2022年Gartner云数据库管理系统魔力象限

• 产品组合的广度和纵向存在：阿里云为运营、分析、多模式和实时用例提供广泛的 DBMS。结合其云基础设施、人工智能和SaaS解决方案，阿里云在金融、零售、物流、游戏、汽车等多个行业都取得了成功。

• 久经考验的高性能：PolarDB 以其处理极高并发性和弹性用例的能力而闻名。阿里云已经为此功能交付了许多经过验证的成果，无论是在内部（例如 11 月的“双十一”全球购物节）还是在外部针对游戏和零售客户。

• 业务可行性：按市场份额计算，阿里云是中国和亚洲最大的云服务提供商，按收入计算是全球第四大云服务提供商。其云DBMS业务高速增长。随着阿里巴巴集团对企业业务和基础技术创新的持续关注，组织可以期待 DBMS 的可持续产品发展和服务增强。

• 欧洲和北美增长有限：阿里云在中国和亚太及日本地区以外的业务没有取得突破性进展，尤其是在北美和欧洲。它计划更积极地探索全球业务，例如通过扩大其合作伙伴生态系统和本地服务团队。

• 地缘政治逆风：虽然显然不是它可以控制的，但总体地缘政治紧张局势仍然很高，客观上影响了阿里云的全球业务扩张。这通常表现为来自西方客户的数据安全问题或全球可行性问题。

• 客户服务：Gartner 的查询服务客户在遇到 DBMS 操作问题时报告了来自阿里云客户服务的负面体验。Gartner 预计阿里云将提高服务质量以及 DBMS 管理工具的可用性，以提高其客户满意度。

• 领先的市场地位：按收入计算，AWS 是全球最大的云数据库服务提供商，在推出这些服务中的第一项后仅十年就达到了这一领先地位。AWS 拥有支持其领先地位的底层基础设施，并拥有业内最大的生产用户群。

• 服务范围：AWS 信奉最佳匹配理念，根据各种应用程序和微服务的需要，提供针对特定用例的多项服务。这种关注导致了十几种数据库管理服务的开发。总的来说，这些服务提供了一组无与伦比的功能。

• 集成路线图的进展：AWS 路线图已更改为提供解决方案，这些解决方案将在堆栈的多个级别集成其丰富的服务和 AWS 之外的世界。AWS 只专注于自己的平台的趋势在过去是不利的，但其改变的方向是直接解决这一问题，将其转化为优势。

• 以 AWS 为中心的焦点：AWS 传统上不关心其云之外的数据。但是，随着多云成为企业的标准，无论其对各个业务部门的必要性如何，AWS 传统上缺乏对数据生态系统中非 AWS 系统的关注，这可能是关注当前产品堆栈的客户所关心的问题。

• 服务集成：AWS 对数据库服务采用最适合的方法，这使其能够为不同类型的用例提供有针对性的解决方案。但多项服务也需要整合这些服务，因此 AWS 必须提供更强大的解决方案，将不同的服务整合到其当前产品中。

• 设置和管理的复杂性：AWS 产品可能很复杂，以保持所有部分同步协同工作，尤其是在初始设置中。然而，AWS 的目标是提供市场上最好的工具箱，并采用最适合的方法来实现灵活性。

• 持续的开源创新：Cloudera 已将 Apache Iceberg 添加到其 30 多个开源组件的产品组合中，例如 Apache Hive、Impala、HBase、Phoenix、OMID、Spark、Flink 和 Kafka。它的单一二进制文件集和通用的 Kubernetes 抽象正在增强其交付可移植、混合和多云容器化平台的能力。

• 云迁移进展：Cloudera 声称其 2,000 多个本地客户中有超过 50% 已经完成了向云的迁移，其中许多部署都得到了显着扩展。它引入了 CDP One，这是一种 SaaS 实施，旨在利用其对 Cazena 和 Data Coral 的收购来提高其易用性，正在吸引新的知名客户。

• 成熟的行业市场拓展：Cloudera 专注于为关键的垂直市场发展关系、合作伙伴关系和内容，提供针对特定变革性业务用例的产品和模板。其应用的机器学习原型使客户能够专注于将解决方案部署到生产中，而不是关注复杂的工程细节，从而更容易采用。

• 客户满意度挑战：来自客户的查询输入显示 Cloudera 的客户强调在响应支持问题和其他报告的技术问题方面存在困难。随着最近版本的推出，这些挑战似乎有所缓解，但鉴于核心产品的复杂性，它们仍然是一个问题。

