三种优化方式让你的数据分析如虎添翼

摘要：融合式基础架构系统为我们提供了很多有效地进行大数据分析所需的资源，包括处理Hadoop的能力以及大规模存储能力。

每年，数据技术企业需要管理的数据量和数据类型正在不断攀升。我们平时所谓的大数据，包括了从社交网站的博文、音频和图像到成交记录、传感器信息数据和视频的的每一种信息，这些数据正在不断的增长。根据IDC，数据正在以每年40%的速度增长，并且在接下来的十年当中，这个增长速度仍将持续。

企业们正挣扎于如何有效地收集和储存快速增长的数据问题中。但是真正能让企业从数据中获利的办法就是分析那些能够改进产品质量、加快决策制定、提高消费者满意度以及优化商业流程的方法。根据戴尔的调查报告显示，那些采用大数据技术提案的企业当中，有89%的企业在公司的决策制定中显现出卓越的提升。来自于麦肯锡全球研究机构的数据显示，那些在企业内部大规模采用数据分析技术的零售商可以将他们的经营利润提高到60%以上，而那些采用数据分析技术的医疗机构可以将自己的经营成本降低8个百分点。

若想获取这样的利益，需要企业建立具有可扩展性、灵活性以及节省成本的IT基础设施。但是企业也可以利用传统的IT技术架构来满足对于数据分析的扩展性要求，但是不久之后企业就会发现，他们在追求数据分析所带来的价值和满足大量数据分析要求的道路上，将会因为IT系统的性能让数据分析量受到限制。所有的这些都让企业传统的IT架构深陷囵圄之中——不仅对于系统的数据存储量有要求，还对处理能力和网络带宽有严苛的要求。

其中最大的问题就是传统的IT系统架构需要把数据量缩小成先管的数据库格式，这种格式的大小、速度以及数据处理的规模都是有限的。“你面临的后果就是不得不丢掉这些数据或者任由他老化，因为相关的数据库仅仅能够处理这些容量的数据，这意味着你只能对所有数据的子集进行分析处理。”来自Taneja Group的一位高级分析师说。

融合式基础架构系统为我们提供了很多有效地进行大数据分析所需的资源，包括处理Hadoop的能力以及大规模存储能力。如果想让融合式基础架构系统实现大数据的分析，需要以下三种能力：

Hadoop

Hadoop是分布式计算的开源软件，对于大数据分析至关重要。他无疑是解决快速增长的数据处理、存储以及分析问题的不二之选。

“Hadoop的生态系统可以让你保存你所有的原始数据，因为你可以通过更多的本地磁盘增加更多的数据节点来扩展你的系统，” Matchett解释说。“因此，如果你有一个分析任务需要花费4小时的话，那么当你将数据量从100千兆字节变成200千兆字节的话，系统仍旧可以用4小时完成分析。”

存储

大量的数据就需要有相应大容量的存储能力，并且数据存储正快速不断的扩张，所以这要要求我们尽可能建立一个可以不断扩容的数据存储系统架构。但是一些融合式基础架构系统仍旧使用传统方式的储存阵列。伴随着更多快闪记忆体阵列的激增，Matchett强调了使用具有扩展储存方案的融合性基础架构的重要性。

数据处理环境的优化

和传统的架构相比，融合性基础架构总体上可以提供相对更便捷和更快速的扩展性能，性能优越的环境对于大数据分析而言可以让你的运算能力与储存能力互补干扰。“理想的状态就是让数据的计算与数据的存储相互独立进行。” Matchett说。