數(shù)據(jù)準(zhǔn)備工具:分析策略的秘密武器
數(shù)據(jù)準(zhǔn)備經(jīng)常被認(rèn)為是在組織內(nèi)利用數(shù)據(jù)的主要障礙,而為組織找到合適的工具可以取得突破。
要獲得數(shù)據(jù)分析的好處,首先必須做好數(shù)據(jù)準(zhǔn)備。根據(jù)調(diào)研機構(gòu)Gartner公司最近的研究,對于許多組織來說,這是一個很大的瓶頸,他們70%的時間都集中在數(shù)據(jù)準(zhǔn)備工作上。
Gartner公司數(shù)據(jù)和分析團隊高級分析師、《Gartner公司數(shù)據(jù)準(zhǔn)備工具市場指南》的主要作者Ehtisham Zaidi說:“尋找、訪問、清理、轉(zhuǎn)換數(shù)據(jù),以及及時與合適的人共享數(shù)據(jù),仍然是數(shù)據(jù)管理和分析中最耗時的障礙之一。”
Hitachi Vantara公司首席營銷官Jonathan Martin表示,對于希望通過分析來轉(zhuǎn)變業(yè)務(wù)的組織而言,主要問題不在于掌握人工智能,而在于掌握數(shù)據(jù)管道。
他說,“數(shù)據(jù)準(zhǔn)備工作是很具挑戰(zhàn)性的工作。如何確定所有這些數(shù)據(jù)在哪里?可以建立一個投資組合嗎?是否可以設(shè)計管道以自動、托管和管理的方式將所有這些數(shù)據(jù)源連接在一起,從而使組織能夠在正確的時間將這些數(shù)據(jù)獲取到正確的位置、正確的人員、正確的機器?”
那么如何采用數(shù)據(jù)準(zhǔn)備工具以解決這些問題?以及在為組織選擇數(shù)據(jù)準(zhǔn)備工具時需要尋找哪些內(nèi)容。以下是深入研究數(shù)據(jù)準(zhǔn)備為何仍然是重大分析面臨的挑戰(zhàn)的原因,
數(shù)據(jù)準(zhǔn)備面臨的挑戰(zhàn)
多種因素加劇了數(shù)據(jù)準(zhǔn)備面臨的挑戰(zhàn)。
首先,支持分析計劃所需的數(shù)據(jù)源和數(shù)據(jù)類型的數(shù)量和復(fù)雜性呈指數(shù)級增長。通過組織內(nèi)部和外部的分布式數(shù)據(jù)生態(tài)系統(tǒng)訪問這些數(shù)據(jù)源需要大量的時間、資源、技能和工具來完成。
IDC公司數(shù)據(jù)集成和完整性軟件服務(wù)研究總監(jiān)Stewart Bond說,“這是當(dāng)今時代數(shù)據(jù)環(huán)境具有的復(fù)雜性。因為存在多種不同的數(shù)據(jù)類型:交易數(shù)據(jù)、社交媒體數(shù)據(jù)、結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)、日志文件數(shù)據(jù)、圖形數(shù)據(jù)。數(shù)據(jù)環(huán)境存在各種不同的數(shù)據(jù),存儲這些數(shù)據(jù)的技術(shù)也各不相同。”
其次,對自助數(shù)據(jù)訪問和集成的請求數(shù)量使IT團隊不堪重負(fù)。Zaidi說,這表明從集中式IT模型到數(shù)據(jù)集成的功能不再有效。
他說:“IT部門需要通過易于用戶使用和理解的工具來配置數(shù)據(jù)訪問和集成,這是對數(shù)據(jù)準(zhǔn)備的需求進(jìn)一步上升的原因。”
第三,數(shù)據(jù)需求不斷變化,因為業(yè)務(wù)分析師、集成商、業(yè)務(wù)用戶、數(shù)據(jù)工程師和數(shù)據(jù)科學(xué)家對他們的項目都有不同的數(shù)據(jù)需求。
Zaidi說:“這使得一次準(zhǔn)備數(shù)據(jù)并使不同的角色/消費者可以使用它們來滿足他們不斷變化的需求,”
下一代數(shù)據(jù)準(zhǔn)備工具
他補充說,隨著數(shù)據(jù)準(zhǔn)備工具的成熟,組織的痛點已經(jīng)顯著改變。其痛點在于用來連接哪些數(shù)據(jù)源以及準(zhǔn)備哪些數(shù)據(jù)。如今,組織將重點放在數(shù)據(jù)治理、沿襲、可追溯性和質(zhì)量上。他們還面臨著確保具有必要技能的合適人員可以使用數(shù)據(jù)準(zhǔn)備工具訪問正確數(shù)據(jù)的權(quán)限。
