⑴ 哪些企业中使用数据库，数据仓库，数据挖掘技术
开源的数据库不少，公司内部使用的话，看你的实际需求，如果结构比较简单，数据量不大的，从网上下载个mysql和对应的管理工具就行。如果稍复杂的，就用大型的关系型数据库吧，如oracle、SQL
SERVER等等。
⑵ 大数据之后的发展
大数据领域已经涌现出了大量新的技术，它们成为大数据采集、存储、处理和呈现的有力武器。这些技术下一步将如何发展？它们之中哪些技术将广为流行？又会诞生哪些新的技术？
数据分析集逐步扩大，企业级数据仓库将成为主流，未来还将逐步纳入行业数据、政府公开数据等多来源数据
当人们从大数据分析中尝到甜头以后，数据分析集就会逐步扩大。目前大部分的企业所分析的数据量一般以TB为单位。按照目前数据的发展速度，很快将会进入PB时代。特别是目前在100-500TB和500+TB范围的分析数据集的数量会呈3倍或4倍增长。
随着数据分析集的扩大，以前部门层级的数据集市将不能满足大数据分析的需求，它们将成为企业级数据库（EDW）的一个子集。根据TDWI的调查，如今大概有2/3的用户已经在使用企业级数据仓库，未来这一占比将会更高。传统分析数据库可以正常持续，但是会有一些变化，一方面，数据集市和操作性数据存储（ODS）的数量会减少，另一方面，传统的数据库厂商会提升它们产品的数据容量，细目数据和数据类型，以满足大数据分析的需要。
因此，企业内的数据分析将从部门级过渡到企业级，从面向部门需求转向面向企业需求，从而也必将获得比部门视角更大的益处。
需要指出的是，随着政府和行业数据的开放，更多的外部数据将进入企业级数据仓库，使得数据仓库规模更大，数据的价值也越大。
⑶ 数据分析怎么核对生成的百万数据的正确性
百万级的数据，无论侧重OLTP还是OLAP，当然就是MySql了。
过亿级的数据，侧重OLTP可以继续Mysql，侧重OLAP，就要分场景考虑了。
实时计算场景：强调实时性，常用于实时性要求较高的地方，可以选择Storm;
批处理计算场景：强调批处理，常用于数据挖掘、分析，可以选择Hadoop;
实时查询场景：强调查询实时响应，常用于把DB里的数据转化索引文件，通过搜索引擎来查询，可以选择solr/elasticsearch;
企业级ODS/EDW/数据集市场景：强调基于关系性数据库的大数据实时分析，常用于业务数据集成，可以选择Greenplum；
数据库系统一般分为两种类型：
一种是面向前台应用的，应用比较简单，但是重吞吐和高并发的OLTP类型；
一种是重计算的，对大数据集进行统计分析的OLAP类型。
⑷ 大数据从百万级别数据的分析角度，数据库如何选择哪位大大告诉yunmar下，谢谢！！
百万级的数据，无论侧重OLTP还是OLAP，当然就是MySql了。
过亿级的数据，侧重OLTP可以继续Mysql，侧重OLAP，就要分场景考虑了。
实时计算场景：强调实时性，常用于实时性要求较高的地方，可以选择Storm;
批处理计算场景：强调批处理，常用于数据挖掘、分析，可以选择Hadoop;
实时查询场景：强调查询实时响应，常用于把DB里的数据转化索引文件，通过搜索引擎来查询，可以选择solr/elasticsearch;
企业级ODS/EDW/数据集市场景：强调基于关系性数据库的大数据实时分析，常用于业务数据集成，可以选择Greenplum；
数据库系统一般分为两种类型：
一种是面向前台应用的，应用比较简单，但是重吞吐和高并发的OLTP类型；
一种是重计算的，对大数据集进行统计分析的OLAP类型。
传统数据库侧重交易处理，即OLTP，关注的是多用户的同时的双向操作，在保障即时性的要求下，系统通过内存来处理数据的分配、读写等操作，存在IO瓶颈。
OLTP（On-Line Transaction Processing，联机事务处理）系统也称为生产系统，它是事件驱动的、面向应用的，比如电子商务网站的交易系统就是一个典型的OLTP系统。
OLTP的基本特点是：
数据在系统中产生；
基于交易的处理系统（Transaction-Based）；
每次交易牵涉的数据量很小；
对响应时间要求非常高；
用户数量非常庞大，主要是操作人员；
数据库的各种操作主要基于索引进行。
分析型数据库是以实时多维分析技术作为基础，即侧重OLAP，对数据进行多角度的模拟和归纳，从而得出数据中所包含的信息和知识。
OLAP（On-Line Analytical Processing，联机分析处理）是基于数据仓库的信息分析处理过程，是数据仓库的用户接口部分。OLAP系统是跨部门的、面向主题的，其基本特点是：
本身不产生数据，其基础数据来源于生产系统中的操作数据（OperationalData）；
基于查询的分析系统；
