Από το προσωπικό της Techopedia, 29 Μαρτίου 2017
Takeaway: Ο οικοδεσπότης Eric Kavanagh συζητά την επιχειρηματική ευφυΐα με τον Dr. Robin Bloor και τον Stan Geiger του IDERA.
Δεν έχετε εισέλθει αυτήν τη στιγμή. Συνδεθείτε ή εγγραφείτε για να δείτε το βίντεο.
Eric Kavanagh: Κυρίες και κύριοι, καλωσορίζουμε ξανά, είναι Τετάρτη στις 4:00 Ανατολικά και για τα τελευταία δύο χρόνια αυτό σήμαινε ότι ήρθε η ώρα για τις Hot Technologies, ναι, πράγματι. Το όνομά μου είναι ο Eric Kavanagh, εγώ θα σας φιλοξενήσω για τη σημερινή παράσταση. Μου αρέσει αυτό το θέμα: "Έλεγχος Υγείας: Διατήρηση Υγιούς Επιχείρησης ΒΙ", για αυτό θα μιλήσουμε σήμερα. Υπάρχει μια θέση για την αληθινή σας.
Έτσι φέτος είναι ζεστό - οι Hot Technologies σχεδιάστηκαν για να καθορίσουν συγκεκριμένα είδη τεχνολογίας και μπορείτε να φανταστείτε εκεί στον κόσμο του επιχειρησιακού λογισμικού υπάρχουν πολλοί και πολλοί πωλητές που πωλούν όλα τα είδη των διαφορετικών προϊόντων και ό, τι συμβαίνει μέχρι τώρα είναι αυτές οι λέξεις-κλειδιά που τελειώνουν να συνηθίσουν και να πάρει glommed επάνω από διάφορους πωλητές για πολύ διαφορετικά πράγματα. Και έτσι ο σκοπός αυτής της εκπομπής είναι πραγματικά να βοηθήσουμε τους φίλους του πωλητή μας και να βοηθήσουμε το κοινό μας να εντοπίσει και να επικαλύψει τα κεφάλια μας γύρω από ποιες συγκεκριμένες τεχνολογίες είναι πραγματικά και τι σημαίνουν όλες αυτές οι λέξεις όταν φτάνετε μέχρι τα μπαστούνια.
Έτσι, θα σταθώ ως ένας από τους αναλυτές σήμερα, έχουμε επίσης τον Δρ Robin Bloor στη γραμμή και τον Stan Geiger από την IDERA. Ας μιλήσουμε γρήγορα για τη σημασία της επιχειρηματικής ευφυΐας και των αναλυτικών στοιχείων γενικά. Αυτό είναι ένα βασικό δέντρο αποφάσεων, αν θέλετε ή ένα διάγραμμα ροής, απλά συζητάτε για το πώς δουλεύετε μέσα από θέματα στην επιχείρησή σας, συζητάτε για διαφορετικά θέματα, βάλτε προτάσεις μαζί και στη συνέχεια ανακαλύψτε τι πιστεύουν οι άνθρωποι. Συμφωνούν; Διαφωνούν; Ποια είναι η συναίνεση, αν έχετε κάποια, και πώς εργάζεστε μέσω αυτής της διαδικασίας;
Λοιπόν, όλα αυτά είναι προφανώς πολύ γενικά, αλλά είναι μια καλή υπενθύμιση της διαδικασίας με την οποία προτείνουμε ιδέες σε εταιρείες, λαμβάνουμε τις αποφάσεις μας και στη συνέχεια προχωράμε. Και η κατώτατη γραμμή είναι ότι τα δεδομένα απαιτούνται για κάθε μία από αυτές τις συνιστώσες. Αυτό είναι ακόμα πιο αληθές αυτές τις μέρες στον κόσμο των μεγάλων δεδομένων, γιατί, φυσικά, τα μεγάλα δεδομένα είναι σαν αυτή τη γιγαντιαία μηχανή αλήθειας εκεί έξω. Τα μεγάλα δεδομένα είναι πραγματικά αυτό που συμβαίνει. είναι αντιπροσωπευτικό του ποιος είναι ο τόπος, τι κάνουν, τι αγοράζουν, τι κάνουν τα κοινωνικά μέσα τους, τιτίβισμα για παράδειγμα. Φυσικά, όλα αυτά τα πράγματα μπορούν να χαραχτούν - πρέπει να προσέξετε για αυτό - αλλά το θέμα είναι ότι τα δεδομένα είναι η αρχιτεκτονική αναφοράς, αν θέλετε, για την πραγματικότητα.
Έτσι, θέλετε δεδομένα σε κάθε σημείο αυτής της διαδικασίας λήψης αποφάσεων. Τώρα, η συναίνεση είναι σημαντική. Εάν θέλετε ευτυχισμένους χρήστες, μερικές φορές ένα αφεντικό μπορεί να χρειαστεί να πάει ενάντια στους κόκκους ό, τι θέλει όλοι. Μιλούσαμε απλώς για τον Steve Jobs λίγο πριν ξεκινήσει αυτή η εκπομπή και ήταν διαβόητος για κάτι τέτοιο. Έχει ένα διάσημο απόσπασμα όπου συστήνει ότι οι άνθρωποι πνίγουν το θόρυβο που ακούνε γύρω και στη συνέχεια να κολλήσουν στο όραμά τους, αν ξέρουν τι κάνουν είναι σωστό. Έτσι, δεν χρειάζεται πάντα συναίνεση, αλλά συνήθως είναι μια αρκετά καλή ιδέα. Αλλά ο γενικός σκοπός αυτής της διαφάνειας και αυτού του σχολιασμού είναι να οδηγήσει στο σπίτι τη σημασία που θέλουμε να κάνουμε τις αποφάσεις μας με βάση τα δεδομένα, όχι μόνο στο ένστικτο, αν και το έντερο είναι συνήθως πολύ καλό για να σας βοηθήσει να ξέρετε πού θέλετε να πάτε και στη συνέχεια πραγματικά θέλετε να το επικυρώσετε ή να το ακυρώσετε με τα δεδομένα σας. Και θα έλεγα ότι δεν φοβάσαι να κοιτάς ξανά εκείνο το θέμα, ακριβώς όπως ένα ωραίο δείκτη ή υπενθυμίζεις ότι όταν κοιτάς ξανά κάποιες φορές μπορείς να πάρεις τουλάχιστον κάποιο πλαίσιο αναφοράς και να καταλάβεις πού ήσουν έρχονται από και να είστε ειλικρινείς για τα λάθη που έχετε κάνει. Όλοι έχουμε κάνει λάθη, συμβαίνει.
Έτσι, εάν έχετε προβλήματα επιδόσεων στα συστήματα επιχειρηματικών πληροφοριών σας, λοιπόν, υπάρχει η παλιά έκφραση "υπομονή είναι μια αρετή", όχι στον κόσμο της πληροφορικής, μπορώ να σας πω τώρα. Εάν οι χρήστες περιμένουν πολύ καιρό για να επανέλθουν τα ερωτήματά τους ή δεν παίρνουν τις αναφορές τους, αυτό διαβρώνει την εμπιστοσύνη και όταν η εμπιστοσύνη έχει φύγει είναι πολύ δύσκολο να το πάρετε πίσω. Έτσι, έβαλα μια γραμμή εδώ - περίπου 40 δευτερόλεπτα αυτές τις μέρες είναι σαν 40 λεπτά σε πολλές περιπτώσεις - αν ένα ερώτημα πρόκειται να διαρκέσει 40 δευτερόλεπτα, οι άνθρωποι ξεχνούν αυτό που μιλούν ακόμα, τι ζητούν των δεδομένων. Απλά φανταστείτε σε μια συζήτηση εάν ρωτήσετε κάποιον, ας πούμε το αφεντικό σας, λέτε, "Hey, θα ήθελα να μάθω γιατί είναι ότι θα πάμε κάτω από αυτή τη διαδρομή." Και έπρεπε να περιμένετε 40 δευτερόλεπτα σε μια συνομιλία για να πάρετε μια απάντηση; Θα φύγετε από το δωμάτιο! Θα πίστευες ότι το αφεντικό σου έχει χάσει το μυαλό του. Έτσι, αυτή η λανθάνουσα κατάσταση που έχουμε σε ορισμένα πληροφοριακά συστήματα, όταν υπάρχουν προβλήματα απόδοσης, πρόκειται να μειώσει την αναλυτική διαδικασία, την αναλυτική ροή ή, όπως μερικοί λένε, τη συζήτηση που έχετε με τα δεδομένα σας. Πρέπει να επιταχύνετε σε αυτά τα συστήματα, ό, τι πρέπει να κάνετε για να το κάνετε αυτό και πρόκειται να μιλήσουμε γι 'αυτό σήμερα, αυτό είναι που πρέπει να κάνετε, γιατί χωρίς αυτή τη ροή των ιδεών μπροστά και πίσω, είστε πράγματι καταστρέφει ολόκληρη τη διαδικασία της ανάλυσης. Έτσι, και για άλλη μια φορά, κάνω αυτό το σχόλιο: η έλλειψη εμπιστοσύνης είναι ένας σιωπηλός δολοφόνος. Οι άνθρωποι δεν θα σηκώσουν τα χέρια τους πάρα πολύ, αν δεν σας εμπιστεύονται, αλλά θα σας κοιτάξουν ακριβώς πλάγια και θα αναρωτηθούμε τι συμβαίνει. Και όταν αυτή η εμπιστοσύνη έχει φύγει, θα έχετε μια πολύ δύσκολη στιγμή να την πάρετε πίσω.
Έτσι, τεχνητή νοημοσύνη, καλά ακούμε για την εκμάθηση μηχανών και το AI και "Αχ, δεν είναι αυτό που θα λύσει όλα αυτά τα προβλήματα;" Robin και εγώ ακούσαμε εδώ και χρόνια για τις αυτοματοποιημένες βάσεις δεδομένων και όλα αυτά τα πράγματα διασκέδασης - υπάρχουν μερικά από αυτά που συμβαίνουν, αλλά απλά αναρωτηθείτε: πόσο συχνά το κάνει η Siri σωστή για εσάς; Πόσο συχνά έρχεται τυχαία το Siri και πηγαίνει: "Λυπάμαι, δεν το έκανα αυτό". Γιατί δεν σας ρωτούσα τίποτα. Μόλις χτύπησα τυχαία αυτό το κουρασμένο κουμπί. Υπάρχουν λοιπόν πολλά λάθη και από την αριστερή πλευρά, αυτό είναι το τσιπ ASIC από Apple Newton - θυμηθείτε ότι κουτάβι από χρόνια και χρόνια; Αυτή ήταν μια από τις πρώτες έξυπνες συσκευές, και αυτό είναι εδώ και πολύ καιρό, όπως ήθελα να πω στις αρχές της δεκαετίας του '90 ή στα μέσα της δεκαετίας του '90. Ότι ο Νεύτωνας βγήκε και δεν ήταν πολύ καλός, αλλά είχε το όραμα. ήξεραν πού πηγαίνουν, αλλά ακόμα και τώρα, με το iPhone AI και την εκμάθηση μηχανών, αυτά είναι ευρέως παρεξηγημένες έννοιες, θα έλεγα.
