利用大数据供应链释放商业价值_数据分析师

现如今，数据技术飞速发展，但大量企业数据并未得到充分利用。Gartner近期的一份调查显示，85%的《财富》500强企业都未充分发掘大数据所蕴藏的潜力并据此形成竞争优势，这样的情况将持续至2015年底。异曲同工的是，埃森哲的研究发现，虽然半数的受访企业很重视数据的准确性，但绝大多数管理者并不清楚数据分析项目会带来怎样的业务成果。企业的数据生态系统正变得日益复杂，各自为政的“数据孤岛”却比比皆是，限制了企业从数据中创造价值。

为了释放数据所蕴藏的潜力，企业应着手将数据视为一条供应链，使该链条以简单、有效的方式在整个企业中流动，并最终贯穿包括供应商和客户在内的整个企业合作伙伴生态系统。通过有效的配置和管理，数据供应链有助企业发掘内部数据，对更多数据来源进行充分利用，并最终产生切实可行的业务洞察力。

而对于强有力的数据供应链而言，数据加速起着至关重要的作用。数据加速主要依托相关工具和技术快速获取海量数据（从数据源输入专门的数据系统），并能使其迅速存储和取用。具体而言，企业能够通过数据加快节奏获取有价值的数据，进而进行数据分析，获取洞察力并据此采取行动，有时甚至能在机遇窗口极为短暂的情况下迅速交付。

由此可见，数据加速能帮助企业克服数据迁移、数据处理和数据交互的数据相关挑战，从而从根本上解决如何使数据从源头迅速迁移到有需求的企业部门，如何尽快处理数据以获取可行洞察力，以及如何快速响应用户或应用提交的查询请求等问题。

加快数据处理

过去，数据在企业中的迁移缓慢且相对直接：数据首先被收集至暂存区，随后再转换成适当的格式，并加载存入同数据源，然后以点对点的形式将数据直接传输至数据集市，供用户和应用调取使用。然而，随着数据量和数据种类的急剧增加，这种传统的流程已难以为继。

物联网进一步推动了数据迁移的发展。到2020年，全球将有多达260亿台设备集成、纳入到物联网当中。每台互联设备都会生成数据，并且具有各自的形式和特征。对于出自各类源头、各式各样的数据，要想从源头把对应数据完整地传输到有需求的企业部门，难度好比将消防龙头当作引水口，并且要求做到滴水不漏。而数据加速恰恰有利于企业有效管理这项艰巨而又工程浩大的任务，通过各种方式将数据纳入企业的数据基础架构，确保数据能够快速存取。

长期以来，企业一直通过数据处理来获取切实可行的洞察力。然而，有待处理的数据量和数据种类显著增加。为适应该情况，实现又快又准的处理结果，企业必须培养相应的数据处理能力。

实时分析技术的崛起为企业带来了诸多全新机遇。良好的分析技术会对输入数据进行预处理。例如，通过监测客户所处位置，企业能在客户接近潜在购买地点时，向客户的移动设备发送促销或折扣信息。而更加出色的技术则会将流数据与历史（已建模的）数据有机结合起来，从而做出更加明智合理的决策。举例而言，如果能将客户位置与其购买历史对应起来，企业就能向同一位客户发送量身定制的个性化促销信息，从而提高购买的可能性。

为从更加快速的数据处理中全面获益，企业必须对计算机集群进行有效利用——即通过组织有序的成百上千台计算机筛选海量数据。市场上有关数据快速存取的新型解决方案已如雨后春笋般涌现，每一种方案都为数据处理速度、耐久性和准确性提供了有力保证。数据加速能为实现更快的数据处理提供支持，利用计算机集群的软硬件升级，使计算机的运行效率得到前所未有的提升。

提速数据交互

数据交互主要关乎数据基础架构的可用性。用户或应用会向基础架构提交查询要求，并期望在可接受的时间范围内获得响应。传统的解决方案已使人们能够轻松地提交要求、获得所需结果，获取切实可行的洞察力。但是，大数据的兴起催生出了许多全新的编程语言，阻碍了现有用户采用这些系统。此外，由于数据规模庞大，用户不得不等候数十分钟、甚至好几小时才能获得查询结果。

用户等待时间越久，获取洞察力所需时间也就越长，进而导致业务决策和满足客户期望的过程拖沓、延缓。可想而知，客户在向自身用户提供重要服务时，例如零售交易处理，可能会要求响应时间必须达到次秒级（毫秒）的水平。而在相对不太重要的业务中，客户能够接受的响应时间也许会稍长一些。数据加速能为实现更快的数据交互提供支持，即以普遍接受的方式将用户和应用与数据基础架构关联起来，并确保按要求快速提交查询结果。

为推动数据加速，企业应从众多不同的数据技术组件中选定适用的范围构建架构。这些组件包括：大数据平台、复杂事件处理、数据采集、内存数据库、缓存集群以及各种套装设备等。同时，架构组件只有经过正确的组合和架构配置，充分利用各自的互补优势，方能够实现最大价值。为了构建能够支持数据加速的数据供应链战略，企业可以从以下几点着手准备：

• 储存数据。从使用频率最高、时间关联度最强的数据着手，将这些数据首先纳入数据平台，获得加速。
• 识别效率低下的流程。寻找那些耗时颇多的手工数据修补流程（如：数据标记或数据清理），利用机器学习算法进行替代。
• 找到数据孤岛。明确企业目前尚未得以满足的相应数据需求。
• 简化数据存取。制定标准化的数据平台数据存取策略，使得解决方案具有混合的特点，比如将传统的中间件和应用程序接口相结合起来，抑或采用平台即服务（PaaS）产品。
• 对单个数据供应链进行优先排序。这有助企业制定详细的路线图，从而大规模实施数据供应链。
• 兼顾外部数据源。在企业外部寻找数据源，以补充现有数据，帮助生成更加全面的洞察力。
• 为自身企业数据选择合适的数据加速技术堆叠，同时研究优化配置的方法。

大数据的诞生，使相关技术门槛降至历史新低。但是，大数据同样也带来了各种挑战。为了应对这些挑战，企业应建立数据供应链，通过数据加速加快数据的迁移、处理与交互，从而使决策者得以更加迅速地捕获数据洞察力并采取行动，最终实现数据分析投资回报。