Avtor osebja Techopedia, 29. marca 2017
Odvzem: Voditelj Eric Kavanagh se o poslovni inteligenci pogovarja z dr. Robinom Bloorjem in IDERA Stan Geigerjem.
Trenutno niste prijavljeni. Če si želite ogledati video, se prijavite ali prijavite.
Eric Kavanagh: Dame in gospodje, dobrodošli spet, sreda je ob 4:00 vzhodno in zadnjih nekaj let je to čas za vroče tehnologije, ja, res. Moje ime je Eric Kavanagh, jaz bom vaš gostitelj današnje oddaje. Všeč mi je ta tema: "Zdravstveni pregled: Vzdrževanje zdravega BI podjetja", o tem bomo govorili danes. Resnično obstaja spot o vašem.
Letos je vroče - Hot Technologies je bil resnično zasnovan tako, da definira določene vrste tehnologije in si lahko predstavljate, da je v svetu poslovne programske opreme veliko in veliko prodajalcev, ki prodajajo vse vrste različnih izdelkov in kaj se dogaja. so to buzzword-i, ki se navadijo na to, da se različni prodajalci navadijo na različne stvari. In tako je namen te oddaje resnično pomagati prijateljem prodajalcev in pomagati našemu občinstvu, da prepoznajo in si ovijejo glave o tem, kakšne specifične tehnologije so v resnici in kaj vse te besede pomenijo, ko pridete prav do medeninastih trakov.
Tako bom danes kandidiral kot eden od analitikov, na robu imamo tudi dr Robina Bloorja in Stan Geigerja iz IDERA. Samo na hitro se pogovorimo o pomembnosti poslovne inteligence in analitike. To je osnovno drevo odločitev, če pa želite, ali pa je tabela samo nekakšen pogovor o tem, kako delujete v težavah v vašem podjetju, se pogovarjate o različnih temah, sestavljate predloge in nato ugotovite, kaj si ljudje mislijo. Se strinjata? Se ne strinjata? Kakšen je konsenz, če ga imate, in kako delujete skozi ta postopek?
No, to je vse očitno zelo splošno, vendar je dober opomnik na postopek, s katerim v podjetjih predlagamo ideje, sprejmemo svoje odločitve in nato premaknemo naprej. Zaključno pa je, da so za vsako od teh komponent potrebni podatki. To še danes velja v svetu velikih podatkov, ker so seveda veliki podatki kot ta velikanski resnični motor. Veliki podatki se res dogajajo; je predstavnik tega, kdo je, kje, kaj počnejo, kaj kupujejo, kaj obravnavajo njihovi družbeni mediji, na primer tweeting. Seveda lahko vse te stvari vdrejo - na to morate paziti - toda poanta je, da so podatki referenčna arhitektura, če hočete, resničnost.
Torej, želite podatke v vsaki točki tega postopka odločanja. Zdaj je pomembno soglasje. Če želite srečne uporabnike, se bo včasih šef moral boriti proti zrnju tistega, kar si vsi želijo. Ravno smo govorili o Stevu Jobsu, preden se je začela ta spletna oddaja, in bil je zlogan za to. Ima znan citat, kjer priporoča, da ljudje utihnejo hrup, ki ga slišijo naokoli, in se nato držijo svoje vizije, če vedo, kaj je prav. Torej, ne potrebujete vedno soglasja, običajno pa je to precej dobra ideja. Toda splošni namen tega diapozitiva in tega komentarja je, da domov odpeljemo pomen, ki ga želimo sprejemati na podlagi podatkov, ne le nagona, čeprav je črevesje ponavadi dobro, če veste, kam želite iti, in nato resnično želite, da to potrdijo ali razveljavijo s svojimi podatki. In rekel bi, da se ne bojite pogledati nazaj tja, kot lepega majhnega označevalca ali opomnika, da lahko ob pogledu nanje ob vsaki priložnosti vsaj dobite referenčni okvir in razumete, kje ste bili prihajate in bodite iskreni glede napak, ki ste jih naredili. Vsi smo delali napake, se zgodi.
Če imate težave z uspešnostjo v sistemih svoje poslovne inteligence, no, obstaja stari izraz "potrpežljivost je vrlina", ne v svetu IT, lahko vam takoj rečem. Če uporabniki dolgo čakajo, da se njihove poizvedbe vrnejo ali pa ne dobijo poročil, to poruši zaupanje, in ko zaupanja ni več, ga je zelo težko pridobiti. Torej, tukaj sem postavil vrstico - približno 40 sekund je v teh primerih približno 40 minut - če bo poizvedba trajala 40 sekund, ljudje pozabijo, o čem sploh govorijo, kaj so vprašali podatkov. Zamislite si v pogovoru, če koga vprašate, recimo šefa, pa si rečete: "Hej, rad bi vedel, zakaj gremo po tej poti." In na pogovor morate čakati 40 sekund dobiti odgovor? Odšli bi iz sobe! Mislili bi, da je vaš šef izgubil razum. Torej je ta zamuda, ki jo imamo v nekaterih informacijskih sistemih, kadar obstajajo težave z uspešnostjo, ki bo okrnila analitični postopek, analitični tok ali, kot nekateri pravijo, pogovor, ki ga vodite s svojimi podatki. V teh sistemih morate pospešiti, kar koli morate storiti, in o tem bomo govorili danes, to morate storiti, saj brez tega tekočega pretoka idej naprej in nazaj, ste resnično škoduje celotnemu procesu analitike. Torej in še enkrat vržem ta komentar: pomanjkanje zaupanja je tihi morilec. Ljudje resnično ne bodo preveč dvignili roke, če vam ne bodo zaupali, ampak vas bodo samo pogledali vstran in se spraševali, kaj se dogaja. In ko to zaupanje ne bo več, ga boste imeli zelo, zelo težko vrniti.
Torej, umetna inteligenca, dobro poslušamo o strojnem učenju in AI in "Oh, ali to ne bo rešilo vseh teh težav?" Robin in jaz že vrsto let poslušamo o samonačrtovanju baz podatkov in vsem tem zabavnih stvareh - se dogaja nekaj takega, vendar si postavite vprašanje: kako pogosto Siri to doleti prav za vas? Kako pogosto se je Siri po nesreči pojavil in odšel: "Oprosti, tega nisem dobil." Zato nisem ničesar vprašal. Pravkar sem po naključju pritisnil na ta prekleti gumb. Torej je še vedno veliko napak, in mimogrede na levi strani, to je čip ASIC iz Apple Newtona - se spomnite tega kužka iz let in let? To je bila ena prvih pametnih naprav, in to je bilo že dolgo nazaj, to je recimo v zgodnjih 90-ih ali sredi 90-ih. Da je Newton izšel in ni bil zelo dober, je pa imel vizijo; vedeli so, kam grejo, ampak tudi zdaj, z iPhone AI in strojnim učenjem, so to široko napačno razumljeni pojmi, bi rekel.
