By Techopedia Staff, 28. září 2016
Take away : Host Rebecca Jozwiak diskutuje o řešeních architektury dat s Ericem Littleem z OSTHUS, Malcolmem Chisholmem z prvních partnerů v San Franciscu a Ronem Huizengou z IDERA.
Momentálně nejste přihlášeni. Chcete-li zobrazit video, přihlaste se nebo se zaregistrujte.
Rebecca Jozwiak: Dámy a pánové, ahoj, vítejte v Hot Technologies roku 2016. Dnes diskutujeme o „budování architektury dat řízené obchodem“, určitě žhavé téma. Jmenuji se Rebecca Jozwiak, budu vaším hostitelem pro dnešní webové vysílání. Provádíme pípání s hashtagem # HotTech16, takže pokud jste již na Twitteru, neváhejte se také připojit. Pokud máte jakékoli dotazy, pošlete je prosím do podokna Otázky a odpovědi v pravé dolní části obrazovky a my se ujistíme, že na ně budou zodpovězeny. Pokud ne, zajistíme, aby je naši hosté dostali za vás.
Takže dnes máme opravdu fascinující sestavu. Dnes s námi spousta těžkých hitterů. Máme Eric Little, viceprezident pro vědu o datech z OSTHUSU. Máme Malcolma Chisholma, hlavního ředitele pro inovace, což je opravdu skvělý titul pro First San Francisco Partners. A máme Ron Huizengu, senior produktového manažera z IDERA. A víte, IDERA má opravdu kompletní sadu řešení pro správu dat a modelování. A dnes nám dá ukázku toho, jak jeho řešení funguje. Ale než se k tomu dostaneme, Eric Little, předám vám míč.
Eric Little: Dobře, díky moc. Takže se chystám projít několika tématy, o kterých si myslím, že se budou trochu vztahovat k Ronovu řeči, a doufejme, že připraví půdu pro některá z těchto témat, některé otázky a odpovědi.
Takže věc, která mě zajímala o to, co dělá IDERA, je, že si myslím, že správně poukazují na to, že složitá prostředí skutečně v dnešní době řídí mnoho obchodních hodnot. A složitými prostředími máme na mysli složitá datová prostředí. A technologie se opravdu rychle pohybuje a je těžké udržet krok v dnešním obchodním prostředí. Takže lidé, kteří pracují v technologických prostorech, často uvidí, že máte zákazníky, kteří mají problémy s řešením: „Jak mohu používat velká data? Jak mohu začlenit sémantiku? Jak propojím některé z těchto nových věcí se svými staršími daty? “Atd., A takový druh nás dnes vede k těmto čtyřem velkým datům, s nimiž je mnoho lidí dobře obeznámeno, a chápu, že jich může být více než čtyři někdy - viděl jsem až osm nebo devět - ale normálně, když lidé mluví o věcech, jako jsou velká data, nebo pokud mluvíte o velkých datech, obvykle se díváte na něco, co je podnikového měřítka. A tak lidé řeknou, dobře, dobře, přemýšlejte o objemu vašich dat, což je obvykle středem zájmu - to je právě to, kolik máte. Rychlost dat má co do činění s tím, jak rychle je dokážu pohybovat, nebo jak rychle je mohu dotazovat nebo získat odpovědi atd. A osobně si myslím, že levá strana toho je něco, co je řešeno a řešeno relativně rychle pomocí mnoha různých přístupů. Ale na pravé straně vidím spoustu schopností ke zlepšení a spoustu nových technologií, které se skutečně dostávají do popředí. A to opravdu souvisí s třetím sloupcem, s rozmanitostí dat.
Jinými slovy, většina společností se dnes dívá na strukturovaná, polostrukturovaná a nestrukturovaná data. Obrazová data začínají být žhavým tématem, takže jsou schopni používat počítačové vidění, dívat se na pixely, umět seškrábat text, NLP, extrakci entit, máte grafické informace, které vycházejí buď ze statistických modelů, nebo vycházejí ze sémantického modely, máte relační data, která existují v tabulkách atd. Tahání všech těchto dat dohromady a všechny tyto různé typy tedy představují velkou výzvu a uvidíte to v Gartnerovi a dalších lidech, kteří sledují trendy v tomto odvětví.
A pak poslední věcí, o které lidé mluví ve velkých datech, je často tato představa o nevolnosti, což je skutečně nejistota vašich dat, jejich nejasnost. Jak dobře víte, o čem vaše data jsou, jak dobře chápete, co je tam, a víte? Možnost použít statistiky a schopnost použít nějaký typ informací kolem toho, co byste mohli znát nebo použít nějaký kontext, může být v této oblasti cenné. A tak schopnost podívat se na data tímto způsobem, pokud jde o to, kolik máte, jak rychle je potřebujete přesunout nebo se k nim dostat, všechny typy dat, které můžete mít ve svém podniku a jak jste si jisti, kde to je, co to je, v jaké kvalitě je a tak dále. To opravdu vyžaduje velké a koordinované úsilí mezi mnoha jednotlivci, aby mohli spravovat svá data efektivně. Modelování dat je proto v dnešním světě stále důležitější. Dobré datové modely tedy v podnikových aplikacích skutečně vedou k velkému úspěchu.
Jak jste říkali, máte zdroje dat z různých zdrojů, což opravdu vyžaduje mnoho různých druhů integrace. Tahání toho všeho dohromady je tedy opravdu užitečné, aby bylo možné provádět dotazy, například v mnoha typech zdrojů dat, a stahovat informace zpět. K tomu však potřebujete dobré mapovací strategie, a proto může být mapování těchto druhů dat a udržování těchto mapování skutečnou výzvou. A potom máte tento problém, jak mohu propojit své staré údaje se všemi těmito novými zdroji dat? Předpokládejme tedy, že mám graf, vezmu všechna svá relační data a vložím je do grafu? Obvykle to není dobrý nápad. Jak je tedy možné, že lidé jsou schopni spravovat všechny tyto druhy datových modelů, které se dějí? Analýza musí být skutečně prováděna na mnoha těchto různých druzích zdrojů a kombinací dat. Odpovědi, které z toho vycházejí, tedy odpovědi, které lidé potřebují, aby se mohli opravdu dobře rozhodovat v podnikání, jsou kritické.
Takže nejde jen o budování technologie kvůli technologii, je to opravdu, co budu dělat, co s tím mohu udělat, jaký druh analýzy mohu spustit, a schopnost, proto, jak už jsem mluvit o tom, dát dohromady tyto věci, integrovat je opravdu, opravdu důležité. A jeden z těchto typů analýz pak běží na věcech, jako je federované vyhledávání a dotaz. To se opravdu stává nutností. Vaše dotazy musí být obvykle propojeny napříč různými druhy zdrojů a získat informace zpět spolehlivým způsobem.
Jedním z klíčových prvků, které se často, zejména lidé, budou dívat na klíčové věci, jako jsou sémantické technologie - a to je něco, v co doufám, že Ron bude mluvit o trochu v přístupu IDERA - je to, jak oddělíte nebo spravujete modelová vrstva vašich dat ze samotné datové vrstvy, ze surových dat? Takže v datové vrstvě můžete mít databáze, můžete mít data dokumentů, možná máte data tabulky, možná máte obrazová data. Pokud jste v oblastech, jako je farmaceutický průmysl, máte obrovské množství vědeckých údajů. A na vrcholu toho lidé obvykle hledají způsob, jak vytvořit model, který jim umožní rychle integrovat tato data a opravdu, když hledáte data, nyní nechcete stahovat všechna data do vaší modelové vrstvy., co se díváte na vrstvu modelu, kterou chcete udělat, je poskytnout vám pěknou logickou reprezentaci toho, co jsou věci, běžné slovníky, běžné typy entit a vztahů a schopnost skutečně zasáhnout do dat, kde je. Musí tedy říkat, o co jde, a musí říci, kde to je, a musí říci, jak ji přivést a přivést zpět.
Byl to tedy přístup, který byl docela úspěšný při prosazování sémantických technologií vpřed, což je oblast, kde hodně pracuji. Takže otázkou, kterou jsem chtěl položit Ronovi a která bude podle mého názoru užitečná v sekci Otázky a odpovědi, je zjistit, jak toho dosahuje platforma IDERA? Je tedy vrstva modelu skutečně oddělena od datové vrstvy? Jsou integrovanější? Jak to funguje a jaké jsou některé z výsledků a výhod, které vidí z jejich přístupu? Referenční údaje se proto stávají skutečně kritickými. Takže pokud budete mít tyto druhy datových modelů, pokud se budete moci federovat a hledat věci, musíte opravdu mít dobré referenční údaje. Problém je však v tom, že je obtížné udržovat referenční data. Takže často jsou standardy pojmenování samy o sobě obtížnou výzvou. Jedna skupina bude volat něco X a jedna skupina bude volat Y a nyní máte problém, jak někdo najde X a Y, když hledají tento typ informací? Protože jim nechcete dát jen část dat, chcete jim dát všechno související. Současně se změní podmínky, software přestane fungovat, a tak dále, jak udržujete a udržujete referenční data v průběhu času?
A opět, sémantické technologie, konkrétně s využitím věcí, jako jsou taxonomie a slovníky, datové slovníky, poskytly standardní vesmírný způsob, jak toho dosáhnout, což je opravdu velmi robustní, využívá určité druhy standardů, ale databázová komunita to udělala pro také dlouhou dobu, jen různými způsoby. Myslím, že jedním z klíčů je přemýšlet o tom, jak používat snad entity-vztahové modely, jak používat možná grafové modely nebo nějaký typ přístupu zde, který vám opravdu dá snad standardní odstupňovaný způsob zpracování vašich referenčních dat. A samozřejmě, jakmile máte referenční data, musí mapovací strategie spravovat širokou škálu jmen a entit. Odborníci tak často rádi používají vlastní termíny.
