Door Techopedia Staff, 29 maart 2017
Afhaalmaaltijd: gastheer Eric Kavanagh bespreekt bedrijfsinformatie met Dr. Robin Bloor en Stan Geiger van IDERA.
Je bent momenteel niet ingelogd. Log in of meld je aan om de video te bekijken.
Eric Kavanagh: Dames en heren, weer welkom, het is woensdag om 4:00 Eastern en de laatste jaren betekent dat dat het tijd is voor Hot Technologies, ja, inderdaad. Mijn naam is Eric Kavanagh, ik zal je gastheer zijn voor de show van vandaag. Ik ben dol op dit onderwerp: "Health Check: Healthy Enterprise BI behouden", daar gaan we het vandaag over hebben. Er is echt een plekje in de jouwe.
Dus dit jaar is het hot - Hot Technologies is echt ontworpen om bepaalde soorten technologie te definiëren en je kunt je voorstellen dat er in de wereld van bedrijfssoftware heel veel leveranciers zijn die allerlei verschillende producten verkopen en wat er gebeurt is er zijn deze modewoorden die uiteindelijk aan wennen raken en door verschillende leveranciers worden aangeklopt voor heel verschillende dingen. En dus is het doel van deze show echt om onze leveranciersvrienden te helpen en ons publiek te helpen bij het identificeren en omwikkelen van onze hoofden rond wat specifieke soorten technologieën echt zijn en wat deze woorden allemaal betekenen als je helemaal op kop gaat.
Dus ik ga vandaag staan als een van de analisten, we hebben ook Dr. Robin Bloor aan de lijn en Stan Geiger van IDERA. Laten we het snel hebben over het belang van business intelligence en analyse, gewoon in het algemeen. Dit is een basisbeslissingsboom, als je wilt, of een stroomdiagram, gewoon een soort van gesprekken over hoe je door problemen in je bedrijf werkt, discussies voeren over verschillende onderwerpen, voorstellen samenstellen en dan ontdek je wat mensen denken. Zijn ze het daarmee eens? Zijn ze het daar niet mee eens? Wat is de consensus, als je die hebt, en hoe werk je dat proces af?
Welnu, dit is natuurlijk allemaal heel generiek, maar het is een goede herinnering aan het proces waarmee we ideeën in bedrijven voorstellen, onze beslissingen nemen en dan verder gaan. En het komt erop neer dat gegevens nodig zijn voor elk van die componenten. Dat geldt tegenwoordig nog meer in de wereld van big data, want big data is natuurlijk zoals deze gigantische waarheidsmotor. Big data is echt wat er gebeurt; het is representatief voor wie waar is, wat ze doen, wat ze kopen, wat hun sociale media verwerken, bijvoorbeeld tweeten. Natuurlijk kunnen al die dingen worden gehackt - daar moet je op letten - maar het punt is dat gegevens de referentiearchitectuur zijn, als je wilt, voor de realiteit.
U wilt dus op elk punt in dit besluitvormingsproces gegevens. Nu is consensus belangrijk. Als je gelukkige gebruikers wilt, moet een baas soms tegen de zin in zijn die iedereen wil. We hadden het net over Steve Jobs vlak voordat deze webcast begon en hij was berucht om dat soort dingen. Hij heeft een beroemd citaat waarin hij beveelt aan dat mensen het geluid dat ze horen rond overstemmen en dan bij hun visie blijven, als ze weten dat wat ze doen goed is. Je hebt dus niet altijd consensus nodig, maar meestal is het een redelijk goed idee. Maar het algemene doel van deze dia en dit commentaar is om het belang naar voren te brengen dat we onze beslissingen willen nemen op basis van gegevens, niet alleen op instinct, hoewel darm meestal erg goed is om u te helpen weten waar u naartoe wilt, en dan u wilt dat echt valideren of ongeldig maken met uw gegevens. En ik zou zeggen: wees niet bang om daar binnen terug te kijken, gewoon als een leuke kleine marker, of om eraan te herinneren dat wanneer je terugkijkt af en toe dat je op zijn minst een referentiekader kunt krijgen en begrijpen waar je bent geweest komen en eerlijk zijn over de fouten die je hebt gemaakt. We hebben allemaal fouten gemaakt, het gebeurt.
Dus als u prestatieproblemen heeft in uw business intelligence-systemen, dan is er de oude uitdrukking "geduld is een deugd", niet in de IT-wereld, kan ik u nu vertellen. Als gebruikers lang wachten tot hun vragen terugkomen, of ze krijgen hun rapporten niet, dan wordt het vertrouwen aangetast, en wanneer het vertrouwen is verdwenen, is het erg moeilijk om dat terug te krijgen. Dus, ik heb hier een regel gezet - ongeveer 40 seconden tegenwoordig is in veel gevallen 40 minuten - als een vraag 40 seconden gaat duren, vergeten mensen waar ze het zelfs over hebben, wat ze vroegen van de gegevens. Stel je eens voor in een gesprek als je het iemand vraagt, laten we zeggen dat je baas zegt: "Hé, ik zou graag willen weten waarom we deze route volgen." En je moest 40 seconden wachten in een gesprek antwoord krijgen? Je zou de kamer uitlopen! Je zou denken dat je baas gek is geworden. Dus die latentie die we in sommige informatiesystemen hebben, wanneer er prestatieproblemen zijn, die het analytische proces, de analytische stroom, of zoals sommige mensen het noemen, het gesprek dat u met uw gegevens voert, zal afkappen. Je moet in deze systemen snelheid maken, wat je ook moet doen om dat voor elkaar te krijgen, en daar gaan we het vandaag over hebben, dat is wat je moet doen, want zonder die vloeiende stroom van ideeën heen en weer, je bent echt het hele analyseproces beschadigen. Dus, en nogmaals, ik gooi deze opmerking weg: gebrek aan vertrouwen is een stille moordenaar. Mensen zullen niet echt hun handen opsteken als ze je niet vertrouwen, maar ze zullen je gewoon een beetje opzij bekijken en zich afvragen wat er aan de hand is. En zodra dat vertrouwen is verdwenen, zult u het heel, heel moeilijk krijgen om het terug te krijgen.
Dus, kunstmatige intelligentie, nou we blijven horen over machine learning en AI en "Oh, gaat dat niet al deze problemen oplossen?" Robin en ik horen al jaren over zelfafstemmende databases en al deze leuke dingen - er is iets aan de hand, maar stel jezelf gewoon de vraag: hoe vaak heeft Siri het voor je? Hoe vaak is Siri per ongeluk opgedoken en gegaan: "Het spijt me, ik heb dat niet begrepen." Dat was omdat ik je niets vroeg. Ik heb gewoon per ongeluk op die verdomde knop gedrukt. Dus er zijn nog steeds veel fouten, en trouwens, aan de linkerkant, dat is de ASIC-chip van een Apple Newton - herinner je je die puppy van jaren en jaren geleden? Dat was een van de eerste slimme apparaten, en dat is nogal lang geleden, dat is zoals ik begin jaren 90 of midden jaren 90 wil zeggen. Dat de Newton uitkwam en het was niet erg goed, maar het had het visioen; ze wisten waar ze heen gingen, maar zelfs nu, met de iPhone AI en machine learning, zijn dit veel onbegrepen concepten, zou ik zeggen.