Kar zadeva strojno učenje, je vsekakor lahko zelo koristno in ga je dejansko mogoče uporabiti v nekaterih teh okoljih, kjer poskušate razumeti, kaj se dogaja z vašo zapleteno informacijsko arhitekturo, kjer gredo stvari narobe. Strojno učenje je v tem kontekstu lahko zelo dragoceno, vendar le, če se uporablja na zelo oster način. Pravkar sem bil pravzaprav na velikem dogodku v Kaliforniji, eden velikih distributerjev Hadoop-a Cloudera je imel svoj analitični vrh, jaz pa sem se pogovarjal z njihovim glavnim direktorjem strategije in rekel: "Veste, zdi se mi, da resnično strojno učenje počne samo dve stvari: segmentira in se izpopolni. "To pomeni, da vam bo dal različne segmente ali skupine dejavnosti, vključno z anomalijami, kar bi bil segment. In se izpopolni, kar pomeni, da vam pomaga izboljšati določeno odločitev. Klasični primer, ki ga slišite, je na tej fotografiji na primer človek. To lahko naredi strojno učenje in je uporabno v določenih okoliščinah, ko govorite o odpravljanju napak, saj lahko iščete vzorce vedenja pri uporabi CPU-ja, pri uporabi pomnilnika, hitrosti diska in kaj počnejo diski, in vse take zabavne stvari. Torej je lahko koristno, vendar je resnično nekaj, kar mora biti zelo osredotočeno, da ustvari kakršno koli vrednost.
Torej, ena od mojih najljubših stvari, o katerih bomo govorili - in to bomo nekako videli, ko mislim, da danes od IDERA vzamemo predstavitev - v mnogih pogledih mislim, da se človeška bitja še vedno učijo govoriti silikon . Pod vsem tem se skriva materialna veda in za tiste, ki ste se lotili odpravljanja napak in resnično trdo pogledali zapletene informacijske arhitekture, ko poskušate razumeti, kaj se dogaja, tudi na primer v Hadoop gruči, običajno gledate na histograme. In potem morate povezati, kaj ti različni histogrami pomenijo v določenem trenutku in to potrebuje inteligenco; ki zahteva človeško inteligenco in izkušnje. Torej, sploh ne bojim, da bodo ML, strojno učenje ali AI kmalu kmalu odvzeli preveč delovnih mest na tem svetu. Mislim, da bo vedno treba najti ljudi, ki odkrito vedo, o čem govorijo, da nam pomagajo in to vse uresničijo.
Torej, nadaljujmo naprej. Torej, kaj se zgodi, če nimate podatkov? To je znamenita slika, "Slepi vodijo slepe" - ljudje to niso tisto, kar iščete. Nočeš takšnega okolja v svoji organizaciji. Torej, hočemo, želimo, da naše odločitve temeljijo na podatkih in želimo, da odločitve temeljijo na dobrih podatkih, kakovostnih podatkih in to se bo zgodilo le, če boste zbrali pravilne podatke, če so lepi in čisti in če vaši sistemi delujejo pravilno, če so vaši BI sistemi zdravi, so vaši analitični sistemi zdravi in uporabniki pravočasno dobijo, kar želijo.
Torej s tem bom zavil in predal nepopustljivo Robin Bloor. Robin, vzemi ga.
Robin Bloor: V redu, hvala, ker ste mi predali žogo. Razmišljal sem, medtem ko si govoril, Eric, razmišljal sem samo o BI-ju in pred kratkim je bila predstavitev prodajalca, ki sem se je udeležil, ko je nekdo pripomnil, da je pri določenem prodajalcu, ki vodi določen sistem v velikem, slabem skladišču podatkov, v v danem trenutku bi lahko opravili 70.000 transakcij BI, kar bi vodilo k temu, da bi se številnim ljudem predstavile informacije. Zgodilo se mi je, da če imate dejansko takšno delovno obremenitev in celo izgubite nekaj sekund v smislu izvajanja programske opreme, bo to dejansko zelo drago, in če zapravite minute, bo to strašno drago. In potem sem se spomnil, da ogromno sveta teče po preglednicah - obstajajo, mislim, da so jih imenovali "senčni sistemi", kajne? Prvič, ko bi ljudje ravnokar sestavili sisteme s pomočjo preglednic in e-pošte in bi to naredili, ker IT oddelek ne more sestaviti aplikacij za vse, zato to storijo. Mislim, da se veliko BI vseeno vključi v takšne sisteme.
Kakor koli že, ko to rečem, se pogovorimo o tem, o čemer bom govoril. BI je povratna zanka za korporativne sisteme, res je tako preprosta ali zapletena, odvisno od tega, kakšno vlogo igra v organizaciji. Toda če pogledamo to, je diagram iz približno štirih let nazaj, ko smo tako ali drugače poskušali razumeti, kaj se dogaja na strani analitike. Ampak v bistvu je vse, kar je gledano nazaj, gledanje nazaj na to, kar se je že zgodilo, in vse, kar je nadzor, glede na način delovanja sistema, ponavadi BI. Prej ni bilo tako, da je bilo predvidevanje, napovedna analitika BI, vendar to dejansko postaja vse bolj. Eric je omenil strojno učenje, veliko strojnega učenja se lahko na tak ali drugačen način dejansko izvaja proti toku podatkov in vam lahko da napovedno analitiko za prihodnjih pet minut ali celo skoraj v realnem času, tako da se lahko odzovete na kupca, z izračunanim vedenjem, kaj se pravzaprav dogaja.
Toda središče tega diagrama je znotraj analitika. Običajno se zgodi, da so različne analitične dejavnosti usmerjene v določene zbirke podatkov in se naučijo nekaj novega, pridobijo se znanja o poslu. In ta del znanja je nato pripet v poslovne procese, ki se lahko iz njega hranijo. Običajno se manifestira tako ali drugače kot pojavljajoča se BI opozorila ali samo različne stvari, ki se dajo na armaturne plošče, in tako naprej, in tako naprej. Ko smo to dejansko storili, obstajajo štirje izrazi in končajo se z besedo "vid", kar je zelo lepo. Toda v resnici ni vse, kar ljudje želijo početi, tudi problem optimizacije in optimizacija ne prinaša preproste analitike. Gre za zelo zapleten problem in veliko težav z optimizacijo ni edinstveno rešljivo. Lahko imate le dobre rešitve, ne morete dokazati, da imate boljšo rešitev. In to je področje dejavnosti, kjer se dogaja dejavnost, vendar je to manj kot večina drugih področij analitike. Ljudje pravijo, da živimo v dobi analitike - no, to počnemo v primerjavi z desetimi leti, vendar lahko gre veliko dlje, kot je že.
Torej, začetek BI-ja, želja po znanju rodi zahteve uporabnikov, ki začenjajo projekte analitike, projekti analitike pa začenjajo podatkovna jezera, podatkovna jezera pa plus analitika začenjajo vpoglede in vpoglede. To je zgodba, ki sem jo pravkar povedal; Samo mislil sem, da bom to napisal. Mislim, kar sem tukaj naredil, celotna poanta tega diapozitiva in pravzaprav večina drugih diapozitivov je samo, da dejansko poudarim, kako zapleten je svet poslovne inteligence. To ni preprosta stvar, lahko bi ta način diapozitiva zakompliciral, kot je v resnici, toda tu imaš na dnu zunanje podatke in notranje podatke, ki bodo tako ali drugače postavljeni v uprizoritev območje, ki je dandanes to vrsta podatkovnega jezera, čeprav nima vsak podatkovnih jezer. In ljudje, ki nimajo nujno uspešnih. In potem je na podatkih potrebna zaužitna čistilna dejavnost in uravnavajoča dejavnost, preden jo dejansko lahko resnično uporabite. Potem te podatke vročite in o njih poročate ali pa jih analizirate in analiza vodi v ukrepanje.