Výzvou v tomto je tedy vždy, jak někomu někomu poskytnete informace, ale učiníte to relevantní pro to, jak o tom mluví? Jedna skupina tedy může mít jeden způsob, jak se na něco dívat, například můžete být chemikem pracujícím na drogě a můžete být strukturálním biologem, který pracuje na stejném drogě, a můžete mít různá jména pro stejné typy entit které se týkají vašeho oboru. Musíte vymyslet způsoby, jak tyto osobní terminologie spojit, protože jiným přístupem je, že musíte lidi přinutit, aby upustili od svého funkčního období a použili někoho jiného, což se jim často nelíbí. Dalším bodem je manipulace s velkým počtem synonym, který je obtížný, takže v datech mnoha lidí existuje mnoho různých slov, která mohou odkazovat na stejnou věc. Máte zde problém s odkazem pomocí mnohonásobných vztahů. Odborné termíny se v jednotlivých odvětvích liší, takže pokud se chystáte přijít s jakýmsi zastřešujícím řešením pro tento typ správy dat, jak snadno je přenosný z jednoho projektu nebo z jedné aplikace do druhé? To může být další výzva.
Automatizace je důležitá a je to také výzva. Manuální zpracování referenčních dat je drahé. Je nákladné udržovat ruční mapování a je drahé nechat odborníky na předmět přestat vykonávat své každodenní úkoly a muset jít a neustále opravovat datové slovníky a znovu aktualizovat definice atd. Atd. Replikovatelné slovníky skutečně vykazují velkou hodnotu. To jsou tedy slovníky často, které najdete mimo vaši organizaci. Pokud například pracujete s ropou, budou existovat určité druhy slovníků, které si můžete půjčit z otevřených prostorů, stejné s farmaceutickými výrobky, stejné s bankovním průmyslem a finanční, stejně jako s mnoha těmito druhy oblastí. Lidé vkládají opakovaně použitelné, obecné, replikovatelné slovníky, aby je lidé mohli používat.
A znovu, při pohledu na nástroj IDERA, jsem zvědavý, jak to zvládají, pokud jde o používání různých standardů. V sémantickém světě často vidíte věci, jako jsou modely SKOS, které poskytují standardy pro alespoň širší než / užší než vztahy, a tyto věci mohou být v ER modelech obtížné, ale víte, není to nemožné, záleží jen na tom, kolik toho strojní zařízení a propojení, které v těchto typech systémů zvládnete.
Nakonec jsem chtěl jen udělat srovnání s některými sémantickými motory, které vidím v oboru, a zeptat se Rona a trochu ho připravit, aby promluvil o tom, jak byl systém IDERA použit ve spojení s jakýmikoli sémantickými technologiemi. Lze jej integrovat do trojitých obchodů, databází grafů? Jak snadné je používat externí zdroje, protože tyto druhy věcí v sémantickém světě lze často půjčit pomocí koncových bodů SPARQL? Můžete importovat modely RDF nebo OWL přímo do svého modelu - vrátit se k nim - například genová ontologie nebo proteinová ontologie, která může žít někde ve svém vlastním prostoru se svou vlastní strukturou správy a mohu jednoduše importovat všechny nebo část toho, jak to potřebuji do svých vlastních modelů. A jsem zvědavý, jak IDERA přistupuje k tomuto problému. Musíte vše udržovat interně, nebo existují způsoby, jak jít použít jiné druhy standardizovaných modelů a vtáhnout je dovnitř a jak to funguje? A poslední věcí, kterou jsem zde zmínil, je, kolik manuální práce se skutečně podílí na vytváření glosářů a úložišť metadat?
Takže vím, že Ron nám ukáže několik ukázek těchto věcí, které budou opravdu zajímavé. Problémy, s nimiž se často setkávám se zákazníky, však spočívají v tom, že pokud lidé píšou do svých vlastních definic nebo do vlastních metadat, dochází k mnoha chybám. Takže máte pravopisné chyby, máte tučné chyby prstů, to je jedna věc. Také dostanete lidi, kteří mohou něco vzít, víte, pouze z Wikipedie nebo ze zdroje, který nemusí být ve vaší definici nutně takového charakteru, nebo vaše definice je pouze z pohledu jedné osoby, takže není úplná a není tedy jasná jak funguje proces správy. Správa věcí veřejných je samozřejmě velmi velkým problémem, kdykoli mluvíte o referenčních datech a kdykoli mluvíte o tom, jak to může zapadat do kmenových dat někoho, jak budou používat jejich metadata a již brzy.
Chtěl jsem jen dát některá z těchto témat tam. To jsou položky, které vidím v obchodním prostoru napříč mnoha různými druhy poradenských zakázek a mnoha různých prostorů, a opravdu mě zajímá, co nám Ron s námi IDERA ukáže, aby poukázal na některá z těchto témat. . Díky moc.
Rebecca Jozwiak: Moc děkuji, Ericu, a opravdu se mi líbí tvůj komentář, že pokud lidé píšou vlastní definice nebo metadata, může dojít k mnoha chybám. Vím, že ve světě žurnalistiky existuje mantra, že „mnoho očí udělá několik chyb“, ale pokud jde o praktické aplikace, příliš mnoho rukou v nádobě na cookies má sklon nechat vás se spoustou rozbitých cookies, že?
Eric Little: Jo, a bakterie.
Rebecca Jozwiak: Jo. S tím jdu do toho a předám to Malcolmu Chisholmovi. Malcolme, podlaha je tvoje.
Malcolm Chisholm: Velice vám děkuji, Rebecco. Chtěl bych se trochu podívat na to, o čem Eric mluvil, a přidat k některým druhům pozorování, na která, jak víte, Ron může být ochotný reagovat také, když mluví o „Směrem k podnikové datové architektuře “- co to znamená být obchodně motivovaný a proč je to důležité? Nebo je to jen nějaký humbuk? Nemyslím si, že to je.
Podíváme-li se na to, co se od té doby dělo, víte, počítače sálových počítačů byly skutečně k dispozici společnostem - řekněme kolem roku 1964 - až dodnes, můžeme vidět, že došlo k mnoha změnám. A tyto změny bych shrnul jako posun od soustředění na proces k soustředění na data. A to je důvod, proč jsou podnikové datové architektury tak důležité a tak důležité pro dnešek. A myslím, že víte, není to jen bzučení, je to něco, co je naprosto skutečné.
Ale můžeme to ocenit o něco více, pokud se ponoříme do historie, takže se vracíme v čase, zpět do 60. let a po nějakou dobu poté dominovaly mainframy. Tyto pak ustoupily počítačům, kde jste ve skutečnosti měli povstání uživatelů, když přišli počítače. Povstání proti centralizovaným IT, o kterých si mysleli, že nesplňují jejich potřeby, nebylo dostatečně agilní. To rychle vedlo k distribuované práci na počítači, když byly počítače propojeny. A pak začal internet, který rozmazal hranice podniku - nyní mohl interagovat se stranami mimo sebe, pokud jde o výměnu dat, k níž dosud nedošlo. A nyní jsme se dostali do éry cloudu a velkých dat, kde cloudem jsou platformy, které skutečně komoditizují infrastrukturu, a tak odcházíme, jak to bylo, IT z potřeby provozovat velká datová centra, protože, víte, my Dostali jsme k dispozici cloudovou kapacitu a souběžně s velkými daty, o kterých Eric, jak víte, tak výmluvně diskutovali. A celkově, jak vidíme, jak nastal posun v technologii, stal se více zaměřený na data, staráme se více o data. Stejně jako u internetu, jak se vyměňují data. S velkými daty jsou čtyři nebo více v samotných dat.
Současně, a co je možná důležitější, se případy obchodního použití posunuly. Když byly počítače poprvé představeny, byly použity k automatizaci věcí, jako jsou knihy a záznamy. A cokoli, co bylo manuálním procesem, které zahrnovalo účetní knihy nebo podobné věci, bylo naprogramováno v podstatě doma. To se v 80. letech posunulo k dostupnosti operačních balíčků. Už nemusíte psát vlastní výplatní listinu, můžete si koupit něco, co to udělá. To vedlo k velké redukci v té době nebo k restrukturalizaci mnoha IT oddělení. Pak se však objevila obchodní inteligence, například s datovými sklady, většinou v 90. letech. Následovaly dotcom obchodní modely, které byly, samozřejmě, velké šílenství. Pak MDM. S MDM začnete vidět, že nepřemýšlíme o automatizaci; ve skutečnosti se zaměřujeme pouze na kurátorská data jako data. A pak analytika představující hodnotu, kterou můžete získat z dat. A v analytice vidíte společnosti, které jsou velmi úspěšné a jejichž hlavní obchodní model se točí kolem dat. Google, Twitter, Facebook by to bylo součástí, ale můžete také tvrdit, že Walmart je.
