Oracle Enterprise Architecture

大数据带来高价值 ——甲骨文∙江苏移动技术解决方案日

Software. Hardware. Complete

王宇德博士 企业架构师 derek.wang@oracle.com

1

Oracle 免责声明

以下内容旨在概述产品的总体发展方向。该内容仅供参考，不可纳入任何合同。本演示不承诺提供任何材料、代码或功能，也不应将其作为购买决策的依据。Oracle

有权自行决定任何产品的特性或功能的开发、发布和时间安排。

议题

大数据时代的业务挑战与机遇

大数据的技术发展趋势、面临的挑战和应对之道

电信运营商的大数据分析场景探讨

引入大数据，打造完整的企业信息架构

3

大数据时代的

业务挑战与机遇

什么是大数据？ 具有4V特性的数据称为大数据

• 巨大的数据量 Volume

• 集中储存/集中计算已经无法处理巨大的数据量

VOLUME

VELOCITY

VARIETY

SOCIAL

BLOG

SMART

METER

VALUE

10110010100100100

11010101010111001

01010100100101

3亿+用户，高峰期一天上亿条微博

中型城市每月数十亿智能电表数据

2015年全球移动终端产生的数据量6300PB

• 多结构化数据 Variety

• 文本/图片/视频/文档等

• 增长速度很快 Velocity

• 海量数据的及时有效分析，

• 用户基数庞大/设备数量众多/实时海量/数据指数级别增长

• 价值密度低Value

• 单条数据并无太多价值，但庞大的数据量蕴含巨大财富

媒体/娱乐

访问者

通信

呼叫、内容

应用程序

教育与科研

建模

消费品

舆情、地点、

设备

医疗保健

个人传感器

监视

生命科学

临床试验

基因组

工业制造

质量

高科技

制造执行系统

石油与天然气

勘探

金融服务

欺诈

安全性

汽车

传感器

零售

消费者行为

航空与国防

性能

旅游与运输

每小时 20 TB

保险

个性化保险

公共部门

计量经济学

公用事业

智能量表

各行各业的用例

电子商务

网站行为 面临的挑战：

数据量、高速度、多样性

大数据为什么重要?

• 视频和图像

• 文档

• 社交数据

• 机器生成数据

After Big Data

Before Big Data

决策基于交易型数据 决策基于所有的数据

大数据：挑战转化为机遇

业务价值

→ 高度多样性

→ 大数据量

→ 高速度 大数据

现状

→ 深度分析

→ 高敏捷性

→ 高度可伸缩性

→ 实时

将来

挑战

大数据

平台

大数据：创新、竞争和生产力的下一个前沿领域

信息来源：* McKinsey Global Institute：“Big Data – The next frontier for innovation, competition and productivity”（2011 年 5 月）

美国医疗保健

3000 亿

美元

产值逐年增长

美国零售

60%

净利润增长超过

制造

50%

开发成本、装配成本降低

全球个人位置数据

1000 亿

美元

服务提供商收入增长

欧洲公共部门管理

2500 亿

欧元

产值逐年增长

大数据带来大革命(Big Data is a Big Deal)

• 2012年3月29日，美国政府宣布启动“大数据研发计划”，将投入超过2亿美元推动大数据提取、存储、分析、共享、可视化等领域的研究，并将其与历史上对超级计算和互联网的投资相提并论。

• http://www.whitehouse.gov/bl

og/2012/03/29/big-data-big-

deal

http://www.isbarackobamathepresident.com/

If Obama is still president? 依靠直觉与经验进行决策的优势急剧下降，在政治领域，大数据的时代已经到来

• “我们要用数据去衡量竞选活动中的每一件事情。”

-- Obama竞选活动经理Jim Messina

• 竞选总部任命Rayid Ghani为“首席科学家”

