Od zaměstnanců Techopedia, 16. listopadu 2016
Take away : Host Eric Kavanagh diskutuje o důležitosti datového modelování v agilním vývoji s Robinem Bloorem, Dezem Blanchfieldem a Ronem IDizinem od IDERA.
Momentálně nejste přihlášeni. Chcete-li zobrazit video, přihlaste se nebo se zaregistrujte.
Eric Kavanagh: Dobře, dámy a pánové. Vítejte zpět. Je středa ve 4:00 EST. To znamená, že je čas na Hot Technologies. Ano vskutku. Jmenuji se Eric Kavanagh, budu vaším hostitelem.
Pro dnešní téma je to oldie, ale goodie. Každý den se to zlepšuje, protože to utváří náš svět pro správu dat, „Datové modelování v agilním prostředí.“ Skutečně je tu snímek o tobě, zasáhni mě na Twitteru @eric_kavanagh. Měli bychom to opravdu dát na ten snímek. Budu na to muset jít.
Takže rok je horký. Modelování dat bylo navždy. Opravdu to bylo v srdci a duši podnikání v oblasti správy informací, navrhování datových modelů, snaha porozumět obchodním modelům a sladit je s vašimi datovými modely. To se opravdu snažíte, že?
Datový model představuje podnikání zásadním způsobem, tak jak mění všechny tyto nové zdroje dat hru? Zjistíme o tom. Zjistíme, jak můžete zůstat na vrcholu věcí agilním způsobem. A to je samozřejmě slovo roku.
Robin Bloor je s námi, naším hlavním analytikem, Dez Blanchfieldem ze Sydney, Austrálie a Ron Huizenga, senior produktovým manažerem z IDERA - dlouholetý můj přítel, vynikající reproduktor v tomto prostoru, zná své věci, takže se nemusíte stydět, zeptejte se mu těžké otázky, lidi, ty těžké. S tím udělám Robina moderátora a vezmu ho pryč.
Dr. Robin Bloor: Dobře. Děkuji vám za to, Ericu. Musím říci o modelování, o kterém si myslím, že jsem byl ve světě IT předtím, než existoval, v tom smyslu, že si v pojišťovně, pro kterou jsem pracoval, vzpomínám, že jsme přišli na chlapa a dali nám všeho druhu workshopu o tom, jak modelovat data. Takže se díváme na asi 30 let, je to 30 let? Možná ještě déle, možná před 35 lety. Dlouhé, dlouhodobé modelování je ve skutečnosti součástí odvětví a samozřejmě nemá nic společného s dámami na molu.
Věc, kterou jsem chtěl říci, protože to, co normálně děláme, je to, že já a Dez mluvíme o různých věcech a jen jsem si myslel, že budu dávat obecný přehled modelování, ale existuje realita, která je nyní zřejmá.
Máme, víte, velkou datovou realitu, máme více dat, více zdrojů dat, máme datové toky, které vstoupily do rovnice v posledních třech nebo čtyřech letech a začínají ji získávat větší část, a existuje větší potřeba pochopit data a zvýšit rychlost změny, která se přidává více a také se používá více datových struktur.
Je to obtížný svět. Tady je obrázek toho, co je vlastně něco, co jsme si vytvořili asi před třemi lety, ale v podstatě, jakmile zahrnete streamování do mixu a získáte představu o rafinérii dat, datovém centru, datovém spojení nebo cokoli, uvidíte, že existují data, která opravdu v klidu v tom smyslu, že se toho moc nehýbe. A pak jsou tu data, datové toky a máte všechny transakční aplikace a navíc máte dnes události, datové toky událostí, které se dějí v aplikacích a možná budou muset, a v dnešní době s lambda architekturami, o kterých všichni mluví, jsou skutečně mají dopad na celé pole dat.
A dnes si myslíme, že existuje datová vrstva. Datová vrstva existuje jakýmsi virtuálním způsobem, v tom smyslu, že její dobrá část by mohla být v cloudu a může být šířena napříč datovými centry, může existovat na pracovních stanicích. Datová vrstva je do určité míry všude a v tomto smyslu existují procesy všude, kde se snaží nějakým způsobem zpracovat data a pohybovat je. Ale také vědět, o co jde, když se s tím pohybujete, je velký problém.
Podíváme-li se na modelování dat v nejobecnějším smyslu, ve spodní části tohoto typu zásobníku jsou soubory a databáze. Máte datové prvky, které mají klíče, definice prvků, aliasy, synonyma, konkrétní fyzické formáty a pak máme tuto vrstvu metadat.
Zajímavé na metadatech je to, že metadata jsou úplně způsob, jakým data získávají svůj význam. Pokud ve skutečnosti nemáte metadata, můžete v nejlepším případě uhodnout význam dat, ale budete mít strašně mnoho problémů. Metadata tam musí být, ale význam má strukturu. Nechci jít do filozofie smyslu, ale i ve způsobu, jakým nakládáme s daty, v lidském myšlení a lidském jazyce existuje mnoho sofistikovanosti, která se v datech snadno nevyjadřuje. Ale i pokud jde o data, která ve skutečnosti zpracováváme ve světě, metadata mají význam a strukturu metadat - jeden kus dat ve vztahu k druhému a co to znamená, když jsou dána dohromady a co to znamená, když ' znovu se připojil k jiným datům, požaduje, abychom je modelovali. Nestačí jen zaznamenávat značky metadat k věcem, musíte vlastně zaznamenávat význam podle struktur a vztah mezi strukturami.
Pak máme v horní vrstvě obchodní definice, což je obvykle vrstva, která se pokouší přenést význam mezi metadaty, což je forma definice dat, která přizpůsobuje způsob, jakým jsou data organizována v počítači a lidském významu. V této vrstvě tedy existují obchodní podmínky, definice, vztahy, koncepty na úrovni entit. A pokud budeme mít mezi těmito vrstvami nesoulad, pak musíme mít modelování dat. Není to opravdu volitelné. Čím více toho ve skutečnosti můžete udělat z hlediska automatizace, tím lépe. Ale protože to má co do činění s významem, je opravdu těžké se střídat. Je dostatečně snadné zachytit metadata v záznamu a být schopni je získat z řady významů, ale neřekne vám strukturu záznamů ani to, co záznamy znamenají nebo souvislost záznamu.
To je tedy to, o čem je podle mého názoru modelování dat. Je třeba poznamenat: čím složitější se datový vesmír stává, tím více ho musíte modelovat. Jinými slovy, je to trochu jako bychom do světa přidávali nejen více věcí, které by odpovídaly záznamům dat, ale ve skutečnosti přidáváme světu větší význam tím, že zachycujeme data o více a více věcech. To se stává stále komplexnějším pocitem, kterému musíme rozumět.
Teoreticky existuje datový vesmír a my na to potřebujeme pohled. V praxi je skutečná metadata součástí datového vesmíru. Takže to není jednoduchá situace. Začátek modelování je shora dolů a zdola nahoru. Musíte stavět v obou směrech a důvodem je, že data mají význam pro počítač a proces, který je musí zpracovat, ale má význam sám o sobě. Potřebujete tedy přístup zdola nahoru, který vyhovuje softwaru, který potřebuje přístup k datům, a potřebujete význam shora dolů, aby jej lidé mohli pochopit. Budování modelů metadat není a nikdy nemůže být projektem; je to nepřetržitá činnost - měla by být nepřetržitou činností v každém prostředí, které existuje. Naštěstí existuje spousta prostředí, kde tomu tak ve skutečnosti není a věci se podle toho vymknou kontrole.
V budoucnosti se modelování zvyšuje s tím, jak technologie postupuje vpřed. To je můj názor. Pokud se ale podíváte na internet věcí, dokážeme porozumět mobilu více, než jsme zvyklí, ačkoli to představilo nové dimenze: dimenzi umístění s mobilem. Jakmile se dostanete na internet věcí, díváme se na mimořádné problémy s daty, které jsme nikdy předtím vlastně nemuseli dělat, a my musíme, tak či onak, správně porozumět tomu, co přesně máme, přesně jak je můžeme agregovat, co můžeme udělat, pokud jde o získávání významu z agregace, a samozřejmě, co s tím můžeme dělat, když jsme jej zpracovali.
Myslím, že jsem to už řekl dost. Jdu předat Dez Blanchfieldovi, který řekne něco úplně jiného.
Dez Blanchfield: Děkuji. Vždycky tvrdě jednat, ale tohle je téma, na kterém jsme se dohodli a krátce jsme o tom mluvili v předvolebním žertování, a pokud jste vytočili brzy, pravděpodobně byste chytili spoustu skvělých drahokamů. Jeden s sebou a já nechci ukrást hromu tohoto konkrétního, ale jeden s sebou z našeho předstíraného žertování, o který se chci podělit, kdybys ho nechytil, byl jen kolem tématu cesta dat, a to mě přimělo, abych si to skutečně zapsal, přemýšlel o cestě, kterou se data ubírají v jiném kontextu kolem generační životnosti - rok, měsíce, týden, den, hodina, minuta, sekunda - a kontext kolem dat je umístěné v tomto kontextu. Ať už jsem vývojář, který spouští kód, nebo zda jsem specialista na data a přemýšlím o struktuře a formátu a metadatech kolem každého z prvků, nebo o způsobu, jakým s ním systémy a obchod spolupracují.
