大資料應用特輯/大資料在醫療領域的應用
資料是系統的核心，在面向服務的架構之外，可以考慮面向資料的架構方式。面向資料的服務架構需要支援多資料來源異構，支援動態資料和靜態資料，既支援公有雲部署又支援私有雲部署，
一般地，為了不影響業務系統的正常運行，會將不同資料來源彙集起來，技術的採集與攝取，然後進行資料的存儲及一系列的操作處理， 最終通過各種的解決方案形成資料應用衍生的資料產品。
從開發的角度看，可以分成基礎設施，運營工具，開發工具和解決方案四層，從資料自身來看，也可以分為資料來源，動態資料，靜態資料和資料應用4個層次，相互是有交疊的。
資料來源
資料來源決定了資料的寬度， 數量量決定了資料的厚度。即使是做資料應用，也是和具體的業務領域相關的，資料的價值不是憑空出現的。所以， 業務系統的資料是第一位的，也是最容易獲得，
其次是使用者的行為資料，經管使用者經受了產品本身的誘導和局限，但使用者的行為資料還是在一定程度上體現的用戶便好。 過去的可用性測試甚至形成了可用性工程，而今，一般都會通過使用者的行為資料來檢驗使用者體驗。
物聯網（IOT）的到來，凸顯了感測器資料的重要性。感測器資料是相對高頻的資料，與時間序列相關，可以考慮與時間相關的資料存儲，
文檔資料大多是非結構化資料，一般是檔案系統和NoSQL 的勝場。對於很多企業而言，往往紙質文檔資料化的過程，隨著AI技術的發展，尤其是OCR 相關技術的逐漸成熟，所有文檔都是資料資源。
動態資料
動態資料的採集過程與靜態資料是類似的，關鍵在於分析流程，對於動態資料而言，分析是實事發生的。
對於動態資料，需要採用即時處理方法。時延是需要考量的一個關鍵因素，時間就是金錢在這裡體現的淋漓盡致。 通過減少多租戶的資源約束和雲服務的使用可以降低時延，提高性能水準，能夠即時處理大流量資料.
資料流程程相似于傳統的ETL流程，在資料提取時同時完成資料的初步轉換和清洗，
資料治理是指從使用零散資料變為使用統一主資料、從具有很少或沒有組織和流程治理到業務範圍內的綜合資料治理、從嘗試處理主資料混亂狀況到主資料井井有條的一個過程。
資料安全是資料本身的安全，主要是指採用加密方法對資料進行主動保護，如數據保密、資料完整性、雙向身份認證等，同時也是資料防護的安全，主要是對資料存儲進行主動防護，如通過磁碟陣列、資料備份、異地容災等手段保證資料的安全。
資料運營是指通過對動態資料的分析挖掘，把隱藏在海量資料中的資訊以合規化的形式發佈出去，供資料的消費者使用。動態資料的資料運營是一個非常具有挑戰性的課題。
靜態資料
對於靜態資料的操作，更像是一種批次處理形式，是一種離線分析，更像是傳統的OLAP，這樣可以擁有較高性能的處理能力。這意味著先從各種資料來源獲取資料，然後再進行分析處理。靜態資料處理分為了兩個階段，例如一個零售終端分析上個月的資料來決定本月的商業活動, 是否能夠根據使用者的購買行為來發放定制化的優惠卷等等。
具體的分析計算既可以再私有雲上執行，也可以在公有雲上執行。對於一定規模資料，尤其是探索性資料分析，一般都可以在私有雲進行計算，甚至直接在私有雲上提供資料應用和資料產品。
資料應用
資料應用包含了計算框架，演算法，資料的視覺化以及具體的應用呈現。不論是企業應用還是移動應用以及互動式Web應用，都可以使用資料計算得到的結果。流式應用和搜索應用都是與計算框架緊密相關的，可以通過Storm 和ElasticSearch 實現，也可以通過Spark 框架實現。
商業智慧（BI），傳統上是基於資料倉庫的資料採擷，發現資料中潛在的價值。而在面向資料的架構中，BI的分析方法可以不變，只改變計算的方式，也可以對分析方法進行演講。
隨機分析是一種探索性資料分析，是一種對資料摸索和嘗試，可以使用Hive，pig，sparkSQL等工具執行，明確進一步探索的方向。統計分析是更加具體的一種離線分析，基於統計模型的資料分析處理。
機器學習(Machine Learning, ML)是一門多領域交叉學科，模擬或實現人類的學習行為，以獲取新的知識或技能，是人工智慧的核心，框架有很多，例如Mahout以及SparkML等。
資料安全是資料本身的安全，主要是指採用加密方法對資料進行主動保護，如數據保密、資料完整性、雙向身份認證等，同時也是資料防護的安全，主要是對資料存儲進行主動防護，如通過磁碟陣列、資料備份、異地容災等手段保證資料的安全。
資料運營是指通過對動態資料的分析挖掘，把隱藏在海量資料中的資訊以合規化的形式發佈出去，供資料的消費者使用。動態資料的資料運營是一個非常具有挑戰性的課題。
靜態資料
對於靜態資料的操作，更像是一種批次處理形式，是一種離線分析，更像是傳統的OLAP，這樣可以擁有較高性能的處理能力。這意味著先從各種資料來源獲取資料，然後再進行分析處理。靜態資料處理分為了兩個階段，例如一個零售終端分析上個月的資料來決定本月的商業活動, 是否能夠根據使用者的購買行為來發放定制化的優惠卷等等。
具體的分析計算既可以再私有雲上執行，也可以在公有雲上執行。對於一定規模資料，尤其是探索性資料分析，一般都可以在私有雲進行計算，甚至直接在私有雲上提供資料應用和資料產品。
資料應用
資料應用包含了計算框架，演算法，資料的視覺化以及具體的應用呈現。不論是企業應用還是移動應用以及互動式Web應用，都可以使用資料計算得到的結果。流式應用和搜索應用都是與計算框架緊密相關的，可以通過Storm 和ElasticSearch 實現，也可以通過Spark 框架實現。
商業智慧（BI），傳統上是基於資料倉庫的資料採擷，發現資料中潛在的價值。而在面向資料的架構中，BI的分析方法可以不變，只改變計算的方式，也可以對分析方法進行演講。
隨機分析是一種探索性資料分析，是一種對資料摸索和嘗試，可以使用Hive，pig，sparkSQL等工具執行，明確進一步探索的方向。統計分析是更加具體的一種離線分析，基於統計模型的資料分析處理。
機器學習(Machine Learning, ML)是一門多領域交叉學科，模擬或實現人類的學習行為，以獲取新的知識或技能，是人工智慧的核心，框架有很多，例如Mahout以及SparkML等。