[雲運算][Data Fabric] [DevOps]
不少人說，未來企業由數據驅動，數據在企業營運不新鮮，但是以數據驅動，卻是不一樣的概念。
以往數據分析多是來自業務系統，並以數據庫應用為主。企業轉化從企業流程獲得的數據，再通過「商業智能」（Business Intelligence）系統，建立「數據倉庫」（Data warehouse），數據經ETL流程導入倉庫，建立報表供業務人員分析。
中央化數據分析由來已久，數據集類型愈來愈分散，以自我服務形式分析以支援決策，快速從數據獲得見解，陸續出現分析數據工具，例如Tableau等可視化分析。
數據分析全靠用戶經驗作判斷，近年機器學習和AI，通過數據深度學習建立模型，指導電腦以受人腦神經網絡方式分析數據。深度學習模型識別圖片、文字、聲音和其他數據，機器學習則自動化決策執行業務，以算法加上數據產生的模型，已廣泛用於精凖營銷、審批貸款、偵測詐欺、推薦商品、聊天機器人，數據通過適當訓練，變成精凖的預測模型，實時從輸入的數據自動獲得結論，以快打慢，馬上捕捉商機。
自動化分析是大勢所趨；從數據訓練不斷優化預測的凖確性；數據建立的AI模型，除了更精凖，更貼身服務客戶，還蘊藏巨大商業價值，建立強大洞察和預測能力，更迅速作出反應，類似預測性分析、推薦引擎、語意分析，靠數據訓練推測用戶真正意圖，問題這些數據，往往不是來自傳統數據庫內數據，而是來自非傳統數據來源，格式也不一樣，有時甚至要「加工」才能使用。
企業數據大致上可分為3類；結構性、非結構性和半結構性。結構性數據多指數據庫等應用，非結構性數據包括從網上和流動應用數據，甚至有時是手機上動作；半結構性數據從傳感器和等，後兩者正大量增加，有時還會利用外部的「另類數據」（Alternative data）。
以往結構性數據多來自企業交易的系統，屬於數據分析主流，但是如今數據模型不少來自非結構性和半結構性數據；諸如圖像、傳感器、客戶網上足跡，客戶瀏覽互聯網和零售店的動作。這些數據格式不同，又非常分散，例如傳感器數據在邊緣位置產生，非結構數據則從雲端，通過網站或流動應用產生。例如說，不少傳感器傳過聲音知道機器的狀態作預測維修；從網站的客戶足跡，預測到需求和客戶興趣，快速調整銷售策略，再反饋企業系統，調整訂價和推銷策略。
企業要從數據快速獲得結論，須快速整合、分類，為數據加上MetaData以供分析，流水作業不斷發掘數據價值。雲運算年代出現DevOps，提升交付應用和服務，為了加快提取數據價值和更新數據模型，近年興起DataOps，從分散和多樣性的數據快速獲得結論。
數據的多樣性，儲存環境分散、數據格式不同，加上合規等要求，催生組合多形態和多地點Data Fabric出現。Hitachi Vantara作為儲存專家，很早推動Data Fabric，促使數據整合，快速產生商業價值。Hitachi Vantara也贊助了電子書Data Fabric For Dummies，免費下載，對Data Fabric有興趣的朋友，可以一讀。
https://www.hitachivantara.com/en-us/pdf/ebook/data-fabric-for-dummies-ebook.pdf