Oleh Staf Techopedia, 29 Maret 2017
Takeaway: Host Eric Kavanagh membahas intelijen bisnis dengan Dr. Robin Bloor dan Stan Geiger dari IDERA.
Anda saat ini belum masuk. Silakan masuk atau daftar untuk melihat video.
Eric Kavanagh: Saudara-saudara, selamat datang kembali, ini hari Rabu jam 4:00 Timur dan selama beberapa tahun terakhir itu berarti sudah waktunya untuk Hot Technologies, ya, tentu saja. Nama saya Eric Kavanagh, saya akan menjadi pembawa acara Anda hari ini. Saya suka topik ini: "Pemeriksaan Kesehatan: Mempertahankan Perusahaan Sehat BI, " itulah yang akan kita bicarakan hari ini. Ada benarnya tentang dirimu.
Jadi tahun ini panas - Hot Technologies benar-benar dirancang untuk mendefinisikan jenis teknologi tertentu dan Anda dapat membayangkan di luar sana di dunia perangkat lunak perusahaan, ada banyak sekali vendor yang menjual segala macam produk berbeda dan apa yang akhirnya terjadi adalah ada adalah kata kunci ini yang akhirnya digunakan dan menjadi digila oleh berbagai vendor untuk hal-hal yang sangat berbeda. Jadi, tujuan dari acara ini adalah untuk membantu teman-teman vendor kami dan membantu audiens kami baik mengidentifikasi dan membungkus kepala kami di sekitar apa jenis teknologi yang sebenarnya dan apa arti semua kata-kata ini ketika Anda sampai ke taktik kuningan.
Jadi, saya akan berdiri sebagai salah satu analis hari ini, kami juga memiliki Dr. Robin Bloor di telepon dan Stan Geiger dari IDERA. Mari kita bicara cepat tentang pentingnya intelijen bisnis dan analitik secara umum. Ini adalah pohon keputusan dasar, jika Anda mau, atau bagan alur hanya semacam pembicaraan tentang bagaimana Anda mengatasi masalah di perusahaan Anda, berdiskusi tentang berbagai topik, menyusun proposal dan kemudian Anda mengetahui apa yang dipikirkan orang. Apakah mereka setuju? Apakah mereka tidak setuju? Apa konsensus, jika Anda memiliki beberapa, dan bagaimana Anda bekerja melalui proses itu?
Ya, ini jelas sangat generik, tetapi ini merupakan pengingat yang baik tentang proses kami mengajukan ide di perusahaan, membuat keputusan, dan kemudian bergerak maju. Dan intinya adalah bahwa data diperlukan untuk setiap komponen tersebut. Itu bahkan lebih benar akhir-akhir ini di dunia data besar, karena tentu saja, data besar seperti mesin kebenaran raksasa di luar sana. Data besar sebenarnya adalah apa yang terjadi; itu mewakili siapa di mana, apa yang mereka lakukan, apa yang mereka beli, apa yang menangani media sosial mereka, tweeting misalnya. Tentu saja, semua hal itu dapat diretas - Anda harus berhati-hati untuk itu - tetapi intinya adalah bahwa data adalah arsitektur referensi, jika Anda mau, untuk kenyataan.
Jadi, Anda menginginkan data di setiap titik dalam proses pengambilan keputusan ini. Sekarang, konsensus itu penting. Jika Anda ingin pengguna yang bahagia, kadang-kadang bos mungkin harus menentang apa yang semua orang inginkan. Kami hanya berbicara tentang Steve Jobs tepat sebelum webcast ini dimulai dan dia terkenal karena hal semacam itu. Dia mendapat kutipan terkenal di mana dia merekomendasikan agar orang menghilangkan kebisingan yang mereka dengar di sekitarnya dan kemudian berpegang teguh pada visi mereka, jika mereka tahu apa yang mereka lakukan benar. Jadi, Anda tidak selalu membutuhkan konsensus, tetapi biasanya itu ide yang cukup bagus. Tetapi tujuan umum dari slide ini dan komentar ini adalah untuk mengarahkan pulang pentingnya kita ingin mengambil keputusan berdasarkan data, bukan hanya pada insting, meskipun usus biasanya sangat baik dalam membantu Anda mengetahui ke mana Anda ingin pergi, dan kemudian Anda benar-benar ingin memvalidasi itu, atau membatalkannya, dengan data Anda. Dan saya akan mengatakan jangan takut untuk melihat kembali ke sana, hanya sebagai penanda kecil yang bagus, atau mengingatkan bahwa ketika Anda melihat ke belakang pada kesempatan itu Anda setidaknya bisa mendapatkan beberapa kerangka referensi dan memahami di mana Anda pernah datang dari dan jujur tentang kesalahan yang telah Anda buat. Kita semua membuat kesalahan, itu terjadi.
Jadi, jika Anda memiliki masalah kinerja dalam sistem intelijen bisnis Anda, yah, ada ungkapan lama "kesabaran adalah suatu kebajikan, " bukan dalam dunia TI, saya dapat memberi tahu Anda sekarang. Jika pengguna menunggu lama untuk pertanyaan mereka kembali, atau mereka tidak mendapatkan laporan mereka, itu mengikis kepercayaan, dan ketika kepercayaan hilang, sangat sulit untuk mendapatkannya kembali. Jadi, saya telah membuat garis di sini - sekitar 40 detik hari ini adalah seperti 40 menit dalam banyak kasus - jika permintaan akan memakan waktu 40 detik, orang lupa apa yang mereka bicarakan, apa yang mereka tanyakan dari data. Bayangkan saja dalam percakapan jika Anda bertanya kepada seseorang, katakanlah bos Anda, Anda berkata, "Hei, saya ingin tahu mengapa kita harus melalui rute ini." Dan Anda harus menunggu 40 detik dalam percakapan untuk mendapat jawaban? Anda keluar dari kamar! Anda akan berpikir bahwa bos Anda telah kehilangan akal sehatnya. Jadi, latensi yang kita miliki di beberapa sistem informasi, ketika ada masalah kinerja, yang akan memotong proses analisis, aliran analitis, atau seperti beberapa orang menyebutnya, percakapan yang Anda alami dengan data Anda. Anda perlu mempercepat dalam sistem ini, apa pun yang harus Anda lakukan untuk menyelesaikannya, dan kami akan membicarakannya hari ini, itulah yang perlu Anda lakukan, karena tanpa aliran ide yang bolak-balik, Anda benar-benar merusak seluruh proses analitik. Jadi, dan sekali lagi, saya membuang komentar ini: kurangnya kepercayaan adalah pembunuh yang diam-diam. Orang-orang tidak akan benar-benar mengangkat tangan mereka terlalu banyak jika mereka tidak mempercayai Anda, tetapi mereka hanya akan menatap Anda ke samping dan bertanya-tanya apa yang sedang terjadi. Dan begitu kepercayaan itu hilang, Anda akan memiliki waktu yang sangat, sangat sulit untuk mendapatkannya kembali.
Jadi, kecerdasan buatan, yah kita terus mendengar tentang pembelajaran mesin dan AI dan "Oh, bukankah itu akan menyelesaikan semua masalah ini?" Robin dan saya telah mendengar selama bertahun-tahun tentang basis data yang mengatur sendiri dan semua hal menyenangkan ini - ada beberapa yang terjadi, tetapi tanyakan pada diri sendiri pertanyaan: seberapa sering Siri bisa melakukannya dengan tepat untuk Anda? Seberapa sering Siri secara tidak sengaja muncul dan berkata, “Maaf, saya tidak mengerti.” Itu karena saya tidak menanyakan apa pun kepada Anda. Saya hanya tidak sengaja menekan tombol yang terkutuk itu. Jadi masih banyak kekurangan, dan omong-omong di sisi kiri, itu chip ASIC dari Apple Newton - ingat anak anjing itu dari tahun ke tahun? Itu adalah salah satu perangkat pintar pertama, dan itu sudah lama, itu seperti awal 90-an atau pertengahan 90-an yang ingin saya katakan. Bahwa Newton keluar dan itu tidak terlalu bagus, tetapi ia memiliki visi; mereka tahu ke mana mereka pergi, tetapi bahkan sekarang, dengan iPhone AI dan pembelajaran mesin, ini adalah konsep yang banyak disalahpahami, saya akan mengatakan.