Je to zajímavý malý s sebou, jen abych si všiml, ale přesto mě nechám ponořit. Zejména návrh dat je věta, kterou používám, když mluvím o všech věcech a konkrétně o vývoji aplikací nebo databázové infrastruktury. Myslím, že návrh dat je termín, který v mé mysli vše dobře zachycuje. V těchto dnech, když hovoříme o návrhu dat, hovoříme o moderním agilním návrhu dat a podle mého názoru je to tak dávno, že vývojáři a odborníci na údaje pracovali sami; byli ve svých vlastních silech a kousky designu šly z jednoho sila do druhého. Ale v dnešní době jsem velmi toho názoru, že nejenže se to změnilo, ale musí se změnit; je to druh nutnosti a to je ta aplikace - vývojáři a cokoli, co se týká vývoje, který se zabývá daty, návrháři, kteří dělají relevantní návrhové prvky schémat a polí a záznamů a lokalizačních a databázových systémů a infrastruktur, modelování a celé řízení. výzvu kolem toho. Tohle je nyní týmový sport, a proto můj obrázek banda lidí, kteří vyskočili z letadla, působícího jako tým, aby si zahrál ten vizuálně zajímavý obraz lidí padajících po obloze.
Za třetí, co se to stalo? No, v roce 1986 existuje článek, který napsal pár pánů, jejichž jména jsem se zoufale pokusil spravedlivě spravovat, Hirotaka Takeuchi a Ikujiro Nonaka, myslím, že je výrazný, vytvořil článek, který nazvali „Moving the Scrum Downfield“. tato myšlenka na metodologii, jak vyhrát hru ragby vycházející z této aktivity scrumu, kde se každý obejde na jednom místě a dva týmy v podstatě zamknou hlavy v něčem, co se nazývá scrum, aby se pokusily získat kontrolu nad míčem a zahrát si ho na hřišti dostat se do linie vyzkoušení a dotknout se míče míčem a získat bod, který se nazývá trine, a tento proces opakujete a získáte více bodů pro tým.
Tento článek byl publikován v roce 1986 v Harvard Business Review a zvědavě se mu dostalo hodně pozornosti. Dostalo se jí hodně pozornosti, protože představila úžasné nové koncepty a zde je snímek její přední části. Vybrali tedy tento koncept scrumu z herního ragby a přivedli ho do podnikání, zejména do hry designu a dodání projektu, konkrétně dodání projektu.
To, co jsme udělali, bylo, že jsme dostali novou metodologii ve srovnání s obdobím PRINCE2 nebo PMBOK, které jsme dříve používali v tom, co jsme nazvali metodou vodopádu, víte, udělejte tuto věc a tuto věc a tuto věc a sledujte je postupně a spojujte je všechny tečky kolem, což závisí na tom, co jste měli, nebo nedělejte část dvě, dokud nedokončíte část jedna, protože to záleželo na části jedna. To, co nám dalo, je nová metodologie, která má být o něco obratnější, což je místo, odkud tento termín pochází, o tom, jak dodáváme věci, a zejména kolem projektování a vývoje, který je základem projektu.
Někteří klíčoví nájemníci - právě tak se s tím setkávám - jsou kolem klíčových nájemníků scrumu. Představila myšlenku budování nestability, že pokud uvažujete o strachu z chaosu, svět existuje ve stavu chaosu, ale planeta se utvořila, což je zajímavé, takže budování nestability, schopnost se trochu pohnout a stále vlastně dělají věci fungujícími, samoorganizujícími se projektovými týmy, překrývajícími se laskavostmi díky velmi odpovědnému rozvoji, různým druhům učení a kontroly cestou doručení projektu, organizačním přenosem učení. Jak tedy získáme informace z jedné části podniku a přeneseme je do druhé od lidí, kteří mají nápad, ale nevyvíjejí kód nebo nevyvíjejí databáze a infrastruktury, ale data těmto lidem? A konkrétně časově ohraničené výsledky. Jinými slovy, udělejme to po určitou dobu, buď den jako za 24 hodin, nebo za týden nebo za pár týdnů a uvidíme, co můžeme udělat, a pak ustoupíme a podíváme se na to.
A tak, když prominete hříčku, je to opravdu nová hra v dodávce projektu a tři základní komponenty, které budou mít smysl, jak se dostaneme dál dál - je tu produkt: všichni tito lidé mají nápad a mají je třeba něco udělat a příběh, který je obklopuje. Vývojáři, kteří pracují v agilním modelu získávání svých příběhů a prostřednictvím každodenních standupů, používají metodiku scrum k projednání a pochopení toho, co musí udělat, a pak prostě jdou a vycházejí a dělají to. Pak lidé, slyšeli jsme o mistrech scrumu, kteří dohlíželi na celou tuto věc a rozuměli metodice dostatečně dobře, aby ji řídili. Všichni jsme viděli tyto obrázky, které jsem dostal na pravé straně zde, ze zdí a tabulí plných poznámek Post-It a sloužily jako zdi Kanban. Pokud nevíte, kdo je Kanban, pozývám vás na Google, kdo pan Kanban byl a proč to byla změna ve způsobu, jakým věci přesuneme z jedné strany na druhou ve zdi doslova, ale v projektu.
Na první pohled to dělá workflow scrumu: bere to seznam věcí, které organizace chce dělat, provádí je prostřednictvím řady věcí, které nazýváme sprinty, které jsou rozděleny do 24hodinových, měsíčních období a my získejte tuto přírůstkovou řadu výstupů. Je to významná změna ve způsobu, jakým jsou projekty dodávány, byly dodány až do této fáze, protože část těchto toků, jako je americká armáda, která měla velkou část vývoje něčeho, co se nazývá PMBOK, jako je myšlenka, že tank nepřijímají na pole dokud do toho nevložíte kulky, protože pokud tank v poli nemá kulky, je to zbytečné. Takže první část je vložena do náboje, druhá část je vložena do pole. Bohužel však to, co se stalo s vývojáři v rozvojovém světě, nějakým způsobem ovládlo tuto agilní metodologii a běhlo se s ní rovnou, pokud milostíte hříčku, při sprintu.
Samozřejmě, co se stalo, když myslíme na agilní, obvykle myslíme na vývojáře a ne na databáze a na nic společného se světem databází. Byl to nešťastný výsledek, protože realitou je, že agilnost není omezena na vývojáře. Ve skutečnosti je pojem agilní podle mého názoru často nesprávně spojen výhradně s vývojáři softwaru, a nikoli s návrháři databází a architekty. Vždy stejné výzvy, kterým čelíte při vývoji softwaru a aplikací, se potýkají ve všech věcech souvisejících s návrhem a vývojem a provozem a údržbou, a tedy i datové infrastruktury a zejména databází. Mezi herce v tomto konkrétním obsazení dat patří například architekti dat, formáři, administrátoři, manažeři databázových infrastruktur a samotné samotné databáze až po obchodní a systémové analytiky a architekty, lidé, kteří sedí a přemýšlejí o tom, jak systémy a podnikání fungují a jak jsme se přes ně dostali datovými toky.
Je to téma, které pravidelně uvádím, protože je to moje neustálá frustrace v tom, že jsem do značné míry toho názoru, že odborníci na data musí - a neměli - musí nyní být důvěrně zapojeni do každé složky dodání projektu, opravdu, zejména do vývoje. Abychom to neudělali, pak si opravdu nedáváme nejlepší šanci na dobrý výsledek. Často se musíme kroužit zpět a přemýšlet o těchto věcech, protože existuje scénář, dostáváme se k vytvářené aplikaci a objevujeme vývojáře, kteří nejsou vždy odborníky na data. Práce s databázemi vyžaduje velmi specializované dovednosti, zejména kolem dat, a vytváří si zkušenosti. Nejste okamžitě okamžitě stát databázovým guruem nebo expertem na znalost dat přes noc; toto je často něco, co pochází z celoživotního zážitku, a určitě s podobnými Dr. Robin Bloor v Code Today, který knihu velmi bohatě napsal.
V mnoha případech - a je to nešťastné, ale je to realita -, že existují dvě části této mince, to znamená, že vývojáři softwaru mají vlastní výpadek databázového specialisty a vytvořili dovednosti, které potřebujete při modelování databázových návrhů, přičemž vývoj modelů je jen zásadní pro gurusové inženýrství toho, jak přicházejí data a jak organizace cesty trvá a co by mělo nebo nemělo vypadat, nebo bezpochyby to požití a pochopení, že se obvykle získává v nativních dovednostech určených pro vývojáře softwaru. A některé z běžných výzev, kterým musíme čelit, zahrnují pouze základní vytváření a údržbu a správu samotného návrhu základní databáze, dokumentování dat a databázové infrastruktury a opětovné použití těchto datových prostředků, návrhů schémat, generování schémat, správa a údržba schématu a jejich používání, sdílení znalostí o tom, proč je toto schéma navrženo určitým způsobem, a silné a slabé stránky, které s ním v průběhu času přicházejí, způsobují změny dat v průběhu času, modelování dat a typy modelů, které aplikujeme na systémy a data, kterými jimi procházíme. Generování databázového kódu a jde o integraci a pak modelování dat kolem nich a pak rychlejší přístup k řízení bezpečnosti kolem dat, integrita dat pohybujeme data kolem, jak si udržujeme její integritu, je tam dostatek metadat měl by prodej vidět všechny záznamy v tabulce nebo by měl vidět pouze adresu, křestní jméno, příjmení, které vám posílá věci v příspěvku? A pak samozřejmě největší výzvou ze všeho je modelování databázových platforem, což je samo o sobě zcela jiná konverzace.