Και σίγουρα σε σχέση με τη μηχανική μάθηση, μπορεί να είναι πολύ χρήσιμη και στην πραγματικότητα μπορεί να χρησιμοποιηθεί σε μερικά από αυτά τα περιβάλλοντα όπου προσπαθείτε να καταλάβετε τι συμβαίνει με τη σύνθετη αρχιτεκτονική των πληροφοριών σας, όπου τα πράγματα πάνε στραβά. Η μηχανική μάθηση μπορεί να είναι πολύτιμη σε αυτό το πλαίσιο, αλλά μόνο εάν εφαρμοστεί με πολύ οξεία τρόπο. Έτσι, ήμουν στην πραγματικότητα ένα μεγάλο γεγονός στην Καλιφόρνια, ένας από τους μεγάλους διανομείς του Hadoop, ο Cloudera είχε την συνάντηση των αναλυτών και μιλούσαμε με τον επικεφαλής στρατηγικής τους και είπε: «Ξέρετε, μου φαίνεται ότι η μηχανική μάθηση κάνει μόνο δύο πράγματα: χωρίζει και βελτιώνει. "Σημαίνει ότι θα σας δώσει διαφορετικά τμήματα ή ομάδες δραστηριοτήτων, συμπεριλαμβανομένων των ανωμαλιών, που θα ήταν ένα τμήμα. Και βελτιώνει, που σημαίνει ότι σας βοηθά να βελτιώσετε μια συγκεκριμένη απόφαση. Το κλασικό παράδειγμα που ακούτε είναι ότι υπάρχει ένας άνθρωπος σε αυτή τη φωτογραφία, για παράδειγμα. Αυτό είναι κάτι που μπορεί να κάνει η μηχανική μάθηση και είναι χρήσιμο σε συγκεκριμένα περιβάλλοντα, όταν μιλάτε για την αντιμετώπιση προβλημάτων, επειδή μπορείτε να αναζητήσετε μοτίβα συμπεριφοράς στη χρήση της CPU, στη χρήση της μνήμης, στην ταχύτητα του δίσκου και σε ό, τι κάνουν οι δίσκοι, και όλα αυτά τα είδη διασκέδασης. Έτσι μπορεί να είναι χρήσιμο, αλλά είναι πραγματικά κάτι που πρέπει να είναι πολύ εστιασμένο για να παράγει οποιαδήποτε αξία.
Έτσι, ένα από τα άλλα αγαπημένα μου πράγματα για να μιλήσω - και θα δούμε λίγο ένα τέτοιο, νομίζω, όταν παίρνουμε σήμερα το demo μας από το IDERA - με πολλούς τρόπους νομίζω ότι τα ανθρώπινα όντα μαθαίνουν ακόμα να μιλούν πυρίτιο . Υπάρχει μια επιστήμη των υλικών κάτω από όλα αυτά, και για όσους από εσάς που έχετε κάνει την αντιμετώπιση προβλημάτων και έχετε πάρει πραγματικά μια σκληρή ματιά σε σύνθετες αρχιτεκτονικές πληροφοριών, όταν προσπαθείτε να καταλάβετε τι συμβαίνει, ακόμα και σε ένα σύμπλεγμα Hadoop για παράδειγμα, πραγματικά συνήθως κοιτάζετε ιστογράμματα. Και τότε πρέπει να συσχετίσετε τι σημαίνουν αυτά τα διαφορετικά ιστογράμματα σε μια συγκεκριμένη χρονική στιγμή και αυτό παίρνει νοημοσύνη. που παίρνει ανθρώπινη νοημοσύνη και εμπειρία. Έτσι, δεν φοβούμαι καθόλου ότι το ML ή η μηχανική μάθηση ή το AI πρόκειται να πάρουν πάρα πολλές δουλειές στον κόσμο αυτό σύντομα. Νομίζω ότι πάντα θα υπάρξει ανάγκη για ανθρώπους, οι οποίοι ειλικρινά ξέρουν τι μιλάνε για να μας βοηθήσουν και να κάνουν όλα αυτά να συμβούν.
Ας συνεχίσουμε λοιπόν. Λοιπόν, τι συμβαίνει εάν δεν οδηγείτε δεδομένα; Πρόκειται για μια διάσημη ζωγραφική, "The Blind Leading the Blind" - αυτό δεν είναι αυτό που ψάχνετε, λαοί. Δεν θέλετε αυτό το είδος περιβάλλοντος στον οργανισμό σας. Αυτό που θέλουμε είναι να θέλουμε οι αποφάσεις μας να καθοδηγούνται από δεδομένα και θέλουμε οι αποφάσεις να οδηγούνται από καλά δεδομένα, δεδομένα υψηλής ποιότητας και αυτό συμβαίνει μόνο αν συγκεντρώσετε τα σωστά δεδομένα, εάν είναι ωραία και καθαρά και εάν τα συστήματά σας λειτουργούν σωστά, αν τα συστήματα BI είναι υγιή, τα συστήματα ανάλυσης είναι υγιή και οι χρήστες παίρνουν αυτό που θέλουν εγκαίρως.
Έτσι λοιπόν, πρόκειται να ολοκληρώσω και να παραδώσει τον απίθανο Robin Bloor. Ρόμπιν, πάρτε το μακριά.
Robin Bloor: Εντάξει, ευχαριστώ που μου περάσατε την μπάλα. Σκεφτόμουν ενώ μιλούσατε, Eric, σκεφτόμουν μόνο για το BI και υπήρξε μια παρουσίαση πωλητή που παρακολούθησα πρόσφατα όταν κάποιος παρατήρησε ότι σε έναν συγκεκριμένο πωλητή, τρέχοντας ένα συγκεκριμένο σύστημα σε μια μεγάλη, άσχημη αποθήκη δεδομένων, δεδομένου χρονικού σημείου θα μπορούσε να κάνει 70.000 συναλλαγές ΒΙ που θα οδηγούσαν στην παρουσίαση πληροφοριών σε πολλούς ανθρώπους. Μου συνέβη ότι αν έχετε πραγματικά αυτό το είδος φόρτου εργασίας και ακόμη και σπαταλάτε μερικά δευτερόλεπτα από την εκτέλεση του λογισμικού, τότε θα είναι πολύ ακριβό και αν χάσετε λεπτά θα είναι φρικτό. Και τότε θυμήθηκα ότι ένας άφθονος κόσμος τρέχει σε υπολογιστικά φύλλα - υπάρχουν, νομίζω ότι ονομάζονταν "συστήματα σκιάς", έτσι δεν ήταν; Πρώτον, όπου οι άνθρωποι θα έβαζαν απλά συστήματα χρησιμοποιώντας υπολογιστικά φύλλα και ηλεκτρονικό ταχυδρομείο, και θα κάνουν τα πράγματα να συμβούν, επειδή το τμήμα πληροφορικής δεν μπορεί να δημιουργήσει εφαρμογές για όλους, γι 'αυτό το είδος. Και πολλά BI, νομίζω, εμπλέκονται σε τέτοια συστήματα ούτως ή άλλως.
Εν πάση περιπτώσει, αφού το είπα, ας μιλήσουμε για αυτό για το οποίο θα μιλήσω. Ο BI είναι ένας βρόχος ανατροφοδότησης για τα εταιρικά συστήματα, είναι πραγματικά τόσο απλός ή πολύπλοκος, ανάλογα με το συγκεκριμένο ρόλο που παίζει στην οργάνωση. Αλλά αν το εξετάσουμε αυτό είναι ένα διάγραμμα από πριν από περίπου τέσσερα χρόνια, όταν προσπαθούσαμε με τον ένα ή τον άλλο τρόπο να καταλάβουμε τι συνέβαινε από την πλευρά των αναλυτών. Αλλά λίγο πολύ, ό, τι είναι πίσω, κοιτάζοντας πίσω σε ό, τι έχει συμβεί στο παρελθόν, και ό, τι είναι εποπτεία, από την άποψη του τρόπου λειτουργίας του συστήματος, τείνει να είναι BI. Δεν ήταν συνηθισμένο το γεγονός ότι αυτό που ήταν πρόβλεψη, πρόβλεψη αναλύσεων ήταν BI, αλλά αυτό είναι όλο και περισσότερο γίνεται υπόθεση. Ο Eric ανέφερε την εκμάθηση μηχανών, πολλά μηχανικά μαθήματα μπορούν πραγματικά με τον ένα ή τον άλλο τρόπο να τρέξουν εναντίον μιας ροής δεδομένων και μπορούν να σας δώσουν προγνωστικά για τα επόμενα πέντε λεπτά ή ακόμα και σχεδόν σε πραγματικό χρόνο, πελάτη, με μια υπολογιζόμενη γνώση του τι συμβαίνει στην πραγματικότητα.
Αλλά το κέντρο αυτού του διαγράμματος, το εσωτερικό προέρχεται από την ανάλυση. Αυτό που συμβαίνει συνήθως είναι ότι διάφορες αναλυτικές δραστηριότητες υποδεικνύονται σε συγκεκριμένες συλλογές δεδομένων και αποκτάται κάτι νέο, μαθαίνεται η γνώση για την επιχείρηση. Και αυτό το κομμάτι της γνώσης είναι στη συνέχεια συνδεδεμένο στις επιχειρηματικές διαδικασίες που μπορούν να τροφοδοτήσουν από αυτό. Και συνήθως εκδηλώνεται με τον ένα ή τον άλλο τρόπο, όπως εμφανίζονται οι ειδοποιήσεις BI ή απλά διάφορα πράγματα που τίθενται σε πίνακες ελέγχου και ούτω καθεξής και ούτω καθεξής. Όταν το κάναμε πραγματικά, υπάρχουν τέσσερις όροι εκεί και τελειώνουν με τη λέξη "θέαμα" που είναι πολύ ωραίο. Αλλά στην πραγματικότητα δεν είναι όλα στο πεδίο του τι θέλουν να κάνουν οι άνθρωποι, υπάρχει επίσης το πρόβλημα της βελτιστοποίησης και της βελτιστοποίησης δεν παράγει απλά αναλυτικά στοιχεία. Είναι πολύ περίπλοκο πρόβλημα και πολλά προβλήματα βελτιστοποίησης δεν είναι μοναδικά διαλυτά. Μπορείτε να έχετε μόνο καλές λύσεις, δεν μπορείτε να αποδείξετε ότι έχετε μια καλύτερη λύση. Και αυτό είναι ένα πεδίο δραστηριότητας, όπου υπάρχει δραστηριότητα, αλλά είναι λιγότερο από ό, τι οι περισσότεροι άλλοι τομείς της ανάλυσης. Έτσι, οι άνθρωποι λένε ότι ζούμε στην εποχή των αναλύσεων - καλά, το κάνουμε σε σχέση με πριν από δέκα χρόνια, αλλά μπορεί να προχωρήσει πολύ περισσότερο από ό, τι έχει ήδη φύγει.
Έτσι, η δημιουργία BI, η επιθυμία για γνώση δημιουργεί αιτήματα χρηστών, τα οποία δημιουργούν προγράμματα αναλύσεων και τα έργα αναλύσεων δημιουργούν λίμνες δεδομένων, ενώ οι λίμνες δεδομένων και τα αναλυτικά στοιχεία δημιουργούν πληροφορίες και ιδέες που γίνονται BI. Αυτή είναι μια ιστορία που μόλις είπα. Απλώς σκέφτηκα ότι θα το έγραψα. Αυτό που έχω κάνει εδώ, εννοώ, ολόκληρο το σημείο αυτής της διαφάνειας και στην πραγματικότητα οι περισσότερες από τις άλλες διαφάνειες είναι μόνο να υπογραμμίσουμε πραγματικά πόσο περίπλοκο είναι ο κόσμος της επιχειρησιακής νοημοσύνης. Δεν είναι απλό πράγμα, θα μπορούσα να καταστήσω πιο περίπλοκη αυτή τη συγκεκριμένη διαφάνεια από ό, τι στην πραγματικότητα, αλλά έχετε στο κάτω μέρος εδώ, έχετε εξωτερικά δεδομένα και εσωτερικά δεδομένα που με τον ένα ή τον άλλο τρόπο πρόκειται να τεθούν σε στάση περιοχή, η οποία σήμερα είναι ένα είδος στοιχείων λίμνη δεδομένων, αν και δεν έχουν όλοι λίμνες δεδομένων. Και οι άνθρωποι που δεν κάνουν απαραίτητα επιτυχείς. Και στη συνέχεια, υπάρχει μια καθαριστική δραστηριότητα απορρόφησης και μια δραστηριότητα καθοδήγησης που απαιτείται για τα δεδομένα, προτού να μπορέσετε πραγματικά να την χρησιμοποιήσετε. Και στη συνέχεια, θα εξυπηρετήσετε τα δεδομένα και θα το αναφέρετε ή θα το αναλύσετε και η ανάλυση θα οδηγήσει σε ενέργεια.