A tak nyní podnik opravdu přemýšlí o datech. Jak můžeme získat hodnotu z dat? Jak data mohou řídit podnikání, strategii a my jsme ve zlatém věku dat. Takže vzhledem k tomu, co se děje s ohledem na naši datovou architekturu, pokud se data již nepovažují za pouhý výfuk, který vychází ze zadní části aplikací, ale je skutečně pro naše obchodní modely zásadní? Část problému, který máme při dosahování toho, že IT je, je v minulosti skutečně zaseknutá životním cyklem vývoje systémů, který byl důsledkem nutnosti rychle se vypořádat s touto fází automatizace procesů v raném věku IT a pracovat v projekty jsou podobné. Chcete-li IT - a to je trochu karikatura - ale já se snažím říci, že některé z překážek, jak získat business-řízené datové architektury jsou, protože jsme, druh, nekriticky přijal kulturu v IT která pochází z minulého věku.
Takže všechno je projekt. Povězte mi podrobně své požadavky. Pokud to nefunguje, je to proto, že jsi mi neřekl své požadavky. No to dnes s daty nefunguje, protože nezačínáme s neautomatizovanými manuálními procesy nebo, jak víte, technickou konverzí obchodních procesů, začínáme velmi často již existujícími výrobními daty, které zkoušíme získat hodnotu z. Ale nikdo, kdo sponzoruje projekt zaměřený na data, tato data do hloubky nechápe. Musíme provést vyhledávání dat, musíme provést analýzu zdrojových dat. A to se opravdu neshoduje s vývojem systémů, víte - vodopád, životní cyklus SDLC - jehož Agile, podle mého názoru, je něco lepšího.
A na co se zaměřuje technologie a funkčnost, nikoli data. Například když provádíme testování ve fázi testování, bude to obvykle, funguje moje funkce, řekněme moje ETL, ale data netestujeme. Netestujeme naše předpoklady o zdrojových datech přicházejících. Pokud bychom to udělali, byli bychom možná v lepším stavu a jako někdo, kdo provedl projekty datového skladu a trpěl v důsledku změn ve směru toku, mlátil své ETL, ocenil bych to. A vlastně to, co chceme vidět, je testování jako předběžný krok k nepřetržitému sledování kvality výrobních dat. Máme zde tedy mnoho postojů, ve kterých je obtížné dosáhnout architektury dat řízené obchodem, protože jsme podmíněni dobou soustředění na procesy. Musíme provést přechod k datové centričnosti. A nejedná se o úplný přechod, víte, stále existuje spousta procesní práce, ale nemyslíme v termínech zaměřených na data, kdy to potřebujeme, a okolností, ke kterým dojde, když opravdu povinen to udělat.
Nyní si společnost uvědomí hodnotu dat, chtějí data odemknout, tak jak to uděláme? Jak tedy provedeme přechod? No, data jsme dali do centra vývojových procesů. A necháme podnik v čele s požadavky na informace. A chápeme, že na začátku projektu nikdo nerozumí existujícím zdrojovým datům. Dalo by se argumentovat, že struktura dat a samotná data se tam dostala prostřednictvím IT a operací, takže bychom to měli vědět, ale opravdu ne. Jedná se o datově orientovaný vývoj. Musíme tedy při přemýšlení o tom, kde jsme a jak to děláme, modelování dat ve světě zaměřeném na data, musíme mít zpětnovazební smyčky pro uživatele, pokud jde o upřesnění jejich požadavků na informace, stejně jako objevování dat a profilování dat, předpokládat analýzu zdrojových dat a jak postupně získáváme stále větší a větší jistotu o našich datech. A teď mluvím o tradičním projektu, jako je MDM hub nebo datový sklad, ne nutně o velkých datových projektech, i když je to pořád, myslím, docela blízko tomu. Takže tyto smyčky zpětné vazby zahrnují datové modeláře, víte, postupně zdokonalují svůj datový model a spolupracují s uživateli, aby zajistily, že požadavky na informace budou upřesněny na základě toho, co je možné, co je k dispozici, ze zdrojových dat, jak tomu lépe rozumějí, takže už to není případ datového modelu, jak víte, ve stavu, který tam buď není, nebo je úplně hotový, je to postupné zaměření na něj.
Podobně, po proudu, máme záruku kvality, kde vyvíjíme pravidla pro testování kvality dat, abychom se ujistili, že data jsou v rámci parametrů, o kterých předpokládáme. Když Eric vstoupil, hovořil o změnách v referenčních datech, ke kterým může dojít. Nechcete být, jako by to bylo, následnou obětí nespravedlivých změn v této oblasti, takže pravidla pro zajištění kvality mohou jít do postprodukčního a nepřetržitého sledování kvality dat. Takže můžete začít vidět, jestli se budeme soustředit na data, jak to děláme, že vývojově orientovaný vývoj je zcela odlišný od funkčních SDLC a Agile. A pak musíme věnovat pozornost také obchodním názorům. Máme - a opět to odráží to, co Eric říkal - máme datový model definující plán datových příběhů pro naši databázi, ale zároveň potřebujeme ty koncepční modely, ty obchodní pohledy na data, která tradičně nebyla provedena v minulost. Myslím, že jsme si někdy mysleli, že datový model dokáže všechno, ale musíme mít koncepční pohled, sémantiku a podívat se do dat, vykreslit je přes abstrakční vrstvu, která převádí model úložiště do podnikání. Pohled. A opět, všechny věci, o kterých Eric mluvil, pokud jde o sémantiku, se stávají důležitými, abychom to udělali, takže ve skutečnosti máme další modelovací úkoly. Myslím, že to je, víte, zajímavé, pokud jste přišli do řad jako datový modelář jako já, a zase něco nového.
A konečně bych rád řekl, že i tato větší realita musí odrážet i větší architektura. Například tradiční zákaznický MDM je v pořádku, dobře, pojďme dostat naše zákaznická data do rozbočovače, kde to můžeme pochopit, pokud jde o opravdu jen kvalitu dat pro back office aplikace. Který z pohledu obchodní strategie je zívnutí. Dnes se však díváme na zákaznické MDM rozbočovače, které v sobě obsahují dodatečná data zákaznického profilu, nejen statická data, která pak skutečně mají obousměrné rozhraní s transakčními aplikacemi zákazníka. Ano, stále podporují back office, ale nyní víme také o tomto chování našich zákazníků. Stavět to je dražší. To je složitější stavět. Ale je to obchodní způsob, jakým tradiční MDM zákazník není. Obchodujete s orientací na podnikání proti jednodušším návrhům, které se snáze implementují, ale pro podnikání to chtějí vidět. Jsme opravdu v nové éře a myslím, že existuje řada úrovní, které musíme reagovat na architekturu dat řízení podniku, a myslím, že je velmi vzrušující čas dělat věci.
Takže děkuji, zpět k vám Rebecca.
Rebecca Jozwiak: Díky Malcolmu, a já jsem si opravdu užil to, co jste říkali o datových modelech, musí živit obchodní pohled, protože, na rozdíl od toho, co jste říkali, kde IT držel otěže tak dlouho a je to prostě takový případ už ne a že se kultura potřebuje posunout. A jsem si jistý, že v pozadí byl pes, který s vámi souhlasil 100%. A s tím hodlám předat míč Ronovi. Jsem opravdu nadšená, když vidím vaše demo. Ron, podlaha je tvoje.
Ron Huizenga: Velice vám děkuji a než do toho skočíme, projdu pár snímků a poté trochu dema, protože, jak zdůraznili Eric a Malcolm, je to velmi široké a hluboké téma, a s tím, o čem dnes hovoříme, jen škrábáme povrch, protože existuje tolik aspektů a tolik věcí, které musíme opravdu zvážit a podívat se na architekturu orientovanou na podnikání. A naším přístupem je opravdu vycházet z modelů a odvodit z nich skutečnou hodnotu, protože je můžete použít jako komunikační prostředek i jako vrstvu k umožnění dalších systémů. Ať už děláte architekturu orientovanou na služby nebo jiné věci, model se skutečně stane životním prostředím toho, co se děje, se všemi metadaty kolem něj a údaji, které máte ve svém podnikání.
O tom, o čem chci mluvit, je však tento krok téměř o krok zpět, protože Malcolm se dotkl některé z dějin způsobu, jakým se řešení vyvíjí, a toho druhu věcí. Jedním ze způsobů, jak skutečně poukázat na to, jak důležité je mít architekturu zvukových dat, je případ použití, na který jsem se často setkal, když jsem konzultoval, než jsem se dostal do role správy produktů, a to bylo, že bych šel do organizací ať už dělají transformaci podniku nebo jen nahrazují některé stávající systémy a tento typ věcí, a velmi rychle se ukázalo, jak špatné organizace chápou svá vlastní data. Pokud vezmete konkrétní případ použití, jako je tento, ať už jste konzultant, nebo se jedná o osobu, která právě začala s organizací, nebo vaše organizace byla vybudována v průběhu let s akvizicí různých společností, co ukončíte up with je velmi složité prostředí velmi rychle, s řadou nových různých technologií, stejně jako starší technologie, ERP řešení a všechno ostatní.
Takže jednou z věcí, které můžeme s naším modelovacím přístupem opravdu udělat, je odpovědět na otázku, jak to všechno pochopím? Můžeme opravdu začít sbírat informace společně, takže firma může využívat informace, které máme správně. A co se týče toho, co v těchto prostředích máme? Jak mohu použít tyto modely k získání informací, které potřebuji, a lépe porozumět těmto informacím? A pak máme tradiční typy metadat pro všechny různé věci, jako jsou relační datové modely, a my jsme zvyklí vidět věci, jako jsou definice a datové slovníky, víte, datové typy a ten typ věcí. Ale co další metadata, která chcete zachytit, aby jim opravdu dala ještě větší význam? Například, které entity jsou skutečně kandidáty, které by měly být referenčními datovými objekty, které by měly být objekty správy hlavních dat a tyto typy věcí, a svázat je k sobě. A jak informace procházejí organizací? Datové toky plynou z toho, jak jsou spotřebovány jak z procesního hlediska, ale také z datové řady, pokud jde o cestu informací přes naše podniky a jak prochází různými systémy nebo prostřednictvím datových úložišť, takže víme, když vytváříme řešení I nebo ty typy věcí, že ve skutečnosti spotřebováváme správné informace pro daný úkol.
