數據解決方案 2019-03-29T16:09:07+00:00

企業進行數據分析時所面臨的挑戰

決策者了解數據分析對準確和快速決策過程的重要性。但是,傳統的地端資料倉儲和商業智能工具可能無法支援。現在雲端科技正在藉由資料湖和自助服務分析的概念,透過敏捷性、可擴展性、成本效益和機器學習的功能改變傳統分析方式。因此,企業可以及時在決策過程中培養數據驅動的文化。

  傳統分析 雲端分析
暴增數據成長的可擴展性 有限僵化 隨需所用的可擴展性
數據儲存 典型的地端硬體資料倉儲應用,大部分只適用結構化資料 適用於結構化及非結構化的資料湖
成本 實體設備維護成本高
  • 按使用量計價
  • AWS Redshift 的成本為傳統資料倉儲的十分之一
方法 僅 ETL 適用於 ETL 和 ELT
效能 由於運算能力的限制,和雲端分析相比增加了 50% 的 ETL 時間 在需要時擴展雲端運算的能力,ETL 和 ELT 時間顯著降低
人工智慧 / 機器學習功能 有限 預先構建的機器學習模型和快速部署的人工智慧和機器學習功能

完整的資料架構組成要素

Automated and reliable data ingestion

自動化且正確的資料提取

Preservation of original source data

原始資料的完整保存

Lifecycle management and cold storage

資料聲明週期與冷資料 (Cold Storage) 管理

Metadata capture

詮釋 (Metadata) 獲取

Managing governance, security, privacy

資料治理、安全性、隱私設定管理

Self-service discovery, search, access

自助式探索、搜尋、使用

Managing data quality

資料品質管理

 

Preparing for analytics

資料分析規劃

Orchestration and job scheduling

協作機制 (Orchestration) 與
作業調度

AWS 上的應用架構

Reference Architecture on AWS

eCloudvalley 數據團隊的服務項目

Setting up Data Lake and Data warehouse

資料湖和資料倉儲架構和設置

Data modeling and Discovery

數據探索及數據建模

Data visualization using Tableau

透過 Tableau 視覺化數據

Self-service Analytics portal

自助式分析入口網站

Adopting AWS prebuilt Machine Learning algorithm

機器學習

成功案例

打造您的數據解決方案

TW - Campaign - Data Solutions