Dan tentu saja berkenaan dengan pembelajaran mesin, ini bisa sangat berguna dan sebenarnya dapat digunakan di beberapa lingkungan ini di mana Anda mencoba memahami apa yang terjadi dengan arsitektur informasi kompleks Anda, di mana segala sesuatu berjalan salah. Pembelajaran mesin bisa sangat berharga dalam konteks itu, tetapi hanya jika diterapkan dengan cara yang sangat akut. Jadi, saya hanya berada di, pada kenyataannya, sebuah acara besar di California, salah satu distributor Hadoop besar Cloudera mengadakan pertemuan puncak analis mereka dan saya sedang berbicara dengan kepala strategi mereka dan berkata, “Anda tahu, sepertinya bagi saya, bahwa benar-benar pembelajaran mesin hanya melakukan dua hal: ia memilah dan memurnikannya. ”Artinya, akan memberi Anda segmen atau kelompok kegiatan yang berbeda termasuk anomali, yang akan menjadi segmen. Dan itu memurnikan, artinya membantu Anda meningkatkan keputusan tertentu. Contoh klasik yang Anda dengar adalah ada manusia di foto ini, misalnya. Jadi itu sesuatu yang dapat dipelajari oleh mesin, dan berguna dalam konteks tertentu, ketika Anda berbicara tentang pemecahan masalah, karena Anda dapat mencari pola perilaku dalam penggunaan CPU, dalam penggunaan memori, dalam kecepatan disk dan apa yang dilakukan disk., dan semua hal menyenangkan semacam itu. Jadi itu bisa berguna, tetapi itu benar-benar sesuatu yang harus sangat fokus untuk menghasilkan nilai apa pun.
Jadi, salah satu hal favorit saya untuk dibicarakan - dan kita akan melihat sedikit tentang ini, saya pikir, ketika kita mengambil demo kami hari ini dari IDERA - dalam banyak hal saya pikir manusia masih belajar berbicara silikon . Ada ilmu material di bawah semua ini, dan bagi Anda yang telah melakukan pemecahan masalah dan benar-benar memperhatikan arsitektur informasi yang kompleks, ketika Anda mencoba memahami apa yang terjadi, bahkan dalam seperti cluster Hadoop misalnya, sungguh Anda biasanya hanya melihat histogram. Dan kemudian Anda harus mengkorelasikan apa arti berbagai histogram ini pada saat tertentu, dan itu membutuhkan kecerdasan; yang membutuhkan kecerdasan dan pengalaman manusia. Jadi, saya tidak takut sama sekali bahwa ML, atau pembelajaran mesin atau AI akan mengambil terlalu banyak pekerjaan di dunia ini dalam waktu dekat. Saya pikir akan selalu ada kebutuhan bagi manusia, yang terus terang tahu apa yang mereka bicarakan untuk membantu kami dan mewujudkan semua ini.
Jadi, mari kita terus bergerak. Jadi, apa yang terjadi jika Anda tidak didorong data? Ini adalah lukisan terkenal, “Si Buta Memimpin Orang Buta” - ini bukan yang Anda cari, kawan. Anda tidak ingin lingkungan seperti ini di organisasi Anda. Jadi yang kita inginkan adalah kita ingin keputusan kita digerakkan oleh data dan kita ingin keputusan digerakkan oleh data yang baik, data berkualitas baik dan itu hanya akan terjadi jika Anda mengumpulkan data yang benar, jika bagus dan bersih, dan jika sistem Anda berjalan dengan baik, jika sistem BI Anda sehat, sistem analitik Anda sehat dan pengguna mendapatkan apa yang mereka inginkan secara tepat waktu.
Maka dengan itu saya akan membungkus dan menyerahkan Robin Bloor yang tak ada bandingannya. Robin, bawa pergi.
Robin Bloor: Oke, well, terima kasih sudah memberikan saya bolanya. Saya sedang berpikir ketika Anda berbicara, Eric, saya hanya berpikir tentang BI dan ada presentasi vendor yang saya hadiri baru-baru ini ketika seseorang mengatakan bahwa dalam vendor tertentu, menjalankan sistem tertentu di gudang data besar dan buruk yang mereka akan, di titik waktu tertentu dapat melakukan 70.000 transaksi BI yang akan menyebabkan informasi disajikan kepada banyak orang. Terpikir oleh saya bahwa jika Anda benar-benar memiliki beban kerja seperti itu, dan Anda bahkan membuang beberapa detik untuk mengeksekusi perangkat lunak, maka itu sebenarnya akan sangat mahal, dan jika Anda membuang waktu beberapa menit itu akan menjadi sangat mahal. Dan kemudian saya ingat bahwa banyak sekali dunia berjalan menggunakan spreadsheet - ada, saya pikir mereka disebut "sistem bayangan" bukan? Pada contoh pertama, di mana orang hanya akan mengumpulkan sistem menggunakan spreadsheet dan email, dan mereka akan membuat segalanya terjadi, karena departemen TI tidak dapat membangun aplikasi untuk semua orang, jadi mereka melakukan itu. Dan banyak BI, saya pikir, terlibat dalam sistem seperti itu.
Bagaimanapun, setelah mengatakan itu, mari kita bicara tentang apa yang akan saya bicarakan. BI adalah umpan balik untuk sistem perusahaan, itu benar-benar sederhana atau rumit, tergantung pada peran apa yang dimainkannya dalam organisasi. Tetapi jika kita melihat ini adalah diagram dari sekitar empat tahun yang lalu, ketika kita mencoba dengan satu atau lain cara memahami apa yang terjadi di sisi analitik. Tapi cukup banyak, semua yang ada di belakang, melihat kembali apa yang terjadi sebelumnya, dan segala sesuatu yang pengawasan, dalam hal cara sistem bekerja, cenderung menjadi BI. Dulu tidak ada kasus bahwa apa yang pandangan ke depan, analitik prediktif adalah BI, tapi itu sebenarnya semakin menjadi kasus. Eric menyebutkan pembelajaran mesin, banyak pembelajaran mesin sebenarnya dapat dengan satu atau lain cara dijalankan melawan aliran data dan dapat memberi Anda analitik prediktif selama lima menit mendatang, atau bahkan hampir secara real time, sehingga Anda dapat menanggapi pelanggan, dengan pengetahuan yang dihitung tentang apa yang sebenarnya terjadi.
Tetapi di tengah diagram ini, bagian dalam berasal dari analitik. Apa yang biasanya terjadi adalah bahwa berbagai kegiatan analitik diarahkan pada pengumpulan data tertentu dan sesuatu yang baru dipelajari, pengetahuan dipelajari tentang bisnis. Dan sepotong pengetahuan itu kemudian diikat ke dalam proses bisnis yang dapat memberi makan darinya. Dan biasanya itu dimanifestasikan dalam satu atau lain cara sebagai peringatan BI muncul, atau hanya berbagai hal yang diletakkan di dashboard, dan seterusnya dan seterusnya. Ketika kami benar-benar melakukan ini, ada empat istilah di sana dan mereka berakhir dengan kata "penglihatan" yang sangat bagus. Tetapi pada kenyataannya itu bukan segalanya di bidang apa yang ingin dilakukan orang, ada juga masalah optimasi dan optimasi tidak menghasilkan analitik sederhana. Ini masalah yang sangat kompleks dan banyak masalah pengoptimalan yang tidak dapat larut secara unik. Anda hanya dapat memiliki solusi yang baik, Anda tidak dapat membuktikan bahwa Anda memiliki solusi yang lebih baik. Dan itu adalah bidang kegiatan, di mana ada kegiatan yang sedang berlangsung, tetapi kurang dari sebagian besar bidang analitik lainnya. Jadi, orang mengatakan kita hidup di zaman analitik - yah, kita memang dibandingkan dengan sepuluh tahun yang lalu, tetapi itu bisa lebih jauh daripada yang sudah hilang.