En zeker met betrekking tot machine learning, kan het erg handig zijn en kan het zelfs worden gebruikt in sommige van deze omgevingen waar je probeert te begrijpen wat er aan de hand is met je complexe informatiearchitectuur, waar dingen misgaan. Machine learning kan in die context zeer waardevol zijn, maar alleen als het op een zeer acute manier wordt toegepast. Dus ik was net op een groot evenement in Californië, een van de grote Hadoop-distributeurs Cloudera had hun analistenconferentie en ik sprak met hun Chief Strategy Officer en zei: "Weet je, het lijkt mij dat echt machine learning doet maar twee dingen: het segmenteert en het verfijnt. ”Dit betekent dat het je verschillende segmenten of clusters van activiteiten geeft, inclusief afwijkingen, wat een segment zou zijn. En het verfijnt, wat betekent dat het u helpt een bepaald soort beslissing te verbeteren. Het klassieke voorbeeld dat je hoort, is dat er bijvoorbeeld een mens op deze foto staat. Dus dat is iets dat machine learning kan doen, en het is nuttig in bepaalde contexten, wanneer je het hebt over probleemoplossing, omdat je kunt zoeken naar gedragspatronen in CPU-gebruik, in geheugengebruik, in snelheid van schijf en wat de schijven doen en al dat soort leuke dingen. Het kan dus nuttig zijn, maar het is echt iets dat heel gefocust moet zijn om enige waarde te genereren.
Dus, een van mijn andere favoriete dingen om over te praten - en we zullen hier een beetje een beetje van zien, denk ik, als we vandaag onze demo van IDERA nemen - op veel manieren denk ik dat mensen nog steeds leren silicium te spreken . Er zit een materiaalwetenschap onder dit alles, en voor degenen onder u die probleemoplossing hebben gedaan en echt goed naar complexe informatie-architecturen hebben gekeken, wanneer u probeert te begrijpen wat er gaande is, zelfs in bijvoorbeeld een Hadoop-cluster, echt je kijkt meestal alleen naar histogrammen. En dan moet je correleren wat deze verschillende histogrammen op een bepaald moment in de tijd betekenen, en dat vergt intelligentie; dat vergt menselijke intelligentie en ervaring. Dus ik ben helemaal niet bang dat ML, of machine learning of AI binnenkort te veel banen in deze wereld zullen wegnemen. Ik denk dat er altijd behoefte zal zijn aan mensen, die eerlijk gezegd weten waar ze het over hebben om ons te helpen en dit allemaal te laten gebeuren.
Laten we dus doorgaan. Dus wat gebeurt er als u niet datagedreven bent? Dit is een beroemd schilderij, "The Blind Leading the Blind" - dit is niet wat je zoekt, mensen. U wilt dit soort omgeving niet in uw organisatie. Dus wat we willen is dat we willen dat onze beslissingen worden aangestuurd door gegevens en we willen dat de beslissingen worden aangestuurd door goede gegevens, gegevens van goede kwaliteit en dat gaat alleen gebeuren als je de juiste gegevens verzamelt, als het mooi en schoon is, en als uw systemen werken naar behoren, als uw BI-systemen gezond zijn, zijn uw analysesystemen gezond en krijgen gebruikers tijdig wat ze willen.
Dus daarmee ga ik afronden en overhandigen aan de onnavolgbare Robin Bloor. Robin, haal het weg.
Robin Bloor: Oké, bedankt dat je me de bal hebt gegeven. Ik zat te denken terwijl je aan het praten was, Eric, ik dacht gewoon aan BI en er was een presentatie van een verkoper die ik onlangs bijwoonde toen iemand opmerkte dat ze bij een bepaalde leverancier, met een bepaald systeem in een groot, slecht datawarehouse, op een bepaald moment kunnen 70.000 BI-transacties worden uitgevoerd die ertoe zouden leiden dat informatie aan veel mensen wordt gepresenteerd. Het kwam bij me op dat als je eigenlijk dat soort werk hebt, en je verspilt zelfs een paar seconden in termen van het uitvoeren van de software, het eigenlijk heel duur zal zijn, en als je minuten verspilt, zal het verschrikkelijk duur zijn. En toen herinnerde ik me dat heel veel van de wereld op spreadsheets draait - er zijn, ik denk dat ze 'schaduwsystemen' werden genoemd, niet? In eerste instantie, waar mensen gewoon systemen samenstellen met behulp van spreadsheets en e-mail, en ze zouden dingen laten gebeuren, omdat de IT-afdeling niet voor iedereen applicaties kan bouwen, dus dat doen ze eigenlijk. En veel BI raakt volgens mij sowieso betrokken bij dergelijke systemen.
Hoe dan ook, laten we beginnen met praten over waar ik het over ga hebben. BI is een feedbacklus voor bedrijfssystemen, het is echt zo simpel of zo ingewikkeld, afhankelijk van precies welke rol het speelt in de organisatie. Maar als we hiernaar kijken, is dit een diagram van ongeveer vier jaar geleden, toen we op een of andere manier probeerden te begrijpen wat er aan de hand was met analyses. Maar eigenlijk is alles wat achteraf is, terugkijkend op wat eerder is gebeurd, en alles wat overzicht heeft, in termen van de manier waarop het systeem werkt, meestal BI. Het was niet het geval dat voorspellende analyse BI was, maar dat wordt steeds meer het geval. Eric noemde machine learning, veel machine learning kan eigenlijk op de een of andere manier gewoon tegen een stroom van gegevens worden uitgevoerd en kan je voorspellende analyses geven voor de komende vijf minuten, of zelfs bijna in realtime, zodat je kunt reageren op een klant, met een berekende kennis van wat er feitelijk gebeurt.
Maar het midden van dit diagram, de binnenkant komt van analyses. Wat normaal gebeurt, is dat verschillende analytische activiteiten gericht zijn op bepaalde gegevensverzamelingen en dat er iets nieuws wordt geleerd, kennis wordt opgedaan over het bedrijf. En dat stukje kennis zit dan vast in de bedrijfsprocessen die ervan kunnen profiteren. En meestal wordt het op de een of andere manier gemanifesteerd wanneer BI-meldingen verschijnen, of gewoon verschillende dingen die op dashboards worden gezet, enzovoort enzovoort. Toen we dit daadwerkelijk deden, zijn er vier termen en ze eindigen toevallig met het woord 'zicht', wat erg leuk is. Maar in feite is het niet alles op het gebied van wat mensen willen doen, er is ook het probleem van optimalisatie en optimalisatie levert geen eenvoudige analyses op. Het is een zeer complex probleem en veel optimalisatieproblemen zijn niet uniek oplosbaar. Je kunt alleen goede oplossingen hebben, je kunt niet bewijzen dat je een betere oplossing hebt. En dat is een activiteitsgebied, waar activiteit gaande is, maar dat is minder het geval dan de meeste andere analysegebieden. Dus mensen zeggen dat we in het tijdperk van analyse leven - nou ja, we doen het in vergelijking met tien jaar geleden, maar het kan veel verder gaan dan het al is gegaan.
Dus, het begin van BI, het verlangen naar kennis roept gebruikersverzoeken op, die analyseprojecten opleveren, en de analyseprojecten leiden tot datameren, en datameren plus analyse werpen inzichten en inzichten krijgen BI. Dat is een verhaal dat ik net heb verteld; Ik dacht gewoon dat ik dat zou opschrijven. Wat ik hier eigenlijk heb gedaan, bedoel ik, het hele punt van deze dia en eigenlijk de meeste andere dia's is gewoon om echt te benadrukken hoe complex de wereld van business intelligence eigenlijk is. Het is niet eenvoudig, ik had deze specifieke dia veel ingewikkelder kunnen maken dan hij in werkelijkheid is, maar onderaan heb je externe gegevens en interne gegevens die op de een of andere manier in een enscenering zullen worden opgenomen gebied, wat tegenwoordig een soort datameer-dingen is, hoewel niet iedereen datameren heeft. En mensen die niet noodzakelijk succesvolle hebben. En dan is er een opname-opschoningsactiviteit en een regeringsactiviteit vereist op de gegevens voordat u deze daadwerkelijk kunt gebruiken. En dan dien je die gegevens beschikbaar en rapporteer je erover, of analyseer je het en de analyse leidt tot actie.
