大數(shù)據(jù)項目為何失敗

在大數(shù)據(jù)方面，關(guān)于內(nèi)存計算以及開源Hadoop等，寶立明也發(fā)表過很多獨特的見解。在廠商的發(fā)言人當中，寶立明也是為數(shù)不多能夠?qū)⒓夹g(shù)深入淺出解釋清楚的人之一。他近期在DataInformed網(wǎng)站上發(fā)表了一篇關(guān)于大數(shù)據(jù)項目建設(shè)的文章，其中探討了大數(shù)據(jù)在企業(yè)中為何失敗的原因，并為企業(yè)建設(shè)大數(shù)據(jù)項目給出了值得關(guān)注的幾點建議。TechTarget數(shù)據(jù)庫網(wǎng)站在此進行了編譯，希望能夠幫助您更好地從技術(shù)和業(yè)務(wù)層面理解大數(shù)據(jù)。
    在接觸大數(shù)據(jù)的時候，業(yè)界往往會提到三個V的概念，即數(shù)量、種類和速度（volume, variety, velocity）。然而，我們對另外一個V，Value即價值的關(guān)注顯然是不夠的。也正是出于這個原因，有很多倉促上馬的大數(shù)據(jù)項目沒有能夠抓住這個新興的商業(yè)機遇，沒能達到預(yù)期的投資回報率從而導(dǎo)致失敗。
   大數(shù)據(jù)項目失敗的原因主要集中在以下幾點：
    1、太過關(guān)注技術(shù)層面，而忽視了商業(yè)價值；
    2、相關(guān)人員不能訪問到他們需要的數(shù)據(jù)；
    3、未能達到企業(yè)級的要求；
    4、對項目的總擁有成本（TCO）缺乏成熟的理解，這其中包括人員和IT系統(tǒng)。
    目前正在進行的很多大數(shù)據(jù)項目或者POC測試，更多地是對新技術(shù)的測試，而并不是商業(yè)價值的挖掘。從Apache網(wǎng)站下載開源軟件，然后對Hadoop測試的確很有意思，但這方面的努力很少能夠?qū)I(yè)務(wù)帶來真正的價值。
    向這些項目要價值，企業(yè)必須有至少一名的業(yè)務(wù)人員為項目提供方向性的指導(dǎo)。一開始就把海量數(shù)據(jù)存儲到HDFS或者數(shù)據(jù)庫，然后投入大量的新技術(shù)來對其進行分析，這樣的大數(shù)據(jù)項目注定是要失敗的。在缺少業(yè)務(wù)指引的情況下，就不要幻想能夠挖掘出業(yè)務(wù)價值。
   業(yè)務(wù)分析師與數(shù)據(jù)科學(xué)家的關(guān)系
    從大數(shù)據(jù)中獲取價值的關(guān)鍵，需要具備業(yè)務(wù)知識的員工能夠高效地獲取數(shù)據(jù)并進行探索。在一些比較關(guān)注分析的組織當中，還誕生了“數(shù)據(jù)科學(xué)家（Data Scientist）”這一職位。與傳統(tǒng)的業(yè)務(wù)分析師不同，數(shù)據(jù)科學(xué)家擁有不同的（更豐富的）知識儲備以及職能。
    業(yè)務(wù)分析師通過數(shù)據(jù)來解答業(yè)務(wù)問題，而數(shù)據(jù)科學(xué)家并不專注于解答問題，他們更關(guān)注的是挖掘新問題。通常情況下，一名業(yè)務(wù)分析師會使用專門的、直觀的BI工具來找到問題并給出結(jié)果。
    數(shù)據(jù)科學(xué)家則更傾向于使用數(shù)據(jù)可視化和數(shù)據(jù)挖掘工具來找到數(shù)據(jù)的相關(guān)性以及模式，而這些數(shù)據(jù)在之前是沒有很好地組織在一起的。在判定數(shù)據(jù)的相關(guān)性和模式之后，它們就可以轉(zhuǎn)化為新的業(yè)務(wù)問題，提交給業(yè)務(wù)分析師來進行解答。