Και αν εξετάσετε πραγματικά τα διάφορα είδη ανάλυσης που υπάρχουν, αυτό είναι ένας απίστευτα μακρύς κατάλογος, αλλά δεν είναι απαραιτήτως ένας εντελώς ολοκληρωμένος κατάλογος, είναι ακριβώς αυτό που σκέφτηκα να γράψω κάτω, όταν δημιουργούσα αυτήν την διαφάνεια. Έτσι, υπάρχουν πολλά πράγματα που συμβαίνουν σε περιβάλλον BI, όπως οι οπτικοποιήσεις, OLAP, διαχείριση απόδοσης, scorecards, dashboards, διάφορα είδη προβλέψεων, λίμνες δεδομένων, εξόρυξη κειμένου, εξόρυξη βίντεο, προγνωστική ουσία, υπάρχει ένα ευρύ φάσμα πράγματι συνεχίζεται. Αν το κοιτάξετε με διαφορετικό τρόπο, η εταιρική πραγματικότητα, ουσιαστικά είναι πραγματικά ένα παρόμοιο διάγραμμα με το τελευταίο, είναι απλώς διαφορετικό. Διαχωρίσαμε τι θα ονομάζατε BI επειδή είναι τακτικό και είναι γνωστό τι απαιτείται, αυτό δεν σημαίνει ότι αυτό που συμβαίνει στην πραγματικότητα είναι αποτελεσματικό, αλλά τουλάχιστον θα έχετε τακτικά πράγματα να συμβαίνουν μέσα, ας πούμε Tableau ή στο Click ή στο Cognos, υπάρχει μια υποκείμενη πηγή και ούτω καθεξής και ούτω καθεξής, θα γίνονται διάφορες τακτικές αναφορές ή δυνατότητες. Και έπειτα έχετε τις εφαρμογές αναλυτικών στοιχείων και είναι διαφορετικές. Επειδή οι εφαρμογές των αναλυτικών στοιχείων είναι πραγματικά για την εξερεύνηση δεδομένων και νομίζω ότι το είδος της ισοδυναμεί με έρευνα και ανάπτυξη. Και στη συνέχεια έχετε ροή εργασίας. Κάτω από τη ροή εργασιών, ανακατεύετε τα περιεχόμενά σας με επιχειρησιακές εφαρμογές και εφαρμογές γραφείου, αν αυτό είναι απαραίτητο - και αυτή είναι η εταιρική πραγματικότητα όπως την βλέπω - αν και στις περισσότερες οργανώσεις δεν είναι τόσο καλά οργανωμένη.
Επομένως, η BI διαταραχή, αυτό είναι απλώς μια σειρά από πράγματα που μαρτυρούν ότι η BI είναι πιο δύσκολη από ό, τι ήταν, επειδή ο παλιός κόσμος BI συνίστατο κυρίως σε αρκετά καθαρά σύνολα δεδομένων που κατά κάποιο τρόπο ήσαν καταληκτικά, πιθανώς από μια αποθήκη δεδομένων και τροφοδοτήθηκαν σε συγκεκριμένα BI λογισμικού. Και εκείνες τις μέρες, μιλάω πραγματικά πριν από πέντε ή δέκα χρόνια, αλλά εκείνες τις ημέρες, οι όγκοι δεδομένων δεν επεκτείνονταν, οι πηγές δεδομένων ήταν γνωστές. Η ταχύτητα άφιξης των δεδομένων ήταν γνωστή, αν και συχνά κάποια ΒΙ δεν θα συνέβαινε αρκετά γρήγορα για την προτίμηση ορισμένων χρηστών. Δεν υπήρχαν μη δομημένα δεδομένα, δεν υπήρχαν σχεδόν κοινωνικά δεδομένα, σίγουρα δεν υπήρχαν δεδομένα για το IoT, δεν νοιάζεστε για την προέλευση των δεδομένων. Η αξία του υπολογιστή δεν είχε παραλληλισμό όσον αφορά την υποδομή, ώστε να είναι σε θέση να κάνει με τον ένα ή τον άλλο τρόπο τα πράγματα εξαιρετικά γρήγορα. Δεν είχατε μάθηση μηχανών και ο αριθμός των αναλυτικών φόρτων εργασίας ήταν αρκετά λεπτός. Και όλα αυτά έχουν αλλάξει, ο όγκος δεδομένων τώρα μπορεί να αυξάνεται πολύ δραματικά. Ο αριθμός των πηγών δεδομένων που συνεχίζει να ανεβαίνει. Ναι, η άφιξη των δεδομένων πολύ γρήγορα, πολλά αδόμητα δεδομένα, σίγουρα κοινωνικά δεδομένα που θα χρειαστούν καθαρισμό, αλλά άλλα στοιχεία που ενδεχομένως χρειάζονται καθαρισμό, σίγουρα τα στοιχεία για τα IoT, είναι η συμφωνία τώρα.
Η προέλευση των δεδομένων είναι ένα ζήτημα και μας ενδιαφέρει. Η ισχύς του υπολογιστή είναι εκεί, η οποία είναι τακτοποιημένη, επειδή αυτό κάνει όλα τα πράγματα εφικτά και έχετε μάθει μηχανή τώρα ως ένα φαινόμενο που οδηγεί στη δημιουργία περισσότερων δυνατοτήτων BI και νέων αναλυτικών φόρτων εργασίας που θα κάνουν το ίδιο. Έτσι, το BI δεν είναι μια στατική κατάσταση και νομίζω ότι αυτό είναι το τελευταίο πράγμα που θα πω, πριν το παραδώσω στον Stan. Αχ, δεν υπάρχει, υπάρχει κάτι άλλο. Μελλοντικό τοπίο BI, το διαδίκτυο των πραγμάτων, αρχιτεκτονικές που βασίζονται σε γεγονότα, τα πάντα σε πραγματικό χρόνο, εντάξει. Αυτό είναι αρκετό BI του χρήστη, από τον χρήστη, για το χρήστη τα θέματα συνοπτικά. Ταχύτητα απόδοσης ροής δεδομένων, κάλυψη δεδομένων, καθαρισμός δεδομένων, δεξιότητες πρόσβασης στα δεδομένα, οπτικοποίηση, δυνατότητα κοινής χρήσης και δυνατότητα ενεργοποίησης.
Τώρα λοιπόν μπορώ να το μεταφέρω στον Stan, εκτός αν η υπηρεσία BI είναι αξιόπιστη και έγκαιρη, δεν είναι υπηρεσία. Σταν;
Eric Kavanagh: Εντάξει, Σταν, σου δίνω την μπάλα, πάρε το μακριά.
Stan Geiger: Εντάξει. Λοιπόν, αυτό που θα μιλήσω είναι μόνο το φόντο μου. Είμαι ανώτερος διευθυντής της IDERA στη διαχείριση προϊόντων και μία από τις ευθύνες που έχω είναι η προσφορά προϊόντων για επιχειρηματική ευφυΐα. Έτσι θα επεκταθώ λίγο σε αυτό που μιλούσε ο Robin και μιλάμε για την περιοχή-κλειδί με την επιχειρησιακή ευφυΐα που παρακολουθεί την υγεία της πλατφόρμας. Είναι σαν να είπε ότι τώρα ήταν εκεί που είχαμε όλα αυτά τα δεδομένα και θα χρειαστούν εβδομάδες για να αναλύσουμε και έπειτα ήμασταν πίσω με αναφορές και πράγματα. Αλλά το τοπίο BI αλλάζει έτσι ώστε να πλησιάζουμε τώρα σε αναλυτικά σχεδόν σε πραγματικό χρόνο τώρα. Και σε πολλές περιπτώσεις, πραγματικές αναλύσεις σε πραγματικό χρόνο. Έτσι, μιλάω για αυτή τη διαφάνεια λίγο, αυτό είναι απλώς μια γενική επισκόπηση - και ακριβώς όπως μια πλήρης αποκάλυψη είναι ότι πρόκειται να μιλήσω γι 'αυτό από την προοπτική της Microsoft, αλλά όλες αυτές οι έννοιες ξεπερνούν αν BI οι πλατφόρμες είναι στην Oracle, ή χρησιμοποιείτε το Informatica και το Oracle, ή απλώς το mix mode, τα υβριδικά περιβάλλοντα. Πρόκειται απλώς να χρησιμοποιώ σε σχέση με το περιβάλλον της Microsoft, αλλά αυτό είναι αρκετά πρότυπο.
Ο Robin είχε μια διαφάνεια εκεί που άγγιξε αυτό, είναι ότι έχετε πηγή συστήματα, όπου έχω όλα τα δεδομένα μου κάθονται, και τώρα ήταν που ήταν όλα αυτά σε σχεσιακές βάσεις δεδομένων και αποθήκευση δεδομένων όπως αυτό, αλλά τώρα έχουμε τον Hadoop και το Διαδίκτυο και τα πράγματα και όλα αυτά τα αδόμητα δεδομένα που στέκονται εκεί και τώρα μπορούμε να τα φέρουμε σε αυτή την αρχιτεκτονική BI. Έτσι, η μεσαία βαθμίδα εκεί μιλάει λίγο είναι η αποθήκευση δεδομένων σε συνάθροιση. αυτό είναι το σημείο όπου τραβάμε τα δεδομένα, μπορούμε να τα καθαρίσουμε, να τα αναδιαρθρώσουμε και στη συνέχεια να βάλουμε σε κάποιο είδος αποθηκευτικού χώρου δεδομένων και στη συνέχεια το στρώμα παρουσίασης τοποθετείται πάνω από αυτό, και εκεί προσφέρονται οι χρήστες σας. Και κάνουμε αναλυτικά στοιχεία σχετικά με αυτά τα δεδομένα σε αυτά τα καταστήματα δεδομένων και κάνουμε πίνακες ελέγχου και έχουμε το Tableau να κάθεται εκεί, να αναφέρει υπηρεσίες, τέτοια πράγματα. Πάντα γελούμαι γιατί όταν ήμουν αρχιτέκτονας BA, γελούσαμε πάντα για το Excel, γιατί ας το αντιμετωπίσουμε, το Excel είναι το BI εργαλείο των μαζών, ακόμα.
Λοιπόν, μια μικρή επισκόπηση εκεί, αλλά μόνο για να μιλήσουμε για το είδος της πλατφόρμας αρχιτεκτονικής, έχετε τα δεδομένα πηγής και μίλησα για αυτό σε πολλά καταστήματα δεδομένων. Και έπειτα έχω τη συσσωρευμένη αποθήκευση στον κόσμο της Microsoft, θα έχετε τη βάση δεδομένων SQL Server σας, ίσως όπου είναι η αποθήκη δεδομένων σας, ίσως να έχετε την αποθήκη δεδομένων σας στο σύννεφο, με την αποθήκη δεδομένων σας. Έχετε τις υπηρεσίες ανάλυσης, οι σωλήνες OLAP και τα πράγματα όπως για να κάνετε συγκεντρωτικά και τα πράγματα γύρω από την εξέταση των πραγμάτων σε πολλαπλές διαστάσεις και τέτοια πράγματα. Στη συνέχεια, έχετε το στρώμα παρουσίασής σας, το οποίο μίλησα συνοπτικά, για όλα αυτά τα πράγματα που κάθονται πάνω από αυτά τα καταστήματα δεδομένων και τις συγκεντρώσεις. Και πάντα μου αρέσει αυτό το απόσπασμα, "Δεν ξέρετε τι δεν ξέρετε", το οποίο είναι αλήθεια. Αν δεν παρακολουθείτε και δεν εξετάζετε τι συμβαίνει σε όλες αυτές τις περιοχές της πλατφόρμας BI, πώς γνωρίζετε πότε έχετε κάποιο πρόβλημα εκτός από το πότε οι χρήστες αρχίζουν να στέλνουν ανεπιθύμητα μηνύματα ηλεκτρονικού ταχυδρομείου και ξεκινάει το τηλέφωνο χτυπάει γιατί δεν τρέχουν οι αναφορές μου; Γιατί όλα παίρνουν τόσο καιρό;
Έτσι, σε αυτό το πλαίσιο, τι πρέπει να κάνετε, πρέπει να είστε σε θέση να παρακολουθείτε τις πλατφόρμες σας από τις οποίες εξυπηρετείτε επιχειρησιακές πληροφορίες. Και ουσιαστικά έσπασα αυτό σε τρεις τομείς: έχετε διαθεσιμότητα, απόδοση και αξιοποίηση. Η διαθεσιμότητα σημαίνει αν ο πόρος είναι διαθέσιμος: είναι πάνω ή κάτω; Αρκετά απλά εκεί. Αλλά εξετάζοντας και πότε έχετε, μπορεί να έχετε την πλατφόρμα μπορεί να είναι διαθέσιμη, αλλά μπορεί να έχετε προβλήματα εκεί, έτσι πρέπει να είστε σε θέση να κάνετε εντοπισμό αιτία ρίζας? πρέπει να είστε σε θέση να έχετε προειδοποίηση και να αφήσετε κάποιον να ξέρει τι συμβαίνει, προτού τα πράγματα φτάσουν σε μια κρίσιμη κατάσταση. Αυτό οδηγεί στην πλευρά των επιδόσεων, επίσης, έχετε τα πράγματα από ένα επίπεδο μέτρησης επιδόσεων, σε επίπεδο διακομιστή, όπου φιλοξενούνται οι υπηρεσίες ή οι υπηρεσίες BI ή οι πλατφόρμες BI. έχετε απόδοση σε επίπεδο πόρων όπου ίσως έχω πρόσβαση σε δεδομένα από ένα SAN, για παράδειγμα. Το SAN που είναι ο πόρος, πόροι δικτύου, πρέπει να είστε σε θέση να παρακολουθείτε την απόδοση όλων αυτών, να είστε σε θέση να εντοπίσετε σημεία συμφόρησης και να κρατήσετε τους χρήστες σας ευτυχείς και αν βρίσκεστε σε περιβάλλον όπου κάνετε real- πρέπει να είστε σε θέση να εντοπίσετε σημεία συμφόρησης ή προβλήματα πριν αυτά αρχίσουν να συμβαίνουν.