En als je echt naar de verschillende soorten analyses kijkt die er zijn, is dit een ongelooflijk lange lijst, maar het is niet noodzakelijk een volledig uitgebreide lijst, het is precies wat ik dacht op te schrijven, toen ik deze dia maakte. Er zijn dus veel dingen die gaande zijn in een BI-omgeving die visualisaties, OLAP, prestatiebeheer, scorekaarten, dashboards, verschillende soorten voorspellingen, gegevensmeren, tekstmining, videomining, voorspellende dingen, er is een breed spectrum van dingen die gaat echt door. Als je het op een andere manier bekijkt, de zakelijke realiteit, eigenlijk is dit een vergelijkbaar diagram als het vorige, het is gewoon op een andere manier gedaan. Ik heb gescheiden wat je BI zou noemen omdat het regelmatig is en bekend is wat nodig is, dat wil niet zeggen dat wat er feitelijk gebeurt efficiënt is, maar je zult in ieder geval regelmatig dingen gebeuren in, laten we zeggen Tableau, of in Click, of in Cognos, er is een onderwerpbron, enzovoort, er zijn verschillende regelmatige rapporten of mogelijkheden aan de gang. En dan heb je de analyse-apps en ze zijn anders. Omdat de analyse-apps echt draait om het verkennen van gegevens en in mijn ogen komt dit neer op onderzoek en ontwikkeling. En dan heb je een workflow. Onder workflow mix je dingen met operationele apps en kantoor-apps, als dat nodig is - en dat is de zakelijke realiteit zoals ik het zie - hoewel het in de meeste organisaties niet zo goed georganiseerd is.
Dus BI-verstoring, dit is slechts een reeks dingen om te vermelden maakt BI moeilijker dan vroeger, omdat de oude BI-wereld voornamelijk bestond uit redelijk schone datasets die op een of andere manier werden vastgelegd, waarschijnlijk uit een datawarehouse en ingevoerd in specifieke BI-software. En in die dagen heb ik het echt vijf of tien jaar geleden, maar in die dagen waren de datavolumes niet groter, de gegevensbronnen waren bekend. De snelheid van aankomst van de gegevens was bekend, hoewel sommige BI vaak niet snel genoeg zou gebeuren voor bepaalde gebruikers. Er waren geen ongestructureerde gegevens, er waren bijna geen sociale gegevens, zeker geen IoT-gegevens, je gaf niets om de herkomst van gegevens. De computerwaarde had geen parallellisme in termen van de infrastructuur om op een of andere manier dingen buitengewoon snel te kunnen doen. Je had geen machine learning en het aantal analytische workloads was vrij klein. En dat is allemaal veranderd, het datavolume kan nu enorm groeien. Het aantal gegevensbronnen blijft maar stijgen. Ja, het zeer snel streamen van gegevens, veel ongestructureerde gegevens, zeker sociale gegevens die moeten worden opgeschoond, maar andere gegevens die mogelijk moeten worden opgeschoond, zeker IoT-gegevens, zijn nu aan de orde.
De herkomst van gegevens is een probleem en we geven er wel om. De computerkracht is er, wat netjes is, want dat maakt allerlei dingen mogelijk, en je hebt nu machine learning als een fenomeen dat leidt tot het creëren van meer BI-mogelijkheden en nieuwe analytische workloads die hetzelfde zullen doen. BI is dus geen statische situatie en ik denk dat dit het laatste is wat ik ga zeggen voordat ik het aan Stan overdraag. Oh nee, dat is het niet, er is nog iets. Toekomstig BI-landschap, het internet der dingen, event-driven architecturen, realtime alles, OK. Dat is genoeg BI van de gebruiker, door de gebruiker, voor de gebruiker de problemen samengevat. Tijdigheid van gegevensstroomprestaties, gegevensdekking, gegevens opschonen, vaardigheden voor gegevenstoegang, visualisatie, deelbaarheid en bruikbaarheid.
Dus nu kan ik het doorgeven aan Stan, tenzij de BI-service betrouwbaar en tijdig is, het is geen service. Stan?
Eric Kavanagh: Ok, Stan, ik geef je de bal, haal hem weg.
Stan Geiger: OK. Dus waar ik het over ga hebben is alleen mijn achtergrond. Ik ben senior manager bij IDERA op het gebied van productbeheer en een van de verantwoordelijkheden die ik heb is ons productaanbod voor business intelligence. Dus ik ga wat uitweiden over waar Robin het over had en praten over het belangrijkste gebied met business intelligence is het bewaken van de gezondheid van je platform. Het is zoals hij zei, nu was het waar we al deze gegevens hadden en het zou weken duren om te analyseren en dan zouden we terugkomen met rapporten en dingen. Maar het BI-landschap verandert zodanig dat we nu dichter bij bijna realtime analyses komen. En in veel gevallen, werkelijke realtime analyses. Dus ik praat een beetje over deze dia, dit is gewoon een soort overzicht - en net zoals een volledige openbaring is dat ik erover ga praten vanuit een Microsoft-perspectief, maar al deze concepten gaan over of uw BI platforms bevinden zich in Oracle, of u gebruikt Informatica en Oracle, of gewoon mengmodus, hybride omgevingen. Ik ga gewoon gebruiken in verwijzing naar Microsoft-omgeving, maar dit is vrij standaard.
Robin had een dia daarin die dit aanraakte, is dat je bronsystemen hebt, waar ik al mijn gegevens op heb staan, en nu waren dit allemaal in relationele databases en gegevensopslag zoals dat, maar nu hebben we Hadoop en internet en zo, en al deze ongestructureerde gegevens zitten daar, en we kunnen die nu in deze BI-architectuur brengen. Dus de middelste laag daar spreekt een beetje is de gegevensopslag in aggregatie; dit is waar we gegevens binnenhalen, we kunnen het opschonen, we kunnen het herstructureren en vervolgens in een soort gegevensopslag plaatsen en dan komt de presentatielaag daar bovenop, en dat is waar uw gebruikers toegang toe krijgen. En we doen analyses van die gegevens in die datastores, en we doen dashboards, en we hebben Tableau daar zitten, rapportageservices, dat soort dingen. Ik lach altijd, want toen ik een BA-architect was, hebben we altijd gelachen om Excel, want laten we wel wezen, Excel is nog steeds de BI-tool van de massa.
Dus, een beetje een overzicht daar, maar om het maar over de soort platformarchitectuur te hebben, je hebt je brongegevens en ik heb het daarover gehad in meerdere datastores. En dan heb ik mijn opslag samengevoegd in de Microsoft-wereld, je hebt je SQL Server-database, misschien waar je datawarehouse is, misschien heb je je datawarehouse in de cloud, met als je datawarehouse. Je hebt analyseservices, dat zijn je OLAP-buizen en dat soort dingen voor het doen van aggregaties en dingen rond kijken naar dingen in meerdere dimensies en dat soort dingen. Dan heb je je presentatielaag, waar ik het kort over had, van al deze dingen die bovenop die datastores en aggregaties zitten. En ik houd altijd van dit citaat: "Je weet niet wat je niet weet", wat waar is. Als u niet controleert en niet kijkt naar wat er gaande is, op al deze gebieden van uw BI-platform, hoe weet u dan wanneer u een probleem hebt, behalve wanneer de gebruikers u vervelende e-mails beginnen te sturen en de telefoon start rinkelen waarom zijn mijn rapporten niet actief? Waarom duurt alles zo lang?
