信息时代已经让位于数据时代每一天，数以百万计的用户，企业和政府产生了大量的数据。一小部分可用数据是结构化的，如销售数据、客户数据和主数据，并以易于搜索和快速分析的格式进行标准化。今天的大多数数据量来自云和边缘数据存储中以前未开发的、半结构化和非结构化的信息，360大数据，这些信息对组织可以用来保持竞争力的重要见解进行编码。到目前为止，最大的数据量是由包含大量信息的图像和视频产生的。然而，从机器和应用程序使用情况产生的数据在数量上并不落后。

并不是所有的云应用程序都被设计成可以轻易交出数据，从而造成数据隔离岛，剥夺了知识工作者的宝贵见解。这些可以是典型的应用程序，如HR或CRM，它们现在是用分布式的键值存储和共享的OLTP数据库构建的，这使得经典的SQL访问变得不可能。即使是内部开发的客户应用程序现在也常常是在没有SQL存储的基础上构建的，这使得应用程序开发速度更快，但成本更高。如今，内部开发的定制应用程序只用于创造业务价值，不确保基础数据随时可与其他公司信息协调一致。

最终用户和分析师对此类应用程序和外部渠道的数据易于访问以进行分析和报告抱有不切实际的期望。然而，要从云端和其他外部数据渠道获取各种类型的非标准化数据绝非易事。随着非结构化信息的不断激增，如何学习大数据，越来越多的公司难以应对这种蔓延。商业云应用程序不想让导出数据变得容易，因为这会在其领域的终点形成一条"线"，并减少其创建分析服务和收取分析服务费用的机会。这导致客户感叹，事实上，爱返利，他们对其业务的理解是，减少

造成数据蔓延的因素是复杂的和多方面的。正如我在上一篇博文中所讨论的那样，数据熵包含了定位不同数据源的困难，而数据蔓延则侧重于数据的可访问性和质量。这与数字化转型的承诺相反，然而，随着公司采用云应用、物联网和云计算，一元云购下载，这正是所发生的事情快速构建内部应用程序。公司需要一个能够为所有数据源和数据类型提供适配器的解决方案，以便有效地正确访问、查询和处理数据，并以高度安全、可靠和受管理的方式完成这项工作。

数据扩展在统计建模方面也提出了重大挑战。企业意识到有必要成为智能企业，在智能企业中，简单的决策是自动化的，以使资源能够专注于更高阶的问题。这些不同的、看似不兼容的数据源需要进行组合、清理，并用于生成统计模型，部署用于自动化业务流程。这是一个巨大的挑战，公司才刚刚开始了解，更不用说处理了。

大多数企业报告说，他们打算将关键数据保留在企业内部或私有云中，但是，为分析和评分建立统计模型所需的最大数据量通常存储在公共云和云应用程序中。公司需要工具来规划和协调从云和边缘数据存储中提取的数据，提取和处理相关数据，训练模型，将模型返回给适当的系统进行评分，然后解除这些临时资源的使用。所有这些复杂的处理只是第一步，公司还需要模型测试工具、仪表盘来跟踪模型质量，最重要的是，他们需要保持对这些过程的审计跟踪，以确保充分的治理。

数据生命周期管理是在考虑如何解决数据蔓延时出现的另一个问题。一般来说，随着数据的老化，人们对它的关注越来越少，但某些数据无论有多旧仍然至关重要。主数据就是一个很好的例子，物联网教室，数据是一种资产，它的价值和质量必须随着时间的推移进行跟踪。访问频率是衡量价值的一个关键指标，但也有其他指标，必须考虑这些指标，以便了解哪些数据应受到保护并存储在热存储（如SAP HANA）中，哪些数据可以保存在其他解决方案中。数据必须在其整个生命周期内进行管理，并在其价值下降时转移到成本和安全适当的位置。在每个国家/地区，数据必须存档并最终销毁，以满足法规要求并限制公司的法律风险。

"数据时代"即将到来，数据蔓延将继续存在。公司需要敏捷的解决方案来帮助他们应对这种蔓延带来的挑战。解决方案将允许公司重新对其数据进行控制，以便在他们需要数据的任何时候、任何时候、任何地方使用数据。

请继续关注，我们将继续为今天的企业数据管理需求做好准备。下一步：为什么数据安全和数据治理很重要。

通过参加6月5日至7日在奥兰多举行的SAPPHIRE NOW 2018大会，了解当今领先企业如何应对其数据管理挑战。

参加SAPPHIRENOW的对话