Και η τελευταία θεωρία είναι η χρήση: τι κάνουν οι χρήστες; Ποιος είναι συνδεδεμένος με τις πηγές BI μου; Ποιος τρέχει τι; Ποια ερωτήματα εκτελούνται; Τι αναφορές τρέχουν; Η γνώση αυτών των πληροφοριών βοηθάει τον προσδιορισμό και τον προγραμματισμό χωρητικότητας, για παράδειγμα. Δείχνει επίσης τι χρησιμοποιείται στο BI περιβάλλον σας. Είχαμε έναν πελάτη που ήθελαν το προϊόν παρακολούθησης για το BI ακριβώς έτσι ώστε να ξέρουν τι τμήματα του περιβάλλοντος BI που χρησιμοποιούν, ώστε να μπορούν να μεταφέρουν τους πόρους γύρω. Για παράδειγμα, αν δεν χρησιμοποιούσαν συγκεκριμένες αναφορές ή κάποιες κύβους υπηρεσιών ανάλυσης, τότε θα μεταφέρουν τους πόρους από αυτές σε άλλες περιοχές που χρησιμοποιούνταν σε μεγάλο βαθμό. Ένα άλλο απόσπασμα που μου αρέσει, μου αρέσουν πραγματικά σπουδαίες ταινίες όπως το "Tremors", έτσι σου λέω την ταινία μου, έτσι μου αρέσει αυτό το απόσπασμα από τον Burt Gummer, ο οποίος έπαιξε ο Michael Gross, αυτός είναι ο τύπος του επιθετικού όπλου και λέει, αυτός εμφανίζεται και βγάζει αυτό το τεράστιο τουφέκι ελεύθερου σκοπευτή 50-διαμετρήματος και ένας από τους τύπους λέει: "Damn, Bert." Και απαντάει: "Όταν το χρειάζεσαι και δεν το έχεις, τραγουδάς μια διαφορετική μουσική. "Με άλλα λόγια, ξέρετε τι; Ήταν έτοιμος για οτιδήποτε και ήρθε προετοιμασμένος για οτιδήποτε, και έτσι τι εννοώ με αυτό είναι αν δεν παρακολουθείτε το περιβάλλον BI σας από πόρους και χρήση και τα πράγματα για τα οποία μόλις μίλησα, τότε δεν συνειδητοποιείτε ότι χρειάζεστε ένα εργαλείο ή ένα περιβάλλον ή μια δομή που την παρακολουθεί μέχρις ότου δεν την έχετε. Και τότε συνειδητοποιείτε ότι πραγματικά χρειαζόμουν να προχωρήσει, και αυτό είναι το είδος του τρόπου που πολλοί πελάτες μας είναι.
Έτσι, αφού το είπαμε, θα προχωρήσουμε και θα δούμε τι κάνουμε εδώ στο IDERA για να λύσουμε ορισμένα από αυτά τα θέματα. Και-
Eric Kavanagh: Εντάξει, πηγαίνετε, το βλέπω.
Stan Geiger: Το βλέπεις; Εντάξει. Έτσι, αυτό που έχουμε εδώ είναι αυτό είναι το BI Manager προϊόν μας. Και παρακολουθούμε, η IDERA παραδοσιακά είναι μια εταιρεία στο περιβάλλον SQL Server, Microsoft SQL Server. Και στη συνέχεια αγοράσαμε στο Embarcadero, έτσι τώρα έχουμε επεκταθεί σε κάποιες άλλες πλατφόρμες, αλλά το προϊόν μας BI παρακολουθεί παραδοσιακά τη στοίβα BI στο περιβάλλον της Microsoft. Και αυτό θα είναι υπηρεσίες ανάλυσης για την πολυδιάστατη και πλατφόρμα ανάλυσης, τις υπηρεσίες αναφοράς, το εργαλείο αναφοράς και, στη συνέχεια, τις υπηρεσίες ενοποίησης, που είναι μια πλατφόρμα ETL, παρόμοια με την πληροφορική.
Και μέσω του προϊόντος μας μπορείτε να παρακολουθείτε και τα τρία αυτά περιβάλλοντα μέσα από ένα προϊόν και αυτό που βλέπετε εδώ είναι ο γενικός πίνακας ελέγχου και το πράγμα που πρέπει να σημειώσετε εδώ είναι όταν μίλησα για την προειδοποίηση, αλλά αυτό δεν είναι αρκετό - πρέπει να έχετε έναν μηχανισμό προειδοποίησης. Με άλλα λόγια, πρέπει να είμαι σε θέση να ενημερώνομαι προτού τα πράγματα φτάσουν σε μια κρίσιμη κατάσταση. Λοιπόν, αυτό που κάνουμε εδώ, υπάρχει μια ολόκληρη σειρά μετρήσεων που καταγράφουμε, οι οποίες μπορούν να διαμορφωθούν επειδή ανάλογα με το περιβάλλον σας, ορισμένα όρια, μπορεί να είστε εντάξει με χρόνο ανάγνωσης τριάντα χιλιοστών του δευτερολέπτου, στο περιβάλλον σας. Σε άλλα περιβάλλοντα μπορεί να είναι πιο κρίσιμο το όριο αυτό να είναι χαμηλότερο, οπότε είναι σημαντικό όχι μόνο να έχετε ειδοποίηση, αλλά να το έχετε διαμορφώσιμο, επειδή τα περιβάλλοντα διαφέρουν ανάλογα με τους πόρους.
Έτσι, βασικά, πρόκειται για μια επισκόπηση όλων των περιβαλλόντων που παρακολουθούνται εδώ, και έχω τρεις περιπτώσεις εδώ: μία για τις υπηρεσίες ανάλυσης, μία για τις υπηρεσίες ενοποίησης, μία για τις υπηρεσίες αναφοράς. Και βλέπετε ότι έχω κάποιες ειδοποιήσεις εδώ. Και επειδή αυτά είναι κόκκινα, μου λέει ότι αυτά είναι κρίσιμα, επειδή έχω πολλαπλά επίπεδα που μπορώ να ορίσω αυτές τις ειδοποιήσεις και οι ειδοποιήσεις μπορούν να αποστέλλονται μέσω ηλεκτρονικού ταχυδρομείου σε ανθρώπους που είναι υπεύθυνοι για την εξέταση του προβλήματος. Λοιπόν, σύντομα θα ρίξουμε μια ματιά και θα επιστρέψω στην προειδοποίηση, ώστε να μπορέσουμε να μπει στο κομμάτι των υπηρεσιών ανάλυσης και είναι, είμαι σίγουρος ότι περιμένει να φορτώσει εδώ. Και βασικά, αυτό που κάνουμε, έχουμε μια συλλογή δεδομένων. πηγαίνει έξω εκεί περιοδικά και πηγαίνει εκεί και συλλέγει και στιγμιότυπα κάποιου είδους που κάνουν τα περιβάλλοντά σας. Έτσι, έχω την δική μου για κάθε έξι λεπτά, έτσι κάθε έξι λεπτά πηγαίνει εκεί έξω και δημοσκοπήσεις στο περιβάλλον. Είχα τον VM κοιμισμένο για λίγο, γι 'αυτό θα χρειαστεί ένα δευτερόλεπτο για να έρθει πίσω. Πάμε εκεί.
Έτσι, ρίχνουμε μια ματιά στο κομμάτι των υπηρεσιών ανάλυσης και έτσι θα κάνω κλικ στο παράδειγμα μου εδώ και θυμάμαι ότι μίλησα για ένα από τα πράγματα που παρακολουθούμε είναι η απόδοση σε επίπεδο διακομιστή, επειδή πολλοί άνθρωποι έχουν πολλά πράγματα που τρέχουν στο διακομιστή τους. Μπορεί να έχω μια βάση δεδομένων που τρέχει στο διακομιστή μου, καθώς και υπηρεσίες ανάλυσης, για παράδειγμα. Έτσι, αν συμβαίνει κάτι στη βάση δεδομένων ή έχω ένα ζήτημα σε επίπεδο διακομιστή, αυτό θα επηρεάσει ό, τι συμβαίνει εκεί. Επομένως, θα παρακολουθούμε τα πράγματα σε ολόκληρο το διακομιστή σε επίπεδο διακομιστή, τα πράγματα όπως η απόδοση του δίσκου και μπορείτε να δείτε ότι συλλαμβάνουμε μετρήσεις γύρω από όλα αυτά. Και όλα αυτά είναι διαμορφώσιμα. Και θα ρίξω μια ματιά στο τι συμβαίνει, CPU-σοφός, απλά, και πάλι, αυτό είναι σε επίπεδο διακομιστή, όχι στο επίπεδο των υπηρεσιών ανάλυσης στο παράδειγμα μου εδώ. Αλλά στην πραγματικότητα σε επίπεδο διακομιστή.
