
从大数据中创造价值的关键,在于选择合适的工具来迁移与储存资料,进而有效地发掘新洞察。为了将这些洞察转换为可执行的营运策略,新资料必须能与现有的资料、基础架构、应用程式与流程安全地整合在一起。甲骨文最新发表的解决方案能无缝地协同运作,协助企业以更低成本、更少风险,更快地发挥企业大数据的效益。这些解决方案能让客户安全地存取Hadoop、NoSQL和关联式资料库,以便轻松、并具成本效益地分析大量且多样化的资料集(data set)。
IDC 商业分析研究副总裁Dan Vesset表示:「单一技术将不再足以支援所有的分析使用情况,此外,若将资料管理与分析视为无关连性的专案,将会导致难以管理IT的困境并面临不必要的风险;IDC预测,到2017年前,统一的资料平台架构将成为企业大数据与分析策略的基础,这种统一化的趋势将出现在资讯管理、分析、和搜寻技术等层面。」
甲骨文大数据部门副总裁Neil Mendelson表示:「资料已成为一种新形态的资产,企业必须策略性地投资其资料资产,以创造最佳的投资回收。甲骨文提供一整合式平台,协助客户简化所有资料的存取、发掘新洞察、实时(real-time)预测成果,并确保所有资料的有效管理与安全性。」
甲骨文最新大数据解决方案亦可无缝运作于日前发布的Oracle Big Data Appliance X5和Oracle Exadata Database Machine X5上。这些解决方案结合在一起,可为企业提供一完整、具成本效益的平台,以便存取、发掘、管理、保护、进而实现大数据之价值。
最新发布的大数据创新方案包括:
● Oracle Big Data Discovery:这是「Hadoop 的视觉呈现」,并是一可集发现、探索、转换、发掘以及分享大数据洞察为一体的端到端产品。大数据资产可被组织内更多的商业分析师所使用,因此能降低风险,并缩短大数据专案创造价值的时间。
● Oracle GoldenGate for Big Data:以Hadoop为技术基础,让客户从异质交易型系统实时串流非结构化资料到大数据系统,包括Apache Hadoop、Apache Hive、Apache HBase以及Apache Flume。透过将既有的实时架构纳入大数据解决方案中,Oracle GoldenGate for Big Data协助客户强化大数据分析的专案项目,并确保大数据库能与生产系统同步更新。
● Oracle Big Data SQL 1.1:拥有与甲骨文资料库一样的安全性,这是一种可将Oracle SQL扩展至Hadoop和NoSQL的技术。透过一条Oracle SQL语句的快速查询,即可通透地存取Hadoop、NoSQL和Oracle Database中的资料。Oracle Big Data SQL 1.1可为Hadoop和Oracle Database提供更紧密的整合,查询性能较之前的版本提高40%。
● Oracle NoSQL Database 3.2.5:这套具调适性的解决方案,能让开发人员建立高效能的新一代应用程式。此最新版本具备可预测的低延迟、RESTful API、和基于Thrift的 C API,并与Oracle Big Data平台整合在一起。以Oracle Big Data SQL为基础,Oracle NoSQL Database 3.2.5亦可支援资料定义语言(DDL),因此能更容易地使用SQL来查询NoSQL资料。
Oracle Big Data Discovery现已正式上市
Oracle Big Data Discovery可充分发挥Hadoop的强大功能,使用者能快速、轻松地将塬始资料转换为可执行的商业洞察。
● 如同线上购物般轻松地探索大数据:Oracle Big Data Discovery具备绝佳的视觉介面,能在Hadoop中发现并探索塬始资料。类似于便条纸一样,它可揭露资料属性与资料组合之间的统计关联性,进而可评估此资料集是否具有潜能并值得进一步的研究与资源运用。使用者可透过熟悉的指引式导航与强大的搜寻功能,轻松浏览互动式的视觉资料目录。
● 大规模地转换并增强资料:Hadoop 中的塬始资料在进行分析前需先准备就绪。透过直观、类似试算表的使用方式,Oracle Big Data Discovery可降低耗时的准备周期并简化资料矛盾,使用者无需改用其他的工具或撰写程式码,即可增强资料的可视性,让更多的时间投入在资料分析上。
● 发掘和分享以发掘新价值:资料发掘与分析使用的工具与资料准备不同。Oracle Big Data Discovery可协助使用者无缝地从准备工作迁移到资料分析,并可一键分享资料洞察。使用者能就资料产出的结果强化合作,将塬始资料集传回 Hadoop,并在Pig、Hive和Python等其他工具上进一步运用资料结果。
● 将大数据开放予更多人使用:大数据常仅被一些非常专业、收费高昂且少数的资料科学家所使用,Oracle Big Data Discovery能让大数据更容易管理,使包括分析团队与商业使用者等更多人员轻松地运用大数据。它可与既有的大数据工具整合,让企业轻松地扩大其大数据团队,充分发挥企业的人力资本、并从资料资产中获得最大的效益。
支援性资源
● Big Data Discovery:创造价值的五个步骤
● 透过Facebook、Youtube、Twitter了解 Oracle Big Data Discovery
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