不論資訊科技演進如何顛覆IT的樣貌，從大型主機（Mainframe）、主從式（Client-Server）架構，發展至今的第三平台（Third Platform），雲端運算、行動化、社交網路、大數據（Big Data）分析等應用模式，「資料」始終是支持企業營運的核心命脈。
隨著大數據相關議題被市場高度關注，企業也逐漸從模糊的概念，開始理解大數據應用之所以興起，其關鍵原因在於可經由資料分析，取得有助於未來營運方向的決策數據。儘管Gartner日前發布一份針對企業IT、業務決策者為主的線上調查統計顯示，未來兩年對於大數據的投資意願降低，但「以資料分析來輔助商業決策」的應用需求仍然持續走高。
倘若從關聯式資料庫系統（Database Management System，DBMS）發展的腳步來看，除了傳統結構化資料的處理能力，亦擴展支援非結構化（NoSQL），讓未來的商業智慧分析，不僅作為高層管理決策參考，更加擴展至第一線業務單位（Line-Of-Business），諸如行銷、精算等部門，皆得以科學化數據為基礎，執行日常工作。
資料庫欄位統整 以利未來分析應用
近年來企業端關注的議題主要圍繞在大數據如何拓展商業營運，甲骨文大中華區台灣技術諮詢部總監黃久安不諱言，確實無法帶動關聯式資料庫的成長。儘管如此，企業營運相關的重要資料，仍舊是以結構性為主，需要保存於成熟穩定、安全的環境，因此勢必仍有一席之地，不至於被新興應用浪潮所取代。但是，龐大的非結構化資料，確實存在可被分析的應用價值，因此現況大多是結構與非結構化資料共存。
「以Oracle資料庫近期實際成交的案例來看，其實跟以往相似度極高，企業仍舊有興建大型應用系統的需求。」黃久安觀察，即使ERP、CRM、帳務等核心系統都已建置完成，企業接下來仍會有興建Metadata Management系統的需求。例如金融業，顧客可能會採用單一銀行所提供的活存、信用卡、投資理財等服務，就金融核心系統架構來看，不同的業務內容均各自有一套獨立運行的應用服務，以存放客戶的基本資料。一旦顧客資料變更，例如地址、電話、姓名等，所有系統皆必須各自變更。其實多數銀行都想要改善現況，近來亦有相當多的討論，因而產生Metadata Management（或稱為Master Data Management）系統來解決。
同樣的概念套用在製造業，則是產品零件繁雜，例如依據手機型號有不同規格配置，欲追蹤零件成本，即需要把原本在各個不同資訊系統中的相同欄位先予以整合，才得以進行下一步的分析應用。
 |
| ▲微軟SQL Server 2016新版中，內建PolyBase技術，提供以T-SQL陳述式，同時查詢關聯式資料庫與Hadoop平台，並且運用R語言執行合併分析。（資料來源：台灣微軟） |
依經濟效益考量大數據保存方式
至於大數據的資料，最後也可能會存放到關聯式資料庫，進一步執行交叉比對與分析。黃久安從客戶端觀察發現，尤其是電子商務系統，近來各種行業都有建置需求，讓原本提供公司與產品簡介的官方網站，再增添可直接交易的機制，以網路平台為銷售管道。
針對社群媒體上的討論文字，典型的作法是蒐集顧客在社群媒體上發表使用心得文章，並且依照關鍵字採取反應；或者是批次方式先蒐集資料，之後再決定分析模型。不論哪一種實作方法，屬於營運相關的重要資料，最終仍須回到資料庫中存放。
首先外部資料要能夠落地存放，例如LINE即時溝通的文字，皆存放在App開發商的伺服器系統，只要企業認為具分析價值，即必須建立抓取外部資料的機制。至於保存資料的方式，究竟要寫入關聯式資料庫，還是處理非結構為主的Hadoop平台？黃久安認為，若資料僅在蒐集階段，尚未確認分析後可產生的價值，且數量又相當龐大，依經濟效益評估，存放在開放原始碼平台較為合理。外部蒐集回來的資料若經過萃取後，可比對系統資料庫，藉此發現是否具關聯性。對此，近兩年在開放原始碼領域相當活躍的R語言，主要即是應用於大數據分析。
從開放陣營崛起的R語言
著眼於大數據的統計、資料探勘應用，R語言幾乎可說是現代資料科學家必備的技能之一，不僅Oracle資料庫已納入支援，日前才正式發布的微軟SQL Server 2016，亦整合去年收購R語言工具公司Revolution Analytics所取得的Revolution R技術，可說是新版本中重要的特性之一。
黃久安說明，R實際上包含作業環境與程式語言，主要功能是統計與資料探勘（Data Mining），如同過去開放原始碼領域較著名的MATLAB，商業版本則是SAS、SPSS（已被IBM收購），現在的主流則是R。統計的目的主要是查看分佈狀態，資料採礦則較偏向分析，例如關聯（Association）、分類（Classification）、預測（Prediction）等模型，皆為R的範疇。
至於R與資料庫的共通性，即是資料本身。Oracle、SQL Server等關聯式資料庫的作法是把常見的探勘演算法，也就是關聯、分類、預測等資料模型，撰寫成預存程序（Stored Procedure），黃久安觀察，實際上資料庫系統內建的演算法至少超過十?種；但是在R的應用領域，則已有超過三千種以上的統計與資料探勘實作法，可說是吸引學術界教學時採用的主因，像是統計、數學等科系，即已把R列為基礎教材。
「R語言除了統計與演算法以外，也包含程式語言，就如同以往學校教的Basic等語法，皆為直譯式語言，為逐行執行指令，例如先把外部資料載入、接下來繪製成鐘形曲線。此外，R有許多視覺化圖表的呈現方式，亦可說是受歡迎的因素之一。」
同樣屬於資料分析領域，R與商業智慧工具又有何差異？黃久安提及，資料分析大致有多維度、統計、資料探勘等不同層次，商業智慧主要是基於線上分析處理（OLAP）技術，產出多維度分析的報表，再來才是R語言執行統計與資料採礦，兩者之間本質上即有所區隔。
如今的R社群，主要是由學術界領頭，影響力可見一斑，關聯式資料庫系統勢必也須跟進支援，才得以銜接未來人才應用需求。