Jadi, pemberian BI, keinginan untuk pengetahuan melahirkan permintaan pengguna, yang melahirkan proyek analitik, dan proyek analitik menghasilkan danau data, dan danau data ditambah analitik menghasilkan wawasan dan wawasan yang melahirkan BI. Itu adalah cerita yang baru saja saya ceritakan; Saya hanya berpikir saya akan menulis itu. Apa yang saya lakukan di sini, maksud saya, inti dari slide ini dan sebenarnya sebagian besar slide lainnya hanya untuk benar-benar menekankan betapa rumitnya dunia intelijen bisnis sebenarnya. Ini bukan hal yang sederhana, saya bisa membuat slide ini jauh lebih rumit daripada yang sebenarnya, tetapi Anda memiliki di bagian bawah di sini, Anda memiliki data eksternal dan data internal yang dengan satu atau lain cara akan dimasukkan ke dalam pementasan daerah, yang saat ini adalah semacam danau data, meskipun tidak semua orang memiliki data danau. Dan orang-orang yang belum tentu memiliki yang sukses. Dan kemudian, ada aktivitas pembersihan yang tertelan dan aktivitas mengatur yang diperlukan pada data sebelum Anda benar-benar dapat menggunakannya. Dan kemudian, Anda menyajikan data itu dan Anda melaporkannya, atau menganalisisnya dan analisis itu mengarah pada tindakan.
Dan jika Anda benar-benar melihat berbagai macam analisis yang ada, ini adalah daftar yang sangat panjang, tetapi itu belum tentu daftar yang sepenuhnya lengkap, itu hanya apa yang saya pikir untuk dituliskan, ketika saya benar-benar membuat slide ini. Jadi, ada banyak hal yang terjadi di lingkungan BI yang visualisasi, OLAP, manajemen kinerja, kartu skor, dasbor, berbagai jenis perkiraan, data danau, penambangan teks, penambangan video, hal-hal prediktif, ada banyak hal yang benar-benar berlangsung. Jika Anda melihatnya dengan cara yang berbeda, realitas perusahaan, pada dasarnya ini adalah diagram yang mirip dengan yang terakhir, hanya dilakukan dengan cara yang berbeda. Saya memisahkan apa yang Anda sebut BI karena itu biasa dan diketahui apa yang diperlukan, itu tidak berarti bahwa apa yang sebenarnya terjadi adalah efisien, tetapi setidaknya Anda akan memiliki hal-hal biasa terjadi di, katakanlah Tableau, atau di Klik, atau di Cognos, ada sumber subjek, dan seterusnya dan seterusnya, berbagai laporan atau kemampuan reguler akan berlangsung. Dan kemudian Anda memiliki aplikasi analitik dan mereka berbeda. Karena aplikasi analytics benar-benar tentang mengeksplorasi data dan dalam pikiran saya itu sama dengan penelitian dan pengembangan. Dan kemudian Anda memiliki alur kerja. Dalam alur kerja campur barang-barang Anda dengan aplikasi operasional dan aplikasi kantor, jika itu perlu - dan itulah realitas perusahaan seperti yang saya lihat - meskipun di sebagian besar organisasi itu tidak terorganisasi dengan baik.
Jadi gangguan BI, ini hanya serangkaian hal yang membuat BI lebih sulit daripada sebelumnya, karena dunia BI lama terutama terdiri dari kumpulan data yang cukup bersih dengan satu atau lain cara ditangkap, mungkin dari gudang data dan dimasukkan ke dalam spesifik Perangkat lunak BI. Dan pada hari-hari itu, saya benar-benar berbicara lima atau sepuluh tahun yang lalu, tetapi pada masa itu, volume data tidak berkembang, sumber data diketahui. Kecepatan kedatangan data diketahui, meskipun seringkali beberapa BI tidak akan terjadi cukup cepat untuk keinginan pengguna tertentu. Tidak ada data yang tidak terstruktur, hampir tidak ada data sosial, tentu saja tidak ada data IoT, Anda tidak peduli dengan sumber data. Nilai komputer tidak memiliki paralelisme dalam hal infrastruktur untuk dapat melakukan sesuatu dengan sangat cepat. Anda tidak memiliki pembelajaran mesin, dan jumlah beban kerja analitik cukup tipis. Dan semua itu berubah, volume data sekarang dapat tumbuh sangat dramatis. Jumlah sumber data terus meningkat. Ya, streaming kedatangan data sangat cepat, banyak data tidak terstruktur, tentu saja data sosial yang perlu dibersihkan, tetapi data lain yang mungkin perlu dibersihkan, tentu saja data IoT, adalah masalahnya sekarang.
Sumber data adalah masalah dan kami sangat peduli. Kekuatan komputer ada di sana, yang rapi, karena itu membuat segala macam hal menjadi layak, dan Anda memiliki pembelajaran mesin sekarang sebagai fenomena yang mengarah pada penciptaan lebih banyak kemampuan BI dan beban kerja analitik baru yang akan melakukan hal yang sama. Jadi, BI bukan situasi statis dan saya pikir itu hal terakhir yang akan saya katakan, sebelum saya serahkan ke Stan. Oh tidak, tidak, ada sesuatu yang lain. Lansekap BI di masa depan, internet hal-hal, arsitektur berbasis peristiwa, semuanya langsung, OK. Itu cukup BI dari pengguna, oleh pengguna, untuk pengguna masalah dalam ringkasan. Ketepatan waktu kinerja aliran data, cakupan data, pembersihan data, keterampilan akses data, visualisasi, kemampuan berbagi, dan tindakan.
Jadi sekarang saya bisa meneruskannya ke Stan, kecuali layanan BI dapat diandalkan dan tepat waktu, itu bukan layanan. Stan?
Eric Kavanagh: Baiklah, Stan, aku memberimu bola, bawa pergi.
Stan Geiger: Oke. Jadi, apa yang akan saya bicarakan hanyalah latar belakang saya. Saya seorang manajer senior di IDERA dalam manajemen produk dan salah satu tanggung jawab yang saya miliki adalah produk penawaran intelijen bisnis kami. Jadi saya akan memperluas sedikit tentang apa yang Robin bicarakan dan berbicara tentang bidang utama dengan intelijen bisnis adalah memantau kesehatan platform Anda. Seperti yang dia katakan, sekarang ini adalah tempat di mana kita memiliki semua data ini dan akan butuh berminggu-minggu untuk menganalisis dan kemudian kita kembali dengan laporan dan hal-hal lainnya. Tetapi lansekap BI berubah sedemikian rupa sehingga kita semakin dekat dengan analitikal real-time sekarang. Dan dalam banyak kasus, analisis real-time aktual. Jadi, saya berbicara sedikit tentang slide ini, ini hanya semacam gambaran umum - dan sama seperti pengungkapan penuh adalah bahwa saya akan membicarakannya dari perspektif Microsoft, tetapi semua konsep ini membahas apakah BI Anda platform berada di Oracle, atau Anda menggunakan Informatica dan Oracle, atau hanya mode campuran, lingkungan hybrid. Saya hanya akan menggunakan referensi ke lingkungan Microsoft, tetapi ini cukup standar.
Robin punya slide di sana yang menyentuh ini, adalah bahwa Anda punya sistem sumber, di mana saya punya semua data saya duduk, dan sekarang dulu semua ini dalam database relasional dan penyimpanan data seperti itu, tetapi sekarang kita punya Hadoop dan internet dan hal-hal lainnya, dan semua data tidak terstruktur ini ada di sana, dan sekarang kita bisa memasukkannya ke dalam arsitektur BI ini. Jadi tingkat menengah di sana berbicara sedikit adalah penyimpanan data dalam agregasi; ini adalah tempat kami menarik data, kami mungkin membersihkannya, kami mungkin merestrukturisasi, dan kemudian memasukkan beberapa jenis penyimpanan data dan kemudian lapisan presentasi duduk di atasnya, dan di situlah pengguna Anda mendapatkan akses. Dan kami melakukan analisis pada data itu di penyimpanan data tersebut, dan kami melakukan dashboard, dan Tableau ada di sana, melaporkan layanan, hal-hal seperti itu. Saya selalu tertawa karena ketika saya adalah seorang arsitek BA, kami selalu menertawakan Excel, karena mari kita hadapi itu, Excel adalah alat BI massa, masih.
Jadi, sedikit gambaran di sana, tetapi hanya untuk berbicara tentang jenis arsitektur platform, Anda punya data sumber Anda dan saya membicarakannya di beberapa toko data. Dan kemudian saya memiliki penyimpanan saya dalam agregasi di dunia Microsoft, Anda akan memiliki database SQL Server Anda, mungkin di mana gudang data Anda, Anda mungkin memiliki gudang data Anda di cloud, dengan gudang data Anda. Anda punya layanan analisis, yang merupakan tabung OLAP Anda dan hal-hal seperti itu untuk melakukan agregasi dan hal-hal di sekitar melihat hal-hal di berbagai dimensi dan hal-hal seperti itu. Kemudian Anda memiliki lapisan presentasi Anda, yang saya bicarakan secara singkat, tentang semua hal yang berada di atas penyimpanan data dan agregasi. Dan saya selalu suka kutipan ini, "Anda tidak tahu apa yang tidak Anda ketahui, " yang benar. Jika Anda tidak memantau dan tidak melihat apa yang terjadi, pada semua area platform BI ini, bagaimana Anda tahu kapan Anda memiliki masalah selain ketika pengguna mulai mengirimi Anda email jahat dan telepon mulai menelepon tentang mengapa laporan saya tidak berjalan? Kenapa semuanya butuh waktu lama?