• Ghani和他的团队将试图挖掘选民在公开市场上可得的行动、行为、支持偏向方面的大量数据，并预计出选民的选举模式，这将使奥巴马竞选团队的花费更加精确和有效率。

• 新的大数据库能让竞选团队筹集到比他们曾预料到的更多的资金（10.6亿美金/08年7.5亿）

• “我们每天晚上都在运行66000次选举。每天早上，我们都会得出数据处理结果，告诉我们赢得这些州的机会在哪，从而我们去进行资源分配。”

• 华盛顿那些基于直觉与经验决策的竞选人士的优势在急剧下降，取而代之的是数量分析专家与电脑程序员的工作

• 新的互联网，新的候选人，新的操盘手，一场新式的选举，创造出一个新媒体时代的总统。

淘宝网的指标体系除了自己分析运营的淘数据之外，为卖家提供了丰富的指标应用工具，主要是淘宝量子恒道统计，淘宝魔方等

二十多种分析工具，通过这些工具为卖家更好的管理自己的店铺和优化店铺经营

阿里金融： 如何融资（挑战传统金融模式） 阿里金融相继开发出阿里信用贷款、淘宝（天猫）信用贷款，淘宝（天猫）订单贷款等微贷产品，均为纯信用贷款，不需要小微企业提交任何担保或抵押。 面向小微企业、个人创业者： • 发放信贷最主要的因素是成本和风险，阿里金融通过对数据的搜集和整合，

解决了这两大难题。 • 通过对商家往来的交易、信用、客户评价、访问行为等数据的分析，了解

可能需要的资金量并可以测算他们可能的还款时间，从而降低放贷风险。 • 通过数据的运算来评核企业的信用，不仅降低了申请贷款的门槛，也极大

简化了申请贷款的流程，使其有了完全在互联网上作业的可能性

数据魔方： 卖什么 以行业商品为分类，提供行业内商品热卖排名等信息，分析行业内商品销售趋势 帮助商家： • 何种商品上架--借鉴行业商品在淘宝的销售信息，确定在何时上架什么类型