In če dejansko pogledate različne vrste analiz, ki obstajajo, je to neverjetno dolg seznam, ni pa nujno popolnoma izčrpen seznam, to je tisto, kar sem mislil zapisati, ko sem dejansko ustvaril ta diapozitiv. V BI okolju se dogaja veliko stvari, ki predstavljajo vizualizacije, OLAP, upravljanje uspešnosti, kazalnike, nadzorne plošče, različne vrste napovedi, podatkovna jezera, rudanje besedil, video rudarjenje, predvidevanje, ogromen spekter stvari, ki dejansko gre naprej. Če na to gledate drugače, korporativna resničnost, v bistvu je to podoben diagramu kot zadnji, je to samo narejeno na drugačen način. Ločil sem tisto, čemur bi rekli BI, ker je redno in je znano, kaj se zahteva, to ne pomeni, da je dejansko tisto, kar se dejansko dogaja, vendar boste vsaj imeli redne stvari, recimo Tableau, ali Click, ali Cognos, tam je tema, in tako naprej, in tako naprej, se bodo dogajala različna redna poročila ali zmogljivosti. In potem imate na voljo aplikacije za analitiko in različne so. Ker aplikacije za analitiko resnično raziskujejo podatke in se po mojem mnenju nekako izenačujejo z raziskavami in razvojem. In potem imate potek dela. V delovnem toku zmešajte svoje stvari z operativnimi aplikacijami in pisarniškimi aplikacijami, če je to potrebno - in to je resničnost podjetja, kot vidim - čeprav v večini organizacij ni tako dobro organizirana.
Torej motnje BI-ja, to je le niz stvari, ki jih je treba omeniti, otežuje BI težje kot nekoč, saj je stari BI svet sestavljal predvsem dokaj čiste nabore podatkov, ki so na tak ali drugačen način zajeti, verjetno iz podatkovnega skladišča in jih podajajo v posebne Programska oprema BI. V tistih dneh res govorim pred petimi ali desetimi leti, toda v teh dneh se obseg podatkov ni širil, viri podatkov so bili znani. Hitrost prispevanja podatkov je bila znana, čeprav se nekateri BI ne bi zgodili dovolj hitro, da bi bili določeni uporabniki všeč. Ni bilo nobenega nestrukturiranega podatka, skorajda ni bilo socialnih podatkov, zagotovo ni podatkov o IoT, niste se ukvarjali s poreklom podatkov. Računalniška vrednost ni imela vzporednosti v zvezi z infrastrukturo, da bi lahko tako ali drugače počeli stvari izjemno hitro. Nisi imel strojnega učenja in število analitičnih obremenitev je bilo dokaj majhno. In vse to se je spremenilo, obseg podatkov lahko zdaj zelo narašča. Število virov, ki jih še naprej narašča. Da, pretok podatkov prihaja zelo hitro, veliko nestrukturiranih podatkov, vsekakor socialni podatki, ki bodo potrebovali čiščenje, toda drugi podatki, ki bi morda potrebovali čiščenje, vsekakor podatki IoT, so dogovor zdaj.
Dokazilo o podatkih je težava in za to nam je vseeno. Računalniška moč je tam, kar je lepo, saj to omogoča vse vrste izvedljivih stvari, strojno učenje pa imate zdaj kot pojav, ki vodi k ustvarjanju več zmogljivosti BI in novih analitičnih delovnih obremenitev, ki bodo storile enako. Torej, BI ni statična situacija in mislim, da je to zadnje, kar bom povedal, preden ga izročim Stanu. O ne, ni, obstaja še nekaj. Prihodnja BI pokrajina, internet stvari, arhitekture, ki temeljijo na dogodkih, vse v realnem času, v redu. To je dovolj BI-ja uporabnika, s strani uporabnika, da lahko uporabnik povzame povzetke. Pravočasnost delovanja pretoka podatkov, pokritost podatkov, čiščenje podatkov, veščine dostopa do podatkov, vizualizacija, izmenljivost in uporabnost.
Zdaj jo lahko prenesem na Stan, razen če je storitev BI zanesljiva in pravočasna, to ni storitev. Stan?
Eric Kavanagh: V redu, Stan, dajem ti žogo, vzemi jo.
Stan Geiger: V redu. Torej, o čemer bom govoril, je samo moje ozadje. Sem višji vodja IDERA na področju upravljanja izdelkov in ena od mojih nalog je naša poslovna inteligenca, ki ponuja izdelek. Tako bom malo razširila, o čem je Robin govoril, in o ključnem področju, s poslovno inteligenco, spremljala zdravje vaše platforme. Kot je rekel, zdaj je bilo tam, kjer smo imeli vse te podatke, in trajalo bo nekaj tednov za analizo, nato pa bi se vrnili s poročili in drugimi stvarmi. Toda BI okolica se spreminja tako, da smo zdaj že bližje skoraj sprotni analitiki. In v veliko primerih dejanska analitika v realnem času. Torej, malo govorim o tem diapozitivu, to je le nekakšen pregled - in kot popolno razkritje je, da bom o tem govoril z Microsoftove perspektive, vendar vsi ti koncepti presegajo, ali je vaš BI platforme so v programu Oracle ali uporabljate Informatica in Oracle ali samo mešate hibridna okolja. Uporabljal se bom v zvezi z Microsoftovim okoljem, vendar je to precej standardno.
Robin je imel diapozitiv, ki se je dotaknil tega, je, da imate izvorne sisteme, kjer imam vse svoje podatke, zdaj pa je bilo to, da so bili vsi v relacijskih bazah podatkov in shranjevanju podatkov, kot je to, toda zdaj imamo Hadoop, internet in stvari, in vsi ti nestrukturirani podatki sedijo zunaj, zdaj pa jih lahko vnesemo v to BI arhitekturo. Torej, o srednjem sloju, o katerem se malo govori, je shranjevanje podatkov v združevanju; tu potegnemo podatke, jih lahko očistimo, lahko prestrukturiramo in nato postavimo v nekakšno shrambo podatkov, nato pa poleg tega sedi predstavitveni sloj, in tam dobijo dostop vaši uporabniki. In v teh shrambah podatkov delamo analitiko teh podatkov in delamo nadzorne plošče, tam pa sedi Tableau, ki poroča o storitvah, in podobno. Vedno se smejim, ker ko sem bil arhitekt BA, smo se vedno smejali Excelu, ker se s tem sprijaznimo, da je Excel še vedno BI orodje množic.
Torej, malo pregleda tam, ampak samo za pogovor o vrsti arhitekture platforme, vi ste dobili svoje izvorne podatke in o tem sem govoril v več shrambah podatkov. In potem imam shranjeno zbirko podatkov v Microsoftovem svetu, imeli boste svojo bazo podatkov SQL Server, morda tam, kjer je vaše podatkovno skladišče, morda imate svoje podatkovno skladišče v oblaku, z vašim skladiščem podatkov. Na voljo imate analize storitev, ki so vaše OLAP cevi in podobne stvari, ki omogočajo združevanje in stvari naokoli za ogled stvari v več dimenzijah in podobne stvari. Nato imate svoj predstavitveni sloj, o katerem sem na kratko spregovoril, o vseh teh stvareh, ki so na vrhu teh shramb podatkov in združevanja. In vedno mi je všeč ta citat "Ne veš, česar ne veš", kar je res. Če ne spremljate in ne gledate, kaj se dogaja, na vseh teh področjih vaše BI platforme, kako veste, kdaj imate še kakšno težavo kot takrat, ko vam uporabniki začnejo pošiljati grda e-poštna sporočila in telefon se začne zvoni, zakaj se moja poročila ne izvajajo? Zakaj vse traja tako dolgo?
