摘要：但是，大數據和分析學等學科發展十分迅速，因此企業必須努力跟上，否則就有被甩掉的危險。云端大數據分析是一組有一定框架結構的工具，用來處理大型數據組。

Intuit數據工程副主管Loconzolo雙腳都已經邁進數據湖里了。Smarter Remarketer首席數據科學家DeanAbbott也為云技術的發展指出了捷徑。他們二人一致認為, 大數據與分析學前沿是個活動目標，這一領域包含了儲存原始數據的數據湖和云計算。盡管這些技術并未成熟，但等待也并非上策。

Loconzolo表示：“現實的情況是，這些工具都剛剛興起，他們構筑的平臺還不足以讓企業依賴。但是，大數據和分析學等學科發展十分迅速，因此企業必須努力跟上，否則就有被甩掉的危險。”他還說：“過去，新興技術往往需要十年左右的時間才能夠成熟，但是現在大大不同了，人們幾個月甚至幾周時間就能想出解決方案。”那么，有哪些新興技術是我們應該關注，或者說科研人員正在重點研究的呢？《電腦世界》采訪了一些IT精英、咨詢師和行業分析專家，來看看他們列出的幾大趨勢吧。

Hadoop是一組有一定框架結構的工具，用來處理大型數據組。它原本用于機器群，但現在情況有所變化。Forrester Research一位分析師BrianHopkins表示，現在有越來越多的技術可以運用到云端數據處理上來了。比如亞馬遜的BI數據庫、Google的 BigQuery數據分析服務,、IBM’sBluemix 云平臺和亞馬遜的Kinesis數據處理服務。這位分析師還說，未來的大數據將是內部數據部署與云端數據的結合體。

Smarter Remarketer是SaaS零售分析、市場細分和營銷服務的供應商，它最近將自己室內的Hadoop和MongoDB數據庫基礎設施轉移到了一個基于云技術的數據庫—Amazon Redshift. 這家位于印第安納波利斯的公司收集線上和實體銷售數據、顧客信息和實時行為數據，之后進行分析，從而幫助零售商做出針對消費者的決策，有些決策甚至是實時的。

Abbott表示，Redshift可以節省這家公司的成本，這是因為它對于結構數據擁有強大的匯總報告功能，而且它頗具規模，使用起來相對容易。用這些虛擬設備總是要比那些實體設備便宜一些。

相比之下，位于加州山景城的Intuit在走向云分析的過程中就要謹慎多了，因為它需要一個安全、穩定、可控的環境。目前為止，這家金融軟件公司的數據都還在自家的數據庫—Intuit Analytics Cloud里面。Loconzolo表示：“目前我們正跟亞馬遜還有Cloudera合作，建立一個我們幾家公司公用的能跨越虛擬、現實兩個世界的、具有高度穩定性的云端，但是現在這個問題還沒有得到解決。”然而，可以說，對于像Intuit這種銷售云端產品的公司來說，向云端技術進軍是必然的。Loconzolo還說道，未來我們會發展到一個階段，那時把數據放在私有云端將是浪費的。

Hopkins表示，向MapReduce這樣的分布式分析框架，正在逐漸演化成分布式資源管理器，這些資源管理器正逐步將Hadoop變為多用途數據運行系統。“有了這些系統，你就可以進行多種多樣的操作和分析。”

這對企業來說意味著什么呢？SQL、MapReduce、in-memory、流水式處理、圖表分析還有其它工作都能在Hadoop上進行，越來越多的企業會把Hadoop當做企業數據中心。Hopkins還說：“在Hadoop上能進行各種各樣的數據處理工作，這樣的話，Hadoop會慢慢變成一個多用途的數據處理系統。”

Intuit已經開始在Hadoop建立自己的數據基地了。Loconzolo說：“我們的策略是利用Hadoop分布式文件系統，因為它和MapReduce與Hadoop等聯系十分密切，這樣的話，人與產品之間的各種互動就可以實現了。

