Od zaměstnanců Techopedia, 29. března 2017
Take away : Host Eric Kavanagh diskutuje o obchodní inteligenci s Dr. Robin Bloor a IDERA Stan Geiger.
Momentálně nejste přihlášeni. Chcete-li zobrazit video, přihlaste se nebo se zaregistrujte.
Eric Kavanagh: Dámy a pánové, vítejte znovu, je středa ve 4:00 východní a za posledních pár let to znamená, že je čas na Hot Technologies, ano, opravdu. Jmenuji se Eric Kavanagh, budu vaším hostitelem dnešní show. Líbí se mi toto téma: „Kontrola stavu: Zachování zdravého podniku BI“, o tom dnes budeme mluvit. Opravdu je tu vaše místo.
Letos je tedy horké - Hot Technologies byl opravdu navržen tak, aby definoval konkrétní druhy technologií a vy si dokážete představit, že ve světě podnikového softwaru je spousta prodejců, kteří prodávají nejrůznější produkty a co se děje, co se děje. jsou tato hesla, která se navykají na různé dodavatele a jak se na ně obracejí různí dodavatelé. Účelem této show je tedy pomoci našim přátelům z prodejců a pomoci našemu publiku identifikovat a zabalit naše hlavy kolem toho, jaké konkrétní druhy technologií skutečně jsou a co tato slova znamenají, když se dostanete přímo na mosazné cvočky.
Takže se dnes postavím jako jeden z analytiků, na lince je také Dr. Robin Bloor a Stan Geiger z IDERA. Pojďme jen rychle hovořit o důležitosti obchodní inteligence a analytiky obecně. Jedná se o základní rozhodovací strom, pokud chcete, nebo vývojový diagram jen o jakémsi rozhovoru o tom, jak pracujete prostřednictvím problémů ve vaší společnosti, diskutujte o různých tématech, sestavujte návrhy a poté zjistíte, co si lidé myslí. Souhlasí? Nesouhlasí? Jaký je konsenzus, pokud nějaký máte, a jak tímto procesem pracujete?
To vše je samozřejmě velmi obecné, ale je to dobrá připomínka procesu, jímž ve společnostech navrhujeme nápady, přijímáme svá rozhodnutí a pak postupujeme vpřed. A konečný výsledek je, že data jsou vyžadována pro každou z těchto součástí. To je v dnešní době ve světě velkých dat ještě pravdivější, protože velká data jsou samozřejmě jako tento obrovský modul pravdy. Velká data se skutečně dějí; je to zástupce toho, kdo je kde, co dělají, co kupují, co jejich sociální média zvládají, například tweeting. Všechny tyto věci mohou být samozřejmě napadeny hackery - na to si musíte dát pozor - ale jde o to, že data jsou referenční architekturou, pokud chcete, realitou.
Takže chcete data v každém bodě tohoto rozhodovacího procesu. Nyní je důležitá shoda. Pokud chcete šťastné uživatele, může někdy šéf jít proti tomu, co každý chce. Právě jsme hovořili o Stevovi Jobsovi těsně před zahájením tohoto webového vysílání a on byl pro takovou věc známý. Má slavný citát, kde doporučuje, aby lidé utopili hluk, který slyší, a pak se drželi své vize, pokud vědí, co dělají, je správné. Takže nemusíte vždy potřebovat konsenzus, ale obvykle je to docela dobrý nápad. Obecným účelem tohoto snímku a tohoto komentáře je však posunout domů důležitost, že se chceme rozhodovat na základě dat, nejen na základě instinktu, i když střevo je obvykle opravdu dobré, když vám pomůže vědět, kam chcete jít, a pak opravdu se to snažíte potvrdit nebo zrušit pomocí svých údajů. A řekl bych, nebojte se se na to dívat, jen jako pěkný malý ukazatel, nebo připomínka, že když se občas podíváte zpět, můžete získat alespoň nějaký referenční rámec a pochopit, kde jste byli přicházejí a jsou upřímní ohledně chyb, které jste udělali. Všichni jsme udělali chyby, to se stává.
Takže, pokud máte problémy s výkonem ve vašich podnikových zpravodajských systémech, dobře, existuje starý výraz „trpělivost je ctnost“, nikoli ve světě IT, mohu vám to hned říci. Pokud uživatelé čekají dlouho, až se jejich dotazy vrátí, nebo nedostávají zprávy, které narušují důvěru, a když důvěra zmizí, je velmi obtížné se vrátit zpět. Takže jsem sem dal řádek - asi 40 sekund v těchto dnech je v mnoha případech 40 minut - pokud dotaz bude trvat 40 sekund, lidé zapomenou, o čem to dokonce mluví, na co se ptají údajů. Jen si představte v rozhovoru, když se někoho zeptáte, řekněme vašeho šéfa, řeknete: „Hej, rád bych věděl, proč to je, že jdeme touto cestou.“ A vy jste museli v konverzaci čekat 40 sekund dostat odpověď? Odešli byste z místnosti! Mysleli byste si, že váš šéf ztratil mysl. Takže ta latence, kterou máme v některých informačních systémech, když dojde k problémům s výkonem, to zkrátí analytický proces, analytický tok, nebo jak to někteří lidé nazývají, konverzaci, kterou máte s vašimi údaji. Musíte se v těchto systémech zrychlit, ať už uděláte cokoli, abyste to dokázali, a dnes o tom budeme mluvit, to je to, co musíte udělat, protože bez tohoto plynulého toku nápadů sem a tam jste opravdu poškozuje celý proces analýzy. Takže, a znovu, tento komentář vyhodím: nedostatek důvěry je tichým zabijákem. Lidé nebudou příliš zvedat ruce, pokud vám nebudou důvěřovat, ale budou se na vás prostě dívat stranou a přemýšlet, co se děje. A jakmile tato důvěra zmizí, budete mít velmi, velmi těžký čas, jak ji získat zpět.
Takže, umělá inteligence, dobře slyšíme o strojovém učení a umělé inteligenci a „Ach, neřeší to všechny tyto problémy?“ Robin a já jsme už roky slyšeli o samoladěných databázích a všech těch zábavných věcech - něco se děje, ale položte si otázku: jak často vám to Siri udělá? Jak často Siri náhodně vyskočil a odešel: „Omlouvám se, to jsem nedostal.“ To proto, že jsem se na nic neptal. Jen jsem náhodou stiskl to zatracené tlačítko. Takže stále existuje spousta nedostatků a mimochodem na levé straně je to čip ASIC od Apple Newtona - pamatujete na to štěně z let a let? To bylo jedno z prvních chytrých zařízení, a to je docela dávno, je to jako na začátku 90. nebo polovině 90. let. Že Newton vyšel a nebylo to moc dobré, ale měl vizi; věděli, kam jdou, ale i teď, s iPhone AI a strojovým učením, to jsou široce nepochopené koncepty, řekl bych.