Jadi, dalam nada itu, apa yang harus Anda lakukan, Anda harus dapat memantau platform Anda dari mana Anda melayani intelijen bisnis. Dan saya pada dasarnya memecahnya menjadi tiga bidang: Anda punya ketersediaan, kinerja dan pemanfaatan. Ketersediaan yang berarti apakah sumber daya tersedia: apakah naik atau turun? Cukup sederhana di sana. Tetapi juga melihat ketika Anda memiliki, Anda mungkin memiliki platform mungkin tersedia, tetapi Anda mungkin memiliki masalah di sana, jadi Anda harus dapat melakukan identifikasi akar penyebab; Anda harus dapat memiliki peringatan dan membiarkan seseorang tahu apa yang terjadi, sebelum keadaan menjadi kritis. Itu mengarah ke sisi kinerja juga, Anda mendapatkan hal-hal dari tingkat metrik kinerja, di tingkat server, di mana layanan atau layanan BI, atau platform BI di-host; Anda punya kinerja tingkat sumber daya di mana mungkin saya mengakses data dari SAN, misalnya. SAN menjadi sumber daya, sumber daya jaringan, Anda harus dapat memantau kinerja semua itu, untuk dapat mengidentifikasi kemacetan dan membuat pengguna Anda bahagia, dan jika Anda berada di lingkungan di mana Anda melakukan nyata- analisis waktu, Anda harus dapat mengidentifikasi kemacetan atau masalah sebelum mulai terjadi.
Dan teori terakhir adalah pemanfaatan: apa yang dilakukan pengguna? Siapa yang terhubung ke sumber BI saya? Siapa yang menjalankan apa? Pertanyaan apa yang mereka jalankan? Laporan apa yang mereka jalankan? Mengetahui informasi ini membantu menentukan dan melakukan perencanaan kapasitas, misalnya. Ini juga menunjukkan apa yang digunakan di lingkungan BI Anda. Kami memiliki pelanggan yang mereka inginkan produk pemantauan kami untuk BI supaya mereka tahu bagian mana dari lingkungan BI yang mereka manfaatkan sehingga mereka dapat memindahkan sumber daya. Misalnya, jika mereka tidak menggunakan laporan tertentu, atau kubus layanan analisis tertentu, maka mereka akan memindahkan sumber daya dari itu ke daerah lain yang sedang sangat dimanfaatkan. Kutipan lain yang saya suka, saya suka film-film hebat seperti "Tremors, " begitu ceritakan film saya, jadi saya suka kutipan ini dari Burt Gummer, yang diperankan oleh Michael Gross, dia semacam pria bersenjata yang bertahan dan dia berkata, dia muncul dan dia mengeluarkan senapan sniper 50 kaliber besar ini, dan salah satu dari mereka berkata, "Sialan, Bert." Dan dia menjawab dengan "Ketika Anda membutuhkannya dan Anda tidak memilikinya, Anda menyanyikan lagu yang berbeda. “Dengan kata lain, Anda tahu? Dia siap untuk apa pun dan dia datang untuk apa pun, jadi apa yang saya maksud dengan ini adalah jika Anda tidak memantau lingkungan BI Anda dari sumber daya dan pemanfaatan dan hal-hal yang baru saja saya bicarakan, maka Anda tidak menyadari bahwa Anda memerlukan alat atau lingkungan atau struktur yang memonitornya sampai Anda tidak memilikinya. Dan kemudian Anda menyadari bahwa saya benar-benar membutuhkannya maju, dan seperti itulah cara banyak pelanggan kami.
Jadi, setelah mengatakan itu, kami akan pindah, dan kami akan melihat apa yang kami lakukan di IDERA untuk menyelesaikan beberapa masalah ini. Dan-
Eric Kavanagh: Oke, ini dia, saya melihatnya.
Stan Geiger: Anda melihatnya? Baik. Jadi, yang kami dapat di sini adalah ini adalah produk BI Manager kami. Dan kami memantau, IDERA secara tradisional telah menjadi perusahaan di lingkungan SQL Server, Microsoft SQL Server. Dan kemudian kami membeli di Embarcadero, jadi sekarang kami telah memperluas ke beberapa platform lain, tetapi produk BI kami secara tradisional memonitor tumpukan BI di lingkungan Microsoft. Dan itu akan menjadi layanan analisis untuk analisis multi-dimensi dan tabular, layanan pelaporan, alat pelaporan, dan kemudian layanan integrasi, yang merupakan platform ETL, mirip dengan Informatica.
Dan melalui produk kami, Anda dapat memonitor ketiga lingkungan tersebut melalui satu produk, dan apa yang Anda lihat di sini adalah keseluruhan dasbor, dan hal yang perlu diperhatikan di sini adalah ketika saya berbicara tentang peringatan, itu adalah satu hal yang harus dipantau, tapi itu tidak cukup - Anda harus memiliki mekanisme peringatan. Dengan kata lain, saya harus dapat diberitahu sebelum keadaan kritis. Jadi, apa yang kami lakukan di sini, ada serangkaian metrik yang kami tangkap yang dapat dikonfigurasi karena tergantung pada lingkungan Anda, ambang tertentu, Anda mungkin baik-baik saja dengan waktu membaca tiga puluh milidetik, di lingkungan Anda. Lingkungan lain mungkin lebih kritis daripada ambang batas yang lebih rendah, jadi penting tidak hanya untuk memiliki peringatan, tetapi untuk membuatnya dapat dikonfigurasi karena lingkungan berbeda tergantung pada sumber daya.
Jadi, pada dasarnya, ini adalah gambaran umum dari semua lingkungan yang dipantau di sini, dan saya punya tiga contoh di sini: satu untuk layanan analisis, satu untuk layanan integrasi, satu untuk layanan pelaporan. Dan Anda tahu saya punya beberapa peringatan di sini. Dan karena ini berwarna merah, ini memberi tahu saya bahwa ini sangat penting, karena saya memiliki beberapa level yang dapat saya atur lansiran tersebut, dan lansiran tersebut dapat diemailkan kepada orang-orang yang bertanggung jawab untuk mencari tahu apa masalahnya. Jadi, sebentar saja kita akan melihat dan saya akan kembali ke peringatan, sehingga kita bisa masuk ke bagian layanan analisis dan itu, saya yakin itu menunggu untuk memuat di sini. Dan pada dasarnya, apa yang kami lakukan, kami memiliki pengumpulan data; itu keluar di sana secara berkala dan keluar di sana dan mengumpulkan dan memotret apa yang dilakukan lingkungan Anda. Jadi, saya memiliki tambang saya untuk setiap enam menit, jadi setiap enam menit ia pergi ke sana dan memilih lingkungan. Saya memiliki VM saya tertidur untuk sementara waktu, jadi perlu beberapa saat untuk kembali. Itu dia.
Jadi, kita melihat pada bagian layanan analisis dan jadi saya akan mengklik contoh saya di sini, dan ingat saya berbicara tentang salah satu hal yang kami monitor adalah kinerja di tingkat server, karena banyak orang memiliki banyak hal berjalan di server mereka. Saya mungkin memiliki database yang berjalan di server saya, serta layanan analisis, misalnya. Jadi, jika ada sesuatu yang terjadi di database atau saya memiliki masalah di tingkat server, itu akan berdampak pada apa pun yang berjalan di sana. Jadi, kami akan memantau hal-hal di seluruh server di tingkat server, hal-hal seperti bagaimana kinerja disk, dan Anda dapat melihat kami menangkap metrik di semua ini. Dan semua ini dapat dikonfigurasi. Dan saya melihat apa yang terjadi, dari segi CPU, adil, dan sekali lagi, ini di tingkat server, bukan pada tingkat layanan analisis dalam contoh saya di sini. Tetapi sebenarnya di tingkat server.