的商品，为制定商品价格、优惠活动时长做出参考 • 指导生产和销售：买家喜欢搜索的品牌、产品和特征，企业可预先洞悉即将

热销的商品指导生产和销售 • 确定客户目标--帮助商家分析买家的性别年龄、地域分布、客单价、购买频

次以及购买时段等数据，便于企业精准营销 • 知己知彼--帮助商家确定自己在淘宝的位置，查看竞争对手的销售概况，从

而帮助商家进行店铺销售定位

大数据带来高价值 – 互联网企业

13

2012年7月，阿里巴巴在管理层设置了“首席数据官(CDO)”一职，负责推进“数据分享平台”，落实“将阿里集团变成一家真正意义上的数据公司”战略。

大数据的商业价值…… 行 业 案 例 商 业 价 值

银行 /

金融

• 贷款、保险、发卡等多业务线数据集成分析、市场评估 • 新产品风险评估 • 股票等投资组合趋势分析

• 增加市场份额 • 提升客户忠诚度 • 提高整体收入 • 降低金融风险

医疗 • 共享电子病历及医疗记录，帮助快速诊断 • 改善诊疗质量 • 加快诊疗速度

制造 /

高科技

• 产品故障、失效综合分析 • 专利记录检索 • 智能设备全球定位，位置服务

• 优化产品设计、制造 • 降低保修成本 • 加快问题解决

能源 • 勘探、钻井等传感器阵列数据集中分析 • 降低工程事故风险 • 优化勘探过程

互联网 /

Web2.0

• 在线广告投放 • 商品评分、排名 • 社交网络自动匹配 • 搜索结果优化

• 提升网络用户忠诚度 • 改善社交网络体验 • 向目标用户提供有针对性的商品与服务

政府 /

公用事业

• 智能城市信息网络集成 • 天气、地理、水电煤等公共数据收集、研究 • 公共安全信息集中处理、智能分析

• 更好地对外提供公共服务 • 舆情分析 • 准确预判安全威胁

媒体 /

娱乐 • 收视率统计、热点信息统计、分析

• 创造更多联合、交叉销售商机 • 准确评估广告效用

零售 • 基于用户位置信息的精确促销 • 社交网络购买行为分析

• 促进客户购买热情 • 顺应客户购买行为习惯

14

大数据的技术发展趋势、面临的挑战和应对之道

大数据在IT行业的发展趋势

大数据的角色和技能

大数据科学家

• 行业专业知识

• 分析技能

大数据工程师

• Hadoop/Java

• 非关系型数据库

敏捷性和对价值的专注

表联接复杂性

数据更新模式 模式复杂性

总数据量

响应速度

单位作业

数据量

处理自由 并发作业

大数据

分析

传统

RDBMS

通用数据

处理

1000

结构化 仅追加 非结构化 事务性

100 个表

交互式

批处理

100 PB

10 PB

1 PB

100 TB SQL

100 TB 批处理

10 PB

1 PB

100 PB

识别大数据平衡点

传统DW难以处理大数据

• 大数据的4V特点： Volume, Variety, Velocity, Value

• 传统DW系统不适用于大数据的分析 • 数据量过于庞大

• 绝大部分大数据是垃圾

• 大数据的多样化格式

• 需要革新性的技术手段 • 海量数据“分而治之”------批量分布式并行计算Hadoop

• 海量数据“灵活多变”------实时分布式高吞吐高并发数据存取处理NoSQL

• 海量数据“跨越鸿沟”------大数据超高速装载进数据库

通用存储服务器 •集成服务器、磁盘和网络 •专用的(specialized)软件使得通用的系统设计能够提供高性能的数据服务

大数据环境的基础设施作为服务(IaaS)

开放平台方向 数据计算和存储

•数据向基础架构移动

Application

Data Services

Metadata Mgnt

Storage

Application

Data Services

Metadata Mgnt

Storage

Application

Data Services

Metadata Mgnt

Storage

legacy Emerging Future

超大规模(Hyper-Scale)的架构

传统架构

•高可用(Clustering, DR…) •RDBMS •商业智能，数据仓库 •结构化数据

超大规模架构

•高可扩展，高可用，DR •Web2.0, Cloud Computing, Big Data, HPC •计算节点和数据节点在同一个Box中 •结构化，半结构化和非结构化数据

Oracle CEP 大数据，不仅仅只是Hadoop和NoSQL

+

类OLAP

+

ETL

+

Storage

随机存取

+

Storage

狭 义

广 义

Storm

Big Data Connector

Oracle NoSQL

电信运营商的大数据 分析场景探讨

大数据分析 – 传统电信运营商（英国电信）

IDOL智能数据分析平台是英国电信网站数据处理心脏，几乎所有的运维、运营、营销、决策数据都是通过IDOL平台进行计算的，然后再提供给使用者。IDOL的特点是从复合型数据和非结构化数据找到机会或者发现问题，情感分析能力也是IDOL的领先优势。

运营人员：

• 从第三方工具和日志获取数据，掌握全网站的运营数据与客户交互行

为数据

• 网站客户交互信息的情感变动

用户：

• 个性化搜索和产品推荐（应用模块）

• 直观的搜索关联展现（应用模块）

• 最佳的组合套餐推荐（应用模块）

系统：

• 提供分析结果数据给第三方展现工具

• 提供分析结果数据给分析应用模块

• 自动化程度高且能够人工进行数据匹配

挖掘分布在网络、平台、IT中海量信息的价值是构建分析竞争型电信企业的基础

24

电信大数据分析演示

ORACLE

DEMO 如何应对来自其它电信运营商的越来越激烈的竞争

25

运营商需要从更大的数据中发现价值

OLTP apps: 客户信息、订购信息、 清帐单、CDR

传统渠道: 服务请求、接触信息、交互轨迹

网络： 信令、上网日志(上网时段、时长、频率等)、位置信息(家庭、工作场所、移动轨迹、常去地点)、终端信息、网管、传感器(车联网、物联网)

