有鉴于此：Gartner如何解读LDW？

Gartnar在这篇文章中有强调：在对LDW解决方案路径进行包装时，下述三个能力通常是并行执行的路径，整个过程通过不断迭代达到系统的能力扩展。这三个能力分别是：

DW（数据仓库流）：此流归属于平台能力。构建高性能数据仓库，不仅承载数据模型、自动化测试和报表应用，更要提供的并发混合负载的分析支撑。

首先一个关键内容是它定义了“架构”概念。在早期的IT支撑系统中，软件设计并非存在架构概念，软件功能大多采用一个个孤立的“系统”所呈现，也并非存在什么“模块化”设计理念，各系统能力孤立、功能重复、代码重叠，这限制了扩展性和升级维护，所以逐渐的才有“软件架构”一词。具体到DW能力范畴内就定义了数据如何采集、如何清洗转换、如何加工计算、如何分析查询等诸多能力。

再有就是DW的自动化测试能力，DW应支持以内建工作区的方式快速测试某查询语句的执行效果，体现其灵活便捷性。DW中最为关键的核心能力就是开发并构建数据模型的能力，由于早期存储系统大多采用关系型数据库支撑，库表间的关系多为E-R图所联系，提供了表示实体类型、属性和联系的方法，用来描述现实世界的概念模型。可以说，结合Ralph Kimball和Bill Inmon的数据仓库设计和架构思想，基于ER模型的DW多为建模是精髓。

与大数据平台类似，DW同样秉承构建平台的理念。去“IOE”时代之前，数据仓库较好的支撑企业分析型业务（报表、KPI、即席查询、复杂分析等），随着时间推移客户在扩容、系统在庞大，逐渐构建起了一个又一个DW平台（如Oracle、DB2、Teradata等），这些DW系统已经发展健壮并呈现平台之势。最后就是数据开发和报表支撑，这个能力无需多讲，别说是DW，就算是mysql/postgreSQL这样的数据库也应具备该能力。

AGILE（敏捷开发和自服务流）：此流归属于使用能力。灵敏的架构促进自服务工作协同，面向最终用户提供灵敏开发和自服务能力。

作为该项能力，首当其冲的就是建立一个敏捷开发架构，就像互联网企业“小步快跑、不断迭代”的程序开发思路，AGILE需要通过这种能力，让更多的LDW使用者受益于平台所提供的敏捷架构，帮助其打造微服务架构，助力业务蓬勃发展。

在自服务方面，涉及作业任务、数据探索集成、敏捷开发等多项功能，帮助开发者和用户构建一个良好的LDW生态环境。

LAKE（数据湖流）：此流归属于平台能力。通过构建超大规模非结构化处理系统，支撑企业级ETL和数据沙箱；

LAKE的能力是近几年大数据的焦点内容，如Data Lake就是LAKE的一种延伸，而Analytical Lake则是另一种延伸。需要强调的是Data Lake并非表示一种技术，而代表的是一种数据存储或加工形态。今天的大数据平台想必少不了Data Lake的技术支撑，如Hadoop生态系统。

LAKE中还需支持数据获取域的ETL能力，但今天的ETL绝不仅局限于数据预处理（清洗、转换和加载）等能力，而更多的则是面向大数据平台，支撑企业级的数据交换。企业大数据环境的所有系统交互、所有数据流向都需要ETL交换平台的辅助，目的就是要做到基础数据的下沉（面向于DW），减轻仓库压力。而且为了支撑不同时效性的业务响应，ETL当然也有离线与实时之分，这样的能力才可供大数据能力构建。

在数据安全方面，LAKE承载数据量大、数据类型多、数据存储周期长、甚至数据管控也是重大问题，所以数据安全的保障就要提升到新的高度，运用各种技术（加/解密、脱敏、访问列表、权限控制）等手段保障LDW的数据安全。在大数据领域，经常听到有能力开放平台的概念，这里面涉及资源开放、服务开放和数据开放。把这种能力提供给平台开发者，数据沙箱就是个不错的选择。最后还有一种能力就是数据科学的探索，更偏向于AI领域的技术支撑，这里不做更多阐述。

1、包括三种能力（DW、AGILE和LAKE），DW和LAKE所呈现的是一种平台能力，而AGILE仅是使用能力；

2、平台能力的解读非常重要，它的诠释似乎也印证了为什么今天的大数据平台都采用了混搭架构。

基于LDW体系架构的关键能力，四种颜色就不依次介绍了，挑一些重点理解加以阐述。

1、整个体系架构自底向上，全部面向于企业战略和业务处理，由此可见再多的技术、再炫的新词也不过是为了“一时炒作”，支撑业务才是硬道理；而且元数据管理、数据治理和数据安全等能力将长期伴随着平台的发展。

2、“黄色图示”更多体现于数据分析、业务探索、可视化展现等能力，平台虽然整合了数据、也汇集了”流量“，也不论今天的平台是本地还是云，终将以支撑分析并服务于业务而持续发展。

3、大数据时代，数据采集和获取是关键。一个大数据生态里的小小的前置步骤，却代表了平台的规模容量、牵动着各业务部门的数据利益、也记录了大数据时代的发展。