Autors: Techopedia Staff, 2017. gada 29. marts
Takeaway: Uzņēmējs Ēriks Kavanagh diskutē par biznesa izlūkošanu ar Dr Robin Bloor un IDERA Stan Geiger.
Pašlaik neesat pieteicies. Lai redzētu video, lūdzu, pierakstieties vai reģistrējieties.
Ēriks Kavanaghs: dāmas un kungi, laipni gaidīti vēlreiz - ir trešdiena plkst. 4:00 uz austrumiem, un pēdējos pāris gadus tas ir domāts, ka ir laiks Hot Technologies, jā, patiešām. Mans vārds ir Ēriks Kavanaghs, es būšu jūsu šodienas raidījuma vadītājs. Man patīk šī tēma: “Veselības pārbaude: veselīga uzņēmuma BI uzturēšana”, par to mēs šodien runāsim. Ir patiesība par jūsu vietu.
Tāpēc šogad ir karsts - Hot Technologies patiešām tika izstrādāts, lai noteiktu konkrētus tehnoloģiju veidus, un jūs varat iedomāties, ka biznesa programmatūras pasaulē ir daudz un daudz pārdevēju, kas pārdod visu veidu dažādus produktus, un tas, kas notiek, notiek vai šie ir buzzwords, kuru dēļ dažādi pārdevēji pierod un pievērš uzmanību dažādiem pārdevējiem. Un tā, šīs izrādes mērķis patiešām ir palīdzēt draugiem pārdevējiem un palīdzēt mūsu auditorijai gan apzināt, gan apvilkt galvu par to, kādas īsti ir konkrētas tehnoloģijas un ko visi šie vārdi nozīmē, kad jūs nokļūstat misiņa spieķos.
Tātad, es stāvēšu kā viens no analītiķiem šodien, mums ir arī Dr. Robins Bloors rindā un Stens Geigers no IDERA. Ātri runāsim par biznesa informācijas un analītikas nozīmi kopumā. Šis ir pamata lēmumu koks, ja vēlaties, vai arī blokshēma ir tikai veida sarunas par to, kā jūs strādājat ar jautājumiem jūsu uzņēmumā, apspriežot dažādas tēmas, saliekot priekšlikumus un tad jūs uzzināsit, ko cilvēki domā. Vai viņi piekrīt? Vai viņi tam nepiekrīt? Kāda ir vienprātība, ja jums tāda ir, un kā jūs strādājat ar šo procesu?
Tas viss acīmredzami ir ļoti vispārīgs, bet tas ir labs atgādinājums par procesu, kurā mēs ierosinām idejas uzņēmumos, pieņemam lēmumus un tad virzāmies uz priekšu. Un vissvarīgākais ir tas, ka dati ir nepieciešami par katru no šiem komponentiem. Tas ir pat patiesāk šajās dienās lielo datu pasaulē, jo, protams, lielie dati ir kā šis milzīgais patiesības dzinējs. Lieli dati tiešām notiek; tas pārstāv to, kas ir kur, ko viņi dara, ko pērk, kāds ir viņu sociālo mediju rīks, piemēram, tweeting. Protams, visu šo lietu var uzlauzt - jums tas ir jāuzmanās -, bet jēga ir tā, ka dati ir atsauces arhitektūra, ja vēlaties, par realitāti.
Tātad, jūs vēlaties datus par katru šī lēmumu pieņemšanas procesa punktu. Tagad svarīga ir vienprātība. Ja jūs vēlaties laimīgus lietotājus, dažreiz priekšniekam var nākties iet pretī tam, ko visi vēlas. Tieši pirms šīs tīmekļa apraides sākšanas mēs runājām tikai par Stīvu Džobsu, un viņš bija slavens ar šāda veida lietām. Viņam ir slavens citāts, kurā viņš iesaka cilvēkiem noslāpēt apkārt dzirdamo troksni un pēc tam pieturēties pie sava redzējuma, ja viņi zina, ko viņi dara pareizi. Tātad, jums ne vienmēr ir nepieciešama vienprātība, bet parasti tā ir diezgan laba ideja. Bet šī slaida un šī komentāra vispārīgais mērķis ir norādīt uz svarīgumu, ka mēs vēlamies savus lēmumus pieņemt, balstoties tikai uz datiem, nevis tikai uz instinktu, lai gan zarnas parasti ir patiešām labas, lai palīdzētu jums zināt, kurp vēlaties doties, un pēc tam jūs patiešām cenšaties to apstiprināt vai to padarīt nederīgu ar saviem datiem. Un es teiktu, ka nebaidieties atskatīties uz turieni, tāpat kā uz jauku mazu marķieri vai atgādinājumu, ka, atskatoties uz gadījumu, jūs varat vismaz iegūt atskaites punktu un saprast, kur esat bijis nāc no un esi godīgs par pieļautajām kļūdām. Mēs visi esam pieļāvuši kļūdas, tā notiek.
Tātad, ja jūsu biznesa izlūkošanas sistēmās ir problēmas ar veiktspēju, labi, ka šobrīd IT jomā ir senais izteiciens “pacietība ir tikums”, nevis IT pasaulē. Ja lietotāji ilgu laiku gaida savu jautājumu atgriešanos vai arī viņi nesaņem pārskatus, tas mazina uzticēšanos, un, kad uzticība ir pazudusi, to ir ļoti grūti atgūt. Tātad, es šeit ievietoju līniju - daudzās dienās apmēram 40 sekundes ir līdzīgas 40 minūtēm - ja vaicājumam būs vajadzīgas 40 sekundes, cilvēki aizmirst to, par ko pat runā, ko viņi jautāja no datiem. Iedomājieties sarunā, ja pajautājat kādam, teiksim, jūsu priekšniekam, jūs sakāt: “Ei, es gribētu zināt, kāpēc mēs ejam pa šo ceļu.” Un sarunā jums bija jāgaida 40 sekundes lai saņemtu atbildi? Jūs izietu no istabas! Jūs domājat, ka jūsu priekšnieks ir zaudējis prātu. Tātad tas latentums, kāds mums ir dažās informācijas sistēmās, kad rodas veiktspējas problēmas, kas saīsina analītisko procesu, analītisko plūsmu vai, kā daži cilvēki to sauc, sarunu, kas notiek ar jūsu datiem. Šajās sistēmās jums jāpieliek ātrums neatkarīgi no tā, kas jums jādara, lai to izdarītu, un mēs par to runāsim šodien, tas ir tas, kas jums jādara, jo bez šīs plūstošās ideju plūsmas turp un atpakaļ jūs esat tiešām sabojājot visu analītikas procesu. Tāpēc es vēlreiz izmetu šo komentāru: neuzticēšanās trūkums ir kluss slepkava. Cilvēki patiesībā pārāk daudz nepacels rokas, ja neuzticēsies jums, bet viņi vienkārši skatīsies uz sāniem un brīnos, kas notiek. Kad uzticība būs pazudusi, jums būs ļoti, ļoti grūts laiks to atgūt.
Tātad, mākslīgais intelekts, mēs dzirdam par mašīnmācīšanos un AI un “Ak, vai tas neatrisinās visas šīs problēmas?” Robins un es jau vairākus gadus dzirdam par pašregulējošām datu bāzēm un visu šo jautro lietu - kaut kas no tā notiek, bet vienkārši uzdodiet sev jautājumu: cik bieži Siri tas jums šķiet piemērots? Cik bieži Siri nejauši uznirst un aiziet: “Es atvainojos, es to nedabūju.” Tāpēc es tev neko nejautāju. Es tikai nejauši nospiedu šo piesprausto pogu. Tātad joprojām ir daudz trūkumu, un, starp citu, kreisajā pusē, tas ir Apple Newton ASIC mikroshēma - atcerieties, ka kucēns pirms gadiem un gadiem? Šī bija viena no pirmajām viedajām ierīcēm, un tāda veida jau sen ir, tas ir, piemēram, 90. gadu sākums vai 90. gadu vidus, ko es gribu teikt. Ka Ņūtons iznāca un tas nebija ļoti labi, bet tam bija redzējums; viņi zināja, kurp dodas, bet pat tagad, manuprāt, ar iPhone AI un mašīnmācību šie jēdzieni ir plaši pārprotami.