业务平台： 业务订购(音乐、游戏、阅读、动漫等)、业务日志、用户生成内容、合作伙伴

外部： 互联网社区、社会化网络、竞争对手、潜在客户

分散在电信网络与IT系统中的海量信息

是构建分析竞争型企业的基础，运营商

在用户数据方面拥有天然的竞争优势。

发掘大数据中的价值，实现业务创新 全面的数据运营

——海量，准确，实时

大数据就是金矿，谁挖掘得好就可以成为竞争壁垒。而今天最好的大数据都在大公司。我的预测：互联网大公司大部分会学会驾驭大数据，越做越强；而大部分非互联网公司（电信、银行、保险）虽拥有大数据，却不知其珍贵，或用之不当。

——李开复

客户行为研究

客户细分识别

精准营销

贴心服务

对管道的智能化分析

对网络和客户流量特征的分析

对产品的分析和辅助优化

客 户 分 析 类 需 求

业 务 和 产 品 分 析 需 求

需要丰富的数据

在“智能管道”和“客户为根、服务为本”的要求下，充分发挥数据关联分析的优势，助力企业的转型和精细管理。

信令数据深度应用 全面评估用户感知，提供各种专题分析

上网日志系统将机器识别的log文件整理、汇总、挖掘成多个维度诠释每个独立用户

音乐下载

上网活跃度：高

晚8点

上海

终端：HTC

android

男性

28岁

游戏迷 每月80M流量 行为特征：

下载、浏览、搜索、邮件等

终端属性特征： 手机品牌、型号等

应用偏好特征： 通讯、音乐、游戏、阅读等

内容喜好特征： 军事、体育、音乐、游戏等

基础属性特征： 年龄、性别、上网时间等

上网日志挖掘点击流分析----用户隐藏的信息

客户交往图谱

•核心圈：具备两两通信关系的一组通话圈体 •通过对历史的话单、短信、彩信、139邮件、微博等通信行为的挖掘和分析，发现客户的通信指纹和客户交往群划分（家庭交往群、工作时段交往群等）

•交往群网可以被扩展到亲亲、朋友、同事、客户、社区等不同模式

通过通信行为来刻画客户交往图谱

建立用户360度全息指纹

• 数据来源 – CRM – 业务系统(139、MM、飞信) – 客服系统 – 上网日志 – 信令数据 – 社交媒体 – ……

行为特征： 下载、浏览、搜索、邮件等

终端属性特征： 手机品牌、型号等

应用偏好特征： 微博、音乐、游戏、阅读等

内容喜好特征： 军事、旅游、音乐、游戏、美容、金融等

基础属性特征： 年龄、性别、单位等

业务产品： 彩铃、阅读、CMMB等

消费习惯： 历史消费情况、位置出现规律、付费习惯等

作息时间： 手机开关机时间、固网通话情况、宽带或者3G上网时频等

位置信息： 出没规律、出行规律、商圈级别、差旅习惯等

社交网络： 交往人群、圈子、影响力等

大数据应用场景1——数据服务(企业选址)

商家： 我们想投资一家时尚主题餐厅，我了解我的目标人群，但是应该如何选址？

电信运营商: 我们通过手机用户轨迹智能分析系统提供满足给定人群的分布列表

商家投资采用了电信运营商的建议，在中关村购物广场开办了一家针对周边用户的主题餐厅，并且投放精准广告，挣得盘满钵满，正找电信运营商咨询下一家分店选址呢

对象人群：

年龄：25-35岁

年收： > 10万

对象区域（分布密度降序）：

国贸

中关村

……

大数据应用场景2——数据服务(实时路况与客流引导)