美國普華永道首席技術專家Chris Curran說，傳統數據庫理論認為，人們應該先設計數據集，然后再將數據輸入進去。而“數據湖泊“，也被稱作“企業數據湖泊”或者“企業數據中心”，顛覆了這個理念。“現在，我們先收集數據，然后把它們都存入Hadoop倉庫里，我們不必事先設計數據模型了。”這個數據湖泊不僅為人們提供了分析數據的工具，而且很明確地告訴你，這里有什么樣的數據。Curran還表示，運用Hadoop的過程中人們就可以增加對數據的認識。這是一個遞增的、有機的大規模數據庫。當然，這樣一來，對使用者的技術要求相應地會比較高。

Loconzolo表示，Intuit擁有自己的數據湖泊，這個數據湖里既有用戶點擊量的數據，也有企業和第三方的數據，所有這些都是Intuit分析云端的一部分，但關鍵是要讓圍繞這個數據湖的工具能夠為人們有效利用起來。Loconzolo還說，對于在Hadoop建立數據湖，一個需要考慮的問題是，這個平臺并沒有完完全全的為企業的需求設置周全。“我們還需要傳統企業數據庫已經有了幾十年的一些功能，比如監控訪問控制、加密、安全性以及能夠從源頭到去向地追蹤數據等等。

Hopkins表示，有了大數據，分析師們不僅有了更多的數據可以利用，也擁有了更強大的處理打量不同屬性數據的能力。

他說：“傳統的機器學習利用的數據分析是建立在一個大數據集中的一個樣本基礎上的，而現在，我們擁有了處理了大量數字記錄的能力，甚至于每條數據有多種不同屬性，我們都應對自如。”

大數據與計算功能的結合也讓分析師們能夠挖掘人們一天中的行為數據，好比他們訪問的網站或者是去過的地方。Hopkins把這些數據稱作“稀少數據（sparsedata）”，因為要想得到這些你感興趣的數據，必須過濾掉一大堆無關的數據。“要想用傳統機器算法對抗這種數據，從計算角度來講幾乎不可能。因為計算能力是一個十分重要的問題，特別是現在傳統算法的速度和記憶儲存能力退化很快。而現在你可以很容易知道哪些數據是最容易分析的，不得不說，賽場易主了。”

Loconzolo表示：“我們最感興趣的地方是，怎樣在同一個Hadoop內核中既能作實時分析，又能做預測模型。這里最大的問題在于速度。Hadoop花費的時間要比現有技術長20倍，所以Intuit也在嘗試另一個大規模數據處理器Apache Spark及其配套的 Spark SQL查詢工具。Loconzolo說：“Spark具有快速查詢、制表服務和分組功能。它能在把數據保留在Hadoop內部的前提下，還將數據處理得十分出色。”

Gartner一位分析師表示，如果你是個不錯的編碼員或者數學家，你可以把數據丟進Hadoop，想做什么分析就做什么分析，這是好處，但同時這也是個問題。“盡管任何程序語言都行得通，但我需要有人把這些數據用我熟悉的形式或者語言輸入進去，這也是為什么我們需要Hadoop的結構化查詢語言。支持與SQR類似的查詢語言的工具，讓那些懂得SQR的企業使用者們能把類似的技術運用在數據上。Hopkins認為，Hadoop的SQR打開了企業通往Hadoop的大門，因為有了SQR，企業不需要在那些能使用Java, JavaScript 和Python高端數據和商業分析師上投資了，而這些投資在以前可是少不了的一筆開銷。

這些工具也并非最近才出現的了。Apache Hive曾經為用戶提供了一種適用于Hadoop、類似于SQR的查詢語言，但是競爭對手Cloudera、PivotalSoftware、IBM還有其他銷售商提供的產品不僅性能更好，速度也更快。這項技術也適合“迭代分析（iterative analytics）”，也就是說，分析師先問一個問題，得到回答之后再問下一個問題。而這種工作放在過去可是需要建立一個數據庫的。Hopkins說：“Hadoop的SQR并不是為了取代數據庫，最起碼短期不會，但對于某些分析來說，它讓我們知道，除了那些高成本的軟件和應用之外，還有別的選擇。”

Curran表示,現在我們除了基于SQR的傳統的數據庫之外，還有NoSQL，這個數據庫能用于特定目的的分析，當下十分熱門，而且估計會越來越受歡迎。他粗略估計目前大概有15-20個類似的開放資源NoSQL，每一個都獨具特色。比如ArangoDB，這是一款具備圖標分析功能的產品，能更快、更直接地分析顧客與銷售人員之間的關系網。