Dus, in die geest, wat je moet doen, moet je in staat zijn om je platforms te bewaken van waaruit je business intelligence bedient. En dat heb ik eigenlijk in drie gebieden onderverdeeld: je hebt beschikbaarheid, prestaties en gebruik. Beschikbaarheid betekent of de bron beschikbaar is: is deze hoger of lager? Vrij simpel daar. Maar als je ook kijkt naar wanneer je dat wel hebt, is het mogelijk dat het platform beschikbaar is, maar je hebt misschien problemen daar, dus je moet in staat zijn om oorzaakoorzaken te doen; je moet alert kunnen zijn en iemand laten weten wat er aan de hand is, voordat de zaken kritiek worden. Dat leidt ook naar de prestatiezijde, je hebt dingen op prestatieniveau, op serverniveau, waar de services of de BI-services of BI-platforms worden gehost; u hebt prestaties op bronniveau waarbij ik bijvoorbeeld toegang heb tot gegevens van een SAN. De SAN, de bron, netwerkbronnen, moet u in staat zijn om de prestaties van dat alles te volgen, om knelpunten te identificeren en uw gebruikers tevreden te houden, en als u zich in een omgeving bevindt waar u het echt doet- tijdanalyse, moet u knelpunten of problemen kunnen identificeren voordat ze zich voordoen.
En de laatste theorie is het gebruik: wat doen de gebruikers? Wie is verbonden met mijn BI-bronnen? Wie rent wat? Welke vragen hebben ze? Welke rapporten hebben ze? Kennis van deze informatie helpt bijvoorbeeld bij het bepalen en uitvoeren van capaciteitsplanning. Het laat ook zien wat er wordt gebruikt in uw BI-omgeving. We hadden een klant die wilde dat we ons monitoringproduct voor BI wilden, gewoon zodat ze wisten welke delen van de BI-omgeving ze gebruikten, zodat ze middelen konden verplaatsen. Als ze bijvoorbeeld bepaalde rapporten of bepaalde kubussen voor analyseservices niet zouden gebruiken, zouden ze middelen van die naar andere gebieden verplaatsen die veel worden gebruikt. Een ander citaat dat ik leuk vind, ik hou echt van geweldige films zoals "Tremors", dus vertel je mijn film, dus ik hou van dit citaat van Burt Gummer, die werd gespeeld door Michael Gross, hij is een soort van de survivalist gun guy en hij zegt, hij verschijnt en hij trekt dit enorme 50-kaliber sluipschuttersgeweer tevoorschijn en een van de jongens zegt: "Verdomme, Bert." En hij antwoordt door: "Als je het nodig hebt en je hebt het niet, zing je een ander deuntje." "Met andere woorden, weet je wat? Hij was op alles voorbereid en hij kwam op alles voorbereid, dus wat ik hiermee bedoel, is dat als u uw BI-omgeving niet bewaakt vanuit bronnen en gebruik en dingen waar ik het net over had, dan beseft u niet dat u een tool nodig hebt of een omgeving of structuur die het bewaakt totdat je het niet hebt. En dan besef je dat ik het echt nodig had om verder te gaan, en dat is een soort van de manier waarop veel van onze klanten zijn.
Dat gezegd hebbende, zullen we ingaan op, en we zullen een kijkje nemen op wat we hier bij IDERA doen om enkele van deze problemen op te lossen. En-
Eric Kavanagh: Oké, alsjeblieft, ik zie het.
Stan Geiger: Zie je het? Oke. We hebben hier dus ons BI Manager-product. En we controleren, IDERA is van oudsher een bedrijf in de SQL Server, Microsoft SQL Server-omgeving. En toen kochten we in Embarcadero, dus nu zijn we uitgebreid naar enkele andere platforms, maar ons BI-product bewaakt traditioneel de BI-stapel in de Microsoft-omgeving. En dat zijn analyseservices voor uw multidimensionale en tabelanalyse, rapportageservices, rapportagetool en vervolgens integratieservices, wat een ETL-platform is, vergelijkbaar met soortgelijke Informatica.
En via ons product kunt u alle drie van die omgevingen monitoren via één product, en wat u hier ziet is het algemene dashboard, en het ding om op te merken is dat ik het erover had om te waarschuwen, het is één ding om te controleren, maar dat is niet genoeg - u moet een waarschuwingsmechanisme hebben. Met andere woorden, ik moet op de hoogte gebracht kunnen worden voordat dingen in een kritieke toestand komen. Dus, wat we hier doen, is er een hele reeks metrieken die we vastleggen die configureerbaar zijn, omdat u, afhankelijk van uw omgeving, bepaalde drempels, in orde kunt zijn met een leestijd van dertig milliseconden, in uw omgeving. In andere omgevingen kan het kritischer zijn dat die drempel lager is, dus het is niet alleen belangrijk om gewaarschuwd te zijn, maar ook om configureerbaar te zijn omdat omgevingen verschillen afhankelijk van de bronnen.
Dus eigenlijk is dit een overzicht van alle omgevingen die hier worden bewaakt, en ik heb hier drie instanties: een voor analyseservices, een voor integratieservices, een voor rapportageservices. En zie je, ik heb hier een paar waarschuwingen. En omdat deze rood zijn, vertelt het me dat dit van cruciaal belang is, omdat ik meerdere niveaus heb om die meldingen in te stellen, en de meldingen kunnen worden gemaild naar mensen die verantwoordelijk zijn voor het onderzoeken van het probleem. Dus, we zullen even kort kijken en ik kom terug op de melding, zodat we kunnen ingaan op het stuk analyse-diensten en het is, ik weet zeker dat het wacht om hier te laden. En eigenlijk, wat we doen, hebben we een gegevensverzameling; het gaat daar regelmatig heen en gaat daarheen en verzamelt en snapshots soort van wat jouw omgevingen doen. Dus, ik heb de mijne ingesteld voor elke zes minuten, dus elke zes minuten gaat hij naar buiten en ondervraagt het milieu. Ik heb mijn VM een tijdje in slaap gehad, dus het zal even duren voordat dit weer opkomt. Daar gaan we.
Dus we nemen een kijkje in het stuk met analyseservices en ik ga hier op mijn exemplaar klikken, en onthoud dat ik het had over een van de dingen die we monitoren, prestaties op serverniveau, omdat veel mensen meerdere dingen hebben draait op hun server. Ik kan een database op mijn server hebben, evenals analyseservices, bijvoorbeeld. Dus als er iets aan de hand is in de database of ik heb een probleem op serverniveau, heeft dit invloed op wat er op de server gebeurt. Dus we zullen dingen op de server op serverniveau monitoren, dingen zoals hoe de schijfprestaties zijn, en je kunt zien dat we metrics hierover vastleggen. En dit alles is configureerbaar. En ik bekijk wat er aan de hand is, CPU-gewijs, gewoon, en nogmaals, dit is op serverniveau, niet op het niveau van analyseservices in mijn voorbeeld hier. Maar eigenlijk op serverniveau.
En ik kan dingen bekijken als wat het geheugen is, het algemene geheugengebruik bijvoorbeeld, wat beschikbaar is? Dus nu krijg ik een idee van wat de gezondheid van de server zelf is. Dan kunnen we beginnen met het bekijken van zaken die specifiek zijn voor, in dit geval analyseservices. Ik kan bijvoorbeeld kijken hoe mijn kubusverwerking hier verloopt en dit geeft me een indicatie van de gezondheid. Als ik begin te zien dat de verwerking langer duurt, of het is niet dat de rijen niet zo snel worden geschreven, dan kan ik beginnen te kijken - en dit gaat naar het correlatiestuk waarover ik denk dat Robin het had, is dat er is nog steeds een mens voor nodig om dit allemaal te kunnen doen. We hebben het over AI, machine learning, maar er is nog steeds een mens voor nodig om deze gebeurtenissen rondom dingen te kunnen correleren. We kunnen een kijkje nemen naar dingen zoals wat er gaande is, wat vragen worden uitgevoerd en hoe lang duren ze? Ik kan sorteren, zodat ik een idee kan krijgen van welke vragen het langst duren. U kunt hier een kijkje nemen op de verstreken tijd, ik kan een kijkje nemen en zien OK, wat was die vraag en wie was die vraag op dat moment?
