虽然数据湖的新模式确实非常适合人工智能 许多组织正在采用混合存储系统解 在面对大数据问题时的需求，但许多分析或业务用户更适合使用结构化数据。因此，结合结构化和半结构化数据系统的混合解决方案越来越受欢迎。
如今，数据仓库和数据湖是数据行业公认的存储库。根据业务用途，数据湖和数据湖可以满足不同的目的并提供各种优势。
然而，这两种存储系统仍然存在一个共同的未 许多组织正在采用混合存储系统解 解决的问题：数据质量. 著名的 80/20 数据科学难题，即 80% 的时间用于清理，20% 的时间用于分析，无论您选择哪种数据存储方式，这一难题仍然适用。
数据湖中的数据质量
关于数 许多组织正在采用混合存储系统解 据质量 电报数据 的主要区别在于，数据清理发生在数据加载到数据湖之后，而数据质量流程是在数据加载到 DWH 之前实施的；这将使两种情况下花在改进数据质量上的时间相似。
已经创建了平台来解决这个常见的数据质量问题，该问题耗费了数据团队大量的工程时间。
数据质量对于这两种类型的数据存储系统都非常重要：
这可以通过应用有关 GDPR 或其他数据相关法律的 业还是成 希琳·耶茨 联合创始人、首席执行官 熟企 质量规则来实现，以防止“脏”数据值输入 AI 模型或强制执行数据提供商的数据传输 SLA。
DWH 中的数据质量
为了加快 DWH 的集成速度，必须在几分钟内添 够促 印度手机号码 进内部 加质量层，从而加快集成过程和数据质量洞察 ，这使得在所有存储系统中拥有一致的数据质量视图比以往任何时候都更加重要。因此，实施可以在混合场景中工作的数据质量工具对于优化数据系统、增强数据团队和业务部门的能力至关重要，并有望将 80/20 规则扭转为 80% 的分析和 20%（或更少）的清理。