189 8069 5689
大概在 2005 年前后，Hadoop 诞生后，标志着人类正式进入大数据时代。
其实，" 大数据 " 概念第一次被提出，可以追溯到 1998 年，一家美国高性能计算公司的科学家，在一次国际会议报告中，用 "Big Data" ( 大数据 ) 来描述数据量增长带来的挑战。
到了 2013 年，开始有越来越多的企业看到大数据的价值，发现大数据能够为企业业务赋能，通过对海量数据量的有效存储、管理和分析，可以获得更实时的市场洞察力。并且，人们还发现，大数据不是一个单一的技术，而是一系列数据管理技术的集合体，它对整个社会及人类带来的影响，将有别于以往任何技术变革。
那么，十几年时间过去了，今天的大数据发展到何种状态？我们需要做些什么，才能让大数据应用变得更加成熟？
从各种应用分析和调查来看，虽然企业的数据量呈爆发趋势增长，也更重视信息的来源和使用价值，但在实际的商业价值推动上，并没有带来显著成果。虽然大数据概念炒得很火热，但应用上仍停留在如何将正确的信息在正确的时间发送给正确的人。
数据仓库 vs 数据湖 vs 数据管理架构
为了收集、获取海量数据，各种数据存储和管理系统如雨后春笋般诞生，包括数据仓库、数据湖和数据管理架构等，开始加快走向企业应用场景中。
只是，当企业的解决方案以及平台架构开始增多，业务的复杂性也随之增加，企业需要一个标准的数据管理架构，去整合所有的数据以及多样的应用工具，包括能实现跨环境以及混合应用的管理。以往集中式架构，已经不能满足企业的业务需求了。或者说，企业需要更强大的数据分析能力，能对不同的数据源进行访问。这也是以 Data Fabric 为核心的数据管理架构，变得越来越流行的最根本原因。
理论上讲，企业需要一个核心数据库，能确保所有的数据都是最新、易管理，并且是干净数据；但之前的数据架构模式不可能实现，而 Data Fabric 则能帮助企业实现不同数据的管理，并且能把各种数据之间的关系关联起来，而不是将所有的数据倾倒在一个数据湖中。
所以，在数据的整个治理过程中，所有相关的应用都很重要。比如：我们可以通过数据仓库实现高性能、可重复的分析；而数据湖可以存储用于开发和测试的数据；Data Mesh 这种基于领域驱动和自服务的数据架构设计模式，可以用来管理分布式数据，因为该服务本身借鉴了微服务和 Service Mesh 分布式架构思想。提到 Data Mesh，有人可能要问 Data Mesh 和 Data Fabric 是什么关系？其实，Data Mesh 和 Data Fabric 在概念上都差不多，都是一种新型的数据管理架构，都致力于让数据互联互通。
一站式大数据平台构建
当企业业务上升到一定量，构建大数据平台成为必须品。问题是，大数据平台如何构建？不同企业有不同选择！
有专家建议，最好采用两种策略构建企业大数据平台，即一个用于生产，另一个用于分析。但笔者认为，基于一个标准的数据架构构建大数据平台，更有利于数据管理。如果每个业务部门都建自己的平台，需要支持多个数据库，还得需要一个 ETL 平台完成数据之间的转换。这时，数据的真实性、实时性都会出现挑战。构建大数据平台，最终的目标是为了整合数据，让所有的数据实现可视化管理，并且无论数据在企业内部还是云端，都能实现统一管理。多一个数据平台，就意味着企业在进行数据整合时，会增加额外的成本，并且容易出现数据安全隐患。
当然，构建一个能覆盖所有环境的大数据平台，也不是一件容易的事。大多数时候，一个供应商的解决方案也没那么全面，比如：有的提供了查询功能，但治理方面差了一些；有的虽然解决了大数据的规模化处理，但后期的数据迁移成为一大挑战。所以，企业拥有多个企业提供的数据管理解决方案，可能是一种常态。
如果企业选型选对，基于标准的数据架构来打造打造大数据平台，那意味企业拥有了先天的一站式大数据平台管理能力，后期可以通过各种工具和手段进行数据的标准化管理。
比如：基于 Data Fabric，企业从设计之初开始，就拥有了一个可灵活扩展、多次复用和持续优化的数据管道，技术开发人员可以根据服务和语义，支持复杂环境部署，通过资源的灵活调度，交付各种应用。