本节书摘来自异步社区《微软System Center 2012 R2私有云部署实战》一书中的第1章，第1.1节,作者： 九叔 更多章节内容可以访问云栖社区“异步社区”公众号查看。
第一章 微软私有云概述
微软私有云解决方案是在软件层面使用Windows Server 2012 R2和System Center 2012 R2进行构建的，提供了企业对虚拟化、集中服务器管理、应用程序部署、自动化等功能的深入探索，使用户将精力从运维上解放出来，进而更集中地去处理业务和提升业务价值。
这种组合通过Windows Server 2012 R2作为底层虚拟化架构，并以System Center 2012 R2进行深度的整合、管理、运维，从而完成单一的虚拟化向私有云的转变。本章将介绍大数据、云计算、私有云以及微软私有云这几个重要概念以及它们之间的联系，方便读者理解接下来的章节。
1.1 大数据
1.1.1 大数据的定义
作为最火的IT名词之一，“大数据”渐渐走入众人视界。大数据（Big Data），指的是所涉及的资料数据量巨大，已经无法通过主流软件工具，在合理时间内完成处理并进行商业价值转换的信息。
1.1.2 大数据的4V
当然，数据不仅仅是量够“大”就能称得上是“大数据”。尽管大数据拥有多种形式，但有四个特征已经得到公认：
数据体量巨大，原始数据从TB级上升至PB；
数据类型繁多，不仅仅包含文字、视频、音乐，只要能够通过分析得到价值，均在其范畴内；
价值密度低，商业价值高。以网站的PV、UV的详细数据为例，单一的原始数据并没有价值，同时计算该数据需要多次重复运算，但最终得到的结果商业价值较高；
处理速度快，符合1秒定律。最后这一点和传统的数据挖掘技术有着本质的不同。业界将其归纳为4个“V”——Volume、Variety、Value、Velocity。
1.1.3 数据清洗
大数据的根基是海量数据，但海量数据仅仅是原始数据，数据清洗是分析大数据时首先要做的工作，如“微软大厦 中关村”“海淀区丹棱街5号”“丹棱街5号微软大厦”，这些信息均代表一个物理位置，在进行海量数据分析之前，将这些似是而非的信息标准化，是得出正确分析结果的基石。事实上我们面临的不是一些简单的文字方面的整合，如果地名存在于数据库中，显然是非常容易重新排列的。但假如重要信息是在一个Word文件中、PDF文件中，甚至是一张图片中呢？数据清洗的工作远没有我们想象的那么简单。
1.1.4 大数据的商业价值
什么是大数据，大数据能为我们做什么？
某电商通过分析，发现某些特殊商品在早上10点至11点成交量要超过晚上7点以后，同时在成交时间段内，北京国贸地区的用户购买人次明显超越其他地区。于此，企业可以对下一步在百度投放广告的时间段和力度进行一个优化组合。很明显，同样的广告预算费用，集中在可以预见的购物高峰时段中，更容易促进成单。
我们在公交站等车，每辆车在早晚高峰途经哪些写字楼、商圈、厂房，这些人集中在哪里上车、哪里下车，公交车中播放什么广告更容易让用户感兴趣？广告商联系哪些广告主更容易成单？
这些问题的结果可能都是短短的几句话，几行字，但获得这些结果，却都需要对海量数据进行计算。由于这些数据都存在一定的实效性，因此对于运算速度，大数据对基础架构提出了永无止尽的要求：更快！
在EMC的《大数据：战略.技术.实践》一书中，提到过一个非常有意思的行业应用案例：奥巴马的数据科学团队通过收集选民、筹款人、媒体等资料，将它们统一成一个整体并进行分析。这不仅仅是一个数据的加减法，还细致到了类似于投票团队可能对哪些信息感兴趣，容易被哪些内容所说服，哪些人会进行捐赠，以及倾向何种捐赠方式。通过对大数据的分析，工作人员的效率得以显著提升，并得到了更精准的回报。
大数据之所以被众人追捧，恰恰是因为其蕴含直观的商业价值。在资本的力量面前，银行、金融、通信、房产这些传统企业更容易踏入大数据的行列，并且从大数据中获利。当某个新楼盘即将进入规划行列时，通过多种渠道的数据分析，决策层能够发现用户是否愿意在目标地区置业，能够接受的价位区间是多少，对周边的配套设施需求又有多少。以往深思熟虑才能得到的结果通过大数据将无序的信息织成一张网，帮助用户连接到了最终的答案。
