xí)技術(shù)，雖然尚未成熟，但已表現(xiàn)出解決各類商業(yè)問題的潛能，Hopkins說。“深度學(xué)習(xí)……能讓電腦在大量非結(jié)構(gòu)化和二進制數(shù)據(jù)中識別出感興趣的東西，無須專門的模型或程序指令便可推演出各種邏輯關(guān)系來。”
例如，一個深度學(xué)習(xí)算法可以檢查從維基百科上所學(xué)來的數(shù)據(jù)，自己判斷出加利福尼亞和德克薩斯是美國的行政州。“而不必對它進行模式化才能了解國家和州的概念，舊的機器學(xué)習(xí)和新興的深度學(xué)習(xí)方法之間存在著巨大的區(qū)別，”Hopkins說。
“大數(shù)據(jù)將采用先進的分析技術(shù)如深度學(xué)習(xí)等，處理大量類型不同的非結(jié)構(gòu)化數(shù)據(jù)，以便幫助我們開始更好地了解數(shù)據(jù)的意義，”Hopkins說。深度學(xué)習(xí)可以識別各種不同的數(shù)據(jù)類型，例如視頻中的各種形狀、色彩和物體，就連其中有一只貓都能識別出來，這正是谷歌在2012年開發(fā)的神經(jīng)網(wǎng)絡(luò)可以做到的事情。“這種認(rèn)知參與、先進分析的理念將成為未來的一大重要趨勢。”
8、內(nèi)存分析
使用內(nèi)存數(shù)據(jù)庫來提速分析處理流程，已越來越流行，而且收益很大。Beyer認(rèn)為，事實上，很多企業(yè)已經(jīng)在采用混合事務(wù)/分析處理(HTAP)，該技術(shù)允許事務(wù)和分析處理駐留在同一個內(nèi)存數(shù)據(jù)庫中。
盡管采用HTAP可加快分析速度，但所有的分析必須駐留在同一個數(shù)據(jù)庫內(nèi)。Beyer認(rèn)為，今天大多數(shù)的分析研發(fā)都是為了解決這個問題，力圖將來自很多不同系統(tǒng)的事務(wù)分析匯總到一個數(shù)據(jù)庫中。
最好能提前一步
圍繞大數(shù)據(jù)和分析有如此之多的新興趨勢，那么IT組織就需要創(chuàng)造條件，允許分析師和數(shù)據(jù)科學(xué)家去做各種試驗。Curran說：“企業(yè)需要的則是一種可用于評估、研發(fā)原型產(chǎn)品，并最終可將這些技術(shù)中的一些技術(shù)集成到業(yè)務(wù)中去的方法。”
“IT管理者和實施者不能以尚未成熟為借口，拒絕進行試驗，”Beyer說。剛開始，可以由少數(shù)人，主要是有專長的分析師和數(shù)據(jù)科學(xué)家進行試驗，然后再由一些高水平的用戶和IT部門共同決定何時可以把新的資源交付給組織的其他部門使用。IT部門不必限制分析師們投入全副精力去做試驗，相反地，他們應(yīng)與分析師們合作，“只需給這些新的高性能工具安裝一個可變速的閥門就行了。”
