大数据开拓者带给人的10大启示

　　二、衡量数据增长时深知何为贵

　　通过对长达20年的医疗记录、研究各种药物的疗效和风险，哈佛医学院吸取到了这样一种教训--在规划数据仓储投资时，不仅仅需要解诸如客户、记录和交易数量等简单问题。虽然病人数量和时限仍然较为稳定，但各种医疗记录却不断丰富起来，因为涌现出了很多新的健康监测技术指标。因此，事先了解所有的动态需求至关重要。

哈佛医学院

　　三、数据压缩和削减存储成本

　　更好的数据压缩可以节省每TB硬件成本。列存储数据库，比惠普的Vertica、Infobright、ParAccel和Sybase IQ，可以实现30:1或者40:1的压缩比。而行存储数据库，比如EMC Greenplum、IBM Netezza和Teradata，平均4:1的压缩比。这是因为柱状数据可以保持一致，包含邮编、采购订单号码等多种数据。而行状数据，比如与客户相关的属性组合--名称、地址、邮编、采购订单号等等，则不具有这种优势。Aster Data和甲骨文数据库可以提供混合行/列存储功能。甲骨文的Hybrid Columnar Compression可以提供10:1的压缩比。

数据压缩

　　压缩比率不同很大程度上取决于数据本身，而且列存储并不总是最好的选择。如果在数据查询的时候需要调用很大属性，行存储方案可能会表现出更好的性能。事实上，行存储数据库经常被企业应用在处理混合查询的数据仓库中，而列存储数据库更多的是集中在海量数据查询中。

　　四、分类压缩、减少处理时间

　　类似连续性的列数据有利于压缩一样，我们也可以通过数据加载之前进行分类从而提高压缩比。在将数据装载进Sybase IQ至 强，comSCore使用Syncsort DMExpress软件对数据进行分类。该公司的CTO Michael Brown（图示）表示，它可以将10字节的 数据压缩成3、4个字节，而通过分类后的10个字节数据可被压缩成1个字节。“这将给我们存储海量数据提供了另外一种方式 。”

Michael Brown

　　此外，分类也可以提高数据处理效率。comScore对URL数据进行分类，从而将Web站点分类查询工作量降到最低。无需加载40个网站页面的URL地址从而在单个会话中进行访问，而只需对它们进行分类就可以在Facebook上露出其中20个页面，GMail上露出12个，其他的则可能会出现在NYTimes.com上面。

　　分类数据会触发仅仅3个站点查询，而未分类的数据则会引起多个毫不相关的数据查询。“它有助于节约CPU大部分资源和时间，”Brown说到。完全可以借助SQL语句和自编脚本对数据进行分类。不过，在IBM、甲骨文、SAP、SAS等数据集成软件中，数据分类也是一个常见功能。事实上，Hadoop是一个真正意义上的大规模数据分类和处理的良好选择。