Previsiones sobre el panorama de los datos híbridos
Resumen
- La gestión de datos está pasando de las transacciones comerciales tradicionales a abarcar complejas cadenas de eventos generadas tanto por personas como por máquinas.
- Un entorno de datos híbrido requiere sistemas capaces de integrar y analizar diversos tipos de datos tanto en entornos locales como en la nube.
- La correlación entre los datos de las máquinas y los eventos empresariales permite crear un «circuito cerrado» que facilita la toma de decisiones analíticas más oportunas y precisas.
- La capacidad de gestionar datos increíblemente heterogéneos a gran escala es la clave fundamental para tener éxito en el análisis empresarial moderno.
Ha llegado la era de los datos, en la que proliferan a un ritmo vertiginoso nuevas fuentes de datos, objetivos y modelos de procesamiento en empresas de todos los tamaños. Aunque los datos nunca han sido tan valiosos para una empresa —ahora sirven de base para determinar el quién, el qué, el dónde, el cuándo y el cómo de la toma de decisiones—, este nuevo panorama híbrido de datos plantea nuevos retos. Prevemos que las siguientes iniciativas innovadoras en materia de gestión, integración y análisis de datos permitirán hacer frente a estos retos.
El auge de HTAP: lo mejor de ambos mundos en la gestión de datos
Una de las tendencias más interesantes para lo que queda de esta década será el HTAP (procesamiento híbrido transaccional/analítico), un término acuñado por Gartner que hace referencia a una infraestructura de software híbrida y convergente capaz de gestionar tanto las cargas de trabajo tradicionales de gestión de datos transaccionales como las modernas de gestión de datos analíticos.
Todas las empresas se esfuerzan por encontrar herramientas y técnicas que les permitan analizar de forma eficaz el volumen, la variedad y la velocidad de los datos. Una nueva generación de bases de datos SQL analíticas en columnas (como Actian Analytics Engine) será fundamental para hacer realidad la promesa de las decisiones basadas en datos. Al mismo tiempo, las organizaciones conocen bien su inversión en bases de datos SQL transaccionales tradicionales (como Actian Ingres), que constituyen la columna vertebral de la gestión de datos en la mayoría de ellas, y tratan de preservarla. ¿Cómo conciliar estas dos necesidades de gestión de datos?
¿Y si pudieras disponer de ambas capacidades en una misma base de datos? ¿Y si pudieras tener lo mejor de ambos mundos? Capacidades robustas de base de datos OLTP de clase empresarial que se basan en más de 30 años de trabajo pionero en la gestión de datos. Y a ello se suma el motor de base de datos analítica columnar de mayor rendimiento del mundo (con procesamiento vectorial) en la misma infraestructura de base de datos. Una sola base de datos, un único modelo de seguridad, un único lenguaje SQL, un único proveedor: ¡todo ello ofrece una innovadora combinación de procesamiento operativo y analítico que abarca todo el espectro de la gestión de datos! Con la posibilidad de implementarla en la nube o en las propias instalaciones. Eso sí que es motivo de entusiasmo.
El auge de las bases de datos en el borde para la gestión de datos del IoT
A las pilas y soluciones emergentes del IoT les falta un elemento importante de las arquitecturas escalables: una capa intermedia elástica que pueda situarse en el «perímetro» de la red y ofrecer servicios de procesamiento robustos para la incorporación y el análisis de los datos del IoT. La mayoría de las arquitecturas convencionales del IoT se centran simplemente en los dos puntos finales principales: los propios sensores, que generan datos de bajo nivel, y la nube, donde los eventos de los sensores deben «aterrizar» finalmente para su análisis.
El enorme volumen y la repetición de los datos de los sensores hacen que no sea viable plantearse «almacenar» todos esos datos en la nube. Las arquitecturas de IoT más avanzadas proporcionarán una capa intermedia inteligente —una especie de función de pasarela que se sitúa cerca de los sensores, en el perímetro—. Esta capa está pensada para la captura temprana, el procesamiento y el análisis local de los datos de los sensores, antes de que solo se envíe a la nube la información esencial.
