在我们连续4期关于超融合平台文章的第2部分中，我们覆盖了超融合技术基础设施应用的主流案例。第1部分解释了超融合架构的工作原理，第3部分着重讨论购买设备的标准，而第四部分中将引用这些标准横向比较市场上主要供应商(的产品)。
超融合将计算、存储、网络和虚拟化等关键的常规元素整合到一座数据中心中，成为一体化和模块化的设备。本文探讨了应用超融合平台的使用案例和优势，从而帮助组织决定该项技术是否是适合他们的正确选择。
集成与管理的简化
集合必要的元素来组成数据中心，需要大量的研究工作，并认真留意交互性和集成性。这也需要进一步探究服务器，网络设备，存储设备和其他设备，然后把所有的设备集中起来创建一套可运行的环境。
部署一套超融合设备仅仅需要购买最少数量的配置节点，将它们放置在设备机架上并用网络进行连接。因为不需要不同供应商和不同产品间的集成操作，使得支持和运维的工作量得以减轻。
超融合平台的单一来源的优势也延伸到管理和监控方面。这些包括一组单独用于管理虚拟机、网络、存储和负载分配和平衡的窗格玻璃。此外，部分供应商，如Scale Computing，提供着重用于存储或计算的节点服务，允许用户以更高的灵活性来调整他们的基础设施。大部分超融合系统随着节点被加入到集群中，可以立即识别出新的节点，并自动分配他们的资源用于用户的计算、存储和网络需求。
虚拟桌面基础架构(Virtual desktop infrastructure，VDI)和远程办公是最早应用超融合平台的应用，因为它们与存储具有紧密的集成关系，通常这也是一个应用计算的VDI的瓶颈。单箱方法优化VDI虚拟机管理程序方便用户大规模扩展虚拟桌面。
对于远程和分支机构的办公，超融合平台减少了所需的设备数量以及实施的难度，能够借助更少甚至是不需要IT工作人员来完成扩容或管理工作。
比云部署更加节省成本
超融合可作为一个私有云的区块。部分供应商声称，通过使用公共云服务，如Amazon Web Services，降低CAPEX和OPEX成本，他们的设备能为用户提供更好的总成本。这些超融合设备供应商的大多数声称借助单一的控制台，使用一套安装、配置、管理和监控设施，能够降低管理成本。所有这些因素有助于降低成本，特别能降低这些内部设备使用中的最昂贵的成本之一：即安装，操作和维护这样的设备所需的人工成本。
规模化和扩展更加容易
为提供故障转移和容错操作，超融合设备集群通常不少于三个节点，它们可以是相同的，或包括计算和存储型节点。要完成这些环境的扩容，要面向不同供应商的不同市场。目标为小型到中等规模的企业(SMB)的一些这样的平台，每个物理或逻辑集群支持多达16个节点，而另一些则支持数百或数千个节点。在这些限制之内，扩容的设计是简单和易行的，每当新的节点添加，都可以实现即插即用。
构建商业案例
最佳商业案例来自于一线的应用。在很多案例中，在CAPEX和OPEX的问题上，超融合平台在经济性层面非常有利。
部分超融合产品供应商更注重SMB市场，这些用户的IT预算和资源都明显相对紧张。在这些情况下，采购、安装、运营和维护的简化体现在需要较少的时间来关注IT资源，花费更少的直接人工成本。尽管这一特性与大型的数据中心更加匹配，企业可能更喜欢围绕如开放计算这样的技术所建立的更高成本的平台。无独有偶，这些架构拥有很高的可扩展性和最大的全局容量和计算能力。因此，当考虑任意超融合平台时，商业企业和组织必须详细了解他们愿意以什么方式进行交易最方便。
无论企业选择哪一条路，要将超融合应用到商业中，都需要进行成本效益分析。伴随超融合技术的实施应用，你必须将与现有的计算、存储和网络设施的迁移或集成成本考虑进来，还需要考虑将如何处置或再利用可能被释放资产的成本。








====================================分割线================================


本文转自d1net（转载）

        
        
                
    

2018年，是AI持续走向技术落地和深入商业化的一年。在此期间，观远数据践行“AI+BI”的服务理念，立足于自身在基础数据分析的出色实力，引入AI预测引擎填补了传统人工运营的前瞻性与实用性，为零售行业客户带来了众多优秀的数据分析与AI技术深度融合的商业落地解决方案。这其中，虚拟标杆店（零售“多门店管理”解决方案）便是典型代表。