复杂查询经常使用多表联结、全表扫描等，牵涉的数据量往往十分庞大；
响应时间与具体查询有很大关系；
用户数量相对较小，其用户主要是业务人员与管理人员；
⑸ mybatis获取一个list怎么添加到数据库里
思路为采用Oracle中insert语句的高级用法：INSERT ALL ，批量插入数据：
INSERT ALL举例：
1、建测试表
CREATETABLEEDW_INT
(
AGMT_NOVARCHAR2(40BYTE)NOTNULL,
AGMT_SUB_NOVARCHAR2(4BYTE)NOTNULL,
NEED_REPAY_INTNUMBER(22,2),
CURR_PERIODNUMBER(4)NOTNULL
);
CREATETABLEEDW_INT_1
(
AGMT_NOVARCHAR2(40BYTE)NOTNULL,
AGMT_SUB_NOVARCHAR2(4BYTE)NOTNULL,
NEED_REPAY_INTNUMBER(22,2),
CURR_PERIODNUMBER(4)NOTNULL
);
CREATETABLEEDW_INT_2
(
AGMT_NOVARCHAR2(40BYTE)NOTNULL,
AGMT_SUB_NOVARCHAR2(4BYTE)NOTNULL,
NEED_REPAY_INTNUMBER(22,2),
CURR_PERIODNUMBER(4)NOTNULL
);
2.插入测试数据
INSERTINTOEDW_INT
(AGMT_NO,AGMT_SUB_NO,NEED_REPAY_INT,CURR_PERIOD)
VALUES
('20003874','2104',3126.5,7);
INSERTINTOEDW_INT
(AGMT_NO,AGMT_SUB_NO,NEED_REPAY_INT,CURR_PERIOD)
VALUES
('20003874','2104',3290.76,6);
INSERTINTOEDW_INT
(AGMT_NO,AGMT_SUB_NO,NEED_REPAY_INT,CURR_PERIOD)
VALUES
('20003874','2104',3454.06,5);
INSERTINTOEDW_INT
(AGMT_NO,AGMT_SUB_NO,NEED_REPAY_INT,CURR_PERIOD)
VALUES
('20003874','2104',3616.41,4);
INSERTINTOEDW_INT
(AGMT_NO,AGMT_SUB_NO,NEED_REPAY_INT,CURR_PERIOD)
VALUES
('20017143','2104',2350.86,0);
INSERTINTOEDW_INT
(AGMT_NO,AGMT_SUB_NO,NEED_REPAY_INT,CURR_PERIOD)
VALUES
('20017143','2104',3566.55,0);
INSERTINTOEDW_INT
(AGMT_NO,AGMT_SUB_NO,NEED_REPAY_INT,CURR_PERIOD)
VALUES
('20018273','2104',1639.46,0);
INSERTINTOEDW_INT
(AGMT_NO,AGMT_SUB_NO,NEED_REPAY_INT,CURR_PERIOD)
VALUES
('20018273','2104',2080.49,0);
COMMIT;
3.insert all-不带条件
insertall
intoedw_int_1(agmt_no,agmt_sub_no,need_repay_int,curr_period)
values(agmt_no,agmt_sub_no,need_repay_int,curr_period)
intoedw_int_2(agmt_no,agmt_sub_no,curr_period)
values(agmt_no,'1234',curr_period)
selectagmt_no,agmt_sub_no,need_repay_int,curr_periodfromedw_int;
commit;
结合该问题具体分析：
mybatis 的和相关的sql写法如下：
<insertid="batchSave">
INSERTALL
<foreachcollection="list"item="item">
INTOFSP_BUSINESS_INTEREST_REPORT
(
ID,
BUSINESS_DAY,
LOAN_NO,
CIF_NO,
CIF_NAME,
LOAN_TYPE,
REPAY_WAY,
TERM_TYPE,