A určitě, pokud jde o strojové učení, může být velmi užitečný a ve skutečnosti může být použit v některých z těchto prostředí, kde se snažíte pochopit, co se děje s vaší komplexní informační architekturou, kde se věci pokazily. Strojové učení může být v tomto kontextu velmi cenné, ale pouze pokud je aplikováno velmi akutním způsobem. Takže jsem byl ve skutečnosti na velké události v Kalifornii, jeden z velkých distributorů Hadoop Cloudera měl svůj analytický summit a mluvil jsem s jejich hlavním strategickým referentem a řekl: „Víte, zdá se mi, že opravdu strojové učení dělá jen dvě věci: to segmentuje a vylepšuje. “To znamená, že vám dá různé segmenty nebo uskupení činností včetně anomálií, což by byl segment. A vylepšuje to, což vám pomůže vylepšit určitý druh rozhodnutí. Klasický příklad, o kterém uslyšíte, je, že na této fotografii je například člověk. To je něco, co může strojové učení udělat, a v určitých kontextech je to užitečné, když mluvíte o odstraňování problémů, protože můžete hledat vzorce chování v využití CPU, využití paměti, rychlosti disku a toho, co disky dělají., a všechny ty zábavné věci. Může to být užitečné, ale je to opravdu něco, co musí být velmi soustředěno, aby generovalo jakoukoli hodnotu.
Takže, jedna z mých dalších oblíbených věcí, o kterých se dá mluvit - a trochu se na to podíváme, si myslím, že když si dnes vezmeme naše demo od IDERA - v mnoha ohledech si myslím, že se lidé stále učí mluvit křemík . Pod tím vším je materiální věda a pro ty z vás, kteří provedli řešení problémů a opravdu se podrobně podívali na složité informační architektury, když se pokoušíte porozumět tomu, co se děje, dokonce například v clusteru Hadoop, opravdu obvykle se jen díváte na histogramy. A pak musíte korelovat, co tyto různé histogramy znamenají v určitém okamžiku v čase, a to vyžaduje inteligenci; která vyžaduje lidskou inteligenci a zkušenosti. Takže se vůbec nebojím, že ML, strojové učení nebo umělá inteligence brzy odejdou příliš mnoho pracovních míst v tomto světě. Myslím, že vždy budou potřeba lidské bytosti, které upřímně vědí, o čem mluví, aby nám pomohly a umožnily to všechno.
Pojďme tedy dál. Co se tedy stane, pokud nebudete řídit data? Toto je slavný obraz „Blind Leading the Blind“ - to není to, co hledáte, lidi. Ve své organizaci nechcete takové prostředí. Chceme tedy, aby naše rozhodnutí byla poháněna údaji a chceme, aby rozhodnutí byla poháněna dobrými daty, kvalitními údaji a to se stane pouze tehdy, pokud shromáždíte správná data, pokud je to hezké a čisté a pokud vaše systémy fungují správně, pokud jsou vaše systémy BI zdravé, vaše analytické systémy jsou zdravé a uživatelé dostávají to, co chtějí včas.
Takže s tím se zabalím a předám nenapodobitelnému Robinovi Bloorovi. Robine, vezmi to pryč.
Robin Bloor: Dobře, dobře, díky, že jsi mi podal míč. Přemýšlel jsem, když jste hovořil, Ericu, přemýšlel jsem jen o BI a byla tu prezentace dodavatele, kterou jsem nedávno navštívil, když někdo poznamenal, že u konkrétního dodavatele běží konkrétní systém ve velkém, špatném datovém skladu, který by v v daném okamžiku by mohlo provádět 70 000 transakcí BI, které by vedly k prezentaci informací mnoha lidem. Stalo se mi, že pokud skutečně máte takovou pracovní zátěž a dokonce ztratíte pár sekund z hlediska provádění softwaru, pak to bude ve skutečnosti velmi drahé, a pokud ztratíte minuty, bude to strašně drahé. A pak jsem si vzpomněl, že na tabulkách běží obrovské množství světa - myslím, že se jim říkalo „stínové systémy“, že? V první instanci, kde by lidé prostě sestavovali systémy pomocí tabulek a e-mailu a dělali by věci, protože IT oddělení nemůže vytvářet aplikace pro každého, takže to tak dělají. A hodně BI, myslím, se zapojí do podobných systémů.
Nicméně, jak jsem řekl, pojďme mluvit o tom, o čem budu mluvit. BI je zpětnovazební smyčka pro firemní systémy, je to opravdu tak jednoduché nebo složité, záleží na tom, jakou roli v organizaci hraje. Ale pokud se podíváme na toto, je to schéma asi před čtyřmi lety, když jsme se snažili tak či onak pochopit, co se děje na straně analytiků. Ale do značné míry všechno, co je zpětné, při pohledu zpět na to, co se dříve stalo, a všechno, co je pod dohledem, co se týče způsobu fungování systému, má tendenci být BI. Nebylo to tak, že to, co bylo předvídavé, prediktivní analytika, bylo BI, ale ve skutečnosti se tomu stále více stává. Eric zmínil strojové učení, mnoho strojového učení může být vlastně tak či onak spuštěno proti proudu dat a může vám předpovědět analytiku na příštích pět minut, nebo dokonce téměř v reálném čase, takže můžete reagovat na zákazník, s vypočítanou znalostí toho, co se ve skutečnosti děje.
Ale střed tohoto diagramu, vnitřek pochází z analytiky. Normálně se stává, že různé analytické činnosti jsou zaměřeny na konkrétní sbírky dat a něco nového se dozví, získají se znalosti o podnikání. A tato znalost je pak připoutána k obchodním procesům, které z ní mohou vycházet. A obvykle se to projevuje tak či onak, jak se objevují výstrahy BI nebo jen různé věci umístěné na dashboardy atd. A tak dále. Když jsme to vlastně udělali, jsou tam čtyři termíny a oni skončili slovem „zrak“, což je velmi pěkné. Ale ve skutečnosti to není všechno v oblasti toho, co lidé chtějí dělat, ale problém optimalizace a optimalizace nepřináší jednoduchou analytiku. Je to velmi složitý problém a mnoho optimalizačních problémů není jedinečně rozpustných. Můžete mít pouze dobrá řešení, nemůžete prokázat, že máte lepší řešení. A to je oblast činnosti, kde se děje aktivita, ale je to méně než většina ostatních oblastí analytiky. Takže lidé říkají, že žijeme ve věku analytiků - dobře, ve srovnání s deseti lety, ale může jít mnohem dále, než už je pryč.
Takže zpoždění BI, touha po znalostech zpochybňuje požadavky uživatelů, které zapomínají na analytické projekty a analytické projekty zpomínají datová jezera a datová jezera plus analytika zpomínají insights a insights beget BI. To je příběh, který jsem právě řekl; Jen jsem si myslel, že to napíšu. To, co jsem tady udělal, myslím, že celý bod tohoto snímku a ve skutečnosti většina ostatních snímků je pouze zdůraznit, jak složitý je svět obchodní inteligence. Není to jednoduchá věc, mohl jsem udělat tento konkrétní snímek tak složitějším, než ve skutečnosti je, ale máte dole, máte externí data a interní data, která se tak či onak dostanou do inscenace oblast, která je v současné době typem datových jezer, i když ne každý má datová jezera. A lidé, kteří nutně nemají úspěšné. A pak je tu datová čistící aktivita a řídící činnost vyžadovaná na datech, než je můžete skutečně použít. A pak tyto údaje doručíte a vy o nich buď podáte zprávu, nebo je analyzujete a analýza povede k akci.