A pak je velmi důležité, jak můžeme přimět všechny ty zúčastněné strany ke spolupráci, a zejména obchodní zúčastněné strany, protože jsou to ty, které nám dávají skutečný význam toho, co tato data jsou. Podnik na konci dne vlastní data. Poskytují definice pro slovníky a věci, o nichž Eric mluvil, takže potřebujeme místo, kde bychom to všechno spojili dohromady. A způsob, jakým to děláme, je pomocí našeho modelování dat a architektur úložiště dat.
Dotknu se několika věcí. Budu mluvit o ER / Studio Enterprise Team Edition. Především budu mluvit o produktu architektury dat, kde budeme provádět modelování dat a tento typ věcí, ale existuje spousta dalších komponent sady, na které se jen velmi krátce dotknu. Uvidíte jeden úryvek Business Architect, kde můžeme vytvářet koncepční modely, ale můžeme také dělat obchodní procesní modely a můžeme je spojit s těmito procesními modely a propojit skutečné údaje, které máme v našich datových modelech. Opravdu nám to pomáhá spojit tu kravatu. Softwarový architekt nám umožňuje provádět další konstrukty, jako je například modelování UML a takové typy věcí, které dávají podpůrnou logiku některým z těchto dalších systémů a procesů, o kterých mluvíme. Ale co je důležitější, když se pohybujeme dolů, máme úložiště a týmový server, a budu o tom hovořit jako o dvou polovinách stejné věci. Úložiště je místo, kde ukládáme všechna modelovaná metadata i všechna obchodní metadata z hlediska obchodních glosářů a termínů. A protože máme toto prostředí založené na úložišti, můžeme všechny tyto různé věci spojit ve stejném prostředí a pak je můžeme skutečně zpřístupnit pro spotřebu, nejen pro technické lidi, ale také pro podnikatele. A tak skutečně začneme řídit spolupráci.
A pak poslední část, o které krátce mluvím, je, když vstoupíte do těchto prostředí, nejsou to jen databáze, které tam máte. Budeš mít řadu databází, datových obchodů, budeš mít také spoustu toho, čemu bych říkal, staré artefakty. Možná lidé použili k mapování některých věcí aplikaci Visio nebo jiné diagramy. Možná měli jiné modelovací nástroje a takovou věc. Takže to, co můžeme udělat s MetaWizardem, je vlastně extrahovat některé z těchto informací a přivést je do našich modelů, učinit je aktuální a být schopni je používat, spotřebovávat je znovu v současném módě, spíše než jen nechat je tam sedět. Nyní se stává aktivní součástí našich pracovních modelů, což je velmi důležité.
Když vstoupíte do organizace, jak jsem řekl, je tam mnoho nesourodých systémů, spousta ERP řešení, nesouladná řešení jednotlivých resortů. Mnoho organizací také používá řešení SaaS, která jsou také externě kontrolovaná a spravovaná, takže nekontrolujeme databáze a ty typy věcí v hostitelích na nich, ale stále musíme vědět, jak tato data vypadají a samozřejmě, metadata kolem toho. Zjistili jsme také mnoho zastaralých starých systémů, které nebyly vyčištěny kvůli tomuto projektovému přístupu, o kterém Malcolm hovořil. Je úžasné, jak v posledních letech organizace budou rozdělovat projekty, nahradí systém nebo řešení, ale často není dostatek rozpočtu projektu na vyřazení zastaralých řešení z provozu, takže nyní jsou právě v cestě. A musíme přijít na to, co se vlastně můžeme v našem prostředí zbavit, a také to, co je užitečné do budoucna. A to souvisí se špatnou strategií vyřazování z provozu. To je součást téže věci.
Zjistili jsme také, že díky všem těmto různým řešením bylo vytvořeno mnoho organizací, je vidět, že existuje mnoho rozhraní typu point-to-point se spoustou dat, která se pohybují na mnoha místech. Musíme být schopni to racionalizovat a zjistit, že datová linie, kterou jsem krátce zmínil dříve, abychom mohli mít soudržnější strategii, jako je využití architektury orientované na služby, podnikových servisních autobusů a těchto typů věcí, abychom dodali správné informace. k modelu publikování a odběru, který používáme správně v celé naší firmě. A pak samozřejmě musíme ještě udělat nějaký druh analytiky, ať už používáme datové sklady, datové trhy s tradičním ETL nebo využíváme některá z nových datových jezer. Všechno jde dolů ke stejné věci. Jsou to všechna data, ať už se jedná o velká data, ať už jde o tradiční data v relačních databázích, musíme je spojit, abychom je mohli spravovat a vědět, s čím se v našich modelech zabýváme.
Znovu, složitost, kterou uděláme, je, že máme řadu kroků, které chceme být schopni udělat. Nejdříve ze všeho vstoupíte a možná nebudete mít ty plány, jak tato informační krajina vypadá. V nástroji pro modelování dat, jako je ER / Studio Data Architect, budete nejprve dělat spoustu reverzního inženýrství, pokud jde o pojďme ukázat na zdroje dat, které jsou tam, přivést je a pak je spojit do více reprezentativnějších modely, které představují celé podnikání. Důležité je, že chceme být schopni tyto modely rozložit také v rámci obchodních linií, abychom se k nim mohli vztahovat v menších částech, s nimiž se naši obchodní lidé mohou také vztahovat, a našimi obchodními analytiky a dalšími zúčastněnými stranami, které pracují. na to.
Pojmenování standardů je nesmírně důležité a já o tom mluvím několika různými způsoby. Pojmenování standardů z hlediska toho, jak v našich modelech pojmenováváme věci. Je to docela snadné dělat v logických modelech, kde máme dobré pojmenovací konvence a dobrý datový slovník pro naše modely, ale pak také vidíme různé konvence pojmenování pro mnoho z těchto fyzických modelů, které přinášíme. zpětného inženýra, často vidíme zkrácená jména a ten typ věcí, o kterých budu mluvit. A musíme je převést zpět do smysluplných anglických jmen, která jsou pro podnikání smysluplná, abychom mohli pochopit, jaké jsou všechny tyto údaje, které máme v prostředí. A pak je univerzální mapování spojuje dohromady.
Kromě toho bychom dokumentovali a definovali dále a tam můžeme naše data dále klasifikovat pomocí něčeho, co se nazývá Přílohy, na kterém vám ukážu několik snímků. A pak uzavíráme smyčku, chceme aplikovat ten obchodní význam, který je místem, kde se spojujeme s našimi obchodními glosáři a můžeme je propojit s našimi různými modelovými artefakty, takže víme, když mluvíme o určitém obchodním termínu, kde je to implementována do našich dat v celé organizaci. A nakonec už jsem hovořil o tom, že toto všechno potřebujeme, aby bylo založeno na úložišti se spoustou možností spolupráce a publikování, aby ho mohli naše zúčastněné strany využít. Budu mluvit o zpětném inženýrství poměrně rychle. Už jsem vám to velmi rychle vysvětlil. Ukážu vám to ve skutečném ukázce, jen abych vám ukázal některé z věcí, které tam můžeme přinést.
A chci mluvit o některých různých typech modelů a diagramech, které bychom vytvořili v tomto typu scénáře. Zjevně uděláme koncepční modely v mnoha případech; Na to nebudu trávit moc času. Opravdu chci mluvit o logických modelech, fyzických modelech a specializovaných typech modelů, které můžeme vytvořit. A je důležité, abychom je mohli vytvořit všechny ve stejné modelovací platformě, abychom je mohli spojit dohromady. To zahrnuje rozměrové modely a také modely, které využívají některé z nových zdrojů dat, jako je NoSQL, které vám ukážu. Jak vypadá model datové linie? A o tom, jak tato data spojit do modelu obchodního procesu, o tom budeme mluvit dále.
Zde přejdu k modelovacímu prostředí, abych vám poskytl velmi vysoký a rychlý přehled. A věřím, že byste teď měli mít možnost vidět mou obrazovku. Nejprve chci mluvit jen o tradičním typu datového modelu. A jak chceme modely uspořádat, když je zavedeme, chceme je rozložit. Takže na levé straně vidíte, že v tomto konkrétním souboru modelu máme logické a fyzické modely. Další věc je, že to můžeme rozebrat podle obchodních rozkladů, takže proto vidíte složky. Světle modré jsou logické modely a zelené jsou fyzické modely. A můžeme se také podrobně rozbalit, takže v ER / Studio, pokud máte obchodní rozklad, můžete jít tolik úrovní hluboko nebo sub-modely, jak chcete, a změny, které provedete na nižších úrovních, se automaticky projeví na vyšších úrovně. Tak se velmi rychle stává velmi výkonným modelovacím prostředím.
Chtěl bych také zdůraznit, že je velmi důležité začít tyto informace sbírat společně, že můžeme mít více fyzických modelů, které odpovídají také jednomu logickému modelu. Poměrně často můžete mít logický model, ale můžete mít fyzické modely na různých platformách a takovém typu věci. Možná je to instance serveru SQL Server, možná jiná instance Oracle. Máme schopnost to vše svázat dohromady ve stejném modelovacím prostředí. A tady zase mám skutečný model datového skladu, který může být opět ve stejném prostředí pro modelování, nebo ho můžeme mít v úložišti a propojit ho také s různými věcmi.
