巨量資料（Big Data）統計與分析技術，可處理數量龐大、即時、多樣性的資料，協助企業開創新商機。只是Big Data應用的建構，從資料的蒐集、儲存、管理、分析、呈現等不同環節，皆需有相對應的技術與專家來實作，市場上亦出現商業化方案，以降低進入門檻。
互動查詢實踐接近即時資料分析
2011年成立的Etu，可說是本土早期發展Big Data的技術提供者。精誠資訊ETU負責人蔣居裕指出，Etu成立之初，即基於Cloudera提供的Hadoop平台研發控管、部署等機制，發展成為Big Data應用軟體與硬體整合完成的解決方案，也是Cloudera在亞洲區唯一的獨立硬體廠商（Independent Hardware Vendor，IHV）。從規劃、建置，到後續的教育訓練、維護，皆是由Etu技術團隊提供相關服務。
Cloudera是全球最早把Hadoop開放系統平台商品化的廠商之一。而Etu為了貼近企業IT應用環境，對於管理、自動部署、安全性等方面，勢必需要持續不斷地強化，正是Etu技術團隊可發揮之處，因應市場需求變化，自行研發設計相關機制。
Big Data發展至今，關注的焦點已朝向Real-time或Near Real-time的實踐，像是Splunk等技術提供者皆有提出自家的作法，以互動查詢方式快速地從資料倉儲中撈取資料，不再僅是搜尋引擎而已。蔣居裕進一步說明，所謂的互動查詢較著重於將傳統資料倉儲的概念在Hadoop環境實踐，不僅可深入分析，且是以互動式、探索式的分析，以達到Near Real-time。
雲端服務Big Data平台 降低建置成本
多年來，Etu在本土專注於教育推廣Big Data的技術與應用，蔣居裕從解決方案廠商的角色觀察，欲發揮Big Data的價值，必須由三方面來支持。首先是資料擁有者，畢竟再先進的Big Data技術、分析軟體工具，若缺乏資料即無用武之地。一旦握有資料，即可無限制的使用，且愈用價值愈高。
其次是行業市場，至今的Big Data應用仍正在跨越鴻溝（Chasm）階段，在邁向主流發展過程中，必須依據特定行業設計相符合的解決方案，例如現階段對於Big Data價值的急迫感，較偏重於電信、零售、電子商務等特定行業；最後則是具備端到端的解決方案。常見有預算建置系統平台的企業，卻未必有人才能夠自建Big Data應用，往往必須仰賴解決方案供應商協助打造，借助端到端的解決方案之力，即可降低進入門檻。
「Etu至今大致已完成行業市場與端到端解決方案，今年開始，將從解決方案供應商的角色朝向服務供應商邁進，也就是透過標準化雲端服務模式，讓更多有應用需求卻苦無預算的中小企業，得以採每月支付，或按用量計費方式，運用Big Data分析平台為營運創新。」蔣居裕說。同時，Etu亦可藉此成為資料擁有者，進一步偕同合作夥伴打造「Data Product（資料產品）」。
 |
| ▲Etu提供軟體與硬體整合的Big Data分析解決方案，包含Etu Recommender精準推薦與Etu Insight消費者行為分析應用。（資料來源：www.etusolution.com） |
他進一步說明，所謂的Data Product，其定義是單一或多種資料進行處理、分析之後，再用各種形式交付的產品或服務，實務上可能是如同商業智慧分析軟體系統，或如同Google、Facebook等平台，運用使用者所產生的Data來強化功能，例如銷售關鍵字廣告、推薦廣告等，皆可稱之為Data Product。此外，Data Product亦可能是一個結構化的資料庫或檔案，透過API方式交付，提供開發人員運用，進而創造分析報表、視覺化圖表等應用。
欲發展可被交付的Data Product，讓用戶可藉此創造價值，蔣居裕認為必須包含五個要件，包含：專案團隊、資料擁有者、領域知識、功法（工具、技能、方法論）以及心法（對Big Data應用價值的信念）。由此不難發現，發展Big Data應用以萃取創新價值，不能僅是仰賴IT，更多是企業經營管理層次的課題，必須要由高層管理主導專案執行，才得以突破跨部門溝通與協作的瓶頸。
日前Etu已宣布推出宣布第一個Data Product─BestSales氣象經濟指標，其為偕同天氣風險管理開發共同發展的氣象Big Data平台，利用氣象數據與企業銷售資料建構預測模型的資料產品，可協助天氣因子關聯度高的行業，做到更準確的商品行銷、業務與供應鏈管理。
以多結構化資料倉儲為核心發展
現代企業不論是發展客戶洞察相關的線上行為分析、推薦系統、精準行銷等應用，抑或是物聯網的雲端分析系統，後端勢必需要建立多結構化資料倉儲，來蒐集、儲存、處理所有資料。就傳統的資料倉儲來看，主要是將企業內部的ERP、CRM等各種資料庫彙總至資料倉儲，進而運用商業智慧軟體執行分析，取用的資料來源皆是結構化資料庫。
對於電信、金融行業，此應用模式可能已存在近二十?年，如今之所以需要在資料倉儲加上多結構化，即是為了因應新型態的非結構化與半結構化資料加入，但新型態資料無法直接被匯入，必須先行轉換為結構化後，才能彙整至資料倉儲。
「資料倉儲將成為所有資料最後彙總的地方。」蔣居裕強調。通常要作後續的分析確實是需要全數彙總至資料倉儲，今日所有的電信業都是仰賴資料倉儲出帳單，不可能驟然被取代或撤換，仍會維持傳統運行方式，至於新型態的資料來源進入資料倉儲及其分析機制，則是採用新的軟體堆疊來實作，像是Hadoop平台環境透過Hive工具介接，並搭配Impala提供資料線上分析（OLAP）與查詢機制。
主要是由於前端的應用程式，欲增添新型態資料的存取與分析，程式勢必得經過改寫，如此龐大的核心系統萬一出錯，將可能為企業營運帶來災難。因此通常是新的分析應用才會用到多結構化資料倉儲，或是礙於擴充既有的資料倉儲成本過高，所以額外增添分析資料採用新架構執行，建置成本相對較低。
只是過去近二十?年的資料倉儲皆是透過SQL語法執行，轉換成多結構資料倉儲環境，資料庫管理者或資料需求者勢必需要歷經一段學習曲線，因此要從Big Data相關工具軟體的操作介面設計著手，設法在不用顛覆既有的知識下直接可取用，以發揮Big Data優勢，挖掘出更多有價值的資訊。