
企业要想更快地做出反应并提供一流的客户体验,就必须对数据管理进行全面的改造。到目前为止,技术已经解决了存储和处理大数据的问题。它也已经达到了将大数据用于深度分析的能力。当我们在做这件事的时候,预计到2025年,高级数据管理解决方案的全球市场规模将达到1229亿美元。
然而,数据源类型和数量的日益多样化继续阻碍着无缝数据生命周期。到目前为止,数据管理景观是捕捉和流式数据到一个集中的数据湖。该湖将进一步处理和清理结构解决方案中的数据集。展望未来,数据专业人员已经找到了一种新的方式,通过数据网状结构解决来源的可扩展性。
什么是数据网格?
数据网格是一种分布式架构解决方案,用于分析数据的生命周期管理。基于分散化,网状结构消除了数据可用性和可访问性方面的障碍。它使用户能够从多个来源捕捉和操作洞察力,而不论其位置和类型。随后,它执行自动查询,而不必将其传送到集中的数据湖。
网状结构的分布式架构分散了每个业务领域的所有权。这意味着每个领域都能控制分析和操作用例的数据的质量、隐私、新鲜度、准确性和合规性。
从集中式数据湖迁移到分布式网格
随着数据源的数量不断增加,数据湖无法按需进行整合。有了数据网,将大量的数据倾倒到湖中是一种濒临灭绝的做法。
新的数据管理框架确保所有节点的协作参与,每个节点控制一个特定的业务单元。它通过遵循 "数据即产品 "的原则做到这一点。这意味着每个数据集都被当作一个数字产品,由干净、完整和结论性的数据集组成。这些可以按需交付给任何人和任何地方。对于一个快速增长的数据管理生态系统来说,Mesh是一个有助于提供组织数据见解的方法。
所有权的分散化减少了对工程师和科学家的依赖性。每个业务部门都控制着自己的特定领域数据。然而,每个领域仍然依赖于数据建模、安全协议和治理合规的集中标准化政策。
使用数据网格和结构
任何关于数据管理的讨论,如果忽略了结构架构,都是不完整和不相关的。围绕着数据结构和网状结构相互竞争的事实,有一个神话。这是不正确的。Gartner对这两个标题进行了并列讨论,并澄清了事实。
数据结构是一个古老而相关的架构,它推动了不同行业对结构的持续和优化使用。它自动发现并提出一个管理架构,从而简化整个数据生命周期。它还假设支持验证数据对象和重用这些对象的上下文参考。一个Mesh通过消耗当前的主题专业技术和准备数据对象的解决方案来完成这个不同的工作。
有一个神话,围绕着数据结构和网状结构相互竞争的事实。这是不真实的。事实上,织物可以在从Mesh架构中提取最佳价值方面起到作用。
用基于实体的数据结构实施数据网格
考虑K2View的基于实体的数据结构架构。它可以将每个业务实体的数据保存在一个专属的微型数据库中,从而支持成百上千的这些数据库。进一步融合 "业务实体 "和 "数据作为产品 "的概念,他们的结构支持数据网状设计模式的实施。在这里,结构创建了一个来自多个来源的连接数据集的集成层。这为运营和分析工作负载提供了一个整体的景观视图。
基于实体的结构规范了所有数据产品的语义定义。根据规定,它建立了数据摄取方法和治理政策,以确保数据集的安全。鉴于结构的这种支持,网状模式在实体级存储方面表现得更好。
因此,对于网状分布式网络中的每个业务域,都会部署一个专属的结构节点。这些特定于某一业务实体的域拥有对服务和管道的本地控制,以便为消费者访问产品。
分散的数据所有权模式
企业必须从多个来源导入多种数据类型到一个集中的存储库,如数据湖。在这里,数据处理通常会消耗大量的精力,也容易出现错误。查询这种异质数据集进行分析,会直接打击成本。因此,数据专业人员一直在寻找一种替代这种集中式方法的方法。通过Mesh的分布式架构,他们能够实现每个商业实体的所有权分散。现在,这样的模式减少了产生定性见解的时间,从而增加了核心目的的价值--快速访问数据并影响关键业务决策。
分散化的方法解决了更多的问题。例如,传统数据管理中的查询方法可能会随着数据量的不可控制的增加而失去效率。它势必会迫使整个管道发生变化,最终无法做出反应。因此,随着数据源数量的增加,响应时间急剧减慢。这一直影响着提取数据价值和扩大业务成果的流程敏捷性。
通过分散化,Mesh将所有权分配给不同的领域,以满足传入数据量的挑战,并最终在他们的水平上对他们的相关集进行查询。因此,该架构使企业流程能够缩小事件和其消费分析之间的差距。企业能够在关键决策上有所改进。
通过提供数据即服务架构,Mesh为业务运营带来了灵活性。它不仅减少了IT积压,而且使数据团队能够只在精简和相关的数据流上工作。
因此,授权的消费者将很容易获得他们各自的数据集,而不会意识到背后的复杂性。
结论
从数字数据出发,web3.0致力于分散企业流程。而数据管理是这个方向上的一个重要用例。很明显,集中式的权威在一定程度上无法适应爆炸性的、传入的数据。等待和观察2022年将把数据网状结构放在前面。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12游戏流水衰退率:计算方法与实践意义 在游戏行业中,流水(即游戏收入)是衡量一款游戏商业表现的核心指标之一。而游戏流水衰退 ...
2025-08-12CDA 一级:数据分析入门的基石 在当今数据驱动的时代,数据分析能力已成为职场中的一项重要技能。CDA(Certified Data Anal ...
2025-08-12破解游戏用户流失困局:从数据洞察到留存策略 在游戏行业竞争白热化的当下,用户流失率已成为衡量产品健康度的核心指标。一款游 ...
2025-08-11