Optimierung von Cloud Compute und Datenspeicherung für die Data Analytics

Bei der Architektur Ihrer Data-Warehouse-Lösung ist die Trennung von Datenverarbeitung und Datenspeicherung sowohl für die betriebliche Nachhaltigkeit als auch für die wirtschaftliche Effizienz äußerst wichtig. Die technischen Anforderungen für beide Bereiche sind unterschiedlich, die Kapazitätsanforderungen des Unternehmens sind unterschiedlich, und die beste Lösung erfordert eine getrennte Optimierung von Datenverarbeitung und Datenspeicherung.

Datenspeicherkapazität ist eine Funktion der Zeit

Die Menge an Datenspeicher, die Ihr Unternehmen benötigt, steht in direktem Zusammenhang mit der Anzahl Ihrer Geschäftsaktivitäten. Im Laufe Ihrer Geschäftstätigkeit erzeugen Sie Daten - Daten über Ihre Kunden, Ihre Produkte, Ihre Umsätze usw. Mit der Zeit wird das Datenvolumen Ihres Unternehmens wachsen. In arbeitsreichen Zeiten kann die Wachstumsrate schneller sein als in ruhigen Zeiten, aber das Volumen nimmt immer zu. Dieses Wachstum muss bei der Planung Ihrer Speicherlösung unbedingt berücksichtigt werden, da die Kosten direkt mit dem Datenvolumen zusammenhängen.

Bei der Datenspeicherung On-Premises müssen Sie im Voraus Kapazitäten auf der Grundlage des voraussichtlichen Speicherbedarfs erwerben. Bei Cloud Speicherlösungen, die auf Basis der Nutzung abgerechnet werden, müssen Sie das Kostenwachstum im Laufe der Zeit prognostizieren.

Die Rechenkapazität wird von Geschäftstrends bestimmt

Die Rechenkapazität für Analyselösungen wird nur zum Teil von der Menge der zu analysierenden Daten beeinflusst. Der wichtigere Faktor ist die Nachfrage nach Daten - in Spitzenzeiten ist die Nachfrage höher, in ruhigen Zeiten ist sie geringer. Nehmen Sie das Beispiel des schwarzen Freitags im Einzelhandel. Die Geschäftsaktivität steigt in die Höhe, und die Nachfrage nach Analysen über die Geschäftsaktivitäten steigt ebenfalls. Ein paar Monate später, Anfang Januar, gingen die Einzelhandelsumsätze zurück, und die Nachfrage nach Analysen war ebenfalls geringer. Unabhängig davon, ob es sich um Einzelhandelsumsätze, die Einführung eines neuen Produkts/einer neuen Dienstleistung oder den Abschluss eines Quartals handelt, gibt es in jedem Unternehmen saisonale Trends, die dazu führen, dass die Nachfrage nach Rechenkapazität erheblich schwankt.

Bei On-Premises muss Kapazität gekauft und reserviert werden, um Spitzenlasten zu bewältigen. Das bedeutet, dass in schwachen Zeiten Überkapazitäten vorhanden sind. Bei Cloud Rechenlösungen, bei denen die Abrechnung auf der Grundlage der Auslastung erfolgt, kann die Kapazität in Spitzenzeiten erhöht und in schwachen Zeiten gesenkt werden.

Die Entwicklung einer hybriden Nachfrageprognose ist fast unmöglich

Die Kapazitäts- und Leistungsanforderungen sowohl für Rechen- als auch für Datenspeicherumgebungen variieren im Laufe der Zeit je nach den Aktivitäten des Unternehmens. Die Bedarfskurven für jede dieser Lösungen sehen sehr unterschiedlich aus, so dass eine Kosten- und Kapazitätsmodellierung auf der Grundlage einer kombinierten Architektur sowohl schwierig als auch ineffizient ist. Anstatt Zeit und Ressourcen in die Bedarfs- und Kostenprognose zu investieren, finden es die meisten Unternehmen viel einfacher, Rechen- und Datenspeicher in separate Lösungen mit unabhängigen Kostenmodellen und Bedarfsprognosen aufzuteilen.

Die Technologie verändert sich

Cloud Funktionen verbessern und verändern sich in rasantem Tempo. Was Data Analytics und Cloud Data Warehousing betrifft, wird die Technologie nicht nur täglich 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 neuer Hardware durch die Cloud sinken. Die Funktionen in der Cloud verbessern sich sowohl in Bezug auf Kapazität/Skalierung mit neuen verteilten Rechenarchitekturen als auch in Bezug auf Geschwindigkeit/Leistung mit neuer Hardware. Während ein Unternehmen aufgrund der Migrationskosten möglicherweise auf ein Speicher-Upgrade verzichtet, kann die Nutzung neuerer Funktionen von Vorteil sein.

Die Trennung von Rechen- und Datenspeicherlösungen gibt Unternehmen mehr Flexibilität bei der Aufrüstung von Teilen ihrer Architektur, während andere Teile in Ruhe gelassen werden. Im Bereich der Data Analytics gibt es viele bewegliche Teile. Die Datenmengen nehmen zu. Die Analyse- und Rechenanforderungen (sowohl Leistung als auch Kapazität) steigen und fallen mit den Geschäftstrends. Die Entwicklung und Durchführung einer genauen Prognose ist nahezu unmöglich. Gleichzeitig entwickelt sich die Technologie ständig weiter, und das Unternehmen verlangt von seinen IT-Investitionen eine bessere wirtschaftliche Leistung. Unternehmen, die in diesem Umfeld erfolgreich sind, wissen, dass der Schlüssel zum Erfolg darin liegt, Lösungen einfach zu halten und ein Höchstmaß an technischer Flexibilität zu gewährleisten. Die Trennung von Rechenleistung und Datenspeicherung ist ein wesentlicher Bestandteil, um Ihnen die meisten Optionen zur Optimierung der Data Analytics zu bieten, von der Ihr Unternehmen abhängig ist.

Actian Data Platform on Azure bietet die Flexibilität, die Unternehmen benötigen, um das Verhältnis von Compute und Datenspeicher zu optimieren und die Leistungsziele der Anwendung kennenlernen . Erfahren Sie mehr über Actian Data Platform unter www.actian.com/data-platform

Lernen Sie von Branchenexperten und Insidern bewährte Modernisierungspraktiken

Wenn Sie darüber nachdenken, Ihr Data Warehouse zu modernisieren, sollten Sie sich unsere On-Demand-Webinare mit führenden Branchenanalysten und ehemaligen Führungskräften von Teradata und Netezza ansehen.

Über Actian Corporation

Actian macht Daten einfach. Unsere Datenplattform vereinfacht die Verbindung, Verwaltung und Analyse von Daten in Cloud-, Hybrid- und lokalen Umgebungen. Mit jahrzehntelanger Erfahrung in den Bereichen Datenmanagement und -analyse liefert Actian leistungsstarke Lösungen, die es Unternehmen ermöglichen, datengesteuerte Entscheidungen zu treffen. Actian wird von führenden Analysten anerkannt und wurde für seine Leistung und Innovation mit Branchenpreisen ausgezeichnet. Unsere Teams präsentieren bewährte Anwendungsfälle auf Konferenzen (z. B. Strata Data) und tragen zu Open-Source-Projekten bei. Im ActianBlog behandeln wir Themen wie Echtzeit-Dateneingabe, Datenanalyse, Data Governance, Datenmanagement, Datenqualität, Datenintelligenz und KI-gesteuerte Analysen.