什麼是結構化資料？
結構化資料是具有標準化格式的資料，可讓軟體和人類有效存取。其通常為由直欄和橫列構成的表格，能夠清楚定義資料屬性。電腦可以有效處理結構化資料 (因其定量本質) 以提供深入見解。例如，包含直欄 (名稱、地址和電話號碼) 的結構化客戶資料表可以提供深入見解，像是客戶總數和附客戶人數最大值的地區。相比之下，非結構化資料 (例如社交媒體文章清單) 在分析上較具挑戰性。
結構化資料有哪些特徵？
以下是結構化資料的一些特徵和範例。
可定義的屬性
結構化資料的所有資料值都具有相同的屬性。 例如，每條預訂記錄都可以具有以下屬性：預訂名稱、活動名稱、活動日期和預訂金額。
關聯式屬性
結構化資料表具有將不同資料集連結在一起的公共值。例如，您可以使用客戶 ID 和預訂 ID 欄位，將客戶資料與預訂資料建立關聯。因此，您可以方便地將結構化資料存放在關聯式資料庫中。
定量資料
結構化資料非常適合數學分析。例如，您可以計算和測量屬性的頻率，並對數位資料執行數學運算。
儲存
您可以將結構化資料存放在關聯式資料庫中，並使用結構化查詢語言 (SQL) 對其進行管理。SQL 可讓您定義稱為結構描述的資料模型，您可以在該模型下為您的資料確定預設規則，例如欄位、格式和值。然後，您可以將結構化資料存放在資料倉儲，或採用其他關聯式資料庫技術。
結構化資料範例
以下是結構化資料系統的範例：
- Excel 檔案
- SQL 資料庫
- 銷售點資料
- Web 表單結果
- 搜尋引擎最佳化 (SEO) 標籤
- 產品目錄
- 庫存控制
- 預訂系統
結構化資料有哪些優勢？
使用結構化資料具有若干優勢。
易於使用
任何人都可以快速理解和存取結構化資料。更新和修改結構化資料等操作非常簡單。儲存是高效的，因為可以針對資料值配置固定長度的儲存單元。
可擴展性
結構化資料依演算法擴展。隨著資料量的增加，您可以增加儲存和處理能力。處理結構化資料的現代系統可擴展至數千 TB 的資料。
分析
機器學習演算法可分析結構化資料，並識別商業智慧的常見模式。您可以使用結構化查詢語言 (SQL) 產生報告，以及修改和維護資料。結構化資料對於大數據分析也很有用。
結構化資料有哪些挑戰？
雖然將結構化資料用於業務有諸多優勢，但也存在一些挑戰。
用途有限
預先定義的結構是一項優勢，但也可能是一個挑戰。結構化資料只能用於其預期用途。例如，預訂資料可為您提供有關預訂系統財務和預訂受歡迎程度的資訊。但它無法透露哪些行銷活動在沒有進一步修改的情況下，更有效地帶來了更多預訂。如果您需要額外的洞察，則必須將行銷活動相關資料新增至您的預訂中。
缺乏靈活性
隨著環境的變化和新的關係或需求的出現，變更結構化資料的結構描述可能成本高昂且資源密集。
結構化資料與非結構化資料有何不同？
非結構化資料是沒有固定資料模型的資訊，或者尚未以預先定義方式排序的資料。以下是非結構化資料的常見範例：
- 文字檔案
- 影片檔案
- 報告
- 電子郵件
- 影像
企業正在以指數級速率建立資料，而絕大多數資料 (80-90% 之間) 為非結構化資料。由於它是定性資料，因此需要不同的技術和策略才能進行有效分析。例如，您將非結構化資料存放在 NoSQL 資料庫和資料湖中。
結構化資料與非結構化資料之間存在許多關鍵差異。
易於分析
結構化資料其中一項優勢是，人員和電腦程式都能分析資訊。企業可以使用眾多工具來分析其結構化資料，這些工具擅長提供洞察和商業智慧。分析沒有預先定義資料模型的資料要困難得多，而且市場上能夠做到這一點的成熟工具要少得多。
可搜尋性
結構化資料易於搜尋，因為它遵循許多預先定義的規則。相比之下，非結構化資料缺乏使用傳統資料挖掘技術獲得業務洞察所需的順序。搜尋和分析非結構化資料需要高水準的專業知識和進階分析工具，例如自然語言處理和文字挖掘。
儲存
鑑於絕大多數資料為非結構化資料，企業需要更多資金、空間和資源來儲存。相比之下，結構化資料的儲存程序更為精簡。結構化和非結構化資料通常存放在不同的環境中，例如資料倉儲和資料湖。
資料倉儲
結構化資料通常存放在資料倉儲中，這可充當企業資料的中央儲存庫。資料倉儲從多個結構化來源中提取資料，包括資料庫和交易系統。其主要用於資料儲存，但也被企業用於分析資料和開發商業智慧。其還可支援數百個業務使用者的大規模資料分析。
資料湖
資料湖是用於存放原始非結構化資料的中央儲存庫。資料湖能夠大規模存放非結構化資料。對於每天產生大量資料的許多現代企業來說，它們是必不可少的。資料湖可存放業務應用程式的關聯式資料，以及行動應用程式、物聯網 (IoT) 裝置和社交媒體的非關聯式資料。
結構化、半結構化與非結構化資料之間有何不同？
半結構化資料介於結構化資料與非結構化資料之間。半結構化資料不能被視為完全結構化資料，因為它缺少特定的關聯式或表格資料模型。儘管如此，它確實包含可分析的中繼資料，例如標籤和其他標記。
相較於非結構化資料，半結構化資料被認為更容易從中獲取資訊和洞察。不過，它不像結構化資料那樣具有資訊的完整性，以及對預先定義資料模型的遵守。
以下是半結構化資料的常見範例：
- JSON
- XML
- Web 檔案
- 電子郵件
- 壓縮檔案
AWS 如何協助處理結構化資料？
您可以使用 Amazon Relational Database Service (Amazon RDS)，在幾秒鐘內設定、操作和擴展關聯式資料庫。它是受管服務的集合，可以使用 AWS Outposts 在內部部署進行管理。包含以下服務：
- 與 MySQL 相容的 Amazon Aurora
- 與 PostgreSQL 相容的 Amazon Aurora
- Amazon RDS for MySQL
- Amazon RDS for MariaDB
- Amazon RDS for PostgreSQL
- Amazon RDS for Oracle
- Amazon RDS for SQL Server
您可以建置 Web 和行動應用程式，移至受管資料庫，提高現有資料庫的效率，並擺脫舊式資料庫的束縛。
以下是您可以使用 Amazon RDS 執行的其他操作：
- 無須重新架構應用程式即可遷移
- 花更少的時間管理資料庫
- 削減資本和營運支出
- 專注創新
立即開始 AWS 免費試用，加入數百家使用 Amazon RDS 的企業客戶行列。
