舉世聞名的Wal-Mart，藉由經(jīng)年累月的結(jié)帳資料分析，締造了「尿布與啤酒」的驚奇故事，大家這才乍然醒悟，原來看似風(fēng)馬牛不相及的事物，也蘊(yùn)藏著不為人知的致勝秘訣，顯見商業(yè)分析之重要性;但「尿布與啤酒」畢竟屬于事后分析，Wal-Mart現(xiàn)在更想做的，已經(jīng)不僅止于此。

　　盡管「巨量資料」或「海量資料」等詞匯，幾乎已經(jīng)密集延燒了一整年，但Big Data議題不僅未見絲毫疲態(tài)，這把火反倒愈燒愈旺，成為企業(yè)蓄積智慧與洞察力的絕佳寶庫，許多高階主管，都樂此不疲從巨量資料中探索致勝秘訣，據(jù)此建立競爭優(yōu)勢。放大

　　Wal-Mart過去為人樂道的尿布與啤酒傳奇，已成為「傳統(tǒng)」。新的商業(yè)分析技術(shù)正在興起，可以挖掘出過去顯為人知的訊息。

巨量資料分析架構(gòu)示意圖

　　乃至于全球最大的軟件公司微軟(Microsoft)，也將巨量資料與行動應(yīng)用、云端運(yùn)算、企業(yè)生產(chǎn)力(含企業(yè)社群)等另三項議題，列為「主導(dǎo)未來十年產(chǎn)業(yè)變化」的四大趨勢之一;其認(rèn)為多年以來，商業(yè)智慧一直扮演重要角色，如今隨著互聯(lián)裝置及應(yīng)用程序的大量運(yùn)用，引發(fā)爆炸性的資料增長，遂使得商業(yè)智慧愈趨朝向巨量資料靠攏，成為企業(yè)賴以洞燭機(jī)先的關(guān)鍵利器。

　　值得一提的，隨著巨量資料、商業(yè)智慧彼此間擦撞火苗，也讓現(xiàn)今的商業(yè)分析內(nèi)涵，出現(xiàn)了有別以往重大轉(zhuǎn)變;在過去，商業(yè)分析的重點，僅在于冰山之上已知可見的結(jié)構(gòu)化數(shù)據(jù)，偏向事后分析型態(tài)，然而今后，其重點已經(jīng)轉(zhuǎn)向為冰山之下的未知信息，且泰半屬于大家從前鮮少進(jìn)行分析的非結(jié)構(gòu)化資料型態(tài)。

　　Wal-Mart過去為人津津樂道的尿布與啤酒傳奇，至此已可歸類為「傳統(tǒng)」的商業(yè)分析，展望未來，企業(yè)倘若只是做到這一步，并不足以掌握關(guān)鍵契機(jī);所以Wal-Mart早就不以此為自滿，而是主動分析顧客搜尋商品的行為，以及用戶透過搜尋引擎尋找到Wal-Mart網(wǎng)站的關(guān)鍵字，利用這些關(guān)鍵詞的分析結(jié)果發(fā)掘顧客需求，以規(guī)劃下一季商品的促銷策略。

　　不僅如此，Wal-Mart還瞄準(zhǔn)了當(dāng)今最炙手可熱的社群網(wǎng)站，期望從顧客在Facebook、Twitter等網(wǎng)站上對商品的討論，早一步掌握潛在消費需求，終至創(chuàng)造「比父親更早知道女兒懷孕」的另一驚奇故事。

　　面臨新挑戰(zhàn)　企業(yè)亟需培育新智能

　　即便許多企業(yè)，所屬業(yè)態(tài)與Wal-Mart大相逕庭，生財模式也與Wal-Mart多所歧異，但可以肯定的是，隨著全球經(jīng)濟(jì)情勢與商業(yè)環(huán)境的改變，未來企業(yè)規(guī)模無論是大或小、從業(yè)資歷不管是深或淺，都無可避免一定會面臨諸多新挑戰(zhàn)。

　　這些挑戰(zhàn)，包括了商品的競爭與價格壓力漸增、新市場的需求擴(kuò)大、人力資源管理難度攀升，以及企業(yè)永續(xù)性與法規(guī)遵循的要求愈趨嚴(yán)格;在此前提下，企業(yè)別無他法，勢必得力求推動更多的創(chuàng)新，加快技術(shù)研發(fā)的速度，并設(shè)法改善客戶服務(wù)與盈利能力。

　　意欲將前述條件逐一付諸實踐，對于絕大多數(shù)企業(yè)而言，其實并不容易，因而導(dǎo)致大部分公司抗御經(jīng)濟(jì)情勢與商業(yè)環(huán)境變動的能力，都顯得有所不足，為業(yè)務(wù)發(fā)展埋下不確定因子;于是乎，現(xiàn)今不管身處哪一國度、哪一垂直產(chǎn)業(yè)領(lǐng)域的企業(yè)用戶，最殷切的期盼，便是尋求一個好的解決方案，借以幫助他們節(jié)省金錢、提高生產(chǎn)力、帶動業(yè)績的成長。

　　以上三個愿望，看似平凡無奇，理應(yīng)不難達(dá)成，實則不然，主因在于當(dāng)前世局變遷速度加快，連帶造成各項新挑戰(zhàn)接踵而至，使得企業(yè)很難再沿用過去熟悉的方法，實現(xiàn)這些基本目標(biāo)，必須援引新的方式，建立新的智能，才可望扭轉(zhuǎn)整個局面。

　　如何培育新智能?答案就在于巨量資料分析!