Dan saya dapat melihat hal-hal seperti apa memori, penggunaan memori secara keseluruhan misalnya, apa yang tersedia? Jadi sekarang saya mendapatkan ide tentang apa kesehatan server itu sendiri. Kemudian kita dapat mulai melihat pada hal-hal yang khusus, dalam hal ini layanan analisis. Saya bisa melihat dan melihat bagaimana pemrosesan kubus saya di sini, misalnya, dan ini memberi saya ukuran kesehatan. Jika saya mulai melihat bahwa prosesnya memakan waktu lebih lama, atau bukan barisnya tidak ditulis dengan cepat, maka saya bisa mulai melihat - dan ini menuju pada bagian korelasi yang saya percaya Robin bicarakan, apakah itu masih butuh manusia untuk bisa melakukan semua ini. Kami berbicara tentang AI, pembelajaran mesin, tetapi masih dibutuhkan manusia untuk dapat menghubungkan peristiwa ini dengan berbagai hal. Kita dapat melihat hal-hal seperti apa yang terjadi sejauh pertanyaan, pertanyaan apa yang sedang dijalankan dan berapa lama waktu yang dibutuhkan? Saya dapat mengurutkan, jadi saya bisa mulai mendapatkan gagasan tentang kueri mana yang menghabiskan waktu paling lama. Anda dapat melihat di sini pada waktu yang telah berlalu, saya dapat melihat dan melihat OK, apa permintaan itu dan siapa yang menjalankan permintaan itu pada waktu itu?
Jadi saya bisa mulai membuat cerita tentang ini sejauh ketika saya mulai melihat hal-hal mulai meningkat, saya bisa kembali dan melihat dan melihat apa yang dilakukan pengguna pada saat itu. Dan Anda akan melihat salah satu hal yang kami lakukan adalah kami menempatkan pemetik waktu ini di sini untuk memungkinkan Anda memilih jendela waktu. Jadi misalnya, saya dapat kembali ke lansiran tersebut, dan sebenarnya itu adalah tautan pada lansiran yang saya klik, dan itu akan membawa saya pada titik waktu ketika peringatan itu terjadi. Dan kemudian saya bisa mulai mengumpulkan cerita bersama, saya bisa melihat oh, well, disk membaca sudah habis, atau memiliki masalah memori atau apa pun, dan kemudian saya bisa melompati aktivitas permintaan pada titik waktu yang sama dan saya benar-benar dapat memulai mengkorelasikan siapa yang menjalankan pertanyaan apa yang mungkin menyebabkan lonjakan itu di sana. Dan kemudian, Anda dapat mulai melakukan hal-hal seperti saya dapat mulai menyetem, saat itulah saya mulai menyetem. Ini seperti mobil, jika Anda membuat mobil balap dan Anda cukup menjatuhkan mesinnya, dan memulai kunci, mesinnya akan mulai, tetapi jika saya perlu menempuh 180 mil per jam untuk menang, saya perlu tahu bahwa mesin dapat menjalankan 100 bermil-mil per jam dan saya harus masuk ke sana dan mulai menyetel mesin itu agar bisa sampai di sana. Dan itulah yang memungkinkan Anda lakukan, adalah untuk dapat memberi Anda informasi yang cukup untuk mulai menyesuaikan lingkungan Anda, untuk meningkatkan kesehatan dan produksi lingkungan itu, dan efisiensi.
Dan kemudian, kami memantau berbagai hal di memori yang khusus untuk layanan analisis, dalam hal ini. Dan di sinilah Anda dapat mulai melihat di mana hal-hal mungkin mulai serba salah, ketika Anda mulai melihat hal-hal melonjak di atas antara batas memori Anda, hal-hal seperti itu. Hal lain yang baik untuk dilihat, kapan pun Anda menjalankan semua jenis kueri, Anda ingin Anda ingin data di-cache, karena ketika itu di-cache, ada di memori dan tidak harus membaca dari disk, yang jauh lebih banyak efisien daripada harus membaca data dari disk. Jadi Anda dapat mulai melihat hal-hal yang sedang terjadi, maafkan saya, dalam cache data misalnya. Saya memiliki banyak pertanyaan yang berjalan sebelumnya, untuk mendapatkan data ini, dan Anda dapat melihat saya memiliki sebagian besar waktu, hit cache dan pencarian tumpang tindih, yang bagus. Tapi saya punya periode di sini di mana hit jauh lebih rendah daripada apa yang dicari, yang memberi tahu saya bahwa ada sesuatu yang terjadi yaitu memori intensif, sehingga cache semakin memerah jauh lebih cepat, sehingga data harus baca dari disk. Dan kita bisa melihatnya ketika kita melihat mesin penyimpanannya. Ini adalah titik waktu yang sama dengan grafik lainnya, dan Anda dapat melihat lonjakan di sana, di mana kueri dari file benar-benar melonjak selama periode itu. Dan itu berarti bahwa data sedang dibaca dari disk. Sekarang, saya bisa kembali dan mengkorelasikannya ke kueri yang sedang berjalan, dan tidak membuat telinga semua orang berdarah, tetapi dalam layanan analisis, ia menggunakan bahasa yang disebut MDX, ada cara untuk menulis kueri lebih efisien, sehingga menggunakan cache lebih efisien dan lebih sedikit penyimpanan. Jadi, ada contoh menyetel mesin itu, dan memberi Anda semua bagian yang diperlukan untuk dapat menghubungkannya.
Hanya dengan cepat, kita juga bisa membalikkannya, ketika kita melihat pertanyaan, kita bisa melihat sekarang sesi, siapa yang sebenarnya terhubung pada titik waktu ini dan apa yang mereka jalankan? Jadi jenis ini memberi Anda pandangan yang berlawanan dari pertanyaan dan siapa yang menjalankannya. Inilah yang terhubung dan kemudian saya bisa melihat apa yang sedang mereka jalankan saat ini. Hal lain, hanya dengan cepat pergi, adalah Anda dapat melihat semua objek di kubus MOLAP multi-dimensi saya. Dan saya bisa mendapatkan informasi tentang itu. Jadi, misalnya, saya dapat mengurutkan berdasarkan kolom baca ini, dan saya dapat melihat bahwa objek yang paling banyak digunakan adalah dimensi waktu dan yang paling banyak digunakan kedua adalah dimensi pelanggan. Dan ini membantu orang yang mengembangkan dan membangun sesuatu untuk membangun kubus mereka dengan lebih efisien. Saya mungkin ingin mengubah strategi pemartisian data saya, misalnya, pada dimensi yang sangat dimanfaatkan dalam kubus saya, dan karena itu akan meningkatkan kinerja kueri, misalnya. Ini dapat menurunkan kinerja pemrosesan kubus, karena sekarang saya punya lebih banyak partisi, tetapi dari perspektif pengguna akan menyempurnakan mesin itu, agar lebih efisien untuk memanfaatkan objek-objek ini.
Jadi, lanjutkan, bicarakan layanan integrasi di sini. Layanan integrasi, saya sebutkan, adalah platform ETL di lingkungan Microsoft. Apa yang kami lakukan di sini - dan ini konsisten - kami memantau kinerja server, dan ini akan menjadi metrik yang sama dengan yang kami lihat, karena semua layanan saya berjalan di server yang sama. Tetapi sekali lagi, ini adalah gambaran umum tentang apa yang terjadi di server. Dan kemudian saya bisa melihat aktivitas untuk layanan integrasi, proses ETL saya. Jadi, saya bisa mendapatkan ide kapan proses ini berjalan, apakah mereka berhasil atau tidak, saya bisa menyoroti proses tertentu dari proses ETL dan kemudian akan menunjukkan kepada saya rincian langkah-langkah dalam proses ETL itu, apakah itu berhasil atau tidak dan berapa lama.