通过对手机用户的信令数据中位置信息的实时收集、统计和分析，实现热点地区客流统计、监控、疏导、追踪、短信通知等功能。

客流引导：

个人用户

短信引导信息：发送短信来引导客户选择出行路线。

彩信引导信息：发送实时路况图片及介绍人流密度图

短信查询：移动用户可以发送短信查询交通路况和出行建议

公众：

在公共场所，如公共区域等放置公共广告屏，提供各区域客流信息，使得非中国移动用户也能及时获得指定区域的客流密度信息。

LAN

Core Network

MSC-S

交换机

BSCBSC

BSC

GSM Network

Cell 1

Cell 2

Cell 5

Cell 4

Cell 3

Trigger

Area

#1

Trigger Area

#2MSC-S

MSC-S

客流引导系统

采集服务器

数据库

应用服务器

（应用与采集部署在同一台

服务器上）

数据库

客流指挥中心

公众广告屏

安防系统

疏导信息展示

大数据应用场景3——网络优化

目的： 根据网络负载情况，优化3G网络和WiFi网络的使用，进一步增加数据服务收入

绿色：网络负载过轻 黄色：网络负载正常 红色：网络负载过重

3G网络负载较重，WiFi网络负载较轻

实时带宽使用情况，包括客户资料，使用类型，过去1分钟/5分钟/15分

钟流量情况等

发现网络中的高负载区域

蜂窝范围内覆盖的WiFi热点

3G网络负载变回正常

3G网络负载变回正常

收到免费WiFi邀请的客户，大部分都接受了

根据流量使用情况以及接受邀请的可能性，给客户发送限时免费WiFi

的邀请

使用运营商的应用程序连接WiFi后，还可以做进一步的营销

通过提供限时免费WiFi降低3G网络负载

大数据应用场景4——聆听社交媒体的声音 中国社交媒体使用分析

《2012中国微博蓝皮书》

互联网监测研究平台DCCI互联网数据中心 市场研究公司尼尔森(Neilson)报告2012

聆听社交媒体的声音 运营商如何在社交媒体中迅速获取这些问题的答案?

• 用户在社交媒体中的影响力？他们的交往圈？爱好？

• 社交媒体对电信运营商的服务质量的评价，在特定区域或客

户群是否有服务质量问题？

• 社交媒体对运营商新推出的产品、优惠和活动的反应和情感？

• 用户对于运营商品牌的情感？特别是高影响力的用户

• 在运营商关注的领域，最近一天/一小时用户热议的话题？

• 有哪些用户在关注这些话题? 他们所在的地区？

• 关注度随时间变化的趋势?

• 对这些话题人们持何种观点？正面和负面评价的比例？

• 有哪些突发事件迅速成为关注的焦点？

• 事件发生在何地？与哪些人有关？

基于位置的社交媒体情感分析 关于“汽车”的Twitter在地图上观点

基于位置的情感分析（正面/负面）

技术方案架构 -聆听社交媒体 采集 组织 分析

MDEX

自定义关键字

分类筛选

HTTP

ETL

公共API

连接器

CEP实时过滤

HDFS

MapReduce

Oracle Loader

Endeca

动态关键字

Full Text

Indexing

大数据应用场景5——精准营销 用户偏好属性结合位置信息

ID Gender Preference

186xxxxx F Desert …..

131xxxxx M Video

Game ….

132xxxxx F Cinema …

133xxxxx M Sportware …

134xxxxx F Beauty

Salon …

135xxxxx M Coffee

Shop ….