Un, protams, attiecībā uz mašīnmācību tas var būt ļoti noderīgs un faktiski izmantojams dažās no šīm vidēm, kurās jūs mēģināt saprast, kas notiek ar jūsu sarežģīto informācijas arhitektūru, kur viss notiek nepareizi. Mašīnmācība šajā kontekstā var būt ļoti vērtīga, bet tikai tad, ja to piemēro ļoti akūtā veidā. Tātad, es biju tieši pie liela pasākuma Kalifornijā, kur notika viens no lielajiem Hadoop izplatītājiem Cloudera, kurā notika viņu analītiķu samits, un es runāju ar viņu galveno stratēģisko vadītāju un teicu: “Jūs zināt, man šķiet, ka tiešām mašīnmācīšanās izdara tikai divas lietas: tā segmentē un tā uzlabo. ”Nozīmē, ka tā jums sniegs dažādus segmentus vai darbību kopas, ieskaitot anomālijas, kas būtu segments. Un tas uzlabo, kas nozīmē, ka tas palīdz jums uzlabot noteikta veida lēmumu. Klasiskais piemērs, par kuru jūs dzirdat, ir tas, ka, piemēram, šajā fotogrāfijā ir cilvēks. Tas ir kaut kas, ko mašīnmācība var darīt, un tas ir noderīgi noteiktos kontekstos, kad jūs runājat par problēmu novēršanu, jo jūs varat meklēt uzvedības modeļus CPU lietošanā, atmiņas lietošanā, diska ātrumā un disku darījumos., un visa tāda veida izklaide. Tātad tas var būt noderīgs, bet tas tiešām ir kaut kas ļoti koncentrēts, lai radītu jebkādu vērtību.
Tātad, viena no citām manām iecienītākajām lietām, par ko runāt - un mēs to mazliet redzēsim, es domāju, kad šodien pārņemsim mūsu IDERA demonstrāciju - daudzējādā ziņā es domāju, ka cilvēki joprojām mācās runāt silīciju . Zem visa tā ir materiāla zinātne, un tiem no jums, kas ir veikuši problēmu novēršanu un patiešām smagi apskatījuši sarežģītās informācijas arhitektūras, mēģinot saprast, kas notiek, pat piemēram, piemēram, Hadoop klasterī parasti jūs skatāties tikai histogrammas. Un tad jums ir jākorelē, ko šīs dažādās histogrammas nozīmē noteiktā laika posmā, un tas prasa intelektu; kas prasa cilvēka saprātu un pieredzi. Tāpēc es nemaz nebaidos, ka ML, mašīnmācība vai AI drīzumā atņems pārāk daudz darba vietu šajā pasaulē. Es domāju, ka vienmēr būs vajadzīgi cilvēki, kuri atklāti zina, ko viņi runā, lai palīdzētu mums palīdzēt un panākt, lai tas viss notiktu.
Tātad, turpināsim virzīties tālāk. Tātad, kas notiek, ja jūs nevirza dati? Šī ir slavenā glezna “Neredzīgie, kas neredzīgos vada” - tas nav tas, ko jūs meklējat, ļaudis. Jūs nevēlaties, lai šāda veida vide būtu jūsu organizācijā. Tāpēc mēs vēlamies, lai mēs vēlamies, lai mūsu lēmumus vadītu dati, un mēs vēlamies, lai lēmumus virzītu labi dati, kvalitatīvi dati, un tas notiks tikai tad, ja jūs savāksit pareizus datus, ja tie būs jauki un tīri, un ja jūsu sistēmas darbojas pareizi, ja jūsu BI sistēmas ir veselīgas, analīzes sistēmas ir veselīgas un lietotāji savlaicīgi saņem to, ko viņi vēlas.
Tāpēc es to iesaiņošu un nodošu neatdarināmajam Robinam Blooram. Robin, atņem to.
Robins Bloors: Labi, labi, paldies par man nodoto bumbu. Kamēr jūs runājāt, Ēriks, es domāju, es domāju tikai par BI, un nesen bija pārdevēja prezentācija, kurā es piedalījos, kad kāds atzīmēja, ka konkrētā pārdevējā, kas vada noteiktu sistēmu lielā, sliktā datu noliktavā, viņi to darīs Dotajā brīdī varētu veikt 70 000 BI transakciju, kas novestu pie tā, ka informācija tiks parādīta ļoti daudziem cilvēkiem. Man patiešām radās tā, ka, ja patiesībā jums ir šāda veida darba slodze un programmatūras izlaišanai jūs pat izšķērdējat dažas sekundes, tas patiesībā būs ļoti dārgs, un, ja jūs izšķērdēsit minūtes, tas būs šausminoši dārgs. Un tad es atcerējos, ka šausmīgi liela daļa pasaules darbojas uz izklājlapām - vai, manuprāt, tās sauca par “ēnu sistēmām”, vai ne? Pirmkārt, ja cilvēki vienkārši saliktu sistēmas, izmantojot izklājlapas un e-pastu, un viņi visu sakārtotu, jo IT departaments nevar izveidot lietojumprogrammas visiem, tāpēc viņi to arī dara. Un es domāju, ka liela daļa BI iesaistās tādās sistēmās.
Jebkurā gadījumā, kad to pateiksim, sāksim runāt par to, par ko es runāšu. BI ir atgriezeniskās saites cilpa korporatīvajām sistēmām, tas tiešām ir tik vienkārši vai sarežģīti, atkarībā no tā, kādu lomu tā spēlē organizācijā. Bet, ja mēs paskatāmies uz šo diagrammu no aptuveni četriem gadiem, kad mēs vienā vai otrā veidā mēģinājām saprast, kas notiek analītikas pusē. Bet diezgan daudz, viss, kas ir aizmuguriski, atskatoties uz iepriekš notikušo un viss, kas tiek pārraudzīts sistēmas darbības ziņā, parasti ir BI. Nebijuši bija tas, ka tālredzīgā un prognozējošā analītika bija BI, bet tas arvien vairāk kļūst par gadījumu. Ēriks pieminēja mašīnmācību, lielu daļu mašīnmācības faktiski vienā vai otrā veidā var vienkārši vadīt pret datu plūsmu un tas var dot jums paredzamu analītiku nākamajām piecām minūtēm vai pat gandrīz reālajā laikā, lai jūs varētu atbildēt uz klients ar aprēķinātām zināšanām par notiekošo.
Bet šīs diagrammas centrā, iekšpuse nāk no analītikas. Parasti notiek tas, ka dažādas analītiskas darbības tiek vērstas uz konkrētiem datu krājumiem un tiek iemācīts kaut kas jauns, tiek apgūtas zināšanas par uzņēmējdarbību. Un šīs zināšanas pēc tam tiek iespiestas biznesa procesos, kas no tā var tikt izmantoti. Un parasti tas vienā vai otrā veidā izpaužas kā parādās BI brīdinājumi vai vienkārši dažādas lietas tiek liktas uz paneļiem utt. Un tā tālāk. Kad mēs to tiešām izdarījām, tur ir četri termini, un tie beidzas ar vārdu “redzi”, kas ir ļoti jauki. Bet patiesībā tas nav viss jomā, ko cilvēki vēlas darīt, pastāv arī optimizācijas problēma, un optimizācija nedod vienkāršu analīzi. Tā ir ļoti sarežģīta problēma, un daudzas optimizācijas problēmas nav unikāli atrisināmas. Jums var būt tikai labi risinājumi, jūs nevarat pierādīt, ka jums ir labāks risinājums. Un tā ir darbības joma, kurā notiek aktivitātes, taču tas ir mazāk nekā lielākajā daļā citu analītikas jomu. Tātad, cilvēki saka, ka mēs dzīvojam analītikas laikmetā - labi, ja mēs to darām, salīdzinot ar pirms desmit gadiem, bet tas var sasniegt daudz vairāk, nekā tas jau ir pagājis.
Tātad, BI likmju slēgšana, vēlme pēc zināšanām rada lietotāju pieprasījumus, kas rada analītiskos projektus, un analītiskie projekti rada datu ezerus, un datu ezeri plus analītika rada ieskatu un ieskatu, kas rada BI. Tas ir stāsts, kuru es tikko stāstīju; Es tikai domāju, ka es to uzrakstīšu. Tas, ko es šeit esmu izdarījis, es domāju, ka visa šī slaida un faktiski lielāko daļu citu slaidu būtība ir tikai tāpēc, lai faktiski uzsvērtu, cik sarežģīta patiesībā ir biznesa informācijas pasaule. Tā nav vienkārša lieta, es būtu varējis šo konkrēto slīdēšanas veidu padarīt sarežģītāku, nekā tas patiesībā ir, bet jums šeit ir apakšā, jums ir ārējie dati un iekšējie dati, kas vienā vai otrā veidā tiks ievietoti inscenējumā apgabals, kas mūsdienās tas ir sava veida datu ezeru krājums, lai gan ne visiem ir datu ezeri. Un cilvēki, kuriem tas nav obligāti, ir veiksmīgi. Pēc tam datiem ir jāveic norīšanas tīrīšanas darbība un galvenās darbības, pirms tos faktiski varēsit izmantot. Pēc tam jūs šos datus apkopojat un jūs par tiem ziņojat, vai arī tos analizējat, un analīze noved pie darbības.