A pokud se skutečně podíváte na různé druhy analýz, které existují, je to neuvěřitelně dlouhý seznam, ale nemusí to být nutně úplně úplný seznam, je to přesně to, co jsem si myslel napsat, když jsem tento snímek skutečně vytvářel. Takže v prostředí BI se děje spousta věcí, které vizualizují, OLAP, správu výkonu, scorecardy, dashboardy, různé druhy předpovědí, datová jezera, dolování textu, dolování videa, prediktivní věci, existuje obrovské množství věcí, které ve skutečnosti pokračuje. Pokud se na to díváte jiným způsobem, na firemní realitu, v zásadě je to podobný diagram jako ten minulý, jen se to dělá jiným způsobem. Oddělil jsem to, čemu byste říkali BI, protože je to pravidelné a je známo, co je potřeba, to neznamená, že to, co se skutečně děje, je efektivní, ale alespoň budete mít pravidelné věci, například Tableau nebo Click, nebo v Cognos, existuje zdroj předmětu, a tak dále a tak dále, budou probíhat různé pravidelné zprávy nebo schopnosti. A pak máte analytické aplikace a jsou odlišné. Protože analytické aplikace jsou ve skutečnosti o prozkoumávání dat a podle mého názoru to odpovídá výzkumu a vývoji. A pak máte pracovní postup. V rámci pracovního postupu smíchejte své věci s operačními aplikacemi a kancelářskými aplikacemi, pokud je to nutné - a to je firemní realita, jak to vidím - i když ve většině organizací to není tak dobře organizované.
Takže narušení BI, je to jen soubor věcí, které je třeba zmínit, činí BI těžší, než tomu bylo dříve, protože starý svět BI spočíval především v tom, že se docela čisté datové sady zachycovaly tak či onak, pravděpodobně z datového skladu a přiváděné do konkrétních Software BI. A v těch dnech mluvím opravdu před pěti nebo deseti lety, ale v těchto dnech se objemy dat nerozšiřovaly, zdroje dat byly známy. Rychlost příchodu dat byla známa, ačkoli často se některé BI neděly dostatečně rychle, aby si to určití uživatelé oblíbili. Nebyla žádná nestrukturovaná data, téměř neexistovala sociální data, rozhodně žádná data IoT, nezajímalo vás o provenienci dat. Počítačová hodnota neměla paralelnost, pokud jde o infrastrukturu, aby mohla tak či onak dělat věci mimořádně rychle. Neměli jste strojové učení a počet analytických pracovních zátěží byl poměrně malý. A to vše se změnilo, objem dat nyní může růst velmi dramaticky. Počet zdrojů dat, které stále roste. Ano, streamování příchodu dat velmi rychle, spousta nestrukturovaných dat, určitě sociálních dat, která budou potřebovat očištění, ale další data, která by mohla potřebovat očištění, určitě data internetu věcí, je nyní problém.
Provenience dat je problém a my se o to staráme. Počítačový výkon je zde čistý, protože to činí všechny možné věci proveditelnými a strojové učení se nyní stává fenoménem, který vede k vytvoření více možností BI a nových analytických pracovních zátěží, které budou dělat totéž. BI tedy není statická situace a myslím si, že to je poslední věc, kterou řeknu, než ji předám Stanovi. Ach ne, to není, je tu ještě něco jiného. Budoucí krajina BI, internet věcí, architektury založené na událostech, vše v reálném čase, OK. To je dost BI uživatele, uživatelem, pro uživatele problémy v souhrnu. Včasnost výkonu toku dat, pokrytí dat, čištění dat, dovednosti v přístupu k datům, vizualizace, možnosti sdílení a akceschopnost.
Teď to můžu předat Stanovi, pokud není služba BI spolehlivá a aktuální, nejedná se o službu. Stan?
Eric Kavanagh: Dobře, Stane, dávám ti míč, odejdi.
Stan Geiger: OK. Takže o čem budu mluvit, je jen moje pozadí. Jsem senior manažerem společnosti IDERA v oblasti produktového managementu a jednou z povinností, kterou mám, je naše obchodní zpravodajská služba nabízející produkt. Takže se budu trochu zabývat tím, o čem Robin mluvil, a hovořím o klíčové oblasti s business inteligencí, která monitoruje zdraví vaší platformy. Je to, jak řekl, teď to bylo místo, kde jsme měli všechna tato data a trvalo by to týdny, než jsme analyzovali, a pak jsme se vrátili se zprávami a věcmi. Krajina BI se však mění tak, že se nyní přibližujeme analytice téměř v reálném čase. A v mnoha případech skutečná analytika v reálném čase. Takže o tomto snímku trochu mluvím, je to jen přehled - a stejně jako úplné odhalení je to, že o něm budu mluvit z pohledu Microsoftu, ale všechny tyto koncepty se týkají toho, zda váš BI platformy jsou v Oracle, nebo používáte Informatica a Oracle, nebo jen kombinovaný režim, hybridní prostředí. Budu používat pouze s odkazem na prostředí společnosti Microsoft, ale je to docela standardní.
Robin tam měl snímek, který se toho dotkl, je to, že máte zdrojové systémy, kde mám všechna svá data, a teď to bylo všechno v relačních databázích a ukládání dat, jako je to, ale teď máme Hadoop a internet a věci a všechna ta nestrukturovaná data tam sedí a teď je můžeme přenést do této architektury BI. Takže střední vrstva, která tam trochu mluví, je ukládání dat v agregaci; tam vkládáme data, můžeme je vyčistit, můžeme je restrukturalizovat, a poté vložit nějaký typ datového úložiště a poté prezentační vrstva nahoře, a to je místo, kde vaši uživatelé získávají přístup. A v těchto obchodech s daty děláme analytiku a děláme dashboardy a sedíme tam Tableau, reportujeme služby, podobné věci. Vždycky se směju, protože když jsem byl BA architektem, vždy jsme se smáli Excelu, protože přiznejme si to, Excel je stále nástrojem BI mas.
Trochu přehled, ale jen abych mluvil o druhu architektury platformy, máš svá zdrojová data a já jsem o tom mluvil v několika datových obchodech. A pak mám své úložiště agregované ve světě Microsoft, budete mít svou databázi SQL Server, možná kde je váš datový sklad, možná máte datový sklad v cloudu, s vaším datovým skladem. Máte analytické služby, což jsou vaše OLAP zkumavky a podobné věci, které umožňují agregaci a věci kolem prohlížení věcí napříč různými dimenzemi a podobně. Pak máte prezentační vrstvu, o které jsem krátce hovořil, o všech těchto věcech, které sedí na vrcholu těchto datových úložišť a agregací. A vždy se mi líbí tento citát: „Vy nevíte, co nevíte, “ což je pravda. Pokud nemonitorujete a nedíváte se na to, co se děje, jak víte, když máte jiný problém, než když vám uživatelé začnou zasílat ošklivé e-maily a začne telefon zvoní o tom, proč nejsou spuštěny mé přehledy? Proč všechno trvá tak dlouho?