VOUCH_WAY,
CHANNEL_TYPE,
LOAN_BEGIN_DATE,
LOAN_END_DATE,
RATE_BEGIN_DATE,
RATE_END_DATE,
AMT,
RATE_TYPE,
RATE,
RATE_AMT,
PAY_TYPE,
REPORT_OUT_FLAG,
REPORT_OUT_DATE,
REPORT_OUT_AMT,
CREATOR,
CREATE_TIME,
UPDATOR,
UPDATE_TIME
)VALUES(
getSeqByName('SEQ_FSP_BUS_INT_REPORT'),
#{businessDay,jdbcType=VARCHAR},
#{loanNo,jdbcType=VARCHAR},
#{cifNo,jdbcType=VARCHAR},
#{cifName,jdbcType=VARCHAR},
#{loanType,jdbcType=VARCHAR},
#{repayWay,jdbcType=VARCHAR},
#{termType,jdbcType=VARCHAR},
#{vouchWay,jdbcType=VARCHAR},
#{channelType,jdbcType=VARCHAR},
#{loanBeginDate,jdbcType=DATE},
#{loanEndDate,jdbcType=DATE},
#{rateBeginDate,jdbcType=DATE},
#{rateEndDate,jdbcType=DATE},
#{amt,jdbcType=NUMERIC},
#{rateType,jdbcType=VARCHAR},
#{rate,jdbcType=NUMERIC},
#{rateAmt,jdbcType=NUMERIC},
#{payType,jdbcType=VARCHAR},
#{reportOutFlag,jdbcType=VARCHAR},
#{reportOutDate,jdbcType=DATE},
#{reportOutAmt,jdbcType=NUMERIC},
#{creator,jdbcType=VARCHAR},
#{createTime,jdbcType=DATE},
#{updator,jdbcType=VARCHAR},
#{updateTime,jdbcType=DATE}
)
</foreach>
SELECT1FROMDUAL
</insert>
2.中接口如下定义：
voidbatchSave(@Param("list")List<BusinessInterestReport>list);
⑹ 浅谈数据挖掘与数据仓库
浅谈数据挖掘与数据仓库
1数据挖掘
1.1数据挖掘与传统数据分析的区别
数据挖掘与传统的数据分析，如查询、报表、联机应用分析的本质区别是数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘所得到的信息应具有先前未知、有效和实用三个特征。即数据挖掘是要发现那些不能靠直觉发现的信息或知识，甚至是违背直觉的信息或知识，挖掘出的信息越出乎意料就可能越有价值。而传统的数据分析趋势为从大型数据库抓取所需数据并使用专属计算机分析软件。因此数据挖掘与传统分析方法有很大的不同。
1.2数据挖掘的应用价值
（1）分类：首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。（2）估计：与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类是确定数目的，估计是不确定的。（3）聚类：是对记录分组。聚类和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。中国移动采用先进的数据挖掘工具马克威分析系统，对用户wap上网的行为进行聚类分析，通过客户分群，进行精确营销。（4）关联规则和序列模式的发现：关联是某种事物发生时其他事物会发生的这样一种联系。例如：每天购买啤酒的人也有可能购买香烟，比重有多大，可以通过关联的支持度和可信度来描述。与关联不同，序列是一种纵向的联系。例如：今天银行调整利率，明天股市的变化。（5）预测：通过分类或估值得出模型，该模型用于对未知变量的预言。（6）偏差的检测：对分析对象的少数的、极端的特例的描述，揭示内在的原因。除此之外，在客户分析，运筹和企业资源的优化，异常检测，企业分析模型的管理的方面都有广泛使用价值。
2数据仓库
2.1数据仓库的特征