136xxxxx F Clothing

Store …

用户指纹库 用户连续位置信息

精准促销信息

精准营销 ->只提供你最需要的信息

42

给音乐爱好者投放演唱会信息

用户都有自己的丰富准确的指纹信息

精准营销示例

43

条件订制： 当这家店有5折以下折扣时，立刻通知我！

要素分析： 时间 地理位置 客户偏好 等等

综合网关 RNC SGSN GGSN/PCEF

Gi Gn Gb

信令

大数据应用场景6——实时防欺诈，提高用户满意度

您的WLAN帐号在XX地登录无线网络，如有问题请回复短信或致电10086避免帐号密码泄漏引起不必要的损失。

登录

发送短信

高价值的大数据应用，其实还有很多…

个性化内容

实时精准推荐

交叉销售&向上销售

客户流失预测

客户在线维系

实时欺诈监测

基于位置的服务

…

发短信

手机上网

网厅 浏览 产品目录访问

访问高尔夫比赛

查询个人账户余额

通话/状态变化

通过携程预定行程、 更换智能手机

位置变化 进入某大型shopping mall

12580 查询美食信息

呼叫中心 投诉

推荐商务助理类

推荐掌上营业厅

推荐高尔夫产品

交叉销售

电子折扣券

推荐合作伙伴产品

挽留计划

Operating System

Operating System

Operating System

大数据智能驱动 45

传统的数据仓库和大数据分析平台的区别 数据仓库偏重“经营分析”大数据分析侧重“客户洞察”，数据转变为资产

大数据分析平台

传统数据仓库 涵盖新契约、核保、保全、收付费、理赔、人力、客户、渠道、绩效考核、综合统计、财务及精算等业务数据和分析； 营销管理、运营管理、客户管理、风险管理、人力资源管理、资产管理以及财务管理等七大管理领域 用户规模分析、业务量分析、收入分析 产品收益分析 渠道监控与分析 网络业务量分析 增值业务分析 集团客户（政企客户）业务分析 …

客户社会属性分析（学生、白领、商务人士） 客户喜好分析（音乐、体育、旅游、美食） 客户网上消费行为分析（C2C、B2C、垂直购物网站） 客户位置信息 客户社交行为分析（交往人群、圈子特征、意见领袖/追随者) 客户热点关注 …

单一数据运营为中心的时代，公司高效运营是重心。

泛大数据时代，客户全面洞察是重心

经分辅助 主要来源 实现方式

当前电信企业经分所能提供的帮助

用户数

业务量

稳定性

新增

维挽

Up-sell

Cross-Sell

粘性

满意度

流失预警、存量市场保有、联通客户经理策反、…

增量市场挖掘、竞争对手策反、…

话务量提升营销、客户价值提升、产品叠加销售、…

新产品交叉营销、潜在客户识别、…

终端捆绑、家庭/集团客户、 …

客户体验管理、余额提醒和帐单推送、投诉分层分级管理、 …

47

大数据

大数据所能提供的帮助

更快的时间

准确的地点

真实的人物

具体的事件

48

OLTP apps: 客户信息、订购信息、 清帐单、CDR

传统渠道: 服务请求、接触信息、交互轨迹

网络： 信令、上网日志(上网时段、时长、频率等)、位置信息(家庭、工作场所、移动轨迹、常去地点)、终端信息、网管、传感器(车联网、物联网)

业务平台： 业务订购(音乐、游戏、阅读、动漫等)、业务日志、用户生成内容、合作伙伴

外部： 互联网社区、社会化网络、竞争对手、潜在客户

大数据 主要来源 实现方式

经分结合大数据所能提供的帮助

用户数

业务量

稳定性

新增

维挽

Up-sell

Cross-Sell

粘性

满意度

机会点

更快的时间

准确的地点

真实的人物

具体的事件

49

全面的大数据平台

CRM

客户指纹 精准营销 网络规划 流量经营 数据开放 服务优化

构建完整的大数据处理分析平台 发掘运营商数据资产价值

数据源 传感器 信令 电子渠道

业务平台

上网日志

WLAN 邮件 短信 …… 社交

媒体

网络优化

平台

应用

获取 组织 分析 决策

支付

引入大数据，打造完整的企业信息架构

52

报表/KPI 更深入

延时 实时/近实时

部分数据 ‘大’数据

预测与洞察、探索发现、搜索与可视化

面向操作、事件驱动、即时分析

结构化与非结构化，海量数据

封闭 开放

数据与能力的开放，新的商业模式

大数据能力创新的方向

改进企业信息架构，引入大数据，发挥数据协同效应

事务

管理

安全

、治

理

高级分析

可视发现

DBMS

(OLTP)

主数据和

参考 结构化

仓库

文本分析和搜索

报告和信息板

实时

机器生成

社交媒体

文本、图像、

视频、音频

NoSQL

非结构化

半结构化

报警

数据库中的

分析

EPM BI 管理软件

基于消息

ETL/ELT

ChangeDC

ODS

流

（CEP 引擎）

获取 组织 分析 决策

Hadoop

(MapReduce)