Dus dan kan ik hier een verhaal over beginnen te maken, voor zover als ik dingen zie beginnen te piekeren, ik terug kan gaan en kijken wat gebruikers op dat moment aan het doen waren. En je zult een van de dingen zien die we doen is dat we deze tijdkiezer hier plaatsen om je een tijdvenster te laten kiezen. Dus ik kan bijvoorbeeld teruggaan naar die meldingen, en het was eigenlijk een link naar die meldingen waarop ik klik, en het zou me op dat moment brengen wanneer die melding zich voordeed. En dan kan ik beginnen met het samenstellen van het verhaal, ik kan zien, oh, de schijflezingen waren op, of hadden geheugenproblemen of wat dan ook, en dan kan ik over de query-activiteit op hetzelfde moment springen en ik kan eigenlijk beginnen correleren wie welke vragen uitvoerde die die pieken daar kunnen hebben veroorzaakt. En dan kun je dingen gaan doen zoals ik kan beginnen met stemmen, dat is wanneer ik begin met stemmen. Dit is als een auto, als je een raceauto bouwt en je laat de motor gewoon vallen en start je de sleutel die de motor start, maar als ik 180 mijl per uur moet gaan om te winnen, moet ik weten dat de motor 100 kan draaien mijl per uur en ik moet daar naar binnen gaan en die motor gaan tunen om daar te kunnen komen. En dat is wat u hierdoor kunt doen, u voldoende informatie kunnen geven om uw omgeving te tunen, om de gezondheid en de productie van die omgeving en de efficiëntie te verbeteren.
En dan monitoren we dingen in het geheugen die specifiek zijn voor analyseservices, in dit geval. En dit is waar je kunt beginnen te zien waar dingen mis kunnen gaan, wanneer je dingen begint te zien die boven je geheugenlimieten uitkomen, dat soort dingen. Het andere ding dat goed is om naar te kijken, wanneer je elk type query uitvoert, wil je dat gegevens in de cache worden opgeslagen, omdat wanneer het in de cache wordt opgeslagen, het in het geheugen is en niet van schijf hoeft te lezen, wat veel meer is efficiënter dan gegevens van schijf te moeten lezen. Dus je kunt beginnen met het bekijken van dingen die aan de hand zijn, sorry, bijvoorbeeld in de gegevenscache. Ik had eerder een aantal vragen uitgevoerd om deze gegevens te krijgen, en je kunt zien dat ik meestal de cache-hits en opzoekingen overlappen, wat goed is. Maar ik had hier een periode waarin de hits veel lager waren dan wat de opzoekingen waren, wat me vertelt dat er iets aan de hand was dat geheugenintensief was, zodat de cache veel sneller werd gespoeld, dus gegevens moesten worden lezen van schijf. En dat kunnen we zien als we naar de opslagmotor kijken. Dit is hetzelfde moment in de tijd als die andere grafiek, en je kunt de piek daar zien, waar de query's uit het bestand echt opsprongen tijdens die periode. En dat betekent dat gegevens van schijf werden gelezen. Nu kan ik teruggaan en dat vervolgens correleren met de zoekopdrachten die werden uitgevoerd, en niet om ieders oren te laten bloeden, maar in analyseservices gebruikt het een taal genaamd MDX, er zijn manieren om vragen efficiënter te schrijven, dus het gebruikt de cache efficiënter en minder opslag. Er is dus een voorbeeld om die motor te tunen en je alle benodigde onderdelen te geven om dat te kunnen correleren.
Gewoon snel kunnen we het ook andersom draaien, als we naar de vragen kijken, kunnen we nu naar de sessies kijken, wie zijn er op dit moment daadwerkelijk verbonden en wat zijn ze aan het doen? Dus dit soort geeft u het tegenovergestelde beeld van de vragen en wie ze uitvoert. Dit is wie is verbonden en dan kan ik zien wat ze momenteel uitvoeren. Het andere ding, gewoon om snel over te gaan, is dat je alle objecten in mijn multidimensionale MOLAP-kubussen kunt zien. En ik kan er informatie over krijgen. Dus ik kan bijvoorbeeld sorteren op deze leeskolom en ik zie dat het meest gebruikte object de tijdsdimensie is en het tweede meest gebruikte object de klantdimensie. En dit helpt mensen die dingen ontwikkelen en bouwen om hun kubussen efficiënter te bouwen. Ik wil misschien mijn partitioneringsstrategie van de gegevens veranderen, bijvoorbeeld over deze zeer gebruikte dimensies in mijn kubus, en daarom zal dat bijvoorbeeld de prestaties van query's verbeteren. Het kan de prestaties van het verwerken van de kubus verminderen, omdat ik nu meer partities heb, maar vanuit een gebruikersperspectief gaat het die motor afstemmen, om efficiënter te zijn voor het gebruik van deze objecten.
Dus, ga verder, praat hier over integratiediensten. Integratieservices, zoals ik al zei, is een ETL-platform in een Microsoft-omgeving. Wat we hier doen - en dit is consistent - bewaken we de serverprestaties, en dit zouden dezelfde statistieken zijn waar we naar hebben gekeken, omdat al mijn services op dezelfde server draaien. Maar nogmaals, dit is een overzicht van wat er op de server gebeurt. En dan kan ik kijken naar de activiteit voor integratiediensten, mijn ETL-processen. Dus ik kan een idee krijgen van wanneer deze processen zijn uitgevoerd, of ze succesvol waren of niet, ik kan een bepaalde run van een ETL-proces markeren en dan zal het me de verdeling van de stappen binnen dat ETL-proces laten zien, of het succesvol was of niet en hoe lang het duurde.
Als ik nu een mislukt pakket hier ETL-proces had, kon ik naar de details gaan en de foutmelding bekijken en het zou me laten zien welke stap in dat pakket waar dat ETL-proces faalde, samen met alle bijbehorende berichten. Dus wat dat doet, is dat mij dat geeft, en ik kan een waarschuwing krijgen als het mislukt, dus als ik een waarschuwing krijg, kan ik hier naar binnen gaan, zie, ga naar die waarschuwing, zie de pakketfout, kijk naar de stappen, kijk waar het is mislukt, kijk naar het foutbericht en ik weet meteen wat ik moet doen om dat op te lossen: het opnieuw implementeren en vervolgens opnieuw beginnen. Dus wat je hiermee kunt doen, is dat we dat venster verkorten tussen de identificatie van het probleem en de oplossing van het probleem. Dus in het vorige leven, toen ik verantwoordelijk was voor dit soort dingen, hadden we een ETL-proces dat 's nachts zou draaien om ons datawarehouse te laden. Als ik deze informatie had, het eerste ding in de ochtend toen ik binnenkwam, als er iets mislukte, dan kan ik het snel aanpakken en dat proces terugzetten om ervoor te zorgen dat het datawarehouse operationeel en vernieuwd was tegen de tijd dat de gebruikers kwam binnen en begon toegang te krijgen tot rapportage.
Het andere is dat ik twee processen heb die draaien, is kijken en zien hoe het in de loop van de tijd is verlopen. Dat is belangrijk omdat als ik deze processen begin te zien, bijvoorbeeld langer doe, deze tijden steeds sneller zie, dan moet ik misschien eens kijken naar bijvoorbeeld mijn onderhoudsvenster, ik heb dingen die op die server aan de hand zijn . Neem bijvoorbeeld back-ups; Ik heb misschien een back-up aan de gang die ervoor zorgt dat mijn proces wacht tot het klaar is. Ik moet misschien mijn processen opnieuw plannen of jongleren rond dingen die invloed hebben op mijn ETL.
En het laatste stuk zijn rapportageservices. Rapportageservices zijn van Microsoft, eigenlijk hun enterprise reporting tool. En sommige dingen, nogmaals, we kunnen dingen op serverniveau bekijken, we kunnen dingen op de rapportserver bekijken, de server voor rapportagediensten zelf. Ik heb hier niet veel dingen; Ik heb een aantal abonnementen die elke 15 minuten worden uitgevoerd om een rapport uit te voeren. U zult dus niet veel actieve verbindingen zien omdat het wordt ingeschakeld, verbinding maakt, rapport uitvoert, verbinding verbreekt en het verzendt.