（1）面向主题（Subject Oriented）的数据集合。数据仓库围绕一些主题如顾客、供应商、产品和销售来组织。数据仓库关注决策者的数据建模与分析，而不是组织机构的日常操作和事务处理。（2）集成（Integrated）的数据集合。数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除源数据中的不一致性，以保证数据仓库内的信息是关于整个企业的一致的全局信息。（3）时变（Time Variant）的数据集合。数据存储从历史的角度提供信息。数据仓库中的数据通常包含历史信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。（4）非易失（Nonvolatile）的数据集合。数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询，修改和删除操作很少，通常只需要定期的加载、刷新。数据仓库里的数据通常只需要两种操作：初始化载入和数据访问，因此其数据相对稳定，极少或根本不更新。[page] 2.2数据仓库的类型
数据仓库的类型根据数据仓库所管理的数据类型和它们所解决的企业问题范围，一般可将数据仓库分为下列3种类型：企业数据仓库（EDW）、操作型数据库（ODS）和数据集市（Data Marts）。①企业数据仓库为通用数据仓库，它既含有大量详细的数据，也含有大量累赘的或聚集的数据，这些数据具有不易改变性和面向历史性。此种数据仓库被用来进行涵盖多种企业领域上的战略或战术上的决策。②操作型数据库既可以被用来针对工作数据做决策支持，又可用做将数据加载到数据仓库时的过渡区域。与EDW相比，ODS是面向主题和面向综合的，易变的，仅含有目前的、详细的数据，不含有累计的、历史性的数据。③数据集市是为了特定的应用目的或应用范围，而从数据仓库中独立出来的一部分数据，也可称为部门数据或主题数据。几组数据集市可以组成一个EDW。
2.3数据仓库与传统数据库的比较
二者的联系既有联系又有区别。数据仓库的出现，并不是要取代数据库。目前，大部分数据仓库还是用关系数据库管理系统来管理的。可以说，数据库、数据仓库相辅相成、各有千秋。二者的区别可以从以下几个方面进行比较：
（1）出发点不同：数据库是面向事务的设计；数据仓库是面向主题设计的。（2）存储的数据不同：数据库一般存储在线交易数据；数据仓库存储的一般是历史数据。（3）设计规则不同：数据库设计是尽量避免冗余，一般采用符合范式的规则来设计；数据仓库在设计是有意引入冗余，采用反范式的方式来设计。（4）提供的功能不同：数据库是为捕获数据而设计，数据仓库是为分析数据而设计。（5）基本元素不同：数据库的基本元素是事实表，数据仓库的基本元素是维度表。（6）容量不同：数据库在基本容量上要比数据仓库小的多。（7）服务对象不同：数据库是为了高效的事务处理而设计的，服务对象为企业业务处理方面的工作人员；数据仓库是为了分析数据进行决策而设计的，服务对象为企业高层决策人员。
3数据仓库与数据挖掘的关系
当然为了数据挖掘你也不必非得建立一个数据仓库，数据仓库不是必需的。建立一个巨大的数据仓库，把各个不同源的数据统一在一起，解决所有的数据冲突问题，然后把所有的数据导到一个数据仓库内，是一项巨大的工程，可能要用几年的时间花上百万的钱才能完成。只是为了数据挖掘，你可以把一个或几个事务数据库导到一个只读的数据库中，就把它当作数据集市，然后在他上面进行数据挖掘。
⑺ 大数据仓储系统是什么
什么才是大数据
大数据相关的技术和工具非常多，给企业提供了很多的选择。在未来，还会继续出现新的技术和工具，如Hadoop分发、下一代数据仓库等，这也是大数据领域的创新热点。但是什么才是大数据可能很多人会认为数据量大就是大数据，其实不然所谓大数据是结合数据的条数＋单个数据文件的大小综合衡量得出，而这其中则包括如何快速精准定位到单条数据和快速传输数据等多项相关技术。
那么我们企业到底该选用什么技术？才能保证我们的系统或者软件摆脱大数据的瓶颈呢？
可能大家都知道TDWI(数据仓库研究所)对现有的大部分技术和工具进行了调查，以现在及未来三年内企业接受度和增长率两个维度进行划分，这些技术和工具可分成四类。
从中分析得出企业最需要关注的是第1类中的技术和工具，它们最有可能成为最佳的实施工具，有很多人认为这代表了大数据技术的发展方向。我们认为这是一个误区。
对于我们真实使用及使用过程中，只有基于云的数据分析及分布式平台进行数据处理才能趋于完善。
很多企业越来越希望能将自己的各类应用程序及基础设施转移到云平台上。就像其他IT系统那样，大数据的分析工具和数据库也将走向云计算。云计算不单单是硬件的叠加，它必须结合分布式内核调用和内存计算，同时如果你想更快速的定位那就需要将算法迁入其中。
云计算能为大数据带来哪些变化呢?