Bond將此歸結(jié)為“數(shù)據(jù)智能”問題,即有關(guān)數(shù)據(jù)的元數(shù)據(jù)。
他說,“人們需要了解數(shù)據(jù)的位置,數(shù)據(jù)的含義,誰在使用它,誰可以訪問它,為什么擁有數(shù)據(jù),需要多長時間保存數(shù)據(jù),以及如何使用它,這是一種智慧。”
值得慶幸的是,數(shù)據(jù)準(zhǔn)備工具市場正在不斷發(fā)展,以包括解決這些問題的新功能。上一代工具僅限于支持業(yè)務(wù)用戶所需的最后一英里數(shù)據(jù)準(zhǔn)備工作的簡單數(shù)據(jù)轉(zhuǎn)換要求。下一代工具現(xiàn)在具有與IT團隊共享發(fā)現(xiàn)和準(zhǔn)備好的模型以進(jìn)行操作的功能,以及諸如數(shù)據(jù)編錄之類的數(shù)據(jù)管理功能,使用戶能夠查看和搜索連接的數(shù)據(jù)資產(chǎn)。
Zaidi說:“某些工具現(xiàn)在還嵌入了高級數(shù)據(jù)質(zhì)量功能,這些是上一代工具所沒有的。這些功能包括性能分析、標(biāo)記、注釋、重復(fù)數(shù)據(jù)刪除、模糊邏輯匹配、鏈接和合并功能。這些功能使IT和數(shù)據(jù)管理團隊可以更輕松地提高質(zhì)量并確保治理和協(xié)作。”
在這里,機器學(xué)習(xí)(ML)是關(guān)鍵?;跈C器學(xué)習(xí)的功能不僅可以在準(zhǔn)備之前自動化數(shù)據(jù)的匹配、連接、配置文件、標(biāo)記和注釋,而且某些工具可以突出顯示敏感屬性、異常和異常值,并與元數(shù)據(jù)管理和治理工具協(xié)作以防止敏感數(shù)據(jù)被暴露。
Zaidi解釋說:“這些機器學(xué)習(xí)增強的數(shù)據(jù)準(zhǔn)備工具允許不同技能水平的用戶采用數(shù)據(jù)準(zhǔn)備,同時確保治理和合規(guī)性。”
在數(shù)據(jù)準(zhǔn)備工具中查找什么
當(dāng)組織評估現(xiàn)代數(shù)據(jù)準(zhǔn)備工具時,Zaidi說他們應(yīng)該尋找關(guān)鍵功能:
- 數(shù)據(jù)攝取和分析。尋找一個可視化環(huán)境,使用戶能夠交互式地接收、搜索、采樣和準(zhǔn)備數(shù)據(jù)資產(chǎn)。
- 數(shù)據(jù)編目和基本元數(shù)據(jù)管理。采用工具應(yīng)該允許創(chuàng)建和搜索元數(shù)據(jù)。
- 數(shù)據(jù)建模和轉(zhuǎn)換。工具應(yīng)支持?jǐn)?shù)據(jù)混搭和混合、數(shù)據(jù)清理、過濾以及用戶定義的計算,組和層次結(jié)構(gòu)。
- 數(shù)據(jù)安全。工具應(yīng)包括安全性功能,例如數(shù)據(jù)屏蔽、平臺身份驗證以及用戶/組/角色級別的安全性篩選。
- 基本數(shù)據(jù)質(zhì)量和治理支持。數(shù)據(jù)準(zhǔn)備工具應(yīng)與支持?jǐn)?shù)據(jù)治理/管理以及數(shù)據(jù)質(zhì)量,用戶權(quán)限和數(shù)據(jù)沿襲功能的工具集成。
- 數(shù)據(jù)豐富。工具應(yīng)支持基本的數(shù)據(jù)豐富功能,包括實體提取和從集成數(shù)據(jù)中捕獲屬性。
- 用戶協(xié)作和運營。這些工具應(yīng)有助于共享查詢和數(shù)據(jù)集,包括發(fā)布、共享和推廣具有治理功能的模型,例如數(shù)據(jù)集用戶評分或官方水印。
此外,Zaidi還強調(diào)了以下與眾不同的功能:
- 數(shù)據(jù)源訪問/連接。工具應(yīng)具有基于API和基于標(biāo)準(zhǔn)的連接性,包括對云計算應(yīng)用程序和數(shù)據(jù)源(例如流行的數(shù)據(jù)庫PaaS和云計算數(shù)據(jù)倉庫)的本地訪問、內(nèi)部部署數(shù)據(jù)源,關(guān)系和非結(jié)構(gòu)化數(shù)據(jù)以及非關(guān)系數(shù)據(jù)庫。
- 機器學(xué)習(xí)。工具應(yīng)支持使用機器學(xué)習(xí)人工智能來改善甚至自動化數(shù)據(jù)準(zhǔn)備過程。
