Cloud Customer Architecture for Big Data and Analytics Version 0

Chief Data Officer (CDO): 
As executive-level owners of an organization’s data, CDOs define the 
logical business-object models and governance rules including data access policies. They are 
ultimately responsible for the quality of the data. 
All the different personas have the following common characteristics:
• 
They want self-service; they often take the do-it-yourself approach, with the ability to create 
sandboxes to test out new hypotheses and move the actionable insight to production.
• 
They want access to the right data to accomplish the analytical task (this might include large 
volumes of data), no matter where the data is stored, with a good understanding of the data 
quality and lineage.
• 
They often need access to many different tools and capabilities, many of which are open-source 
based, and can be on-demand (based on workload and scaling). 
• 
Lastly, they need to collaborate with each other. One way the cloud providers enable this is by 
building a knowledge base using Graph technology and allowing the user to see the correlation 
of the users and data, i.e., who used what data and how the data was used, thus identifying the 
right people with whom the user should collaborate.
SaaS Applications
 
 
 
 
 
Increasingly, organizations are making use of applications offered as a cloud 
service. This type of cloud service is called software-as-a service, or SaaS. The SaaS 
applications on the public network are mostly mobile apps and web applications to 
engage with customers, for example, online-banking, online-shopping, online-
booking for travel, IoT applications such as connected cars and smart house, weather 
and social media, etc.
Data Sources
Public data sources contain external sources of data for the data analytics solutions 
that flow from data providers through the Internet. 
There can be a number of different information sources in a typical big data system, 
some of which enterprises are just beginning to include in their data analytics solutions. High velocity, 
volume, variety, and data inconsistency often kept many types of data from being used extensively. Big 

---

Copyright © 2017 Cloud Standards Customer Council 
Page 7 
data tools have enabled organizations to use this data; however, these typically run on-premises and 
can require substantial upfront investment. Cloud computing helps mitigate that investment and the 
associated risk by providing big data tools via a pay-per-use model. It also allows edge analytics services 
meaning that the data analytics is applied where the data is generated producing real time analytics at 
the edge. Data sources include:
•