    數(shù)據(jù)科學(xué)家成功的一個關(guān)鍵因素就是，為他們提供細節(jié)數(shù)據(jù)的直接訪問權(quán)。在一個大數(shù)據(jù)環(huán)境下，數(shù)據(jù)類型的多樣性以及非關(guān)系型格式為傳統(tǒng)分析工具提出了很大的挑戰(zhàn)。生成ANSI SQL的工具不能夠高效率地處理大數(shù)據(jù)內(nèi)容，因為這些大數(shù)據(jù)往往是鍵值對（Web日志數(shù)據(jù)）、圖形（社交網(wǎng)絡(luò)）、文本以及富媒體（音頻、視頻）文件等。
    包括MapReduce編程框架在內(nèi)的新技術(shù)，為數(shù)據(jù)的訪問提供了新方式，同時能夠很好地解決上述問題。然而對于數(shù)據(jù)科學(xué)家來說，使用這些所謂的“NoSQL”技術(shù)來進行高級分析是比較費勁的。這時就需要一個相關(guān)的技術(shù)專家對數(shù)據(jù)訪問進行控制，他們的角色類似于中間人。
   大數(shù)據(jù)發(fā)現(xiàn)
    我曾經(jīng)聽一名在大型銀行工作的數(shù)據(jù)科學(xué)家抱怨：“Hadoop在低成本存儲海量數(shù)據(jù)方面的確是非常好的技術(shù)，但問題是只有那些把數(shù)據(jù)存儲到HDFS里人才能夠把它們弄出來?！?br />     為了解決這一難題，大數(shù)據(jù)發(fā)現(xiàn)（big data discovery）平臺將是整個生態(tài)系統(tǒng)當中非常關(guān)鍵的一環(huán)，它能夠為數(shù)據(jù)科學(xué)家提供對大數(shù)據(jù)內(nèi)容的直接訪問。
    為了實現(xiàn)這一目標，就必須有一個數(shù)據(jù)訪問接口，能夠提供比MapReduce、Java或者C++更高級別的抽象。這就需要對MapReduce與傳統(tǒng)SQL進行結(jié)合，從而得到一個混合模型。盡管在開源社區(qū)有很多類似的工具，比如Pig、Hive，但這些項目還不能為數(shù)據(jù)科學(xué)家提供高效的、低成本的解決方案。
    因此，SQL與NoSQL可以結(jié)合成為“Not Only SQL”，在解決方案中添加這樣的組合變得越來越流行。大多數(shù)商業(yè)關(guān)系型數(shù)據(jù)庫廠商都已經(jīng)提供了類似的功能。
   大數(shù)據(jù)項目中另外一個常見的錯誤就是陷入所謂的“銀彈”陷阱。新技術(shù)往往被視作解決所有問題的“萬能藥”，一段時間內(nèi)，Hadoop已經(jīng)成為了大數(shù)據(jù)的代名詞，能應(yīng)對所有的分析挑戰(zhàn)。當然，現(xiàn)實中永遠不會出現(xiàn)一種技術(shù)解決所有問題的情況。大數(shù)據(jù)的成功需要使用正確的工具解決特定的問題。
   三平臺策略：數(shù)據(jù)歸檔、數(shù)據(jù)發(fā)現(xiàn)、生產(chǎn)環(huán)境分析
    包括LinkedIn、eBay在內(nèi)的分析密集型企業(yè)，他們解決大數(shù)據(jù)的方法通常是使用三個平臺策略，即一個數(shù)據(jù)歸檔平臺、一個數(shù)據(jù)發(fā)現(xiàn)平臺和一個生產(chǎn)環(huán)境分析平臺。
    由于擴展性、快速數(shù)據(jù)加載以及低成本等特性，開源Hadoop一直受到了數(shù)據(jù)歸檔平臺的青睞。通過這個平臺，數(shù)據(jù)可以被存儲和調(diào)配，并以鍵值對的方式進行原始格式存儲。然而，將Hadoop作為分析平臺的基礎(chǔ)是極難操縱的，需要大量相關(guān)技術(shù)人員介入。
    對于企業(yè)級應(yīng)用來說，我們就需要考慮更多的問題，比如可用性、可管理性以及安全性等。出于這一考慮，需要數(shù)據(jù)發(fā)現(xiàn)平臺填補Hadoop與生產(chǎn)環(huán)境中的傳統(tǒng)數(shù)據(jù)庫平臺之間的“鴻溝”。一個健壯的數(shù)據(jù)發(fā)現(xiàn)平臺將能夠填補上述Hadoop的功能缺陷，同時讓數(shù)據(jù)科學(xué)家能夠在SQL或者NoSQL環(huán)境下進行工作（針對關(guān)系型數(shù)據(jù)或非關(guān)系型數(shù)據(jù)）。
