日益严峻的商业环境、日趋激烈的竞争或客户预算的紧缩，这也就意味着企业需要以更低的投入实现更高的信息价值，那么大数据就能从这个角度发挥作用。而另一方面，当IT基础设施和技术日新月异之时，全球经济形势的不断变化之际，不同行业的企业都正在逐步提高对于数据中心经济性和有效性的重视。在亟待优先解决的IT问题千头万绪的情况下，在大数据价值日益凸显的背景下，企业需要首先提高数据中心的成本效益，以满足不断变化的业务需求，加大大数据的应用和相关基础设施的构建，满足对于大数据环境下数据中心高性能、高可扩展性、高安全性和高可用性的要求。
需要强大的后台支撑
所谓大数据，最为核心的就要看对于大量数据的核心分析能力。但是，大数据核心分析能力的影响不仅存在于数据管理策略、数据可视化与分析能力等方面，从根本上也对数据中心IT基础设施架构甚至机房设计原则等提出了更高的要求。传统的数据库在应对大数据这个议题时会面临性价比的问题。
大量非结构化数据带来的是数据量爆发式的增长，对存储容量、传输速率、计算速度等要求更高，因此企业必须考虑更具性价比的计算和存储方式。为了达到快速高效的处理大量数据的能力，整个IT基础设施需要进行整体优化设计，应充分考量后台数据中心的高节能性、高稳定性、高安全性、高可扩展性、高度冗余，基础设施建设这五个方面，同时更需要解决大规模节点数的数据中心的部署、高速内部网络的构建、机房散热以及强大的数据备份等问题。只有构建好这样的一个强大的后台支持，大数据应用才能保证正常运转。
离不开效益型数据中心的构建
随着结构化数据和非结构化数据量的持续增长，以及分析数据来源的多样化，此前存储系统的设计已经无法满足大数据应用的需要，进行大量的数据处理的计算能力也相应提高。在所有厂商中，关联紧密的存储厂商已经意识到这一点，他们开始修改基于块和文件的存储系统的架构设计以适应这些新的要求。
但是，其他方面的厂商还未积极跟进，而且面向企业的大数据数据中心更应该考虑的是运营成本和经济性。深入了解大数据应用的数据中心经济学对于提高企业的实际利润率，具有十分重要的价值。数据中心经济学能够提供一个框架，帮助IT管理者认识存储的总体拥有成本(TCO)的长期价值影响。利用数据中心经济学确定存储决策、计算资源的准确支出，将能够帮助企业系统化地持续降低成本，并更好的支持企业采用大数据技术。
更需要突破存储、性能瓶颈
大数据应用除了数据规模巨大之外，还意味着拥有庞大的文件数量。因此如何管理文件系统层累积的元数据是一个难题，处理不当的话会影响到系统的扩展能力和性能，而传统的NAS系统就存在这一瓶颈。所幸的是，基于对象的存储架构就不存在这个问题，它可以在一个系统中管理十亿级别的文件数量，而且还不会像传统存储一样遭遇元数据管理的困扰。基于对象的存储系统还具有广域扩展能力，可以在多个不同的地点部署并组成一个跨区域的大型存储基础架构。
此外，大数据应用还存在实时性的问题，特别是涉及到与网上交易或者金融类相关的应用。比如，网络成衣销售行业的在线广告推广服务需要实时的对客户的浏览记录进行分析，并准确的进行广告投放。这就要求存储系统在必须能够支持上述特性同时保持较高的响应速度，因为响应延迟的结果是系统会推送“过期”的广告内容给客户。这种场景下，Scale-out架构的存储系统就可以发挥出优势，因为它的每一个节点都具有处理和互联组件，在增加容量的同时处理能力也可以同步增长。而基于对象的存储系统则能够支持并发的数据流，从而进一步提高数据吞吐量。
大数据是一个朝阳产业，并且将推动数据中心基础设施及相关软件的爆发式增长，企业部署的数据中心环境也需做出相应的变革与创新。
虽然有很多“大数据”应用环境需要较高的IOPS性能，比如HPC高性能计算，但是整体来看，大数据环境的构建并不是遥不可及的事情。正如它改变了传统IT环境一样，大数据将在各方面力量的推动下也将茁壮成长。为了迎接这些挑战，服务器、存储系统、服务、大数据技术软件以及整个产业都已经蓄势待发，未来也必将蓬勃发展。