To, co jsem vám opravdu chtěl ukázat, jsou některé další věci a další varianty modelů, do kterých se dostaneme. Když se tedy dostaneme k tradičnímu datovému modelu, jako je tento, jsme zvyklí vidět typické entity se sloupci a metadaty a tímto typem věci, ale tento pohled se velmi rychle mění, když se začneme zabývat některými z těchto novějších technologií NoSQL., nebo jak jim někteří lidé stále říkají, technologie velkých dat.
Takže teď řekněme, že máme také Úl v našem prostředí. Pokud obrácíme inženýra z prostředí Hive - a dokážeme dopředu a dozadu inženýra z Hive s tímto přesně stejným nástrojem pro modelování - vidíme něco, co je trochu jiné. Stále vidíme všechna data jako konstrukty tam, ale naše TDL se liší. Ti z vás, kteří jsou zvyklí vidět SQL, byste nyní viděli Hive QL, což je velmi podobné SQL, ale ze stejného nástroje nyní můžete začít pracovat s různými skriptovacími jazyky. Takže v tomto prostředí můžete modelovat, generovat ho do prostředí Úlu, ale stejně tak důležité je, že ve scénáři, který jsem popsal, můžete vše převrátit, dát mu smysl a začít je také spojovat. .
Vezměme si další, který je trochu jiný. MongoDB je další platforma, kterou nativně podporujeme. A když se začnete dostávat do typů prostředí JSON, kde máte sklady dokumentů, JSON je jiné zvíře a existují v tom konstrukty, které neodpovídají relačním modelům. Brzy se začnete zabývat pojmy, jako jsou vložené objekty a vložená pole objektů, když začnete vyslýchat JSON a tyto pojmy neexistují v tradičním relačním zápisu. Zde jsme udělali to, že jsme vlastně rozšířili notaci a náš katalog, abychom to zvládli ve stejném prostředí.
Pokud se podíváte vlevo, místo toho, abychom viděli věci jako entity a tabulky, voláme jim objekty. A vidíte různé notace. Stále vidíte typické typy referenčních zápisů, ale tyto modré entity, které zobrazuji v tomto konkrétním diagramu, jsou skutečně vložené objekty. A my ukazujeme různé kardinality. Diamantová mohutnost znamená, že se jedná o objekt na jednom konci, ale mohutnost jednoho znamená, že v rámci vydavatele, pokud sledujeme tento vztah, máme zabudovaný objekt adresy. Při výslechu JSON jsme zjistili, že je to přesně stejná struktura objektů, které jsou vloženy do čtenáře, ale ve skutečnosti jsou začleněny jako pole objektů. Vidíme to nejen prostřednictvím samotných konektorů, ale pokud se podíváte na skutečné entity, uvidíte, že pod patronem vidíte adresy, které jej také klasifikují jako řadu objektů. Získáte velmi popisný pohled na to, jak to vnést.
A opět, nyní, co jsme za pár sekund viděli, jsou tradiční relační modely, které jsou víceúrovňové, můžeme udělat totéž s Hive, můžeme udělat totéž s MongoDB a dalšími velkými datovými zdroji jako studna. Co můžeme také udělat, a já vám to ukážu velmi rychle, mluvil jsem o skutečnosti, že přinesl věci z jiných různých oblastí. Budu předpokládat, že budu importovat model z databáze nebo ho převrátit, ale přivedu ho z externích metadat. Jen proto, abychom vám poskytli velmi rychlý pohled na všechny různé typy věcí, které můžeme začít přinášet.
Jak vidíte, máme nesčetné množství věcí, s nimiž můžeme metadata skutečně přivést do našeho modelovacího prostředí. Počínaje věcmi, jako je Amazon Redshift, Cassandra, spousta dalších velkých datových platforem, takže vidíte mnoho z nich. To je v abecedním pořadí. Vidíme mnoho velkých zdrojů dat a takový typ věcí. Vidíme také spoustu tradičních nebo starších modelových prostředí, kterými můžeme tato metadata skutečně přinést. Pokud sem projdu - a nebudu trávit čas na každé z nich - vidíme mnoho různých věcí, z nichž můžeme přenést, pokud jde o modelovací platformy a datové platformy. A něco, co je velmi důležité si zde uvědomit, je další část, kterou můžeme udělat, když začneme hovořit o datové linii, v Enterprise Team Edition můžeme také vyslýchat zdroje ETL, ať už jde o mapování Talend nebo SQL Server Information Services, můžeme to vlastně přinášejí, abychom mohli začít také s našimi datovými liniemi a nakreslit obrázek toho, co se děje v těchto transformacích. Dohromady máme více než 130 těchto různých mostů, které jsou skutečně součástí produktu Enterprise Team Edition, takže nám to opravdu pomáhá rychle spojit všechny artefakty do jednoho modelovacího prostředí.
V neposlední řadě chci také hovořit o tom, že nemůžeme ztratit ze zřetele skutečnost, že potřebujeme další typy konstruktů, pokud děláme skladování dat nebo jakékoli typy analytiků. Stále chceme mít schopnost dělat věci, jako jsou rozměrové modely, kde máme faktické tabulky a máme dimenze a tyto typy věcí. Chci vám také ukázat, že můžeme také rozšířit naše metadata, která nám pomohou kategorizovat, jaké jsou typy dimenzí a všechno ostatní. Pokud se tedy podívám na kartu dimenzionálních dat, například na některou z nich, ve skutečnosti automaticky detekuje na základě vzoru modelu, který vidí, a dá vám výchozí bod, zda si myslí, že se jedná o dimenzi nebo tabulka faktů. Ale za to, co můžeme udělat, je v rámci dimenzí a toho typu věci máme dokonce různé typy dimenzí, které můžeme použít ke klasifikaci dat v prostředí typu datového skladu. Tak mocné schopnosti, že to spojujeme dohromady.
Jdu do toho skočit, protože jsem teď v demonstračním prostředí a ukážu vám pár dalších věcí, než skočím zpět na snímky. Jednou z věcí, které jsme nedávno přidali do ER / Studio Data Architect, je to, že jsme narazili na situace - a to je velmi běžný případ použití, když pracujete na projektech - vývojáři myslí na objekty, zatímco naše data modeláři mají sklon myslet na tabulky a entity a na tento typ věcí. Jedná se o velmi zjednodušující datový model, ale představuje několik základních konceptů, kde by je vývojáři nebo obchodní analytici nebo obchodní uživatelé mohli považovat za různé objekty nebo obchodní koncepty. Dosud bylo velmi obtížné je klasifikovat, ale to, co jsme ve skutečnosti provedli v ER / Studio Enterprise Team Edition, v vydání 2016, je, že nyní máme koncept s názvem Business Data Objects. A to nám umožňuje zapouzdřit skupiny entit nebo tabulek do skutečných obchodních objektů.
Například, v tomto novém pohledu jsme se dostali k záhlaví objednávky a řádce objednávek, které jsou nyní spojeny dohromady, jsou zapouzdřeny jako objekt, považujeme je za jednotku práce, když data vytrváme, a spojujeme je dohromady, takže je nyní velmi snadné spojit to s různými skupinami publika. Jsou opakovaně použitelné v prostředí modelování. Jsou skutečným objektem, nejen kresebným konstruktem, ale mají také další výhodu, že když skutečně komunikujeme z pohledu modelování, můžeme je selektivně sbalit nebo rozšířit, abychom mohli vytvořit souhrnný pohled na dialogy s určitým publikem zúčastněných stran, a samozřejmě si také můžeme zachovat podrobnější pohled, jako bychom zde viděli pro více technických diváků. Opravdu nám dává opravdu dobré vozidlo komunikace. Nyní vidíme kombinování několika různých typů modelů, jejich rozšiřování s konceptem objektů obchodních dat, a teď budu hovořit o tom, jak ve skutečnosti aplikujeme na tyto typy věcí nějaký větší význam a jak je spojíme dohromady v našich celkové prostředí.
Snažím se zde najít můj WebEx, abych to mohl udělat. A my jdeme zpět na snímky Hot Tech. Jdu se rychle posunout o několik snímků dále, protože jste je již viděli v samotné ukázce modelu. Chci mluvit o pojmenování standardů velmi rychle. Chceme použít a prosazovat různé standardy pojmenování. Chceme dělat, že máme schopnost v našich úložištích skutečně ukládat šablony pojmenovacích standardů, které v podstatě budují tento význam skrze slova, fráze nebo dokonce zkratky a spojují je zpět s smysluplným anglickým typem slova. Budeme používat obchodní podmínky, zkratky pro každou z nich a můžeme určit pořadí, případy a přidat předpony a přípony. Typickým případem použití je obvykle situace, kdy lidé vytvářeli logický model a poté vlastně pokračovali ve vytváření fyzického modelu, kde mohli používat zkratky a všechno ostatní.
