我们也可以使用流摄取(可选)来摄取通过 IoT、机器通信和其它方式从商店信标中读取的数据。视频成像也可以用这种方式。此外,在该使用场景中,我们打算通过分析社交媒体消息、对第一方帖子的响应以及热门消息来分析和快速响应消费者情绪。我们可以选择在摄取社交媒体(应用)消息/事件时对其执行一些基础的转换/聚合,然后再将数据存储到云端存储中。我们还可以使用其它流分析来识别相关的消费者事件和行为,并将识别到的模式(手动)反馈至 OCI Data Science,以检查原始数据。
我们创建了一个经过处理的数据集,以经过优化的关系形式持久保存数据,从而提高服务数据存储的管理效率和查询性能。在这种使用场景中,服务数据存储是一个数据仓库 — 一种专为支持商务智能活动以及越来越先进的分析功能而设计的持久性平台。数据仓库的主要目标是整合数据,为业务用户提供准确的指标,帮助他们在日常工作中做出明智决策以及为更重大的战略性业务决策提供支持。为此,数据仓库采用高度专业化设计,通常存储有大量历史数据,仅用于执行查询和分析。数据仓库可集中整合来自应用日志文件和事务应用等多个来源的大量数据,然后将这些数据转化为最合适的格式执行分析。借助数据仓库的分析功能,企业可从数据中获得宝贵的业务洞察,改善决策。同时,随着时间推移,它还会建立一个对于数据科学家和业务分析人员极具价值的历史记录。得益于这些强大的功能,数据仓库可为企业提供一个“信息源”。许多人倾向于将数据仓库单纯地视为技术资产,但实际上它们提供了一个独特的环境,让业务用户和 IT 人员对零售商运营环境达成共识,并完成以下任务:
治理是构建此类解决方案时要考虑的一个关键因素。业务用户依靠数据仓库中准确的关键指标制定决策。如果指标不准确,将导致决策错误。因此,业务用户需要根据定义的数据质量策略积极参与数据差异监视工作。他们需要帮助 IT 团队改进指标的计算方式,协助鉴定和识别错误数据,进而反向影响业务规则,对其进行修改和测试性改进。