Torej, kar morate storiti, morate biti sposobni spremljati svoje platforme, na katerih služite poslovno inteligenco. In to sem v bistvu razdelil na tri področja: na voljo imate razpoložljivost, zmogljivost in izkoriščenost. Razpoložljivost pomeni, ali je vir na voljo: ali je navzgor ali navzdol? Tam je precej preprosto. Če pa pogledate, kdaj imate, boste morda imeli platformo na voljo, morda pa imate tam težave, zato morate imeti možnost identifikacije vzrokov; moraš biti sposoben opozoriti in obvestiti nekoga, kaj se dogaja, preden stvari preidejo v kritično stanje. To vodi tudi v platformo uspešnosti, stvari imate z ravni meritev uspešnosti, na ravni strežnika, kjer gostujejo storitve ali BI storitve ali BI platforme; imate zmogljivost na ravni virov, kjer morda na primer dostopam do podatkov iz SAN. Ker je SAN vir, omrežni viri, morate biti sposobni spremljati uspešnost vsega tega, biti sposobni prepoznati ozka grla in osrečevati svoje uporabnike, in če ste v okolju, kjer delate v resnici - časovna analitika, morate biti sposobni prepoznati ozka grla ali težave, preden se začnejo dogajati.
In zadnja teorija je izkoriščenost: kaj počnejo uporabniki? Kdo je povezan z mojimi viri BI? Kdo vodi kaj? Katere poizvedbe se izvajajo? Katera poročila se pripravljajo? Na primer poznavanje teh informacij pomaga določiti in načrtovati zmogljivosti. Pokaže tudi, kaj se uporablja v vašem BI okolju. Imali smo stranko, ki je želela naš nadzorni izdelek za BI samo zato, da so vedeli, katere dele BI okolja uporabljajo, da bi lahko premikali vire. Na primer, če ne bi uporabljali določenih poročil ali določenih kock storitev analiz, bi sredstva preusmerili iz tega na druga področja, ki so bila zelo uporabljena. Še en citat, ki mi je všeč, všeč so mi res odlični filmi, kot je "Tresenje", zato vam povejte moj film, zato mi je všeč ta citat Burta Gummerja, ki ga je igral Michael Gross, on je nekakšen človek za preživetje in pravi, se pokaže in izvleče to ogromno ostrostrelno puško 50 kalibrov in eden od fantov reče: "Prekleto, Bert." In on odgovori: "Ko jo potrebuješ in je nimaš, poješ drugačno melodijo. "Z drugimi besedami, veste, kaj? Bil je pripravljen na karkoli, na vse je prišel pripravljen, in kar mislim, je to, če ne spremljate svojega BI okolja iz virov in uporabe in stvari, o katerih sem pravkar govoril, potem ne veste, da potrebujete orodje ali okolje ali struktura, ki ga spremlja, dokler ga nimate. In potem se zavedaš, da sem resnično potreboval to naprej, in to je tak način, kot je veliko naših strank.
Torej, ko smo to povedali, se bomo preselili in si ogledali, kaj počnemo tukaj v IDERI, da bomo rešili nekaj teh vprašanj. In …
Eric Kavanagh: V redu, vidim.
Stan Geiger: Vidite? V redu. Kar imamo tukaj, je to naš izdelek BI Manager. In spremljamo, IDERA je že tradicionalno podjetje v okolju SQL Server, Microsoft SQL Server. Nato smo kupili v Embarcadero, tako da smo se zdaj razširili na nekatere druge platforme, vendar naš BI izdelek tradicionalno spremlja BI-jev sklad v Microsoftovem okolju. To bi bile analize za vaše večdimenzionalne in tabelarne analize, storitve poročanja, orodje za poročanje in nato integracijske storitve, ki je platforma ETL, podobna kot Informatica.
Z našim izdelkom lahko skozi vsakega izdelka spremljate vsa tri okolja, kar vidite tukaj, je celotna armaturna plošča in tukaj je treba opozoriti, ko sem govoril o tem, da je opozorjen, eno stvar je treba spremljati, vendar to ni dovolj - imeti morate mehanizem za opozarjanje. Z drugimi besedami, moram biti sporočen, preden stvari pridejo v kritično stanje. Torej, kar počnemo tukaj, obstaja cel niz meritev, ki jih zajemamo, ki jih je mogoče prilagoditi, saj glede na vaše okolje, določene pragove, s trideset milisekundnim branjem v vašem okolju morda niste vredni. V drugih okoljih je morda bolj kritično, da je ta prag nižji, zato je pomembno ne samo opozarjanje, ampak ga je mogoče konfigurirati, ker so okolja različna glede na vire.
Torej, v bistvu je to pregled vseh okolij, ki jih tukaj spremljamo, in tukaj imam tri primere: enega za analitske storitve, enega za integracijske storitve in enega za storitve poročanja. In vidite, da imam tukaj nekaj opozoril. In ker so rdeče barve, mi pravi, da so kritične, ker imam več stopenj, da lahko nastavim ta opozorila, opozorila pa jih lahko pošljem ljudem, ki so odgovorni za iskanje problema. Torej, samo na kratko si bomo ogledali in vrnil se bom k opozorilu, da bomo lahko prešli v del analiznih storitev in prepričan sem, da se čaka, da se tukaj naloži. In v bistvu, kar počnemo, imamo zbiranje podatkov; občasno gre tam zunaj in tam zbira in posname nekaj, kar počne vaše okolje. Torej, jaz imam svoj set za vsakih šest minut, tako da vsakih šest minut gre ven in opravi anketo okolice. Nekaj časa sem zaspal svoj VM, zato bo trajalo sekundo, da se bo spet pojavilo. No pa gremo.
Torej, poglejmo del analiznih storitev in tako bom moral klikniti na svoj primer tukaj, in ne pozabite, da sem govoril o eni izmed stvari, ki jo spremljamo, je uspešnost na ravni strežnika, ker ima veliko ljudi več stvari deluje na njihovem strežniku. Na strežniku imam morda bazo podatkov, na primer analitične storitve. Torej, če se nekaj dogaja v bazi ali imam težavo na ravni strežnika, bo to vplivalo na vse, kar se tam dogaja. Torej bomo spremljali stvari v strežniku na ravni strežnika, na primer, kako je delovanje diska, in vidite, da zajemamo metrike okrog vsega tega. In vse to je nastavljivo. In jaz pogledam, kaj se dogaja, samo CPU, in to je spet, to je na ravni strežnika in ne na ravni analitičnih storitev v mojem primeru tukaj. Toda dejansko na ravni strežnika.
In lahko pogledam na stvari, kot je na primer pomnilnik, na primer splošna poraba pomnilnika? Zdaj imam idejo, kakšno je zdravje samega strežnika. Nato lahko začnemo gledati stvari, ki so v tem primeru še posebej pomembne, v tem primeru storitve analize. Lahko na primer pogledam in vidim, kako poteka moja predelava kock, in to mi daje merilo zdravja. Če začnem videti, da obdelava traja dlje ali pa se vrstice ne pišejo skoraj tako hitro, potem lahko začnem gledati - in to gre v korelacijski del, za katerega verjamem, da je Robin govoril, ali je to človeku je še vedno potrebno, da lahko vse to naredi. Govorimo o AI, strojnem učenju, toda človeku je še vedno potrebno, da lahko te dogodke poveže okoli stvari. Lahko si ogledamo stvari, kot je, kaj se dogaja glede poizvedb, katere poizvedbe se izvajajo in kako dolgo trajajo? Lahko razvrstim, tako da lahko začnem spoznati, katera poizvedba traja najdlje časa. Lahko si ogledate tukaj v pretečenem času, lahko pogledam in vidim OK, kakšna je bila ta poizvedba in kdo je izvajal to poizvedbo v tistem času?