Krásná věc je, že je to stejně silné, ještě silnější obrácené, pokud můžeme jen říct, jaké byly některé z těch jmenovacích standardů na některých z těch fyzických databází, které jsme reverzně zkonstruovali, můžeme vzít tyto zkratky, změnit je na delší slova a přivést je zpět do anglických frází. Ve skutečnosti nyní můžeme odvodit vlastní jména pro to, jak naše data vypadají. Jak říkám, typický případ použití je, že bychom se posunuli kupředu, logicky k fyzickému a namapovali datové úložiště a tento typ věcí. Když se podíváte na snímek obrazovky na pravé straně, uvidíte, že ze zdrojových jmen existují zkrácená jména a když jsme použili šablonu pojmenovacích standardů, máme vlastně více úplných jmen. A my bychom mohli dát mezery a všechno podobné, pokud chceme, v závislosti na šabloně pojmenovacích standardů, kterou jsme použili. Můžeme, aby to vypadalo, ale chceme, aby to přineslo do našich modelů. Teprve když víme, co se něco nazývá, můžeme k němu vlastně začít připojovat definice, protože pokud nevíme, co to je, jak na něj můžeme použít význam?
Dobrá věc je, že to můžeme skutečně vyvolat, když děláme všechny druhy věcí. Mluvil jsem o reverzním inženýrství, můžeme vlastně vyvolat pojmenování standardních šablon současně, když děláme reverzní inženýrství. Takže v jednom souboru kroků pomocí průvodce můžeme udělat, že pokud víme, jaké jsou konvence, můžeme zpětně analyzovat fyzickou databázi, přinese ji zpět jako fyzické modely v modelovacím prostředí a je to také použiji tyto konvence pojmenování. Uvidíme tedy, jaké anglické reprezentace jmen jsou v odpovídajícím logickém modelu v prostředí. Můžeme to také udělat a kombinovat s generováním schématu XML, abychom mohli vzít model a dokonce ho vytlačit pomocí našich zkratek, ať už děláme rámce SOA nebo takový typ věcí, takže můžeme také vytáhnout různé konvence pojmenování které jsme vlastně uložili v samotném modelu. Poskytuje nám spoustu velmi silných funkcí.
Zde je příklad toho, jak by to vypadalo, kdybych měl šablonu. Toto skutečně ukazuje, že jsem měl EMP pro „zaměstnance“, SAL pro „plat“, PLN pro „plán“ v konvenci pro jmenování standardů. Mohu je také použít, aby byly interaktivně spuštěny, když vytvářím modely a vkládám věci. Kdybych používal tuto zkratku a na jméno entity jsem psal „Zaměstnanecký platový plán“, jednal by se šablonou pojmenovacích standardů Zde jsem definoval, že by mi to dalo EMP_SAL_PLN, když jsem vytvářel entity a ihned mi dal odpovídající fyzická jména.
Opět velmi dobré pro projektování a vývoj vpřed. Máme velmi jedinečný koncept a právě zde začínáme tyto prostředí spojovat. A to se nazývá Universal Mappings. Jakmile jsme všechny tyto modely přivedli do našeho prostředí, co jsme schopni udělat, za předpokladu, že jsme nyní použili tyto konvence pojmenování a je snadné je najít, můžeme nyní použít konstrukci nazvanou Universal Mappings v ER /Studio. Můžeme propojit entity napříč modely. Kdekoli vidíme „zákazníka“ - pravděpodobně budeme mít „zákazníka“ v mnoha různých systémech a mnoha různých databázích - můžeme začít všechny spojovat dohromady, takže když s ním pracuji v jednom modelu, můžete vidět, kde jsou projevy zákazníků v jiných modelech. A protože to máme modelovou vrstvu, která to reprezentuje, můžeme ji dokonce spojit se zdroji dat a přenést ji do našeho, kde jsou také používána šetření, ve kterých jsou tyto databáze také umístěny. Opravdu nám to dává schopnost spojit to vše velmi soudržně.
Ukázal jsem vám objekty obchodních dat. Chci také velmi rychle hovořit o rozšířeních metadat, kterým říkáme Přílohy. Co to dělá, je to, že nám umožňuje vytvářet další metadata pro naše modelové objekty. Poměrně často bych tyto typy vlastností nastavil tak, aby vycházel z hlediska správy dat a kvality dat z různých věcí a také aby nám pomohl s politikou správy a uchovávání dat. Základní myšlenkou je, že tyto klasifikace vytvoříte a můžete je připojit kdekoli chcete, na úrovni tabulky, na úrovni sloupců, těchto typů věcí. Nejběžnějším případem použití je samozřejmě to, že entity jsou tabulky, a pak mohu definovat: jaké jsou moje hlavní datové objekty, jaké jsou moje referenční tabulky, jaké jsou mé transakční tabulky? Z hlediska kvality dat mohu provádět klasifikace z hlediska důležitosti pro firmu, abychom mohli upřednostnit úsilí o čištění dat a tento typ věcí.
Něco, co se často přehlíží, je jaká je politika uchovávání různých typů dat v naší organizaci? Můžeme je nastavit a můžeme je vlastně připojit k různým typům informačních artefaktů v našem modelovacím prostředí a samozřejmě také k našemu úložišti. Krása je, že tyto přílohy žijí v našem datovém slovníku, takže když využíváme slovníky podnikových dat v prostředí, můžeme je připojit k několika modelům. Musíme je definovat pouze jednou a můžeme je využívat znovu a znovu napříč různými modely v našem prostředí. Toto je pouze rychlý snímek obrazovky, který ukazuje, že ve skutečnosti můžete určit, kdy provedete přílohu, k čemu jsou všechny kousky, které chcete připojit. A tento příklad je zde vlastně seznam hodnot, takže když jdou dovnitř, můžete si vybrat ze seznamu hodnot, máte v prostředí modelování toho, co se vybírá, hodně kontroly a můžete dokonce nastavit, jaké výchozí hodnota je, pokud není hodnota vybrána. Takže tam moc energie. Žijí v datovém slovníku.
Něco, co vám chci ukázat o něco dále na této obrazovce, navíc vidíte přílohy, které se zobrazují v horní části, pod ním uvidíte informace o zabezpečení dat. Ve skutečnosti můžeme také použít zásady zabezpečení dat na různé informace v prostředí. Pro různá mapování shody, klasifikace zabezpečení dat dodáváme řadu z nich, které můžete vygenerovat a začít používat, ale můžete také definovat vlastní mapování shody a standardy. Ať už děláte HIPAA nebo některou z dalších iniciativ venku. A opravdu můžete začít vytvářet tuto velmi bohatou sadu metadat ve vašem prostředí.
A pak Glosář a podmínky - zde je svázán obchodní význam. Často máme datové slovníky, které organizace často používá jako výchozí bod k zahájení vyhazování slovníků, ale terminologie a výroky jsou často velmi technické. Co tedy můžeme udělat, je, že pokud to chceme, můžeme je použít jako výchozí bod k vyhlazení glosářů, ale opravdu chceme, aby je tyto podniky vlastnily. V prostředí týmového serveru jsme udělali schopnost lidem vytvářet obchodní definice a poté je můžeme propojit s různými artefakty modelu, kterým odpovídají také v prostředí modelování. Uznáváme také bod, o kterém jsme hovořili dříve, což znamená, že čím více lidí zadáte, tím větší je zde lidská chyba. V naší struktuře glosářů také děláme, že podporujeme hierarchii glosáře, takže můžeme mít různé typy glosářů nebo různé typy věcí v organizaci, ale stejně důležité je, pokud již máte některé z těchto zdrojů tam, kde jsou definovány termíny a vše, můžeme ve skutečnosti provést import CSV, abychom je přenesli do našeho modelovacího prostředí a našeho týmového serveru nebo také do našeho glosáře a odtud začneme propojovat. A pokaždé, když se něco změní, je zde kompletní auditní stopa toho, co byly obrázky před a po, co se týče definic a všeho ostatního, a to, co uvidíte v blízké budoucnosti, je také spíše pracovním postupem autorizace takže můžeme skutečně kontrolovat, kdo to má na starosti, schvalování výborů nebo jednotlivců a takový typ věcí, aby se proces správy v budoucnu stal ještě robustnějším.
To, co to také dělá pro nás, je, když máme tyto glosářské termíny v glosáři našeho týmového serveru, jedná se o příklad editace v entitě v samotném modelu, který jsem zde uvedl. Může to mít spojené termíny, ale také to, co děláme, je, pokud existují slova, která jsou v tomto slovníku, která se objevují v poznámkách nebo popisech toho, co máme v našich entitách, jsou automaticky zobrazena ve světlejší hyperlinkované barvě a pokud myší nad nimi, můžeme skutečně vidět definici z obchodního glosáře. Dokonce nám poskytuje bohatší informace, když spotřebováváme informace samotné, se všemi glosáři, které jsou tam. To opravdu pomáhá obohatit zážitek a aplikovat význam na všechno, s čím pracujeme.
Takže to byl opět velmi rychlý let. Samozřejmě bychom na to mohli strávit dny, když se ponoříme do různých částí, ale toto je velmi rychlý přelet nad povrchem. Opravdu se snažíme pochopit, jak tato složitá datová prostředí vypadají. Chceme zlepšit viditelnost všech těchto datových artefaktů a spolupracovat na jejich vytlačení z ER / Studio. Chceme umožnit efektivnější a automatizovanější modelování dat. A to jsou všechny typy dat, o kterých mluvíme, ať už se jedná o velká data, tradiční relační data, úložiště dokumentů nebo cokoli jiného. A znovu jsme toho dosáhli, protože máme výkonné funkce vpřed a vzad pro různé platformy a další nástroje, které tam můžete mít. A je to všechno o sdílení a komunikaci v celé organizaci se všemi zúčastněnými stranami. To je místo, kde aplikujeme význam pomocí pojmenovacích standardů. Poté použijeme definice prostřednictvím našich obchodních glosářů. A pak můžeme provést další klasifikace pro všechny naše další funkce správy pomocí rozšíření metadat, jako jsou rozšíření kvality dat, klasifikace pro správu kmenových dat nebo jakékoli jiné typy klasifikace, které chcete na tato data použít. A pak můžeme dále shrnout a ještě více posílit komunikaci s objekty obchodních dat, s různým publikem zúčastněných stran, zejména mezi modeláři a vývojáři.