Sekarang, jika saya memiliki paket gagal di sini proses ETL, saya bisa turun ke rincian dan melihat pesan kesalahan dan itu akan menunjukkan kepada saya langkah mana dalam paket itu di mana proses ETL gagal, bersama dengan semua pesan yang terkait dengan itu. Jadi, apa yang dilakukan, adalah memberi saya, dan saya bisa mendapatkan peringatan jika gagal, jadi jika saya mendapatkan peringatan, saya bisa masuk ke sini, melihat, pergi ke peringatan itu, melihat paket gagal, lihat langkah-langkahnya, lihat di mana itu gagal, lihat pesan kesalahan dan saya segera tahu apa yang harus saya lakukan untuk memperbaikinya: gunakan kembali dan kemudian mulai lagi. Jadi, apa yang memungkinkan Anda lakukan adalah kami menyebutnya memperpendek jarak antara identifikasi masalah dan penyelesaian masalah. Jadi, di kehidupan sebelumnya, ketika saya bertanggung jawab untuk hal semacam ini, kami memiliki proses ETL yang akan berjalan pada malam hari, untuk memuat data warehouse kami. Jika saya memiliki informasi ini, hal pertama di pagi hari ketika saya datang, jika sesuatu gagal, maka saya dapat dengan cepat mengatasinya dan mendapatkan proses itu kembali untuk memastikan bahwa data warehouse sudah berjalan dan berjalan dan disegarkan pada saat pengguna masuk dan mulai mengakses pelaporan.
Hal lain adalah saya punya dua proses yang berjalan, adalah untuk melihat dan melihat bagaimana itu berjalan seiring waktu. Itu penting karena jika saya mulai melihat proses ini, misalnya, membutuhkan waktu lebih lama, melihat waktu ini meningkat, maka saya mungkin perlu melihat, misalnya, jendela pemeliharaan saya, saya mungkin memiliki hal-hal yang terjadi di server itu . Ambil, misalnya, cadangan; Saya mungkin memiliki cadangan yang terjadi yang menyebabkan proses saya menunggu sampai selesai. Saya mungkin perlu menjadwal ulang atau menyulap proses saya di sekitar hal-hal yang mulai berdampak pada ETL saya.
Dan bagian terakhir adalah layanan pelaporan. Layanan pelaporan adalah milik Microsoft, pada dasarnya alat pelaporan perusahaan mereka. Dan beberapa hal, sekali lagi, kita dapat melihat hal-hal di tingkat server, kita dapat melihat hal-hal di server laporan, server layanan pelaporan, itu sendiri. Saya tidak punya banyak hal yang berjalan di sini; Saya memiliki beberapa langganan yang berjalan setiap 15 menit, untuk menjalankan laporan. Jadi, Anda tidak akan melihat banyak koneksi aktif karena aktif, menghubungkan, menjalankan laporan, memutus dan mengirimnya.
Tetapi dalam lingkungan transaksional yang tinggi di mana banyak pelaporan dilakukan, dapat memantau hal-hal ini adalah kuncinya. Jadi, Anda dapat melihat di mana saya memiliki hal-hal yang terjadi di sini, sehingga memberi Anda ide yang cukup bagus tentang apa, dari layanan aktual dan tingkat platform, yang sedang terjadi. Dan kemudian, ketika saya berbicara tentang slide, apakah siapa yang menjalankan apa dan apa yang mereka lakukan? Dan salah satu pelanggan kami membeli produk ini hanya untuk bagian ini karena mereka ingin tahu laporan apa yang dijalankan orang, dan siapa yang menjalankan laporan ini. Jadi ini adalah salah satu hal dalam eksekusi laporan ini yang dapat Anda lihat di sini. Saya bisa melihat laporan apa, saya bisa melihat parameter apa saja yang ada di laporan itu, saya bisa melihat siapa yang menjalankannya, saya bisa melihat format laporannya. Dan kemudian saya memiliki semua metrik ini di sekitarnya, jadi jika sekali lagi, saya bisa memberi peringkat hal-hal ini, misalnya, laporan apa yang paling lama mengambil data, dan saya bisa langsung ke sana dan melihat laporan mana yang ada. Dan lagi, ini semua memberi saya data untuk menjadi, untuk menyetel mesin itu lagi. Sekarang, saya dapat mulai menyesuaikan lingkungan pelaporan saya di sekitar itu.
Dan hal terakhir, apakah saya bisa melihat aktivitas pengguna, siapa yang terhubung lagi dengan saat ini, apa yang mereka lakukan? Sebenarnya saya bisa, di lingkungan di mana saya memiliki multi-pengguna ini semua bisa diurutkan sehingga saya bisa peringkat, saya bisa melihat siapa yang paling memanfaatkan lingkungan. Jadi, hanya dengan cepat kembali dan melihat peringatan itu. Di sinilah peringatan itu; Saya dapat mengklik tautan ini di sini dan itu akan membawa saya ke grafik untuk titik waktu tersebut dan menunjukkan kepada saya yang mana dalam keadaan siaga. Jadi Anda bisa lihat di sini, itulah yang menyebabkan rata-rata milidetik untuk menulis, misalnya, baca dan tulis. Jadi, sekali lagi, hanya berusaha mendapatkan titik identifikasi masalah. Dan sangat penting untuk memiliki alat holistik, bukan hanya sesuatu yang melihat satu hal itu, karena manusia harus datang ke sini dan menghubungkan peristiwa-peristiwa yang sedang terjadi ini, jadi Anda harus dapat melihat apa yang terjadi pada saat itu. titik waktu di berbagai bidang lingkungan itu, dan itulah salah satu hal yang kami lakukan melalui pemilih waktu ini di sini.
Eric Kavanagh: Ya, ini Eric di sini hanya dengan pertanyaan singkat, karena saya pikir Anda mungkin memukul kepalanya, dan inilah yang saya bicarakan pada jam pertama, bahwa seorang manusia harus datang dan gambarkan korelasi-korelasi ini di antara lingkungan yang berbeda. Saya ingin tahu, apakah ada beberapa materi pendidikan yang dapat Anda bagikan, atau mungkin Anda melakukan semacam pertunangan dengan orang-orang untuk membantu mereka mengidentifikasi beberapa pola itu? Seperti Anda memiliki contoh yang sangat baik satu menit yang lalu, tentang ketika salah satu dari ini adalah spike yang memberitahu Anda bahwa ada sesuatu yang terjadi di memori karena terus mencoba membuang memori. Dan itu memberi Anda petunjuk, tetapi bagaimana orang memetakan statistik ini terhadap masalah dunia nyata, adalah pertanyaan sebenarnya.
Stan Geiger: Ya, itu poin bagus dan salah satu hal yang baru saja saya bicarakan, peta jalan untuk produk, adalah akhir tahun ini kita akan merilis versi dan salah satu hal yang akan kita mulai tambahkan adalah untuk masing-masing grafik ini, adalah deskripsi tentang arti grafik ini dan mengapa Anda harus peduli, dan apa dampaknya. Jadi dapat mengklik tanda tanya atau sesuatu pada grafik ini dan kemudian menarik jendela yang akan memberi Anda banyak informasi itu dan memberi tahu Anda bahwa ini adalah kemungkinan penyebabnya, ini adalah area yang terkena dampak, dan untuk membimbing dalam Anda ke arah bisa pergi dalam kasus ini, seperti yang Anda katakan, inilah lonjakan itu, saya tahu dari pengalaman pribadi saya apa artinya ini. Dan kemudian saya bisa mulai pergi dan mulai mengebor ke suatu daerah dan menemukan akar masalahnya.
Sekarang, kami memiliki banyak hal, sebenarnya, dalam produk manajer diagnostik kami untuk SQL Server, untuk database aktual. Kami memiliki banyak jenis fungsionalitas dalam produk seperti itu, dan kami juga memiliki sejumlah analisis untuk manajer diagnostik yang memberi tahu Anda lebih cepat. Dan di situlah kita akan pergi dengan produk ini.
Eric Kavanagh: Dan saya kira ada tanda tangan untuk jenis kegiatan tertentu. Apakah alat ini memungkinkan Anda untuk mengidentifikasi kapan peristiwa tertentu terjadi dan membuat katalog itu, sehingga seiring waktu itu akan mengenali pola yang sama di telepon dan membantu Anda mencari tahu mungkin jika itu adalah pengguna baru, misalnya, menggunakan alat yang sama? Bantu Anda mengerti, oh, ini karena server ini turun atau karena wilayah ini turun? Apakah ada cara untuk membuat katalog tanda tangan masalah, sehingga Anda dapat dengan mudah mengidentifikasinya nanti?
Stan Geiger: Tidak, sebenarnya, tapi itu sebenarnya konsep yang menarik, karena hampir seperti, apa itu - analisis komponen utama, saya kira - di mana Anda mengidentifikasi pola dan Anda mencatat pola itu dan jadi jika Anda melihatnya lagi, Anda dapat kembali dan lihat, OK, inilah penyebabnya pada saat itu. Ya, itu sesuatu, itu tidak ada di peta jalan tapi itu sesuatu yang saya pikirkan dari sudut pandang manajemen produk.