Potem lahko pričnem začeti zgodbo okoli tega, ko se začnem, ko stvari začenjajo špikati, se lahko vrnem nazaj in pogledam, kaj uporabniki počnejo v tistem trenutku. In videli boste eno od stvari, ki jih počnemo, to, da smo tukaj postavili nabiralnik časa, da vam omogočimo izbiro časa. Tako se lahko na primer vrnem na ta opozorila in dejansko je bila povezava na ta opozorila, na katera kliknem, in vzela se mi bo v tistem trenutku, ko se je opozorilo pojavilo. Potem lahko začnem zgodbo določiti skupaj, vidim, no, branje diska se je začelo, ali so bile težave s spominom ali kaj podobnega, nato pa lahko v istem trenutku preskočim poizvedbeno aktivnost in dejansko lahko začnem korelira, kdo je izvajal katere poizvedbe, ki bi lahko povzročile te konice tam. In potem lahko začnete delati stvari, kot sem lahko začel uglaševati, takrat bom začel uglaševati. To je kot avto, če sestavite dirkalnik in samo spustite motor in zaženete ključ, da se bo motor lahko zagnal, če pa moram za zmago iti 180 milj na uro, moram vedeti, da lahko motor poganja 100 kilometrov na uro in moram iti tja in začeti uravnavati ta motor, da bom lahko prišel tja. In to je tisto, kar vam to omogoča, je, da vam lahko omogočimo dovolj informacij, da začnete uravnavati svoje okolje, povečati zdravje in proizvodnjo tega okolja ter učinkovitost.
Nato spremljamo stvari v pomnilniku, ki so v tem primeru še posebej pomembne za analitične storitve. In tukaj lahko začnete videti, kje lahko začnejo stvari iti narobe, ko začnete videti stvari, ki se vrtijo med mejami spomina, takšne stvari. Druga stvar, ki si jo je dobro ogledati, kadar koli zaženete katero koli vrsto poizvedb, želite, da se podatki predpomnijo, ker ko se predpomnilnik ostane v pomnilniku in vam ni treba brati z diska, kar je veliko več učinkovitejše od branja podatkov z diska. Torej lahko začnete gledati stvari, ki se dogajajo, oprostite, na primer v predpomnilniku podatkov. Prej sem imel kup poizvedb, da sem dobil te podatke, in vidite, da sem imel večino časa, zadetki predpomnilnika in pogledi se prekrivajo, kar je dobro. Ampak sem imel tukaj obdobje, ko so bili zadetki precej nižji od tistih, ki so bili videti, kar mi pravi, da se mi je dogajalo nekaj, kar je bilo intenzivno v spominu, tako da se je predpomnilnik hitreje razplamtel, zato je bilo treba podatke branje z diska. In to lahko vidimo, ko pogledamo motor za shranjevanje. To je isto obdobje kot tisti drugi graf in tam lahko vidite konico, kjer so poizvedbe iz datoteke v tem obdobju res poskočile. In to pomeni, da so se podatki brali z diska. Zdaj se lahko vrnem in nato povežem to s poizvedbami, ki so se izvajale, in ne da bi ušesa vsem krvavele, toda v analitičnih storitvah uporablja jezik, imenovan MDX, obstajajo načini za učinkovitejše pisanje poizvedb, zato uporablja predpomnilnik bolj učinkovito in manj prostora za shranjevanje. Torej, obstaja primer uravnavanja tega motorja in podajanje vseh potrebnih kosov, da lahko to povežete.
Hitro lahko to tudi obrnemo na drug način. Ko pogledamo poizvedbe, lahko zdaj pogledamo seje, kdo je dejansko povezan v tem trenutku in kaj se izvajajo? Tako vam to daje nasproten pogled na poizvedbe in kdo jih izvaja. To je kdo povezan in potem lahko vidim, kaj trenutno izvajajo. Druga stvar, samo da na hitro odidem, je, da lahko vidite vse predmete v mojih večdimenzionalnih kockah MOLAP. In lahko dobim informacije o tem. Tako lahko na primer razvrstim po tem prebranem stolpcu in vidim, da je najbolj uporabljen predmet časovna dimenzija, drugi najbolj uporabljen pa dimenzija kupca. In to pomaga ljudem, ki razvijajo in gradijo stvari, da učinkoviteje sestavijo svoje kocke. Morda bom želel spremeniti strategijo particioniranja podatkov, na primer, o teh zelo uporabljenih dimenzijah v moji kocki, zato bo to na primer povečalo uspešnost poizvedb. To lahko zmanjša zmogljivost obdelave kocke, ker zdaj imam več particij, toda z vidika uporabnika bo ta motor nastavljen, da bo bolj učinkovit pri uporabi teh predmetov.
Torej, nadaljujte, tukaj govorite o integracijskih storitvah. Integracijske storitve, ki sem jih omenil, so platforma ETL v Microsoftovem okolju. Kar počnemo tukaj - in to je dosledno - spremljamo delovanje strežnika in to bi bile enake meritve, kot smo jih gledali, ker vse moje storitve delujejo na istem strežniku. Ampak še enkrat, to je pregled dogajanja na strežniku. Potem si lahko ogledam dejavnost za integracijske storitve, moje ETL procese. Tako lahko dobim predstavo o tem, kdaj so se ti procesi odvijali, ali so bili uspešni ali ne, lahko izpostavim določen potek procesa ETL in potem mi bo pokazal razčlenitev korakov znotraj tega procesa ETL, ali je bil uspešen ali ne in koliko časa je trajalo.
Če bi imel tukaj neuspešni paket tukaj ETL postopek, bi se lahko spustil do podrobnosti in videl sporočilo o napaki in pokazal bi mi, kateri korak v tem paketu, kjer tisti postopek ETL ni uspel, in vsa sporočila, povezana s tem. Torej, to je tisto, kar mi daje, in lahko dobim opozorilo, če ne uspe, tako da, če dobim opozorilo, lahko grem sem, pojdem, pojdem na to opozorilo, pogledam okvaro paketa, pogledam korake, poglejte, kje ni uspelo, poglejte sporočilo o napaki in takoj vem, kaj moram storiti, da to odpravim: ga prerazporedite in nato zaženite znova. Torej, to, kar vam to omogoča, rečemo, da skrajšamo to okno med identifikacijo problema in reševanjem problema. Torej, v prejšnjem življenju, ko sem bil odgovoren za tovrstne stvari, smo imeli ETL postopek, ki bi tekel ponoči, za nalaganje našega skladišča podatkov. Če bi imel te podatke, najprej zjutraj, ko sem prišel, če kaj ni uspelo, potem lahko hitro naslovim in vrnem ta postopek nazaj, da se prepričam, da je bilo skladišče podatkov zagnano in osveženo do trenutka, ko so uporabniki vstopila in začela dostopati do poročanja.
Druga stvar je, da imam dva procesa, da pogledam in vidim, kako teče skozi čas. To je pomembno, ker če začnem videti te procese, na primer, da trajajo dlje, ko se ti časi dvignejo, potem bom morda moral pogledati na primer moje okno za vzdrževanje, morda imam stvari, ki se dogajajo na tem strežniku . Vzemite na primer varnostne kopije; Mogoče se nadaljuje varnostno kopiranje, zaradi česar moj postopek čaka, dokler se ne konča. Morda bom moral prestaviti ali preusmeriti svoje procese okoli stvari, ki začnejo vplivati na moj ETL.
In zadnji del so storitve poročanja. Storitve poročanja so Microsoftove, v osnovi njihovo orodje za poročanje v podjetjih. In nekatere stvari, spet lahko pogledamo stvari na ravni strežnika, stvari lahko pogledamo po strežniku poročil, samem strežniku storitev poročanja. Tukaj ne tečem veliko stvari; Imam nekaj naročnin, ki se izvajajo vsakih 15 minut, da zaprem poročilo. Tako ne boste videli veliko aktivnih povezav, ker se vklopi, poveže, zažene poročilo, prekine povezavo in ga pošlje.