Un, ja jūs faktiski skatāties uz dažāda veida analīzēm, kas pastāv, tas ir neticami garš saraksts, taču tas nebūt nav pilnīgi visaptverošs saraksts, tas ir tikai tas, ko es domāju uzrakstīt, kad patiesībā izveidojaju šo slaidu. Tātad, BI vidē notiek daudzas lietas, kas saistītas ar vizualizāciju, OLAP, veiktspējas pārvaldību, rezultātu kartēm, informācijas paneļiem, dažāda veida prognozēm, datu ezeriem, teksta ieguvi, video ieguvi, jutīgo saturu, tur ir plašs spektrs dažādu materiālu, kas faktiski turpinās. Ja paskatās uz to savādāk, korporatīvā realitāte, būtībā šī ir līdzīga diagramma kā pēdējai, tā ir izdarīta tikai savādāk. Es atdalīju to, ko jūs saucat par BI, jo tas ir regulārs un ir zināms, kas nepieciešams, tas nenozīmē, ka tas, kas faktiski notiek, ir efektīvs, bet vismaz jums regulāri notiks lietas, teiksim, Tableau, vai Click, vai Cognos, tur ir priekšmeta avots utt. Un tā tālāk, regulāri notiks dažādi regulāri ziņojumi vai iespējas. Un tad jums ir analītikas lietotnes, un tās ir atšķirīgas. Tā kā analītikas lietotnes patiešām ir saistītas ar datu izpēti, un, manuprāt, tas ir līdzvērtīgs pētniecībai un attīstībai. Un tad jums ir darbplūsma. Darbplūsmā sajauciet savas lietas ar operētājsistēmas un biroja lietotnēm, ja tas ir nepieciešams - un tāda ir korporatīvā realitāte, kā es to redzu, lai gan lielākajā daļā organizāciju tā nav tik labi organizēta.
Tātad, BI traucējumi, tas ir tikai pieminējamo lietu kopums, kas padara BI grūtāku nekā tas bija agrāk, jo vecā BI pasaule galvenokārt sastāvēja no diezgan tīrām datu kopām, kas vienā vai otrā veidā tika notvertas, iespējams, no datu noliktavas un ievadītas noteiktos BI programmatūra. Un tajās dienās es tiešām runāju pirms pieciem vai desmit gadiem, bet tajās dienās datu apjomi nebija paplašinājušies, datu avoti bija zināmi. Datu saņemšanas ātrums bija zināms, lai gan bieži vien daži BI nenotika pietiekami ātri, lai daži lietotāji to vēlētos. Nebija nestrukturētu datu, gandrīz nebija arī sociālo datu, noteikti nebija IoT datu, jums bija vienalga par datu izcelsmi. Datorvērtībai nebija paralēles attiecībā uz infrastruktūru, lai tādā vai citādā veidā varētu darīt lietas ārkārtīgi ātri. Jums nebija mašīnu apguves, un analītiskā darba slodze bija diezgan maza. Un tas viss ir mainījies, tagad datu apjoms var pieaugt ļoti dramatiski. Datu avotu skaits, ko tas tikai turpina palielināt. Jā, datu straumēšana strauji straumē, daudz nestrukturētu datu, protams, sociālie dati, kas būs jāattīra, bet citi dati, kuriem varētu būt nepieciešama tīrīšana, protams, IoT dati, ir darījums.
Datu izcelsme ir problēma, un mums tas rūp. Datora jauda ir tur, kas ir veikls, jo tas padara visu veidu lietas iespējamas, un mašīnu apgūšana tagad ir parādība, kas rada vairāk BI iespēju un jaunu analītisko darba slodzi, kas darīs to pašu. Tātad, BI nav statiska situācija, un es domāju, ka tas ir pēdējais, ko es teikšu, pirms es to nodošu Stenam. Ak nē, tā nav, tur ir kaut kas cits. Nākotnes BI ainava, lietu internets, uz notikumiem balstīta arhitektūra, reāllaika viss, OK. Tas ir pietiekami daudz lietotāja lietotāja BI, lai lietotājs varētu apkopot problēmas. Datu plūsmas izpildes savlaicīgums, datu pārklājums, datu tīrīšana, datu piekļuves prasmes, vizualizācija, koplietojamība un izmantojamība.
Tagad es to varu nodot Stenam, ja vien BI pakalpojums nav uzticams un savlaicīgs, tas nav pakalpojums. Stens?
Ēriks Kavanaghs: Labi, Stans, es tev dodu bumbu, atņem to.
Stens Geigers: Labi. Tātad tas, par ko es runāšu, ir tikai mans fons. Esmu IDERA vecākais menedžeris produktu pārvaldībā, un viens no pienākumiem, kas man pienākas, ir mūsu biznesa informācijas piedāvājums. Tāpēc es mazliet izvērsīšos par to, ko runāja Robins, un runāsim par to, ka biznesa inteliģences galvenā joma ir jūsu platformas veselības stāvokļa uzraudzība. Tas ir tāpat, kā viņš teica, tagad mums bija visi šie dati, un to analīze prasīja nedēļas, un tad mēs atgrieztos ar ziņojumiem un lietām. Bet BI ainava mainās tā, ka mēs tagad pietuvojamies gandrīz reālā laika analītikai. Un daudzos gadījumos faktiskā reāllaika analīze. Tātad, es mazliet runāju par šo slaidu, tas ir tikai sava veida pārskats - un tāpat kā pilnīga atklāšana ir tas, ka es runāšu par to no Microsoft viedokļa, taču visi šie jēdzieni šķērso to, vai jūsu BI platformas atrodas Oracle, vai arī jūs izmantojat Informatica un Oracle, vai arī vienkārši sajaucat, hibrīda vidēm. Es izmantošu tikai Microsoft vidē, taču tas ir diezgan standarts.
Robinam bija slaids, kas tur pieskārās. Tas ir tas, ka jums ir avotu sistēmas, kurās es esmu apkopojis visus savus datus, un tagad tie bija visi, kas atradās relāciju datu bāzēs un datu glabāšanā, piemēram, ka, bet tagad mums ir Hadoop, internets un lietas, kā arī visi šie nestrukturētie dati, kas atrodas tur, un mēs tos tagad varam iekļaut šajā BI arhitektūrā. Tātad vidējā līmeņa saruna ir datu glabāšana apkopotā veidā; šajā gadījumā mēs ievelkam datus, mēs tos varētu iztīrīt, mēs varētu tos pārstrukturēt, pēc tam ievietot kaut kāda veida datu krātuvē, un tad tam top prezentācijas slānis, un tur jūsu lietotājiem tiek nodrošināta piekļuve. Mēs analizējam šos datus tajos datu veikalos, kā arī mēs strādājam ar informācijas paneļiem, un mums ir tur sēdēt Tableau, ziņot par pakalpojumiem un tamlīdzīgām lietām. Es vienmēr smejos, jo, kad es biju BA arhitekts, mēs vienmēr smējāmies par Excel, jo, pieņemsim ar to, Excel joprojām ir masu BI rīks.
Tātad, mazliet pārskats par to, bet tikai lai runātu par platformas arhitektūras veidu, jums ir savi avota dati, un es par to runāju vairākos datu veikalos. Un tad es esmu uzkrājis krātuvi Microsoft pasaulē, jums būs sava SQL Server datu bāze, iespējams, tur, kur atrodas jūsu datu noliktava, varbūt jūsu datu noliktava atrodas mākonī, tāpat kā jūsu datu noliktava. Jums ir pieejami analīzes pakalpojumi, kas ir jūsu OLAP caurules un tamlīdzīgas lietas, lai veiktu apkopojumus un lietas, kas saistītas ar vairāku dimensiju lietu izskatīšanu. Tad jums ir savs prezentācijas slānis, par kuru es īsi runāju, par visām šīm lietām, kas atrodas virs šiem datu krājumiem un apkopojumiem. Un man vienmēr patīk šis citāts: “Tu nezini to, ko nezini”, kas ir taisnība. Ja jūs neuzraugāt un neskatāties uz notiekošo visās šajās BI platformas jomās, kā jūs zināt, kad rodas kāda cita problēma, nevis tad, kad lietotāji sāk sūtīt jums šķebinošus e-pastus un tālrunis tiek palaists zvana, kāpēc nedarbojas mani pārskati? Kāpēc viss notiek tik ilgi?
Tātad, kas jums jādara, jums ir jāspēj pārraudzīt savas platformas, no kurām jūs izmantojat biznesa informāciju. Es to principā sadalīju trīs jomās: jums ir pieejama, veiktspēja un izmantošana. Pieejamība nozīmē, vai resurss ir pieejams: vai tas ir uz augšu vai uz leju? Diezgan vienkārši tur. Arī apskatot, kad jums tāda ir, iespējams, jums būs pieejama platforma, taču jums, iespējams, rodas problēmas, tāpēc jums būs jāspēj veikt cēloņu identificēšana; jums ir jābūt spējīgam saņemt trauksmes signālu un kādam uzzināt, kas notiek, pirms viss nonāk kritiskā stāvoklī. Tas arī noved pie veiktspējas puses - jums ir lietas no veiktspējas metrikas līmeņa servera līmenī, kur tiek mitināti pakalpojumi vai BI pakalpojumi, vai BI platformas; jums ir veiktspēja resursu līmenī, kur, piemēram, es piekļūstu datiem no SAN. Tā kā SAN ir resurss, tīkla resursi, jums jāspēj pārraudzīt visa tā darbību, jāspēj noteikt vājās vietas un sagādāt lietotājiem prieku, kā arī tad, ja atrodaties vidē, kur jūs darāt reāli, laika analītika, jums jāspēj noteikt vājās vietas vai problēmas, pirms tās sāk parādīties.