• 竞争环境：所有 CSP 都提供与 Cloudera 产品竞争的替代方案。这是所有 ISV 的生活事实，即使在有效的合作伙伴关系与竞争共存的情况下也是如此。一些客户在查询中指出，使用多个平台仍然会导致使用报告和工作负载管理变得复杂。Cloudera 对多云和混合运营的高度关注是一项有效的竞争战略，需要 Cloudera 持续努力。

• 运营用例滞后：Cloudera CDP 在运营用例中的应用较少，因为事务工作负载的基础 Apache HBase 历来未针对高速、大容量多用户事务场景进行优化。Cloudera 最近集成 Apache Phoenix 和 Apache OMID 的意识尚未反映在客户查询中。更广泛的采用需要时间。

• 分布式事务创新：Cockroach Labs 是分布式事务 DBMS 技术的先驱之一，旨在解决高可扩展性、高可用性和地理分散数据操作的需求。它在该领域的不断创新和传播使其成为传统操作型 DBMS 的新兴挑战者。

• 云功能的演变：Cockroach Labs 不断发展其云原生功能，包括基于消费的定价和资源优化。在复杂的基础架构环境中选择与云无关的事务数据库时，这使其成为潜在的可靠候选者。

• 客户体验：Gartner 客户高度评价 Cockroach Labs 在售前和售后客户服务期间与用户的专业和主动互动，这有助于建立和维持牢固的客户关系。

• 来自其他供应商的竞争：近年来，来自美国和中国的 CSP 和新的 DBMS 供应商都开始提供分布式事务 DBMS。Cockroach Labs 需要应对这种激烈的竞争，以在该市场保持竞争力。

• 实施技能要求：由于 CockroachDB 的分布式特性，需要额外的专业知识才能实现其声称的优势并确保稳定的性能，这被一些 Gartner 客户报告为一个问题。该公司的 DBaaS 产品最近进行了一些创新，以消除这些运营负担。

• 缺乏垂直生态系统：Cockroach Labs 尚未将重点放在垂直解决方案和合作伙伴关系上。许多客户缺乏垂直服务提供商或应用程序供应商来帮助他们在 CockroachDB 上构建行业应用程序。这阻碍了数据和分析领导者更直接的认可。

• 在线和离线功能：除了基于文档的多模型数据库方法外，Couchbase 还将自己定位为移动和边缘领域的领先者，允许与边缘数据存储同步，即使它们不定期连接到中央服务。Couchbase 在其针对该领域的点对点同步产品方面是独一无二的。出于这个原因，Couchbase 对移动应用程序的支持也非常强大。

• 多模型方法的灵活性：凭借其作为内存优先文档数据库的传统，Couchbase 支持许多不同类型的数据库存储和操作，包括 JSON、键值、搜索、SQL、事件、分析和地理空间。

• 开发人员主导的方法：Couchbase 吸引喜欢基于文档的方法的灵活性的开发人员。虽然这缩小了其整体市场，但它是少数专注于该领域的竞争对手之一。

• 市场意识：Couchbase 在市场意识方面落后于其他文档数据库。与其他类似供应商相比，过去两年中 Gartner 客户对 Couchbase 的咨询要少得多。

• 缺少一些功能：Couchbase 使用基于规则的优化器进行分析，不提供数据虚拟化，这将允许透明访问其他 DBMS。因此，Couchbase 不像许多其他供应商那样支持逻辑数据仓库和数据湖用例。

• 支持评分低：Gartner 的 Peer Insight 评论显示 Couchbase 是魔力象限供应商中支持评分最低的公司之一。这可能是由于该细分市场中产品的性质所致。无论如何，这是 Couchbase 可以改进的领域。

• Lakehouse 概念和实施：Databricks 是 lakehouse 概念的主要支持者，其中数据湖中的数据存储在与用于数据仓库用例的数据相同的存储库中。鉴于 lakehouse 的简单性和支持多云部署的能力，市场对这种融合架构反应热烈。

• 开放性：Databricks 在其产品的几乎所有部分都相信开放性。Delta Lake 是开源的 Lakehouse 存储格式，无论计算平台如何，都可以透明访问。Unity Catalog 对任何客户端或通过 Delta Sharing 实施数据治理，Delta Sharing 是在各种平台之间交换大型数据集的开放协议。Databricks 的开放理念作为防止专有锁定的保护措施，在现在和未来都能带来好处。

• Unity Catalog 和 Delta Live Tables 的愿景：Unity Catalog 或 Delta Live Tables 提供了一个强大的愿景，这将有助于迁移到数据生态系统。他们为元数据目录、虚拟化数据访问以及不断发展的 ETL 和治理需求提供创新和高效的方法。

• 相对较新的关系功能：Lakehouse 架构在数据湖存储之上提供关系功能。鉴于此架构相对较新，客户和潜在客户应确保 Databricks 适当地满足他们强大的关系需求。

