当下，企业业务愈发复杂多元，对数据处理的要求越来越高，实时分析场景也日益繁多。同时，数据技术发展日新月异，新技术层出不穷，利用合适的数据技术打造企业的实时分析能力非常重要。


三大趋势概述


对于未来数据技术的发展，有三大趋势值得注意：

1、实时分析需求高涨，实时特性将成为区分下一代湖仓的重要标准。

2、湖仓融合逐渐成为数据平台迭代的主流方向。

3、AIGC兴起让数据使用更简单，但落地还有一段路要走。


实时特性将成为下一代湖仓的重要标准


1、实时湖仓需求的产生

越来越多的实时场景涌现，如实时大屏、实时报表、实时指标、实时推荐、实时风控、反欺诈、IoT场景等，我们平时在浏览电商时收到实时推荐，似乎已经司空见惯。从业务场景的需求来看，传统的 T+1 已经难以支撑，大家对实时的需求俨然很迫切了。

客户的IT能力越强，投入越大，越看重实时性，当然业务也会越有竞争力。一些传统企业技术投入较少，因此技术能力不足也会反过来限制业务需求的挖掘和创新，因此会产生一种错觉：好像不依靠新技术，现在业务也能被满足的挺好。但是，这实际上是数字化转型没有做好，业务提升空间还很大。

2、实时湖仓的定义

说回实时湖仓概念本身，根据我们在数据平台项目建设的长期探索和经验，我们总结出了实时湖仓一体的六大特征——ANCHOR，其中6个字母分别代表：

● All Disparate Data（多源异构数据）

● Native on Cloud（云原生）

● Consistency（数据一致性）

● High Concurrency（超高并发）

● One Data in Open Format（一份开放格式数据）

● Realtime（实时T+0）

ANCHOR的中文意思是“锚”，我们可以利用ANCHOR六大特性锚定实时湖仓一体，由此判断某一数据系统设计是否真正满足湖仓一体的本质要求。

3、关于“实时”的标准

那什么是实时呢？Gartner有个关于实时的定义梳理的很清楚。按照分析的时效可以分为战略决策、战术分析、业务运营和自动化处理，依次对时效要求和分析频率越来越高。

具体来看，战略决策比如企业收购、海外扩张，通常要做几个月到半年的分析；战术分析，比如细分市场的定价策略，通常要用几周到一个月的时间来分析；自动化处理，比如信用卡自动审批、股票的量化交易，通常是毫秒级，在一秒钟内完成；而业务运营夹在中间，从1秒钟到几天，跨度很大。所以在业务运营场景中，就需要对实时有更加明确的要求。

Gartner认为15分钟内的算是准实时范畴，根据我们的观察和实践，10秒钟以内才能算是强实时，10秒到15分钟的区间可以认为是准实时的。很多企业正在将传统的T+1报表升级为分钟级的准实时报表，接下来完全可以做成强实时的交互式分析。偶数做实时湖仓，是从离线到在线，从准实时到强实时，全部覆盖，我们提出叫做全实时，也是按需实时分析的理念，同时我们还自主设计了Omega技术架构（相对以往的Lambda和Kappa），用来支持全实时的湖仓一体。

4、如何构建实时湖仓

根据现状的不同，企业会采取不同的方式来构建，大致分为三类：

第一类，以前信息化做得较弱，例如没有实现分析场景技术构建，或者之前的技术方案太落后，只做了一个传统的ODS，新的大数据平台也没上，对于这种情况往往是采用新建模式。

第二类，以前的IT基础栈比较全，构建了数据仓库、数据库，以及数据集市。希望基于现有的IT建设向实时湖仓升级换代。在这种情况下，如果原有存储是HDFS，就可以利用原有存储，叠加OushuDB高性能计算层和实时存储能力实现向实时湖仓的转型，也就是从数据湖转型实时湖仓。