Un pēdējā teorija ir izmantošana: ko lietotāji dara? Kas ir savienots ar maniem BI avotiem? Kas ko skrien? Kādus jautājumus viņi veic? Kādus pārskatus viņi vada? Zinot šo informāciju, piemēram, var noteikt un veikt kapacitātes plānošanu. Tas arī parāda, kas tiek izmantots jūsu BI vidē. Mums bija klients, kurš vēlējās mūsu BI monitoringa produktu tikai tāpēc, lai viņi zinātu, kuras BI vides daļas viņi izmanto, lai varētu pārvietot resursus. Piemēram, ja viņi neizmantoja noteiktus pārskatus vai noteiktus analīzes pakalpojumu kubus, viņi no šī resursa pārvietosies uz citām jomām, kuras tiek ļoti izmantotas. Vēl viens citāts, kas man patīk, man patīk patiešām lieliskas filmas, piemēram, “Tremors”, tāpēc pastāstiet man savu filmu, tāpēc man patīk šis Burt Gummer citāts, kuru spēlēja Maikls Gross, viņš ir tāds kā izdzīvošanas pistoles puisis un viņš saka, ka viņš parādās, un viņš izvelk šo milzīgo 50 kalibra snaipera šauteni, un viens no puišiem saka: “Sasodīts, Bert.” Un viņš atbild: “Kad jums tas ir vajadzīgs, bet jums tā nav, jūs nodziedājat atšķirīgu melodiju. Citiem vārdiem sakot, jūs zināt, ko? Viņš bija gatavs jebkam, un viņš bija gatavs jebkam, un tāpēc es domāju, ka tad, ja jūs neuzraugāt savu BI vidi no resursiem un izmantošanas, kā arī no lietām, par kurām es tikko runāju, tad jūs nenojaušat, ka jums ir nepieciešams rīks. vai vide vai struktūra, kas to uzrauga, kamēr jums to nav. Un tad jūs saprotat, ka man tas tiešām bija vajadzīgs, lai turpinātu, un tas ir tāds, kāds ir mūsu klientu daudzos veidos.
Pēc tam, kad mēs to pateiksim, mēs pārcelsimies un apskatīsim, ko mēs šeit IDERA darām, lai atrisinātu dažus no šiem jautājumiem. Un-
Ēriks Kavaņahs: Labi, ka tu ej, es to redzu.
Stens Geigers: Vai jūs to redzat? Labi. Tātad, tas, kas mums šeit ir, tas ir mūsu BI Manager produkts. Un mēs uzraugām, IDERA tradicionāli ir uzņēmums SQL Server, Microsoft SQL Server vidē. Pēc tam mēs iegādājāmies Embarcadero, tāpēc tagad mēs esam izvērsušies uz dažām citām platformām, bet mūsu BI produkts tradicionāli uzrauga BI steku Microsoft vidē. Un tie būtu analīzes pakalpojumi jūsu daudzdimensionālai un tabulas analīzei, ziņošanas pakalpojumi, atskaišu rīks un pēc tam integrācijas pakalpojumi, kas ir ETL platforma, līdzīga kā Informatica.
Izmantojot mūsu produktu, jūs varat pārraudzīt visas trīs šīs vides caur vienu produktu, un tas, ko jūs šeit redzat, ir kopējais informācijas panelis, un šeit jāpiebilst, ka, kad es runāju par tā brīdināšanu, tā ir viena lieta, kas jāuzrauga, bet ar to nepietiek - jums ir jābūt trauksmes mehānismam. Citiem vārdiem sakot, man ir jāspēj saņemt paziņojums, pirms lietas nonāk kritiskā stāvoklī. Tātad, tas, ko mēs šeit darām, ir viss uztveramo metriku kopums, kas ir konfigurējams, jo atkarībā no jūsu vides, noteiktiem sliekšņiem jūsu vidē, iespējams, ir pareizi ar trīsdesmit milisekunžu lasīšanas laiku. Citās vidēs var būt kritiskāk, ja šis slieksnis ir zemāks, tāpēc ir svarīgi ne tikai, lai trauksme būtu, bet arī lai to konfigurētu, jo vide ir atšķirīga atkarībā no resursiem.
Tātad, būtībā, tas ir pārskats par visu vidi, kas šeit tiek uzraudzīta, un man šeit ir trīs gadījumi: viens analīzes pakalpojumiem, viens integrācijas pakalpojumiem, viens ziņošanas pakalpojumiem. Un jūs redzat, ka man šeit ir pāris brīdinājumu. Tā kā tie ir sarkanā krāsā, man liekas, ka tie ir kritiski, jo man ir vairāki līmeņi, kādos varu iestatīt šos brīdinājumus, un brīdinājumus var nosūtīt pa e-pastu cilvēkiem, kuri ir atbildīgi par problēmas izpēti. Tātad, īsi mēs to apskatīsim un atgriezīšos pie trauksmes, lai mēs varētu iedziļināties analīzes pakalpojumu daļā, un es esmu pārliecināts, ka tas gaida ielādi šeit. Un būtībā tas, ko mēs darām, mums ir datu vākšana; tas periodiski iziet no turienes un iziet no turienes un apkopot un momentuzņēmumus veidam, ko dara jūsu vide. Tātad, man ir raktuves, kas uzstādītas ik pēc sešām minūtēm, tāpēc ik pēc sešām minūtēm tā iziet tur un aptaujā vidi. Man kādu laiku bija VM aizmigusi, tāpēc būs jāpaiet sekundei, lai tas atkal parādītos. Tur mēs ejam.
Tātad, mēs apskatīsim analīzes pakalpojumu daļu, tāpēc es šeit noklikšķināšu uz savu gadījumu, un atcerieties, ka es runāju par vienu no lietām, kuras mēs uzraugām, ir veiktspēja servera līmenī, jo daudziem cilvēkiem ir vairākas lietas darbojas uz viņu servera. Manā serverī, iespējams, darbojas datu bāze, kā arī, piemēram, analīzes pakalpojumi. Tātad, ja kaut kas notiek datu bāzē vai man ir problēma servera līmenī, tas ietekmē visu, kas tur darbojas. Tātad, mēs uzraudzīsim lietas visā serverī servera līmenī, piemēram, kāda ir diska veiktspēja, un jūs varat redzēt, ka mēs visu to uztveram. Un tas viss ir konfigurējams. Un es paskatos uz notiekošo, ņemot vērā CPU, taisnīgi, un atkal tas notiek servera līmenī, nevis analīzes pakalpojumu līmenī manā piemērā šeit. Bet faktiski servera līmenī.
Un es varu apskatīt lietas, piemēram, kāda ir atmiņa, piemēram, kopējais atmiņas lietojums, kas ir pieejams? Tāpēc tagad man rodas priekšstats par paša servera veselību. Tad mēs varam sākt apskatīt lietas, kas ir īpašas, šajā gadījumā analīzes pakalpojumiem. Es varu paskatīties, piemēram, šeit, kā notiek mana kuba apstrāde, un tas man parāda veselības stāvokli. Ja es sāku redzēt, ka apstrāde prasa ilgāku laiku vai arī rindas netiek uzrakstītas gandrīz tikpat ātri, es varu sākt apskatīt - un tas attiecas uz korelācijas daļu, par kuru, manuprāt, runāja Robins, ka cilvēkam vēl ir pa spēkam to visu izdarīt. Mēs runājam par AI, mašīnmācību, bet cilvēkam joprojām ir nepieciešams, lai spētu šos notikumus saistīt ar lietām. Mēs varam apskatīt tādas lietas kā, piemēram, notiekošie jautājumi, kādi jautājumi tiek veikti un cik ilgi tie tiek veikti? Es varu kārtot, tāpēc es varu sākt gūt priekšstatu par to, kuri jautājumi prasa visilgāko laiku. Šeit varat aplūkot pagājušo laiku, es varu paskatīties un redzēt labi, kas bija šis vaicājums un kurš tajā laikā vadīja šo vaicājumu?