Jsem velmi toho názoru, že se vším na to, aby bylo možné cokoli z této nirvany, je naprosto zásadní, aby jak datoví specialisté, tak vývojáři měli vhodné nástroje a aby tyto nástroje byly schopné týmově zaměřeného poskytování projektů, návrh, vývoj a průběžná provozní údržba. Víte, věci jako spolupráce mezi projekty mezi odborníky na data a vývojáři softwaru, jediný bod pravdy nebo jediný zdroj pravdy pro všechny věci kolem dokumentace samotné databáze, dat, schémat, odkud záznamy pocházejí, vlastníků těchto záznamů . Myslím, že v dnešní době je naprosto kritické, dostaneme tuto nirvanu dat jako krále, že musí být zavedeny správné nástroje, protože výzva je nyní příliš velká na to, abychom to mohli udělat ručně, a pokud lidé přestěhovat se z jedné organizace a je pro nás příliš snadné nesledovat stejný proces nebo metodologii, kterou může nastavit jeden člověk, která je dobrá a nemusí nutně přenášet tyto dovednosti a schopnosti do budoucna.
S ohledem na to půjdu k našemu dobrému příteli v IDERA a vyslechnu si tento nástroj a jak to řeší právě tyto věci.
Ron Huizenga: Děkuji moc a děkuji Robinovi i Dezovi za to, že jste opravdu nastartovali scénu, a uvidíte pár překrývání v několika věcech, o kterých jsem mluvil. Ale opravdu vytvořili velmi solidní základ pro některé koncepty, o kterých budu mluvit z pohledu modelování dat. A mnoho věcí, které říkají, odráží mé vlastní zkušenosti, když jsem byl konzultantem pracujícím v oblasti modelování dat a architektury dat, spolu s týmy - jak vodopád v prvních dnech, tak i vývoj v modernější produkty s projekty, kde jsme používali agilní metodiky pro poskytování řešení.
To, o čem dnes budu mluvit, je tedy založeno na těchto zkušenostech a také na pohledu na nástroje a některé schopnosti nástrojů, které používáme, abychom nám na této cestě pomohli. Co se chystám velmi stručně věnovat, je to, že nebudu chodit do scrumu v detailech; Právě jsme měli opravdu dobrý přehled o tom, co to je. Budu o tom mluvit z hlediska toho, co je datový model a co to pro nás ve skutečnosti znamená? A jak umožníme koncepci agilního datového modeláře v našich organizacích, pokud jde o to, jak zapojíme datové modeláře, jakou je účast modelářů a architektů během sprintu, jaké druhy činností by měly být zapojeny do a v souvislosti s tím, jaké jsou některé z důležitých funkcí modelovacího nástroje, které využíváme, abychom skutečně usnadnili tuto práci? Pak se chystám trochu zabalit a jen si trochu promluvit o některých obchodních hodnotách a výhodách zapojení datového modeláře nebo o tom, jak vlastně příběh vyprávím, problémy s tím, že se datový modelář plně nezapojí do projektů, a ukážu vám, že na základě zkušeností a defektního diagramu před a po obrazu skutečného projektu, se kterým jsem byl zapojen před mnoha lety. A pak shrneme několik dalších bodů a poté budeme mít otázky a odpovědi.
Velmi stručně, ER Studio je velmi výkonná sada, která má mnoho různých komponentů. Datový architekt, kde datoví modeláři a architekti tráví většinu času tvorbou datových modelů. Existují i další komponenty, o kterých dnes nebudeme hovořit, jako je Business Architect, kde děláme modelování procesů a Software Architect, pro některé z UML modelování. Pak je tu úložiště, kde se kontrolujeme a sdílíme modely a umožňujeme týmům spolupracovat na nich a publikovat je na týmovém serveru, aby více diváků zúčastněných stran zapojených do projektu skutečně vidělo artefakty, které „ znovu vytvářet z pohledu dat, stejně jako další věci, které děláme v samotné realizaci projektu.
To, na co se dnes zaměřím, bude několik věcí, které uvidíme z Data Architect, a protože je opravdu důležité, abychom na tom spolupracovali s aspekty úložiště. Zejména když začneme hovořit o konceptech, jako je řízení změn, které jsou nezbytné, nejen agilní rozvojové projekty, ale jakýkoli další vývoj.
Pojďme si tedy chvíli promluvit o Agile Data Modeleru. Jak jsme se již dříve v prezentaci zmiňovali, je nezbytné, abychom měli datové modeláře a / nebo architekty plně zapojené do agilních vývojových procesů. Nyní, co se stalo historicky, je, ano, opravdu jsme přemýšleli o agilnosti z hlediska rozvoje, a existuje několik věcí, které se odehrály a které skutečně způsobily, že k tomu došlo. Část byla způsobena pouze povahou způsobu, jakým se vývoj vyvíjel. Když začal agilní vývoj a začali jsme s tímto konceptem samoorganizujících se týmů, pokud jste pili Kool-Aid trochu příliš čistě a byli jste na extrémní programové straně věcí, došlo k velmi doslovnému výkladu věcí jako samoorganizující se týmy, které mnoho lidí interpretovalo tak, že znamenají, vše, co potřebujeme, je skupina vývojářů, kteří dokážou vytvořit celé řešení. Ať už to znamená vývoj kódu, databází nebo datových skladů za ním a vše bylo vývojářům přiděleno. Ale co se stane, ztratíte na zvláštních schopnostech lidí. Zjistil jsem, že nejsilnější týmy jsou ty, které jsou složeny z lidí z různých prostředí. Například kombinace silných vývojářů softwaru, datových architektů, datových modelářů, obchodních analytiků a obchodních zúčastněných stran, kteří společně spolupracují na dosažení konečného řešení.
Dnes mluvím také o tom, že to budu dělat v souvislosti s vývojovým projektem, kde vyvíjíme aplikaci, která s tím samozřejmě bude spojena i datová složka. Než to však uděláme, musíme udělat krok zpět, protože si musíme uvědomit, že existuje jen velmi málo rozvojových projektů Greenfield, kde máme úplné zaměření na vytváření a spotřebu dat, která jsou omezena pouze v rámci samotného tohoto rozvojového projektu. . Musíme udělat krok zpět a podívat se na celkový organizační pohled z pohledu dat a pohledu procesu. Protože zjistíme, že informace, které využíváme, mohou někde v organizacích existovat. Jako modeláři a architekti to uvedeme na světlo, takže víme, odkud tyto informace pocházejí ze samotných projektů. Známe také datové struktury, které jsou zapojeny, protože máme návrhové vzory stejně jako vývojáři mají návrhové vzory pro svůj kód. A také musíme vzít tuto celkovou organizační perspektivu. Nemůžeme se jen dívat na data v kontextu aplikace, kterou vytváříme. Potřebujeme data modelovat a ujistit se, že je dokumentujeme, protože to žije dlouho za samotnými aplikacemi. Tyto aplikace přicházejí a odcházejí, ale musíme se podívat na data a ujistit se, že jsou robustní a dobře strukturovaná, a to nejen pro aplikace, ale také pro rozhodnutí, která vykazují aktivity, podávání zpráv BI a integraci do jiných aplikací, interních a mimo naše organizace. Musíme se tedy podívat na celý tento obrázek a jaký je životní cyklus těchto dat, a pochopit cestu informací v celé organizaci od kolébky po hrob.
Nyní zpět k samotným týmům a tomu, jak vlastně potřebujeme práci, byla metodika vodopádu vnímána jako příliš pomalá na to, aby poskytla výsledky. Protože, jak bylo uvedeno v příkladu nádrže, byl to jeden krok za druhým a často trvalo příliš dlouho, než bylo dosaženo konečného výsledku. Nyní děláme iterativní pracovní styl, ve kterém postupně vyvíjíme jeho komponenty a rozpracováváme ho v čase, kdy vytváříme použitelný kód nebo použitelné artefakty, řeknu, pro každý sprint. Důležitá věc je spolupráce mezi technickými partnery v týmu a obchodními zúčastněnými stranami, protože spolupracujeme na tom, aby se tyto uživatelské příběhy dostaly do implementovatelné vize kódu a dat, která tento kód podporují. Agilní datový modelář sám často zjistí, že v organizacích nemáme dostatek modelářů, takže jeden datový modelář nebo architekt může současně podporovat více týmů.
A dalším aspektem toho je, že i když máme více modelářů, musíme se ujistit, že máme sadu nástrojů, kterou využíváme, která umožňuje spolupráci více projektů, které jsou v letu současně, a sdílení těchto artefakty dat a možnosti přihlášení a odhlášení. Chystám se to projít velmi rychle, protože jsme ji již pokryli v předchozí sekci. Skutečným předpokladem agility je to, že vykládáte věci z nevyřízených požadavků, příběhů nebo požadavků. V rámci iterací spolupracujeme jako skupina. Obvykle je běžný dvoutýdenní nebo měsíční sprint, v závislosti na organizaci. A také každodenní revize a standup schůzky, abychom eliminovali blokátory a zajistili, že posouváme všechny aspekty vpřed, aniž bychom se zastavovali v různých oblastech, když procházíme. A v těchto sprintech se chceme ujistit, že produkujeme použitelné výstupy jako součást každého sprintu.
Jen trochu odlišný pohled na to, rozšiřující to dále, scrum je metodika, o které budu mluvit konkrétněji zde, a my jsme jen v podstatě rozšířili předchozí obrázek o několik dalších aspektů. Obvykle existuje nevyřízený produktový produkt a potom existuje nevyřízený nevyřízený produkt. Máme tedy celkově nevyřízené položky, které se na začátku každého opakování sprintu říkáme: „Co budeme stavět tento sprintu?“ A to se děje na schůzce plánování sprintu. Poté rozdělíme úkoly, které jsou s tím spojeny, a provedeme v těchto jedno až čtyřtýdenních sprintech s těmito denními recenzemi. Když to děláme, sledujeme náš pokrok pomocí grafů vyhoření a diagramů vyhoření, abychom v podstatě sledovali, co zbývá stavět, oproti tomu, co stavíme, abychom stanovili věci, jako je jaká je naše vývojová rychlost, uděláme rozvrh, všechny ty typy věcí. Všechny tyto procesy jsou zpracovávány nepřetržitě během sprintu, než aby šly několik měsíců po cestě a zjistily, že se chystáte na krátkou dobu a je třeba prodloužit harmonogram projektu. A velmi důležité, jako součást toho, celé týmy, je na konci kontrola sprintu a retrospektiva sprintu, takže než začnete s další iterací, zkoumáte, co jste udělali, a hledáte způsoby, jak můžete vylepšit se příště.