Toda v visokih transakcijskih okoljih, kjer je veliko poročanja, je ključnega pomena spremljanje teh stvari. Torej lahko vidite, kje sem se tukaj dogajal, zato vam daje precej dobro predstavo o tem, kaj se od dejanske ravni storitev in platforme dogaja. In potem, ko sem govoril na diapozitivih, kdo vodi kaj in kaj dela? In ena od naših strank je kupila ta izdelek samo za ta kos, ker je želela vedeti, katera poročila vodijo ljudje in kdo vodi ta poročila. To je ena od stvari v tem poročilu, ki si jo lahko ogledate tukaj. Vidim, katero poročilo, vidim vse parametre, ki so bili v tistem poročilu, vidim, kdo ga vodi, lahko vidim obliko poročila. In potem imam vse te meritve okrog sebe, tako da, če še enkrat, te stvari lahko razvrstim, na primer, kakšno poročilo je trajalo najdlje za pridobivanje podatkov in lahko grem desno do tega in vidim, katero poročilo je to. In spet, vse to mi daje podatke, da bi lahko bil, da bi spet nastavil ta motor. Zdaj lahko začnem prilagajati svoje okolje za poročanje.
In zadnja stvar, ali lahko pogledam uporabniško aktivnost, ki je spet povezan s trenutno, kaj počnejo? Pravzaprav lahko v okolju, kjer sem imel več uporabnikov, vse to razvrstim, da lahko razvrstim, da vidim, kdo okolje najbolj uporablja. Torej, samo da se hitro vrnemo nazaj in si oglejmo ta opozorila. Tu je bilo to opozorilo; Tu lahko kliknem na to povezavo in za to točko se bom pripeljal do grafa in pokazal, katera je bila na opozorilu. Torej lahko vidite tukaj, to je tisto, ker so bile povprečne milisekunde za pisanje, na primer branje in pisanje. Torej, spet samo poskušam doseči to točko prepoznavanja težav. In resnično je pomembno, da imate celostno orodje, ne le nekaj, kar gleda na to eno stvar, ker človek mora priti sem in povezati te dogodke, ki se dogajajo, zato morate biti sposobni pogledati, kaj se je dogajalo ob tem pravočasno čez več področij tega okolja, in to je ena izmed stvari, ki jih počnemo s tem časom.
Eric Kavanagh: Ja, tukaj je Eric samo s hitrim vprašanjem, ker mislim, da si verjetno udaril žebelj po glavi, in o tem sem govoril ob koncu ure, da mora človek priti in narišite te korelacije med različnimi okolji. Zanima me, ali obstaja nekaj poučnega gradiva, ki ga lahko delite, ali se morda ukvarjate z ljudmi, da bi jim pomagali prepoznati nekatere od teh vzorcev? Kot bi imeli res dober primer pred minuto, o tem, kdaj eden od teh trpi, ki vam pove, da se nekaj dogaja v spominu, ker je ves čas poskušal iztisniti spomin. To vam daje pojem, ampak kako ljudje te statistike preslikajo v resnične težave, je resnično vprašanje.
Stan Geiger: Ja, to je dobra točka in ena izmed stvari, o kateri sem ravnokar govoril, načrt zemljevida izdelka, je kasneje letos, ko bomo izdali različico in eno od stvari, ki jo bomo začeli dodajati Vsak od teh grafov je opis, kaj ta graf pomeni in zakaj bi vas bilo treba skrbeti ter kakšen je vpliv tega. Torej lahko na tem grafikonu kliknite vprašaj ali kaj podobnega in nato potegnite okno, ki vam bo dalo veliko teh informacij in vam povedalo, da so to možni vzroki, to so področja, na katera vplivajo, in vodite Če želite v tem primeru iti, kot ste rekli, tukaj je ta špic, iz osebnih izkušenj vem, kaj to pomeni. Potem lahko začnem s vrtanjem v območje in najdem glavni vzrok.
Zdaj imamo to veliko v svojem izdelku za upravljanje diagnostike za SQL Server za dejansko bazo podatkov. V takem izdelku imamo veliko tovrstne funkcionalnosti, poleg tega pa imamo na voljo še nekaj analiz vijakov do upravitelja diagnostike, ki vas namigne na veliko hitrejše. In s tem izdelkom gremo po poti.
Eric Kavanagh: In mislim, da obstajajo podpisi za nekatere vrste dejavnosti. Ali vam to orodje omogoča, da prepoznate, kdaj se je zgodil določen dogodek, in ga katalogizirate, tako da bo sčasoma prepoznal podoben vzorec navzdol in pomagal ugotoviti, ali je morda nov uporabnik, na primer z uporabo isto orodje? Pomagajte razumeti, oh, to je zato, ker so se ti strežniki zmanjšali ali ker je ta regija padla? Ali obstaja kakšen način katalogiziranja podpisov težav, da jih boste pozneje zlahka prepoznali?
Stan Geiger: Ne, pravzaprav, ampak to je pravzaprav zanimiv koncept, saj je skoraj tak, kakšen je - principna komponentna analiza, mislim - kjer prepoznaš vzorce in zabeležiš te vzorce, tako da, če jih spet vidiš, se lahko vrneš nazaj in glej, v redu, v tistem trenutku je bil to vzrok. Ja, to je nekaj, ni na zemljevidu poti, je pa nekaj, o čemer sem razmišljal z vidika upravljanja izdelkov.
Eric Kavanagh: Lahko si predstavljam. Oh, pojdi naprej.
Stan Geiger: Ne, hotel sem reči - in prejeli smo veliko prošenj, saj ne vem, kakšne so vaše izkušnje - toda ugotovimo, da baze DBA poznajo baze podatkov, kot je zadnji del njihove roke, toda BI stvari so nekako kot črna škatla, ko gre za zdravje platforme. In ne, nimajo veliko baze znanja okoli tega. Jaz, samo od tega, da sem v njem delal približno pet do deset let, kajne? Toda tipični ljudje, ki so odgovorni za to, da jih najdejo ali dobijo opozorila in ugotovijo, kaj se dogaja, jim je to nekakšna črna skrinjica.
Eric Kavanagh: Ja, lahko si predstavljam. Zanimivo bi mi bilo tudi to vedeti, zato ste na enem zaslonu pokazali, kako lahko vidite vse poizvedbe, ki se pojavljajo, koliko časa trajajo in kdo jih je ustvaril. Ali lahko vidite tudi dejansko strukturo same poizvedbe SQL in naredite kakšno analizo okoli tega? Kot morda včasih ljudje sestavljajo poizvedbe SQL, ki so na primer zapletene, recimo in okorne, v nasprotju z mojstrom, ki resnično postavi lepo, tesno poizvedbo. Je to nekaj, kar lahko s pomočjo tega orodja vizualizirate in vam nato pomaga, da je težava?
Stan Geiger: Ja, tako da lahko storite, kot je tisto, kar sem storil tukaj, na primer samo razvrščen po pretečenem času. Tako lahko vidim tiste, ki trajajo najdlje, nato pa dobim besedilo, potem pa je še vedno nekdo, ki je bolj ali manj strokovnjak za zadevo, to pogledal in šel: "Oh, v redu, zakaj je tako dolgo trajalo . "To je nekaj, kar imamo nekakšno analizo delovne obremenitve, imenujemo jo SQL Workload Analyzer za bazo podatkov, da sem se norčeval z mislijo, da bi morda po cesti prišel do podobne stvari, tako da bi lahko identificiral te poizvedbe in nato daje priporočila, kako jih prilagoditi. Toda eno od vprašanj je, da je ta poizvedba MDX precej specializiran jezik.
