甲方彻底蚌埠住了：吃完数仓的亏，又上数据湖的当？

最近几年，很多大甲方们，在“搞数据”这件事上，都特别上心。大家都看到了数据的价值。

可是，越上心往往就越伤心。

大家搞数据的过程，都很不顺。

比如，最开始用“数仓”的那波人，逐渐觉得数仓太传统，尤其现在非结构化数据量上来了，于是大家纷纷开建数据湖，搞中心存储库。

挖好湖，囤上数据，却发现泥沙俱下，数据治理和分析又是新问题，一不留神容易搞成数据沼泽。

然后又有人说，“湖仓一体”才是新方向呀，鱼和熊掌可以兼得。于是大家又开始跟风站队LakeHouse。

接着又刮起风来说，数仓、湖仓什么的，都只不过是工具，要想成事儿，还得有一套“搞数据”的方法论来指导和统筹，数据中台就是这套方法论。

后面的事你们都知道了，数据中台建得热火朝天。

“建仓、挖湖、搭台”，一顿操作猛如虎，数据囤了千千万，预算花了万万千，可急等的分析结果还是慢吞吞，想要的数据还是拿不到。

比如，老板突然提了个临时的分析需求，现在立刻马上，说要就要~

喵工手忙脚乱，牺牲大量摸鱼时间，累了个半死，出来的结果分分钟把老板惹毛。

老板常感慨花了这么多钱，建仓修湖搭台，换来的却是效率低、运维累、成本高，空有一堆数据，一大半需求都满足不了。

Why？大家都忙着追逐各种新技术了，背后的道理却始终没参透↓

其实，“湖、仓、台”都是数据基础设施，也都各有先进性和适用场景，但要把他们用好，离不开一系列关键的“管道”系统，来保障流畅地取数、汇数和用数。

这些“管道”，以前靠的是ETL相关技术。可是现在的业务场景和数据规模，ETL却成了最大的瓶颈，大甲方们“吃亏上当”的核心，就是ETL没理顺。

这锅，ETL必须要背。

为啥 ETL 成了大冤种？

我们先来简要了解下，ETL到底是个啥，锅是怎么背上的。

ETL不是啥新事物，早在数仓流行的时代，这个概念就有了，它指的是将业务系统的数据经过抽取、清洗转换之后加载到数据仓库的流程。

在“远古数仓”时代，这流程没啥毛病，满足大部分BI需求绰绰有余，一切岁月静好。

可是这几年，数据量大爆发，尤其非结构化数据噌噌噌地上来了，同时数据分析的需求和应用场景，也变得极其复杂。

此时的ETL，无论管道的源头，还是终点，都发生了翻天覆地的变化。

数据类型更复杂、数据源更多、数据量更大。为了应对各种高频的、随机的海量数据联合分析需求，数据需要在仓、湖、OLAP数据库之间来回搬运…

ETL“管道”越建越复杂，成本高昂，工作量巨大。

负责整个流程的ETL工程师，就像管道工，每天忙着：设计管道、搭建管道，维护管道。

以前他们很轻松，现在完全被颠覆了，你来感受下管道工们的日常↓

看完喵工的遭遇你明白了吧。

现实的状况就是这样：数据管道不断增长治理困难，搭建管道人手不足心力交瘁，查询性能无法追赶业务变化。

传统ETL链路因此被贴上了“浪费大，交付慢”的标签，导致用数方和供数方彼此都不满，互相甩锅。

而这其中，背锅压力最大的，自然是负责ETL工作的水管工们，不是他们不努力，而是工具不给力！

不用 ETL 行不行？

既然我们破案了，知道真正拉胯的是ETL，那么不用ETL行不行？

我们不妨来瞅瞅，一种新的技术理念——NoETL是怎么玩的。

所谓“NoETL”，是指在数据处理和分析环节，无需搭建复杂ETL链路即可灵活分析所有数据，以更低的成本、更迅速地做出更好的业务决策。

通过NoETL，分析师无需掌握ETL技能，不必等待漫长排期，随时可以对全域数据开启自助分析与洞察。