首先云计算为大数据提供了可以弹性扩展、相对便宜的存储空间和计算资源（请记住这不单单说的是硬件的叠加，我们的要考虑的是软件层面的控制和管理，线程池／内存锁／域空间／层级都是必可少的考虑因素），使得中小企业也可以像亚马逊一样通过云计算来完成大数据分析。
其次，云计算IT资源庞大、分布较为广泛，是异构系统较多的企业及时准确处理数据的有力方式，甚至是唯一的方式。（此时的传输效率就会成为我们应该去考虑的问题，量子数据传输系统为我么提供了非常好的解决方案）
当然，大数据要走向云计算，还有赖于数据通信带宽的提高和云资源池的建设，需要确保原始数据能迁移到云环境以及资源池可以随需弹性扩展。
数据分析集逐步扩大，企业级数据仓库将成为主流如现有的NOSQL，内存性数据库等，更加便宜和迅速，成为企业业务经营的好助手，甚至可以改变许多行业的经营方式。
舆情早报网大数据的商业模式与架构
我们不得不承认云计算及其分布式结构是重要途径大数据处理技术正在改变目前计算机的运行模式，正在改变着这个世界：它能处理几乎各种类型的海量数据，无论是微博、文章、电子邮件、文档、音频、视频，还是其它形态的数据；它工作的速度非常快速：实际上几乎实时；它具有普及性：因为它所用的都是最普通低成本的硬件，而云计算它将计算任务分布在大量计算机构成的资源池上，使用户能够按需获取计算力、存储空间和信息服务。云计算及其技术给了人们廉价获取巨量计算和存储的能力，云计算分布式架构能够很好地支持大数据存储和处理需求。这样的低成本硬件+低成本软件+低成本运维，更加经济和实用，使得大数据处理和利用成为可能。但这只是从投入来说我们可以有更多的弹性。
大数据的存储和管理----云数据库的必然
很多人认为NoSQL就是云数据库，因为其处理数据的模式完全是分布于各种低成本服务器和存储磁盘，因此它可以帮助网页和各种交互性应用快速处理过程中的海量数据。
它采用分布式技术结合了一系列技术，可以对海量数据进行实时分析，满足了大数据环境下一部分业务需求。
但我说这是一个错误，至少不是完整的，不能或无法彻底解决大数据存储管理需求。不可否认云计算对关系型数据库的发展将产生巨大的影响，而绝大多数大型业务系统（如银行、证券交易等）、电子商务系统所使用的数据库还是基于关系型的数据库，随着云计算的大量应用，势必对这些系统的构建产生影响，进而影响整个业务系统及电子商务技术的发展和系统的运行模式。
而基于关系型数据库服务的云数据库产品将是云数据库的主要发展方向，云数据库（CiiDB），提供了海量数据的并行处理能力和良好的可伸缩性等特性，提供同时支持在在线分析处理（ CRD）和在线事务处理(CRD) 能力，提供了超强性能的数据库云服务，并成为集群环境和云计算环境的理想平台。它是一个高度可扩展、安全和可容错的软件系统，客户能通过整合降低IT成本，管理位于多个数据，提高所有应用程序的性能和实时性做出更好的业务决策服务。
我们认为CII分布式结构粒度数据结构数据仓库才是大数据处理的未来。它包含量子数据传输系统（有效解决数据传输的瓶颈）/高效压缩系统（压缩比例128:1）／云智能粒度层级分布式系统。
当人们从大数据分析中尝到甜头以后，数据分析集就会逐步扩大。目前大部分的企业所分析的数据量一般以TB为单位。按照目前数据的发展速度，很快将会进入PB时代。特别是目前在100-500TB和500+TB范围的分析数据集的数量会呈3倍或4倍增长。
随着数据分析集的扩大，以前部门层级的数据集市将不能满足大数据分析的需求，它们将成为企业级数据库(EDW)的一个子集。有一部分用户已经在使用企业级数据仓库，未来这一占比将会更高。传统分析数据库可以正常持续，但是会有一些变化，一方面，数据集市和操作性数据存储(ODS)的数量会减少，另一方面，传统的数据库厂商会提升它们产品的数据容量，细目数据和数据类型，以满足大数据分析的需要。
这就是我们所说的分布式结构粒度数据结构数据仓库，而如何做好大数据处理，舆情早报网已经做到了。
⑻ 为什么企业需要数据仓库