A co je na tom velmi důležité, za tím vším je integrovaný repozitář s velmi robustními schopnostmi správy změn. Neměl jsem čas to dnes ukázat, protože se stává poměrně složitým, ale úložiště má velmi robustní možnosti správy změn a auditní stopy. Můžete dělat pojmenované verze, můžete dělat pojmenované verze, a my máme také schopnost pro ty z vás, kteří dělají správu změn, můžeme to uvázat přímo do vašich úkolů. Dnes máme schopnost vkládat úkoly a přiřadit vaše změny modelu k úkolům, stejně jako vývojáři přidruží své změny kódu k úkolům nebo uživatelským příběhům, se kterými také pracují.
To byl opět velmi rychlý přehled. Doufám, že to stačilo na to, abyste si vzpomněli na vaši chuť k jídlu, abychom mohli pokračovat v hlubších rozhovorech o rozdělení některých z těchto témat, jak budeme postupovat v budoucnu. Děkuji za váš čas a zpět k vám, Rebecca.
Rebecca Jozwiak: Díky, Rone, to bylo fantastické a mám docela dost otázek od publika, ale chci dát našim analytikům šanci ponořit zuby do toho, co jste řekli. Ericu, jdu do toho a možná jestli chceš oslovit tento snímek, nebo jiný, proč nejdřív nejdřív? Nebo jakákoli jiná otázka.
Eric Little: Jasně. Promiňte, jaká byla otázka, Rebecco? Chcete, abych se zeptal na něco konkrétního nebo …?
Rebecca Jozwiak: Vím, že jste zpočátku měli nějaké otázky pro Rona. Pokud chcete nyní požádat, aby oslovil někoho z nich, nebo některé z nich z vašeho snímku nebo cokoli jiného, co vzbudilo váš zájem, na který se chcete zeptat? O funkcích modelování společnosti IDERA.
Eric Little: Jo, takže jedna z věcí, Ron, tak jak se máte, vypadá to, že diagramy, které jste ukazovali, jsou obecnými druhy diagramů vztahů entit, které byste normálně použili při vytváření databáze, že?
Ron Huizenga: Ano, obecně řečeno, ale samozřejmě máme rozšířené typy pro obchody s dokumenty a také tento typ věcí. Vlastně jsme se lišili od pouhého čistě relačního zápisu, ve skutečnosti jsme přidali další notace i pro tyto další obchody.
Eric Little: Existuje způsob, jak můžete pomocí grafických typů modelovat, takže existuje způsob, jak integrovat, například předpokládejme, že mám něco jako top kvadrant, skladatelský nástroj TopBraid nebo něco udělal v Protégé nebo, jak víte, stejně jako finanční kluci ve FIBO, dělají spoustu práce v sémantice, RDF věci - existuje způsob, jak přenést tento typ modelování typu entitní vztahový graf do tohoto nástroje a využít to?
Ron Huizenga: Ve skutečnosti se díváme na to, jak zvládneme grafy. Dnes se explicitně nezabýváme databázemi grafů a takovými věcmi, ale hledáme způsoby, jak to udělat, abychom rozšířili naše metadata. Myslím tím, že můžeme přivést věci přes XML a ten typ věcí právě teď, pokud můžeme udělat alespoň nějaký druh ztvárnění XML, abychom to dostali jako výchozí bod. Hledáme však elegantnější způsoby, jak toho dosáhnout.
A také jsem vám ukázal, že seznam reverzních inženýrských mostů, které tam také máme, takže se vždy díváme na rozšíření těchto mostů pro konkrétní platformy. Je to nepřetržité, pokračující úsilí, pokud to má smysl, začít přijímat spoustu těchto nových konstrukcí a různých platforem. Ale mohu říci, že jsme to určitě v čele. Věci, které jsem předváděl například na MongoDB a podobné věci, jsme prvním dodavatelem modelování dat, který to vlastně udělal nativně v našem vlastním produktu.
Eric Little: Dobře, jo. Takže další otázka, kterou jsem měl pro vás, tedy byla, pokud jde o správu a udržování - jako když jste použili příklad, když jste ukázali příklad osoby, která je „zaměstnancem“, věřím, že to bylo „ plat “a pak máte„ plán “, existuje způsob, jak řídit například různé druhy lidí, kteří mohou mít - předpokládejme, že máte velkou architekturu, správně, předpokládejme, že máte velký podnik a lidé začnou tahat věci dohromady v tomto nástroji a máte tu jednu skupinu, která má slovo „zaměstnanec“ a jednu skupinu, která má slovo „pracovník“. A jedna osoba tady říká „plat“ a jiná osoba říká "mzda."
Jak kluci sladíte a spravujete a spravujete tyto druhy rozdílů? Protože vím, jak bychom to udělali ve světě grafů, víte, použili byste seznamy synonym nebo byste řekli, že existuje jeden koncept a má několik atributů, nebo byste mohli říci, že v modelu SKOS mám upřednostňovaný štítek a mám četné alternativní štítky, které mohu použít. Jak to děláte?
Ron Huizenga: Děláme to několika různými způsoby, a především pojďme nejprve mluvit o terminologii. Jednou z věcí, které děláme, samozřejmě, je, že chceme mít definované nebo sankcionované termíny a v obchodním glosáři je samozřejmě to, kde je chceme. A také povolujeme odkazy na synonyma v obchodním glosáři, takže můžete udělat, co můžete říci, zde je můj termín, ale můžete také definovat, jaká jsou všechna synonyma pro ně.
Zajímavé je samozřejmě, že když se začnete dívat na toto rozsáhlé datové prostředí se všemi těmito různými systémy, které jste tam dostali, nemůžete prostě jít ven a změnit odpovídající tabulky a tyto typy věcí na odpovídají tomuto pojmenovacímu standardu, protože to může být balíček, který jste si zakoupili, takže nemáte žádnou kontrolu nad změnou databáze nebo cokoli jiného.
Co bychom tam mohli udělat, kromě toho, že jsme schopni spojit definice pojmů, je prostřednictvím těch univerzálních mapování, o kterých jsem mluvil, co bychom udělali, a druh doporučeného přístupu, je mít zastřešující logický model, který stanoví, co o těchto různých obchodních koncepcích se mluví. Spojte pojmy z obchodního glosáře s těmi a pěkné je, že nyní máte tento konstrukt, který představuje logickou entitu tak, jak byla, pak můžete začít propojovat tuto logickou entitu se všemi implementacemi této logické entity v různé systémy.
Pak tam, kde to potřebujete, můžete vidět, oh, „osoba“ se v tomto systému nazývá „zaměstnanec“. „Plat“ se v tomto jiném systému nazývá „mzda“. Protože to uvidíte, uvidíte všechny různé projevy těch, protože jste je propojili.
Eric Little: Dobře, dobře, jo. Je v tomto smyslu možné říci, že je to něco jako některé z objektově orientovaných přístupů?
Ron Huizenga: Trochu. Je to o něco intenzivnější, než by se dalo říct. Chci říct, že bys mohl přistupovat k manuálnímu propojení a procházení a inspekci a provádění všech z nich. O jedné věci, o které jsem opravdu neměl šanci mluvit - protože opět máme spoustu možností - máme také úplné automatizační rozhraní v samotném nástroji Data Architect. A schopnost makra, což je opravdu programovací jazyk v nástroji. Takže můžeme vlastně dělat věci, jako je psaní maker, nechat to chodit a vyslýchat věci a vytvářet odkazy pro vás. Používáme je k importu a exportu informací, můžeme je použít pro změnu věcí nebo přidávání atributů, událostí založených na samotném modelu, nebo je můžeme použít ke spuštění v dávkách, aby skutečně šli ven a vyslýchali věci a skutečně naplnili různé konstrukce v Modelka. Takže existuje úplné rozhraní automatizace, které mohou lidé také využít. A použití univerzálních mapování s těmi by bylo velmi mocným způsobem, jak toho dosáhnout.
Rebecca Jozwiak: Dobře, díky Ronovi a díky Ericu. To byly skvělé otázky. Vím, že utíkáme trochu za hodinu, ale chtěl bych dát Malcolmu šanci hodit pár otázek Ronovi. Malcolm?
Malcolm Chisholm: Díky, Rebecco. Takže, Ron, je to velmi zajímavé, vidím, že je tu spousta schopností. Jednou z oblastí, které mě velmi zajímají, je, řekněme, pokud máme vývojový projekt, jak vidíte datový modelář využívající tyto schopnosti a jak možná více spolupracujete s obchodními analytiky, s profilerem dat, s analytikem kvality dat, as obchodními sponzory, kteří budou nakonec odpovědní za skutečné informační požadavky v projektu. Jak vlastně víte, modelář dat, jak zefektivnit a zefektivnit projekt pomocí schopností, na které se díváme?
Ron Huizenga: Myslím, že jedna z prvních věcí, kterou musíte udělat, je jako datový modelář - a nechci si vybrat některé z modelářů, ale stejně budu - je, že někteří lidé stále mají dojem, že datový modelář je opravdu role typu vrátný, definujeme, jak to funguje, jsme strážci, kteří zajistí, že je vše v pořádku.
