Prognosen für die hybride Datenlandschaft
Zusammenfassung
- Datenmanagement entwickelt Datenmanagement von traditionellen Geschäftstransaktionen hin zu komplexen, von Menschen und Maschinen generierten Ereignisverläufen.
- Eine hybride Datenlandschaft Systeme, die unterschiedliche Datentypen in On-Premises Cloud integrieren und analysieren können.
- Durch die Verknüpfung von Maschinenbeobachtungen mit Geschäftsereignissen entsteht ein „geschlossener Regelkreis“, der zeitnahere und präzisere analytische Entscheidungen ermöglicht.
- Die Fähigkeit, verwalten heterogene Daten in großem Umfang zu verwalten , ist der entscheidende Faktor für den Erfolg moderner Unternehmensanalysen.
Das Zeitalter der Daten ist angebrochen, und neue Datenquellen, Zielsysteme und Verarbeitungsmodelle verbreiten sich rasant in Unternehmen jeder Größe. Daten waren für Unternehmen noch nie so wertvoll wie heute – sie liefern nun die Antworten auf die Fragen nach dem Wer, Was, Wo, Wann und Wie der Entscheidungsfindung doch diese neue hybride Datenlandschaft neue Herausforderungen Datenlandschaft . Wir erwarten folgende innovative Ansätze in den Bereichen Datenmanagement, -integration und -analyse, um diesen Herausforderungen zu begegnen.
Der Aufstieg von HTAP – Das Beste aus beiden Welten im Datenmanagement
Einer der spannendsten Trends für den Rest dieses Jahrzehnts wird HTAP (Hybrid Transactional/Analytical Processing) sein, ein von Gartner geprägter Begriff, der eine hybride, konvergierte Software-Infrastruktur bezeichnet, die sowohl traditionelle Workloads im Bereich der transaktionalen Datenverwaltung als auch moderne Datenmanagement analytischen Datenmanagement bewältigen kann.
Every business is struggling to find tools and techniques to effectively analyze the volume, variety, and velocity of data. A new generation of columnar analytic SQL databases (like Actian Analytics Engine) will be critical to delivering on the promise of data-driven decisions. At the same time, organizations are familiar with, and trying to preserve, their investment in traditional transactional SQL databases (like Actian Ingres) that represent the backbone of data management in most organizations. How to marry those two data management needs?
Was wäre, wenn Sie beide Fähigkeiten ein und derselben Datenbank vereinen könnten? Was wäre, wenn Sie das Beste aus beiden Welten hätten? Robuste Fähigkeiten der Enterprise-Klasse, Fähigkeiten auf über 30 Jahren Pionierarbeit im Datenmanagement basieren. Und dazu die weltweit leistungsstärkste spaltenorientierte Analytics Database (mit Vektorverarbeitung) in derselben Datenbankinfrastruktur. Eine Datenbank, ein Sicherheitsmodell, eine SQL, ein Anbieter – für eine innovative Kombination aus operativer und analytischer Verarbeitung, die das gesamte Spektrum des Datenmanagement abdeckt! Mit der Möglichkeit, die Lösung in der Cloud vor Ort bereitzustellen. Das ist wirklich etwas, worüber man sich freuen kann.
Der Aufstieg von Edge-Datenbanken fürDatenmanagement IoT Datenmanagement
Den neu entstehenden IoT und -Lösungen fehlt ein wichtiges Element skalierbar – eine elastische Middle-Tier-Schicht, die am „Rand“ des Netzwerks angesiedelt werden kann und robuste Verarbeitungsdienste für die Erfassung und Analyse von IoT bereitstellt. Die meisten herkömmlichen IoT konzentrieren sich lediglich auf die beiden Hauptendpunkte – die Sensoren selbst, die Low-Level-Daten ausgeben, und die Cloud, in der die Sensorereignisse schließlich zur Analyse „landen“ sollen.
Angesichts der schieren Menge und der ständigen Wiederholung der Sensordaten ist es kaum vorstellbar, alle Sensordaten direkt in der Cloud zu speichern. Die intelligenteren IoT werden eine intelligente Zwischenschicht bereitstellen – eine Art Gateway-Funktion, die sich in der Nähe der Sensoren, also am Netzwerkrand, befindet. Diese Schicht dient der frühzeitigen Erfassung, Verarbeitung und lokalen Analyse der Sensordaten, bevor nur die wirklich wichtigen Informationen an die Cloud gesendet werden.
