从企业和CIO们开始尝试数据挖掘以来，数据孤岛就一直阻碍着商业智能效能的提高。数据孤岛，换句话说昂贵的、需要费尽心血维护却彼此无法兼容的数据库，指望从它们那儿发掘到伟大的知识，无疑于缘木求鱼。也就是说，数据库的数量和挖掘到的知识产量没有任何关系。正如一位商业智能专家所说的，进进出出的都是垃圾。

    谈到大数据分析-或者叫数据3V（类别、数量和增长率），则是个将大多数公司窒息的流行语。因为，据分析师Ted Friedman说，数据孤岛整指数般的蔓延-就像瘟疫一样。

    “在你的公司，任何时间任何地方，都有数据孤岛的存在。从大数据的角度看，简直整个宇宙都充斥着数据孤岛-在防火墙里，在web上，在‘云’端，还有那些属于其他企业、客户和供应商的却在你这儿出现的数据，”Gartner主持信息管理咨询的Friedman说道，“所有这些使得你更难打破数据孤岛来挖掘有意义的知识信息。”

    那么，CIO在诠释大数据的过程中能起到什么作用呢？和企业遇到的其他IT挑战一样，这个难题及其解决之道也围绕着人才、流程和技术而展开。CIO不仅需要为为员工培养新技能（包括招募数据科学家、分析师和架构师等），而且需要说服高层：大数据治理是需要高管甚至董事会关注的重要命题。

    突然变时髦的数据管理

    对付大数据遭遇的数据孤岛问题有一种方法，就是孤立分析，重点突破。Gartner专门有一种信息估值过程来运用这种方法。“在庞大的数据海洋中，不同数据有着不同的价值，于是数据挖掘的目标，就变成了定义怎样的问题空间，然后在空间内深入分析，”Friedman说道，“就我看来，客户往往将分析边界定义得太过宽泛。”

    为了突出重点，企业可以首先问自己这样一个问题：我们到底要从数据中得到什么？这些数据和我们的业务有什么联系？我们如何使用这些数据以获得积极的回报？

    随着企业越来越关注潜伏在大数据中的价值信息，Gartner注意到越来越多的公司开始设立数据治理委员会。由业务干系人所组成，这些机构关注一切方面-从哪些是重要的数据源、向什么技术投资，到各种和数据有关的问题，譬如数据质量、数据保留度、数据整合、数据安全性和信息隐私。[page]
    外部数据孤岛的危险探索

    除了少数IT专家外，也应该开放给其他职员大数据探索的权利，以最大程度从大数据中攫取价值。Gartner及其它专业人士担心，很多组织急于从大数据中牟利，以至于忽视了IT治理的风险，从而付出了侵犯隐私、数据造假等问题而得到严惩的代价。

    “在企业里，彻底的数据开放不切实际，”麻省Forrester首席分析师Boris Evelson说道，“有各种各样的监管问题和利益冲突。举个例子，投行的行研师和交易员之间就绝对不可互犯雷池一步。”

    在科罗拉多大学国家冰雪研究数据中心（NSIDC）和其数据收集伙伴美国航天局（NASA）看来，保护数据的完整是一项巨大的挑战，NSIDC的IT服务经理David Gallaher如是说。David的主要任务，是收集、管理记录着世界上所有冰冻地域的以PB级计算的科学数据，并保证以可控的方式分发给需要的研究人员。“我们需要让人们尽可能方便地获取他们需要的数据，但我们必须得保证他们不可能胡乱更改其中的任何一处，”正在接受地理学培训的Gallaher表示。另一方面，NSIDC的科学家们每次访问数据后肯定会对其进行更新，所以数据管理的治理原则必须是“正确的人做正确的修改”,Gallaher强调道。NSIDC目前正在和美国国家科学基金会合作完善其数据治理原则。

    数据管理-只要多视图，不要多拷贝

    不是所有人同意大数据一定意味着更多的数据孤岛这一说法。IBM大数据项目副总裁Anjul Bhambhri就宣称，大数据其实能“帮助”CIO.

    “现在，数据孤岛能够进行自我清理，”在一次针对其一年来为200多家公司清理数据孤岛的访谈中，Bhambhri如是说。一家大型企业为邮件归档建立了13个数据集市（单是法务部就使用了8个），因为当他们要访问归档邮件时，他们等不及让IT来处理。另一家公司的两个部门分别为自己的web缓存建立了拷贝。“要知道他们每天就有150亿条缓存要处理，”Bhambhri说道。

    新技术-当然，包括IBM的大数据产品-可让企业在一个数据仓库中存储和分析庞大的数据信息。因此，上述两家公司只用保留一个活跃的数据归档，大可不必设立13个归档副本或150亿web缓存。“你的数据只用保存于一处，来自多处的应用即可对数据同时进行访问，因为数据在存储层次的形式保持不变，”Bhambhri说道。然而，即使她和像她这样的积极倡导大数据分析的IT人士，也不断提醒企业，有效的大数据分析，需要对已有的IT系统框架进行彻底地改造。“能够有效存储数据是在正确的方向上前进了一大步，”她说道，“但仅能存储是不够的，有效的分析还需要大量的算法。”

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。