Και μπορώ να δω τα πράγματα όπως η μνήμη, η συνολική χρήση της μνήμης για παράδειγμα, τι είναι διαθέσιμο; Τώρα λοιπόν έχω μια ιδέα για το τι είναι η υγεία του ίδιου του διακομιστή. Τότε μπορούμε να αρχίσουμε να ρίχνουμε μια ματιά στα πράγματα που είναι ιδιαίτερα για, σε αυτή την περίπτωση υπηρεσίες ανάλυσης. Μπορώ να κοιτάξω και να δούμε πώς περνάει εδώ η επεξεργασία με κύβους, για παράδειγμα, και αυτό μου δίνει ένα μέτρο της υγείας. Εάν αρχίσω να βλέπω ότι η επεξεργασία παίρνει περισσότερο χρόνο, ή δεν είναι οι σειρές που δεν γράφονται σχεδόν τόσο γρήγορα, τότε μπορώ να αρχίσω να ρίχνω μια ματιά - και αυτό πηγαίνει στο κομμάτι συσχετισμού που πιστεύω ότι ο Robin μιλούσε, είναι ότι χρειάζεται ακόμα ένας άνθρωπος για να μπορέσει να κάνει όλα αυτά. Μιλάμε για AI, μηχανική μάθηση, αλλά χρειάζεται ακόμα ένας άνθρωπος για να είναι σε θέση να συσχετίσει αυτά τα γεγονότα γύρω από τα πράγματα. Μπορούμε να ρίξουμε μια ματιά σε πράγματα όπως αυτά που συμβαίνουν μέχρι στιγμής ερωτήματα, ποια ερωτήματα εκτελούνται και πόσο καιρό παίρνουν; Μπορώ να ταξινομήσω, έτσι μπορώ να αρχίσω να κάνω μια ιδέα για ποια ερωτήματα παίρνουν το μεγαλύτερο χρονικό διάστημα. Μπορείτε να ρίξετε μια ματιά εδώ, στο χρόνο που πέρασα, μπορώ να ρίξω μια ματιά και να δω το ΟΚ, ποιο ήταν αυτό το ερώτημα και ποιος τρέχει εκείνο το ερώτημα εκείνη τη στιγμή;
Τότε λοιπόν μπορώ να αρχίσω να βάζω μια ιστορία γύρω από αυτό, όταν όταν αρχίζω να βλέπω τα πράγματα να ξεκινούν, μπορώ να γυρίσω πίσω και να δούμε και να δούμε τι κάνουν οι χρήστες εκείνη τη στιγμή. Και θα δείτε ένα από τα πράγματα που κάνουμε είναι να βάλουμε αυτό το picker εδώ για να σας επιτρέψουμε να επιλέξετε ένα παράθυρο χρόνου. Έτσι, για παράδειγμα, μπορώ να επιστρέψω σε αυτές τις ειδοποιήσεις, και ήταν στην πραγματικότητα ένας σύνδεσμος για τις ειδοποιήσεις στις οποίες κάνω κλικ, και θα μου χρειαζόταν εκείνο το χρονικό σημείο κατά το οποίο έλαβε χώρα αυτή η ειδοποίηση. Και έπειτα μπορώ να ξεκινήσω να ταιριάζω την ιστορία μαζί, μπορώ να δω ω, καλά, οι δίσκοι διαβάζουν ή έχουν προβλήματα μνήμης ή οτιδήποτε άλλο και τότε μπορώ να πηδήσω πάνω από τη δραστηριότητα των ερωτήσεων εκείνη τη στιγμή και μπορώ πραγματικά να ξεκινήσω συσχετίζοντας ποιος εκτέλεσε όσα ερωτήματα θα μπορούσαν να προκάλεσαν αυτές τις αιχμές εκεί. Και τότε, μπορείτε να αρχίσετε να κάνετε πράγματα όπως μπορώ να αρχίσω να συντονίζω, αυτό είναι όταν ξεκινώ να συντονίζω. Αυτό είναι σαν ένα αυτοκίνητο, εάν κατασκευάσετε ένα αγωνιστικό αυτοκίνητο και απλά πέστε τον κινητήρα και ξεκινήσετε το κλειδί που θα μπορούσε να ξεκινήσει ο κινητήρας, αλλά αν χρειαστεί να πάω 180 μίλια ανά ώρα για να κερδίσω, πρέπει να ξέρω ότι ο κινητήρας μπορεί να τρέξει 100 μίλια μια ώρα και πρέπει να πάω εκεί και να αρχίσω να συντονίζω τον κινητήρα για να μπορώ να φτάσω εκεί. Και αυτό είναι αυτό που σας επιτρέπει να κάνετε, είναι να μπορέσετε να δώσετε αρκετές πληροφορίες για να ξεκινήσετε τη ρύθμιση του περιβάλλοντος σας, να αυξήσετε την υγεία και την παραγωγή αυτού του περιβάλλοντος και την αποτελεσματικότητα.
Και τότε, παρακολουθούμε τα πράγματα σε όλη τη μνήμη που είναι ειδικά για τις υπηρεσίες ανάλυσης, σε αυτή την περίπτωση. Και αυτό είναι όπου μπορείτε να αρχίσετε να βλέπετε πού τα πράγματα μπορεί να αρχίσουν να πηγαίνουν στραβά, όταν αρχίζετε να βλέπετε τα πράγματα να σπρώχνονται πιο πάνω ανάμεσα στα όρια της μνήμης σας, τέτοια πράγματα. Το άλλο πράγμα που είναι καλό να κοιτάξετε, οποτεδήποτε τρέχετε οποιοδήποτε τύπο ερωτημάτων, θέλετε να θέλετε τα δεδομένα να αποθηκευτούν, επειδή όταν αποθηκεύεται προσωρινά, είναι στη μνήμη και δεν χρειάζεται να διαβάζει από το δίσκο, το οποίο είναι πολύ περισσότερο αποτελεσματικότερη από την ανάγκη ανάγνωσης δεδομένων από δίσκο. Έτσι, μπορείτε να αρχίσετε να ρίχνετε μια ματιά στα πράγματα που συμβαίνουν, με συγχωρείτε, στην προσωρινή μνήμη δεδομένων, για παράδειγμα. Είχα μια δέσμη ερωτημάτων που εκτελούσαν νωρίτερα, για να λάβετε αυτά τα δεδομένα και μπορείτε να δείτε ότι είχα τις περισσότερες φορές, οι επιτυχίες της κρυφής μνήμης και οι αναζητήσεις αλληλεπικαλύπτονται, κάτι που είναι καλό. Αλλά είχα μια περίοδο εδώ, όπου τα χτυπήματα ήταν πολύ χαμηλότερα από ό, τι ήταν οι αναζητήσεις, που μου λέει ότι έχω κάτι που συμβαίνει αυτό ήταν μνήμη εντατική, έτσι ώστε η κρυφή μάζα ήταν να ξεπλύνετε πολύ πιο γρήγορα, έτσι τα δεδομένα έπρεπε να είναι ανάγνωση από το δίσκο. Και μπορούμε να το δούμε όταν κοιτάμε τον κινητήρα αποθήκευσης. Αυτό είναι το ίδιο χρονικό σημείο με αυτό το άλλο γράφημα και μπορείτε να δείτε την ακίδα εκεί, όπου τα ερωτήματα από το αρχείο πήδηξαν πραγματικά κατά τη διάρκεια αυτής της περιόδου. Και αυτό σημαίνει ότι τα δεδομένα διαβάζονται από το δίσκο. Τώρα, μπορώ να επιστρέψω και στη συνέχεια να συσχετιστώ αυτό με τα ερωτήματα που τρέχουν, και να μην κάνει τα αυτιά όλων των αιμορραγούν, αλλά στις υπηρεσίες ανάλυσης, χρησιμοποιεί μια γλώσσα που ονομάζεται MDX, υπάρχουν τρόποι για να γράφουν ερωτήματα πιο αποτελεσματικά, έτσι χρησιμοποιεί τη μνήμη cache πιο αποτελεσματική και λιγότερο αποθήκευση. Έτσι, υπάρχει ένα παράδειγμα ρύθμισης αυτού του κινητήρα, και σας δίνει όλα τα κομμάτια που απαιτούνται για να είναι σε θέση να συσχετίσει αυτό.
Ακριβώς γρήγορα, μπορούμε επίσης να το αντικαταστήσουμε με τον άλλο τρόπο, όταν εξετάζουμε τα ερωτήματα, μπορούμε να δούμε τώρα τις συνεδρίες, ποιος είναι πραγματικά συνδεδεμένος σε αυτό το σημείο και ποια είναι αυτά που τρέχουν; Έτσι, αυτό το είδος σας δίνει την αντίθετη άποψη των ερωτημάτων και ποιος τους τρέχει. Αυτός είναι ο οποίος είναι συνδεδεμένος και έπειτα μπορώ να δω τι τρέχει αυτή τη στιγμή. Το άλλο πράγμα είναι να δείτε όλα τα αντικείμενα στους πολυδιάστατους κύβους MOLAP μου. Και μπορώ να λάβω πληροφορίες σχετικά με αυτό. Έτσι, για παράδειγμα, μπορώ να ταξινομήσω με βάση αυτήν τη στήλη ανάγνωσης, και μπορώ να δω ότι το πιο χρησιμοποιούμενο αντικείμενο είναι η χρονική διάσταση και το δεύτερο πιο χρησιμοποιούμενο είναι η διάσταση του πελάτη. Και αυτό βοηθά τους ανθρώπους που αναπτύσσουν και κατασκευάζουν τα πράγματα για να χτίζουν πιο αποτελεσματικά τους κύβους τους. Ίσως θελήσω να αλλάξω τη στρατηγική καταμερισμού των δεδομένων μου, για παράδειγμα, σε αυτές τις εξαιρετικά χρησιμοποιούμενες διαστάσεις στον κύβο μου, και γι 'αυτό θα αυξηθεί η απόδοση των ερωτημάτων, για παράδειγμα. Μπορεί να μειώσει την απόδοση επεξεργασίας του κύβου, επειδή τώρα έχω περισσότερα κατατμήσεις, αλλά από την πλευρά του χρήστη πρόκειται να συντονιστεί ο κινητήρας, για να είναι πιο αποδοτικός για τη χρήση αυτών των αντικειμένων.
Συνεπώς, προχωρήστε, μιλήστε για τις υπηρεσίες ένταξης εδώ. Οι υπηρεσίες ενοποίησης, ανέφερα, είναι μια πλατφόρμα ETL σε περιβάλλον Microsoft. Αυτό που κάνουμε εδώ - και αυτό είναι συνεπές - παρακολουθούμε την απόδοση του διακομιστή, και αυτές θα είναι οι ίδιες μετρήσεις που εξετάσαμε, επειδή όλες οι υπηρεσίες μου εκτελούνται στον ίδιο διακομιστή. Αλλά και πάλι, αυτή είναι μια επισκόπηση του τι συμβαίνει στο διακομιστή. Και έπειτα μπορώ να δω τη δραστηριότητα των υπηρεσιών ενοποίησης, τις διαδικασίες ETL μου. Έτσι, μπορώ να πάρω μια ιδέα για το πότε έτρεχαν αυτές οι διαδικασίες, είτε ήταν επιτυχείς είτε όχι, μπορώ να επισημάνω μια συγκεκριμένη διεξαγωγή μιας διαδικασίας ETL και έπειτα θα μου δείξει την κατανομή των βημάτων μέσα σε αυτή τη διαδικασία ETL, είτε ήταν επιτυχής ή όχι και πόσο καιρό πήρε.
Τώρα, αν είχα ένα αποτυχημένο πακέτο εδώ ETL διαδικασία, θα μπορούσα να πάω κάτω στις λεπτομέρειες και να δείτε το μήνυμα σφάλματος και θα μου δείξει ποιο βήμα σε αυτό το πακέτο όπου η διαδικασία ETL απέτυχε, μαζί με όλα τα μηνύματα που σχετίζονται με αυτό. Λοιπόν, αυτό που κάνει, είναι αυτό που μου δίνει και μπορώ να έχω μια ειδοποίηση αν αποτύχει, οπότε αν έχω μια ειδοποίηση, μπορώ να πάω εδώ, να δω, να πάω σε αυτή την ειδοποίηση, να δω την αποτυχία του πακέτου, να δούμε τα βήματα, δείτε πού απέτυχε, δείτε το μήνυμα σφάλματος και αμέσως ξέρω τι πρέπει να κάνω για να το διορθώσω: ανακατασκευάστε το και στη συνέχεια ξεκινήστε πάλι. Λοιπόν, αυτό που σας επιτρέπει να κάνετε είναι να το ονομάζουμε να συντομεύουμε αυτό το παράθυρο μεταξύ της αναγνώρισης του προβλήματος και της επίλυσης του προβλήματος. Έτσι, σε προηγούμενη ζωή, όταν ήμουν υπεύθυνος για τέτοια πράγματα, είχαμε διαδικασία ETL που θα τρέχει το βράδυ, για να φορτώσει την αποθήκη δεδομένων μας. Αν είχα αυτές τις πληροφορίες, το πρωί όταν ήρθα στο σπίτι, αν κάτι αποτύχει, τότε μπορώ γρήγορα να το απευθύνω και να βρω αυτή τη διαδικασία για να βεβαιωθώ ότι η αποθήκη δεδομένων ήταν σε λειτουργία και ανανεώθηκε από τη στιγμή που οι χρήστες μπήκε και άρχισε να έχει πρόσβαση στην αναφορά.
Το άλλο πράγμα είναι ότι έχω δύο διαδικασίες που τρέχουν, είναι να κοιτάξω και να δω πώς έτρεξε με την πάροδο του χρόνου. Αυτό είναι σημαντικό, γιατί αν αρχίσω να βλέπω αυτές τις διαδικασίες, για παράδειγμα, παίρνοντας περισσότερο χρόνο, βλέποντας αυτούς τους χρόνους να γίνονται ραγδαία, τότε ίσως χρειαστεί να ρίξω μια ματιά, για παράδειγμα, στο παράθυρο συντήρησης μου, μπορεί να έχω πράγματα που συμβαίνουν σε αυτόν τον server . Πάρτε, για παράδειγμα, αντίγραφα ασφαλείας. Μπορεί να έχω ένα backup που συμβαίνει αυτό προκαλεί τη διαδικασία μου να περιμένει μέχρι να τελειώσει. Μπορεί να χρειαστεί να αναπρογραμματίσω ή να κάνω juggle τις διαδικασίες μου γύρω από πράγματα που αρχίζουν να επηρεάζουν το ETL μου.