2018最佳AI应用案例Top20
11月8号-9号，AI技术与产业年度盛会——2018AI开发者大会（AI NEXTCon）在北京揭开帷幕，近百位中美顶尖AI专家、知名企业代表以及千余名AI开发者齐聚北京，进行技术解读和产业论证。
会上展示了汽车、金融、教育、医疗、安防、零售、家居、文娱、工业等 9 大行业的最佳 AI 应用案例Top20，经国内权威性IT社区CSDN评选，观远数据的“虚拟标杆店”解决方案作为现场唯一一个零售AI解决方案，也吸引了众多关注的目光。

虚拟标杆店——为门店构建整体经营健康画像
在零售领域，不管是小店大连锁，还是商超、百货购物中心，多门店管理机制总是会存在一些常见的问题**，缺乏系统专业的评定指标和快速的数据处理流程是其中的关键因素。**
督导在这当中充当了一个非常重要的角色，比如数据的获取以及门店经营的评定，完全仰赖于督导的工作展开，但人力资源有限，数据获取严重滞后，工作的效率当然也随之降低。同时经验丰富的督导也较为稀缺，很多门店的单店管理往往仅限于日商、来客等粗略的指标，且每个督导名下挂有多家门店，每日拜访时间有限，对于门店经营问题的症结不能迅速定位。
这导致总部在做门店绩效统计时，无法快速定位存在问题的门店。而随着时间的流逝，以往确定好的门店类型划分，也会在商圈或来客特征变化之后凸显其不合理性。

为了解决以上这些问题，观远数据的虚拟标杆店解决方案，通过非监督学习算法定位每家门店的相似店列表，以相似店的表现作为基准，结合门店的几十个评价指标，为门店构建整体经营健康画像。

相较于传统的零售连锁门店的经营方式，虚拟标杆店可以构建出全面而精准的评估，并根据门店历史经营数据动态调整门店画像，从而帮助零售企业客户的分析和决策提升一个量级。
导入门店全量的交易详单数据，通过将几十个维度的经营表现建模，同时与相似店表现（近期）和门店历史（中长期成长性）表现进行对比。构建出全面而精准的评估。
通过 Restful API 提供数据服务，督导可以在去门店的路上通过移动应用或小程序在远程获取门店经营细节。
督导根据名下各个门店的健康画像快速定位需要重点关注的门店与对应的指标，制定改进方案，提升工作效率。
总部根据门店的健康值与具体指标的表现，快速定位经营存在异常的门店。相较之以往单纯以日商划分更准确，也更有针对性。
根据门店历史经营数据动态调整门店画像，可以更快地适应门店所属状态的变化。

助推国内新锐零售企业的AI实践
国内某知名连锁便利店，便是借助了观远数据创新性的“虚拟标杆店”解决方案得以实现由人员管控向数据驱动的成功转型。
在该案例中，观远数据引入动态模型来为进行门店智能诊断，帮助门店人员及时发现问题。同时配合用户进行历史数据挖掘，并结合商圈、天气、季节等外部因素预测客流和销售，实现智能排班和智能订货，大幅提升管理水平。不仅有效解决了企业由于急速扩张产生的数据管理难题，更帮助其实现了精细化管理。

虚拟标杆店的引入，起到了降本提效的作用，对于零售行业的数据化智能运营将是一个极大的提升。AI技术应用于门店智能诊断，将帮助零售企业更好应对潜在风险与挑战，助其在数字化浪潮中利于不败之地。
截至目前，观远数据已经服务过近百家企业客户，其中代表性客户有联合利华、百威英博、上蔬永辉、Today、见福便利店、来伊份等零售企业，通过AI+BI一站式解决方案，构建企业决策大脑，让决策更智能。
更多零售数据化运营智能分析解决方案，请点击“试用链接”了解详细内容。
观远数据｜ 观点精选
图表太多眼花缭乱？有了这个功能，轻松创建层次分明的汇总报告
上蔬永辉CIO胡才雄：传统零售企业如何运用大数据？
首日精彩速览！腾讯全球合作伙伴大会，观远数据在科技森林展区等你来撩~

                    
利用互联网购物的营销数据来追踪和勾画消费行为并以此为据促销是大数据应用的成功典型案例。有些人已此将大数据吹得神乎其神，好像它能成为万能药。其实，这只是大数据应用中的很小一部分。作为智能决策的支持手段之一，大数据在企业、事业、政府、社会管理和发展上的应用是更重要的挑战。在这里，多源数据的融合就成为大数据分析中的瓶颈。

