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.
Jedes Unternehmen hat Schwierigkeiten, geeignete Werkzeuge und Methoden zu finden, um das Volumen, die Vielfalt und die Geschwindigkeit von Daten effektiv zu analysieren. Eine neue Generation spaltenorientierter analytischer SQL-Datenbanken (wie die Actian Analytics Engine) wird entscheidend sein, um das Versprechen data-driven einzulösen. Gleichzeitig sind Unternehmen mit ihren Investitionen in traditionelle transaktionale SQL-Datenbanken (wie Actian Ingres) vertraut, die Datenmanagement den meisten Unternehmen das Rückgrat des Datenmanagement bilden, und versuchen, diese zu erhalten. Wie lassen sich diese beiden Datenmanagement miteinander vereinbaren?
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 einer über 30-jährigen Geschichte wegweisender Arbeit im Datenmanagement aufbauen. Und dazu noch 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 „gelandet“ sind Cloud eine wesentlich effizientere und produktivere Konfiguration für die Cloud Analyse von Sensordaten.
Der Aufstieg hybrider Integrationsplattformen
Es scheint, dass die Integration – unabhängig davon, wie viel wir investieren – ein ungelöstes Problem bleibt, das in allen IT-Abteilungen und Organisationen stets ganz oben auf der Prioritätenliste steht. Die Vielfalt der IT-Systeme sorgt schon allein für eine Grundlast an Integrationsherausforderungen. Eine unzählige Anzahl neuer Endpunkte jedes Jahr verschärft die Situation zusätzlich. Berücksichtigt man zudem, dass sich alte und neue Endpunkte ständig verändern, vergrößert sich das Problem noch weiter. Kommt dann noch die Notwendigkeit unterschiedlicher Integrationsmuster und Bereitstellungsmodelle hinzu, werden die vielen einschüchternden Dimensionen des Integrationsproblems deutlich.
Gibt es Hoffnung? Ja, denn es kommen zunehmend Tools auf den Markt, die die Einschränkungen der heutigen typischen Integrationslösungen überwinden. Anstatt sich auf eine einzige Dimension des aktuellen Integrationsproblems zu konzentrieren – veraltete On-Premises , schwerfällige EAI-Tools oder einfache Cloud –, werden sich Kunden zunehmend hybriden Integrationsplattformen zuwenden – modernen, dynamischen und Cloud Lösungen –, um alle Dimensionen abzudecken. Ob es nun um die Vielfalt der Endpunkte (Cloud, mobil oder vor Ort), die Vielfalt der Muster (A2A über APIs oder B2B über Daten), die Vielfalt der Kompetenzen (vom IT-Experten bis zum Fachbereichsmitarbeiter) oder die Vielfalt der Bereitstellungsmodelle (Cloud vor Ort) geht – eine moderne hybride Integrationsplattform wie die Actian DataCloud wird es Kunden ermöglichen, sich an die heutigen Anforderungen der Datenintegration anzupassen.
Der Aufstieg der Graphenanalyse in der Cloud
Neo4J, der führende kommerzielle Anbieter von On-Premises , hat kürzlich eine Finanzierungsrunde in Höhe von 36 Millionen US-Dollar abgeschlossen. Diese Finanzierung etabliert Graphdatenbanken (und den damit verbundenen Bereich der Graphenanalyse) als vollwertigen Bestandteil im Pantheon moderner Analysetechniken.
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@...)