• 对 Lakehouse 空间的竞争日益激烈：随着 Lakehouse 概念越来越受欢迎，其他供应商纷纷争先恐后地开发他们自己的这种架构版本。由于架构的基础——结合数据仓库、数据湖和语义层——多年来一直在逻辑数据仓库中，因此 lakehouse 的先发优势不再是一个明显的差异化因素。

• Production Versus Preview：Databricks 的一些关键功能，例如它的 Unity Catalog，在撰写本文时处于预览状态。客户应确保其生产需求所需的任何功能均已普遍可用。

• 增加生态系统支持：谷歌对数据生态系统的支持已经扩大了其开放和统一的数据云概念，建立在之前的产品，如 BigQuery Omni、BigLake 和 Google Dataplex 的基础上。谷歌还跨引擎和用例实现了一个通用的 PostgreSQL 兼容语义访问层。这将使 AlloyDB、Cloud SQL、BigQuery 和 Cloud Spanner 都拥有一个通用的 API，从而促进统一存储上分布式引擎的愿景。

• 默认无服务器：谷歌使用无服务器方法，可以实现定价和资源流动性。虽然并非每个产品都采用这种混合方法，但 BigQuery 是一个很好的例子。这为客户提供了灵活的定价，并使谷歌在人工智能驱动的优化方面处于有利地位。

• 云基础架构和统一存储：Google Colossus 提供了一个非常强大的统一存储层，可在其上托管 Google Cloud 服务。虽然基础设施通常被认为在云中是不可见的，但谷歌基础设施和网络骨干网设计的差异可以使云服务的实施更加高效或有效。Google Cloud Spanner 的性能及其全球一致性就是一个很好的例子。Google Cloud 为 Cloud Spanner、Bigtable 和 Firestore 等产品提供行业领先的 99.999% 正常运行时间 SLA。

• Breadth of Portfolio：目前，时间序列和图形数据库等一些服务是通过与合作伙伴集成提供的，而不是由谷歌提供。它们的吸引力将取决于您的组织偏好使用集成的第三方产品还是绑定到特定云的产品。然而，谷歌正在继续扩大其产品组合中云原生服务的数量，BigLake 和 AlloyDB 就是最近的例子。

• 较小但不断增长的市场份额：与其他主要云供应商相比，谷歌目前的市场份额较低，尽管它已经在市场上建立了高增长的主要地位。评估人员应该确保他们的团队不认为谷歌主要是关于数据科学的——它的能力扩展到广泛的角色。

• 企业认知：谷歌被认为在大型企业中的影响力较小。尽管谷歌确实迟迟才涉足这一市场领域，但它现在拥有许多大型全球企业客户，他们对垂直行业解决方案和团队进行了大量投资。

• 数据管理产品和部署范围：IBM Cloud Pak for Data (CP4D) 提供了一个便携式平台，可以在公共云和私有云、本地和虚拟化环境中运行。这支持广泛的部署选项和 IBM 数据管理产品（例如其数据库、数据集成和 BI 产品）之间的预打包集成。

• 行业专业知识：IBM 在多个行业的组织和补充产品（例如其全面的现成行业数据模型）中展示存在和专业知识。这有助于 IBM 通过其专业服务或通过 IBM 服务合作伙伴处理超大型架构和项目的所有方面。

• 创新：IBM 擅长技术创新，尤其是在数据库优化、可移植性和通过数据虚拟化对数据进行分布式访问方面。IBM 还投资于量子计算等先进技术的初级研究。

• 思想份额：IBM 在云 DBMS 市场中的思想份额方面已经失去了优势。Gartner 互动表明，尽管其产品具有技术能力，但在竞争场景中它不再是首选。评估人员，尤其是具有 IBM 传统的评估人员，应确保他们使用的是最新信息。

• 战略可能令人困惑：IBM 更广泛的战略仍然令客户和潜在客户感到困惑。范围广泛的产品组合混淆了这一点，其中许多产品的功能重叠，IBM Db2 Warehouse in the Cloud 和 IBM Netezza 就是例子。以前对产品的停止启动行为增加了这种看法。然而，应该指出的是，一些采购组织重视有广泛的选择。

• 技能可用性：尽管 IBM 在云 DBMS 市场取得了两位数的增长，但它在云市场份额方面仍然落后。这可能意味着要找到有经验的从业者可能不太容易。可能需要利用 IBM 提供的广泛而深入的培训课程，采取主动的招聘和培训方法。

