Optimierung von Cloud Compute und Datenspeicherung für die Data Analytics
Bei der Konzeption Ihrer Data-Warehouse-Lösung ist die Trennung von Rechenleistung und Datenspeicherung sowohl für die betriebliche Nachhaltigkeit als auch für die Wirtschaftlichkeit von entscheidender Bedeutung. Die technischen Anforderungen an beide Bereiche unterscheiden sich, ebenso wie die Kapazitätsanforderungen des Unternehmens, und die optimale Lösung erfordert eine getrennte Optimierung von Rechenleistung und Datenspeicherung.
Die Speicherkapazität ist eine Funktion der Zeit
Der Speicherbedarf Ihres Unternehmens hängt direkt von der Anzahl Ihrer Geschäftsaktivitäten ab. Im Rahmen Ihrer Geschäftstätigkeit generieren Sie Daten – Daten über Ihre Kunden, Ihre Produkte, Ihre Umsätze usw. Mit der Zeit wird das Datenvolumen Unternehmens wachsen. In geschäftigen Zeiten mag die Wachstumsrate höher sein als in ruhigen Zeiten, aber das Volumen nimmt stets zu. Dieses Wachstum zu berücksichtigen ist bei der Konzeption Ihrer Speicherlösung unerlässlich, da die Kosten direkt vom Datenvolumen abhängen.
Bei der On-Premises müssen Sie die Kapazität im Voraus erwerben, basierend auf dem prognostizierten Speicherbedarf. Bei Cloud Speicherlösungen, die nach Nutzung abgerechnet werden, müssen Sie die Kostenentwicklung im Laufe der Zeit prognostizieren.
Die Rechenkapazität wird von geschäftlichen Trends bestimmt
Die Rechenkapazität für Analyselösungen wird nur teilweise durch das Volumen der zu analysierenden Daten beeinflusst. Der wesentlichere Faktor ist der Datenverbrauch – in geschäftigen Spitzenzeiten ist die Nachfrage höher, in ruhigen Zeiten hingegen geringer. Nehmen wir das Beispiel des Black Friday im Einzelhandel: Die Geschäftstätigkeit steigt sprunghaft an, und damit steigt auch die Nachfrage nach Analysen zu diesen Geschäftsaktivitäten. Einige Monate später, Anfang Januar, verlangsamten sich die Einzelhandelsumsätze, und auch die Nachfrage nach Analysen ging zurück. Ob es nun um Einzelhandelsumsätze, die Einführung eines neuen Produkts oder einer neuen Dienstleistung oder den Quartalsabschluss geht – jedes Unternehmen unterliegt saisonalen Schwankungen, die dazu führen, dass der Bedarf an Rechenkapazität erheblich variiert.
Bei On-Premises muss Kapazität erworben und reserviert werden, um Spitzenauslastungen bewältigen zu können. Das bedeutet, dass in Zeiten geringer Auslastung überschüssige Kapazität vorhanden ist. Bei Cloud Rechenlösungen, bei denen die Abrechnung auf der Nutzung basiert, kann die Kapazität in Spitzenzeiten erhöht und in Zeiten geringer Auslastung wieder reduziert werden.
Die Erstellung einer hybriden Nachfrageprognose ist nahezu unmöglich
Die Anforderungen an Kapazität und Leistung sowohl für Rechen- als auch für Datenspeicherumgebungen variieren im Laufe der Zeit je nach den geschäftlichen Aktivitäten. Die Nachfragekurven für diese beiden Lösungen unterscheiden sich stark voneinander, was eine Kosten- und Kapazitätsmodellierung auf Basis einer kombinierten Architektur sowohl schwierig als auch ineffizient macht. Anstatt Zeit und Ressourcen in Bedarfs- und Kostenprognosen zu investieren, halten es die meisten Unternehmen für wesentlich einfacher, Rechen- und Datenspeicher in separate Lösungen mit unabhängigen Kostenmodellen und Bedarfsprognosen aufzuteilen.
Die Technologie verändert sich
Fähigkeiten der Cloud Technologien Fähigkeiten und verändern Fähigkeiten in rasantem Tempo. Im Bereich Data Analytics Cloud wird die Technologie nicht nur von Tag zu Tag besser, sondern bestimmte Bereiche entwickeln sich auch schneller als andere. So führt beispielsweise die Dichte der Cloud Speicherlösungen dazu, dass die Kosten pro Einheit für die Datenspeicherung im Einklang mit der Deployment Cloud sinken. Fähigkeiten der Cloud sowohl hinsichtlich Kapazität und Skalierbarkeit durch neue verteilte Rechenarchitekturen als auch hinsichtlich Geschwindigkeit und Leistung durch neue Hardware. Während ein Unternehmen aufgrund der Migrationskosten möglicherweise auf ein Speicher-Upgrade verzichtet, Fähigkeiten die Nutzung neuerer Fähigkeiten von Vorteil sein.
Die Trennung von Rechen- und Datenspeicherlösungen bietet Unternehmen mehr Flexibilität bei der Modernisierung einzelner Teile ihrer Architektur, während andere Teile unverändert bleiben. Im Bereich Data Analytics gibt es viele variable Faktoren. Die Datenmengen nehmen zu. Die Anforderungen an Analyse und Rechenleistung (sowohl hinsichtlich der Performance als auch der Kapazität) schwanken je nach Geschäftsentwicklung. Eine genaue Prognose zu erstellen und umzusetzen, ist nahezu unmöglich. Gleichzeitig entwickelt sich die Technologie ständig weiter, und das Unternehmen verlangt eine bessere wirtschaftliche Performance von den IT-Investitionen. Unternehmen, die in diesem Umfeld erfolgreich sind, wissen, dass einfache Lösungen und ein Höchstmaß an technischer Flexibilität der Schlüssel zum Erfolg sind. Die Trennung von Rechenleistung und Datenspeicher ist ein wesentlicher Bestandteil, um Ihnen die meisten Optionen zur Optimierung der Data Analytics zu bieten, Data Analytics die Ihr Unternehmen angewiesen ist.
Die Actian Data Platform auf Azure bietet Unternehmen die nötige Flexibilität, um das Verhältnis von Rechenleistung und Datenspeicher so zu optimieren, dass die Leistungsziele der Anwendung erreicht werden. Erfahren Sie mehr über die Actian Data Platform unter www.actian.com/data-platform
Lernen Sie bewährte Verfahren zur Modernisierung von Branchenexperten und Insidern kennen
Wenn Sie darüber nachdenken, Ihr Unternehmens-Data-Warehouse zu modernisieren, sehen Sie sich unsere On-Demand-Webinare mit führenden Branchenanalysten und ehemaligen Führungskräften von Teradata und Netezza an.
Bleiben Sie in Verbindung
Datenanalysen, die Ihnen geliefert werden.
(z. B. sales@..., support@...)