Curran還說，開放資源的NoSQL數據庫已經存在一段時間了，但是他們依然勢頭不減，因為人們需要它們所做的分析。一位在某個新興市場的普華永道客戶把傳感器按在了店面柜臺上，這樣就能監控到那里到底有什么產品，顧客會擺弄這些產品多長時間以及人們會在柜臺前站多久。“傳感器會產生大量類似指數增長的數據，NoSQL將是未來的一個發展方向，因為它可以針對特定目的進行數據分析，性能好，而且很輕巧。”

Hopkins認為，作為一種基于神經網絡的機械學習技術，雖然還在發展過程中，但在解決問題方面卻已經表現出巨大的潛力。“深度學習……能夠讓計算機在大量非結構化和二進制的數據中識別出有用信息，而且它能夠在不需要特殊模型和程序指令的前提下就剔除那些不必要的關系。”

舉個例子說明：一個深度學習的算法通過維基百科了解到加利福尼亞和德克薩斯是美國的兩個州。“我們不在需要通過模式化讓程序去理解州和國家的概念，這就是原來的機械學習和新興深度學習的區別之一。”

Hopkins還說道：“大數據運用先進的分析技術，例如深度分析，來處理各種各樣的非結構文本，這些處理問題的思路和方式，我們也是現在才開始理解。”比如，深度學習可以用來識別各種各樣不同的數據，比如形狀、顏色和錄像中的物體，甚至是圖片中的貓—谷歌建立的神經網絡就做到了這一點。“這項技術所昭示的認知理念、先進的分析，將是未來的一個趨勢。”

Beyer表示，利用內存中數據庫來提升分析處理速度，這種方式已經越來越廣泛，而且只要運用得當，益處也很多。事實上，很多企業現在已經在利用HTAP（hybridtransaction/analytical processing）了，這種處理方式能在同一個內存數據庫中進行轉換和分析處理。但Beyer同時也表示，對于HTAP的宣傳有些過頭了，很多公司也過度利用這項技術。對于那些使用者需要每天多次以同樣的方式看同樣數據的系統來說，這樣的數據沒有太大變化，這時用內存中分析就是一種浪費了。

雖然有了HTAP的幫助，人們分析速度更快了，但是，所有的轉換都必須儲存在同一個數據庫里。Beyer認為，這樣的特點就產生了一個問題，分析師們目前的工作主要是把不同地方的數據匯總輸入到同一個數據庫當中去。“如果你想做任何分析都運用HTAP，所有的數據就得存在同一個地方。要把多樣化的數據進行整合。”

然而，引入內存數據庫的同時也意味著，還有另一個產品等著我們去管理、維護、整合與權衡。

對于Intuit而言，他們已經在使用Spark了，所以對引進內存數據庫的愿望并沒有那么強烈。Loconzolo說：“如果我們用Spark就能處理70%的問題，而用內存數據庫可以解決100%，那么我們還會選擇前者。所以我們現在也在權衡，要不要馬上停用內部的內存數據系統。”

大步向前邁

在大數據和分析領域有這么多的新興趨勢，IT組織應該創造條件，讓分析師和數據專家們大顯身手。Curran認為：“我們需要評估、整合一些技術，從而把它們運用到商業領域中去。”

在這里還是要推薦下我自己建的大數據學習交流群:784557197，群里都是學大數據開發的，如果你正在學習大數據 ，小編歡迎你加入,大家都是軟件開發黨，不定期分享干貨（只有大數據軟件開發相關的），包括我自己整理的一份2018最新的大數據進階資料和高級開發教程，歡迎進階中和進想深入大數據的小伙伴加入。

Beyer則認為：“IT管理者和執行者們不能把技術不成熟作為停止試驗的借口。”最初只有一部分專業分析師和數據專家需要試驗，然后這些比較高級的使用者和IT行業應該共同決定是否要把這些新的資源介紹給行業其他人。IT界也沒必要控制那些鼓足干勁的分析師們，相反，Beyer認為應該與他們加強合作。