Takže v tom smyslu, co musíte udělat, musíte být schopni sledovat své platformy, ze kterých poskytujete obchodní zpravodajství. A v podstatě jsem to rozdělil do tří oblastí: máte dostupnost, výkon a využití. Dostupnost znamená, zda je zdroj k dispozici: je nahoru nebo dolů? Je to docela jednoduché. Ale také když se podíváte na to, kdy máte, možná budete mít platformu k dispozici, ale možná tam budete mít problémy, takže musíte být schopni identifikovat hlavní příčiny; musíte být schopni varovat a dát někomu vědět, co se děje, než se věci dostanou do kritického stavu. To vede také na stránku výkonu, máte věci z úrovně metriky výkonu, na úrovni serveru, kde jsou hostovány služby nebo služby BI nebo platformy BI; máte výkon na úrovni zdrojů, kde například přistupuji k datům ze sítě SAN. SAN je zdrojem, síťovými prostředky, musíte být schopni monitorovat výkon tohoto všeho, abyste byli schopni identifikovat úzká místa a udržet své uživatele šťastné, a pokud jste v prostředí, ve kterém děláte real- časovou analýzu, musíte být schopni identifikovat úzká místa nebo problémy, než začnou.
A poslední teorie je využití: co dělají uživatelé? Kdo je připojen ke svým zdrojům BI? Kdo co běží? Jaké dotazy jsou spuštěny? Jaké zprávy jsou spuštěny? Znalost těchto informací například pomůže určit a provést plánování kapacit. Také ukazuje, co se ve vašem BI prostředí používá. Měli jsme zákazníka, který chtěl náš monitorovací produkt pro BI, aby věděli, jaké části prostředí BI využívají, aby mohli přesouvat zdroje. Například, pokud nevyužívali určité zprávy nebo kostky určitých analytických služeb, přesunuli by z toho zdroje do jiných oblastí, které byly vysoce využívány. Další citát, který se mi líbí, se mi líbí opravdu skvělé filmy jako „Tremors“, takže mi řekni svůj film, takže se mi líbí tento citát od Burta Gummera, který hrál Michael Gross, je to druh přeživšího chlapa a říká: objeví se a on vytáhne tuto obrovskou 50-ráže odstřelovací pušky, a jeden z kluků říká: "Sakra, Bert." A on odpoví: "Když to potřebujete a nemáte to, zpíváte jinou melodii." „Jinými slovy, víš co? Byl připraven na cokoli a přišel připraven na cokoli, a tím myslím tím, že pokud nemonitorujete vaše BI prostředí z prostředků a využití a z věcí, o kterých jsem právě mluvil, pak si neuvědomujete, že potřebujete nástroj nebo prostředí nebo strukturu, která jej sleduje, dokud jej nemáte. A pak si uvědomíte, že jsem to opravdu potřeboval, a to je způsob, jakým je mnoho našich zákazníků.
Takže, když to řekneme, přesuneme se a podíváme se na to, co děláme tady v IDERA, abychom vyřešili některé z těchto problémů. A-
Eric Kavanagh: Dobře, jdete, vidím to.
Stan Geiger: Vidíš to? Dobře. Takže, tady máme, je to náš produkt BI Manager. A my sledujeme, IDERA je tradičně společnost v prostředí SQL Server, Microsoft SQL Server. A pak jsme si koupili v Embarcadero, takže jsme se nyní rozšířili na některé další platformy, ale náš produkt BI tradičně monitoruje zásobník BI v prostředí společnosti Microsoft. A to by byly analytické služby pro vaše vícerozměrné a tabulkové analýzy, služby hlášení, nástroje pro podávání zpráv a poté integrační služby, což je platforma ETL, podobná jako Informatica.
A prostřednictvím našeho produktu můžete monitorovat všechna tři z těchto prostředí prostřednictvím jednoho produktu a to, co zde vidíte, je celkový dashboard a věc, kterou zde poznamenat, je, když jsem o tom mluvil, je to jedna věc, kterou je třeba sledovat, ale to nestačí - musíte mít varovný mechanismus. Jinými slovy, musím být informován, než se věci dostanou do kritického stavu. Takže, co tady děláme, je tu celá řada metrik, které zachycujeme a které lze konfigurovat, protože v závislosti na vašem prostředí, určitých prahových hodnotách můžete být ve svém prostředí v pořádku s třicetisekundovou dobou čtení. V jiných prostředích může být kritičtější, aby byl tento práh nižší, takže je důležité nejen varovat, ale také jej konfigurovat, protože prostředí se liší v závislosti na prostředcích.
V zásadě je to přehled všech prostředí, která jsou zde sledována, a mám zde tři příklady: jeden pro analytické služby, druhý pro integrační služby, druhý pro reportovací služby. A vidíte, mám tady několik upozornění. A protože jsou červené, říká mi, že jsou kritické, protože mám více úrovní, abych tyto výstrahy mohl nastavit a výstrahy mohou být zaslány e-mailem lidem, kteří jsou zodpovědní za prozkoumání problému. Takže, jen krátce se podíváme na a já se vrátím k upozornění, takže můžeme jít do analytických služeb a je to určitě čeká na načtení sem. A v zásadě, co děláme, máme sběr dat; pravidelně tam chodí a chodí tam a sbírá a fotografuje, co vaše prostředí dělá. Takže mám svůj set každých šest minut, takže každých šest minut tam chodí a volí životní prostředí. Chvíli jsem VM spal, takže to bude chvíli trvat, než se to vrátí. Tam jedeme.
Takže se podíváme na analytické služby a tak kliknu sem na svou instanci a pamatuji si, že jsem mluvil o jedné z věcí, které sledujeme, je výkon na úrovni serveru, protože mnoho lidí má více věcí běží na jejich serveru. Mohu mít na svém serveru spuštěnou databázi, například i analytické služby. Takže pokud se něco děje v databázi nebo mám problém na úrovni serveru, bude to mít dopad na vše, co se tam děje. Takže budeme sledovat věci na serveru na úrovni serveru, věci, jako je výkon disku, a uvidíte, jak to všechno zachycujeme. A to vše je konfigurovatelné. A já se podívám na to, co se děje, CPU-moudrý, jen a znovu, to je na úrovni serveru, ne na úrovni analytických služeb v mém příkladu zde. Ale ve skutečnosti na úrovni serveru.
A mohu se podívat na věci jako je paměť, celkové využití paměti, například, co je k dispozici? Takže teď mám představu o tom, jaké je zdraví samotného serveru. Poté se můžeme začít zabývat věcmi, které jsou v tomto případě zvlášť důležité. Mohu se například podívat a podívat se, jak tady moje zpracování krychle jde, a to mi dává míru zdraví. Pokud začnu vidět, že zpracování trvá déle, nebo se nejedná o řádky, které nejsou psány téměř tak rychle, pak se mohu začít zabývat - a to jde o korelační kousek, o kterém věřím, že Robin mluvil, že je stále to potřebuje člověka, aby to všechno dokázal. Mluvíme o umělé inteligenci, strojovém učení, ale stále je třeba, aby člověk mohl tyto události korelovat kolem věcí. Můžeme se podívat na věci jako to, co se děje, pokud jde o dotazy, jaké dotazy se vyřizují a jak dlouho to trvá? Umím třídit, takže si mohu začít udělat představu o tom, které dotazy zabírají nejdelší dobu. Můžete se zde podívat v uplynulém čase, mohu se podívat a vidět OK, co to bylo za dotaz a kdo ten dotaz v té době provozoval?
