數據庫是任何組織技術生態系統的核心。云技術的出現，使得數據庫具備了高性價比的數據存儲、可伸縮計算、以利用率為基礎的定價和完全管理的服務交付等功能。隨著遠程辦公模式的增加，許多企業開始采用現代數據庫技術來處理海量數據。這樣一來，IT研發持續轉向云計算，加速了企業創數字化轉型的進程。
雖然在向云的過度中伴隨著許多挑戰，但是對于那些尋求尖端數據庫技術的企業來說，終歸是利大于弊。對于數據領導者來說，增強他們對共同障礙、創造數據庫策略及上云的了解至關重要。如果數據庫的領導者誤解了數據庫的成本、遷移的復雜性、數據安全性和靈活性，他們就不愿意采用現代化的解決方案。因此，更好地了解這些誤區，對于企業的成功至關重要。
一、混合云系統增強數據庫的倉儲能力
混合云連接了私有數據中心和公有云，使數據和應用可以共享來自內部部署系統和云計算系統的信息。混合云計劃能幫助企業利用多云和本地數據中心，具備更加靈活的優勢。。公有云、私有云和本地數據資源結合，并通過人工智能和機器學習來支持敏捷性并改進報告。二、了解常見的數據庫誤解
對云數據庫的誤解可能會導致IT專業人員對是否采用新的數據庫系統和是否上云產生疑惑。以下是關于這些誤解的真相。
1、數據庫只適用于對過去的數據進行業務分析。其實，使用現代化工具，數據庫就可以進行實時數據分析。當考慮到企業數據庫實時報告和分析的傳統設計時，使用像Oracle Goldengate和Shareplex這樣的數據復制技術是一個明智的選擇。這些集成數據存儲工具的數據庫，能夠將在線交易處理的數據復制到數據庫，同時幫助提取、轉換、加載，以及在線提取、加載和邏輯轉換數據。
在現代數據庫中，Kafka Spark streaming將在數據庫環境下完成實時數據分析。因為實時定義的延遲性會根據企業實時定義方案的不同而有所不同，所以計劃和管理實時定義的延遲性就顯得非常重要。而企業的責任就是決定和定義實時數據復制的延遲性，并在確定的時間內配置實時數據。如果企業決定定義實時數據的延遲時間是幾小時，那么實時數據處理可以通過傳統的批量處理來實現。
2、傳統數據庫沒有通用的結構化查詢語言（下文稱SQL）引擎去處理數據庫中所有類型的數據，而在現代化數據庫環境下就能建立一個通用的SQL引擎。如果企業要處理結構化的數據，或者使用一個數據湖選項去自定義和處理結構化或非結構化的數據，他們就會依賴企業自己的數據庫解決方案。
一些企業用單一的SQL引擎，像Snowflake 或者Databricks ，作為統一的數據庫引擎來使用數據庫系統。然而，這些解決方案需要探索成本、性能和數據處理的屬性。比如， Spark引擎最適合批量處理，但不適合低吞吐量的單一SQL。更好的數據庫結構會基于數據模式來分析商業要求，然后建立一個合理的SQL引擎。例如，一個單一數據庫方案用presto 引擎去處理低吞吐量的簡單SQL，并且用Spark引擎來處理批量數據。
3、現代化數據庫只能通過云端供應商來實現。現代化數據庫需要基于企業數據及數據優先級來建立。比如，如果該數據很敏感，那么就需要部署在企業自己的數據中心。與此同時，對于非敏感的數據庫來說，企業也可以從云供應商那里獲取。在這些情況下，混合數據庫方案就是不錯的選擇。Cloud Pak 等技術就可以同時在本地數據中心和云數據中心實時處理數據。Cloud Pak 的數據是高度可擴展的，并且可以為數據庫提供更好的性能和混合云的解決方案。
4、管理數據庫的數據治理有一定難度。如今，許多企業很難管理他們的數據衍生。這個問題就可以通過設計一個數據中心方案來解決，比如Cloud Pak 或者Apache Kyligence Semantic Layer。再比如，Watson Knowledge Catalog就具有創造多數據源和多個不同數據源的虛擬化表的能力。
當用戶執行SQL時，這些方案也提供通用引擎。它在內部轉換SQL并將數據傳輸到合適的數據源。這些方案和其他的引擎技術可以幫助企業更好地管理和治理數據衍生。
5、數據倉庫使用了更多存儲空間，并且成本也很高。企業使用成百上千個不同類型地數據庫去管理和滿足他們的商務需求，這樣他們需要能整合所有數據源的數據以滿足數據報告或者AI、ML需求。通常情況下，數據庫領導者會選擇價格低一些的解決方案，比如對象存儲或者建立企業自己的SQL引擎來處理海量數據。
除此之外，管理傳統塊存儲中的數據成本很高。在這些情況下，數據體系結構是下一代數據庫解決方案的更好的選擇。理想的數據體系結構提供一個通用的SQL引擎，用來處理來自關系數據庫管理系統的結構化、半結構化或者非結構化的數據。Cloud Pak for Data和Watson Query是數據體系解決方案的兩個例子。因為數據體系結構化可以直接處理在線交易或商務數據庫的數據，它降低了成本，也不需要使用單獨的數據庫解決方案。
未來計劃
采用數據庫解決方案需要做一些前期工作，包括數據管理和治理、平臺自動化、數據移動和復制、數據模型化和準備以及基礎設施監控。如果執行得好，這些策略可以使企業記錄他們的當前環境，規劃現代化平臺，遷移遺留的數據結構，并管理自動化新平臺。通過解決對云數據庫的誤解，了解數據庫模型的挑戰、益處和總成本所有權，企業可以做出更明智的云數據庫戰略決定，并釋放數據真正的價值。原文標題：Why It’s Important to Change Misconceptions About Data Warehouse Technology
原文作者：John Thangaraj