在日益激烈的商业竞争中，企业迫切需要更加准确的战略决策信息。在以往的操作型数据库系统中，企业拥有海量的数据，并不缺乏足够的信息，而是因为这些数据不是战略决策要使用的信息。这些大量的数据对于企业的运作是非常有用的，但是对于商业战略决策和目标制定的作用甚微。但是信息技术资源和操作型数据库系统不能把这些数据转换为企业真正需要的决策信息。为什么呢？首先，企业数据分散在多种互不兼容的的结构和系统中，导致数据很难被整合成需要的决策信息；其次，战略决策所需的数据格式必须适合趋势分析，但操作型数据是由事件驱动的，不能直接反映趋势的变化；再次，对于战略决策来说，决策者必须从不同的商业角度观察数据，比如说产品、地区、客户群等不同方面观察数据，操作型数据不适合从不同的角度进行分析。 提供战略决策信息需要大量的企业数据，能够以合适的格式存放并能快速检索。 随着计算机技术的快速发展，存储成本迅速降低和计算能力大大提高，使建立数据仓库成为可能。
⑼ 大数据为生命周期管理带来挑战
大数据为生命周期管理带来挑战
无论数据的规模和类型是什么，它们必须要在生命周期中接受管理，即便管理工具并不成熟也必须如此。
伴随着大数据的出现，整合的生命周期管理（Integrated Lifecycle Management，简称为ILM）遇到了一个全新的领域。核心挑战来自三个方面：首先大数据的规模没有上限，其次许多新数据的生命周期都极为短暂，再次由于数据或多或少具有大数据的3V特征（数据规模大、处理速度快和数据种类繁多）因而难以保持始终如一的品质。
以上这些是我从Loraine Lawson所写的文章中总结出来的。她的观点与我对这一问题的总体看法基本一致。但是我并不认同她关于“与小型数据分析环境相比，ILM对于大数据环境来说更为重要”的说法。无论是以前，还是进入到了大数据时代，让所有的商业数据资产处于安全、可控和受管理的状态都同等重要，它们之间的重要性没有发生丝毫的改变。
它们之间的不同之处在于，在大数据环境中，由于以下几个方面正在迅速发生变化，使得全面的ILM越来越难以确保数据资产处于安全、可控和受管理的状态之下。
■新的大数据平台：除了MPP 关系型数据库系统、纵列数据库、多维数据库外， Hadoop、NoSQL、内存数据库、图形数据库等新的技术平台逐渐在企业计算环境中发挥越来越重要的作用。现有的ILM工具几乎不可能支持这些新的平台。同时，为了能够在公有云上处理大数据，你可能需要使用由服务提供商提供的ILM功能。为了降低在新环境中的风险，以及维护核心数据的高度可信性，你需要仔细测试新的大数据平台，以确保它们具备ILM功能（数据安全、管理、归档和保留），以及这些功能是否与你计划赋予它们的角色相对应。
■新的大数据主题域：大数据并没有改变企业对存储和管理办公系统（例如客户、财务和人力资源等）记录的数据管理枢纽的需求。这些是现有企业级数据仓库（EDW）的功能。目前大部分EDW是运行在传统的基于关系型数据库系统的数据平台上，并集成有功能强大的ILM。不过，这些记录数据域系统可能无法在最新的大数据平台上运行，因为许多平台已经将重点放在了处理由社交、事件、传感器、点击流、地理空间，以及其他新来源所产生的新数据之上。然而，这些新的数据域通常生命周期都非常短。从这个意义上说，我们可能不需要将其中的大部分数据保存在永久性记录系统中。
■新的大数据扩展：大数据并不意味着你的新平台能够支持无限大的容量、极高的速度或无数的数据种类。由于受到技术上和经济上的束缚，新数据的庞大规模导致它们不可能被随意存储在任何地方。这一现实将迫使大数据管理人员将更多的精力放在调整多温度存储管理、归档和保留策略上。随着大数据环境的扩展，你需要确保ILM需求不超过现有容量（存储容量）、速度（带宽、管理器和存储速度）和类型（元数据深度）所能支持的范围。
此外，我还与一些专家进行了探讨。这些专家认为，除非我们真的想删除数据，否则大数据革命可使我们无需删除任何数据。目前大数据看起来似乎将持续以指数级速度增长，并且大数据平台的成本似乎也将持续大幅下降，但是我对大数据云的执行和管理将跌至接近零成本的观点存在严重怀疑。
如果我的预感正确，那么我们将无法阻止大数据源源不断的涌到云上——即便我们想阻止也无能为力。幸运的是，生命周期管理能够为无用数据划上一个终点，而这正是我们将ILM摆在需求第一位的关键原因。