Pokud jde o výsledky, jedná se v podstatě o snímek, který shrnuje typické typy věcí, které se dějí ve sprintech. A je to velmi zaměřené na vývoj, takže spousta věcí, které zde vidíme, jako jsou funkční návrhy a případy použití, provádění testů návrhových kódů, když se podíváme na tato pole, a nebudu jimi procházet v jakémkoli detailu jsou velmi orientovány na vývoj. A tady dole je skutečnost, že k podpoře tohoto úsilí musíme mít také ty datové výstupy, které jdou ruku v ruce s tímto. Takže pokaždé, když vidíme věci, jako jsou nevyřízené položky, požadavky a uživatelské příběhy, když procházíme, musíme se podívat na to, jaké vývojové kousky musíme udělat, jaké analytické kousky musíme udělat, co třeba design dat nebo datový model, co takové věci jako obchodní glosáře, abychom mohli přiřadit obchodní význam ke všem artefaktům, které vyrábíme? Protože musíme vyrábět tyto použitelné produkty v každém sprintu.
Někteří lidé řeknou, že na konci každého sprintu musíme vytvořit použitelný kód. To nemusí nutně být, je to v nejčistší perspektivě rozvoje, ale docela často - zejména na začátku - můžeme mít něco jako nulovou hodnotu sprintu, kde se zaměřujeme čistě na to, abychom se postavili, dělali věci, jako je získání našich testovacích strategií v místo. Design na vysoké úrovni, jak začít, než začneme vyplňovat podrobnosti a ujistit se, že máme čistou sadu počátečních příběhů nebo požadavků, než začneme zapojovat další publikum a poté budujeme vpřed jako tým, jak jdeme vpřed. Vždy je trochu času na přípravu, takže dost často budeme mít sprintu nula nebo dokonce sprintu nulu a jednu. Může to být trochu fáze spouštění, než narazíme na plný let při dodávce řešení.
Pojďme v této souvislosti hovořit o datových modelech velmi stručně. Když si lidé myslí o datových modelech, často si myslí, že datový model je obrazem toho, jak se různé informace spojují - to je jen špičkou ledovce. Chcete-li plně ztělesnit ducha toho, jak opravdu chcete přistupovat k datovému modelování - ať už je to v agilním vývoji a dalších věcech - musíte si uvědomit, že datový model, pokud se provádí správně, se stane vaší úplnou specifikací toho, co tato data znamenají v organizaci a jak je nasazen v databázích typu back-end. Když říkám databáze, mám na mysli nejen relační databáze, které můžeme používat, ale v dnešních architekturách, kde máme velká data nebo platformy NoSQL, jak jim dávám přednost. Také velké datové úložiště, protože můžeme kombinovat mnoho různých datových úložišť, pokud jde o spotřebu informací a jejich uvedení do našich řešení, jakož i o to, jak tyto informace z našich řešení vytrvale nebo ukládáme.
Můžeme pracovat současně s více databázemi nebo zdroji dat v kontextu dané aplikace. Velmi důležité je, abychom mohli mít úplnou specifikaci, takže logická specifikace toho, co to znamená pro organizaci sprintu, jaké jsou fyzické konstrukty z hlediska toho, jak vlastně definujeme data, vztahy mezi nimi v vaše databáze, vaše referenční omezení integrity, omezení kontroly, všechny ty validační kusy, o kterých obvykle přemýšlíte. Popisná metadata jsou nesmírně důležitá. Jak víte, jak využít data ve svých aplikacích? Pokud to nemůžete definovat a vědět, co to znamená nebo vědět, odkud přišlo, abyste se ujistili, že v těchto aplikacích spotřebováváte správná data - ujistěte se, že máme správné konvence pojmenování, úplné definice, což znamená úplný datový slovník nejen pro tabulky, ale sloupce, které tyto tabulky obsahují - a podrobné poznámky k nasazení o tom, jak toho využíváme, protože potřebujeme vybudovat tuto znalostní základnu, protože i když je tato aplikace hotová, budou tyto informace použity pro další iniciativy, takže se musíme ujistit že máme vše, co bylo zdokumentováno pro budoucí implementace.
Opět se dostáváme k věcem, jako jsou datové typy, klíče, indexy, samotný datový model ztělesňuje mnoho obchodních pravidel, která přicházejí do hry. Vztahy nejsou jen omezeními mezi různými tabulkami; často nám pomáhají popsat, jaká jsou skutečná obchodní pravidla kolem toho, jak se tato data chovají a jak to funguje společně jako soudržná jednotka. A samozřejmě, hodnotová omezení jsou velmi důležitá. Nyní, samozřejmě, jedna z věcí, se kterými se neustále zabýváme, a je stále více rozšířená, jsou věci jako správa dat. Takže z pohledu správy dat se musíme také podívat na to, co zde definujeme? Chceme definovat věci jako bezpečnostní klasifikace. S jakými daty se zabýváme? Co bude považováno za správu kmenových dat? Jaké transakční obchody vytváříme? Jaká referenční data v těchto aplikacích využíváme? Musíme se ujistit, že je v našich modelech správně zachycen. A také s ohledem na kvalitu dat existují určité informace, které jsou pro organizaci důležitější než ostatní.
Zapojil jsem se do projektů, kde jsme nahradili více než tucet starých systémů novými obchodními procesy a navrhoval jsem nové aplikace a datové úložiště, které je nahradí. Potřebovali jsme vědět, odkud informace pocházejí. Který z nejdůležitějších informací z obchodního hlediska, když se podíváte na tento konkrétní snímek datového modelu, který jsem sem dostal, uvidíte, že spodní pole v těchto konkrétních entitách, což je jen malá podmnožina, Vlastně jsem byl schopen zachytit obchodní hodnotu. Ať už jsou tyto typy věcí vysoké, střední nebo nízké pro tyto různé konstrukty v organizaci. A také jsem zachytil věci, jako jsou třídy hlavních dat, zda se jedná o hlavní tabulky, zda jsou referenční, pokud byly transakční. Můžeme tedy rozšířit naše metadata v našich modelech a poskytnout nám spoustu dalších charakteristik mimo samotné údaje, což nám skutečně pomohlo s dalšími iniciativami mimo původní projekty a přenést je dále. Teď to bylo hodně na jednom snímku, já jdu projít zbytek těchto docela rychle.
Nyní budu mluvit velmi rychle o tom, co dělá datový modelář, když procházíme těmito různými sprinty. Zaprvé, plný účastník plánovacích schůzek sprintu, kde bereme uživatelské příběhy, zavazuje se k tomu, co v tomto sprintu poskytneme, a přijde na to, jak ho uspořádáme a doručíme. Jako datový modelář také vím, že vím, že budu pracovat v oddělených oblastech s různými vývojáři nebo s různými lidmi. Takže jednou z důležitých vlastností, kterou můžeme mít, je, když děláme datový model, můžeme tento datový model rozdělit do různých pohledů, ať už je nazýváte tematickými oblastmi nebo submodely, je naše terminologie. Takže když vytváříme model, ukazujeme to také v těchto různých perspektivách submodelů, takže různí diváci vidí pouze to, co je pro ně relevantní, aby se mohli soustředit na to, co vyvíjejí a předkládají. Takže bych mohl mít někoho, kdo pracuje na plánovací části aplikace, možná bych měl někoho jiného, kdo by pracoval na zadání objednávky, kde děláme všechny tyto věci v jediném sprintu, ale mohu jim poskytnout pohledy skrze ty submodely, které pouze platí pro oblast, na které pracují. A pak se shrnují do celkového modelu a celé struktury dílčích modelů, aby poskytli různým názorům publika, co potřebují vidět.
Základy z pohledu modelování dat, které chceme mít, jsou vždy základní linie, k níž se můžeme vrátit, protože jednou z věcí, které musíme udělat, je to, zda je na konci sprintu nebo na konci z několika sprintu, chceme vědět, kde jsme začali a vždy máme základní linii, abychom věděli, jaká byla delta nebo rozdíl toho, co jsme vyrobili v daném sprintu. Musíme se také ujistit, že můžeme mít rychlý obrat. Pokud do toho vstoupíte jako datový modelář, ale v roli tradičního vrátníka řeknete: „Ne, ne, nemůžete to udělat, musíme udělat vše nejdříve, “ budete vyloučeni z týmu, když to opravdu potřebujete být aktivním účastníkem všech těchto agilních vývojových týmů. To znamená, že některé věci vypadnou z vozu, který dělá daný sprintu, a vy je vyzvednete v pozdějších sprintech.
Jako příklad se můžete zaměřit na datové struktury jen proto, aby se vývoj začal říkat, že objednávka zadání, o které jsem mluvil. V pozdějším sprintu se můžete vrátit a vyplnit data, jako je například dokumentace k datovému slovníku kolem některých těch artefaktů, které jste vytvořili. Tuto definici nedokončíte v jediném sprintu; budete pokračovat v dosahování vašich dodávek postupně, protože budou časy, kdy můžete vyplnit tyto informace, které spolupracují s obchodními analytiky, když vývojáři jsou zaneprázdněni vytvářením aplikací a přetrváváním kolem těchto datových obchodů. Chcete usnadnit, a ne být překážkou. S vývojáři spolupracujeme různými způsoby. U některých věcí máme designové vzory, takže jsme plnohodnotným účastníkem dopředu, takže můžeme mít designový vzor, kde řekneme, že jej vložíme do modelu, vytlačíme jej do databází karantény vývojářů a poté mohou začít s tím pracovat a vyžádat si změny.