Takže, když začnu vidět, jak se věci začnou prudce zvyšovat, mohu začít s tím vyprávět příběh, mohu se vrátit a podívat se a podívat se, co uživatelé v daném okamžiku dělali. A uvidíte jednu z věcí, které děláme, že jsme sem vložili tento časovač, abychom vám mohli vybrat okno času. Například se mohu vrátit k těmto záznamům a ve skutečnosti to byl odkaz na tato upozornění, na který kliknu, a trvalo by mi to v okamžiku, kdy k takovému varování došlo. A pak můžu začít skládat příběh dohromady, vidím, no, čtení disku bylo nahoře, nebo měly problémy s pamětí nebo cokoli, a pak můžu přeskočit dotazovou aktivitu ve stejném okamžiku a já skutečně můžu začít korelovat, kdo běžel, jaké dotazy, které by mohly způsobit tyto hroty tam. A pak můžete začít dělat věci, jako bych mohl začít ladit, to je, když začnu ladit. Je to jako auto, pokud si postavíte závodní auto a prostě pustíte motor a nastartujete klíč, který by mohl nastartovat motor, ale pokud musím jet 180 mil za hodinu, abych vyhrál, musím vědět, že motor může běžet 100 mil za hodinu a musím tam jít a začít ladit ten motor, abych se tam mohl dostat. A to je to, co vám umožňuje dělat, být schopen poskytnout vám dostatek informací, abyste mohli začít ladit své prostředí, zvyšovat zdraví a produkci tohoto prostředí a efektivitu.
A v tomto případě sledujeme věci v paměti, které jsou specifické pro analytické služby. A to je místo, kde můžete začít vidět, kde se věci začnou zhoršovat, když začnete vidět věci, které se vynoří nad mezemi vaší paměti, podobně. Další věc, na kterou je dobré se dívat, kdykoli spouštíte jakýkoli typ dotazů, chcete, aby se data ukládala do mezipaměti, protože když je v mezipaměti, je to v paměti a nemusí se číst z disku, což je mnohem více efektivní než museli číst data z disku. Takže se můžete začít dívat na věci, které se dějí, omluvte mě například v datové mezipaměti. Měl jsem spoustu dotazů běžících dříve, abych získal tato data, a vidíš, že jsem měl většinu času, zásahy do mezipaměti a vyhledávání se překrývají, což je dobré. Ale měl jsem tady období, kdy byly hity mnohem nižší, než jaké byly vyhledávání, což mi říká, že jsem dělal něco, co bylo náročné na paměť, takže mezipaměť byla propláchnuta mnohem rychleji, takže data musela být číst z disku. A můžeme to vidět, když se podíváme na úložný stroj. Je to stejný časový bod jako ten druhý graf a můžete tam vidět bodec, kde dotazy ze souboru během tohoto období skutečně vyskočily. A to znamená, že data byla čtena z disku. Teď se mohu vrátit a pak to korelovat s dotazy, které byly spuštěny, a ne nutit uši krvácet, ale v analytických službách používá jazyk zvaný MDX, existují způsoby, jak psát dotazy efektivněji, takže používá mezipaměť efektivněji a méně úložiště. Existuje tedy příklad vyladění tohoto motoru a poskytnutí vám všech kusů, které to musí být schopny korelovat.
Jen rychle to můžeme převrátit i opačně, když se podíváme na dotazy, můžeme se podívat na nyní relace, kdo je v tuto chvíli skutečně připojen a co běží? Takže tento druh vám dává opačný pohled na dotazy a kdo je řídí. Tohle je připojeno a pak vidím, co právě běží. Druhá věc, jen abych rychle prošel, je, že můžeš vidět všechny objekty v mých vícerozměrných kostkách MOLAP. A mohu o tom získat informace. Tak například mohu třídit podle tohoto sloupce čtení a vidím, že nejužitečnějším objektem je časová dimenze a druhým nejužitečnějším je zákaznická dimenze. A to pomáhá lidem, kteří vyvíjejí a staví věci, aby účinněji stavěli své kostky. Možná chci změnit svou strategii rozdělování dat, například na tyto vysoce využívané dimenze v mé krychli, a proto se tím například zvýší výkon dotazů. Může to snížit výkon zpracování krychle, protože nyní mám více oddílů, ale z pohledu uživatele to vyladí tento motor, aby byl efektivnější pro využití těchto objektů.
Takže, pojďme mluvit o integračních službách zde. Integrační služby, které jsem zmínil, jsou platformou ETL v prostředí společnosti Microsoft. Co zde děláme - a to je konzistentní - sledujeme výkon serveru a to by byly stejné metriky, na které jsme se dívali, protože všechny mé služby běží na stejném serveru. Ale znovu je to přehled toho, co se děje na serveru. A pak se mohu podívat na aktivitu integračních služeb, své procesy ETL. Takže si mohu udělat představu o tom, kdy tyto procesy proběhly, zda byly úspěšné nebo ne, mohu zdůraznit konkrétní běh procesu ETL a pak mi ukáže rozpis kroků v rámci tohoto procesu ETL, zda byl úspěšný nebo ne a jak dlouho to trvalo.
Teď, kdybych měl tady selhaný balíček ETL procesu, mohl bych jít dolů k podrobnostem a zobrazit chybové hlášení a ukázalo by se mi, který krok v tomto balíčku, kde se tento ETL proces nezdařil, spolu se všemi zprávami, které jsou s tím spojeny. Takže, co to dělá, je to, že mi dává, a můžu dostat varování, pokud selže, takže pokud dostanu varování, můžu jít dovnitř, vidět, přejít na toto varování, vidět selhání balíčku, podívat se na kroky, podívejte se, kde se to nepodařilo, podívejte se na chybovou zprávu a okamžitě vím, co musím udělat, abych to napravil: znovu jej nasaďte a znovu spusťte. To vám tedy umožňuje nazvat zkrácením tohoto okna mezi identifikací problému a vyřešením problému. Takže, v předchozím životě, když jsem byl zodpovědný za tuto věc, měli jsme ETL proces, který by probíhal v noci, aby se nahrál náš datový sklad. Pokud jsem měl tyto informace, první věc ráno, když jsem přišel, pokud něco selhalo, pak je mohu rychle řešit a získat tento proces zpět nahoru, aby se ujistil, že datový sklad byl spuštěn a spuštěn a obnoven v době, kdy uživatelé přišel a začal přistupovat k hlášení.
Druhou věcí je, že mám dva procesy, které běží, je podívat se a vidět, jak to běželo v průběhu času. To je důležité, protože když začnu vidět tyto procesy, například, když budu trvat déle, když uvidím, že se tyto časy zvyšují, pak se možná budu muset podívat například na své okno údržby, možná budu mít věci, které se na tomto serveru dějí . Vezměte si například zálohy; Možná budu mít zálohu, která způsobí, že můj proces bude čekat, až bude hotovo. Možná budu muset přeplánovat nebo žonglovat své procesy kolem věcí, které začínají ovlivňovat můj ETL.
A poslední částí jsou zpravodajské služby. Reporting services je Microsoft, v podstatě jejich nástroj podnikového reportingu. A některé z věcí, opět, můžeme se podívat na věci na úrovni serveru, můžeme se podívat na věci napříč serverem sestav, serverem zpravodajských služeb, samotným. Nemám tady spoustu věcí; Mám nějaké předplatné, které běží každých 15 minut, abych spustil zprávu. Takže neuvidíte mnoho aktivních připojení, protože se rozsvítí, připojí, spustí zprávu, odpojí se a odešle ji.