• 对 AI 和 ML 功能的强大支持：InterSystems 通过其嵌入式 Python 和 AutoML 功能以及对用于模型交换的预测标记建模语言 (PMML) 的支持，显着增强了其机器学习模型的数据库内处理能力。

• 医疗保健领域的持续和增强实力：Gartner 的客户查询继续表明，客户依赖 InterSystems 为关键医疗保健问题提供的支持和功能，包括对用于共享医疗保健数据的 FHIR 标准 API 的基于图形的支持。这包括向其他 DBMS 供应商提供这些功能。

• 其他行业的采用率不断提高：InterSystems 正在扩展其基于专业知识的方法，以支持金融服务和其他垂直市场的客户，利用其直接针对客户关键业务用例的能力。

• 向云迁移缓慢：正如去年指出的那样，InterSystems 迟迟未能在公共云和私有云上提供托管 dbPaaS。2021 年，通过加速推出新的云服务和行业特定的 SaaS 产品，InterSystems 与行业的云 DBMS 收入增长率相匹配。

• 技能可用性有限：客户可能很难找到熟练掌握 InterSystems IRIS 和其他 InterSystems 产品的人员。这仍然是潜在客户必须考虑的挑战。Python 支持为那些希望使用它的用户和开发人员提供熟悉的访问。

• 分析功能差距：用于分析的 InterSystems 基于列的存储尚未普遍可用。这是竞争大规模分析工作负载的关键能力；它目前处于预览状态。

• 独特地解决了集成的关键问题：MarkLogic 专注于将其数据中心实施为一种独特的数据集成方法，使其不仅可以将远程源中的数据包含在其目录中，还可以包含在用于访问数据的关键索引中。此外，用户可以在不更改任何应用程序的情况下将数据从远程源移动到 MarkLogic。集成正在成为数据生态系统面临的最重要挑战之一，因此这是 MarkLogic 的优势。

• 增强的集成和元数据处理：MarkLogic 于 2021 年 11 月收购了元数据管理软件公司 Smartlogic。通过在 Smartlogic 中添加元数据管理和信号量语义接口，MarkLogic 加深了其在目标集成领域的影响力和价值。

• 操作和分析能力的结合：MarkLogic 的根源是一个主要关注操作用例的事务文档数据库。添加更多数据功能，例如图形、关系、地理、对象和 SQL，以及其他分析操作，使 MarkLogic 成为需要将这些类型的功能组合在一起工作的用例的不错选择。

• 市场意识：虽然客户经常对产品的独特功能非常满意，但 MarkLogic 的思想份额和市场份额仍然很小。MarkLogic 在广阔的市场上并不知名。在过去的两年里，MarkLogic 在 Gartner 收到的客户咨询中所占份额不到其他云 DBMS 供应商咨询的 10%，而且 MarkLogic 获得的 Peer Insights 评论数量有限。

• 技能有限：MarkLogic 服务具有令人印象深刻的功能深度。熟练的从业者可以使用产品的功能构建惊人的功能。但这些熟练的从业者在市场上很难找到，限制了 MarkLogic 采用的潜力。

• 市场能力迎头赶上：MarkLogic 的跨数据生态系统优化集成的愿景在几年前推出时非常引人注目且独一无二。它仍然很有吸引力，但其他供应商已经开始提供他们自己的此功能版本。许多较大竞争对手的“足够好”方法可能会使 MarkLogic 的扩张更具挑战性。

• 全面的数据生态系统愿景：Microsoft Azure Synapse Analytics 包括端到端安全和元数据支持、强大的开发工具和 BI 功能，以及与第三方 ISV 产品的集成。Dataverse 的加入提供了与 Microsoft 的 Dynamics 365 系列应用程序的直接链接。这一愿景的实施仍处于早期阶段。

• 全球影响力和交付：作为领先的 CSP 和 DBMS 提供商，Microsoft 的全球影响力和广泛的行业覆盖范围使其在本地和全球范围内都具有吸引力。它可以使用本地资源支持和连接世界各地的客户和合作伙伴。金融服务、医疗保健、制造、非营利组织和零售业的行业云平台利用公司的规模为客户增加更多的上下文价值。

• 丰富的开发人员支持：Microsoft Visual Studio 为其广泛的 DBMS 引擎组合提供支持。Microsoft Power Apps 提供了一个低代码平台，用于处理 Azure SQL 和 Microsoft 的非关系旗舰 DBMS CosmosDB 中的数据，其中包括用于 MongoDB、Apache Cassandra、PostgreSQL 和 Apache Gremlin 的开源兼容 API。

• 新兴的治理能力：虽然微软 Purview 很好地补充了其数据库以提供治理，但它仍然相对较新，并且对 Dataverse 的支持不完整。数据和分析专业人员应确定哪些组件是普遍可用的，哪些组件（如数据质量和数据策略）仍处于预览阶段。