Και το τελευταίο κομμάτι αναφέρεται στις υπηρεσίες. Οι υπηρεσίες αναφοράς είναι η Microsoft, βασικά το εργαλείο αναφοράς επιχειρήσεων. Και μερικά από τα πράγματα, πάλι, μπορούμε να δούμε τα πράγματα σε επίπεδο διακομιστή, μπορούμε να δούμε τα πράγματα σε ολόκληρο τον διακομιστή αναφορών, τον εξυπηρετητή reporting server, ο ίδιος. Δεν έχω πολλά πράγματα που τρέχουν εδώ. Έχω κάποιες συνδρομές που τρέχουν κάθε 15 λεπτά, για να τρέξει μια αναφορά. Έτσι, δεν θα βλέπετε πολλές ενεργές συνδέσεις, επειδή γίνεται on, συνδέει, εκτελεί αναφορά, αποσυνδέει και αποστέλλει.
Αλλά σε υψηλά περιβάλλοντα συναλλαγών όπου γίνονται πολλές αναφορές, είναι σε θέση να παρακολουθήσουν αυτά τα πράγματα. Έτσι, μπορείτε να δείτε πού πήγα τα πράγματα εδώ, έτσι σας δίνει μια καλή ιδέα για το τι συμβαίνει, από την πραγματική υπηρεσία και την πλατφόρμα επίπεδο. Και τότε, όπως μίλησα στις διαφάνειες, είναι ποιος τρέχει τι και τι κάνουν; Και ένας από τους πελάτες μας αγόρασε αυτό το προϊόν μόνο για αυτό το κομμάτι, επειδή ήθελε να μάθει ποιες αναφορές εκτελούσαν οι άνθρωποι και ποιος εκτελούσε αυτές τις αναφορές. Αυτό είναι ένα από τα πράγματα στην εκτέλεση αυτής της έκθεσης που μπορείτε να δείτε εδώ. Μπορώ να δω ποια έκθεση, μπορώ να δω όλες τις παραμέτρους που ήταν σε αυτή την έκθεση, μπορώ να δω ποιος τρέχει, βλέπω τη μορφή της έκθεσης. Και έχω όλες αυτές τις μετρήσεις γύρω από αυτό, έτσι ώστε αν ξανά μπορώ να ταξινομήσω αυτά τα πράγματα, για παράδειγμα, ποια έκθεση πήρε το μεγαλύτερο χρονικό διάστημα για να ανακτήσει τα δεδομένα, και μπορώ να πάω δεξιά σε αυτό και να δω ποια έκθεση είναι αυτή. Και πάλι, αυτό μου δίνει όλα τα δεδομένα για να είμαι, για να συντονίσω και πάλι τον κινητήρα. Τώρα, μπορώ να ξεκινήσω να συντονίζω το περιβάλλον αναφοράς μου γύρω από αυτό.
Και το τελευταίο πράγμα είναι, μπορώ να ρίξω μια ματιά στη δραστηριότητα των χρηστών, ποιος είναι συνδεδεμένος ξανά με το παρόν, τι κάνουν; Μπορώ πραγματικά, σε ένα περιβάλλον όπου είχα πολλούς χρήστες, όλα αυτά είναι ταξινομημένα ώστε να μπορώ να κατατάξω, μπορώ να δω ποιος χρησιμοποιεί το περιβάλλον περισσότερο. Έτσι, για να επιστρέψετε γρήγορα και να ρίξετε μια ματιά σε αυτές τις ειδοποιήσεις. Εδώ ήταν αυτή η ειδοποίηση. Μπορώ να κάνω κλικ σε αυτόν τον σύνδεσμο εδώ και θα με πάρει στο γράφημα για εκείνη την χρονική στιγμή και θα μου δείξει ποια ήταν υπό επιφυλακή. Έτσι μπορείτε να δείτε εδώ, αυτός είναι αυτός που επειδή ήταν το μέσο χιλιοστό του δευτερολέπτου για γράψιμο, για παράδειγμα, να διαβάζει και να γράφει. Έτσι, και πάλι, απλώς προσπαθούμε να βρούμε αυτό το σημείο ταυτοποίησης των προβλημάτων. Και είναι πραγματικά σημαντικό να έχουμε ένα ολιστικό εργαλείο, όχι μόνο κάτι που εξετάζει αυτό το πράγμα, επειδή ο άνθρωπος πρέπει να έρθει εδώ και να συσχετίσει αυτά τα γεγονότα που συμβαίνουν, οπότε πρέπει να είστε σε θέση να δείτε τι συνέβαινε σε αυτό σημείο στο χρόνο στις πολλαπλές περιοχές αυτού του περιβάλλοντος, και αυτό είναι ένα από τα πράγματα που κάνουμε μέσω αυτής της επιλογής χρόνου εδώ.
Eric Kavanagh: Ναι, αυτός είναι ο Eric εδώ με μια γρήγορη ερώτηση, γιατί νομίζω ότι πιθανόν να χτυπήσετε το καρφί στο κεφάλι και γι 'αυτό μίλησα στην κορυφή της ώρας, ότι πρέπει να έρθει ένας άνθρωπος και να σχεδιάσετε αυτές τις συσχετίσεις μεταξύ διαφορετικών περιβαλλόντων. Είμαι περίεργος να ξέρω, υπάρχει κάποιο εκπαιδευτικό υλικό που μπορείτε να μοιραστείτε μαζί σας, ή μήπως κάνετε κάποιο είδος εμπλοκής με τους ανθρώπους για να τους βοηθήσετε να προσδιορίσουν μερικά από αυτά τα μοτίβα; Όπως είχατε ένα πολύ καλό παράδειγμα πριν από ένα λεπτό, για το πότε ένα από αυτά είναι spiking που σας λέει ότι κάτι συμβαίνει στη μνήμη επειδή προσπαθούσε συνεχώς να πετάξει τη μνήμη. Και σας δίνει μια ένδειξη, αλλά πώς οι άνθρωποι χαρτογράφηση αυτών των στατιστικών στοιχείων κατά πραγματικά προβλήματα, είναι το πραγματικό ερώτημα.
Stan Geiger: Ναι, αυτό είναι ένα καλό σημείο και ένα από τα πράγματα για τα οποία μόλις μιλούσα, οδικός χάρτης για το προϊόν, αργότερα φέτος πρόκειται να κυκλοφορήσουμε μια έκδοση και ένα από τα πράγματα που πρόκειται να αρχίσουμε να προσθέτουμε είναι σε κάθε ένα από αυτά τα γραφήματα, είναι μια περιγραφή του τι σημαίνει αυτό το γράφημα και γιατί πρέπει να φροντίζετε και ποιος είναι ο αντίκτυπος αυτού. Έτσι, μπορείτε να κάνετε κλικ σε ένα ερωτηματικό ή κάτι σε αυτό το γράφημα και στη συνέχεια να τραβήξετε ένα παράθυρο που θα σας δώσει πολλές από αυτές τις πληροφορίες και να σας πω αυτά είναι τα πιθανά αίτια, αυτές είναι οι περιοχές που επηρεάζονται, και να καθοδηγήσει εσείς σε μια κατεύθυνση να μπορέσετε να πάτε σε αυτή την περίπτωση, όπως είπατε, εδώ είναι εκείνη η ακίδα, ξέρω από την προσωπική μου εμπειρία τι σημαίνει αυτό. Και τότε μπορώ να αρχίσω να πηγαίνω και να αρχίσω να τρυπώ σε μια περιοχή και να βρω την αιτία.
Τώρα, έχουμε πολλά από αυτά, στην πραγματικότητα, στο προϊόν διαχείρισης διαγνωστικών για τον SQL Server, για την πραγματική βάση δεδομένων. Έχουμε πολλούς από αυτούς τους τύπους λειτουργικότητας σε ένα προϊόν σαν αυτό, και επίσης έχουμε κάποιες βολίδες ανάλυσης στον διαγνωστικό διαχειριστή που σας δείχνουν πολύ πιο γρήγορα. Και εδώ πηγαίνουμε στο δρόμο με αυτό το προϊόν.
Eric Kavanagh: Και υποθέτω ότι υπάρχουν υπογραφές σε ορισμένα είδη δραστηριότητας. Το εργαλείο αυτό σας επιτρέπει να προσδιορίσετε πότε έλαβε χώρα ένα συγκεκριμένο γεγονός και να το καταγράψετε, έτσι ώστε με την πάροδο του χρόνου να αναγνωρίσει ένα παρόμοιο μοτίβο στη γραμμή και να σας βοηθήσει να καταλάβετε ίσως αν είναι ένας νέος χρήστης, για παράδειγμα, χρησιμοποιώντας το ίδιο εργαλείο; Σας βοηθά να καταλάβετε, ω, αυτό οφείλεται στο γεγονός ότι αυτοί οι διακομιστές κατέβηκαν ή επειδή αυτή η περιοχή κατέβηκε; Υπάρχει κάποιος τρόπος να ταξινομηθούν οι υπογραφές των προβλημάτων, έτσι ώστε να τα αναγνωρίζετε εύκολα αργότερα;
Stan Geiger: Όχι, στην πραγματικότητα, αλλά αυτό είναι πραγματικά μια ενδιαφέρουσα ιδέα, γιατί είναι σχεδόν όπως, τι είναι - βασική ανάλυση συστατικών, υποθέτω - όπου ταυτίζετε τα πρότυπα και καταγράφετε αυτά τα σχέδια και έτσι αν τα βλέπετε ξανά μπορείτε να πάτε πίσω και δες, ΟΚ, αυτή ήταν η αιτία σε εκείνο το σημείο. Ναι, αυτό είναι κάτι, δεν είναι στον οδικό χάρτη αλλά είναι κάτι που έχω σκεφτεί από τη σκοπιά της διαχείρισης προϊόντων.
Eric Kavanagh: Μπορώ να φανταστώ. Ω, προχωρήστε.
Stan Geiger: Όχι, θα ήθελα να πω - και έχουμε πολλά αιτήματα, γιατί δεν ξέρω ποια είναι η εμπειρία σας - αλλά αυτό που βρίσκουμε είναι οι βάσεις δεδομένων DBAs όπως το πίσω μέρος του χεριού τους, αλλά τα BI πράγματα είναι είδος σαν ένα μαύρο κουτί όταν πρόκειται για την υγεία της πλατφόρμας. Και δεν υπάρχει, δεν έχουν πολλή βάση γνώσεων γύρω από αυτό. Το κάνω, απλώς από το να δουλέψω σε αυτό για πέντε έως δέκα χρόνια, σωστά; Αλλά οι συνηθισμένοι άνθρωποι που είναι υπεύθυνοι για την εύρεση αυτών, ή για να πάρουν ειδοποιήσεις και να υπολογίσουν τι συμβαίνει, είναι ένα είδος μαύρου κουτιού τους.
Eric Kavanagh: Ναι, μπορώ να φανταστώ. Θα ήμουν επίσης περίεργος να το ξέρω, έτσι δείξατε σε αυτή την οθόνη πώς μπορείτε να δείτε όλα τα ερωτήματα που έρχονται μέσω, πόσο καιρό χρειάστηκε για να τρέξει και ποιος τα δημιούργησε. Μπορείτε επίσης να δείτε την πραγματική δομή του ίδιου του ερωτήματος SQL και να κάνετε κάποια ανάλυση γύρω από αυτό; Όπως και ίσως μερικές φορές οι άνθρωποι βάζουν μαζί ερωτήματα SQL που είναι κάπως ογκώδη, ας πούμε, και δυσκίνητα, σε αντίθεση με έναν πλοίαρχο που συγκεντρώνει πραγματικά ένα ωραίο, σφιχτό ερώτημα. Είναι κάτι που μπορείτε να απεικονίσετε μέσω αυτού του εργαλείου και στη συνέχεια να σας βοηθήσουμε αυτό είναι το πρόβλημα;
Stan Geiger: Ναι, λοιπόν, τι μπορείτε να κάνετε είναι, όπως ό, τι έκανα εδώ, είμαι ακριβώς ταξινομημένος κατά τη διάρκεια του χρόνου. Έτσι μπορώ να δω αυτά που πήραν το μεγαλύτερο χρονικό διάστημα και έπειτα παίρνω το κείμενο αλλά έπειτα εξακολουθεί να εξαρτάται από κάποιον που είναι περισσότερο ή λιγότερο ο ειδικός στο θέμα να το κοιτάξει και να πάει, "Ω, εντάξει, γι 'αυτό πήρε τόσο πολύ "Αυτό είναι κάτι που έχουμε μια ανάλυση φόρτου εργασίας, το ονομάζουμε SQL Workload Analyzer για την πλευρά της βάσης δεδομένων, ότι έχω ξεγελάσει με την ιδέα ίσως κάτω από το δρόμο που έρχεται με ένα παρόμοιο πράγμα, έτσι ώστε να αναγνωρίζει αυτά τα ερωτήματα και στη συνέχεια σας δίνει συστάσεις για τον τρόπο επίλυσης αυτών των ερωτημάτων. Αλλά ένα από τα ζητήματα είναι, είναι ότι αυτό το ερώτημα MDX είναι μια αρκετά εξειδικευμένη γλώσσα.