第三类，以前有传统的数仓，但没有Hadoop大数据平台，这种情况可以把数仓先升级成云原生存算分离的架构。其他新应用场景再引入新的组件，慢慢形成实时湖仓平台，即数仓转型实时湖仓。

总结下来就是三条路径，新建、从湖转型实时湖仓，或从数仓转型到实时湖仓。第一种情况比较常见，新建一个平台硬件可以复用，应用场景逐步迁移，并不是新建完之后一下全部迁移。对客户来说，新建相对比较简单，因为新建不会涉及重大历史包袱。如果此前有大量业务在跑，改造相对来说耗时较长，需要几个月或者半年的时间，我们尽量让企业在短期内看到价值，增加他的信心。

不仅是技术路线选择，其实建设方法论也同样重要，我们结合偶数在数据平台项目建设的长期探索和经验总结，提炼出了偶数湖仓一体建设方法论。这个方法论主要包括规划（Planning）、实施（Implementation）、运营（Operation）三个子过程，三者先后衔接并形成闭环；战略（Strategy）是一个或有子过程，一般适用新建湖仓数据平台场景，或者特殊建设背景下行业客户的特别要求。



偶数湖仓一体方法论逻辑视图

偶数湖仓一体建设方法论，期望既能兼容传统数据仓库的实施方法，又能规避过往数据湖落地过程中的一些弊端；既考虑众多企业已建数据平台多年的现实情况，又能抓住技术变化演进的前瞻趋势，助力企业的数字化转型发展愿景。


融合各有侧重，湖仓融合成主流


目前，在实时性方面有很多新技术和新概念，实时湖仓、HTAP数据库等，这些概念都有一些应用场景。以HTAP为例：在交易场景当中，有时候要做一些小的分析查询，同时，在分析场景里面有一点交易型场景，该类场景HTAP处理的就会比较好。但从主流的业务现状来看，交易场景和分析场景，比如在银行，是TP和AP分开构建的，背后负责的团队也是不同部门。

一般场景都是有侧重的，这个场景偏重于分析，那个场景偏重于交易，然后选用不同的产品，偶数科技的产品偏重于分析型场景，也支持一些交易。有些数据库是偏交易型的数据库，也支持一点分析。但企业真的要采购分析平台的时候，没有人去找交易库，同样，如果选型交易库，也不会有人去选一个分析库，我觉得在实际项目中区分得很清楚的。

但是湖仓的情况则不同，数据湖和数据仓库在使用场景上非常类似，因此湖和仓融合是必须的，是未来所有人都要做的，并不是锦上添花的一个东西。分析场景将来都会走向实时湖仓平台，现在企业都在想着降本增效，实时湖仓能带来很大的价值。


AIGC对数据库行业发展的影响


大语言模型的兴起对数据库行业影响很大。由于数据行业的特殊性和专业性，使用数据往往需要学习复杂的产品和SQL语言，导致原来没有专业基础的用户很难获得和使用数据。因为大语言模型降低了大家使用数据的门槛，让普通用户通过自然语言的方式使用和分析数据。

大模型使得数据栈变得更加简单易用了，比如可以自动生成SQL，将来设计模型、数据治理也可以用自然语言驱动。所以大模型对行业是一个重大利好，只不过现在这种垂直场景还没有非常好的落地。

AIGC现在属于一个比较前沿的探索阶段，基本上还是做一些比较通用的基础场景，针对一些垂直场景，还有一段路要走，任重道远。



·常雷博士，偶数创始人兼CEO。

Apache HAWQ数据库顶级项目创始人和程序管理委员会主席、前EMC/Pivotal HAWQ产品负责人、组建Greenplum和HAWQ数据库研发团队、毕业于北京大学计算机系数据库专业、数篇论文发表在国际顶级学术期刊和会议（SIGMOD等）、美国商业杂志《快公司》“中国商业最具创意人物100”、中国计算机学会（CCF）数据库专委会专委、中国大数据产业生态联盟专家、中国人工智能百人专家。