對于那些已經部署云服務的企業來說，資源虛擬化帶來的靈活可擴展不必多言，很多企業紛紛選擇了采購多個云服務，而這些在多云環境運營的企業要是不把數據整理好，業務就會漏洞百出。

隨著上云初期的經濟紅利隨技術升級消失殆盡，CIO對云上成本變得苛刻起來，一些大型軟件企業的架構師完全可以通過對云服務運行的監控，在數百萬美元中節省10-20%的成本。事實上，像AWS、Cloudyn這些廠商也提供了計算云成本的工具。站在用戶的角度，多云方案也能讓其重奪議價權。

如今，云計算廠商可以像水電煤一樣提供云服務，根據使用時間和用途進行收費，并且希望自己像早年間的傳統軟件廠商培育長期的購買模式。而用戶在選擇多云服務商時可不是只管比價那么簡單，不僅涉及業務對接，還有一些管理問題，例如數據如何在異構環境中遷移、應用如何跨網絡部署運行、服務如何跨云災備恢復等。那么，這些問題如何解決呢？

企業上云不是一蹴而就的，除了要明確業務需求，還要根據實際運營狀況作出調整。舉個例子，如果某家企業專注于事件分析類應用，就要側重大數據、數據庫這些服務，而不是單純的事件處理。也就是說，企業在采購時應該主動提出方向性需求，以找到具有性價比的方案。

企業在云中分析數據并不是簡單的要節約資金，更要調用更多可能性，比如通過可擴展的架構實現更多的工作負載，并且在實驗建模時把試錯成本降到最低。就像企業不想每一次在應用創建時都去重新搭一遍平臺，而是要去設計出一個可以良性循環的系統和機制。而且在使用商業智能時，企業也在去尋求提高業務并發性、決策質量、業務洞察力。

由于本地業務支持系統在云端并不是100%還原的，這也是為什么企業客戶會認為數據到了云端就不能確保安全性了，等到出問題時再去想辦法為時已晚。人們要關注過往數據庫的損壞，而非新建數據，這不無道理。一味的搜集數據只會讓業務系統越來越復雜，盡管商業智能有著強大的計算力作為支撐，但很難保證這些數據都是完美的。

企業需要了解非結構化、結構化和半結構化數據分析的具體影響，而這些數據必須是與實際業務強相關的，比如是直接用于投資或者運營的數據，商業智能所面臨的挑戰就是如何去獲取、篩選、標準化數據。在通用數據保護規范的影響下，人們對于敏感信息的標記變得越來越敏感，如位置信息對服務商是有價值的信息，但這種數據挖掘和獲取的成本真能換來很大的回報嗎？

隨著數據的爆發式增長，相應占據的網絡、存儲、計算資源也會水漲船高，使得開發者要針對實時情況對應用做出調整。對于不少多云的企業來說，要在多個公有云服務中發揮數據治理功能是檢驗CSP的考量因素。同時，符合行業標準的數據約束規則也容易被忽視，這需要企業內部的IT人員與監管團隊共同來協助制訂相關政策。

此外，評估云服務商的數據能力也是一大因素，足夠領先的技術并不代表可以把背后的數據利用好，或者不代表擁有優質的數據資源。就像柴油注入汽油車會出問題，也不是任何數據對人工智能都有積極作用，不少案例已經可以證明這一點。例如，有些聊天機器人在網絡上學習了負面評論，就會變得"尖酸刻薄"甚至引發了種族歧視問題。可見，數據的開源性固然重要，但如何找到有質量的數據對AI發展有著決定性的影響，尤其是在受到高度監管的行業。

互聯網時代的快節奏讓數據也跑在快車道上，松懈不得。以城市交通治理為例，每天在城市道路上都在發生著堵車或者事故，如果做不到對數據的實時分析就難以立刻找到有效的疏通辦法，而在上下班高峰期時的交通堵塞往往因為某一個信號燈故障就會引發。

多云時代的數據量會成倍增加，而且會越來越復雜，那么如何把這些數據利用好有的放矢，就成為了關鍵所在。

• 上一篇：企業全面上云，MSP的營收即將爆發
• 下一篇：都知道區塊鏈，但它真正的應用場景你知道嗎？
  
• 文章標簽：
• 注：原創內容，禁止轉載，如有轉載，請標明出處。如有內容侵犯您的權益，請聯系刪除！QQ:315212307