- 混合和多云部署選項。數(shù)據(jù)準(zhǔn)備工具需要支持在云平臺、內(nèi)部部署或混合集成平臺設(shè)置中的部署。
- 特定于域或垂直領(lǐng)域的產(chǎn)品或模板。工具應(yīng)提供針對特定領(lǐng)域或垂直領(lǐng)域的數(shù)據(jù)和模型的打包模板或產(chǎn)品,以加快數(shù)據(jù)準(zhǔn)備時間。
最后,Zaidi說,人們必須考慮的第一件事是,其組織是使用一個獨立的數(shù)據(jù)準(zhǔn)備工具,還是與一個將數(shù)據(jù)準(zhǔn)備嵌入到更廣泛的分析/商業(yè)智能、數(shù)據(jù)科學(xué)或數(shù)據(jù)集成工具中的供應(yīng)商合作。如果有一個依賴于一系列分析/商業(yè)智能和數(shù)據(jù)科學(xué)工具的數(shù)據(jù)集成的通用用例,請考慮使用獨立工具。另一方面,如果只需要在特定平臺或生態(tài)系統(tǒng)的場景中準(zhǔn)備數(shù)據(jù),那么使用這些工具的嵌入式數(shù)據(jù)準(zhǔn)備功能可能更有意義。
數(shù)據(jù)準(zhǔn)備市場概況
Gartner公司將數(shù)據(jù)準(zhǔn)備工具供應(yīng)商分為四類,因為數(shù)據(jù)準(zhǔn)備功能已嵌入所有數(shù)據(jù)管理和分析工具中,因此每一種都在不斷變化。
(1)獨立的數(shù)據(jù)準(zhǔn)備工具。該領(lǐng)域的供應(yīng)商專注于實現(xiàn)與下游流程的更緊密集成,例如API訪問以及對多個分析/商業(yè)智能、數(shù)據(jù)科學(xué)和數(shù)據(jù)集成工具的支持。該領(lǐng)域的工具包括Altair、Datameer、Lore IO、Modak Analytics、Paxata和Trifacta等供應(yīng)商的產(chǎn)品。
(2)數(shù)據(jù)集成工具。這一類別的供應(yīng)商歷來注重數(shù)據(jù)集成和管理。這包括來自供應(yīng)商的產(chǎn)品,如Cambridge Semantics、Denodo、Infogix、Informatica、SAP、SAS、Talend和TMMData。
(3)現(xiàn)代分析和商業(yè)智能平臺。這些供應(yīng)商專注于數(shù)據(jù)準(zhǔn)備,將其作為端到端分析工作流的一部分。Zaidi說,由于數(shù)據(jù)準(zhǔn)備對于現(xiàn)代分析和商業(yè)智能至關(guān)重要,因此該領(lǐng)域的所有供應(yīng)商都在嵌入數(shù)據(jù)準(zhǔn)備功能。此類別中的供應(yīng)商包括Alteryx,Tableau、Cambridge Semantics、Infogix、Microsof、MicroStrategy、Oracle、Qlik、SAP、SAS、TIBCO Software和TMMData。
(4)數(shù)據(jù)科學(xué)和機器學(xué)習(xí)平臺。Gartner公司分析師表示,這些供應(yīng)商提供數(shù)據(jù)準(zhǔn)備功能,作為端到端數(shù)據(jù)科學(xué)和機器學(xué)習(xí)流程的一部分。其代表廠商包括Altery、Cambridge Semantics、Dataiku、IBM、Infogix、Rapid Insight、SAP和SAS。
除了上述四大類別之外,Gartner公司分析師還發(fā)現(xiàn)了具有數(shù)據(jù)準(zhǔn)備功能的新類別,其中包括以下平臺和具有代表性的供應(yīng)商:
- 數(shù)據(jù)管理/數(shù)據(jù)湖支持平臺:Informatica、Talend、Unifi和Zaloni
- 數(shù)據(jù)工程平臺:Infoworks
- 數(shù)據(jù)質(zhì)量工具:Experian
- 數(shù)據(jù)集成專家:Alooma、Nexla、StreamSet和Striim
6種關(guān)鍵數(shù)據(jù)準(zhǔn)備工具
以下六個數(shù)據(jù)準(zhǔn)備工具提供了有關(guān)當(dāng)前可用功能的更詳細(xì)的描述。
(1)Alteryx Designer