Tad es varu sākt stāstīt par šo notikumu, ciktāl es redzu, ka lietas sāk parādīties, es varu atgriezties un paskatīties, kā lietotāji toreiz darīja. Un jūs redzēsit vienu no lietām, ko mēs darām, ir tas, ka mēs ievietojam šo laika atlasītāju šeit, lai jūs varētu izvēlēties laika logu. Tā, piemēram, es varu atgriezties pie šiem brīdinājumiem, un faktiski tā bija saite uz šiem brīdinājumiem, uz kuriem es noklikšķinu, un man vajadzēs to brīdinājumu, kad tas notika. Tad es varu sākt kopīgi stāstīt, redzu, vai, labi, diska lasījumi bija augšā, vai viņiem bija problēmas ar atmiņu vai kas cits, un tad es tajā pašā laika posmā varu pāriet vaicājumu aktivitātē un es faktiski varu sākt korelējot to, kurš vadīja, kādi vaicājumi varētu būt izraisījuši šos smaiļus tur. Un tad jūs varat sākt darīt lietas, piemēram, es varu sākt tuning, tas ir, kad es sāku tuning. Tas ir tāpat kā automašīna, ja jūs uzbūvējat sacīkšu automašīnu un jūs vienkārši nometat motoru un palaižat atslēgu, ar kuru var iedarbināties motors, bet, ja man jāuzveic 180 jūdzes stundā, lai uzvarētu, man jāzina, ka motors var darboties 100 jūdzes stundā, un man jāiet iekšā un jāsāk noregulēt šo motoru, lai varētu tur nokļūt. Un tas ir tas, kas jums ļauj to darīt, ir spēt sniegt jums pietiekami daudz informācijas, lai sāktu savas vides sakārtošanu, uzlabotu šīs vides veselību un ražošanu, kā arī efektivitāti.
Pēc tam mēs novērojam atmiņas atmiņā esošās lietas, kas šajā gadījumā ir raksturīgas analīzes pakalpojumiem. Un šeit jūs varat sākt redzēt, kur viss varētu sākt šķist nepareizi, kad sākat redzēt lietas, kas atrodas augstāk starp jūsu atmiņas robežām, tādas lietas. Otra lieta, ko ir vērts aplūkot, jebkurā laikā, kad veicat jebkura veida vaicājumus, vēlaties, lai dati tiktu saglabāti kešatmiņā, jo, kad tie tiek saglabāti kešatmiņā, tie ir atmiņā un nav jālasa no diska, kas ir daudz vairāk. efektīvāka nekā nepieciešamība lasīt datus no diska. Atvainojiet, piemēram, datu kešatmiņā, jūs varat sākt apskatīt notiekošās lietas. Man bija daudz vaicājumu, kas darbojas agrāk, lai iegūtu šos datus, un jūs varat redzēt, ka man lielākoties bija kešatmiņas meklēšanas rezultāti un meklēšanas rezultāti, kas ir labi. Bet man šeit bija periods, kurā trāpījumu skaits bija daudz zemāks par meklēšanu, kas man saka, ka man kaut kas notiek, kas prasa atmiņu, piemēram, ka kešatmiņa tika daudz ātrāk izskalota, tāpēc datiem bija jābūt lasīt no diska. Un mēs to redzam, aplūkojot glabāšanas motoru. Tas ir tāds pats laika posms kā citai diagrammai, un jūs varat redzēt smaili tur, kur šajā laikposmā patiešām ir palielinājušies vaicājumi no faila. Un tas nozīmē, ka dati tika lasīti no diska. Tagad es varu atgriezties un pēc tam korelēt to ar vaicājumiem, kas jau darbojās, nevis lai ikvienam ausis asiņotu, bet analīzes pakalpojumos tas izmanto valodu ar nosaukumu MDX, ir veidi, kā efektīvāk rakstīt vaicājumus, tāpēc tiek izmantota kešatmiņa. efektīvāk un mazāk krātuves. Tātad, ir piemērs, kā noregulēt šo motoru un dot jums visus vajadzīgos gabalus, lai jūs varētu to savstarpēji saistīt.
Vienkārši ātri mēs to varam arī pagriezt pretēji, aplūkojot jautājumus, mēs tagad varam apskatīt sesijas, kurš šajā brīdī ir faktiski savienots un ko viņi vada? Tātad šāda veida jautājumi dod pretēju viedokli par vaicājumiem un to, kas tos vada. Tas ir tas, kurš ir savienots, un tad es varu redzēt, ko viņi pašlaik vada. Otra lieta, vienkārši lai ātri pārietu, ir tā, ka jūs varat redzēt visus objektus manos daudzdimensionālajos MOLAP klucīšos. Un es par to varu iegūt informāciju. Tā, piemēram, es varu kārtot pēc šīs lasāmās kolonnas, un es redzu, ka visizmantotākais objekts ir laika dimensija, bet otrais, ko visvairāk izmanto, ir klienta dimensija. Un tas palīdz cilvēkiem, kuri izstrādā un veido lietas, efektīvāk veidot savus klucīšus. Es varētu vēlēties mainīt savu datu sadalīšanas stratēģiju, piemēram, par šīm manā kubā ļoti izmantotajām dimensijām, un tāpēc tas, piemēram, palielinās vaicājumu veiktspēju. Tas var samazināt kuba apstrādes veiktspēju, jo tagad man ir vairāk nodalījumu, bet no lietotāja viedokļa tas būs jānodibina šis motors, lai būtu efektīvāks šo objektu izmantošanā.
Tāpēc pārejiet tālāk, runājiet par integrācijas pakalpojumiem šeit. Integrācijas pakalpojumi, kā es minēju, ir ETL platforma Microsoft vidē. Tas, ko mēs šeit darām - un tas ir konsekventi - mēs uzraugām servera veiktspēju, un tie būtu tie paši rādītāji, kurus mēs apskatījām, jo visi mani pakalpojumi darbojas tajā pašā serverī. Bet atkal šis ir pārskats par to, kas notiek uz servera. Un tad es varu aplūkot aktivitātes integrācijas pakalpojumu jomā, savus ETL procesus. Tātad, es varu iegūt priekšstatu par to, kad šie procesi darbojās, neatkarīgi no tā, vai tie bija veiksmīgi, vai ne, es varu izcelt konkrētu ETL procesa gaitu, un tad tas man parādīs soļus šajā ETL procesā, neatkarīgi no tā, vai tas bija veiksmīgs vai nē un cik ilgs laiks pagāja.
Tagad, ja man šeit būtu neveiksmīgs ETL procesa pakotne, es varētu iedziļināties detaļās un redzēt kļūdas ziņojumu, un tas parādītu man, kurš šīs paketes solis, ja tas ETL process neizdevās, kā arī visi ar to saistītie ziņojumi. Tas, ko es daru, ir tas, kas man dod, un es varu saņemt brīdinājumu, ja tas neizdodas, tāpēc, ja man tiek parādīts brīdinājums, es varu ieiet šeit, redzēt, iet uz šo brīdinājumu, redzēt paketes kļūmi, aplūkot darbības, skatiet, kur tas neizdevās, apskatiet kļūdas ziņojumu un es uzreiz zinu, kas man jādara, lai to labotu: pārkārtojiet to un pēc tam sāciet to no jauna. Tātad, ko tas ļauj jums darīt, mēs to saucam par šī loga saīsināšanu starp problēmas identificēšanu un problēmas risināšanu. Tātad iepriekšējā dzīvē, kad es biju atbildīgs par šāda veida lietām, mums bija ETL process, kas darbosies naktī, lai ielādētu mūsu datu noliktavu. Ja man bija šī informācija, vispirms, ieejot no rīta, ja kaut kas neizdevās, tad es ātri varu to risināt un atjaunot šo procesu, lai pārliecinātos, ka datu noliktava ir izveidota un darbojas, kā arī tā tiek atjaunināta līdz brīdim, kad lietotāji ienāca un sāka piekļūt pārskatiem.
Otra lieta ir tā, ka man ir divi procesi, kas darbojas, ir meklēt un redzēt, kā tas ritēja laika gaitā. Tas ir svarīgi, jo, ja es sāku redzēt šos procesus, piemēram, ilgāk, redzot, ka šie laiki palielinās, tad, iespējams, man vajadzēs apskatīt, piemēram, manu apkopes logu, man varētu būt lietas, kas notiek šajā serverī . Ņem, piemēram, dublējumus; Man, iespējams, ir dublējums, kas liek manam procesam gaidīt, kamēr tas būs izdarīts. Man, iespējams, vajadzēs pārplānot vai žonglēt savus procesus ap lietām, kas sāk ietekmēt manu ETL.
Un pēdējais ir ziņošanas pakalpojumi. Pārskatu sniegšanas pakalpojumi ir Microsoft, galvenokārt to uzņēmumu atskaišu rīks. Un dažas no lietām mēs atkal varam aplūkot lietas servera līmenī, mēs varam aplūkot lietas visā ziņojumu serverī, ziņošanas pakalpojumu serverī. Man šeit nav daudz lietu; Man ir daži abonementi, kas darbojas ik pēc 15 minūtēm, lai izveidotu pārskatu. Tātad, jūs neredzēsit daudz aktīvu savienojumu, jo tas tiek ieslēgts, izveidots savienojums, tiek izveidots pārskats, atvienots un nosūtīts.