Ale ve vysoce transakčních prostředích, kde se provádí velké množství zpráv, je klíčové sledovat tyto věci. Takže vidíte, kde jsem dělal věci tady, takže vám dává docela dobrou představu o tom, co se od skutečné úrovně služeb a platforem děje. A pak, jak jsem mluvil na diapozitivech, kdo běží, co a co dělají? A jeden z našich zákazníků koupil tento produkt právě pro tento kus, protože chtěli vědět, jaké zprávy lidé spustili a kdo tyto zprávy spustil. Tohle je jedna z věcí v této zprávě, kterou můžete vidět zde. Vidím, jaký report, vidím všechny parametry, které byly v tomto reportu, vidím, kdo to běží, vidím formát reportu. A pak mám kolem sebe všechny tyto metriky, takže pokud budu moci znovu zařadit tyto věci, například to, co zpráva trvalo načtení dat nejdéle, a můžu jít přímo k tomu a uvidím, která zpráva to je. A opět mi to všechno dává data, abych mohl být, znovu naladit ten motor. Teď můžu začít ladit své prostředí pro hlášení.
A poslední věc, mohu se podívat na aktivitu uživatele, s kým je nyní opět spojeno, co dělají? Ve skutečnosti, v prostředí, kde jsem měl více uživatelů, to všechno jsou bezmocné, takže můžu hodnotit, vidím, kdo prostředí nejvíce využívá. Takže jen rychle se vraťte a podívejte se na tato upozornění. Tady to bylo varování; Můžu kliknout na tento odkaz zde a vezme mě do grafu v daném okamžiku a ukáže mi, který z nich byl pod výstrahou. Takže zde vidíte, že to je ta, která způsobila průměrné milisekundy pro zápis, například čtení a zápis. Takže znovu, jen se snažím získat ten bod identifikace problémů. A je opravdu důležité mít holistický nástroj, nejen něco, co se dívá na jednu věc, protože člověk musí přijít sem a korelovat tyto události, které se dějí, takže musíte být schopni se podívat na to, co se v tom děje bod v čase přes více oblastí tohoto prostředí, a to je jedna z věcí, které děláme prostřednictvím tohoto výběru času zde.
Eric Kavanagh: Jo, tohle je Eric, jen s rychlou otázkou, protože si myslím, že jsi asi zasáhl hřebík na hlavu, a to je to, o čem jsem mluvil v horní části hodiny, že člověk musí přijít a nakreslete tyto korelace mezi různými prostředími. Jsem zvědavý, jestli existují nějaké vzdělávací materiály, které můžete sdílet, nebo možná děláte nějaký kontakt s lidmi, který jim pomůže určit některé z těchto vzorců? Jako kdybyste měli opravdu dobrý příklad před minutou, o tom, kdy jeden z nich je prudký, který vám řekne, že se něco děje v paměti, protože se stále pokouší paměť vypsat. A to vám dává vodítko, ale jak lidé mapují tyto statistiky proti skutečným problémům, je skutečná otázka.
Stan Geiger: Ano, to je dobrý bod a jedna z věcí, o kterých jsem právě mluvil, cestovní mapa produktu, je koncem letošního roku vydat verzi a jednu z věcí, kterou začneme přidávat je pro každý z těchto grafů, je popis toho, co tento graf znamená a proč byste se měli zajímat a jaký to má dopad. Takže můžete kliknout na otazník nebo něco na tomto grafu a poté vytáhnout okno, které vám poskytne spoustu těchto informací a řekne vám, že to jsou možné příčiny, jedná se o oblasti, které jsou ovlivněny, a provést průvodce Vy jste ve směru, abyste v tomto případě mohli jít, jak jste řekl, tady je ten špice, vím z mé osobní zkušenosti, co to znamená. A pak můžu začít chodit a začít vrtat do oblasti a hledat kořenovou příčinu.
Nyní máme toho spoustu, ve skutečnosti, v našem diagnostickém manažerském produktu pro SQL Server, pro skutečnou databázi. V produktu, jako je tento, máme spoustu takových typů funkcí a také máme nějaké analytické nástroje k diagnostickému manažerovi, které vás dovedou mnohem rychleji. A tam s tímto produktem jdeme po silnici.
Eric Kavanagh: A myslím, že existují určité podpisy určitých činností. Umožňuje tento nástroj určit, kdy došlo k určitému druhu události, a katalogizovat jej tak, aby časem rozpoznal podobný vzorec po čáře a pomohl vám zjistit, jestli je to nový uživatel, například pomocí stejný nástroj? Pomozte nám pochopit, oh, je to proto, že tyto servery šly dolů nebo protože tato oblast šla dolů? Existuje nějaký způsob, jak katalogizovat podpisy problémů, takže je můžete snadno identifikovat později?
Stan Geiger: Ne, vlastně, ale to je vlastně zajímavý koncept, protože je to skoro jako, co to je - myslím, analýzu základních principů - kde identifikujete vzory a ty protokoly zaznamenáte, takže pokud je znovu uvidíte, můžete se vrátit a uvidíme, OK, v tom okamžiku to byla příčina. Jo, to je něco, není to na mapě, ale je to něco, o čem jsem přemýšlel z hlediska řízení produktu.
Eric Kavanagh: Umím si to představit. Oh, jdi do toho.
Stan Geiger: Ne, chtěl jsem říct - a dostáváme spoustu žádostí, protože nevím, jaká je vaše zkušenost - ale to, co najdeme, jsou databáze DBA, které znají databáze jako zadní část jejich ruky, ale BI věci jsou něco jako černá skříňka, pokud jde o zdraví platformy. A není tomu tak, nemají kolem sebe mnoho znalostí. Já jen z toho, že jsem v něm pracoval pět až deset let, že? Ale typičtí lidé, kteří jsou odpovědní za jejich nalezení nebo za upozornění a za to, co se děje, je pro ně typem černé skříňky.
Eric Kavanagh: Jo, umím si to představit. Byl bych zvědavý, kdybych to věděl, takže jste na této obrazovce ukazovali, jak můžete vidět všechny dotazy, které přicházejí, jak dlouho trvalo běhat a kdo je generoval. Vidíte také skutečnou strukturu samotného dotazu SQL a jak to provést? Jako by někdy lidé dali dohromady dotazy SQL, které jsou jaksi objemné, řekněme, a těžkopádné, na rozdíl od mistra, který opravdu dává dohromady pěkný, těsný dotaz. Je to něco, co si pomocí tohoto nástroje můžete představit, a pak vám pomůže, že je problém?
Stan Geiger: Jo, takže to, co můžete udělat, je, stejně jako to, co jsem zde udělal, jen třídění podle uplynulého času. Takže vidím ty, které to trvalo nejdéle, a pak dostanu text, ale pak je stále na někom, kdo je víceméně odborníkem na předmět, aby se na to podíval a pokračoval: „Oh, OK, tady je důvod, proč to trvalo tak dlouho . “To je něco, co máme nějakou analýzu pracovní zátěže, nazýváme ji SQL Workload Analyzer pro databázovou stranu, že jsem se blbnul kolem s myšlenkou, že možná po silnici přijde s podobnou věcí, takže identifikuje tyto dotazy a poté vám dá doporučení, jak tyto dotazy vyladit. Jedním z problémů je však to, že tento dotaz MDX je docela specializovaný jazyk.