Maar in omgevingen met veel transacties, waar veel rapportage plaatsvindt, is het van cruciaal belang om deze dingen te kunnen controleren. Dus je kunt zien waar ik hier dingen aan de hand had, dus het geeft je een vrij goed idee van wat er vanuit het daadwerkelijke service- en platformniveau aan de hand is. En dan, zoals ik in de slides heb besproken, wie is wat aan het rennen en wat doen ze? En een van onze klanten kocht dit product alleen voor dit stuk omdat ze wilden weten welke rapporten mensen hadden en wie deze rapporten uitvoerde. Dit is dus een van de dingen in deze rapportuitvoering die u hier kunt zien. Ik kan zien welk rapport, ik kan alle parameters zien die in dat rapport zaten, ik kan zien wie het uitvoert, ik kan het formaat van het rapport zien. En dan heb ik al deze statistieken eromheen, dus als ik het weer eens kan rangschikken, bijvoorbeeld, welk rapport het langste duurde om gegevens op te halen, en ik kan daar direct naartoe gaan en zien welk rapport dat is. En nogmaals, dit alles geeft me gegevens om die motor opnieuw te kunnen afstellen. Nu kan ik beginnen met het afstemmen van mijn rapportageomgeving daarop.
En het laatste, is dat ik een kijkje kan nemen in de gebruikersactiviteit, met wie er op dit moment weer verbinding is, wat doen ze? Ik kan eigenlijk, in een omgeving waar ik meerdere gebruikers had, deze allemaal sorteerbaar zijn, zodat ik kan rangschikken, ik kan zien wie de omgeving het meest gebruikt. Dus, gewoon om snel terug te gaan en die meldingen te bekijken. Hier was die waarschuwing; Ik kan hier op deze link klikken en het zal me naar de grafiek voor dat tijdstip brengen en me laten zien welke alert was. Dus je kunt hier zien, dat is degene omdat het de gemiddelde milliseconden was om bijvoorbeeld te schrijven, lezen en schrijven. Dus nogmaals, gewoon proberen dat punt van identificatie van de problemen te krijgen. En het is echt belangrijk om een holistisch hulpmiddel te hebben, niet alleen iets dat naar dat ene ding kijkt, omdat de mens hier moet binnenkomen en deze gebeurtenissen moet correleren, dus je moet kunnen kijken naar wat daar aan de hand was op verschillende momenten in die omgeving, en dat is een van de dingen die we hier met deze tijdkiezer doen.
Eric Kavanagh: Ja, dit is Eric hier alleen met een snelle vraag, want ik denk dat je waarschijnlijk de spijker op de kop hebt geslagen, en dit is waar ik het boven aan het uur over had, dat een mens moet komen in en teken deze correlaties tussen verschillende omgevingen. Ik ben nieuwsgierig om te weten, is er wat educatief materiaal dat jullie kunnen delen, of misschien doen jullie een soort van betrokkenheid met mensen om hen te helpen sommige van die patronen te identificeren? Zoals je een minuut geleden een heel goed voorbeeld had, over wanneer een van deze spikes is die je vertelt dat er iets in het geheugen aan de hand is omdat het bleef proberen de herinnering te dumpen. En het geeft je een idee, maar hoe mensen deze statistieken in kaart brengen met echte problemen, is de echte vraag.
Stan Geiger: Ja, dat is een goed punt en een van de dingen waar ik het net over had, routekaart voor het product, is dat we later dit jaar een versie uitbrengen en een van de dingen die we gaan toevoegen is voor elk van deze grafieken, is een beschrijving van wat deze grafiek betekent en waarom u moet zorgen, en wat de impact hiervan is. Dus kun je op een vraagteken of iets in deze grafiek klikken en vervolgens een venster openen dat je veel van die informatie geeft en je vertelt dat dit de mogelijke oorzaken zijn, dit zijn de gebieden waarop dit van invloed is en om je te begeleiden je in een richting te kunnen gaan in dit geval, zoals je zei, hier is die piek, ik weet uit mijn persoonlijke ervaring wat dit betekent. En dan kan ik beginnen met boren in een gebied en de oorzaak vinden.
Nu hebben we er veel van, eigenlijk, in ons diagnosebeheerproduct voor SQL Server, voor de eigenlijke database. We hebben veel van dat soort functionaliteit in zo'n product, en we hebben ook enkele analyseboutjes voor diagnostisch beheer die je veel sneller aanwijzen. En dat is waar we met dit product naartoe gaan.
Eric Kavanagh: En ik vermoed dat er handtekeningen zijn voor bepaalde soorten activiteiten. Staat deze tool je toe om te identificeren wanneer een bepaald soort evenement plaatsvond en te catalogiseren, zodat het na verloop van tijd een soortgelijk patroon zal herkennen en je kan helpen erachter te komen of het een nieuwe gebruiker is, bijvoorbeeld met behulp van de zelfde tool? Help je te begrijpen, oh, dit is omdat deze servers uitgevallen zijn of omdat deze regio uitgevallen is? Is er een manier om problemen met handtekeningen te catalogiseren, zodat u ze later gemakkelijk kunt identificeren?
Stan Geiger: Nee, eigenlijk, maar dat is eigenlijk een interessant concept, want het is bijna zoals, wat is het - denk ik aan componentcomponenten, waar je patronen identificeert en die patronen logt en dus als je ze weer ziet, kun je teruggaan en zie, OK, dit was op dat moment de oorzaak. Ja, dat is iets, het staat niet op de routekaart, maar het is iets waar ik aan heb gedacht vanuit het oogpunt van productbeheer.
Eric Kavanagh: Ik kan het me voorstellen. Oh, ga je gang.
Stan Geiger: Nee, ik wou zeggen - en we krijgen veel verzoeken, omdat ik niet weet wat jouw ervaring is - maar wat we vinden is dat DBA's databases kennen zoals ze in hun eentje zijn, maar de BI-dingen zijn een beetje zoals een zwarte doos als het gaat om platformgezondheid. En dat is niet zo, ze hebben daar niet veel kennis over. Ik doe het, gewoon omdat ik er vijf tot tien jaar in heb gewerkt, toch? Maar typische mensen die verantwoordelijk zijn voor het vinden van deze meldingen of het ontvangen van meldingen en het uitzoeken wat er aan de hand was, zijn voor hen een soort zwarte doos.
Eric Kavanagh: Ja, dat kan ik me voorstellen. Ik zou ook nieuwsgierig zijn om te weten, dus je liet in dat ene scherm zien hoe je alle vragen kunt zien die binnenkomen, hoe lang het duurde voordat ze werden uitgevoerd en wie ze heeft gegenereerd. Zie je ook de feitelijke structuur van de SQL-query zelf en doe je daar een beetje analyse over? Zoals misschien soms mensen SQL-queries samenstellen die een beetje omvangrijk zijn, laten we zeggen, en omslachtig, in tegenstelling tot een master die echt een mooie, strakke query samenstelt. Is dat iets dat je via deze tool kunt visualiseren en je vervolgens helpen dat is het probleem?
Stan Geiger: Ja, dus wat je kunt doen, is net als wat ik hier heb gedaan, ik heb net gesorteerd op verlopen tijd, bijvoorbeeld. Dus ik kan degenen zien die het langst duurden en dan krijg ik de tekst, maar dan is het nog steeds aan iemand die min of meer de materiedeskundige is om daarnaar te kijken en te gaan: "Oh, OK, hier is waarom dat zo lang duurde . ”Dat is iets dat we een soort workload-analyse hebben, we noemen het SQL Workload Analyzer voor de database, ik heb het voor de gek gehouden met het idee dat we misschien iets soortgelijks gaan verzinnen, zodat het identificeert deze vragen en geeft u aanbevelingen voor het afstemmen van die vragen. Maar een van de problemen is dat deze MDX-query een vrij gespecialiseerde taal is.