Mohou existovat i další oblasti, na nichž vývojáři pracují, mají něco, na čem pracují a prototypují některé věci, takže si některé věci vyzkoušejí ve svém vlastním vývojovém prostředí. Bereme tu databázi, se kterou pracovali, přivedeme ji do našeho modelovacího nástroje, porovnáme s modely, které máme, a poté je vyřešíme a vytlačíme zpět, aby mohli změnit jejich kódy, aby dodržovali správné datové struktury které potřebujeme. Protože možná vytvořili některé věci, které jsme již měli jinde, takže se ujišťujeme, že pracují se správnými zdroji dat. Prostě udržujeme iteraci celou cestu až k našemu sprintu, abychom získali úplné výstupy dat, úplnou dokumentaci a definici všech těch datových struktur, které vyrábíme.
Nejúspěšnější agilní projekty, se kterými jsem se podílela, pokud jde o velmi dobré dodávky, jsme měli filozofii, modelovali všechny změny v úplné specifikaci fyzické databáze. Datový model se v podstatě stává rozmístěnými databázemi, se kterými pracujete pro cokoli nového, co vytváříme, a má plné reference na další datové úložiště, pokud spotřebováváme z jiných vnějších databází. Jako součást toho vytváříme přírůstkové skripty versus pokaždé, když děláme celou generaci. A my využíváme naše návrhové vzory, aby nám poskytly rychlý vzestup, pokud jde o to, aby se věci daly do sprintu s různými vývojovými týmy, se kterými pracujeme.
Také v činnostech sprintu je opět ten základní směr pro srovnání / sloučení, takže se podívejme na modelování každé změny. Pokaždé, když uděláme změnu, chceme to modelovat a to, co je velmi důležité, to, co v datovém modelování až donedávna chybělo, ve skutečnosti, dokud jej znovu nezavedeme, je schopnost asociovat modelování. úkoly a vaše výstupy s uživatelskými příběhy a úkoly, které ve skutečnosti způsobují tyto změny. Chceme mít možnost zkontrolovat změny modelu, stejným způsobem, jakým vývojáři kontrolují své kódy, odkazovat na ty uživatelské příběhy, které máme, takže víme, proč jsme provedli změny, a to především děláme. Když to uděláme, vygenerujeme naše přírůstkové skripty DDL a zaúčtujeme je, aby je bylo možné vyzvednout s ostatními vývojovými výstupy a zkontrolovat v našem zabudovaném řešení. Opět můžeme mít jeden model nebo pracovat s více týmy. A jak už jsem mluvil o, některé věci pocházejí z datového modeláře, jiné věci pocházejí od vývojářů a setkáváme se uprostřed, abychom přišli s celkově nejlepším designem a posunuli jej dopředu a ujistili se, že je v našem designu správně navržen celkové datové struktury. Musíme se držet disciplíny, abychom zajistili, že budeme mít všechny správné konstrukty v našem datovém modelu, jak postupujeme vpřed, včetně věcí, jako jsou nulové a nikoli nulové hodnoty, referenční omezení, v podstatě kontrola omezení, všechny ty věci, o kterých bychom obvykle uvažovali .
Podívejme se nyní na několik snímků některých nástrojů, které nám k tomu pomáhají. Myslím, že je důležité mít toto úložiště pro spolupráci, takže to, co můžeme udělat jako datoví modeláři - a to je úryvek části datového modelu na pozadí - je, když pracujeme na věcech, které chceme zajistit, abychom mohli pracovat pouze na objektech, které musíme být schopni změnit, provést změny, generovat naše DDL skripty pro změny, které jsme provedli při kontrole věcí zpět. Takže to, co můžeme udělat, je, v ER Studio je příklad, můžeme se podívat na objekty nebo skupiny objektů, na kterých budeme pracovat, nemusíme se podívat na celý model nebo sub-model, můžeme se podívat na jen ty věci, které nás zajímají. To, po čem chceme, je buď check-out, nebo check-in čas - děláme to oběma způsoby, protože různé vývojové týmy pracují různými způsoby. Chceme se ujistit, že to spojujeme s uživatelským příběhem nebo úkolem, které řídí požadavky na toto a to bude stejný uživatelský příběh nebo úkol, který vývojáři budou vyvíjet a kontrolovat jejich kód.
Zde je velmi rychlý úryvek několika obrazovek jednoho z našich středisek pro správu změn. Co to dělá, nebudu zde procházet podrobně, ale to, co vidíte, je příběh uživatele nebo úkol a odsazený pod každou z těch, které vidíte skutečné záznamy změn - vytvořili jsme automatizovaný záznam změn, když děláme check-in a check-out a můžeme dát více popisů na tento záznam změn. Je spojen s úkolem, můžeme mít více změn na úkol, jak byste očekávali. A když jdeme do záznamu změn, můžeme se na něj podívat a co je důležitější, co jsme vlastně změnili? Pro tento konkrétní příběh, tam zvýrazněný příběh, jsem měl jeden typ změny, která byla provedena, a když jsem se podíval na samotný záznam změn, identifikoval jednotlivé kusy v modelu, který se změnil. Změnil jsem zde několik atributů, resequived je a to přineslo pro jízdu názory, které bylo třeba změnit, které byly závislé na těch také tak, aby byly generovány v přírůstkové DLL. Nejde jen o modelování na základních objektech, ale o vysoce výkonný modelovací nástroj, jako je tento, také detekuje změny, které je třeba vlnit prostřednictvím závislých objektů v databázi nebo datovém modelu.
Pokud pracujeme s vývojáři a děláme to v několika různých věcech, děláme něco v jejich karanténě a chceme porovnat a zjistit, kde jsou rozdíly, použijeme možnosti porovnání / sloučení tam, kde na pravé a levé straně postranní. Můžeme říci: „Tady je náš model na levé straně, tady je jejich databáze na pravé straně, ukaž mi rozdíly.“ Potom si můžeme vybrat a zvolit, jak tyto rozdíly vyřešíme, ať už do databáze zatlačíme věci nebo zda v databázi jsou některé věci, které vnášíme zpět do modelu. Můžeme jít obousměrně, takže můžeme jít oběma směry současně aktualizovat zdroj i cíl a pak vytvořit přírůstkové skripty DDL k nasazení těchto změn do samotného databázového prostředí, což je nesmírně důležité. Můžeme také udělat to, abychom mohli použít tuto schopnost porovnat a sloučit v kterémkoli daném okamžiku, pokud vezmeme snímky na cestě, můžeme vždy porovnat začátek jednoho sprintu se začátkem nebo koncem jiného sprintu, takže můžeme vidět úplná přírůstková změna toho, co se stalo v daném vývojovém sprintu nebo v průběhu řady sprintu.
Toto je velmi rychlý příklad alternativního skriptu. Každý z vás, který pracoval s databázemi, uviděl tento typ věcí. To je to, co můžeme z kódu vytáhnout jako alternativní skript, abychom se ujistili, že udržet si tu. To, co jsem odtud vytáhl, jen abych omezil nepořádek, je to, co také děláme s těmito alternativními skripty, protože předpokládáme, že v těchto tabulkách jsou také data, takže také vygenerujeme DML, který vytáhne informace z dočasných tabulek a posuňte jej zpět do nových datových struktur, takže se díváme nejen na struktury, ale také na data, která jsme již v těchto strukturách mohli mít.
Budeme mluvit velmi rychle o automatizovaných sestavovacích systémech, protože když děláme agilní projekt, často pracujeme s automatizovanými sestavovacími systémy, kde musíme společně zkontrolovat různé výstupy, abychom se ujistili, že naše stavení nepřerušíme. To znamená, že synchronizujeme výstupy, ty skripty pro změnu, o kterých jsem hovořil se skriptem DDL, je třeba zkontrolovat, současně je třeba zkontrolovat odpovídající kód aplikace a vývoj vývojářů samozřejmě samozřejmě není s přímým SQL proti databázím a takovým druhům věcí. Poměrně často používáme rámce vytrvalosti nebo budování datových služeb. Musíme se ujistit, že změny těchto rámců nebo služeb jsou kontrolovány přesně ve stejnou dobu. V některých organizacích jdou do automatizovaného systému sestavení a pokud se sestavení rozpadne, v agilní metodologii jsou to všechno ruce na palubě, které se sestavují, než se pohneme kupředu, takže víme, že máme funkční řešení, než půjdeme dále. A jeden z projektů, do kterých jsem se zapojil, jsme to vzali do extrému - pokud se stavba rozpadla, kterou jsme vlastně připojili k řadě počítačů v naší oblasti, kde jsme byli obarvíni s obchodními uživateli, měli jsme jen červená blikající světla jako vrchol policejních aut. A pokud se stavba rozbila, ta červená blikající světla začala zhasnout a my jsme věděli, že jsou všechny ruce na palubě: opravte sestavení a pokračujte s tím, co děláme.