每个亲身参加过大数据项目的数据科学家、数据分析师、数据库管理员都会告诉你，项目的80%的时间和经费花在数据的准备工作上。这其中多源数据的融合是最耗费资源的任务之一。难怪最近纽约时报惊呼：“数据科学家把高达 80%的时间用于数据准备而不是用来发现新的商业智能”。
传统的统计分析经常是对单一数据源(营销数据、行政报表、问卷调查、人口普查等)进行深入的追踪和分析。分析人员对数据的来源和结构有一定的控制和深层的了解。在大数据时代，数据源是多样的、自然形成的、海量的数据常常是半结构或无结构的。这就要求数据科学家和分析师驾驭多样、多源的数据，将它们梳理后进行挖掘和分析。在这个过程中，数据融合(data blending)就成为不可或缺的一步。
数据融合与数据仓库(Data Warehouse)、数据一体化(Data Integration)不同。它的目的不是将一个企业(Enterprise)或组织的所有数据集中在一起并标准化而产生唯一的真相(Single Truth)。它是以产生决策智能为目标将多种数据源中的相关数据提取、融合、梳理整合成一个分析数据集(Analytic Dataset)。这个分析数据集是个独立的和灵活的实体，可随数据源的变化重组、调整和更新。数据融合胜于数据仓库和数据一体化的另一点是它能包容多源数据。
数据融合有六个基本步骤：(1)连接所需多源数据库并获取相关数据，(2)研究和理解所获得的数据，(3)梳理和清理数据，(4)数据转换和建立结构，(5)数据组合，(6)建立分析数据集。这个过程的每一步都需要数据工作者认真细致的思考、辨认、测试、清理、最后产生可信赖、有意义的分析数据库。在过去，这个数据准备过程很大程度上是通过手动，十分费时和艰辛。即使有数据处理的软件(如Excel, SAS, SPSS等)，每个数据工作者也都是自己使用所熟悉的工具，形成个性化的，充其量是半自动的数据准备程序。最近几年，大数据技术公司将数据处理整合过程中相关技术集合，组合，提升后开发出专门用于数据融合的新工具。应用这些直观、可视、高效的软件工具，数据准备的过程的工效大大提高，在一定程度上解决了数据融合的技术瓶颈。
数据融合的另一瓶颈是思维。打个比方，数据融合就像水泥的现场合成。水泥制作可以从人工搅拌变为机械合成，提高了工效。但水泥配置仍需要正确的配方;沙、石、混凝土的比例，以及相关化学成份的添加对达到水泥的质量标准至关重要。数据处理新工具使数据科学家从数据准备的繁琐工作中解放了出来，但如何根据每个数据分析项目量体定制，融合多源数据以形成有效的分析数据集仍是数据科学家必须面对的一个更具挑战性的瓶颈。
多源的数据可以归纳为三大类：(1)一手数据(Primary Data)，包括企业或组织直接采集掌控的内部运行数据和营销数据，(2)二级数据(Secondary Data)，第三者采集、整理、和提供的二手数据，如经济指标、人口普查、民意调查、网路数据等，(3)科学数据(Scientific Data)，包括科学研究 的成果、指数、算法、模型等。
这三类数据为数据为驱动的智能决策提供了不同的观察角度。一手数据具体、灵活、快速积累能够实时或接近实时地为决策者提供监测、追踪、描述信息。二级数据一般是定期公布的数据，它能提供国家、地区、行业的状况信息，成为数据分析中的可比性坐标。科学数据的更新是不定时的，但它代表着目前科研成果，对数据分析的建模和算法提供科学基础。在大数据分析项目中，数据科学家需要针对具体研究课题同时收集、整理、融合相关的三类数据。数据科学家的水平就体现在将三类数据合理、有效、有意义的融合上。
数据融合是目前大数据应用和智能决策过程中一个瓶颈。这个挑战引发了新一轮大数据工具的快速发展。根据2016年高德纳公司数据管理和分析软件工具的评估报告，自我服务式数据准备软件(Self-service Data Preparation)已成为发展最快的工具之一。这一发展趋势应引起我们的关注。同时，数据融合的思维瓶颈仍是所有数据科学家必须面对的更高层次的挑战。




本文转自d1net（转载）

        
        
                
    

                    