Bet vidēs ar augstu darījumu līmeni, kur tiek veikts daudz ziņojumu, ir ļoti svarīgi spēt uzraudzīt šīs lietas. Tātad, jūs varat redzēt, kur man bija lietas šeit, tāpēc tas sniedz jums diezgan labu priekšstatu par to, kas notiek no faktiskā servisa un platformas līmeņa. Un tad, kā es runāju slaidos, ir kas skrien ko un ko viņi dara? Un viens no mūsu klientiem nopirka šo produktu tieši par šo gabalu, jo viņi gribēja zināt, kādus pārskatus cilvēki vada un kas šos pārskatus vada. Tātad šī ir viena no šī pārskata izpildes lietām, ko varat redzēt šeit. Es redzu, kāds ziņojums, es varu redzēt visus parametrus, kas bija tajā pārskatā, es redzu, kurš to vada, es varu redzēt ziņojuma formātu. Un tad es esmu ieguvis visu šo metriku ap to, tāpēc, ja atkal, es varu šīs lietas sarindot, piemēram, kāds ziņojums datu iegūšanai aizņēma visilgāko laiku, un es varu iet pa labi un redzēt, kurš pārskats tas ir. Un tas viss atkal dod man datus, lai es varētu būt, no jauna noskaņot šo motoru. Tagad es varu sākt pielāgot savu ziņošanas vidi.
Un pēdējā lieta - vai es varu apskatīt lietotāju aktivitātes, kas šobrīd ir atkal savienoti, ko viņi dara? Es tiešām varu vidē, kur man bija daudz lietotāju, tie visi ir šķirojami, lai es varētu ierindoties, es redzu, kurš visvairāk izmanto vidi. Tātad, lai ātri atgrieztos un apskatītu šos brīdinājumus. Šeit bija tas brīdinājums; Es varu noklikšķināt uz šīs saites šeit, un tas man parādīs attiecīgā brīža grafiku un parādīs, kurš no tiem bija brīdināts. Tātad jūs varat redzēt šeit, jo tas bija iemesls, piemēram, rakstīšanai, piemēram, lasīšanai un rakstīšanai, vidējās milisekundēs. Tātad atkal es tikai cenšos panākt šo problēmu identificēšanas punktu. Un tiešām ir svarīgi, lai būtu holistisks rīks, nevis tikai kaut kas tāds, kas aplūko šo vienu lietu, jo cilvēka šeit ir jāierodas un jākoriģē šie notiekošie notikumi, tāpēc jums jāspēj palūkoties uz to, kas tajā laikā notika konkrētajā laika posmā vairākās šīs vides jomās, un tā ir viena no lietām, ko mēs darām, izmantojot šo laika atlasītāju šeit.
Ēriks Kavanaghs: Jā, tas ir Ēriks šeit tikai ar ātru jautājumu, jo es domāju, ka jūs, iespējams, iesitāt naglai uz galvas, un tas ir tas, par ko es runāju stundas beigās, ka cilvēkam ir jānāk ievadiet un noformējiet šīs korelācijas starp dažādām vidēm. Man ir interese uzzināt, vai ir kāds izglītojošs materiāls, kuru jūs, puiši, varat kopīgot, vai varbūt jūs iesaistāties saziņā ar ļaudīm, lai palīdzētu viņiem noteikt dažus no šiem modeļiem? Tāpat kā jums bija tiešām labs piemērs pirms minūtes, apmēram tad, kad viens no tiem ir dzirdams, stāsta jums, ka kaut kas notiek atmiņā, jo tas turpināja mēģināt izdzēst atmiņu. Un tas dod jums pavedienu, bet, kā cilvēki šo statistiku salīdzina ar reālās pasaules problēmām, ir īstais jautājums.
Stens Geigers: Jā, tas ir labs punkts, un viena no lietām, par kurām es tikko runāju, produkta ceļvedis, ir šī gada vēlāk, mēs laidīsim klajā versiju, un viena no lietām, ko mēs sāksim pievienot ir katra diagrammas apraksts, ir apraksts par to, ko šī diagramma nozīmē un kāpēc jums vajadzētu rūpēties, un kāda ir tā ietekme. Tāpēc varēsiet noklikšķināt uz jautājuma zīmes vai kaut kā šajā diagrammā un pēc tam uzvilkt logu, kurā sniegs jums daudz šīs informācijas un pateiks, ka šie ir iespējamie cēloņi, tie ir jomas, kuras ietekmē, un jāvadās pēc jūs tādā virzienā, kādā jūs varat iet, kā jūs teicāt, lūk, tas ir smaile, es no savas personīgās pieredzes zinu, ko tas nozīmē. Un tad es varu sākt iet un sākt iedziļināties apgabalā un atrast galveno cēloni.
Tagad to ir daudz mūsu diagnostikas pārvaldnieka produktā SQL Server - faktiskajai datu bāzei. Mums ir daudz šāda veida funkcionalitātes tādā izstrādājumā, kā tas ir, un mums ir arī daži diagnostikas menedžera analīzes elementi, kas jūs daudz ātrāk izsaka. Un ar šo produktu mēs ejam pa ceļu.
Ēriks Kavanagh: Un es domāju, ka ir paraksti uz noteiktiem darbības veidiem. Vai šis rīks ļauj jums noteikt, kad notika noteikta veida notikums, un izveidot katalogu, kas laika gaitā varētu atpazīt līdzīgu modeli un palīdzētu jums saprast, vai tas ir jauns lietotājs, piemēram, izmantojot tas pats rīks? Palīdziet jums saprast, ak, tas ir tāpēc, ka šie serveri samazinājās, vai tāpēc, ka šis reģions samazinājās? Vai ir kāds veids, kā kataloģizēt problēmu parakstus, lai jūs vēlāk tos varētu viegli identificēt?
Stens Geigers: Nē, patiesībā, bet tas patiesībā ir interesants jēdziens, jo tas gandrīz vai ir, kas tas ir - principa komponentu analīze, es domāju - kur jūs identificējat modeļus un reģistrējat šos modeļus un tāpēc, ja jūs tos atkal redzat, varat atgriezties un redziet, labi, tas bija iemesls tajā brīdī. Jā, tas ir kaut kas, tas nav ceļa kartē, bet tas ir kaut kas, par ko esmu domājis no produktu pārvaldības viedokļa.
Ēriks Kavanaghs: Es varu iedomāties. Ak, dodieties uz priekšu
Stens Geigers: Nē, es gribētu teikt - un mēs saņemam daudz pieprasījumu, jo es nezinu, kāda ir jūsu pieredze - bet tas, ko mēs atrodam, ir tas, ka DBA zina tādas datu bāzes kā viņu aizmugure, bet BI informācija ir tāda kā melna kaste, kad runa ir par platformas veselību. Un tur nav, viņiem par to nav daudz zināšanu bāzes. Es daru tikai tāpēc, ka esmu tajā strādājis apmēram piecus līdz desmit gadus, vai ne? Bet tipiski cilvēki, kas ir atbildīgi par to atrašanu vai brīdinājumu saņemšanu un izdomāšanu, kas notiek, viņiem ir sava veida melnā kaste.
Ēriks Kavanaghs: Jā, es varu iedomāties. Man būtu arī interesanti uzzināt, tāpēc jūs vienā ekrānā parādījāt, kā varat redzēt visus aktuālos jautājumus, cik ilgs laiks bija nepieciešams, lai tos izpildītu, un kas tos ģenerēja. Vai jūs varat redzēt arī paša SQL vaicājuma faktisko struktūru un kāda veida analīzi? Tāpat kā varbūt dažreiz cilvēki saliek SQL vaicājumus, kas ir diezgan apjomīgi, teiksim tā, un apgrūtinoši, nevis kapteinis, kurš patiešām sagatavo jauku, saspringtu vaicājumu. Vai tas ir kaut kas tāds, ko jūs varat vizualizēt, izmantojot šo rīku, un pēc tam palīdzēt jums, ka tā ir problēma?
Stens Geigers: Jā, tāpēc, piemēram, tas, ko jūs varat darīt, piemēram, tas, ko es šeit esmu izdarījis, ir tas, ka es esmu vienkārši sakārtojis pēc noilguma. Tāpēc es redzu tos, kas aizņēma visilgāk, un tad es saņemu tekstu, bet tad joprojām ir atkarīgs no tā, kurš ir vairāk vai mazāk priekšmeta eksperts, lai to apskatītu un aizietu: “Ak, labi, lūk, kāpēc tas notika tik ilgi . ”Tas ir kaut kas tāds, kāds mums ir darba slodzes analīze, mēs to saucam par SQL darba slodzes analizatoru datu bāzes pusē, ko es esmu apmānījis ar domu, ka varbūt pa ceļam nāk klajā ar līdzīgu lietu, lai tas identificētu šos jautājumus un pēc tam sniedz jums ieteikumus, kā šos jautājumus pielāgot. Bet viens no jautājumiem ir tas, ka šis MDX vaicājums ir diezgan specializēta valoda.