Eric Kavanagh: Ja, lahko si predstavljam. Lahko pa vidite na primer, kdo so ljudje, zato ni pretežko ugotoviti, ali je ena oseba, če je en človek odgovoren za deset najdaljših procesnih poizvedb, če ga nič drugega, ga lahko pokličete ali pokličete njegov vodja ali kdo in mu reče: "Hej, ta fant žveči veliko pasovne širine" in morda se izkaže, da so to najdragocenejše poizvedbe za posel, kajne? Morate ga postaviti v kontekst, kakšna je poslovna vrednost, iz samih poizvedb, ne gre samo za igro s jasnimi številkami, kajne? Ugotoviti je treba, no, ta moški je naš porabnik energije in on spreminja podjetje, kajne?
Stan Geiger: Ne, prav imaš prav. Mislim, to je eden od načinov, kako to uporabljajo stranke, da to lahko storimo. Kot že rečeno, boste morda našli eno področje, ker ena izmed stvari, o kateri govorim, vedno pokukam v Excel, vendar se lahko povežete z analitičnimi storitvami v Excelu in zaženete vrtilne tabele iz OLAP-ja in ustvari lastna poizvedbe in jih pošlje in včasih niso najboljši obrazec, zato se lahko vrnete nazaj in jih prepoznate in jih dejansko prepišete ter daste uporabniku in jih pustite, da jih izvajajo zunaj, tako da ne traja pol ure naj se vrnejo nazaj na svojo vrtilno mizo.
Eric Kavanagh: Točno. In ko govorimo o poizvedbah, vi pokrivate paleto poizvedb, zato ste omenili MDX, kaj pa je z nekaterimi drugimi poizvedbami, kot je DAX poizvedba, ali nekaterimi drugimi drugimi?
Stan Geiger: Ja, pokrivamo, ja, kateri koli DAX in MDX oba. Torej ena izmed stvari, ki je nisem omenil, ali pa sem morda storil, vendar podpiramo tabelarično in OLAP v Microsoftu in DAX-u - mislim, da sva se s tem pogovarjala že nekaj časa nazaj - ali se vidimo veliko zdaj bolj tabeliran kot smo OLAP. Zato, ker je preprosto lažje prikazati tabelarne modele in podobne stvari, zato boste očitno videli DAX poizvedbe, vendar bomo pobrali tudi te.
Eric Kavanagh: Ja, to je zanimivo. Imate kakšen kontekst, zakaj se to dogaja? Mogoče zato, ker se vedno več ljudi ukvarja s temi stvarmi in ker OLAP seveda ni nekaj novega, kar se dogaja že vsaj 30 let?
Stan Geiger: Prav, no, to je nekakšna kombinacija, ena od stvari je oblikovanje kock umetnost. Kocke so bile zgrajene za vnaprejšnje združevanje podatkov, tako da je hitro hitro pridobiti podatke, vendar obdelava kocke traja nekaj časa, ker je treba opraviti vse te združevanja. In potem je strojna oprema postala cenejša, pomnilnik pa cenejši, nato pa so vsi zares prihajali s stolpnimi zbirkami podatkov in shranjevanjem. In tudi tabela je verjetno najbližja tradicionalnim relacijskim bazam podatkov, zato je le veliko lažje in hitrejše oblikovanje tabelarnih modelov kot pri OLAP. Toda pomanjkljivost je, da je v spominu, celotna stvar je v spominu, zato je zelo veliko pomnilnika in podatki se ne združijo, dokler jih ne zahtevate. Torej, vendar, ko rečem vse to, začnemo videti veliko bolj tabelarno tam.
Eric Kavanagh: To je zanimivo. Mogoče je tudi zato, ker ta panoga nekako nekoliko popušča, in s tem mislim, da dobimo veliko več ljudi, ki komunicirajo s podatki in uporabljajo različna orodja, in zagotovo, ko govorite o Microsoftu, mislim to je zagotovo tako, da imate veliko, veliko več uporabnikov za mala in srednje velika podjetja in celo nekatere večje organizacije, ki kopajo po stvari, dostopajo do orodij, izvajajo poizvedbe in morda niso tako dobro seznanjeni z celoten postopek in tehnologije okoli gradnje kock, po vašem mnenju, kajne? Ker je potrebno nekaj razmišljanja in je tudi drago, kajne? Za izgradnjo teh kock je potreben čas, potrebna je energija, razen če ne uporabljate kakšne novejše tehnologije. Gotovo smo se pogovarjali s podjetji, kot je Snowflake, na primer, počne precej zanimivih stvari, ampak mislim, da imate veliko več ljudi, ki uporabljajo stvari, in verjetno gredo s tem, kar ste pravkar opisali, to je tabelarni format, v nasprotju s formalno gradnjo kock, kajne?
Stan Geiger: Ja, mislim, mislim, da je Excel - ko je bil, Power Pivot, verjamem - to je pravzaprav tabelarno, če si ga ogledate; to je način, kako sestaviti tabelarne modele. In potem je bila naslednja iteracija, lahko vam povem svoje tabele, ki jih sestavim, in ga razporedim do SQL Serverja, da ga lahko delim z vsemi drugimi. Torej, to je nekako naravni podaljšek Excel skoraj.
Eric Kavanagh: Ja, to je dobro. To, kar smo videli v zadnjih, rekel bi pet do sedem let, le ogromna širitev uporabe teh tehnologij, kajne? In odkrito povedano, Microsoft je bil pionir v tem, saj je resnično demokratiziral podatke o moči prek analiznih storitev in prek Power Pivota, kajne? Mislim, to je bila sprememba iger za industrijo, kajne?
Stan Geiger: Ja, ne, prav imaš prav. Mislim, drsnik imam, ko predstavim daljšo predstavitev, ki prikazuje prehod od pomenskega modela, ki je bil OLAP, do tabela. Mislim, da imam citat Microsofta; želijo podatke v rokah uporabnikov, ne le čez zid v IT trgovini, več podatkov želijo dobiti v roke ljudi, ki jih porabljajo.
Eric Kavanagh: In to se vrne na tisti prvi zelo preprost diapozitiv, ki sem ga pokazal, kar je bil osnovni postopek odločanja za vsako organizacijo, in zdaj - in mislim, da je to odlična stvar - postajamo vedno več ljudi od celotne hierarhije organizacije, ki je pozorna na dogajanje, ko svojo zgodbo položite v tabelo in to storite s podatki, to je spodnja vrstica. Mislim, lahko uporabite druga sredstva, če pa svojo zgodbo podkrepite s podatki, imeli boste veliko močnejše argumente kot tisti, ki tega ne, kajne?
Stan Geiger: Točno, ja. Kot ja, tako je. Mislim, to je razlog, zakaj je bilo nekoč "Hej, potrebujem to poročilo", tako da sem moral iti skozi prošnjo za poročilo in sem moral iti sem, toda po svoje poročilo, in zdaj lahko sedim tam neposredno za mizo in res samo, imam dostop do ustvarjenih podatkov in sprejemam svoje poslovne odločitve.