    數(shù)據(jù)發(fā)現(xiàn)平臺優(yōu)化用來提供給小部分數(shù)據(jù)科學(xué)家進行數(shù)據(jù)試驗的設(shè)計與執(zhí)行。數(shù)據(jù)將以未經(jīng)處理的格式從Hadoop歸檔平臺導(dǎo)出，以快速地提供給數(shù)據(jù)科學(xué)家。如果從試驗中未能發(fā)現(xiàn)價值，這部分數(shù)據(jù)可以簡單地丟棄。然后通過發(fā)現(xiàn)平臺，新的數(shù)據(jù)再進來。如果數(shù)據(jù)中發(fā)現(xiàn)價值，就把這些數(shù)據(jù)提交到企業(yè)數(shù)據(jù)倉庫平臺當中。企業(yè)數(shù)據(jù)倉庫平臺中的數(shù)據(jù)是經(jīng)過驗證、可以審計并可以重復(fù)利用的，用來進行生產(chǎn)環(huán)境分析。
    整個數(shù)據(jù)流動的過程，我將其稱之為統(tǒng)一數(shù)據(jù)架構(gòu)，旨在利用手頭上正確的工具來解決相應(yīng)的問題。企業(yè)可以使用Hadoop作為數(shù)據(jù)歸檔平臺。數(shù)據(jù)發(fā)現(xiàn)平臺能夠提供SQL之外的分析能力，同時提供了數(shù)據(jù)庫功能，并對性能、易用性和安全性進行了優(yōu)化，適合數(shù)據(jù)科學(xué)家使用。不使用ETL技術(shù)，通過后期綁定數(shù)據(jù)發(fā)現(xiàn)平臺，為數(shù)據(jù)科學(xué)家提供足夠的靈活性。與此同時，生產(chǎn)環(huán)境分析平臺有企業(yè)數(shù)據(jù)倉庫組成，其中的數(shù)據(jù)主要是通過ETL工具加載進來的。
    當然，并不是所有的企業(yè)都需要上述的三個平臺。舉個例子， 如果數(shù)據(jù)量還不足夠大的話，那么不建議一上來就部署Hadoop平臺。相似地，數(shù)據(jù)發(fā)現(xiàn)平臺和生產(chǎn)環(huán)境分析平臺可以整合在一起，降低整體架構(gòu)的復(fù)雜性。
   ROI與TCO
    一個大數(shù)據(jù)項目要成功，就必須提供一個良好的投資回報率。然而，成功的必要投資往往被誤解。投資并不僅僅是在技術(shù)層面的，還包括具備相應(yīng)能力的人員投資。舉個例子，Hadoop的部署往往被誤認為是免費的，因為它是開源的，沒有許可證費用。然而在使用“免費”軟件的時候，企業(yè)就會忽視對人才的投資，只把軟件安裝在服務(wù)器集群當中是遠遠不夠的。
    從這個角度看，Hadoop可以被視為免費的寵物。領(lǐng)養(yǎng)的費用是零，但喂養(yǎng)的費用絕對就不是零了。企業(yè)必須重視數(shù)據(jù)科學(xué)家以及運維人員的投資，這樣才能讓系統(tǒng)正常運轉(zhuǎn)，并得到業(yè)務(wù)價值回報。
    另外，總擁有成本是最重要的，而不僅僅是購置成本。記住這一點對企業(yè)選擇正確的技術(shù)是很關(guān)鍵的?？偝杀緝r值的優(yōu)化涉及到投資正確的技術(shù)以及技能組合，需要理解針對特定的工作負載哪些技術(shù)才是最適合的，并把整個系統(tǒng)結(jié)合起來。
    相比于對技術(shù)過于崇拜的企業(yè)，從價值層面打通IT與業(yè)務(wù)部門的企業(yè)更容易獲得大數(shù)據(jù)項目的成功。因此，對正確的技術(shù)與技能組合的投資是非常關(guān)鍵的，將它們有機結(jié)合起來是優(yōu)化總成本價值的基礎(chǔ)，并能讓大數(shù)據(jù)項目真正獲得成功。