数据架构利用数据服务和 API，将来自原有系统、数据湖、数据仓库、sql 数据库和应用程序的数据汇集在一起，提供对业务绩效的整体视图。 与这些单独的数据存储系统相比，数据架构旨在为整个数据环境带来更大的流动性，应对数据存放和处理位置问题 - 数据量增长会提高迁移的难度。 数据架构消除数据迁移、转换和集成中技术复杂性的抽象意义，让整个企业都可以使用数据。

数据结构架构围绕平台中的数据与需要它的应用程序松散耦合的想法进行操作。 一个多云环境中的数据架构示例是，一种云（如 AWS）管理数据采集，另一个平台（如 Azure）负责监督数据转换和使用。 然后可能有第三个供应商（如 IBM Cloud Pak for Data）来提供分析服务。 数据架构将这些环境连接在一起，可以创建统一的数据视图。

以上只是一个示例。 由于不同企业有不同需求，因此没有唯一的数据架构。 不同企业有不同数量的云提供商，实施的数据基础架构也不尽相同。 但使用这种数据框架的企业，其架构具有共性，这是数据架构独有的特点。 Forrester（链接位于 ibm.com 外部）在"企业数据架构支持 DataOps"报告中描述了数据架构的六个基本组件。 这六层包括以下内容：

1. 数据管理层：该层负责数据监管和数据安全。
   
2. 数据采集层：开始汇总云数据，寻找结构化和非结构化数据之间的联系。
   
3. 数据处理层：细化数据，以确保提取数据时只出现相关数据。
4. 数据编排层：为数据架构执行一些最重要的工作 - 转换、集成和清理数据，供企业内部团队使用。
   
5. 数据发现层：为集成不同数据源的数据提供新机会。 例如，它可能找到在供应链数据市场和客户关系管理数据系统中连接数据的方法，为客户提供产品提供新的机会或提高客户满意度的方法。
   
6. 数据访问层：允许使用数据，确保一些团队拥有正确的权限，以遵守政府法规要求。 此外，这一层还使用仪表板和其他数据可视化工具帮助发现相关数据。 
   

随着数据架构提供商逐渐获得更高的市场采用率，Gartner（链接位于 ibm.com 外部）具体注意到数据架构对效率的积极作用，称它可以将"集成设计时间减少 30%，部署时间减少 30%，维护时间减少 70%。" 数据架构可以明显提高整体生产率，以下优势也可向采用者证明其商业价值：

• 智能集成：数据架构利用语义知识图谱、元数据管理和机器学习，统一不同数据类型和终端的数据。 这可以帮助数据管理团队汇集相关数据集，以及将全新的数据源集成到企业的数据生态系统中。 此功能可完全实现数据工作负载管理自动化，从而提升效率，还有助于消除数据系统中的数据孤岛，集中数据治理实践，以及提高整体数据质量。
• 数据民主化：数据架构可促进自助式应用，将数据访问范围扩大至更多的技术资源，例如数据工程师、开发人员和数据分析团队。 数据瓶颈的减少会提高生产率，使业务用户快速做出业务决策，并让技术用户优先执行可以更好地利用其技能集的任务。
  
• 更好的数据保护：扩大数据访问的范围并不意味着在数据安全和隐私措施上妥协。 实际上意味着围绕访问控制设置更多的数据治理护栏，以确保特定数据仅供特定角色使用。 数据架构还允许技术和安全团队围绕敏感和专有数据实施数据屏蔽与加密，进而减少数据共享和系统泄露数据的风险。 
  

数据架构在采用方面仍处于起步阶段，但其数据集成功能有助于企业发现数据，进而处理各种用例。 数据架构处理的用例可能与其他数据产品没有很大区别，其差异化优势表现在消除数据孤岛时可达到的范围和规模。 通过跨各种数据源的集成，企业及其数据科学家可以创建整体客户视图，对银行客户尤其有帮助。 数据架构的具体用途：

• 客户资料、
  
• 欺诈识别、
  
• 预防性维护分析和
  
• 复工风险模型等。