Cloud Customer Architecture for Big Data and Analytics Version 0

Healthcare 
and life 
sciences 
10 
Summary of genomics 
Develop highly confident characterization of whole 
human genomes as reference materials to offer 
targeted care. 
Government 
11 
Census Bureau 
Statistical Survey 
response improvement
Increase quality and reduce the cost of field surveys, 
even though survey responses are declining. 
All of the use cases above deal with large volumes, velocities, and varieties of data. The following table 
addresses other functional capabilities expected from an analytics solution. 
Requirement area 
Description 
Data sources 
The analytics solution must support: 
•
A wide variety of data sources and formats (such as csv, text, 
XML, JSON, images, and other formats),
•
A wide variety of data sizes (for example, data sets that may be 
very large) 
•
The rate of growth 
•
The processing of data at rest (stored) or in motion (in memory) 
The appropriate mechanisms for accessing data located in the data 
sources and delivering data to the data sources are dependent on the 
capabilities, capacity, and interfaces offered by these data sources. In 
practice, an analytics solution needs a range of data integration and 
provisioning capabilities to connect to the required data sources. 
Data quality
The analytics solution must provide capabilities for cleansing, quality 
checking, pre-analytic processing, and more. 
Data transformation 
The analytics solution must be able to convert data from one format to 
another. The solution must also be able to correlate and match data 
from different sources for use by deployed analytics and other 
applications. 
Capability infrastructure 
The cloud provider should supply the tools to process data sets. These 
include platform tools that enable connectivity, load balancing, routing, 
and the like, or hardware resources such as suitable storage, compute, 
and networking. 

---

Copyright © 2017 Cloud Standards Customer Council 
Page 21 
Information Management 
The cloud provider must provide multiple levels of data protection, data 
encryption, compliance rules, processes, and audit trails to meet privacy, 
sovereignty, and Intellectual Property (IP) protection guidelines for 
organizations in different industries. 
Self-service discovery and 
exploration of data 
The analytics solution must provide web-based, self-service analytics 
tools with capabilities like data exploration, discovery, ad-hoc Business 
Intelligence (BI) queries, and so. This empowers users to gain deeper 
insight from all kinds of data without imposing the need to explicitly 
define and maintain schemas. 
Analytic model management The analytics solution must offer a centralized repository for storing 
analytic models, so you can create, manage, validate, administer, and 
monitor analytic models. 
Analytics deployment 
management and operation 
The analytics solution must provide tools to develop, validate, combine 
multiple models, deploy, and retire analytic models, including the audit 
trail for model management, version control, and address model decay. 
Metadata management 
The analytics solution must provide end-to-end process, tools, and 
governance framework for creating, controlling, enhancing, attributing, 
defining, and managing a metadata schema, model, or other structured 
aggregation system. 
Repository management 
The analytics solution must support data modeling, data warehousing, 
data repositories, data integration, collections, and archiving. 
Information visualization 
The analytics solution must provide interactive graphical tools to explore 
and view data from all parts of the analytics solution. 
Information governance 
The analytics solution must support the policies, procedures, and 
controls that are implemented to manage information at an enterprise 
level in support of all relevant regulatory, legal, and risk requirements. 

---

Copyright © 2017 Cloud Standards Customer Council 
Page 22