专业的硬件

HDFS

数据

内存中分析 RDBMS 集群 大数据集群 高速网络

文件

商务智能 报表系统 交互式分析 实时仪表盘 数据洞察层

文件数据源 RDBMS数据源 事件数据源 其他数据源 数据源层

日志收集系统 消息/事件系统 数据采集交换系统 数据收集层

集中式文件系统 分布式文件系统 结构化数据库 灵活存储 数据存储层

批量计算 流式计算 实时计算 数据计算层

数据整合 数据整合层

数据库 数据仓库 灵活数据存储系统 数据智慧层

数据应用消费平台 数据消费层 数据共享、数据服务

BDA/Flume ODI+GG+SOA WebLogic/CEP

ZFS/Pillar Exadata/Oracle MySQL Lustre

BDA

/HDFS

Oracle

NoSQL DB

BDA

/HBase

Exadata

TimesTen/Coherence

Oracle NoSQL DB

Exadata

/ORE

BDA/

Hadoop

MapReduce

/R

CEP

RTD

TimesTen

Coherence

Big Data Connector / ODI / GG / MDM BDA/Sqoop

Exadata/Oracle/Mysql Exadata/Oracle Oracle

NoSQl DB BDA/HBase

BDA

/Hive

Exalogic Coherence/SOA/ODI/GG

Exalytics/BIEE/Essbase Oracle BAM

EM12c

IDM

ECM

Web

Center

BPM

数据探索 Endeca

Oracle数据整合解决方案

Oracle数据存储解决方案

Oracle数据处理解决方案

Oracle数据整合解决方案

Oracle数据管理解决方案

Oracle数据平台解决方案

Oracle数据洞察解决方案

Ora

cle

数据管理\

协作\

安全\

内容解决方案

建立完备的数据管理和处理体系

Oracle Enterprise Architecture

Framework

Master Data

Reference Data

Metadata

Transaction Data

Analytical Data

Unstructured Data

Big Data

Data Realms

Information Sharing & Delivery

Business Intelligence &

Data Warehousing

Data Integration

Content Management

Master Data Management

Enterprise Data Model

Data Governance,

Quality, & Lifecycle

Data Security

Data Technology

Management

Data security

Information sharing & delivery Business

intelligence & data

warehousing

Data integration

Content management

Master data management

Enterprise data model

Data governance,

quality & lifecycle

mgmt

Data technology management

Oracle

Information Architecture Framework

信息架构能力模型

Master data

Transaction data

Reference data

Analytical data

Metadata

Unstructured data

Big Data

Data Realms Data

Realms

企业大数据规划

挖掘

扩展

利用

• 培养意识

• 选择并确定大数据集的优先级

• 评估并采用最为适合的大数据工具集

• 建立卓越中心

充分利用未来的机遇

识别业务机会

延伸和扩展初步成功

• 沟通成功案例

• 延伸并包含更多大数据集

• 管理并提升性能和可伸缩性

• 继续培训并补充技能集

• 构建以知识为中心的企业文化

• 能够充分吸收和利用新数据

• 对现有集成的大数据工具和新工具随其不断成熟进行监控和评估

Oracle企业大数据治理方法论

大数据

业务战略

大数据

建设目标

大数据

架构设计 大数据实施 大数据运维

企业战略目标

业务目标

业务模式

服务对象

服务模式

应用场景

大数据治理目标

大数据信息模型

大数据管理定义

技术选择

大数据服务定义

安装、配置

验收测试

系统上线

容量规划

验证测试

系统监控

资源调度

生命周期管理

大数据服务管理

服务性能管理

大数据持续改进

架构优化 技术升级 服务改进 业务调整

Oracle 的企业架构方法

产品组合

Oracle EA 框架

流程

Oracle 架构开发流程

人员

Oracle 企业架构师