乍一听有点扯，这么复杂的ETL流程，咋能说没就没了呢？

其实细想也不奇怪，ETL本来就是“上古数仓时代”的东西，在新技术横行的当下，光与时俱进是不够的，的确需要来点颠覆性的改变了。

而NoETL的横空出世，正是要将传统ETL的繁杂流程逐一击破，由系统自动完成管道编排与链路优化，分析师能够自助用数。

对于广大数据使用者和数字化决策者来说，NoETL可以满足大家的三个愿望。

No Pipelines。

去管道，无需关心数据位置，再多的数据源也不怕。

No Tasks。

免运维，无需操心任务运维，再多的需求也能从容处理。

No Cubes。

自优化，无需手工设计加速方案，再大的数据量也能获得良好的查询响应。

怎么样，如此变革性的数据分析链路，是不是令人振奋....且有点假？

NoETL 究竟能不能落地？

有一家公司，叫做Aloudata，他们在国内首推NoETL湖仓平台，仔细看看，很有意思。

Aloudata的这套神器，包含两个重要的组件：AIR和BIG。

AIR是全场景自适应的弹性SQL引擎，而BIG则是基于行为智能的主动元数据管理平台。

两大引擎相互配合，就能让ETL链路整一个脱胎换骨，easy到亲妈都不敢认。

那么，这套从数据连接、数据整合再到数据消费的新路径，到底靠谱么？我这里准备了灵魂三问↓↓↓

“无需关心数据位置”咋做到？

Aloudata通过湖仓查询引擎和数据虚拟化技术，实现多源异构数据查询和透明数据集成，也就是无管道化（No Pipelines）。

说白了，大部分数据不用搬，用AIR引擎可以直接查，控制了数据管道的无序增长。

BI分析师和AI数据科学家们，终于摆脱了对ETL数据工程师（管道工）的单向依赖。

他们不需要再关心数据实际存放位置，直接通过SQL定义弹性数据集，就能够自助对全域数据进行获取和分析。

Aloudata实现了透明的数据集成和数据更新，可基于上游数据变化和数据集定义，智能推断业务日期并生成数据更新任务，完成数据自动更新。

“无需操心任务运维”咋做到？

此外，Aloudata通过对用数行为的收集和观察，实现了数据链路的全局智能编排，能够对重复、相似计算进行自动合并，对无效、低频、低价值的数据生产任务进行降权或下线，以"销"定产，极大地降低了成本浪费。

从此，无需人工任务运维（No Tasks），省就一个字！

“无需担心查询性能”咋做到？

Aloudata基于独创的关系投影物化加速技术，实现了全场景、算子级的查询加速，无论是在数据探索、数据准备、多维分析还是在指标服务或是报表访问阶段，任何查询都可被系统透明加速。

不仅如此，基于BIG对用户查询行为的观察和挖掘，AIR还实现了自适应的关系投影构建。

这样，用户无需设计诸如Cube等加速方案，也无需为不断变化的数据需求而疲于调整，即可获得最佳查询性能体验。

这样一来，分析师无需再担心查询性能，只管专心去整业务分析与洞察。

一起来总结下，Aloudata实现NoETL的关键就是这仨No：

• No pipelines 零等待全域分析；

*

• No Tasks 全自动数据更新；

*

• No Cubes 自动化查询加速。

一切都是为治愈ETL之痛而来，一切都是刚刚好，咱就是说，一No到底~

对了，Aloudata已经帮助多家国内顶级金融机构完成了向NoETL的稳步过渡，将业务取数、用数、看数效率从周级缩短到了天级，并实现了高性能、低时延的报表看数体验，实现了数据交付效率10倍提升，获得了一半以上综合成本节约，真正做到“又快又省”。