Facebook數據專家：處理大數據，僅有Hadoop不夠
有很多很普及的大數據的觀念需要被質疑，首先一點就是人們普遍認為你可以簡單地利用Hadoop，并且Hadoop易于使用。問題是，Hadoop是一項技術，而大數據和技術無關。大數據是和業務需求有關的。事實上，大數據應該包括Hadoop和關系型數據庫以及任何其它適合于我們手頭任務的技術。
Rudin說，Facebook的業務模式依賴于其對于超過10億社交媒體用戶的用戶資料和活動數據的處理，從而提供有針對性的廣告。然而，對于我們需要做的事情而言，Hadoop并不總是***的工具。
例如，在Hadoop中對一個數據集做廣泛并且探索性的分析是很有意義的，但關系型存儲對于那些尚未發現的東西進行運行分析則更好。Hadoop對于在一個數據集中尋找***水平的細節也很好用，但關系型數據庫對于數據的存儲轉換和匯總則更有意義。因此底線是，對于你的任何需求，要使用正確的技術。
他表示，還有另一個假設，認為大數據單純的行為分析提供了寶貴的價值：“問題是這分析給那些無人問津的問題得出了更加聰明的答案。要弄清楚什么是正確的問題依然是一門藝術”。Facebook一直專注于雇傭合適的員工來運行他們的分析操作，那些人不僅要在統計學專業獲得博士學位，并且還要精通業務。
當你面試員工時，不要只關注于“我們怎么計算這個指標”，相反，你應該給他們一個商業案例來研究，并且問他們在這個案例中哪個是最重要的指標。企業也應該嘗試著去培養，人人參與分析。
據Rudin透露，Facebook運營一個內部的“數據培訓營”，一個教導員工如何分析的時長兩周的項目。產品經理、設計師、工程師甚至財務部門工作人員都要參加。每個人都參與其中的意義就在于，每個人可以用一個共同的數據語言，來互相討論數據的問題和麻煩。
Facebook還改變了統計人員和業務團隊的組織方法。如果統計人員保持獨立，他們往往會坐在那里等待來自業務領域的請求找上門來，再回應他們，而不是主動去做。但是如果統計人員被放置到業務部門，你會發現多個團體將會試圖冗余地解決問題。
Facebook已經采用了“嵌入式”模式，其中分析師被放在業務團隊中，但他們要向一些更高級別的分析師報告，這有助于避免重復的勞動。
對于Hadoop如何組合和處理大數據的技巧和方法，數據專家Anoop曾經在另一篇文章中提到過，一般情況下，為了得到最終的結果，數據需要加入多個數據集一起被處理和聯合。Hadoop中有很多方法可以加入多個數據集。MapReduce提供了Map端和Reduce端的數據連接。這些連接是非平凡的連接，并且可能會是非常昂貴的操作。Pig和Hive也具有同等的能力來申請連接到多個數據集。Pig提供了復制連接，合并連接和傾斜連接（skewed join），并且Hive提供了map端的連接和完整外部連接來分析數據。一個重要的事實是，通過使用各種工具，比如MapReduce、Pig和Hive等，數據可以基于它們的內置功能和實際需求來使用它們。至于在Hadoop分析大量數據，Anoop指出，通常，在大數據/Hadoop的世界，一些問題可能并不復雜，并且解決方案也是直截了當的，但面臨的挑戰是數據量。在這種情況下需要不同的解決辦法來解決問題。一些分析任務是從日志文件中統計明確的ID的數目、在特定的日期范圍內改造存儲的數據、以及網友排名等。所有這些任務都可以通過Hadoop中的多種工具和技術如MapReduce、Hive、Pig、Giraph和Mahout等來解決。這些工具在自定義例程的幫助下可以靈活地擴展它們的能力。
事實上，與Rudin持相同觀點的還有數據專家Joe Brightly，他也總結了Hadoop不適合數據分析的幾個理由，其中包括：
“Hadoop是一個框架，不是一個解決方案”——他認為在解決大數據分析的問題上人們誤認為Hadoop可以立即有效工作，而實際上“對于簡單的查詢，它是可以的。但對于難一些的分析問題，Hadoop會迅速敗下陣來，因為需要你直接開發Map/Reduce代碼。出于這個原因，Hadoop更像是J2EE編程環境而不是商業分析解決方案。” 所謂框架意味著你一定要在之上做個性化和業務相關的開發和實現，而這些都需要成本。
Hadoop的子項目Hive和Pig 都不錯，但不能逾越其架構的限制。”——Joe提出“Hive 和Pig 都是幫助非專業工程師快速有效使用Hadoop的完善工具，用于把分析查詢轉換為常用的SQL或Java Map/Reduce 任務，這些任務可以部署在Hadoop環境中。”其中Hive是基于Hadoop的一個數據倉庫工具，它可以幫助實現數據匯總、即時查詢以及分析存儲在Hadoop兼容的文件系統的大型數據集等。而Pig是并行計算的高級數據流語言和執行框架。但作者認為“Hadoop的Map/Reduce框架的一些限制，會導致效率低下，尤其是在節點間通信的情況（這種場合需要排序和連接）。”
Joe總結道：“Hadoop是一個用來做一些非常復雜的數據分析的杰出工具。但是具有諷刺意味的是，它也是需要大量的編程工作才能得到這些問題的答案。” 這一點不止在數據分析應用方面，它其實反映了目前使用開源框架時候不得不面對的選型平衡問題。當你在選型開源框架或代碼的時候，既要考慮清楚它能夠幫到你多少，節省多少時間和成本，提高多少效率。也要知道由此而產生多少新增的成本，比如工程師的學習成本、開發和維護成本，以及未來的擴展性，包括如果使用的框架升級了，你和你的團隊是否要做相應的升級；甚至還要有安全性方面的考慮，畢竟開源框架的漏洞也是眾所周知的。
