Cloud Customer Architecture for Big Data and Analytics Version 0

Reduced barrier to entry and new business models: 
With the advent of the cloud, startups and 
small businesses
 
now have the means to enter industries that previously demanded large up-
front investments. 
•
Innovation: 
The convergence of big data, analytics and cloud is fueling innovation. With the low 
costs, speed, agility, and security that the cloud offers, companies have more time and money to 
experiment and bring to life the latest innovative technology.
A set of typical big data and analytics use cases for various industries are included in the Appendix. The 
new reference architecture proposed in this paper can be used to create cloud-based big data and 
analytics solutions for solving these business scenarios and help drive business success.
Architecture Overview
The big data and analytics cloud architecture guidance provided by this paper can help enterprises 
understand proven architecture patterns that have been deployed in numerous successful enterprise 
projects. 
Cloud deployments offer a choice of private, public and hybrid architectures. Private cloud employs in-
house data and processing components running behind corporate firewalls and dedicated cloud. Public 
cloud offers services over the Internet with data and computing resources available on publicly 
assessable servers. Hybrid environments have a mixture of components running as both in-house, 
dedicated cloud and public cloud services with data flowing between them. 
There are also choices in the levels of services that a cloud provider can offer for an analytics solution: 
•
Basic data platform infrastructure service – such as Hadoop as a service – providing pre-installed 
and managed infrastructures. With this level of service, you are responsible for loading, 
governing and managing the data and analytics for the analytics solution.

---

Copyright © 2017 Cloud Standards Customer Council 
Page 3 
•
A governed data management service – such as a data lake service [1] – providing data 
management, catalog services, analytics development, security and information governance 
services on top of one or more data platforms. With this level of service, you are responsible for 
defining the policies for how data is managed and for connecting data sources to the cloud 
solution. The data owners have direct control of how their data is loaded, secured and used.
Consumers of data are able to use the catalog to locate the data they want, request access and 
make use of the data through self-service interfaces.
•
An insight and data service – such as a customer analytics service. With this level of service, you 
are responsible for connecting data sources to the cloud analytics solution. The cloud analytics 
solution then provides APIs to access combinations of your data and additional data sources, 
both proprietary to the solution and public open data, along with analytical insight generated 
from this data.
It is important to have this choice of cloud deployment because data and processing location is one of 
the first architectural decisions for an analytics cloud project. This allows both flexibility in operating 
models and the optimal placement of both data and analytics workloads on the available processing 
platforms. Legal and regulatory requirements may also impact where data can be located since many 
countries have data sovereignty laws that prevent data about individuals, finances and certain types of 
intellectual property from moving across country borders. 
The choice of cloud architectures allows compute components to be moved near data to optimize 
performance when data volume and/or bandwidth limitations result in bottlenecks for remote data and 
data movement. 
Figure 1 illustrates a simplified enterprise cloud architecture for a big data and analytics environment. 
The architecture has three network zones: public network, provider cloud, and enterprise network.

---

Copyright © 2017 Cloud Standards Customer Council 
Page 4