Die natürliche Technologie, die am „Rand“ des Netzwerks beim Onboarding eingesetzt werden soll, ist eine absolut zuverlässige eingebettet IoT Edge-Datenbank. Abgesehen von den offensichtlichen Vorteilen des Einsatzes einer eingebettet am „Rand“ des Netzwerks (Persistenz, Sicherheit, usw.) könnten Sie auch wichtige lokale Filterungen (z. B. Duplikate, Fehler, stationäre Zustände usw.) und Datenoperationen (z. B. Sortierungen, Aggregationen, Modellanwendung und lokale Analysen) auf die Daten anwenden, bevor diese in der Cloud „landen“ Cloud eine wesentlich effizientere und produktivere Konfiguration für die Cloud Analyse von Sensordaten.
Der Aufstieg hybrider Integrationsplattformen
It seems that regardless of how much we invest, integration remains an unsolved problem – permanently atop the priority list in all IT shops and organizations. The diversity of IT systems guarantees a baseline of integration challenges. An uncountable number of new endpoints every year exacerbates the situation. Factor in that old and new end-points are changing constantly, and you multiply the problem further. Add the requirement for different integration patterns and delivery models, and you begin to see the many intimidating dimensions of the integration problem.
Is there hope? Yes, tools that surpass the limited nature of today’s typical integration offerings are making their way into the market. Instead of focusing on one dimension of today’s integration problem – legacy on-premises ETL, heavy EAI tooling, or lightweight cloud services – we will see customers turn to hybrid integration platforms – modern, dynamic, and cloud-based solutions – to tackle all dimensions. Whether it is the variety of end-points (cloud, mobile or on-prem), or the variety of patterns (A2A via APIs or B2B via data), or the variety of skills (IT expert to LoB practitioner) or the variety of delivery models (cloud or on-premise), a modern hybrid integration platform like the Actian DataCloud will enable customers to adapt to today’s data integration needs.
Der Aufstieg der Graphenanalyse in der Cloud
Neo4J, the leading commercial provider of on-premises graph database technology, recently raised a funding round of $36 million. This funding establishes graph databases (and the associated graph analytics space) as first-class citizens in the pantheon of modern analytic techniques.
Warum Grafiken? Um es mit den mittlerweile unsterblichen Worten von Donald Rumsfeld zu sagen: Es gibt „bekannte Bekannte“ (die über BI und Berichterstattung abgewickelt werden), es gibt „bekannte Unbekannte“ (die über prädiktive Analyse abgewickelt werden, prädiktive Analyse eine bekannte analytische Herausforderung wie Betrug in den Griff prädiktive Analyse bekommen), und dann gibt es noch „unbekannte Unbekannte“. Das sind die Fragen, von denen man nie wusste, dass man sie stellen sollte, die Abfragen, von denen man nie wusste, dass man sie schreiben sollte. Welche unbekannten/unsichtbaren Muster verbergen sich in Ihren Daten, und wie finden Sie sie? Dies ist eine der großen analytischen Herausforderungen bei Datensätzen – welche inhärenten (aber unsichtbaren) Beziehungen bestehen in den Daten – welche Objekte stehen „in Nähe“ zu welchen anderen Objekten? Welche Objekte sind „Ausreißer“? Welche bisher scheinbar unabhängigen Ereignisse teilen Raum und Zeit?
Genau aus diesem Grund ist die Graphenanalyse eine wichtige neue analytische Waffe. Graphenanalysen in der Cloud sind die ideale Plattform für die Umsetzung, und wir erwarten Angebote, mit denen Sie Ihre Daten in die Cloud übertragen, in einen Backend-Graphen-Datenspeicher wie Actian Versant laden und sie dann „grafisch darstellen“ können, um in den Daten enthaltene Muster zu erkennen (und sogar zu sehen, wie sich spontan neue Muster herausbilden, wenn Sie weitere Daten hinzufügen).
Bleiben Sie in Verbindung
Datenanalysen direkt bei Ihnen.
(z. B. sales@..., support@...)