Eric Kavanagh: Saya bisa membayangkan. Oh, silakan.
Stan Geiger: Tidak, saya akan mengatakan - dan kami mendapatkan banyak permintaan, karena saya tidak tahu apa pengalaman Anda - tetapi apa yang kami temukan adalah DBA tahu basis data seperti punggung tangan mereka, tetapi barang BI adalah semacam kotak hitam dalam hal kesehatan platform. Dan tidak ada, mereka tidak memiliki banyak basis pengetahuan di sekitar itu. Ya, hanya dari bekerja di dalamnya selama lima hingga sepuluh tahun, bukan? Tetapi orang-orang biasa yang bertanggung jawab untuk menemukan ini, atau mendapatkan peringatan dan mencari tahu apa yang sedang terjadi, itu semacam kotak hitam bagi mereka.
Eric Kavanagh: Ya, saya bisa membayangkan. Saya ingin tahu juga, jadi Anda menunjukkan di layar itu bagaimana Anda dapat melihat semua pertanyaan yang muncul, berapa lama waktu yang diperlukan untuk berlari, dan siapa yang menghasilkannya. Bisakah Anda juga melihat struktur sebenarnya dari query SQL itu sendiri dan semacam melakukan analisis di sekitar itu? Seperti mungkin kadang-kadang orang mengumpulkan query SQL yang agak besar, katakanlah, dan rumit, tidak seperti master yang benar-benar mengumpulkan pertanyaan yang bagus dan ketat. Apakah itu sesuatu yang dapat Anda visualisasikan melalui alat ini dan kemudian membantu Anda bahwa masalahnya?
Stan Geiger: Ya, jadi yang bisa Anda lakukan adalah, seperti yang saya lakukan di sini, adalah saya baru saja disortir berdasarkan waktu yang sudah lewat, misalnya. Jadi saya bisa melihat orang-orang yang paling lama dan kemudian saya mendapatkan teks tetapi masih terserah seseorang yang kurang lebih ahli materi pelajaran untuk melihat itu dan pergi, "Oh, OK, inilah mengapa butuh begitu lama "Itu adalah sesuatu yang kami punya semacam analisis beban kerja, kami menyebutnya SQL Workload Analyzer untuk sisi database, bahwa saya telah bermain-main dengan ide mungkin di jalan datang dengan hal yang sama, sehingga mengidentifikasi kueri ini dan kemudian memberi Anda rekomendasi tentang cara menyetel kueri itu. Tetapi salah satu masalahnya adalah, apakah permintaan MDX ini adalah bahasa yang cukup khusus.
Eric Kavanagh: Ya, saya bisa membayangkan. Tetapi Anda dapat melihat, misalnya, siapa orang-orangnya, sehingga tidak terlalu sulit untuk mengetahui apakah satu orang, jika satu orang bertanggung jawab atas sepuluh permintaan proses terpanjang, maka jika tidak ada yang lain Anda dapat memanggilnya, atau menelepon manajernya atau seseorang dan berkata, "Hei, orang ini mengunyah banyak bandwidth, " dan mungkin ternyata itu adalah pertanyaan paling berharga untuk bisnis, kan? Anda harus memasukkannya ke dalam konteks nilai bisnis itu, dari kueri itu sendiri, itu bukan sekadar permainan angka yang jelas, bukan? Untuk mencari tahu, orang ini adalah pengguna kekuatan kita, dan dia yang mengubah bisnis, kan?
Stan Geiger: Tidak, Anda memang benar. Maksud saya, itulah salah satu cara pelanggan menggunakan ini, adalah untuk dapat melakukan itu. Seperti yang Anda katakan, Anda mungkin menemukan satu area, karena salah satu hal yang saya bicarakan, saya selalu terak di Excel, tetapi Anda dapat terhubung ke layanan analisis di Excel dan menjalankan tabel pivot dari OLAP, dan menghasilkan kueri sendiri, dan mengirimkannya dan kadang-kadang itu bukan formulir terbaik, sehingga Anda dapat kembali dan mengidentifikasi mereka dan benar-benar menulis ulang mereka dan memberikannya kepada pengguna dan membiarkan mereka menjalankannya di luar sana sehingga tidak butuh setengah jam untuk mereka untuk kembali ke tabel pivot mereka.
Eric Kavanagh: Tepat. Dan ketika kita berbicara tentang kueri, kalian membahas keseluruhan kueri, jadi Anda menyebut MDX, bagaimana dengan beberapa kueri lain seperti kueri DAX, atau beberapa di antaranya-?
Stan Geiger: Ya, kami membahas, ya, semua DAX dan MDX keduanya. Jadi salah satu hal yang saya tidak sebutkan, atau saya lakukan, mungkin, tapi kami mendukung tabular dan OLAP di Microsoft dan DAX makhluk - Saya pikir Anda dan saya berbicara tentang ini beberapa waktu lalu - adalah kita melihat banyak lebih tabular sekarang daripada OLAP. Karena lebih mudah untuk memunculkan model tabular dan hal-hal seperti itu, dan Anda pasti akan melihat pertanyaan DAX, tetapi kami akan mengambilnya juga.
Eric Kavanagh: Ya, itu menarik. Apakah Anda memiliki konteks tentang mengapa itu terjadi? Apakah mungkin karena semakin banyak orang yang terlibat dalam hal ini dan karena OLAP tentu saja bukan sesuatu yang baru, itu sudah ada selama apa, setidaknya 30-tahun aneh?
Stan Geiger: Benar, yah, itu semacam kombinasi, salah satu yang mendesain kubus adalah seni. Dan kubus dibangun untuk pra-agregat data sehingga sangat cepat untuk mengeluarkan data, tetapi memproses kubus membutuhkan waktu karena harus melakukan semua agregasi. Dan kemudian, perangkat keras menjadi lebih murah dan memori menjadi lebih murah dan kemudian semua orang keluar dengan penyimpanan kolom dan basis data dalam memori, sungguh. Dan juga tabular mungkin yang paling dekat dengan database relasional tradisional dan itu hanya jauh lebih mudah dan lebih cepat untuk memunculkan model tabular daripada dengan OLAP. Tetapi kekurangannya adalah ia berada di memori, semuanya berada di memori, jadi sangat intensif memori dan data tidak dikumpulkan sampai Anda memintanya. Jadi, tetapi setelah mengatakan semua itu, kita mulai melihat lebih banyak tabular di luar sana.
Eric Kavanagh: Itu menarik. Mungkin juga karena industri ini agak meratakan, dan yang saya maksud adalah kita mendapatkan lebih banyak orang yang berinteraksi dengan data dan menggunakan berbagai alat, dan tentu saja ketika Anda berbicara tentang Microsoft, saya pikir itu pasti kasus Anda memiliki banyak, lebih banyak pengguna untuk bisnis kecil dan menengah, dan bahkan beberapa organisasi besar yang menggali hal-hal tersebut, mendapatkan akses ke alat, menjalankan kueri, dan mereka mungkin tidak terbiasa dengan seluruh proses dan teknologi di sekitar membangun kubus, ke titik Anda, bukan? Karena memang butuh beberapa pemikiran, dan itu juga mahal, kan? Dibutuhkan waktu, dibutuhkan energi untuk membangun kubus ini kecuali Anda menggunakan beberapa teknologi baru di luar sana. Seperti, kami telah berbicara dengan perusahaan seperti Snowflake, misalnya, ia melakukan hal-hal yang cukup menarik, tetapi saya pikir Anda memiliki lebih banyak orang yang menggunakan barang-barang itu dan mereka mungkin menggunakan apa yang baru saja Anda jelaskan, yang merupakan format tabular, sebagai lawan secara resmi membangun batu, kan?
Stan Geiger: Ya, maksud saya, saya kira Excel - ketika apa itu, Power Pivot, saya percaya - itu sebenarnya tabular, jika Anda melihatnya; itu cara Anda membangun model tabular. Dan kemudian iterasi berikutnya adalah, saya bisa memberi tahu Anda model tabular yang saya buat dan saya menyebarkannya ke SQL Server sehingga saya bisa membaginya dengan orang lain. Jadi, ini hampir seperti ekstensi alami dari Excel.