Eric Kavanagh: Ja, dat kan ik me voorstellen. Maar je kunt bijvoorbeeld zien wie de mensen zijn, dus het is niet zo moeilijk om erachter te komen of een persoon, als een man verantwoordelijk is voor tien van de langste procesvragen, dan als niets anders je hem kunt bellen of bellen zijn manager of iemand en zegt: "Hé, deze kerel is veel bandbreedte aan het kauwen, " en misschien blijken dat de meest waardevolle vragen voor het bedrijf te zijn, toch? Je moet het in de context plaatsen van wat de bedrijfswaarde is, van de vragen zelf is het niet alleen een duidelijk spel met getallen, toch? Het is om uit te vinden, nou, deze man is onze hoofdgebruiker en hij is degene die het bedrijf verandert, toch?
Stan Geiger: Nee, je hebt helemaal gelijk. Ik bedoel, dat is een van de manieren waarop klanten dit gebruiken, is om dat te kunnen doen. Zoals je al zei, vind je misschien een gebied, omdat een van de dingen waar ik het over heb, ik altijd slak op Excel, maar je kunt verbinding maken met analyseservices in Excel en draaitabellen uitvoeren op OLAP, en het genereert zijn eigen vragen, en stuurt ze en soms zijn ze niet de beste vorm, dus je kunt teruggaan en ze identificeren en ze eigenlijk herschrijven en aan de gebruiker geven en ze naar buiten laten lopen, zodat het geen half uur duurt om terug te keren naar hun draaitabel.
Eric Kavanagh: Precies. En als we het hebben over vragen, hebben jullie het over het hele scala van vragen, dus u noemde MDX, hoe zit het met enkele andere vragen zoals een DAX-vraag, of sommige van deze andere -?
Stan Geiger: Ja, we dekken, ja, alle DAX en MDX beide. Dus een van de dingen die ik niet heb genoemd, of misschien wel, maar we ondersteunen zowel tabel- als OLAP in Microsoft en DAX - ik denk dat jij en ik hier een tijdje geleden over hebben gesproken - we zien veel nu meer in tabelvorm dan wij OLAP zijn. Omdat het gewoon gemakkelijker is om de tabelmodellen en dergelijke dingen naar voren te brengen, en dus je zult duidelijk DAX-vragen zien, maar die zullen we ook oppakken.
Eric Kavanagh: Ja, dat is interessant. Heb je enige context waarom dat gebeurt? Is het misschien omdat steeds meer mensen aan dit soort dingen beginnen en omdat OLAP natuurlijk niet iets nieuws is, dat bestaat al ongeveer 30 jaar?
Stan Geiger: Juist, het is een soort combinatie, een van de dingen die kubussen ontwerpen is een kunst. En kubussen werden gebouwd om gegevens vooraf te aggregeren, dus het is heel snel om gegevens eruit te halen, maar het verwerken van de kubus duurt een tijdje omdat het al die aggregaties moet doen. En toen werd hardware goedkoper en werd geheugen goedkoper en toen kwam iedereen uit met columnar store en in-memory databases, eigenlijk. En ook tabelvormig is waarschijnlijk het dichtst bij traditionele relationele databases en het is gewoon een stuk eenvoudiger en sneller om tabelmodellen op te roepen dan met OLAP. Maar het nadeel is dat het zich in het geheugen bevindt, het hele ding zit in het geheugen, dus het is erg geheugenintensief en de gegevens worden pas verzameld als je erom vraagt. Dus, maar dat alles gezegd hebbende, beginnen we daar veel meer tabel te zien.
Eric Kavanagh: Dat is interessant. Het kan ook zijn omdat deze industrie een beetje afvlakt, en wat ik daarmee bedoel is dat we veel meer mensen krijgen die met gegevens omgaan en verschillende tools gebruiken, en zeker als je over Microsoft praat, denk ik dat is absoluut het geval dat u veel, veel meer gebruikers voor kleine en middelgrote bedrijven hebt, en zelfs enkele grotere organisaties die zich verdiepen in de dingen, toegang krijgen tot tools, vragen uitvoeren, en ze zijn misschien niet zo bekend met de hele proces en de technologieën rond het bouwen van kubussen, op jouw punt, toch? Omdat het wel even nadenkt, en het is ook duur, toch? Het kost tijd, het kost energie om deze kubussen te bouwen, tenzij je enkele van de nieuwere technologieën gebruikt die er zijn. Zoals we hebben gesproken met bedrijven zoals Snowflake, het doet bijvoorbeeld behoorlijk interessante dingen, maar ik denk dat er veel meer mensen zijn die de dingen gebruiken en ze gaan waarschijnlijk mee met wat je zojuist hebt beschreven, wat het tabelformaat is, in tegenstelling tot het formeel bouwen van kubussen, toch?
Stan Geiger: Ja, nou ik bedoel, ik denk dat Excel - wanneer wat het was, Power Pivot, geloof ik - dat is eigenlijk tabel, als je er naar kijkt; het is de manier waarop u tabelmodellen bouwt. En toen de volgende iteratie was, kan ik u mijn tabelmodellen vertellen die ik bouw en ik implementeer het tot SQL Server zodat ik het met iedereen kan delen. Het is dus bijna een natuurlijke extensie van Excel.
Eric Kavanagh: Ja, dat is een goed punt. Wat we de afgelopen vijf jaar hebben gezien, zou ik zeggen vijf tot zeven jaar, is gewoon een enorme uitbreiding van het gebruik voor deze technologieën, toch? En Microsoft is eerlijk gezegd een pionier hierin, echt de machtsdata democratiseren via analyseservices en via Power Pivot, toch? Ik bedoel, dat was een game-wisselaar voor de industrie, toch?
Stan Geiger: Ja, nee, je hebt helemaal gelijk. Ik bedoel, ik heb een dia wanneer ik een langere presentatie geef die de overgang toont van het gaan van het semantische model, dat het OLAP was, naar de tabel. En ik denk dat ik een citaat van Microsoft heb; ze willen gegevens in handen van de gebruikers hebben, niet alleen over de muur in de IT-winkel, ze willen meer van de gegevens in handen krijgen van de mensen die het gebruiken.
Eric Kavanagh: En dat komt meteen terug op die eerste zeer eenvoudige dia die ik heb laten zien, wat het basisbeslissingsproces was voor elke organisatie, en nu - en ik denk dat dit geweldig is - krijgen we steeds meer mensen vanuit de hele hiërarchie van de organisatie aandacht besteden aan wat er gebeurt, hun verhaal naar de tafel brengen en je doet dat met gegevens, dat is de bottom line, ik bedoel, je kunt andere middelen gebruiken, maar als je je verhaal ondersteunt met gegevens, je zult veel sterkere argumenten hebben dan degenen die dat niet doen, toch?
Stan Geiger: Precies, ja. Ja, dat klopt precies. Ik bedoel, daarom was het nu "Hé, ik heb dit rapport nodig", dus nu moet ik het rapportverzoek doornemen en moet ik hier doorgaan, en mijn rapport krijgen, en nu kan ik zitten daar aan mijn bureau en eigenlijk heb ik gewoon toegang tot de gegenereerde gegevens, neem ik mijn zakelijke beslissingen.