這個獨立的數(shù)據(jù)準(zhǔn)備工具也是Alteryx Analytics和數(shù)據(jù)科學(xué)平臺的一部分,這意味著它還作為更廣泛的現(xiàn)代分析和商業(yè)智能平臺中的功能以及更廣泛的數(shù)據(jù)科學(xué)和機器學(xué)習(xí)平臺中的功能而被嵌入。它提供了拖放工作流,無需SQL代碼即可分析、準(zhǔn)備、混合數(shù)據(jù)。它是按年度訂閱的,并按指定用戶定價。
(2)Cambridge Semantics Anzo
Anzo是Cambridge Semantics的端到端數(shù)據(jù)發(fā)現(xiàn)和集成平臺,因此涵蓋了Gartner公司的所有四個類別。Anzo在現(xiàn)有數(shù)據(jù)基礎(chǔ)設(shè)施上應(yīng)用了基于語義的基于圖形的數(shù)據(jù)結(jié)構(gòu)層,以映射企業(yè)數(shù)據(jù),公開數(shù)據(jù)集之間的連接,啟用可視化探索和發(fā)現(xiàn),以及混合多個數(shù)據(jù)集。Anzo是通過訂閱提供的,其定價基于核心數(shù)量和用戶數(shù)量。
(3)Datameer Enterprise
Datameer Enterprise是一個數(shù)據(jù)準(zhǔn)備和數(shù)據(jù)工程平臺,完全屬于Gartner公司的獨立類別。它著重于使用向?qū)б龑?dǎo)的集成過程將分散的原始數(shù)據(jù)源聚集在一起,以創(chuàng)建單個數(shù)據(jù)存儲。Datameer Enterprise提供了類似于電子表格的界面,可用于混合和視覺探索功能。根據(jù)計算能力或數(shù)據(jù)量向客戶收費。云計算客戶按小時或通過年度許可證收費。
(4)Infogix Data3Sixty Analyze
Infogix公司的Data3Sixty Analyze是基于Web的解決方案,源于Infogix收購Lavastorm。與Datameer一樣,它涵蓋Gartner公司的所有四個類別。Data3Sixty使用角色定義用戶。設(shè)計人員可以創(chuàng)建和編輯數(shù)據(jù)流,瀏覽器只能執(zhí)行數(shù)據(jù)流,而計劃程序可以創(chuàng)建和修改計劃以進(jìn)行自動處理。Infogix公司出售Data3Sixty既是基于訂閱的桌面產(chǎn)品,又是基于永久和訂閱提供的基于服務(wù)器的產(chǎn)品。
(5)Talend Data Preparation
Talend提供了三種數(shù)據(jù)準(zhǔn)備工具:Talend Data Preparation(開源桌面版本)、Talend Data Preparation Cloud(作為Talend云平臺的一部分提供的商業(yè)版本)和Talend Data Preparation的另一版本(作為內(nèi)部部署的Talend Data Fabric產(chǎn)品)。Talend Data Preparation是一個獨立的工具,而Talend Cloud和Talend Data Fabric是將數(shù)據(jù)準(zhǔn)備集成為更廣泛的數(shù)據(jù)集成/數(shù)據(jù)管理工具中功能的示例。Talend使用機器學(xué)習(xí)算法進(jìn)行標(biāo)準(zhǔn)化、清理、模式識別和對賬。開源版本是免費的。商業(yè)版本遵循基于命名用戶許可證的訂閱模型。
(6)Trifacta Wrangler
Trifacta Wrangle是一個獨立的數(shù)據(jù)準(zhǔn)備平臺,提供各種版本以支持云計算和本地計算環(huán)境。它提供了嵌入式機器學(xué)習(xí)功能,用于推薦要與之連接的數(shù)據(jù)、推斷數(shù)據(jù)結(jié)構(gòu)和模式、推薦連接、定義用戶訪問以及自動化可視化以實現(xiàn)探索/數(shù)據(jù)質(zhì)量。Trifacta Wrangler提供免費版本、Wrangler Pro(根據(jù)計算容量和用戶數(shù)量收費)、Wrangler Enterprise(根據(jù)計算/處理規(guī)模和用戶數(shù)量收費,同時提供內(nèi)部版本和云計算版本)和Trifacta公司的Google Cloud Dataprep(根據(jù)計算消耗收費)。