• 定价挑战：根据 Gartner 客户的反馈，定价是一个非常常见的投诉。跨越不同服务产品的复杂定价模型仍然是一个有待简化和优化的领域。

• 支持和部署挑战：在 Peer Insight 评论中，Microsoft 在服务和支持方面落后于该魔力象限中的大多数供应商。评论提到配置和安全性的复杂性、无法选择维护时段以及 Azure 和本地 SQL Server 之间的迁移困难。

• 强大的市场影响力：MongoDB 是过去十年中进入 DBMS 市场最成功的参与者之一。它在迁移到云方面非常有效。其收入在 2021 年接近 10 亿美元大关——连续第七年高于市场增长。

• 客户满意度：MongoDB 从 Gartner 客户那里收到了客户满意度方面的积极反馈。对于 Gartner Peer Insights，96% 的受访者表示他们会推荐 MongoDB——这是一个非常有力的结果，表明当用于合适的用例时，MongoDB 是一个很好的选择。

• 扩展产品愿景：MongoDB 最近宣布了提供更全面的分析支持和 SQL 功能的计划，并且在最近几年添加了许多功能来扩展文档 DBMS 模型，包括时间序列和全面改进的搜索功能，以提供多模型支持。

• 文档模型需要不同的设计：出于性能原因，MongoDB 不鼓励使用广泛的 JOIN，这对于关系用例至关重要。MongoDB 以类似 JSON 的格式存储数据，这需要一种数据建模方法，这对于习惯于使用关系数据库的设计人员和开发人员来说可能并不熟悉。

• 外部数据访问：Gartner 查询服务的一些用户和 Peer Insights 评论员指出 MongoDB 通过 CSV 和 JSON 文件对外部数据的支持很差。但是，MongoDB 可以通过插件连接到 Spark。Atlas Data Federation 于 2022 年 6 月宣布全面可用，Data Lake 功能宣布为预览版，两者都将在 AWS S3 中提供对 Parquet 文件的支持。

• 数据科学：MongoDB 不提供内置数据科学功能来支持模型、算法库或特征存储功能。这限制了它在增强交易用例中的使用。一些第三方提供使用 MongoDB 作为数据源的模型创建和执行功能。

• Graph 市场领导者：作为 Graph DBMS 的先驱开发者和传播者，Neo4j 从其开源版本开始，拥有广泛的用户和忠实客户社区。它的 Cypher 和 openCypher 属性图形查询语言被十几个其他供应商用于他们自己的图形产品。Cypher 还是图形查询语言标准的基础，目前正在 ISO/IEC 联合技术委员会的支持下开发，并以开源子集的形式提供。

• 强大的数据科学支持：Neo4j 内部支持多种常用算法，类别包括寻路和搜索、中心性和重要性、社区检测、相似性、启发式链接预测和图形嵌入。它还为外部库提供了一个 Python 客户端，一个用于接入 MLLib 等工具的 Spark 连接器以及与 AutoML 平台（包括 AWS Sagemaker 和 Google Vertex AI）的集成。

• 强大的客户满意度：内部部署产品的同行洞察评论员对 Neo4j 在集成和部署以及服务和支持方面的评价很高。图形表示和开发速度被认为是有用的特性。80% 的评论者会推荐 Neo4j。

• 成熟的云功能：AuraDB 的专业层对于云而言相对较新，与其他供应商的云产品一样，这反映在其某些产品功能中。在用于分析用例的云数据库管理系统的关键功能中，我们注意到管理资源使用和自动性能调整不及大多数竞争对手。

• 不断增长的竞争格局：许多图形 DBMS 竞争对手已经进入市场。并非所有云平台提供商都在部署自己的图形数据库。例如，除了与 AWS 和 Azure 的关系之外，Neo4j 还与谷歌云直接合作。尽管如此，整体竞争还是日趋激烈。多模型 DBMS 通常会添加图数据库功能作为其首批添加的引擎之一，客户会发现它们适用于许多早期的图项目。

• 缺乏广泛的垂直重点：Neo4j 已经采用团队方法向多个垂直市场销售，这显示了它的增长，但需要一些时间来扩大针对多个市场的产品。客户将需要评估 Neo4j 在特定行业中的比较情况。

• 增强型 DBMS 技术：Oracle DBMS 长期以来一直拥有市场上最丰富的技术集之一。在云端，它通过添加自主调优和扩展管理功能增强了自身能力，从而减少了全方位维护操作的开销。