Nyní je tu aspekt, že se musíte ujistit, že definujete architekturu zvukových dat a všechno ostatní. Ale důležitější věcí je jako datový modelář - a já jsem to docela zřejmě zjistil, když jsem konzultoval - je to, že se musíte stát facilitátorem, takže musíte tyto lidi přitahovat k sobě.
Už to nebude design, vytvářet, budovat databáze - co musíte udělat, je, abyste mohli pracovat se všemi těmito různými skupinami zúčastněných stran, dělat věci, jako je reverzní inženýrství, importovat informace, mít ostatní lidé spolupracují, ať už se jedná o glosáře nebo dokumentaci, všechno podobné - a být facilitátorem, který to vtáhne do úložiště a propojí koncepty společně v úložišti a bude s nimi spolupracovat.
Je to opravdu mnohem více kolaborativní typ prostředí, kde i přes definování úkolů nebo dokonce diskusních vláken nebo toho typu věcí, které máme v týmovém serveru, že lidé mohou skutečně spolupracovat, klást otázky a dospět ke konečným konečným produktům, které oni potřebu jejich datové architektury a organizace. Odpověděli jste na tuto odpověď?
Malcolm Chisholm: Jo, souhlasím. Víš, myslím, že dovednost usnadňování je něco, co je u datových modelářů opravdu žádoucí. Souhlasím s tím, že to ne vždy vidíme, ale myslím si, že je to nutné, a navrhl bych, že někdy existuje sklon zůstat ve vašem koutku při vytváření datového modelování, ale opravdu musíte být venku a spolupracovat s ostatními skupinami zúčastněných stran. nebo prostě nerozumíte datovému prostředí, se kterým pracujete, a myslím si, že tento model trpí. Ale to je jen můj názor.
Ron Huizenga: A je to zajímavé, protože jste ve svém snímku zmínili něco o historii toho, jak se podniky odvrátily od IT, protože neposkytovaly řešení včas a tyto typy věcí.
Je velmi zajímavé, že v mých pozdějších konzultačních zakázkách, předtím, než jsem se stal produktovým manažerem, byla většina projektů, které jsem udělal v posledních dvou letech před tím, sponzorována společností, kde to byla právě firma, která ji řídila, a datoví architekti a modeláři nebyli součástí IT. Byli jsme součástí obchodní sponzorované skupiny a byli jsme tam jako zprostředkovatelé, kteří pracovali se zbytkem projektových týmů.
Malcolm Chisholm: Takže si myslím, že je to velmi zajímavý bod. Myslím, že začínáme vidět posun v obchodním světě, kde se firma ptá, nebo možná přemýšlí, ne tolik jako co dělám, jako proces, ale také začínají přemýšlet o tom, jaká jsou data s nimiž pracuji, jaké jsou moje údaje, jaké jsou údaje, s nimiž pracuji jako data, a do jaké míry můžeme získat produkty a schopnosti IDERA na podporu tohoto hlediska, a myslím si, že potřeby podnikání, dokonce i i když je to trochu trochu rodící se.
Ron Huizenga: Souhlasím s vámi a myslím, že to tak vidíme stále více. Viděli jsme probuzení a vy jste se ho dotkl dříve, pokud jde o důležitost dat. Viděli jsme důležitost dat na začátku IT nebo ve vývoji databází, jak jsme řekli, dostali jsme se do celého tohoto cyklu řízení procesů - a proces je nesmírně důležitý, nechápejte mě špatně - ale teď, co se stalo je, když se to stalo, datový druh ztraceného zaměření.
A teď si organizace uvědomují, že data jsou skutečně ohniskem. Data představují vše, co v našem podnikání děláme, takže se musíme ujistit, že máme přesné údaje, abychom mohli najít správné informace, které potřebujeme, abychom se mohli rozhodovat. Protože ne všechno pochází z definovaného procesu. Některé informace jsou vedlejším produktem jiných věcí a my je stále musíme umět najít, vědět, co to znamená, a být schopni převádět údaje, které tam vidíme, nakonec do znalostí, které můžeme použít k lepšímu řízení našich podniků.
Malcolm Chisholm: Správně, a teď další oblastí, se kterou jsem bojoval, je to, čemu bych říkal životní cyklus dat, který je, víte, pokud se podíváme na druh datového řetězce procházejícím podnikem, začneme sběr dat nebo sběr dat, což může být vstup dat, ale může to být stejně, získávám data od podniku od nějakého dodavatele dat.
A pak ze sběru dat jdeme do údržby dat, kde přemýšlím o standardizaci těchto dat a jejich přepravě na místa, kde je to potřeba. A pak využití dat, skutečné body, kde jsou data, získáte z dat hodnotu.
A za starých časů se to všechno dělá v jednom individuálním stylu, ale dnes to může být, víte, analytické prostředí, a pak za to archiv, obchod, kam data ukládáme, když už přestaneme potřebují to a konečně čistící druh procesu. Jak vidíte, že modelování dat zapadá do řízení celého tohoto životního cyklu dat?
Ron Huizenga: To je velmi dobrá otázka a jedna věc, kterou jsem dnes opravdu neměl čas se ponořit do detailů, je to, o čem opravdu začneme mluvit, je datová linie. To, co ve skutečnosti dokážeme, je, že máme v našich nástrojích schopnost datové linie a, jak říkám, můžeme ji skutečně extrahovat z nástrojů ETL, ale můžete ji také mapovat pouze nakreslením linie. Kterýkoli z těchto datových modelů nebo databází, které jsme zachytili a přinesli do modelů, bychom mohli odkazovat na konstrukty z toho v našem diagramu datových linií.
Co můžeme udělat, je nakreslit datový tok, jak říkáte, od zdroje k cíli a během celého životního cyklu toho, jak se data přenášejí různými systémy a co hledáte, pojďme vzít zaměstnance 'data - je to jeden z mých oblíbených na základě projektu, který jsem udělal před lety. Pracoval jsem s organizací, která měla údaje o zaměstnancích ve 30 různých systémech. To, co jsme tam nakonec udělali - a Rebecca objevila snímek datové linie - je to docela zjednodušující snímek datové linie, ale to, co jsme dokázali udělat, bylo přinést všechny datové struktury, odkazovat na ně v diagramu a pak jsme může skutečně začít zkoumat, jaké jsou toky mezi nimi a jak jsou tyto různé datové entity spolu spojeny v toku? A můžeme to také překročit. Toto je část datového toku nebo liniového diagramu, který zde vidíme. Pokud chcete jít nad rámec toho, máme také obchodní architekt část této sady a totéž platí tam.
Jakákoli z datových struktur, které jsme zachytili v prostředí pro modelování dat, lze na ně odkazovat v nástroji pro obchodní modelování, takže i v diagramech obchodního modelu nebo v diagramech obchodního procesu můžete odkazovat na jednotlivé datové úložiště, pokud chcete prostředí pro modelování dat a když je používáte ve složkách v modelu vašeho obchodního procesu, můžete dokonce specifikovat CRUD na těchto složkách, na to, jak jsou tyto informace buď spotřebovány nebo vytvářeny, a pak můžeme začít generovat věci, jako jsou dopadové a analytické zprávy a diagramy z toho.
Na co se zaměřujeme, a máme již spoustu schopností, ale jedna z věcí, kterou máme, je jako druh brandy, na kterou se díváme, protože pokračujeme ve vývoji našich nástrojů, je schopen zmapovat tento end-to-end, organizační datový řádek a celý životní cyklus dat.
Malcolm Chisholm: Dobře. Rebecco, mám ještě jednu?
Rebecca Jozwiak: Dám ti ještě jednu, Malcolme, jdi do toho.
Malcolm Chisholm: Mockrát vám děkuji. Jak přemýšlíme o správě dat a přemýšlení o modelování dat, jak přimějeme tyto dvě skupiny k efektivní spolupráci a vzájemnému porozumění?
Eric Little: No, je to zajímavé, myslím, že to opravdu záleží na organizaci, a to se vrací k mému dřívějšímu konceptu je, v těch organizacích, kde byly iniciativy zaměřeny na podnikání, byli jsme přímo svázáni. Například jsem vedl architekturu dat týmu, ale byli jsme svázáni přímo s obchodními uživateli a skutečně jsme jim pomáhali postavit se v programu správy dat. Opět platí, že více konzultačního přístupu, ale je to opravdu více obchodní funkce.
To, co opravdu potřebujete, abyste mohli udělat, je to, že potřebujete datové modeláře a architekty, kteří skutečně rozumějí podnikání, mohou se vztahovat k podnikovým uživatelům a poté jim pomohli postavit se v procesu správy. Podnik to chce udělat, ale obecně máme technologické znalosti, abychom jim pomohli vyniknout těmto typům programů. Skutečně to musí být spolupráce, ale musí to být obchodní vlastnictví.
Malcolm Chisholm: Dobře, to je skvělé. Děkuji.
Dr. Eric Little: Dobře.
Rebecca Jozwiak: Dobře, díky moc. Členové publika, obávám se, že jsme se nedostali k vašim otázkám, ale ujistím se, že se dostanou k příslušnému hostu, kterého jsme měli dnes na lince. Chci vám moc poděkovat děkuji Ericovi, Malcolmovi a Ronovi za to, že jste dnes našimi hosty. To bylo skvělé, lidi. A pokud jste si užili dnešní webové vysílání IDERA, bude IDERA příští středu také na Hot Technologies, pokud se chcete připojit, diskutovat o výzvách indexování a Oracles, tak o dalším fascinujícím tématu.
Děkuji moc, lidi, starejte se, a příště se uvidíme. Ahoj.