Eric Kavanagh: Ναι, μπορώ να φανταστώ. Αλλά μπορείτε να δείτε, για παράδειγμα, ποιοι είναι οι άνθρωποι, οπότε δεν είναι πολύ δύσκολο να καταλάβεις αν ένα άτομο, αν κάποιος τύπος είναι υπεύθυνος για δέκα από τα μακρύτερα ερωτήματα διεργασίας, τότε αν δεν μπορείς να τον καλέσεις τίποτα άλλο ή να καλέσεις ο διευθυντής του ή κάποιος και να πει: "Γεια σου, αυτός ο τύπος μαστίζει πολύ bandwidth, " και ίσως αποδειχθεί ότι αυτά είναι τα πιο πολύτιμα ερωτήματα για την επιχείρηση, έτσι; Πρέπει να το βάλετε στο πλαίσιο της αξίας της επιχείρησης, από τα ίδια τα ερωτήματα, δεν είναι μόνο ένα καθαρό παιχνίδι αριθμών, έτσι; Είναι για να μάθετε ότι αυτός ο τύπος είναι ο χρήστης της εξουσίας μας και αυτός είναι αυτός που αλλάζει την επιχείρηση, σωστά;
Stan Geiger: Όχι, έχετε ακριβώς δίκιο. Θέλω να πω, αυτός είναι ένας από τους τρόπους με τους οποίους οι πελάτες το χρησιμοποιούν αυτό, είναι να είναι σε θέση να το κάνει αυτό. Όπως είπατε, μπορείτε να βρείτε μια περιοχή, επειδή ένα από τα πράγματα που μιλάω, πάντα σκουριάζει στο Excel, αλλά μπορείτε να συνδεθείτε με τις υπηρεσίες ανάλυσης στο Excel και να εκτελέσετε πίνακες περιστροφής εκτός του OLAP και δημιουργεί τις δικές του ερωτήσεις. τα στέλνει και μερικές φορές δεν είναι η καλύτερη μορφή, ώστε να μπορείτε να επιστρέψετε και να τα εντοπίσετε και στην πραγματικότητα να τα ξαναγράψετε και να τα δώσετε στο χρήστη και να τα αφήσετε να τα τρέξει έξω εκεί, ώστε να μην χρειαστούν μισή ώρα για να επιστρέψουν στο συγκεντρωτικό τραπέζι τους.
Eric Kavanagh: Ακριβώς. Και όταν μιλάμε για ερωτήματα, εσείς καλύπτετε το φάσμα των ερωτημάτων, έτσι αναφέρατε το MDX, τι γίνεται με μερικά από τα άλλα ερωτήματα όπως ένα ερώτημα DAX ή κάποια από αυτά τα άλλα;
Stan Geiger: Ναι, καλύπτουμε, ναι, οποιοδήποτε DAX και MDX και τα δύο. Έτσι, ένα από τα πράγματα που δεν ανέφερα, ή το έκανα, ίσως, αλλά υποστηρίζουμε και τα tabular και το OLAP στη Microsoft και το DAX είναι - νομίζω ότι εσύ και εγώ μιλήσαμε για αυτό λίγο πίσω - βλέπουμε πολλά περισσότερο πίνακα από ό, τι είμαστε OLAP. Γιατί είναι απλώς ευκολότερο να φέρετε τα πινακοποιημένα μοντέλα και τέτοια πράγματα και έτσι θα δείτε προφανώς ερωτήματα DAX, αλλά θα τα πάρουμε και αυτά.
Eric Kavanagh: Ναι, αυτό είναι ενδιαφέρον. Έχετε κάποιο πλαίσιο γύρω από το γιατί συμβαίνει αυτό; Είναι ίσως επειδή όλο και περισσότεροι άνθρωποι μπαίνουν σε αυτά τα πράγματα και επειδή OLAP, φυσικά, δεν είναι κάτι καινούργιο, αυτό συμβαίνει για ό, τι τουλάχιστον 30 χρόνια;
Stan Geiger: Δεξιά, καλά, είναι ένα είδος συνδυασμού, ένα από τα πράγματα είναι ο σχεδιασμός κύβων είναι μια τέχνη. Και οι κύβοι χτίστηκαν για να προκαταρκτούν τα δεδομένα, οπότε είναι πραγματικά γρήγορο για να βγεις τα δεδομένα, αλλά η επεξεργασία του κύβου παίρνει λίγο χρόνο επειδή πρέπει να κάνει όλα αυτά τα συνάθροι. Και τότε, το υλικό πήρε φθηνότερο και η μνήμη πήρε φθηνότερα και τότε όλοι έβγαιναν έξω με τις στήλες και τις βάσεις δεδομένων μνήμης, πραγματικά. Και επίσης η πινακοειδής είναι ίσως η πλησιέστερη στις παραδοσιακές σχεσιακές βάσεις δεδομένων και είναι πολύ πιο εύκολο και πιο γρήγορο να εμφανιστούν πινακοποιημένα μοντέλα από ό, τι με το OLAP. Αλλά το μειονέκτημα είναι ότι βρίσκεται στη μνήμη, το όλο πράγμα παραμένει στη μνήμη, γι 'αυτό είναι πολύ μνήμη και τα δεδομένα δεν συγκεντρώνονται μέχρι να το ζητήσετε. Έτσι, αλλά έχοντας πει όλα αυτά, αρχίζουμε να βλέπουμε πολύ πιο πινακοειδή εκεί έξω.
Eric Kavanagh: Αυτό είναι ενδιαφέρον. Μπορεί επίσης να οφείλεται στο γεγονός ότι η συγκεκριμένη βιομηχανία είναι κάπως ισοπεδωτική και αυτό που εννοώ είναι ότι παίρνουμε πολλούς περισσότερους ανθρώπους που αλληλεπιδρούν με δεδομένα και χρησιμοποιώντας διάφορα εργαλεία και σίγουρα όταν μιλάτε για τη Microsoft, αυτό είναι σίγουρα το γεγονός ότι έχετε πολλούς, περισσότερους χρήστες για μικρές και μεσαίες επιχειρήσεις και ακόμη και μερικούς μεγαλύτερους οργανισμούς που σκάβουν τα πράγματα, έχουν πρόσβαση σε εργαλεία, τρέχουν ερωτήματα και δεν είναι ίσως εξοικειωμένοι με το όλη τη διαδικασία και τις τεχνολογίες γύρω από την κατασκευή κύβων, στο σημείο σας, σωστά; Γιατί χρειάζεται να σκεφτείς και είναι επίσης ακριβό; Χρειάζεται χρόνος, χρειάζεται ενέργεια για την κατασκευή αυτών των κύβων, εκτός αν χρησιμοποιείτε μερικές από τις νεότερες τεχνολογίες εκεί έξω. Όπως για παράδειγμα, έχουμε μιλήσει με εταιρείες όπως το Snowflake, για παράδειγμα, κάνει αρκετά ενδιαφέροντα πράγματα, αλλά νομίζω ότι έχετε πολύ περισσότερους ανθρώπους που χρησιμοποιούν τα πράγματα και πιθανότατα θα πηγαίνουν με αυτό που μόλις περιγράψατε, το οποίο είναι ο πίνακας, σε αντίθεση με επίσημα κύβους κτίριο, σωστά;
Stan Geiger: Ναι, καλά εννοώ, υποθέτω Excel - όταν ήταν αυτό, Power Pivot, πιστεύω - αυτό είναι πραγματικά πίνακες, αν το ρίξετε μια ματιά σε αυτό? είναι ο τρόπος που δημιουργείτε πίνακες μοντέλα. Και στη συνέχεια η επόμενη επανάληψη ήταν, μπορώ να σας πω τα πινακοποιημένα μοντέλα μου που χτίζω και να τα αναπτύξω στον SQL Server, ώστε να μπορώ να το μοιραστώ με όλους τους άλλους. Έτσι, είναι σχεδόν μια φυσική επέκταση από το Excel σχεδόν.
Eric Kavanagh: Ναι, αυτό είναι ένα καλό σημείο. Αυτό που έχουμε δει κατά τη διάρκεια των τελευταίων, θα έλεγα πέντε έως επτά χρόνια, είναι απλώς μια τεράστια επέκταση της χρήσης αυτών των τεχνολογιών, σωστά; Και η Microsoft, ειλικρινά, ήταν πρωτοπόρος σε αυτό, πραγματικά δημοκρατίζοντας τα δεδομένα ισχύος μέσω υπηρεσιών ανάλυσης και μέσω του Power Pivot, σωστά; Θέλω να πω, αυτό ήταν ένα παιχνίδι αλλαγής για τη βιομηχανία, έτσι;
Stan Geiger: Ναι, όχι, είσαι ακριβώς σωστός. Θέλω να πω, έχω μια διαφάνεια όταν δίνω μια μακρύτερη παρουσίαση που δείχνει τη μετάβαση της μετάβασης από το σημασιολογικό μοντέλο, το οποίο ήταν ο OLAP, στον πίνακα. Και νομίζω ότι έχω ένα απόσπασμα από τη Microsoft. θέλουν να τα δεδομένα στα χέρια των χρηστών, όχι μόνο πάνω από τον τοίχο στο κατάστημα IT, θέλουν να πάρουν περισσότερα από τα δεδομένα στα χέρια των ανθρώπων που το καταναλώνουν.
Eric Kavanagh: Και αυτό πηγαίνει πίσω σε εκείνη την πρώτη απλή διαφάνεια που έδειξα, η οποία ήταν η βασική διαδικασία λήψης αποφάσεων για κάθε οργάνωση και τώρα - και νομίζω ότι αυτό είναι σπουδαίο - παίρνουμε όλο και περισσότερους ανθρώπους από ολόκληρη την ιεραρχία του οργανισμού, δίνοντας προσοχή στο τι συμβαίνει, φέρνοντας την ιστορία τους στο τραπέζι και το κάνετε αυτό με τα δεδομένα, αυτή είναι η κατώτατη γραμμή, εννοώ, μπορείτε να χρησιμοποιήσετε άλλα μέσα, αλλά αν στηρίξετε την ιστορία σας με δεδομένα, θα έχετε πολλά ισχυρότερα επιχειρήματα από εκείνους που δεν το κάνουν, έτσι;
Stan Geiger: Ακριβώς, ναι. Όπως, ναι, αυτό είναι σωστό. Θέλω να πω, γι 'αυτό τώρα, ήταν "Hey, χρειαζόμουν αυτή την έκθεση", οπότε τώρα πρέπει να περάσω από το αίτημα της έκθεσης και πρέπει να περάσω εδώ και να βρω την έκθεσή μου και τώρα μπορώ να καθίσω εκεί ακριβώς στο γραφείο μου και πραγματικά απλά, έχω πρόσβαση στα δεδομένα που παράγονται, κάνει τις επιχειρηματικές μου αποφάσεις.
