Долгое время массивы данных были для бизнеса инструментом их непосредственной деятельности или архивом. Сегодня организации стремятся принимать решения на основе объективных данных, а не интуиции или накопленного опыта отдельных сотрудников.

Это приводит к росту внимания к качеству данных, их доступности и единым правилам управления информацией.

В современной data-driven-инфраструктуре система хранения становится ключевым элементом платформы данных. Она должна не просто хранить информацию, а органично встраиваться в сложную экосистему из виртуализации, контейнерных платформ, аналитических сервисов, систем резервного копирования, ИИ-инструментов и облачных контуров.

Рынок пока не успел выработать устойчивые «лучшие практики» в реализации стратегии data-driven. Многие компании двигаются в режиме эксперимента: тестируют отдельные сценарии аналитики, пытаются встроить ИИ в существующие процессы, оценивают экономический эффект и параллельно перестраивают инфраструктуру.

Ключевая ошибка – искать единственное «правильное» техническое решение. В зависимости от конкретной конъюнктуры заказчика, его бизнес-модели и сценариев монетизации данных требования к инфраструктуре могут быть диаметрально противоположными.

Классические СХД незаменимы для быстрых, критичных к задержкам нагрузок: базы данных, транзакционные системы (ERP), обработка отчетов и структурированной аналитики. А озера данных служат хранилищем для сырых, необработанных данных, которые затем можно анализировать.

В этом смысле технологии хранения данных – классические СХД, объектные хранилища (S3), озера данных (data lake) и программно-определяемые системы (SDS) – не конкуренты. Они решают разные задачи и могут «мирно сосуществовать» в рамках одной ИТ-архитектуры.

О других нюансах и ошибках при построении data-driven-архитектуры читайте в статье Александра Калинина.

🔍ИЗЧ в VK | MAX