Eric Kavanagh: Jo, umím si to představit. Můžete ale například vidět, kdo jsou lidé, takže není těžké přijít na to, jestli je jedna osoba, pokud je jeden člověk zodpovědný za deset nejdelších procesních dotazů, pak pokud mu nic jiného nezavoláte, nebo nezavoláte jeho manažer nebo někdo a řekne: „Hej, ten chlap žvýká hodně šířky pásma, “ a možná se ukáže, že to jsou nejcennější dotazy pro podnikání, že? Musíte to dát do kontextu toho, co je obchodní hodnota, ze samotných dotazů to není jen hra s jasnými čísly, že? Je to zjistit, dobře, ten chlap je náš mocný uživatel a on je ten, kdo mění podnikání, že?
Stan Geiger: Ne, máte naprostou pravdu. Chci tím říct, že to je jeden ze způsobů, jak to zákazníci používají. Jak jste řekli, možná najdete jednu oblast, protože jedna z věcí, o kterých mluvím, je v Excelu vždy struska, ale můžete se připojit k analytickým službám v Excelu a spouštět kontingenční tabulky mimo OLAP a generovat své vlastní dotazy a pošle je a někdy to není nejlepší forma, takže se můžete vrátit zpět a identifikovat je a skutečně je přepsat a dát jim uživateli a nechat je běžet venku odtud, takže to nebude trvat půl hodiny vrátit se zpět do svého otočného stolu.
Eric Kavanagh: Přesně. A když mluvíme o dotazech, chlapi pokrývají škálu dotazů, takže jste zmínil MDX, co některé další dotazy, jako je dotaz DAX, nebo některé z těchto dalších -?
Stan Geiger: Ano, pokrýváme, ano, všechny DAX i MDX. Takže jedna z věcí, které jsem nezmínil, nebo možná, možná, ale podporujeme jak tabulkové, tak OLAP v Microsoft a DAX - myslím, že ty a já jsme o tom chvíli hovořili zpět - je toho hodně teď více tabelární, než jsme OLAP. Protože je prostě jednodušší vyvolat tabelární modely a podobné věci, a tak uvidíte samozřejmě dotazy DAX, ale ty také vyzvedneme.
Eric Kavanagh: Jo, to je zajímavé. Máte nějaké souvislosti, proč se to děje? Je to možná proto, že se do těchto věcí dostává čím dál více lidí a protože OLAP samozřejmě není něco nového, co už je asi 30-lichých let?
Stan Geiger: Jasně, je to druh kombinace, jedna z věcí, kterou je navrhování kostek, je umění. A kostky byly postaveny tak, aby před agregovaly data, takže je reálné rychle je získat, ale zpracování krychle chvíli trvá, protože musí provést všechny tyto agregace. A pak byl hardware levnější a paměť levnější a pak všichni přicházeli s sloupcovými úložišti a databázemi v paměti, opravdu. A také tabular je pravděpodobně nejblíže k tradičním relačním databázím a je mnohem jednodušší a rychlejší vytvořit tabelární modely než s OLAP. Nevýhodou je, že to spočívá v paměti, celá věc spočívá v paměti, takže je velmi náročná na paměť a data se neshromažďují, dokud o to nepožádáte. Takže, ale když jsme to všechno řekli, začínáme tam vidět mnohem víc tabulové.
Eric Kavanagh: To je zajímavé. Může to být také proto, že se toto odvětví trochu vyrovnává, a tím myslím, že získáváme mnohem více lidí, kteří interagují s daty a používají různé nástroje, a určitě, když mluvíte o společnosti Microsoft, myslím to je rozhodně případ, že máte mnoho, mnohem více uživatelů pro malé a střední podniky a dokonce i některé větší organizace, které se do toho pustí, získají přístup k nástrojům, spouští dotazy a možná nejsou tak dobře obeznámeny s celý proces a technologie kolem budování kostek, k vašemu bodu, že? Protože to vyžaduje nějakou myšlenku, a je to také drahé, že? Budování těchto krychlí vyžaduje čas, pokud nevyužíváte některé z novějších technologií venku. Například, mluvili jsme se společnostmi, jako je například Snowflake, dělá to docela zajímavé věci, ale myslím, že máte mnohem více lidí, kteří tyto věci používají, a pravděpodobně jedou s tím, co jste právě popsali, což je tabulkový formát, na rozdíl od formálně budování kostek, že?
Stan Geiger: Jo, no, myslím, Exceli, kdy to bylo, Power Pivot, věřím - to je vlastně tabelární, pokud se na to podíváte; je to způsob, jakým vytváříte tabulkové modely. A další iterace byla, mohu vám říci své tabelární modely, které buduji a nasadím je na SQL Server, abych je mohl sdílet se všemi ostatními. Je to tak trochu přirozené rozšíření mimo Excel.
Eric Kavanagh: Jo, to je dobrá věc. To, co jsme viděli za poslední, řekl bych pět až sedm let, je jen obrovské rozšíření využití těchto technologií, že? A Microsoft, upřímně řečeno, byl průkopníkem v tom, že skutečně demokratizoval energetická data pomocí analytických služeb a prostřednictvím Power Pivotu, že? Myslím, že to byl herní měnič pro průmysl, že?
Stan Geiger: Ano, ne, máte naprostou pravdu. Myslím, že mám snímek, když uvedu delší prezentaci, která ukazuje přechod od sémantického modelu, který byl OLAP, k tabelátoru. A myslím, že mám nabídku od společnosti Microsoft; chtějí data v rukou uživatelů, nejen přes zeď v obchodě IT, chtějí získat více dat v rukou lidí, kteří je konzumují.
Eric Kavanagh: A to se vrací zpět k prvnímu velmi jednoduchému snímku, který jsem ukázal, což byl základní rozhodovací proces pro jakoukoli organizaci, a nyní - a myslím si, že je to skvělá věc - získáváme stále více lidí z celé hierarchie organizace, která věnuje pozornost tomu, co se děje, přináší svůj příběh na stůl a vy to děláte s daty, to je spodním řádku, myslím, můžete použít jiné prostředky, ale pokud svůj příběh zálohujete daty, budete mít mnohem silnější argumenty než ti, kteří to nemají, že?
Stan Geiger: Přesně jo. Jako, jo, to je přesně pravda. Chci říct, to je důvod, proč teď to bývalo „Hej, potřebuji tuto zprávu“, takže teď musím projít žádost o zprávu a musím projít sem a dostat svou zprávu, a teď můžu sedět přímo u mého stolu a opravdu, mám přístup k vygenerovaným datům, přijímám svá obchodní rozhodnutí.
Eric Kavanagh: Správně. Víte, vrátil jsem se z konference právě minulý týden a byl tam hysterický komentář od chlapa, který provozuje poměrně velké prostředí BI pro obchod Target, a odkazoval se na samoobslužnou analytiku a samoobslužný BI, a samozřejmě to je dnes velký problém. Jsem si jistý, že je to něco, co řídí hodně aktivity pro to, co děláte v IDERA, protože když chcete zavést samoobsluhu, v první řadě byste měli mít zdravé BI prostředí, že? Pokud se chystáte přimět všechny lidi, aby tam kladli všechny druhy otázek všemi způsoby, budete chtít mít něco jako tento nástroj tady, abyste mohli pochopit, kdo se ptá, které otázky a kde. A vtipný citát vyhodím jen za kopy, jak jste řekl: „Mezi samoobslužným BI je úzká hranice a jděte sami sebou.“
Stan Geiger: Jo.