利用互联网购物的营销数据来追踪和勾画消费行为并以此为据促销是大数据应用的成功典型案例。有些人已此将大数据吹得神乎其神，好像它能成为万能药。其实，这只是大数据应用中的很小一部分。作为智能决策的支持手段之一，大数据在企业、事业、政府、社会管理和发展上的应用是更重要的挑战。在这里，多源数据的融合就成为大数据分析中的瓶颈。
数据处理新工具使数据科学家从数据准备的繁琐工作中解放出来，但如何根据每个数据分析项目量体定制，融合多源数据以形成有效的分析数据集仍是数据科学家必须面对的一个更具挑战性的瓶颈。
利用互联网购物的营销数据来追踪和勾画消费行为并以此为据促销是大数据应用的成功典型案例。有些人已此将大数据吹得神乎其神，好像它能成为万能药。其实，这只是大数据应用中的很小一部分。作为智能决策的支持手段之一，大数据在企业、事业、政府、社会管理和发展上的应用是更重要的挑战。在这里，多源数据的融合就成为大数据分析中的瓶颈。
每个亲身参加过大数据项目的数据科学家、数据分析师、数据库管理员都会告诉你，项目的80%的时间和经费花在数据的准备工作上。这其中多源数据的融合是最耗费资源的任务之一。难怪最近纽约时报惊呼：“数据科学家把高达 80%的时间用于数据准备而不是用来发现新的商业智能”。
传统的统计分析经常是对单一数据源(营销数据、行政报表、问卷调查、人口普查等)进行深入的追踪和分析。分析人员对数据的来源和结构有一定的控制和深层的了解。在大数据时代，数据源是多样的、自然形成的、海量的数据常常是半结构或无结构的。这就要求数据科学家和分析师驾驭多样、多源的数据，将它们梳理后进行挖掘和分析。在这个过程中，数据融合(data blending)就成为不可或缺的一步。
数据融合与数据仓库(Data Warehouse)、数据一体化(Data Integration)不同。它的目的不是将一个企业(Enterprise)或组织的所有数据集中在一起并标准化而产生唯一的真相(Single Truth)。它是以产生决策智能为目标将多种数据源中的相关数据提取、融合、梳理整合成一个分析数据集(Analytic Dataset)。这个分析数据集是个独立的和灵活的实体，可随数据源的变化重组、调整和更新。数据融合胜于数据仓库和数据一体化的另一点是它能包容多源数据。
数据融合有六个基本步骤：
连接所需多源数据库并获取相关数据
研究和理解所获得的数据
梳理和清理数据
数据转换和建立结构
数据组合
建立分析数据集
这个过程的每一步都需要数据工作者认真细致的思考、辨认、测试、清理、最后产生可信赖、有意义的分析数据库。在过去，这个数据准备过程很大程度上是通过手动，十分费时和艰辛。即使有数据处理的软件(如Excel, SAS, SPSS等)，每个数据工作者也都是自己使用所熟悉的工具，形成个性化的，充其量是半自动的数据准备程序。最近几年，大数据技术公司将数据处理整合过程中相关技术集合，组合，提升后开发出专门用于数据融合的新工具。应用这些直观、可视、高效的软件工具，数据准备的过程的工效大大提高，在一定程度上解决了数据融合的技术瓶颈。
数据融合的另一瓶颈是思维。打个比方，数据融合就像水泥的现场合成。水泥制作可以从人工搅拌变为机械合成，提高了工效。但水泥配置仍需要正确的配方;沙、石、混凝土的比例，以及相关化学成份的添加对达到水泥的质量标准至关重要。数据处理新工具使数据科学家从数据准备的繁琐工作中解放了出来，但如何根据每个数据分析项目量体定制，融合多源数据以形成有效的分析数据集仍是数据科学家必须面对的一个更具挑战性的瓶颈。
多源的数据可以归纳为三大类：
一手数据(Primary Data)，包括企业或组织直接采集掌控的内部运行数据和营销数据，
二级数据(Secondary Data)，第三者采集、整理、和提供的二手数据，如经济指标、人口普查、民意调查、网路数据等，
科学数据(Scientific Data)，包括科学研究 的成果、指数、算法、模型等。
这三类数据为数据为驱动的智能决策提供了不同的观察角度。一手数据具体、灵活、快速积累能够实时或接近实时地为决策者提供监测、追踪、描述信息。二级数据一般是定期公布的数据，它能提供国家、地区、行业的状况信息，成为数据分析中的可比性坐标。科学数据的更新是不定时的，但它代表着目前科研成果，对数据分析的建模和算法提供科学基础。在大数据分析项目中，数据科学家需要针对具体研究课题同时收集、整理、融合相关的三类数据。数据科学家的水平就体现在将三类数据合理、有效、有意义的融合上。
数据融合是目前大数据应用和智能决策过程中一个瓶颈。这个挑战引发了新一轮大数据工具的快速发展。根据2016年高德纳公司数据管理和分析软件工具的评估报告，自我服务式数据准备软件(Self-service Data Preparation)已成为发展最快的工具之一。这一发展趋势应引起我们的关注。同时，数据融合的思维瓶颈仍是所有数据科学家必须面对的更高层次的挑战。


本文作者：佚名
来源：51CTO