• 混合云：几十年来，Oracle 在本地 DBMS 领域一直占据着强大的地位，如果没有大量的迁移成本，数据库部署就不容易迁移。甲骨文创建了一系列选项，包括与其云解决方案集成的本地解决方案。它还使用云作为灾难恢复解决方案，并提供强大的私有云实施。

• 定价模型：Oracle 自治数据库允许您获得基于资源的模型的价格和可预测性，以及基于消费的模型的自动可扩展性。此外，甲骨文还根据云支出金额对本地支持成本进行抵免。甲骨文的定价模型是一个真正的优势——这与许多 Gartner 客户描述甲骨文定价的方式不同。

• 对多云的有限支持：甲骨文已经采取了自己的方式在多云上使用。从历史上看，它没有在其他云上提供其主要产品，尽管它一直在寻求设计实施架构以消除跨云访问数据带来的任何不良影响，例如延迟。这种方法已在 Azure 中实施，解决方案也在不断发展以供 AWS 和谷歌使用，但专有的看法伤害了甲骨文，因为买家正在寻找多种云访问。

• 对成本的看法：正如 Gartner 客户所提到的那样，甲骨文以严格的许可条款和谈判技巧而著称，多年来已经失去了一些客户。这些做法造成的印象挥之不去，导致人们认为 Oracle 的云产品将比其他产品更昂贵。

• 增长挑战：虽然进入云的速度很慢，但甲骨文现在已经全力投入云中。但它在云世界中缺乏客户意识，正在实施大量新系统，这对它造成了伤害。尽管 Oracle 的产品和愿景接近领先，但其产品的评估频率远低于全云供应商和云服务提供商的产品。

• 实时能力：Redis 以其实时数据处理能力而闻名。它在这一领域的表现满足了组织对时间敏感用例日益增长的需求，例如零售的实时在线活动、金融机构的实时欺诈检测和制造商的工业物联网 (IIoT)。

• 多云：Redis 可用于许多著名的 CSP，包括 AWS、GCP、Microsoft Azure、阿里云和 IBM，使客户能够在它们上部署和使用 Redis。它还提供容器技术以实现跨环境的组合和可移植性。如此广泛的部署选择为处于复杂环境中的组织带来了灵活性。

• AI/ML 用例：Redis 灵活的数据结构和实时能力很好地满足了 AI 和 ML 的数据管理生命周期。它已被在线功能商店广泛采用，以补充生产化的 AI/ML 用例。

• 管理开销：在内存 DBMS 上实现实时性能需要深入了解资源管理和性能优化。Gartner 客户报告配置工具复杂且文档不足，这增加了用户的学习开销。

• 有限的 SQL 功能：Redis 的 SQL 兼容性仍然非常有限。没有非关系知识的用户想要使用 Redis 将不得不采用额外的工具，这会导致复杂的数据架构。最近，一些同时提供实时功能和 SQL 兼容性的新 DBMS 供应商正在获得市场关注，使该市场更具竞争力。

• 对额外数据存储的依赖：由于 Redis 的内存特性，一些用户仍然需要将其与现有数据存储集成，这会使系统架构复杂化，以实现全面的实时解决方案。Redis 通过数据持久化选项和 Redis on Flash (RoF) 等创新来应对这一挑战，并得到了客户的认可。

• 多云、跨云和混合云：SAP HANA Cloud 和 SAP Data Warehouse Cloud 可以部署在各种云提供商的云上：阿里巴巴、AWS、Azure 和谷歌。兼容的 SAP HANA 系统可以在本地、私有云或基础设施即服务中运行。

• 功能的完整性：SAP HANA Cloud 为同一数据库上的事务处理和分析处理提供了完整的功能。SAP Data Warehouse Cloud 提供了广泛的现代功能，例如嵌入式数据科学功能和联合访问。这包括“空间”的概念，它可以被认为是支持技术和业务元数据视图的物理或虚拟数据集市。

• SAP 应用程序集成：全面集成到更广泛的 SAP 和非 SAP 生态系统中。对于现有的 SAP Business Warehouse 客户，该系统的数据可以通过 BW Bridge 功能作为 SAP Data Warehouse Cloud 中的一个空间提供。

• 营销和销售消息传递：许多 SAP 客户仍然告诉 Gartner，他们不了解 SAP 产品的广度和深度，例如多模型功能和嵌入式数据科学。他们还不知道它是否适合定制开发以及作为 SAP 应用程序的基础。销售和支持团队对全方位产品的理解可能会有所不同。

• 过多的选项：SAP 选项仍然经常被认为是高度多样化和令人困惑的，尤其是在将 SAP 数据与非 SAP 数据一起使用时。拥有重要 SAP 资产的评估人员应通过专门要求其客户团队提供简报来熟悉这些选项。SAP HANA Cloud 的动态混合扩展功能，尤其是 SAP Data Warehouse Cloud 是处理混合处理的好方法。