Eric Kavanagh: Αυτό είναι σωστό. Ξέρετε, επέστρεψα από μια διάσκεψη μόλις αυτή την περασμένη εβδομάδα και υπήρξε ένα υστερικό σχόλιο από έναν τύπο που τρέχει ένα αρκετά μεγάλο BI περιβάλλον για το κατάστημα Target και αναφερόταν σε αναλύσεις αυτοεξυπηρέτησης και BI self-service και προφανώς αυτό είναι ένα μεγάλο ζήτημα αυτές τις μέρες. Είμαι βέβαιος ότι είναι κάτι που οδηγεί πολλή δραστηριότητα για αυτό που κάνεις στο IDERA, γιατί όταν θέλετε να αναπτύξετε αυτοεξυπηρέτηση, πρώτα απ 'όλα θα πρέπει να έχετε ένα υγιές περιβάλλον BI, σωστά; Εάν πρόκειται να πάρετε όλους τους ανθρώπους εκεί έξω που θέτουν όλα τα είδη των ερωτήσεων με κάθε τρόπο, θα θέλετε να έχετε κάτι σαν αυτό το εργαλείο εδώ, για να καταλάβετε ποιος θέτει ποια ερωτήματα και πού. Και η αστεία παραπομπή που θα πετάξω απλά για λάκτισμα εδώ, όπως είπατε, "Υπάρχει μια λεπτή γραμμή μεταξύ αυτοεξυπηρέτησης BI και πηγαίνετε F yourself."
Σταν Γκέιγκερ: Ναι.
Eric Kavanagh: Νομίζω ότι ήταν υστερική. Αλλά βλέπετε ότι η τάση αυτοεξυπηρέτησης οδηγεί πραγματικά σε μεγάλη συνειδητοποίηση σε σχέση με αυτό που κάνετε με την τεχνολογία;
Stan Geiger: Ναι, γιατί, όπως είπατε, εάν πρόκειται να επιτρέψετε την αυτοεξυπηρέτηση BI, τότε πιθανότατα θα πάρετε κάποια προβλήματα επιδόσεων λόγω ακριβώς: A) της ποσότητας πρόσβασης, του αριθμού των ανθρώπων που πηγαίνουν στα δεδομένα, και Β) το ποσό των κακώς διαμορφωμένων ερωτημάτων και των τρόπων πρόσβασης σε αυτό που έχετε. Έτσι, πραγματικά, είναι πραγματικά επιτακτική η παρακολούθηση του περιβάλλοντος έτσι ώστε να μπορείτε να κρατάτε όλους ευτυχείς που προσπαθούν να καταναλώσουν τα δεδομένα, έτσι;
Eric Kavanagh: Ναι, νομίζω ότι είναι σωστό. Είναι μια ευλογία και μια κατάρα: είναι καλό ότι οι άνθρωποι προσπαθούν να χρησιμοποιήσουν τα πράγματα, αλλά και πάλι, στο μυαλό σας, αν δεν έχετε το σωστό εργαλείο εκείνη τη στιγμή, θα είστε ένας δυστυχισμένος τροχόσπιτος, out self-service χωρίς ένα εργαλείο σαν αυτό, μου φαίνεται ότι ζητά απλά ένα βουνό με προβλήματα.
Stan Geiger: Ναι, θέλω να πω, είναι παρόμοια με όταν κτίσα αποθήκες δεδομένων, είναι σαν να μην πήρατε σωστά τις διαστάσεις και τους πίνακες γεγονότων, τότε το απενεργοποιήσατε για αναφορές ad hoc, ενδεχομένως να θέλετε να ανιχνεύσετε βράχος.
Eric Kavanagh: Αυτό είναι φοβερό. Ναι, είναι καλό, και πάλι, είναι καλή είδηση ότι οι άνθρωποι χρησιμοποιούν αυτά τα πράγματα, αλλά νομίζω ότι πρέπει να πιστεύω ότι η αυτοεξυπηρέτηση πρόκειται να οδηγήσει πολλή δραστηριότητα σε αυτό που κάνετε, γιατί μιλάτε για ramping την ποσότητα της τάσης και την ποσότητα πίεσης σε αυτά τα συστήματα κατά τάξεις μεγέθους. Όχι μόνο με ένα ή δύο τάξεις μεγέθους και είναι εκείνο το σημείο που πραγματικά θέλετε να έχετε κάποια ορατότητα και θέλετε να είστε σε θέση να δείτε ποιος κάνει τι, πού, πότε, πώς και γιατί. Ρωτήστε αυτά τα ερωτήματα και στη συνέχεια λάβετε ορισμένες αποφάσεις σχετικά με τον τρόπο που μπορείτε να παρακολουθείτε και να αλλάζετε το περιβάλλον και να αλλάζετε τις πολιτικές σας για το ποιος έχει πρόσβαση σε αυτό, σωστά;
Stan Geiger: Δεξιά. Και γνωρίζετε επίσης ότι, γνωρίζοντας ότι η αξιοποίηση σας επιτρέπει επίσης να πάτε εκεί, και ότι, όπως ανέφερα το αντικείμενο μέσα στον κύβο, μπορώ να κάνω πράγματα για να βελτιώσω αυτό, ότι όσον αφορά τον τρόπο που χτίζω και σχεδιάζω πράγματα. Επομένως, είναι επιτακτικό όχι μόνο να εξετάσουμε την απόδοση των πραγμάτων, αλλά και να δούμε πώς εκτελείται το σχέδιό σας και το σχέδιό σας σε αυτό το επίπεδο, ώστε να είναι σε θέση να κάνει τσιμπήματα σε αυτό. Και πρόκειται απλώς να μεγαλώσει και να μεγαλώσει, καθώς τα πράγματα όπως η Power BI είναι η μεγάλη υπόθεση τώρα με τη Microsoft, οπότε τώρα μπορώ να φτιάξω τα δικά μου dashboards και τα widgets και τα πράγματα και δεν πρέπει να είμαι προγραμματιστής BI.
Eric Kavanagh: Αυτό είναι σωστό. Ναι, είναι καλό, παίρνει παντού, αλλά θα χρειαστεί κάποιος τρόπος να διαχειριστεί αυτό το περιβάλλον ή θα πάρετε δυστυχισμένους χρήστες. Αυτό οδηγεί σε δυστυχισμένη διαχείριση, η οποία οδηγεί σε απολύσεις ανθρώπων. Υπάρχει μια αρκετά σαφής επίπτωση ντόμινο όταν τα πράγματα αρχίζουν να πέφτουν μέρος, αλλά αυτό είναι σπουδαίο πράγμα.
Έτσι έχω μασήσει τα τελευταία πέντε λεπτά εδώ. Ρόμπιν, έχετε κάποιες ερωτήσεις;
Robin Bloor: Πιστεύω ότι είναι πραγματικά συναρπαστικό να είσαι ειλικρινής. Με έχει σκεφτεί το γεγονός ότι είχαμε πολύ περιορισμένα περιβάλλοντα και η αυτοεξυπηρέτηση αλλάζει πραγματικά τον κόσμο και πολλά από αυτά συμβαίνουν στην πραγματικότητα επειδή ένα φοβερό πολύ περισσότερα στοιχεία έχουν έρθει στο περιβάλλον από ό, τι συνέβη πριν. Το μόνο ερώτημα, γιατί δεν έχουμε πολύ χρόνο, αλλά το μόνο ερώτημα που θα ήθελα να σας ενδιαφέρει να το ζητήσετε είναι όπως εξηγούσατε τον τρόπο που - επειδή πίστευα ότι ήταν ένα πολύ καλό demo - ο τρόπος με τον οποίο BI εργασίες παρακολούθησης. Αναρωτιόμουν τι πράγματι κάνουν οι άνθρωποι που δεν έχουν αυτό το είδος; Επειδή πρέπει να είναι μια πολύ δύσκολη, υπάρχουν πολλά πράγματα όπου κάνεις τη διαφορά, η αιτία είναι καλά, δεν παίρνεις πάντοτε πάντα τη βασική αιτία, αλλά μπορείς να φτάσεις στη βασική αιτία με μερικά πράγματα ότι κοιτάζετε, όταν είπατε ότι πολλοί άνθρωποι αγοράζουν το εργαλείο μόνο για να μάθουν ποιος τρέχει τι, και ότι το μυαλό μου γυρίζει, επειδή είναι σαν να μην ξέρετε ποιος τρέχει τι, τότε τα πράγματα είναι εκτός ελέγχου. Έτσι, τι φαίνεται το περιβάλλον όταν είναι εκτός ελέγχου;
Stan Geiger: Θα μπορούσατε να αποκτήσετε όλες αυτές τις πληροφορίες που διαθέτετε στο εργαλείο μόνοι σας, αλλά θα πρέπει να γράψετε μια δέσμη σκηνικών για το σπίτι και γιατί τα δεδομένα είναι όλα εκεί έξω, απλά πρέπει να ξέρετε πού να να το αποκτήσετε, πράγμα που απαιτεί επίπεδο εμπειρογνωμοσύνης, σωστά; Έτσι, σε περιβάλλοντα όπου δεν έχετε αυτό το επίπεδο εμπειρίας, βασικά, αυτό που παίρνετε είναι, hey, είναι πάνω ή κάτω; Δεν ξέρω αν λειτουργεί αποτελεσματικά ή όχι, αλλά είναι πάνω, έτσι; Και έπειτα αρχίζω να λαμβάνω τηλεφωνήματα ή οι άνθρωποι πηγαίνουν "Hey, η έκθεσή μου δεν είναι στα εισερχόμενά μου, τι συμβαίνει;" ή "μόλις υπέβαλα αυτή την αναφορά μέσω υπηρεσιών παροχής στοιχείων" ή μπορεί να κάνουν ερώτημα εδώ στις υπηρεσίες ανάλυσης, αλλά έχει πάρει περίπου μισή ώρα, και μόνο για 30 δευτερόλεπτα, τι συμβαίνει; Λοιπόν, τώρα πρέπει να κάνετε το τρυπάνι και να προσπαθήσετε να το καταλάβετε, και χωρίς ένα εργαλείο γίνεται πολύ δύσκολο.
Robin Bloor: Λοιπόν, σωστά, αυτό ήταν το πράγμα που έγινε ολοένα και πιο προφανές για μένα, καθώς επιδείξατε καθεμία από τις διαστάσεις αυτού που έχετε στην πραγματικότητα εδώ. Το άλλο πράγμα είναι ότι σε ένα πολύ πρωτόγονο επίπεδο, εάν δεν έχετε ειδοποιήσεις που να σας λένε ότι τα πράγματα πάνε στραβά, τότε είναι απλά ένα ακριβό - παίρνετε σε μια ακριβή κατάσταση, προσπαθώντας να θεραπεύσετε τι συνέβη, επειδή εσείς Μην το ανακαλύψετε μέχρι να αρχίσει η πτώση των πραγμάτων άσχημα, σωστά;
Stan Geiger: Ναι, δεν ξέρετε τι δεν ξέρετε.
Eric Kavanagh: Το πήρατε. Λοιπόν, παιδιά, έχουμε κάψει μια ώρα και αλλάζουμε εδώ. Πολύ μεγάλη ευχαρίστηση από τον δικό μας Robin Bloor και φυσικά από τον φίλο μας Stan Geiger από το λογισμικό IDERA. Πρόκειται να βρίσκονται στην Enterprise Data World, αν κάποιος από εσάς πηγαίνει εκεί κάτω, η δική σας θα είναι πραγματικά στην Ατλάντα. Ο καλός φίλος μας, ο Tony Shaw, κάνει τέλεια δουλειά με τη διάσκεψη αυτή εδώ και τέσσερα χρόνια και το παλιό είναι και πάλι νέο. Είναι όλα καυτά πράγματα. Ας ελπίσουμε ότι θα σας δούμε έξω, αν όχι, ελέγξτε μαζί μας την επόμενη εβδομάδα, έχουμε μια σειρά από άλλα webcasts παρατάσσονται.
Πάντα περίεργος να ακούτε τις σκέψεις σας, να στείλετε ένα μήνυμα ηλεκτρονικού ταχυδρομείου, το οποίο πηγαίνει ακριβώς σε με, αν έχετε οποιεσδήποτε ερωτήσεις ή προτάσεις ή άλλες τεχνολογίες που θέλετε να μάθετε για τις Hot Technologies. Και με αυτό, θα πάμε να σας αποχαιρετήσουμε, λαούς. Σας ευχαριστούμε και πάλι για τη συμμετοχή σας, θα σας μιλήσουμε την επόμενη φορά. Να προσέχεις. Αντίο.