Chci mluvit o jiných věcech, a to je jedinečná schopnost aplikace ER Studio, opravdu to pomáhá, když se snažíme tyto artefakty budovat jako vývojáři pro tyto hranice perzistence, máme koncept nazvaný objekty obchodních dat a to, co nám umožňuje udělat, pokud se podíváte na tento velmi zjednodušený datový model jako příklad, umožňuje nám to zapouzdřit entity nebo skupiny entit, kde jsou hranice perzistence. Tam, kde my jako datový modelář můžeme myslet na něco jako záhlaví objednávky a zarovnání objednávky a další podrobné tabulky, které by do toho zapadly způsobem, jakým je sestavujeme, a naši vývojáři datových služeb potřebují vědět, jak věci přetrvávají v těchto různých datech. struktury. Naši vývojáři uvažují o věcech, jako je objednávka, jako o celku a o jaké smlouvě s tím, jak tyto konkrétní objekty vytvářejí. Můžeme odhalit tento technický detail, aby lidé, kteří vytvářejí datové servery, mohli vidět, co je pod ním, a abychom mohli ostatní publikum chránit před složitostí, aby viděli pouze různé objekty vyšší úrovně, což také velmi dobře funguje při komunikaci s obchodem. analytici a obchodní partneři, když hovoříme také o interakci různých obchodních konceptů.
Dobré na tom je také to, že je konstruktivně rozšiřujeme a sbalíme, abychom mohli udržovat vztahy mezi objekty vyššího řádu, i když pocházejí z konstrukcí, které jsou obsaženy v těchto objektech obchodních dat samotných. Nyní jako modelka se dostávám na konec sprintu, na konci zabalení sprintu, mám spoustu věcí, které musím udělat, které nazývám úklidem pro další sprintu. Každý sprint vytvořím to, čemu říkám Pojmenované vydání - to mi dává základní přehled toho, co nyní mám na konci vydání. To znamená, že se bude moje základní linie vyvíjet vpřed, všechny tyto základní linie nebo Pojmenované zprávy, které vytvořím a uložím ve svém úložišti, mohu použít k porovnání / sloučení, takže vždy mohu porovnat jakýkoli daný konec sprintu z jakéhokoli jiného sprintu, který je velmi důležité vědět, jaké byly vaše změny v datovém modelu na jeho cestě.
Také vytvořím delta DDL skript pomocí porovnání / sloučení znovu od začátku do konce sprintu. Možná jsem zkontroloval celou hromadu inkrementálního skriptu, ale pokud to potřebuji, mám nyní skript, který mohu nasadit, aby postavil další karantény, takže můžu jen říct, že to bylo to, co jsme měli na začátku jednoho sprintu, push prostřednictvím toho vytvořte databázi jako karanténu a začněte dalším sprintem. Můžeme také použít věci, jako jsou standup QA instance a nakonec samozřejmě chceme tlačit naše změny do výroby, takže se děje více věcí ve stejnou dobu. Opět se plně zapojíme do plánování sprintu a retrospektiv, retrospektivy jsou opravdu poučení a to je nesmírně důležité, protože se můžete během agility pohybovat velmi rychle, musíte zastavit a oslavit úspěchy, jako nyní. Zjistit, co je špatně, vylepšit to příště, ale také oslavit věci, které šly správně, a stavět na nich, jak budete pokračovat v dalším sprintu vpřed.
Nyní budu velmi rychle hovořit o obchodní hodnotě. Byl tu projekt, se kterým jsem se zapojil před mnoha lety a který začal jako agilní projekt, a byl to extrémní projekt, takže to byl čistě samoorganizující se tým, kde to dělali jen vývojáři. Abychom to zkrátili, byl tento projekt ustupující a zjišťovali, že tráví stále více času na nápravě a opravě zjištěných vad, než na tlačení dalších funkcí a ve skutečnosti, když se na to dívali na vyhořelých grafech museli projekt prodloužit o šest měsíců za obrovské náklady. A když jsme se na to podívali, cestou k nápravě problému bylo použití vhodného nástroje pro modelování dat s kvalifikovaným datovým modelářem zapojeným do samotného projektu.
Když se podíváte na tento svislý pruh v tomto konkrétním grafu, ukazuje to kumulativní vady versus kumulativní objekty a já mluvím o datových objektech nebo konstruktech, které byly vytvořeny, jako jsou tabulky s omezeními, a o těchto typech věcí, pokud jste se podívali na před tím, než byl zaveden datový modelář, počet defektů skutečně překročil a začal stavět trochu mezery nad skutečným počtem objektů, které byly vytvořeny až do tohoto okamžiku v čase. Po 21. týdnu, tj. Když přišel datový modelář, refakturoval datový model na základě toho, co bylo napravit řadu věcí, a pak začal modelovat jako součást projektového týmu, který se bude vyvíjet vpřed, změny, když se tento projekt posunul kupředu . A viděli jste velmi rychlý obrat, že během zhruba jednoho a půl sprintu jsme viděli obrovský nárůst počtu objektů a datových konstruktů, které byly generovány a konstruovány, protože jsme generovali spíše nástroj pro modelování dat než vývojovou tyčinku stavět je v prostředí a měli pravdu, protože měli správnou referenční integritu a ostatní konstrukty, které by měly mít. Úroveň defektů proti těm téměř rovným. Tím, že přijal toto vhodné opatření a zajistil, že modelování dat bylo plně zapojeno, byl projekt dodán včas s mnohem vyšší úrovní kvality, a ve skutečnosti by se nedosáhl vůbec, pokud by se tyto kroky neuskutečnily. Tam je spousta agilních selhání tam, tam jsou také spousty agilních úspěchů, pokud byste dostali správné lidi do správných rolí zapojených. Jsem obrovským zastáncem agility jako operační disciplíny, ale musíte se ujistit, že máte dovednosti všech správných skupin zapojených jako vaše projektové týmy, když postupujete v agilním typu úsilí.
Abych to shrnul, musí být architekti a modeláři dat zapojeni do všech rozvojových projektů; jsou to vlastně lepidlo, které drží všechno pohromadě, protože jako datoví modeláři a architekti rozumíme nejen datovým konstruktům daného vývojového projektu, ale také tam, kde data v organizaci existují a odkud je můžeme získávat a jak je získávat bude používán a využíván mimo konkrétní aplikaci samotnou, na které pracujeme. Rozumíme složitým datovým vztahům a je nesmírně důležité, abychom se mohli pohnout kupředu a také z hlediska správy věcí veřejných mapovat dokument a pochopit, jak vypadá vaše celé datové prostředí.
Je to jako výroba; Přišel jsem z výrobního prostředí. Na konci nemůžete kontrolovat kvalitu - musíte do svého návrhu zabudovat kvalitu předem a na vaší cestě a modelování dat je způsob, jak tuto kvalitu do návrhu integrovat efektivním a nákladově efektivním způsobem po celou dobu . A opět, něco, co si musíme pamatovat - a to nemá být složité, ale je to pravda - aplikace přicházejí a odcházejí, data jsou životně důležitým aktivem společnosti a překračují všechny tyto hranice aplikací. Pokaždé, když vkládáte aplikaci, budete pravděpodobně požádáni o uchování dat z jiných aplikací, které přišly dříve, takže si musíme jen pamatovat, že je to zásadní firemní aktivum, které neustále udržujeme.
A to je vše! Odtud budeme mít více otázek.
Eric Kavanagh: Dobře, dobře, nech mě to nejdřív zahodit Robinovi. A pak, Dez, jsem si jistý, že máte pár otázek. Odvez to, Robine.
Dr. Robin Bloor: Dobře. Abych byl upřímný, nikdy jsem neměl problém s agilními vývojovými metodami a zdá se mi, že to, co zde děláte, má nesmírný smysl. Vzpomínám si, když jsem se v 80. letech podíval na něco, co skutečně naznačovalo, že problém, s nímž se skutečně setkáváte, pokud jde o projekt, který se vymkne kontrole, je obvykle, pokud necháte chybu přetrvávat i po určité fázi. Opravit to bude stále obtížnější, pokud tuto etapu nedostanete správně, takže jedna z věcí, které tady děláte - a myslím, že to je skluzavka - ale jedna z věcí, které tady děláte ve sprintu nula, podle mého názoru, je absolutně důležité, protože se opravdu snažíte dostat výstupy tam. A pokud nechcete, aby byly výstupy připnuty, změní se výsledek.
To je můj názor. Je to také můj názor - já opravdu nemám žádný argument s myšlenkou, že musíte dostat datové modelování přímo do určité úrovně detailů, než projdete. Chtěl bych, abys to vyzkoušel a udělal, protože jsem si toho neuvědomil, jen popisuje jeden z těchto projektů z hlediska jeho velikosti, z hlediska toho, jak to plylo, z hlediska toho, kdo, víte, kde se problémy objevily, byly vyřešeny? Protože si myslím, že tento snímek je do značné míry jeho jádrem, a pokud byste o tom mohli trochu více rozpracovat, byl bych velmi vděčný.
Ron Huizenga: Jistě, a budu používat několik příkladů projektů. Ten, který tak nějak odešel z kolejnic, který byl přinesen zpět tím, že ve skutečnosti zapojil správné lidi a udělal modelování dat a všechno bylo opravdu způsob, jak zajistit, aby byl návrh pochopen lépe a my jsme samozřejmě měli lepší implementační návrh na cestě skrz jeho modelování. Protože když to modelujete, víte, můžete si vygenerovat DDL a všechno ze zad a ven z nástroje místo toho, abyste se museli stavět tak, jak to lidé obvykle dělají přímo do databázového prostředí. A typické věci, které se stanou s vývojáři, jsou, že tam půjdou a řeknou: Dobře, potřebuji tyto tabulky. Řekněme, že děláme objednávky. Mohli by tedy vytvořit záhlaví objednávky a tabulky podrobností objednávky a tyto typy věcí. Ale často zapomenou nebo zanedbají, aby se ujistili, že jsou zde omezení, která představují vztahy cizího klíče. Možná nebudou mít správné klíče. Konvence pojmenování mohou být také podezřelé. Nevím, kolikrát jsem šel do prostředí, například, kde vidíte spoustu různých tabulek s různými jmény, ale pak názvy sloupců v těchto tabulkách jsou jako ID, Jméno nebo cokoli jiného, takže oni Opravdu jsem ztratil kontext bez tabulky přesně toho, co to je.