• 成本观念：仍然有一种观念认为基于 SAP HANA 的系统定价过高，这可能会导致潜在客户不考虑它们。其中大部分源自 7 到 10 年前的早期客户体验。评估人员应该熟悉 SAP HANA Cloud 定价和现在可用的数据分层选项。

• 易用性：Snowflake 客户重视产品的易用性，并在电话中表示他们将此视为持续开发的主要设计原则之一。易用性经常被引用为选择 Snowflake 的主要原因之一。

• 扩大思想份额和合作伙伴：Snowflake 迅速扩大了其软件和服务合作伙伴组合，特别是在数据集成、元数据工具和专业服务公司方面。这使得获得技能变得更加容易，并为构建混合了 Snowflake 和其他第三方产品的系统提供了许多选择。

• 多云支持：Snowflake 在 AWS、Azure 和谷歌云平台上运行。云中立性也被认为是选择 Snowflake 的一个关键原因。客户可能已经跨多个云提供商运营，但希望在他们内部采用一种标准方法。出于商业原因，客户可能还希望能够在云之间移动——而不是受制于单一供应商或有限的谈判能力。一些客户将有要求他们不依赖于单个云提供商的法规。

• 预测支出：一些 Snowflake 客户报告说他们发现很难预测成本，这是与其他一些云产品共享的问题。Gartner 建议将开发预测支出模型作为评估的一部分。这是 Snowflake 关注的领域，评估人员应确保他们熟悉用于财务治理的功能，以满足他们的需求。

• 功能可用性的清晰度：Gartner 客户报告说，他们并不总是清楚哪些 Snowflake 功能是普遍可用的，哪些是预览版的，哪些是路线图项目。Snowflake 会定期提供新功能，因此通过与您的客户团队合作，监控每月发布的博客和发布文档以了解哪些功能可用 - 哪些变体，例如作为编程语言支持——以及在哪些地区了解可用性。

• 定义使用范围：Snowflake 通常被提升为为客户、数据仓库、数据湖和数据科学进行所有分析处理，但有时将 Snowflake 和其他组件（无论是否存在）混合使用会更合适。为它的用途定义一个明确的范围，并评估组件的组合以检查最佳解决方案。

• 广泛行业渗透：TDSQL通过对运营DBMS能力的持续投入，正在快速抓住中国金融行业数字化转型的需求。借此势头，腾讯云正从一家只适合游戏和数字零售探索性用例的DBMS厂商，逐步提升为传统行业值得信赖的DBMS厂商。

• 优质的客户服务：根据Gartner Peer Insights的客户反馈和咨询，腾讯在DBMS迁移和上线后运营方面的优质服务得到了用户的认可。这让腾讯在核心业务工作负载的 DBMS 供应商选择竞争中脱颖而出。

• 活跃的开源贡献者：腾讯已成为许多数据和分析开源社区的主要贡献者，例如 Iceberg、Ozone、Alluxio 和 InLong。通过这样做，腾讯提高了其在全球开发者社区中的知名度，并使自己始终处于数据和分析创新的前沿。

• 不太成熟的分析产品：与其在运营 DBMS 中的产品组合相比，腾讯的分析 DBMS 产品 TBDS 仍然是专有产品和具有增强功能的开源技术的混合体，这可能会造成混淆。

• 有限的地理知名度：腾讯云在中国、亚洲、太平洋地区、日本和欧洲以外几乎没有 DBMS 市场认可度。该公司声称在未来三到五年内将更加注重全球市场的扩张，尤其是欧洲和北美市场，但其目前的地理足迹有限。

• 公有云业务采用缓慢：由于公有云的普遍数据安全问题，中国腾讯公有云上的 DBMS 采用仍仅限于特定行业。激励传统行业的超大规模组织将其 DBMS 大规模迁移到公有云仍然是腾讯的一项长期任务。

• 具有稳健运营的多云和混合云：Teradata 在 Azure、AWS 和 GCP 上运行，也可以部署在本地和私有云中，提供多种部署选项和云独立性。在这些部署中使用通用代码库以实现兼容性，从而提供高度的稳健性、工作负载管理和可扩展性。

• 分布式访问：对分布式访问、多云、本地和混合解决方案的支持使 Teradata 成为中央数据仓库和一组互补分析平台的支持中心的不错选择。Teradata 进一步投资于分布式访问和联合功能，从而使其在异构分析系统上的数据结构功能得到很好的定位。

