
甲骨文提升企业大数据愿景_数据分析师
甲骨文公司近日宣布推出新的大数据解决方案,它使信息访问和发掘更加简化,让客户能够快速地把数据转变成业务价值。新的解决方案包括Oracle Big Data Discovery、Oracle GoldenGate for Big Data、Oracle Big Data SQL 1.1和Oracle NoSQL Database 3.2.5。这些新产品进一步提升了企业大数据愿景,真正将Hadoop、NoSQL和SQL技术协同起来,无论在公有云、私有云还是内部部署的基础设施模式下,都能实现安全部署。
从大数据中获取价值的关键在于选取合适的工具来迁移和存储数据,进而有效地获取新的洞察。为了将洞察转化为可执行的操作,新的数据必须与现有数据、基础设施、应用和流程进行安全集成。Oracle提供的解决方案可无缝地协同工作,帮助企业以更快的速度、更低的成本和风险开发大数据。这些解决方案让客户安全地访问Hadoop、NoSQL和关系型数据库,同时轻松、经济地对大量不同的数据集进行分析。
IDC业务分析研究副总裁Dan Vesset表示:“单一的技术类型再也无法满足各种类型的分析应用场景。同时,针对一系列不相关项目的数据管理和分析将导致企业IT陷入不可控制的困境并面临不必要的风险。根据IDC的预测,到2017年,统一的数据平台架构将成为企业大数据和分析战略的基础,这种统一化的趋势将出现在信息管理、分析和搜索技术多个层面。”
甲骨文公司大数据副总裁Neil Mendelson表示:“数据是一种新型的资产,企业必须对它们的数据资本进行战略性的投资。Oracle为客户提供了集成化的平台,以帮助简化所有的数据访问,发现新的洞察,实时预测结果,并确保数据的有效管理和安全性。”
新的Oracle大数据解决方案可无缝运行在近期发布的Oracle大数据机X5(Oracle Big Data Appliance X5)和Oracle Exadata数据库云服务器X5(Oracle Exadata Database Machine X5)上。这些解决方案结合在一起,可为企业提供全面且经济的平台,以便于访问、发现、管理和确保大数据的实现。
最新发布的大数据创新成果包括:
Oracle Big Data Discovery是“可视化的Hadoop”,也是面向大数据洞察的,集发现、探索、转变、挖掘和分享为一体的端到端产品。大数据资产将被企业内更多的业务分析师利用,帮助减少风险并加速大数据项目的价值转化。
Oracle GoldenGatefor Big Data是一个基于Hadoop技术的产品,能让客户从异构交易型系统中将实时数据传入大数据系统中,目标包括ApacheHadoop、ApacheHive、Apache HBase 和ApacheFlume。通过把现有实时的架构合并到大数据解决方案中,客户能够强化其数据分析项目,同时确保其大数据库与生产系统时刻保持一致。
Oracle Big DataSQL 1.1将OracleSQL拓展至Hadoop和NoSQL,同时拥有与Oracle数据库一样的安全性。它通过一条OracleSQL语句的快速查询,即可在Hadoop、NoSQL和Oracle数据库中透明地访问所有数据。OracleBig Data SQL 1.1将Hadoop和Oracle数据库之间的集成变得更加紧密,且查询性能较此前的版本提高了40%。
Oracle NoSQLDatabase 3.2.5是一个适应性解决方案,能够让开发人员创建高性能的新一代应用。该最新版本提供了可预测的低延迟,RESTfulAPI和基于Thrift的CAPI,并与Oracle大数据平台实现了集成。基于OracleBig Data SQL,OracleNoSQL Database 3.2.5还支持数据定义语言(DDL),使得用SQL来查询NoSQL数据变得更加容易。
Oracle Big Data Discovery现已上市
Oracle Big Data Discovery 利用Hadoop使用户通过单一产品即可快速、轻松地将原始数据转变成可执行的业务洞察。
像在线购物一样寻找和探索大数据:Oracle Big Data Discovery提供了令人瞩目的视觉界面,以帮助在Hadoop中发现和探索原始数据。它类似于便笺本一样,可揭示数据属性与数据组合之间的统计相关性,进而评估该数据是否具有潜力以及是否值得进一步研究。通过常见的导航栏及强大的搜索功能,用户可轻松浏览交互性的可视化数据目录。
大规模转化并丰富数据:使用Hadoop的原始数据进行分析之前需要一系列的准备工作。OracleBig Data Discovery通过一个直观的类似电子表格的方式,缩短了冗长的准备周期,同时简化了数据矛盾。用户无需更换工具或者书写编码,即可增强数据可视化,从而将更多的时间投入在数据分析上。
挖掘和分享以发现新价值: 数据的挖掘和分析与数据准备需要用不同的工具。OracleBig Data Discovery让用户能够无缝地从数据准备迁移到数据分析,只需一次点击即可分享数据洞察。用户利用数据结果加强合作,将原数据集传回Hadoop,还可在如Pig、Hive和Python等其他工具中进一步使用数据结果。
将大数据访问权限开放给更多职能团队:大数据通常只掌握在一小部分数据科学家手中,而这一群体掌握着丰富的技术能力、人才稀缺且人力成本高。OracleBig Data Discovery使得大数据的管理更加简单,并可让包括分析团队和业务用户在内的更多人员轻松访问。它还集成了现有的大数据工具,让企业能够轻松地扩展其大数据团队,并从其投入的人力资本和数据资产中获得最大价值。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10