TechTarget执行编辑，主要负责商务智能和数据库网站的内容编辑，在IT技术领域具有丰富的采编经验
对于初学者来说，大型数据架构通常包括内部系统和外部数据源的组合。除结构化交易数据之外，它们还添加了各种类型的非结构化和半结构化数据。
如果应用程序开发人员不关注数据准确性和一致性，使用Hadoop，Spark和其他大数据技术的数据收集过程虽然要快得多，但效果并不一定很理想。
和构建大数据架构类似，支撑实时分析架构的软件种类繁多，这对于用户来说有利有弊。找到合适的技术，并把这些技术整合成一个有效的分析框架将是一个十分冒险的过程，一着不慎，满盘皆输。
并非所有的公司都有实现数据货币化的必要性。但对于适合的组织，实施数据货币化战略几乎可以将数据转化为更大的价值。
软件公司Intuit和Novantas采用了特定的方法来部署他们的第一个Spark集群，限制了初始用户访问，并寻找更加坚实的业务用途。
专家说，大多数公司都有可能利用的数据货币化机会。但是明确的战略和长期计划对于获得所需的利益至关重要。
Apache Spark用户经常面临一个困境：继续获取来自供应商的支持还是更新版本，使用具有更新功能的快速移动的开源软件？
随着Hadoop，Spark和其他大数据技术作为更多组织中的关键IT组件，越来越重视寻找大数据分析应用程序的业务优势，
传统ETL工具仍然在数据集成市场占最大比例，Gartner公司在2016年数据集成工具魔法象限调研报告中发现，使用批处理任务处理大量数据集成的组织超过80%。
作为大数据平台，如Hadoop，NoSQL数据库和Spark 处理引擎被企业广泛采用。部署先进的分析工具，帮助企业分析业务数据流，这类方式被越来越多的企业所接受。