Ēriks Kavanaghs: Jā, es varu iedomāties. Bet jūs varat redzēt, piemēram, kas ir cilvēki, tāpēc nav pārāk grūti izdomāt, vai viens cilvēks, ja viens puisis ir atbildīgs par desmit garākajiem procesa jautājumiem, tad, ja nekas cits neatliek, varat viņu izsaukt vai piezvanīt. viņa menedžerim vai kādam un sakiet: “Ei, šis puisis sakošļā daudz joslas platuma”, un varbūt izrādās, ka šie ir visvērtīgākie vaicājumi biznesam, vai ne? Tas ir jāskata kontekstā ar biznesa vērtību, ņemot vērā pašus vaicājumus, tā nav tikai skaidru skaitļu spēle, vai ne? Tas ir, lai uzzinātu, labi, šis puisis ir mūsu enerģijas lietotājs, un viņš ir tas, kurš maina biznesu, vai ne?
Stens Geigers: Nē, jums ir taisnība. Es domāju, ka tas ir viens no veidiem, kā klienti to izmanto, ir spēja to izdarīt. Kā jūs teicāt, jūs, iespējams, atradīsit vienu apgabalu, jo par vienu no lietām, par ko es runāju, es vienmēr sliecos uz Excel, bet jūs varat izveidot savienojumu ar analīzes pakalpojumiem Excel un palaist šarnīra tabulas no OLAP, un tas ģenerē savus vaicājumus, un nosūta tos, un dažreiz tie nav vislabākajā formā, tāpēc jūs varat atgriezties un identificēt tos, un faktiski tos pārrakstīt un dot lietotājam un ļaut viņiem palaist tos ārpus turienes, lai nepaiet pusstunda lai viņi atgrieztos pie sava pagriežamā galda.
Ēriks Kavaņahs: Tieši tā. Un, kad mēs runājam par vaicājumiem, jūs, puiši, aptverat vaicājumu spektru, tāpēc jūs pieminējāt MDX, kā ir ar dažiem citiem jautājumiem, piemēram, DAX vaicājums, vai dažiem no šiem citiem?
Stens Geigers: Jā, mēs aptveram, jā, visus DAX un MDX abus. Tātad viena no lietām, ko es neminēju vai varbūt izdarīju, bet mēs atbalstām gan tabulas, gan OLAP Microsoft un DAX esamībā - es domāju, ka jūs un es jau kādu laiku par to runājām - vai mēs redzam daudz vairāk tabulas, nekā mēs esam OLAP. Tā kā tabulas modeļus un tamlīdzīgas lietas ir vienkārši vieglāk parādīt, un tāpēc jūs redzēsit acīmredzami DAX jautājumus, bet mēs tos arī atlasīsim.
Ēriks Kavaņahs: Jā, tas ir interesanti. Vai jums ir kāds konteksts, kāpēc tas notiek? Varbūt tas ir tāpēc, ka arvien vairāk cilvēku iesaistās šajos sīkumos un tāpēc, ka OLAP, protams, nav kaut kas jauns, tas ir bijis apmēram kādus 30 gadus nepāra?
Stens Geigers: Pareizi, labi, ka tā ir sava veida kombinācija, un viena no lietām, kas projektē klucīšus, ir māksla. Dati tika izveidoti, lai iepriekš apkopotu datus, tāpēc ir reāli ātri iegūt datus, taču kuba apstrāde prasa laiku, jo tas ir jādara visiem šiem apkopojumiem. Tad aparatūra kļuva lētāka, bet atmiņa - lētāka, un visi patiešām nāca klajā ar kolonnu veikalu un atmiņu datu bāzēm. Arī tabulas, iespējams, ir vistuvākās tradicionālajām relāciju datu bāzēm, un tabulas modeļus ir daudz vieglāk un ātrāk parādīt, nekā tas ir ar OLAP. Bet trūkums ir tāds, ka tas atrodas atmiņā, visa lieta atrodas atmiņā, tāpēc tā ir ļoti ietilpīga un dati netiek apkopoti, kamēr jūs to nepieprasāt. Tātad, bet, visu to pateicis, mēs tur sākam redzēt daudz vairāk tabulu.
Ēriks Kavanaghs: Tas ir interesanti. Varbūt arī tāpēc, ka šī nozare ir mazliet izlīdzinājusies, un es ar to domāju to, ka mēs piesaistām daudz vairāk cilvēku, kuri mijiedarbojas ar datiem un izmanto dažādus rīkus, un, protams, kad jūs runājat par Microsoft, es domāju tas noteikti ir gadījums, kad jums ir daudz, daudz vairāk mazo un vidējo uzņēmumu lietotāju un pat dažas lielākas organizācijas, kas padziļina lietas, piekļūst rīkiem, vada vaicājumus, un viņi varbūt nav tik labi pazīstami ar viss process un ēkas, kas ap ēku klucīšiem, jums, vai ne? Tā kā tas prasa pārdomāt, un tas ir arī dārgi, vai ne? Šo kubu izveidošanai ir nepieciešams laiks, un tas prasa enerģiju, ja vien jūs tur neizmantojat kādu no jaunākajām tehnoloģijām. Piemēram, mēs esam runājuši ar tādiem uzņēmumiem kā Snowflake, piemēram, tas dara diezgan interesantus materiālus, taču es domāju, ka jums ir daudz vairāk cilvēku, kuri izmanto šos materiālus, un viņi, iespējams, dodas pie tā, ko jūs tikko aprakstījāt, kas ir tabulas formāts, pretstatā formāli celtniecības klucīšiem, vai ne?
Stens Geigers: Jā, es domāju, ka es domāju, ka Excel - kad tas bija Power Pivot, es uzskatu - tas patiesībā ir tabulains, ja to aplūkojat; tas ir veids, kā veidot tabulas modeļus. Un tad notika nākamā atkārtošanās, es varu pateikt manus veidotos tabulas modeļus un izmantot to līdz SQL Server, lai es varētu koplietot to ar visiem citiem. Tātad, tas ir sava veida dabisks Excel gandrīz pagarinājums.
Ēriks Kavanagh: Jā, tas ir labs punkts. Tas, ko mēs esam redzējuši pēdējo, es teiktu, piecu līdz septiņu gadu laikā, ir tikai milzīga šo tehnoloģiju izmantošanas paplašināšana, vai ne? Un, atklāti sakot, Microsoft ir bijis pionieris tajā, patiešām demokratizējot varas datus, izmantojot analīzes pakalpojumus un izmantojot Power Pivot, vai ne? Es domāju, ka nozarei tas bija spēles mainītājs, vai ne?
Stens Geigers: Jā, nē, tev pilnīgi taisnība. Es domāju, ka man ir slaids, kad sniedzu garāku prezentāciju, kas parāda pāreju no pārejas no semantiskā modeļa, kas bija OLAP, uz tabulas. Un es domāju, ka man ir Microsoft citāts; Viņi vēlas, lai dati nonāktu lietotāju rokās, nevis tikai IT sienu sienās, un viņi vēlas iegūt vairāk datu to cilvēku rokās, kuri tos patērē.
Ēriks Kavanaghs: Un tas atgriežas pie mana pirmā parādītā ļoti vienkāršā slaida, kas bija jebkuras organizācijas pamata lēmumu pieņemšanas process, un tagad - un es domāju, ka tā ir lieliska lieta - mēs saņemam arvien vairāk cilvēku no visas organizācijas hierarhijas, pievēršot uzmanību notiekošajam, pievedot viņu stāstu pie galda, un jūs to darāt ar datiem, es domāju, ka varat izmantot citus līdzekļus, bet, ja jūs savu stāstu papildināt ar datiem, jums būs daudz spēcīgāki argumenti nekā tiem, kuri to nedara, vai ne?
Stens Geigers: Tieši tā, jā. Tāpat, jā, tas ir tieši pareizi. Es domāju, tieši tāpēc tagad tas bija “Hei, man ir vajadzīgs šis ziņojums”, tāpēc tagad man bija jāiziet ziņojuma pieprasījums un man bija jāiet cauri šeit, lai saņemtu savu ziņojumu, un tagad es varu sēdēt turpat pie mana galda un tiešām taisnīgi, man ir pieeja ģenerētajiem datiem, es pieņemu savus biznesa lēmumus.
Ēriks Kavaņahs: Tieši tā. Jūs zināt, es atgriezos no konferences, kas notika tieši pagājušajā nedēļā, un tur bija histērisks komentārs no puiša, kurš veikalā Target pārvalda diezgan lielu BI vidi, un viņš atsaucās uz pašapkalpošanās analītiku un pašapkalpošanās BI, un acīmredzot tas ir liels jautājums šajās dienās. Es esmu pārliecināts, ka tas ir kaut kas tāds, kas daudz veicina to, ko jūs, puiši, darāt IDERA, jo, kad vēlaties ieviest pašapkalpošanos, vispirms jums labāk ir veselīga BI vide, vai ne? Ja jūs atradīsit visa veida cilvēkus, kas uzdos visa veida jautājumus visādos veidos, jūs gribēsit, lai šeit būtu kaut kas līdzīgs šim rīkam, lai varētu saprast, kurš un kādus jautājumus uzdod. Un smieklīgais citāts, ko es šeit izmetīšu tikai par slepkavībām, kā jūs teicāt: “Starp pašapkalpošanās BI un pašu F iet labi, ”.