Eric Kavanagh: Myslel jsem, že to bylo hysterické. Ale vidíte, že samoobslužný trend skutečně zvyšuje povědomí o tom, co děláte s touto technologií?
Stan Geiger: Jo, protože, jak jste řekl, pokud chcete povolit samoobslužný BI, pravděpodobně budete mít nějaké problémy s výkonem, protože jen: A) množství přístupu, množství lidí, kteří jdou na datech a B) množství špatně vytvořených dotazů a způsobů přístupu k nim, které máte. Takže, opravdu, je opravdu nezbytné, abyste monitorovali prostředí tak, abyste byli schopni udržet každého šťastného, že se snaží data spotřebovat, že?
Eric Kavanagh: Jo, myslím, že je to přesně tak. Je to požehnání a kletba: je dobré, že se lidé snaží věci použít, ale znovu, k vašemu bodu, pokud v tu chvíli nemáte správný nástroj, budeš nešťastný táborník, protože mimo samoobsluhu bez nástroje, jako je tento, se mi zdá, že to jen požaduje horskou horu.
Stan Geiger: Jo, myslím, je to podobné jako když jsem stavěl datové sklady, je to jako kdybyste nedostali správné rozměry a faktické tabulky, pak jste to pro ad hoc reportování uvolnili, možná budete chtít procházet pod Skála.
Eric Kavanagh: To je úžasné. Jo, je to dobré, znovu, je to dobrá zpráva, že lidé používají tyto věci, ale myslím si, že musím věřit, že samoobsluha bude řídit to, co děláte, hodně aktivity, protože mluvíte o rampování zvyšovat množství napětí a tlak na tyto systémy o řádovou velikost. Nejen po jednom, nebo podle dvou řádů a to je to, že opravdu chcete mít určitou viditelnost a chcete vidět, kdo co dělá, kde, kdy, jak a proč. Zeptejte se na tyto otázky a poté se rozhodněte, jak můžete monitorovat a měnit prostředí a měnit své politiky týkající se toho, kdo získá přístup k čem, že?
Stan Geiger: Správně. A víte, to také, vědět, vidět, že využití také umožňuje jít tam, a potenciál, jak jsem zmínil objekt v krychli, mohu dělat věci pro zlepšení, že pokud jde o způsob, jakým buduji a navrhuji věci. Je tedy nezbytné, aby nejen to, že se podíváme na výkon věcí, ale aby bylo také možné vidět, jak si vaše schéma a váš design vede na této úrovni, aby se na to mohlo vyladit. A to se bude jen zvětšovat a rozšiřovat, protože věci jako power BI jsou nyní velkou věcí, se společností Microsoft, takže nyní si mohu vytvořit vlastní dashboardy, widgety a věci a nemusím být vývojářem BI.
Eric Kavanagh: Správně. Ano, jsou to dobré věci, je to všude, ale budete potřebovat nějaký způsob, jak spravovat toto prostředí, nebo budete mít nešťastné uživatele. To vede k nešťastnému řízení, což vede k propouštění lidí. Když se věci začnou rozpadat, je tu docela jasný dominový efekt, ale to je skvělé.
Takže jsem tu trochu žvýkal posledních pět minut. Robine, měl jsi nějaké otázky?
Robin Bloor: No, myslím, že je skutečně fascinující být upřímný. Přemýšlím o tom, že jsme měli velmi omezená prostředí a samoobsluha skutečně mění svět a mnoho z toho se skutečně děje, protože do prostředí přišlo do prostředí mnohem více dat, než tomu bylo dříve. Jediná otázka, protože nemáme moc času, ale jediná otázka, na kterou bych se chtěl zeptat, je, jak jste vysvětlil způsob, jakým - protože jsem si myslel, že to bylo velmi dobré demo - způsob, jakým Monitorovací práce BI. Přemýšlel jsem, co vlastně dělají lidé, kteří takové věci nemají? Protože to musí být velmi obtížné, existuje řada věcí, ve kterých uděláte rozdíl, kořenová příčina je dobrá, nemusíte se vždy nutně dostat ke kořenové příčině, ale můžete se k kořenové příčině dostat pomocí některých věcí že se díváte na to, že když jste řekli, že mnoho lidí si tento nástroj koupilo jen proto, aby vědělo, kdo co běží, a že se moje mysl točí, protože je to jako byste nevěděli, kdo co běží, pak je to mimo kontrolu. Jak tedy vypadá prostředí, když je mimo kontrolu?
Stan Geiger: Myslím, že byste mohli získat všechny tyto informace, které máme v nástroji sami, ale musíte napsat spoustu domácího skriptování a protože data jsou tam venku, prostě musíte vědět, kam dostat to, což vyžaduje úroveň odbornosti, že? Takže v prostředích, kde nemáte takovou úroveň odbornosti, v podstatě to, co dostanete, je hej, je to nahoru nebo dolů? Opravdu nevím, jestli běží efektivně nebo ne, ale je to nahoru, že? A pak začnu telefonovat nebo chodit lidé: „Hej, moje zpráva není ve složce doručené pošty, co se děje?“ Nebo „Právě jsem tuto zprávu odeslala prostřednictvím zpravodajských služeb“, nebo se zde mohou dotazovat v analytických službách, ale trvá to půl hodiny a trvalo to jen 30 sekund, co se děje? Nyní musíte udělat požární cvičení a pokusit se na to přijít, a bez nástroje se stává velmi obtížným.
Robin Bloor: Dobře, správně, to se mi stále více zjevovalo, protože jsi prokázal každou z dimenzí toho, co jsi sem vlastně dostal. Druhá věc, je to jako na velmi, velmi primitivní úrovni, pokud nemáte varování, která vám řeknou, že se věci pokazily, pak je to jen drahé - dostanete se do drahé situace a snaží se vyléčit, co se stalo, protože nezjistíš, dokud věci začnou padat špatně, že?
Stan Geiger: Správně, nevíte, co nevíte.
Eric Kavanagh: Máš to. Ahoj lidi, jsme spálili hodinu a změnili se tady. Velmi velké díky vlastnímu Robin Bloorovi a samozřejmě našemu příteli, Stanu Geigerovi, ze společnosti IDERA Software. Budou ve společnosti Enterprise Data World, ve skutečnosti, pokud tam někdo z vás půjde dolů, váš bude opravdu tam také v Atlantě. Náš dobrý přítel, Tony Shaw, před čtyřmi lety tuto konferenci odvádí skvělou práci a hej, co je staré, je znovu nové. Jsou to všechno horké věci. Doufejme, že se tam uvidíme, pokud ne, podívejte se s námi příští týden, máme spoustu dalších webcastů seřazených.
Vždy zvědavé slyšet vaše myšlenky, poslat e-mail, který se mi hodí, pokud máte nějaké dotazy, návrhy nebo jiné technologie, o kterých byste se chtěli v Hot Technologies dozvědět. A s tím se rozloučíte, lidi. Ještě jednou děkujeme, že jste se k nám připojili, budeme s vámi mluvit příště. Opatruj se. Ahoj.
