大數據對于商務人士來說是讓人興奮的產物，許多的大數據殺手級應用將不斷出現。對于存儲管理員來說，存儲基礎設施將不斷增長，這是毫無疑問的。你一直都在所有客戶中收集終端用戶每毫秒的行為數據，想象一下如果你可以立即查看所有數據，不需要考慮數據監管、數據管理、數據保護和其它所有相關的煩惱，你需要做的只是把你所有的數據放到一個相對廉價又具備擴展性的Hadoop存儲中，這是多么令人期待的事！

大數據湖能夠滿足不斷增長的數據需求，并為你的業務提供有價值的服務。通過將不同來源的數據集采集到一個集中平臺，使用容易擴展的大數據方法提供多租戶的分析服務，還會創造許多新的數據挖掘機遇。數據湖的總潛力值隨著可用于分析的數據量增加。一個大數據和大數據湖的關鍵原則是你不需要提前建立主數據模型，非線性增長是不會出現的。

企業數據湖或hub的概念最初是由Cloudera和Hortonworks這樣的大數據廠商提出的，表面上看，數據都是承載在基于可向外擴展的HDFS廉價存儲硬件之上的。但你的數據量越大，你越可能需要各種不同種類的存儲。最終，所有的企業數據都可以被認為是大數據，但并不是所有的企業數據都是適合存放在廉價的HDFS集群之上的。

所以，今天傳統的存儲廠商正在分析大數據湖的前景。從存儲市場的角度來看，數據湖就像另一個云計算一樣。“所有人都需要一個數據湖，你怎么能夠沒有一個（甚至兩個、三個）？”但企業使用存儲有多種選擇，可以采用支持HDFS和Hadoop虛擬化的企業級存儲，這種存儲可以將其它存儲協議轉換成HDFS。也可以采用可擴展的軟件定義存儲。


數據湖的一部分價值是把不同種類的數據匯聚到一起，另一部分價值是不需要預定義的模型就能進行數據分析。現在的大數據架構是可擴展的，并且可以為用戶提供越來越多的實時分析。在商業智能（BI）和數據倉庫還沒有被淘汰的今天，大數據分析和大數據湖正在向更多類型的實時智能服務發展，這些實時的智能服務可以支持實時的決策制定。Hadoop和它的生態系統已經度過了它們的理論研究階段，它們已經可以為實際的應用需求服務了。數據管理和數據分析的應用程序已經開發得非常友好，高級的向外擴展機器學習技術也已經投入應用并嵌入至只需要用鼠標就能簡單操作的大數據挖掘軟件中。然而，IT仍然需要對數據湖里的所有數據負責，所以在這里我們列舉了幾個企業數據湖的幾個關鍵特點：

保存一份集中的數據索引（或元數據），包括數據源、版本、精細度和準確度。如果在這方面沒有自動化的支持，一個數據湖會很快被沖垮。

對數據進行安全的授權、審計和訪問控制。Hadoop生態系統在數據安全性方面正在快速發展，因為這是企業的強制性需求。有許多新產品為大數據資產提供一定的安全性，也有許多產品致力于保護數據湖中的大量新數據、用戶和不斷增長的資產價值。

對數據湖中的數據啟用監管功能，并強制啟用保留（retention）和處置（disposition）策略（以及追蹤個人可識別信息）。***秀的產品（如Dataguise）會強制使用監管和合規需求，無論數據湖中有多少數據或是什么類型的數據集。

為操作可用性和BC/DR需求確保一定規模的數據保護。遠程復制是必要的嗎？已經成為了一個關鍵業務運營平臺的數據湖里的大量實時數據流對遠程復制來說就是洪水猛獸。

使用多種大數據分析方法（不僅僅只是Hadoop）和工作流利用數據湖提供敏捷分析。在某種程度上，Hadoop和HDFS實際上是軟件定義存儲產品，它們具有數據感知功能，可以提供內置的大數據分析服務。但也有其它產品也能提供很好的數據湖解決方案，如Spark和一些專有的OLAP或在線分析處理大數據分析平臺（如HP Haven等）。

我們在今天的企業級存儲產品可以找到上面提到的這些功能，它們說明了為什么許多廠商熱衷于數據湖領域，因為云和大數據會帶來很大的經濟效益。注重質量的企業級軟件定義存儲會成為這一領域的***。


數據湖真的是一個好的方案嗎？一個我們最開始可能會問的問題就是我們是否真的需要把所有的數據都匯聚到一起？在一個地方建立整個企業的數據聚集點會帶來巨大的風險。另一個的問題是數據湖真的是一個節約成本的解決方案嗎？特別是像Google、Facebook這種具有海量數據的公司。

數據湖的方案***是慢慢來實現，而不是大規模的重新設計整個數據中心。數據湖的價值取決于我們的數據，大規模的部署向外擴展的共享架構將使許多組織從數據湖（至少是數據池）中汲取養分。