Stens Geigers: Jā.
Ēriks Kavanaghs: Es domāju, ka tas ir histēriski. Bet vai jūs redzat, ka pašapkalpošanās tendence patiešām rada lielu izpratni par to, ko jūs darāt ar šo tehnoloģiju?
Stens Geigers: Jā, jo, kā jūs teicāt, ja jūs atļaujat pašapkalpošanās BI, tad, iespējams, jums radīsies dažas ar veiktspēju saistītas problēmas tikai tāpēc, ka: A) piekļuves apjoms, apmeklēto cilvēku skaits pie datiem, un B) vāji noformēto vaicājumu skaits un piekļuves veidi tam. Tātad, jums tiešām ir ļoti svarīgi uzraudzīt vidi, lai jūs varētu priecāties visiem, kas cenšas patērēt datus, vai ne?
Ēriks Kavaņahs: Jā, es domāju, ka tas ir pilnīgi pareizi. Tā ir svētība un lāsts: ir labi, ka cilvēki mēģina izmantot sīkumus, taču, ja jums tobrīd nav pareizā rīka, jūs kļūsit par nelaimīgu kemperi, jo Pašapkalpošanās bez tāda rīka kā man šķiet, ka tas prasa tikai problēmu kalnu.
Stens Geigers: Jā, es domāju, tas ir līdzīgi kā tad, kad es būvēju datu noliktavas, tas ir tāpat, kā tad, ja jūs pareizi nesaņēmāt savus izmēru un faktu tabulas, tad ad hoc ziņojumiem to palaidāt vaļā, iespējams, vēlēsities pārmeklēt zem akmens.
Ēriks Kavanaghs: Tas ir satriecoši. Jā, tas ir labi, atkal, tas ir labi, ka labas ziņas ir tas, ka cilvēki izmanto šos sīkumus, bet es domāju, ka man ir jātic, ka pašapkalpošanās veicinās daudz aktivitātes tā, kā jūs darāt, jo jūs runājat par uzlidošanu palielina spriedzes un spiediena līmeni uz šīm sistēmām pēc kārtas. Ne tikai pa vienam vai diviem lielumiem, un tas ir tas punkts, ka jūs patiešām vēlaties kaut ko pamanīt un vēlaties redzēt, kurš, ko, kur, kad, kā un kāpēc dara. Uzdodiet šos jautājumus un pēc tam pieņemiet dažus lēmumus par to, kā jūs varat uzraudzīt un mainīt vidi un mainīt savu politiku attiecībā uz to, kurš iegūst piekļuvi, vai ne?
Stens Geigers: Pareizi. Un jūs zināt, tas arī, zinot, redzot, ka izmantošana ļauj arī tur ieiet, un potenciāls, tāpat kā es pieminēju objektu kubā, es varu darīt lietas uzlabošanai, ka tiktāl, cik es būvēju un projektēju lietas. Tātad, lai varētu veikt korekcijas, ir svarīgi ne tikai aplūkot lietu izpildi, bet arī spēt aplūkot, kā jūsu shēma un dizains darbojas arī šajā līmenī. Un tas vienkārši kļūs lielāks un lielāks, jo tādas lietas kā power BI ir liels darījums tagad ar Microsoft, tāpēc tagad es varu izveidot pats savus informācijas paneļus un logrīkus un lietas, un tām nav jābūt BI izstrādātājiem.
Ēriks Kavaņahs: Tieši tā. Jā, tā ir laba lieta, tā nonāk visur, taču jums būs nepieciešams kāds veids, kā pārvaldīt šo vidi, vai arī jūs iegūsit nelaimīgus lietotājus. Tas noved pie nelaimīgas vadības, kā rezultātā cilvēki tiek atlaisti. Kad lietas sāk samazināties, ir diezgan skaidrs domino efekts, taču tas ir lieliski.
Tāpēc es šeit košļāju pēdējās piecas minūtes. Robin, vai tev bija kādi jautājumi?
Robins Bloors: Es domāju, ka tas patiesībā ir aizraujoši, ja godīgi. Man tas liek domāt par faktu, ka mums bija ļoti ierobežota vide un pašapkalpošanās faktiski maina pasauli, un daudz kas patiesībā notiek patiesībā tāpēc, ka vidē ir ienācis šausmīgi daudz vairāk datu, nekā notika iepriekš. Vienīgais jautājums, “jo mums nav daudz laika, bet vienīgais, ko es gribētu uzdot, tas ir tas, kā jūs izskaidrojāt to, ka”, jo es domāju, ka tā bija ļoti laba demonstrācija - veids, kā BI monitorings darbojas. Man radās jautājums, ko patiesībā dara cilvēki, kuriem nav šāda veida lietu? Tā kā tam jābūt ļoti sarežģītam, ir vairākas lietas, kurās jūs izdarāt izmaiņas, pamatcēlonis ir labs, jums ne vienmēr ir jānonāk pie galvenā cēloņa, bet ar dažām lietām varat nokļūt līdz pamatcēloņam ka jūs skatāties, ka tad, kad jūs teicāt, ka daudzi cilvēki iegādājas rīku tikai tāpēc, lai zināt, kurš ko vada, un ka, manuprāt, tas griežas, jo tas ir tāds, it kā jūs nezināt, kurš ko vada, tad sīkumi ir ārpus kontroles. Kā izskatās vide, kad tā ir ārpus kontroles?
Stens Geigers: Es domāju, ka visu šo informāciju, kas mums ir rīkā, jūs varētu iegūt pats, taču jums būs jāraksta daudz pašmāju skriptu un "jo visi dati ir tur, jūs vienkārši zināt, kur to dabūt, kas prasa zināšanu līmeni, vai ne? Tātad vidē, kurā jums nav šāda līmeņa kompetences, būtībā tas, ko jūs saņemat, ir hey, augšā vai lejā? Es tiešām nezinu, vai tas darbojas efektīvi vai nē, bet tas ir kārtībā, vai ne? Un tad es sāku saņemt tālruņa zvanus vai arī cilvēki dodas: “Ei, mans ziņojums nav manā iesūtnē, kas notiek?” Vai “es tikko iesniedzu šo ziņojumu, izmantojot ziņošanas pakalpojumus”, vai arī viņi, iespējams, šeit veic vaicājumu analīzes pakalpojumos, bet tas prasa apmēram pusstundu un parasti tas ilga tikai 30 sekundes, kas notiek? Nu, tagad jums jādara ugunsgrēka treniņš un jāmēģina to izdomāt, un bez instrumenta tas kļūst ļoti grūti.
Robins Bloors: Nu, labi, tā bija lieta, kas man tikai arvien vairāk kļuva acīmredzama, kā jūs parādījāt katru no šeit redzamās dimensijām. Otra lieta, tas ir kā ļoti, ļoti primitīvā līmenī, ja jums nav brīdinājumu, kas vēsta, ka sīkumi notiek nepareizi, tad tas ir tikai dārgi - jūs nonākat dārgā situācijā, mēģinot izārstēt notikušo, jo jūs nezināt, kamēr sīkumi sāk slikti krist, vai ne?
Stens Geigers: Pareizi, jūs nezināt, ko nezināt.
Ēriks Kavaņahs: jums tas izdevās. Sveiki, ļaudis, mēs stundu esam nodedzinājuši un maināmies. Ļoti liels paldies mūsu pašu Robinam Blooram un, protams, mūsu draugam Stenam Geigeram no IDERA Software. Viņi atradīsies Enterprise Data World, patiesībā, ja kāds no jums dosies tur lejā, jūsu patiesais klātbūtne būs arī turpat Atlantā. Mūsu labais draugs Tonijs Šavs paveic lielisku darbu, vadot konferenci jau četrus gadus, un, hei, tas, kas ir vecs, ir atkal jauns. Tas viss ir karsts sīkumi. Cerams, ka mēs jūs redzēsim tur, ja nē, tad pārbaudiet vēlreiz ar mums nākamnedēļ. Mēs esam sakārtojuši virkni citu tīmekļa pārraidījumu.
Vienmēr esmu ieinteresēts dzirdēt savas domas, nosūtiet e-pastu uz mani, kas, ja jums ir kādi jautājumi vai ieteikumi vai citas tehnoloģijas, par kurām vēlaties uzzināt pakalpojumā Hot Technologies. Un līdz ar to jūs atvadīsities, ļaudis. Vēlreiz paldies par pievienošanos mums, mēs ar jums sarunāsimies nākamreiz. Rūpēties. Labdien!