Obvykle se tedy při modelování dat ujistíme, že na všechny artefakty, které se generují také v DDL, používáme správné konvence pojmenování. Ale abych byl konkrétnější o povaze samotných projektů, obecně mluvím o poměrně velkých iniciativách. Jedním z nich byl projekt obchodní transformace ve výši 150 milionů dolarů, kde jsme nahradili více než tucet starších systémů. Měli jsme spolu pět různých agilních týmů. Měl jsem tým plné architektury dat, takže jsem měl datové modeláře z mého týmu začleněné do všech ostatních týmů aplikační oblasti a pracovali jsme s kombinací interních obchodních odborníků, kteří znali předmět, který dělal uživatelské příběhy pro samotné požadavky. V každém z týmů, které skutečně modelovaly obchodní proces, jsme měli obchodní analytiky, s diagramy činnosti nebo diagramy obchodních procesů, které pomáhají vylepšovat uživatelské příběhy více s uživateli, než je spotřebují zbytek týmu.
A pak samozřejmě vývojáři, kteří vytvářeli aplikační kód. A my jsme také pracovali, myslím, že to byli čtyři různí dodavatelé systémové integrace, kteří stavěli různé části aplikace, kde jeden tým budoval datové služby, druhý budoval aplikační logiku v jedné oblasti, další s odborností v jiné obchodní oblasti budovala aplikační logiku v této oblasti. Měli jsme tedy celou spolupráci lidí, kteří na tomto projektu pracovali. Zejména v tom jednom jsme měli 150 lidí na břehu v týmu a dalších 150 zdrojů na moři v týmu, kteří spolupracovali dvoutýdenní sprinty, aby vyhnali tuto věc. A abyste toho dosáhli, musíte se ujistit, že střílíte na všechny válce, a všichni jsou dobře synchronizováni, co se týče jejich dodávek, a vy jste měli tyto časté resetování, abyste se ujistili, že dokončujeme dodávky všech nezbytných artefaktů. na konci každého sprintu.
Dr. Robin Bloor: No, to je působivé. A jen o trochu podrobnější informace - skončili jste s úplným, jak bych nazval MDM mapu celé datové oblasti na konci tohoto projektu?
Ron Huizenga: Měli jsme kompletní datový model, který byl rozdělen podle rozkladu mezi všechny různé oblasti podnikání. Samotný datový slovník z hlediska úplných definic byl trochu krátký. Definovali jsme většinu tabulek; většinu sloupců jsme definovali přesně podle toho, co znamenají. Byli tam někteří, kteří tam nebyli, a co je zajímavé, mnoho z nich byly informace, které pocházely ze starých systémů, kde po skončení samotného rozsahu projektu to bylo stále zdokumentováno jako přenosová sada artefakty, jak to bylo, mimo samotný projekt, protože to bylo něco, co musí organizace udržet vpřed. Organizace současně vzala mnohem větší názor na význam správy dat, protože jsme v těchto starých systémech a v těch zdrojích starých dat, které jsme se snažili spotřebovat, viděli mnoho nedostatků, protože nebyly zdokumentovány. V mnoha případech jsme měli pouze databáze, které jsme museli zpětně analyzovat a pokusit se zjistit, co tam je a k čemu jsou informace.
Dr. Robin Bloor: Nepřekvapuje mě ten konkrétní aspekt. Správa dat je, řekněme, velmi moderním problémem, a myslím si, že ve skutečnosti existuje spousta práce, která, řekněme, měla být v oblasti správy dat provedena historicky. Nikdy to nebylo proto, že byste se mohli zbavit toho, že byste to nedělali. Ale jak zdroj dat právě rostl a rostl, nakonec jste to nemohli.
Každopádně půjdu na Dez, protože si myslím, že jsem měl svůj vyhrazený čas. Dez?
Dez Blanchfield: Ano, děkuji. Skrze celou tuhle věc se dívám a přemýšlím o sobě, že mluvíme o tom, jak se agilní hněv používá v mnoha ohledech. Ačkoli to má negativní konotace; Myslela jsem to pozitivně. Mohl byste nám jen dát scénář, myslím, že existují dvě místa, kde vidím, že je to perfektní sada: jedním z nich jsou nové projekty, které je třeba udělat jen od prvního dne, ale podle mých zkušeností je to vždycky často v případě, že projekty jsou dostatečně velké, že je to nutné mnoha způsoby, existuje zajímavá výzva mezi lepením obou světů, že? Můžete nám poskytnout nahlédnutí do několika příběhů o úspěchu, které jste viděli, kam jste šli do organizace, je jasné, že došlo k mírnému střetu obou světů a že jste byli schopni úspěšně dát to na místě a spojit velké projekty, kde by jinak mohli jít po kolejích? Vím, že je to velmi široká otázka, ale já jsem jen přemýšlel, jestli existuje konkrétní případová studie, kterou můžete, tak nějak, poukázat na to, kde jste řekl, víte, jsme to všechno na místě a to přineslo celý vývojový tým spolu s datový tým a my jsme se nějakým způsobem zabývali něčím, co by jinak loď potopilo?
Ron Huizenga: Jistě, a ve skutečnosti jediný projekt, který se stal projektem potrubí, byl ten, na který jsem se zmiňoval, kde jsem ukázal graf s defekty před a po zapojení datového modeláře. Poměrně často existují předsudky, zejména pokud se věci roztočí tam, kde se to děje z pohledu čistě vývoje, jsou to právě vývojáři, kteří jsou zapojeni do těchto agilních projektů, aby dodávali aplikace. Takže to, co se tam stalo, samozřejmě je, že vystoupili z kolejnic a jejich datové artefakty, nebo datové výstupy, které vyráběly, nedosahovaly kvality, pokud jde o kvalitu, a skutečně se zabývaly věcmi celkově. A často je tato mylná představa, že datoví modeláři zpomalí projekty, a budou, pokud datový modelář nemá správný přístup. Jak říkám, musíte ztratit - někdy existují datoví modeláři, kteří mají tento tradiční přístup gatekeepera, kde: „Jsme tady, abychom kontrolovali, jak vypadají datové struktury, “ a ta mentalita musí zmizet. Každý, kdo se podílí na agilním rozvoji, a zejména modeláři dat, musí převzít roli zprostředkovatele, aby týmům skutečně pomohl posunout se vpřed. Nejlepším způsobem, jak to ilustrovat, je velmi rychle ukázat týmům, jak produktivní mohou být tím, že nejprve modelují změny. A znovu, proto jsem mluvil o spolupráci.
Existuje několik věcí, které můžeme nejprve modelovat a vygenerovat DDL, abychom se dostali k vývojářům. Chceme také zajistit, aby se necítili, jako by byli omezováni. Pokud tedy existují věci, na kterých pracují, nechte je dále pracovat ve svých karanténách vývoje, protože vývojáři pracují na svých vlastních stolních počítačích nebo jiných databázích, aby provedli nějaké změny tam, kde věci testují. A spolupracujte s nimi a řekněte: „Dobře, pracujte s tím.“ Přineseme jej do nástroje, vyřešíme to a pak ho posuneme dopředu a poskytneme vám skripty, které můžete použít k aktualizaci vašeho databází, které je upgradují na to, jak bude skutečný sankcionovaný skutečný produkční pohled na to, jak bude pokračovat, jak budeme pokračovat. A můžete to otočit velmi rychle. Zjistil jsem, že moje dny se naplnily tam, kde jsem se vracela sem a tam s iterací s různými vývojovými týmy, dívala se na změny, srovnávala, generovala skripty, nechala je jít a já jsem byla schopna držet krok se čtyřmi vývojovými týmy poměrně snadno, jakmile dosáhl dynamiky.
Dez Blanchfield: Jedna z věcí, na které z toho přijde na mysl, je to, že víš, že mnoho konverzací, které denně provádím, je o tomto nákladním vlaku, který se k nám blíží, - stroj a internet věcí. A pokud si myslíme, že máme nyní mnoho dat o našich současných prostředích v podniku, víte, pokud vezmeme jednorožce stranou na chvíli, když víme, že Googles a Facebook a Ubers mají petabajty dat, ale v tradičním podniku mluvíme o ještě stovkách terabajtů a spoustě dat. Podle mého názoru však tento nákladní vlak přichází v organizacích a Dr. Robin Bloor se k tomu zmínil dříve, o internetu věcí. Víte, máme hodně webového provozu, máme sociální provoz, máme mobilitu a mobilní zařízení, cloud má, trochu explodoval, ale teď máme inteligentní infrastrukturu, inteligentní města a celý tento svět dat je právě explodován.
Pro každodenní organizaci přichází na ně středně až velká organizace, která tam sedí a vidí tento svět bolesti a nemá na mysli okamžitý plán, jaké jsou některé z těchto jídel, jen pár vět, které byste dali jim, kdy a kde musí začít přemýšlet o zavedení některých z těchto metodik. Jak brzy musí začít plánovat, aby se téměř posadili a věnovali pozornost, a říkají, že je ten pravý čas, aby si nabrali nějaké nástroje a nechali tým vyškolit a nechat se konverzovat o slovní zásobě kolem této výzvy? Jak pozdě v příběhu je příliš pozdě nebo kdy je příliš brzy? Jak to vypadá pro některé z organizací, které vidíte?