La tecnología ideal para implementar en el «perímetro» de la red es una base de datos IoT integrada y a prueba de fallos. Además de las ventajas obvias de implementar una base de datos IoT integrada en el «perímetro» de la red (persistencia, seguridad, etc.), también se podrían aplicar filtros locales cruciales (por ejemplo, duplicados, errores, estados estables, etc.) y operaciones sobre los datos (por ejemplo, ordenaciones, agregados, aplicación de modelos y análisis locales) antes de «trasladar» los datos a la nube —una configuración mucho más eficiente y productiva para el análisis basado en la nube de los datos de los sensores—.
El auge de las plataformas de integración híbridas
Parece que, independientemente de cuánto invirtamos, la integración sigue siendo un problema sin resolver, que ocupa permanentemente el primer puesto en la lista de prioridades de todos los departamentos de TI y organizaciones. La diversidad de los sistemas de TI garantiza una serie de retos básicos en materia de integración. El número incontable de nuevos puntos finales que se añaden cada año agrava aún más la situación. Si a esto le sumamos que los terminales antiguos y nuevos cambian constantemente, el problema se agrava aún más. Si a ello le añadimos la necesidad de contar con diferentes patrones de integración y modelos de implementación, empezamos a vislumbrar las numerosas y abrumadoras dimensiones del problema de la integración.
¿Hay esperanza? Sí, están llegando al mercado herramientas que superan las limitaciones de las soluciones de integración habituales en la actualidad. En lugar de centrarse en una sola dimensión del problema actual de la integración —ETL heredado en las instalaciones, herramientas de EAI pesadas o servicios ligeros en la nube—, veremos cómo los clientes recurren a plataformas de integración híbridas —soluciones modernas, dinámicas y basadas en la nube— para abordar todas las dimensiones. Ya se trate de la variedad de puntos finales (en la nube, móviles o locales), de la variedad de patrones (A2A a través de API o B2B a través de datos), de la variedad de competencias (desde expertos en TI hasta profesionales de las líneas de negocio) o de la variedad de modelos de implementación (en la nube o locales), una plataforma de integración híbrida moderna como Actian DataCloud permitirá a los clientes adaptarse a las necesidades actuales de integración de datos.
El auge del análisis de grafos en la nube
Neo4J, el principal proveedor comercial de tecnología de bases de datos de grafos para instalación local, ha cerrado recientemente una ronda de financiación de 36 millones de dólares. Esta financiación consolida a las bases de datos de grafos (y al ámbito asociado del análisis de grafos) como elementos de primer orden en el panteón de las técnicas analíticas modernas.
¿Por qué crear gráficos? En las ya inmortales palabras de Donald Rumsfeld, existen los «conocidos conocidos» (que se gestionan mediante la inteligencia empresarial y la elaboración de informes), los «conocidos desconocidos» (que se gestionan mediante el análisis predictivo para hacer frente a un reto analítico conocido, como el fraude) y, por último, los «desconocidos desconocidos». Estas son las preguntas que nunca se te ocurrió plantear, las consultas que nunca se te ocurrió formular. ¿Cuáles son los patrones desconocidos o ocultos que se esconden en tus datos y cómo puedes descubrirlos? Este es uno de los grandes retos analíticos de los conjuntos de datos: ¿cuáles son las relaciones inherentes (pero invisibles) en los datos? ¿Qué objetos están «cerca» de qué otros objetos? ¿Qué objetos son «valores atípicos»? ¿Qué acontecimientos, hasta ahora aparentemente inconexos, comparten espacio y tiempo?
Es precisamente por esta razón por la que los grafos constituyen una nueva e importante herramienta analítica. El análisis de grafos en la nube es la plataforma de implementación ideal, y esperamos ver soluciones que permitan transferir los datos a la nube, cargarlos en un almacén de datos de grafos de back-end como Actian Versant y, a continuación, «representarlos en forma de grafo» para detectar los patrones inherentes a los datos (e incluso ver cómo surgen nuevos patrones de forma espontánea a medida que se añaden más datos).