擁抱大數(shù)據(jù)是選擇公有云還是本地部署？

Brian Hopkins著 陳琳華譯

云計(jì)算對大數(shù)據(jù)和高級分析的影響是巨大的。那么我們是選擇公有云還是本地部署呢？在我調(diào)查的企業(yè)中，許多企業(yè)目前仍處于觀望之中。這些企業(yè)都清楚要想與客戶建立友好關(guān)系，他們就需要在公有云上投入更多。難點(diǎn)在于許多企業(yè)正在努力應(yīng)對企業(yè)發(fā)展和監(jiān)管問題，而這其中常常存在一些并不合理的技術(shù)限制。

公有云在2016年曾經(jīng)是大數(shù)據(jù)的首選。為什么呢？因?yàn)槠髽I(yè)在不斷擴(kuò)展其本地基礎(chǔ)設(shè)施時(shí)會遇到成本障礙。企業(yè)希望擁有規(guī)模更大、擴(kuò)展速度更快的本地配置，這其中包括混合云中的本地部署部分，然而這些根本無法跟上發(fā)展步伐。雖然業(yè)內(nèi)的共識是混合云是最適合大數(shù)據(jù)的選項(xiàng)，但是我并不這樣認(rèn)為。企業(yè)應(yīng)該制定一個(gè)公有云優(yōu)先的策略，只在必要時(shí)才將混合云或本地部署作為臨時(shí)過渡措施。

在新的研究中，我發(fā)現(xiàn)了大量的證據(jù)，并且這些證據(jù)使我得出了這個(gè)合乎邏輯的結(jié)論。最重要的是，一些領(lǐng)軍企業(yè)認(rèn)為，他們依托公有云獲得的大數(shù)據(jù)技能是他們的新競爭優(yōu)勢。他們意識到這些將使自己能夠更加深入地了解客戶，更加迅速地適應(yīng)不斷上升的客戶期望與不斷變化的客戶需求。以下是為什么我認(rèn)為他們這樣考慮是正確的原因：

云計(jì)算和大數(shù)據(jù)帶來了指數(shù)級變化，這一點(diǎn)可以參考摩爾定律。谷歌曾公開承諾將采用摩爾定律理念對云服務(wù)進(jìn)行定價(jià)。想象一下，如果云基礎(chǔ)設(shè)施價(jià)格下降一半會發(fā)生什么，并且大數(shù)據(jù)處理和分析能力每隔18至24個(gè)月就會翻一番。相對于本地部署或混合云競爭對手，云服務(wù)提供商可以利用規(guī)模優(yōu)勢更快地為所有客戶提供新的功能、更新后的版本和補(bǔ)丁。

指數(shù)級變化正在持續(xù)推動(dòng)云計(jì)算領(lǐng)域中的創(chuàng)新步伐。例如，用于SQL分析的AWS Athena等服務(wù)器創(chuàng)新、來自谷歌的新人工智能服務(wù)、基于容器且可支持不同版本開源工具的Spark。

那些已轉(zhuǎn)向公有云優(yōu)先策略并定位于充分利用指數(shù)級變化和創(chuàng)新步伐的企業(yè)將會勝出。例如，在PaaS和托管服務(wù)上構(gòu)建具備深刻洞察力的應(yīng)用程序的企業(yè)將能夠以更快的速度吸納新功能和新的開源版本。

這些趨勢顯示，那些在Hadoop和Spark硬件和軟件升級上花時(shí)間以實(shí)現(xiàn)自身數(shù)據(jù)架構(gòu)現(xiàn)代化的企業(yè)注定會失敗。只需要一到兩個(gè)倍增周期，本地部署的配置就會落后。

那么我們該怎么辦呢？首先，需要一個(gè)計(jì)劃。市場研究機(jī)構(gòu)Forrester認(rèn)為制定一個(gè)計(jì)劃需要以下步驟：為大數(shù)據(jù)分析重點(diǎn)選擇一個(gè)初始的基本云戰(zhàn)略（SaaS、PaaS或IaaS），確定滿足自己的洞察力系統(tǒng)需求的候選云平臺服務(wù)，調(diào)整包括云管理策略在內(nèi)的大數(shù)據(jù)分析路線圖，最后酌情針對其他基本的云策略重復(fù)上述步驟。

我認(rèn)為大數(shù)據(jù)向公有云遷移已經(jīng)開始了，并且它們的速度和程度都超出了我們的想象。那些擁有這種架構(gòu)并知道如何利用新的指數(shù)級變化的領(lǐng)軍企業(yè)將在競爭中勝出。答案已經(jīng)清楚了，不要再在是選擇公有云還是本地部署這個(gè)問題上猶豫不決了。

本文作者Brian Hopkins為市場研究機(jī)構(gòu)Forrester的副總裁兼首席分析師。Brian還負(fù)責(zé)Forrester的新興技術(shù)和技術(shù)創(chuàng)新研究，長期關(guān)注洞察力系統(tǒng)、大數(shù)據(jù)、數(shù)據(jù)管理、分析技術(shù)架構(gòu)與戰(zhàn)略。

原文網(wǎng)址

https：//www.cio.com/article/3201110/big-data/got-big-data-go-public-cloud-or-go-home.html