Eric Kavanagh: Dat klopt. Weet je, ik kwam de afgelopen week terug van een conferentie en er was een hysterisch commentaar van een man die een vrij grote BI-omgeving voor de winkel Target beheert, en hij verwees naar self-service analytics en self-service BI, en uiteraard dat is tegenwoordig een groot probleem. Ik weet zeker dat het iets is dat veel activiteit stimuleert voor wat jullie bij IDERA doen, want als je zelfbediening wilt uitrollen, moet je eerst en vooral een gezonde BI-omgeving hebben, toch? Als je allerlei mensen naar buiten haalt die allerlei vragen op allerlei manieren stellen, wil je hier zoiets als dit hulpmiddel hebben, om te kunnen begrijpen wie welke vragen stelt en waar. En het grappige citaat dat ik hier alleen voor de kick gooi, zoals je zei: "Er is een dunne lijn tussen zelfbedienings-BI en ga zelf F."
Stan Geiger: Ja.
Eric Kavanagh: Ik dacht dat dat hysterisch was. Maar zie je dat de selfservicetrend echt veel aandacht geeft aan wat je met de technologie doet?
Stan Geiger: Ja, want zoals je al zei, als je self-service BI wilt toestaan, dan krijg je waarschijnlijk enkele prestatieproblemen, alleen vanwege: A) de hoeveelheid toegang, het aantal mensen dat gaat bij de gegevens, en B) de hoeveelheid slecht gevormde vragen en toegangsmogelijkheden die u hebt. Dus, echt waar, het is echt noodzakelijk dat je de omgeving bewaakt, zodat je iedereen gelukkig kunt houden die de gegevens probeert te consumeren, toch?
Eric Kavanagh: Ja, ik denk dat dat klopt. Het is een zegen en een vloek: het is goed dat mensen het spul proberen te gebruiken, maar nogmaals, tot je punt, als je op dat moment niet het juiste gereedschap hebt, word je een ongelukkige kampeerder omdat je moet rollen zonder zelfbediening zonder een tool als deze, lijkt het mij gewoon om een berg problemen te vragen.
Stan Geiger: Ja, ik bedoel, het is vergelijkbaar met toen ik datawarehouses bouwde, het is alsof je je dimensies en feitentabellen niet goed hebt, dan heb je het losgelaten voor ad hoc rapportage, wil je misschien kruipen onder een rots.
Eric Kavanagh: Dat is geweldig. Ja, het is goed, nogmaals, het is goed nieuws dat mensen dit soort dingen gebruiken, maar ik denk dat ik moet geloven dat zelfbediening veel activiteit zal genereren voor wat je doet, omdat je het hebt over ramping verhoog de hoeveelheid spanning en de hoeveelheid druk op deze systemen met orden van grootte. Niet alleen met één, of met twee orden van grootte en het is dat punt dat je echt wat zichtbaarheid wilt hebben en je wilt kunnen zien wie wat doet, waar, wanneer, hoe en waarom. Stel die vragen en neem vervolgens enkele beslissingen over hoe u de omgeving kunt bewaken en wijzigen en uw beleid kunt wijzigen over wie toegang krijgt tot wat, toch?
Stan Geiger: Juist. En weet je, het ook, wetende, zien dat gebruik je ook toelaat om daar naar binnen te gaan, en potentieel, zoals ik het object binnen de kubus noemde, ik kan dingen doen om dat te verbeteren, voor zover de manier waarop ik bouw en ontwerp dingen. Het is dus absoluut noodzakelijk dat niet alleen dat om naar de prestaties van dingen te kijken, maar ook om te kunnen zien hoe uw schema en uw ontwerp op dat niveau presteren, om het te kunnen tweaken. En het wordt alleen maar groter en groter omdat dingen als power BI nu het grote probleem zijn, met Microsoft, dus nu kan ik mijn eigen dashboards en widgets en dingen bouwen, en geen BI-ontwikkelaar hoeven te zijn.
Eric Kavanagh: Dat klopt. Ja, het is goed spul, het komt overal, maar je hebt een manier nodig om die omgeving te beheren of je gaat ongelukkige gebruikers krijgen. Dat leidt tot ongelukkig management, waardoor mensen worden ontslagen. Er is een vrij duidelijk domino-effect wanneer dingen beginnen te vallen, maar dit is geweldig spul.
Dus ik heb hier de laatste vijf minuten gekauwd. Robin, heb je nog vragen?
Robin Bloor: Nou, ik vind het eigenlijk fascinerend om eerlijk te zijn. Het doet me denken aan het feit dat we zeer beperkte omgevingen hadden en zelfbediening de wereld verandert en veel daarvan gebeurt eigenlijk omdat er zoveel meer gegevens in de omgeving zijn gekomen dan voorheen. De enige vraag, omdat we niet veel tijd hebben, maar de enige vraag die ik zou willen stellen, is omdat je uitlegde hoe - omdat ik dacht dat het een heel goede demo was - de manier waarop de BI-monitoring werkt. Ik vroeg me af wat mensen met dit soort dingen eigenlijk niet doen? Omdat het heel moeilijk moet zijn, zijn er een aantal dingen waar je het verschil maakt, de hoofdoorzaak is goed, je hoeft niet altijd de grondoorzaak te bereiken, maar je kunt met sommige van de dingen de grondoorzaak bereiken waar je naar kijkt, dat toen je zei dat een aantal mensen de tool kopen gewoon om te weten wie wat uitvoert, en dat mijn geest draait, omdat het is alsof je niet weet wie wat uitvoert, dan is het uit de hand lopen. Dus hoe ziet de omgeving eruit als deze uit de hand loopt?
Stan Geiger: Ik bedoel, je zou al deze informatie die we in de tool hebben, zelf kunnen krijgen, maar je moet een heleboel inlandse scripting schrijven en omdat de gegevens daar allemaal zijn, moet je gewoon weten waarheen krijg het, dat vereist een niveau van expertise, toch? Dus in omgevingen waar je dat niveau van expertise niet hebt, is wat je in feite krijgt, hey, is het omhoog of omlaag? Ik weet echt niet of het efficiënt werkt of niet, maar het is goed, toch? En dan begin ik telefoontjes of mensen te krijgen: "Hé, mijn rapport staat niet in mijn inbox, wat is er aan de hand?" Of "Ik heb dit rapport zojuist ingediend via rapportageservices" of ze doen hier een vraag in analyseservices, maar het duurt ongeveer een half uur en het duurde maar 30 seconden, wat is er aan de hand? Nou, nu moet je de brandoefening doen en proberen erachter te komen, en zonder gereedschap wordt het erg moeilijk.
Robin Bloor: Nou, goed, dat was iets dat me steeds duidelijker werd, omdat je elk van de dimensies van wat je hier eigenlijk hebt laten zien. Het andere is, het is als op een heel, heel primitief niveau, als je geen meldingen hebt die je vertellen dat er dingen misgaan, dan is het gewoon een dure - je komt in een dure situatie, proberen te genezen wat er is gebeurd, omdat je kom er niet achter voordat dingen erg omvallen, toch?
Stan Geiger: Juist, je weet niet wat je niet weet.
Eric Kavanagh: Je snapt het. Nou, mensen, we hebben hier een uur gebrand en kunnen veranderen. Heel erg bedankt aan onze eigen Robin Bloor, en natuurlijk onze vriend, Stan Geiger, van IDERA Software. Ze zullen bij Enterprise Data World zijn, als iemand van jullie daar naartoe gaat, zal die van jou er ook echt in Atlanta zijn. Onze goede vriend, Tony Shaw, doet al vier jaar geweldig werk aan die conferentie, en hey wat oud is, is weer nieuw. Het is allemaal hot stuff. Hopelijk zien we je daar, als dat niet het geval is, kom dan volgende week bij ons terug, we hebben een aantal andere webcasts op een rij.
Altijd nieuwsgierig om je gedachten te horen, een e-mail te sturen naar, dat gaat rechtstreeks naar mij, als je vragen of suggesties hebt, of andere technologieën waarover je meer wilt weten in Hot Technologies. En daarmee ga je je vaarwel zeggen, mensen. Nogmaals bedankt dat je erbij bent, we spreken je de volgende keer weer. Wees voorzichtig. Tot ziens.