Eric Kavanagh: Tako je. Veste, vrnil sem se s konference prejšnji teden in prišlo je do histerične pripombe fanta, ki vodi precej veliko BI okolje za trgovino Target, in je navajal analitiko samopostrežnih storitev in samopostrežno BI, in očitno to je veliko vprašanje v teh dneh. Prepričan sem, da je to, kar vodi veliko dejavnosti za to, kar počnete v IDERI, saj ko želite samopreklicati, je bolje imeti zdravo BI okolje, kajne? Če boste tam spravili vse vrste ljudi na vsakovrstna vprašanja, boste tukaj želeli imeti nekaj takega, da boste lahko razumeli, kdo postavlja vprašanja in kje. In smešen citat bom tukaj vrgel samo za brc, kot ste rekli: "Med BI-jem za samopostrežne storitve in F-jem se natančno ločite."
Stan Geiger: Ja.
Eric Kavanagh: Mislil sem, da je to histerično. Ali opažate, da trend samopostrežnih storitev resnično vodi do zavedanja o tem, kaj počnete s tehnologijo?
Stan Geiger: Ja, ker kot rečeno, če boste dovolili samopostrežno BI, boste verjetno dobili nekaj težav z uspešnostjo, in sicer samo zaradi: A) količine dostopa, količine ljudi, pri podatkih in B) količino slabo oblikovanih poizvedb in načinov dostopa do njih. Torej, resnično je nujno, da spremljate okolje, da boste lahko vsi zadovoljni, ki poskušajo zaužiti podatke, kajne?
Eric Kavanagh: Ja, mislim, da je ravno to. To je blagoslov in prekletstvo: dobro je, da ljudje poskušajo uporabiti stvari, ampak spet po vašem mnenju, če takrat nimate pravega orodja, boste nesrečni tabornik, ker se boste kotalili brez samopostrežne službe brez tega orodja, se mi zdi, da samo sprašuje po gorju težav.
Stan Geiger: Ja, mislim, podobno je, kot ko sem gradil skladišča podatkov, je tako, kot če ne bi pravilno določil dimenzij in tabel dejstev, potem pa si ga sprostil za ad hoc poročanje, morda boš želel plaziti pod skala.
Eric Kavanagh: To je super. Ja, spet je dobro, da je dobra novica, da ljudje uporabljajo te stvari, toda mislim, da moram verjeti, da bo samopostrežba povzročila veliko dejavnosti za to, kar počneš, ker govoriš o klančini povečati količino napetosti in količino pritiska na te sisteme po vrstnem redu. Ne le za enega ali za dva reda razsežnosti in ravno to je tisto, ko si resnično želite imeti nekaj vidnosti in želite videti, kdo kaj počne, kje, kdaj, kako in zakaj. Zastavite si ta vprašanja in se nato odločite, kako lahko spremljate in spreminjate okolje in spreminjate svoje politike o tem, kdo ima dostop do česa, kajne?
Stan Geiger: Prav. In veste, tudi če veste, da uporaba tudi vam omogoča, da vstopite tja, in potencial, kot sem omenil predmet znotraj kocke, lahko storim stvari za izboljšanje tega, kar se tiče načina, ki ga gradim in oblikujem stvari. Torej je nujno, da si ne ogledate samo uspešnosti stvari, ampak tudi, da vidite, kako vaša shema in vaša zasnova deluje tudi na tej ravni, da se lahko prilagodite. In to bo samo še večje in večje, saj so stvari, kot je Power BI, zdaj velika stvar pri Microsoftu, tako da lahko zdaj sestavim svoje nadzorne plošče in pripomočke in stvari in ne bi smel biti razvijalec BI-ja.
Eric Kavanagh: Tako je. Da, to je dobra stvar, povsod se dobiva, toda potrebovali boste nek način upravljanja tega okolja ali pa boste pridobili nesrečne uporabnike. To vodi v nesrečno upravljanje, kar vodi v odpuščanje ljudi. Ko se stvari začnejo uvrstiti, je precej jasen domino učinek, vendar so to super stvari.
Tako sem nekako prežvečil zadnjih pet minut tukaj. Robin, si imel kaj vprašanj?
Robin Bloor: No, mislim, da je pravzaprav fascinantno, če sem iskren. Razmišljam o dejstvu, da smo imeli zelo omejena okolja in samopostrežba dejansko spreminja svet in veliko tega se dejansko dogaja, ker je v okolje prišlo ogromno več podatkov, kot se je zgodilo prej. Edino vprašanje, ker nimamo veliko časa, vendar bi me zanimalo samo vprašanje, kot ste razlagali tako - ker sem mislil, da je to zelo dober demo - način, kako BI nadzor deluje. Spraševal sem se, kaj ljudje v resnici nimajo takšnih stvari? Ker mora biti zelo težko, je nekaj stvari, v katerih se razlikujete, vzrok je dobro, ni nujno, da vedno pridete do vzroka, vendar lahko z nekaterimi stvarmi pridete do vzroka da gledaš, da ko si rekel, da veliko ljudi kupi orodje, samo da bi vedeli, kdo kaj vodi, in da se mi vrti um, ker je tako, kot da ne veš, kdo kaj vodi, potem pa stvari uidejo izpod nadzora. Kako izgleda okolje, ko je zunaj nadzora?
Stan Geiger: Mislim, da bi lahko vse te podatke, ki jih imamo v orodju, dobili sami, vendar bi morali napisati kup domačega scenarija in ker so tam vsi podatki, morate samo vedeti, kje dobil, kar zahteva raven strokovnega znanja, kajne? Torej, v okoljih, kjer nimate takšne stopnje strokovnega znanja, v bistvu to, kar dobite, je, ali je, ali je navzgor ali navzdol? Resnično ne vem, ali teče učinkovito ali ne, toda gor je, kajne? In potem začnem prejemati telefonske klice ali ljudje gredo: "Hej, moje poročilo ni v mojem prejetem poštnem sporočilu, kaj se dogaja?" Ali "To poročilo sem pravkar predložil prek storitev poročanja" ali pa bodo morda tukaj opravili poizvedbo v storitvah analize, ampak traja približno pol ure in je trajalo le približno 30 sekund, kaj se dogaja? No, zdaj morate narediti požarno vajo in preizkusiti, in brez orodja postane zelo težko.
Robin Bloor: No, prav, to se mi je postajalo vse bolj očitno, ko si pokazal vsako dimenzijo tega, kar si pravzaprav dobil tukaj. Druga stvar je, da je to na zelo, zelo primitivni ravni, če nimate opozoril, ki bi vam govorili, da gredo stvari narobe, potem je to samo drago - pridete v drago situacijo in poskušate pozdraviti, kar se je zgodilo, ker ne izvejte, dokler stvari ne začnejo grdo padati, kajne?
Stan Geiger: Prav, ne veš, česa ne veš.
Eric Kavanagh: Imaš. No, hej ljudje, že uro smo se zgoreli in spremenili. Zelo hvala lastnemu Robin Bloorju in seveda našemu prijatelju Stanu Geigerju iz IDERA Software. V podjetju Data Data World bodo v resnici, če se kdo od vas spusti tja, bo resnično tudi vaš v Atlanti. Naš dober prijatelj, Tony Shaw, odlično končuje to konferenco že štiri leta in glej, kar je staro, je spet novo. Vse je vroče. Upajmo, da se bomo videli tam, če ne, se pozanimajte pri nas prihodnji teden, imamo še kup drugih spletnih oddaj.
Vedno radovedni, če slišim vaše misli, pošljite e-poštno sporočilo, ki mi gre prav, če imate kakršna koli vprašanja ali predloge ali druge tehnologije, o katerih bi se radi naučili v Hot Technologies. In s tem se boste poslovili, ljudje. Še enkrat hvala, da ste se nam pridružili, se bomo pogovorili naslednjič. Pazite. Adijo.
