对于那些已经部署云服务的企业来说，资源虚拟化带来的灵活可扩展不必多言，很多企业纷纷选择了采购多个云服务，而这些在多云环境运营的企业要是不把数据整理好，业务就会漏洞百出。

随着上云初期的经济红利随技术升级消失殆尽，CIO对云上成本变得苛刻起来，一些大型软件企业的架构师完全可以通过对云服务运行的监控，在数百万美元中节省10-20%的成本。事实上，像AWS、Cloudyn这些厂商也提供了计算云成本的工具。站在用户的角度，多云方案也能让其重夺议价权。

如今，云计算厂商可以像水电煤一样提供云服务，根据使用时间和用途进行收费，并且希望自己像早年间的传统软件厂商培育长期的购买模式。而用户在选择多云服务商时可不是只管比价那么简单，不仅涉及业务对接，还有一些管理问题，例如数据如何在异构环境中迁移、应用如何跨网络部署运行、服务如何跨云灾备恢复等。那么，这些问题如何解决呢？

企业上云不是一蹴而就的，除了要明确业务需求，还要根据实际运营状况作出调整。举个例子，如果某家企业专注于事件分析类应用，就要侧重大数据、数据库这些服务，而不是单纯的事件处理。也就是说，企业在采购时应该主动提出方向性需求，以找到具有性价比的方案。

企业在云中分析数据并不是简单的要节约资金，更要调用更多可能性，比如通过可扩展的架构实现更多的工作负载，并且在实验建模时把试错成本降到最低。就像企业不想每一次在应用创建时都去重新搭一遍平台，而是要去设计出一个可以良性循环的系统和机制。而且在使用商业智能时，企业也在去寻求提高业务并发性、决策质量、业务洞察力。

由于本地业务支持系统在云端并不是100%还原的，这也是为什么企业客户会认为数据到了云端就不能确保安全性了，等到出问题时再去想办法为时已晚。人们要关注过往数据库的损坏，而非新建数据，这不无道理。一味的搜集数据只会让业务系统越来越复杂，尽管商业智能有着强大的计算力作为支撑，但很难保证这些数据都是完美的。

企业需要了解非结构化、结构化和半结构化数据分析的具体影响，而这些数据必须是与实际业务强相关的，比如是直接用于投资或者运营的数据，商业智能所面临的挑战就是如何去获取、筛选、标准化数据。在通用数据保护规范的影响下，人们对于敏感信息的标记变得越来越敏感，如位置信息对服务商是有价值的信息，但这种数据挖掘和获取的成本真能换来很大的回报吗？

随着数据的爆发式增长，相应占据的网络、存储、计算资源也会水涨船高，使得开发者要针对实时情况对应用做出调整。对于不少多云的企业来说，要在多个公有云服务中发挥数据治理功能是检验CSP的考量因素。同时，符合行业标准的数据约束规则也容易被忽视，这需要企业内部的IT人员与监管团队共同来协助制订相关政策。

此外，评估云服务商的数据能力也是一大因素，足够领先的技术并不代表可以把背后的数据利用好，或者不代表拥有优质的数据资源。就像柴油注入汽油车会出问题，也不是任何数据对人工智能都有积极作用，不少案例已经可以证明这一点。例如，有些聊天机器人在网络上学习了负面评论，就会变得"尖酸刻薄"甚至引发了种族歧视问题。可见，数据的开源性固然重要，但如何找到有质量的数据对AI发展有着决定性的影响，尤其是在受到高度监管的行业。

互联网时代的快节奏让数据也跑在快车道上，松懈不得。以城市交通治理为例，每天在城市道路上都在发生着堵车或者事故，如果做不到对数据的实时分析就难以立刻找到有效的疏通办法，而在上下班高峰期时的交通堵塞往往因为某一个信号灯故障就会引发。

多云时代的数据量会成倍增加，而且会越来越复杂，那么如何把这些数据利用好有的放矢，就成为了关键所在。

• 上一篇：企业全面上云，MSP的营收即将爆发
• 下一篇：都知道区块链，但它真正的应用场景你知道吗？
  
• 文章标签：
• 注：原创内容，禁止转载，如有转载，请标明出处。如有内容侵犯您的权益，请联系删除！QQ:315212307