• 范围广泛的分析工具：Teradata 支持范围非常广泛的数据科学工具，这些工具既可以集成在 DBMS 本身中，也可以通过与范围广泛的外部工具接口来实现。通常，这些都是为完全并行处理而启用的——其他供应商并不总是这样。

• 成本认知：Teradata 被许多人视为高价产品，这种认知主要来自历史上的本地成本。建议评估人员检查实际成本，作为概念验证练习的一部分。当前的云成本尤其如此，它提供了更大程度的透明度。

• 技能的可用性：Teradata 仍然占据数据仓库市场的重要部分，但已经输给了其他公司——尤其是云服务提供商。这可能意味着在某些地理区域更难找到经验丰富的 Teradata 员工。

• 传统观念：由于其长寿，Teradata 通常被视为传统技术。评估人员应确保他们根据现代分析工作实践来考虑 Teradata 的优点。其中包括云中立性、高效的分布式访问、稳健性和可扩展性、编程语言和数据科学支持。

• 高性能：TigerGraph 以其基于分布式架构和高级大规模并行处理 (MPP) 原生图形引擎的高性能而闻名。它在快速数据处理和强大可扩展性方面的创新使其适用于数据密集型图用例。

• 图 AI/ML 的持续增强：TigerGraph 非常适合图机器学习用例。它在机器学习工作台和开源图算法库上的不断增强使其不仅成为图 DBMS 的良好候选者，而且成为综合图 AI 平台的理想选择。

• 雄心勃勃的产品愿景：凭借最近几轮投资的强大资金支持，TigerGraph 规划了一个大胆的产品路线图，涵盖可扩展性、实时分析和云生态系统集成。

• 有限的垂直覆盖：TigerGraph 主要关注特定的垂直用例，如金融、零售、医疗保健和供应链。目前，对图技术有潜在需求的更广泛的行业和组织仍不在其关注范围之内。

• 成本和财务治理：Gartner 客户在扩大 TigerGraph 的使用时报告了成本控制方面的挑战。与此同时，财务治理工具和最佳实践仍然不足以让用户在具有不可预测的工作负载的用例中完全控制他们的成本。

• GSQL 的陡峭学习曲线：根据 Gartner 调查和 Peer Insights 的反馈，客户仍需要投入大量金钱和时间来提升其数据和分析用户的技能以处理 GSQL。GSQL 是一种类 SQL 的查询语言，用于在 TigerGraph 上操作图数据。这种投资需求阻碍了 TigerGraph 的更广泛采用。

领导者

领导者通常基于对广泛数据类型和/或部署模型多样性（例如多云、跨云和混合）的支持，展示对广泛 DBMS 用例的支持。这些供应商表现出始终如一的高客户满意度和强大的客户支持。许多公司拥有为云创建或迁移为云原生的成熟产品。因此，领导者通常代表客户在性能、可扩展性、可靠性和支持方面的风险最低。随着市场需求的变化，领导者在支持市场当前需求和新兴趋势方面表现出强烈的远见。其中包括对多云、跨云和混合模型的要求，以及本地云无服务器 DBMS 和具有不同定价模型的财务治理。最后，营销信息。

挑战者

挑战者是拥有强大、成熟产品的供应商，但在某种程度上缺乏对云 DBMS 市场的远见。一些供应商可能很难同时提高愿景和执行力。但是，有些人一年的执行力得分高，另一年的愿景完整性得分高，这是正常的。挑战者通常表现出强大的企业生存能力和财务稳定性，并表现出强大的客户支持。但是，它们缺乏一些功能来支持云 DBMS 市场的最新趋势，例如支持广泛的用例集和迁移到多云/跨云实施的路线图。尽管他们在市场的一些创新概念方面可能有所欠缺，但挑战者在许多执行能力标准方面具有优势。

远见者

有远见的人对云 DBMS 市场有深刻的市场理解和强大的路线图。他们对功能有创新的想法，并展示了新部署模型的高级用法。通常，他们的客户较少，规模也小于领导者。尽管他们可能缺乏领导者的市场动力，但他们有市场增长的潜力，在许多情况下，由于他们的愿景元素是市场领先的。有远见的人通常是年轻的小型供应商，但也可以拥有将市场及其领导者推向新方向的创新想法。

利基玩家

利基玩家通常提供市场吸引力有限的高度专业化的产品。Niche Player 通常不会支持多个云 DBMS 用例，但会特别好地支持一个、两个或更多用例。利基玩家可能缺乏以下一项或全部：(1) 强大或庞大的客户群，(2) 领导者功能的广度，(3) 对广泛行业或地区的渗透，或 (4) 成熟、成熟低风险的产品。

但是，如果组织需要特定领域参与者提供的一组特定功能，那么它可能是一个不错的选择。