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.
Separating compute and data storage solutions gives companies greater flexibility in upgrading parts of their architecture while leaving other parts alone. When it comes to data analytics, there are a lot of moving parts. Data volumes are increasing. Analytics and compute demands (both performance and capacity) are going up and down with business trends. Developing and executing on an accurate forecast is nearly impossible. All the while, the technology is continuously evolving, and the business is demanding better economic performance from IT investments. Companies that are thriving in this environment know that keeping solutions simple and maintaining the highest level of technical flexibility is the key to success. Separating compute and data storage is an essential part of giving you the most options to optimize the data analytics on which your company depends.
Actian Data Platform on Azure provides the flexibility organizations need to optimize the ratio of compute and data storage to meet the performance objectives of the application. Learn more about the Actian Analytics AI 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 direkt bei Ihnen.
(z. B. sales@..., support@...)