　　傳統(tǒng) vs. 現(xiàn)代　商業(yè)分析大不同

　　傳統(tǒng)的BI或資料倉儲(Data Warehouse)，系擅長于處理結(jié)構(gòu)化資料，亦即一般存放于關(guān)聯(lián)式數(shù)據(jù)庫的數(shù)據(jù)，對于XML、Logs、Click-Stream、RFID Tags等半結(jié)構(gòu)化資料，抑或網(wǎng)頁、電子郵件、多媒體、實時訊息等非結(jié)構(gòu)化資料，處理能力一向都不太好，少量處理如此，面對現(xiàn)今爆炸性的「巨量」，那更是無力應(yīng)付。

　　所以企業(yè)若一味緬懷過去，運(yùn)用傳統(tǒng)資料倉儲、資料采礦(Data Mining)等工具鑒往知來，恐將事與愿違，因為這些工具所帶出的分析結(jié)果，對于企業(yè)競爭力的提升作用，已經(jīng)愈來愈小。

　　那么該如何是好?即是設(shè)法強(qiáng)化半結(jié)構(gòu)化與非結(jié)構(gòu)化巨量資料的處理能力，以期填補(bǔ)既有商業(yè)分析機(jī)制的先天缺陷;其大致的運(yùn)作原理是，運(yùn)用一套全新的解決方案，先針對內(nèi)外部巨量資料加以儲存、運(yùn)算、處理與分析，然后再把其處理或分析結(jié)果，轉(zhuǎn)變?yōu)槟撤N結(jié)構(gòu)化格式，如此一來，BI或資料倉儲便可擷取這些結(jié)果，為終端使用者進(jìn)一步提供相關(guān)的索引或搜尋。

　　于是乎，最擅長處理半結(jié)構(gòu)化與非結(jié)構(gòu)化資料的Hadoop-MapReduce，遂成為巨量資料分析架構(gòu)當(dāng)中的重要環(huán)節(jié)，從以往鮮為人知，變成今時今日的當(dāng)紅技術(shù);根據(jù)市場研究機(jī)構(gòu)MarketAnalysis.com預(yù)估，時值2013~2018年期間，Hadoop-MapReduce市場的復(fù)合成長率高達(dá)58%，到了2018年其產(chǎn)值將達(dá)22億美元，放眼各項IT產(chǎn)品或技術(shù)，具備類似于Hadoop-MapReduce增長幅度的項目，其實并不多見。

　　綜此，建立Hadoop-MapReduce分散式運(yùn)算架構(gòu)，似已成為企業(yè)跨足巨量資料分析的必經(jīng)之途，但要想在這條路上走得安穩(wěn)，企業(yè)必須先把大環(huán)境給營造出來，首先便是導(dǎo)入云端運(yùn)算，藉由虛擬化技術(shù)將一群廉價的運(yùn)算資料，匯集于可供挪移調(diào)度的資源池。

　　其次則是建立資料儲存(Storage)與擷取(Retriever)機(jī)制，因此舉凡HDFS(Hadoop Distributed File System)分散式檔案系統(tǒng)，以及立基于欄位(Column)的HBase數(shù)據(jù)庫系統(tǒng)，顯然都成為企業(yè)IT人員的必修學(xué)分。

　　HDFS有一個更傳神的稱謂-NameNode，負(fù)責(zé)將檔案切割成為固定大小的區(qū)塊，然后再將各個區(qū)塊分散儲存至不同的DataNode上，運(yùn)作原理彷彿Linux檔案系統(tǒng)里頭的Inode;因檔案儲存皆跨越實體機(jī)器，所以HDFS可被為一項虛擬的分散式檔案系統(tǒng)，與傳統(tǒng)檔案系統(tǒng)分割Block后都存放到同一機(jī)器的做法，的確大不相同。

　　至于HBase，我們可以這樣解釋，簡單來說，Hadoop就是一套實現(xiàn)Google Map & Reduce的工具，而HBase則用以實現(xiàn)Big Table設(shè)計概念，兩者皆屬于Apache項目的一環(huán)，也都以Java作為主要程序語言。Hbase是一種足以迅速存取大量資料的數(shù)據(jù)庫設(shè)計方法，它運(yùn)用Row-Oriented、Column Family等思維，俾使用戶便于儲存具備不同欄位屬性的資料，爾后亦可援引Row Key，快速讀取其所需要的資料。

　　而不管是HBase，以及負(fù)責(zé)將單一工作分散至不同集群加以平行運(yùn)算的MapReduce，大家都需構(gòu)筑在HDFS基礎(chǔ)之上，所以無論在建立HBase或Hadoop時，皆需設(shè)定聯(lián)系HDFS的Server與Port，以便于讓同一份檔案，可被復(fù)制到不同的運(yùn)算節(jié)點。

　　一旦運(yùn)用Hadoop-MapReduce負(fù)責(zé)處理半結(jié)構(gòu)化與非結(jié)構(gòu)化資料，再配合傳統(tǒng)BI與資料倉儲對于結(jié)構(gòu)化資料之處理與分析，企業(yè)即可成功進(jìn)入Big Data世界，再從Big Data走向Total Data，從過去茫然未知的冰山下世界，深入萃取商業(yè)價值，借以預(yù)測未來、優(yōu)化競爭策略、提振顧客滿意度。

　　此處必須強(qiáng)調(diào)，過去的資料采礦，通常是提出「會問」的問題，接著從這些問題找答案、找知識，但進(jìn)入巨量資料分析，用戶心態(tài)勢必需要調(diào)整，轉(zhuǎn)而將重點置于「不會問」的問題，比方說經(jīng)由客戶在社群網(wǎng)站的意見討論，驅(qū)使下一個問題的產(chǎn)生，繼而探索解答，以利企業(yè)能從未知環(huán)境中創(chuàng)造價值。(RFID世界網(wǎng)編輯整理)

【責(zé)任編輯：廖小亞】