Ron Huizenga: Řekl bych pro většinu organizací, že pokud tak ještě neučinili a přizpůsobili datové modelování a datovou architekturu pomocí výkonných nástrojů, jako je tento, čas, který potřebují, je včera. Protože je zajímavé, že i dnes, když se podíváte na data v organizacích, máme v našich organizacích tolik dat a obecně řečeno, na základě některých průzkumů, které jsme viděli, efektivně využíváme méně než pět procent těchto dat když se podíváme na organizace. A s IoT nebo dokonce NoSQL, velkými daty - i když nejde jen o IoT, ale jen o velká data obecně - kde nyní začínáme spotřebovávat ještě více informací, které pocházejí mimo naše organizace, tato výzva se stává stále větší a větší po celou dobu. A jediný způsob, jak máme šanci se s tím vypořádat, je pomoci nám pochopit, o čem ta data jsou.
Takže případ použití je trochu jiný. Zjistili jsme, že děláme, když se podíváme na ta data, zachycujeme je, musíme je zpětně analyzovat, zjistit, co je v nich, ať už je to v našich datových jezerech nebo dokonce v našich vlastních databázích, syntetizovat to, co data jsou, použít na ně významy a definice, abychom mohli pochopit, co jsou data. Protože dokud nepochopíme, co to je, nemůžeme zajistit, že jej používáme správně nebo přiměřeně. Takže opravdu potřebujeme získat informace o tom, co ta data jsou. A druhou částí je to, nedělejte to proto, že pokud jde o spotřebu všech těchto externích dat, ujistěte se, že máte případ použití, který podporuje konzumaci těchto externích dat. Soustřeďte se na věci, které potřebujete, spíše než se jen snažte vytáhnout a využít věci, které budete možná potřebovat později. Nejdříve se zaměřte na důležité věci, a jak si tím projdete, dostanete se ke konzumaci a pokusu se porozumět ostatním informacím zvnějšku.
Dokonalým příkladem toho je, že vím, že mluvíme o IoT a senzorech, ale stejný typ problému byl v mnoha organizacích po mnoho let, dokonce ještě před IoT. Každý, kdo má systém řízení výroby, ať už jde o potrubní společnost, výrobu, jakékoli společnosti založené na procesech, které mají věci, ve kterých provádějí automatizaci s kontrolami a používají datové toky a podobné věci, mají tyto krby dat, ze kterých se snaží pít, aby zjistily, jaké jsou události, ke kterým došlo v mém výrobním zařízení, aby signalizovaly - co se stalo a kdy? A mezi tímto obrovským proudem dat existují pouze specifické informace nebo značky, o které mají zájem, které potřebují prosévat, syntetizovat, modelovat a porozumět jim. A mohou to ignorovat, dokud nenastane čas, aby to opravdu pochopili, a pak mohou rozšířit svůj rozsah, aby ho stále více rozšiřovali, pokud to má smysl.
Dez Blanchfield: Opravdu. Je tu jedna otázka, k níž budu vést, k níž přišel gentleman jménem Eric, a my jsme o tom chatovali soukromě. Právě jsem požádal o jeho souhlas, který dal, abych vás o to požádal. Protože to k tomu pěkně vede, jen to zabalíme, protože teď už trochu přejdeme a vrátím se Ericovi. Otázka od jiného Erica však byla, je rozumné předpokládat, že majitelé startupů jsou obeznámeni s jedinečnými výzvami kolem modelovací terminologie a rozumět jim, nebo by měla být předána někomu jinému k interpretaci? Jinými slovy, měl by být spouštěcí podnik schopen a připraven a ochotný a schopný se na něj zaměřit a splnit? Nebo je to něco, s čím by měli pravděpodobně nakupovat a přivádět odborníky na palubu?
Ron Huizenga: Myslím, že krátká odpověď je, že to opravdu záleží. Pokud jde o spuštění, které nemá někoho interního, který je datovým architektem nebo modelářem, který databázi opravdu rozumí, pak nejrychlejším způsobem, jak začít, je přivést někoho s konzultačním zázemím, které je v tomto prostoru velmi dobře obeznámené a může získat jdou. Protože to, co najdete - a ve skutečnosti jsem to udělal na mnoha zakázkách, které jsem udělal předtím, než jsem přišel na temnou stránku v produktovém managementu - je to, že bych šel do organizací jako konzultant, vést své týmy architektury dat, aby se mohli nějakým způsobem přeorientovat a vyškolit své lidi, jak dělat tyto druhy věcí, aby to udrželi a pokračovali v misi. A pak bych pokračoval k dalšímu nasazení, pokud to má smysl. Existuje mnoho lidí, kteří to dělají, kteří mají velmi dobré zkušenosti s daty, které je mohou přimět k tomu, aby pokračovali.
Dez Blanchfield: To je skvělý bod s sebou a já s tím naprosto souhlasím a jsem si jistý, že by to udělal také Dr. Robin Bloor. Zejména v oblasti startupů se zaměřujete na to, že jste MSP, na konkrétní hodnotu nabídky, kterou chcete vybudovat jako součást svého vlastního podnikání při startu, a pravděpodobně byste neměli být odborníkem na všechno, tak skvělou radu. Ale moc vám děkuji, fantastická prezentace. Opravdu skvělé odpovědi a otázky. Ericu, vrátím se ti, protože vím, že jsme za čas odešli asi deset minut a vím, že se chceš držet blízko našich časových oken.
Eric Kavanagh: To je v pořádku. Máme alespoň pár dobrých otázek. Nech mě jednu hodit k tobě. Myslím, že jsi odpověděl na některé další. Ale velmi zajímavé pozorování a otázka od jednoho účastníka, který píše, někdy agilní projekty mají datový modelář, který nemá celý dlouhodobý obrázek, a tak ukončují návrh něčeho v sprintu jeden a pak musí přepracovat v sprintu tři nebo čtyři. Nezdá se to kontraproduktivní? Jak se můžete vyhnout takové věci?
Ron Huizenga: Je to jen povaha agility, že v daném sprintu nedostaneš všechno úplně v pořádku. A to je vlastně součást ducha agility, je: pracovat s ním - budeš dělat prototypy, kde budeš pracovat na kódu v daném sprintu, a budeš s tím dělat vylepšení. Součástí tohoto procesu je také to, že dodáváte věci, které koncový uživatel vidí, a říká: „Ano, to je blízko, ale opravdu musím, aby to udělal také trochu navíc.“ Takže to nejen ovlivní funkční design samotného kódu, ale často musíme upravit nebo přidat více datových struktur pod tyto určité věci, abychom dosáhli toho, co uživatel chce. A to je vše férové hry, a proto opravdu chcete používat vysoce výkonné nástroje, protože můžete velmi rychle modelovat a provádět tuto změnu v nástroji pro modelování a poté vygenerovat DDL pro databázi, se kterou mohou vývojáři pracovat, aby změnit ještě rychleji. Zachráníte je před tím, aby museli provádět ruční kódování datových struktur a nechali je soustředit se na programovací nebo aplikační logiku, která jim nejvíce umí.
Eric Kavanagh: To dává smysl. Měli jsme několik dalších lidí, kteří se ptali na konkrétní otázky týkající se toho, jak se to všechno váže zpět k nástroji. Vím, že jste strávili nějaký čas procházením příkladů, a ukazovali jste nějaké screenshoty o tom, jak vlastně některé z těchto věcí rozvinete. Co se týče celého tohoto procesu sprintu, jak často vidíte, že ve hře v organizacích versus jak často vidíte více tradičních procesů, kde se věci prostě, tak nějak vynořují a zabírají více času? Jak převládající je přístup ve stylu sprintu z vašeho pohledu?
Ron Huizenga: Myslím, že to vidíme stále více. Vím, že bych řekl, že zejména v posledních 15 letech jsem viděl mnohem víc adopce lidí, kteří si uvědomují, že skutečně potřebují přijmout rychlejší doručení. Takže jsem viděl, jak na agilní rozjetý vůz skočí stále více organizací. Ne nutně úplně; mohou začít s několika pilotními projekty, aby prokázali, že to funguje, ale některé jsou stále velmi tradiční a nedrží se metody vodopádu. Dobrou zprávou je, samozřejmě, že nástroje fungují v těchto organizacích velmi dobře, i pro ty typy metodik, ale v nástroji máme přizpůsobivost, takže ti, kteří skočí na palubu, mají nástroje v sadě nástrojů na jejich prsty. Věci jako porovnání a slučování, věci jako funkce reverzního inženýrství, takže mohou vidět, jaké jsou stávající zdroje dat, takže mohou velmi rychle porovnat a vygenerovat přírůstkové skripty DDL. A když to začnou obejmout a uvidí, že mohou mít produktivitu, jejich sklon k agilnímu ještě většímu nárůstu.
Eric Kavanagh: No, to jsou skvělé věci, lidi. Právě jsem tam poslal odkaz na snímky tam v okně chatu, tak se podívejte; je to pro tebe trochu bitly. Všechna tato webová vysílání máme pro pozdější prohlížení. Neváhejte je sdílet se svými přáteli a kolegy. A Ron, moc vám děkuji za váš dnešní čas, jste vždycky rádi, že jste na show - skutečný odborník v oboru a je zřejmé, že znáte své věci. Díky vám a díky IDERA a samozřejmě Dezovi a našemu Robin Bloorovi.
A s tím se rozloučíme, lidi. Ještě jednou díky za váš čas a pozornost. Vážíme si, že jste se drželi 75 minut, to je docela dobré znamení. Dobří show kluci, povídáme si s tebou příště. Ahoj.