Eric Kavanagh: Ya, itu poin yang bagus. Apa yang telah kita lihat selama lima tahun terakhir, saya katakan lima sampai tujuh tahun, hanyalah perluasan yang luar biasa dari penggunaan teknologi ini, bukan? Dan Microsoft, terus terang, telah menjadi pelopor dalam hal itu, benar-benar mendemokratisasi data daya melalui layanan analisis dan melalui Power Pivot, bukan? Maksudku, itu adalah pengubah game untuk industri, kan?
Stan Geiger: Ya, tidak, Anda memang benar. Maksud saya, saya memiliki slide ketika saya memberikan presentasi yang lebih panjang yang menunjukkan transisi dari model semantik, yang merupakan OLAP, ke tabular. Dan saya rasa saya memiliki penawaran dari Microsoft; mereka ingin data di tangan pengguna, tidak hanya di dinding toko TI, mereka ingin mendapatkan lebih banyak data di tangan orang-orang yang mengkonsumsinya.
Eric Kavanagh: Dan itu kembali ke slide pertama yang sangat sederhana yang saya perlihatkan, yang merupakan proses pengambilan keputusan dasar untuk organisasi mana pun, dan sekarang - dan saya pikir ini adalah hal yang hebat - kami mendapatkan semakin banyak orang dari seluruh hierarki organisasi yang memperhatikan apa yang terjadi, membawa kisah mereka ke meja dan Anda melakukannya dengan data, itulah intinya, maksud saya, Anda dapat menggunakan cara lain, tetapi jika Anda mendukung cerita Anda dengan data, Anda akan memiliki argumen yang jauh lebih kuat daripada mereka yang tidak, kan?
Stan Geiger: Tepat sekali. Seperti, ya, itu benar sekali. Maksud saya, itu sebabnya sekarang, dulu “Hei, saya perlu laporan ini, ” jadi sekarang saya harus pergi melalui permintaan laporan dan saya harus pergi ke sini, dan untuk mendapatkan laporan saya, dan sekarang saya bisa duduk di sana tepat di meja saya dan benar-benar adil, saya memiliki akses ke data yang dihasilkan, membuat keputusan bisnis saya.
Eric Kavanagh: Benar. Anda tahu, saya kembali dari sebuah konferensi minggu lalu dan ada komentar histeris dari seorang pria yang menjalankan lingkungan BI yang agak besar untuk Target toko, dan dia merujuk analisis swalayan dan BI swalayan, dan jelas itu masalah besar hari ini. Saya yakin itu adalah sesuatu yang mendorong banyak kegiatan untuk apa yang kalian lakukan di IDERA karena ketika Anda ingin meluncurkan swalayan, pertama-tama Anda lebih baik memiliki lingkungan BI yang sehat, bukan? Jika Anda akan membuat semua jenis orang di luar sana mengajukan semua jenis pertanyaan dengan segala macam cara, Anda akan ingin memiliki sesuatu seperti alat ini di sini, untuk dapat memahami siapa yang menanyakan pertanyaan mana dan di mana. Dan kutipan lucu yang akan saya keluarkan hanya untuk iseng di sini, seperti yang Anda katakan, "Ada garis tipis antara BI swalayan dan lanjutkan F sendiri."
Stan Geiger: Ya.
Eric Kavanagh: Saya pikir itu histeris. Tapi apakah Anda melihat bahwa tren swalayan benar-benar mendorong banyak kesadaran tentang apa yang Anda lakukan dengan teknologi?
Stan Geiger: Ya, karena seperti yang Anda katakan, jika Anda akan mengizinkan BI swalayan, maka Anda mungkin akan mendapatkan beberapa masalah kinerja, karena hanya: A) jumlah akses, jumlah orang yang pergi pada data, dan B) jumlah kueri yang terbentuk dengan buruk dan cara mengaksesnya yang Anda miliki. Jadi, Anda benar-benar, sangat penting bagi Anda untuk memantau lingkungan sehingga Anda dapat membuat semua orang senang yang mencoba untuk mengkonsumsi data, kan?
Eric Kavanagh: Ya, saya pikir itu benar sekali. Ini adalah berkah dan kutukan: ada baiknya orang-orang mencoba menggunakan barang-barang itu, tetapi sekali lagi, sampai pada titik Anda, jika Anda tidak memiliki alat yang tepat pada saat itu, Anda akan menjadi kemping yang tidak bahagia karena untuk menggulung keluar swalayan tanpa alat seperti ini, menurut saya itu hanya meminta segunung masalah.
Stan Geiger: Ya, maksud saya, ini mirip dengan ketika saya sedang membangun gudang data, itu seperti jika Anda tidak mendapatkan dimensi dan tabel fakta Anda dengan benar, maka Anda mengubahnya longgar untuk pelaporan ad hoc, Anda mungkin ingin merangkak di bawah batu.
Eric Kavanagh: Itu luar biasa. Ya, itu bagus, sekali lagi, ini adalah kabar baik bahwa orang-orang menggunakan barang-barang ini, tetapi saya rasa saya harus percaya bahwa swalayan akan mendorong banyak kegiatan untuk apa yang Anda lakukan, karena Anda berbicara tentang meningkatkan naikkan jumlah ketegangan dan jumlah tekanan pada sistem-sistem ini atas perintah besarnya. Tidak hanya dengan satu, atau dengan dua urutan besarnya dan pada titik itulah Anda benar-benar ingin memiliki visibilitas dan Anda ingin dapat melihat siapa yang melakukan apa, di mana, kapan, bagaimana dan mengapa. Ajukan pertanyaan-pertanyaan itu dan kemudian buat beberapa keputusan tentang bagaimana Anda bisa memantau dan mengubah lingkungan dan mengubah kebijakan Anda tentang siapa yang mendapatkan akses ke apa, kan?
Stan Geiger: Benar. Dan Anda tahu, itu juga, mengetahui, melihat bahwa pemanfaatan juga memungkinkan Anda untuk masuk ke sana, dan potensi, seperti yang saya sebutkan objek dalam kubus, saya dapat melakukan hal-hal untuk meningkatkan itu, bahwa sejauh cara saya membangun dan mendesain sesuatu. Jadi, sangat penting bahwa tidak hanya itu untuk melihat kinerja hal-hal tetapi untuk dapat melihat bagaimana skema Anda dan desain Anda tampil di tingkat itu, juga, untuk dapat membuat penyesuaian untuk itu. Dan itu hanya akan menjadi lebih besar dan lebih besar karena hal-hal seperti kekuatan BI adalah masalah besar sekarang, dengan Microsoft, jadi sekarang saya dapat membangun dashboard dan widget dan hal-hal saya sendiri, dan tidak harus menjadi pengembang BI.
Eric Kavanagh: Benar. Ya, ini hal yang baik, ada di mana-mana, tetapi Anda akan memerlukan beberapa cara untuk mengelola lingkungan itu atau Anda akan mendapatkan pengguna yang tidak bahagia. Itu mengarah pada manajemen yang tidak bahagia, yang menyebabkan orang dipecat. Ada efek domino yang cukup jelas ketika segalanya mulai jatuh sebagian, tetapi ini adalah hal yang hebat.
Jadi saya agak mengunyah lima menit terakhir di sini. Robin, apakah Anda punya pertanyaan?
Robin Bloor: Ya, saya pikir itu menarik, sebenarnya, jujur. Ini membuat saya berpikir tentang fakta bahwa kami memiliki lingkungan yang sangat terbatas dan swalayan benar-benar mengubah dunia dan banyak dari itu benar-benar terjadi karena lebih banyak data yang masuk ke lingkungan daripada yang terjadi sebelumnya. Satu-satunya pertanyaan, 'karena kita tidak punya banyak waktu, tetapi satu-satunya pertanyaan yang saya tertarik bertanya adalah ketika Anda menjelaskan cara itu -' karena saya pikir itu adalah demo yang sangat bagus - cara yang Pemantauan BI bekerja. Saya bertanya-tanya apa yang sebenarnya dilakukan orang-orang yang tidak memiliki barang seperti ini? Karena itu pasti sangat sulit, ada beberapa hal di mana Anda membuat perbedaan, akar penyebabnya baik, Anda tidak harus selalu sampai ke akar penyebab, tetapi Anda bisa sampai ke akar penyebab dengan beberapa hal yang Anda lihat, bahwa ketika Anda mengatakan bahwa sejumlah orang membeli alat hanya untuk mengetahui siapa yang menjalankan apa, dan pikiran saya berputar, karena Anda tidak tahu siapa yang menjalankan apa, maka barang-barang di luar kendali. Jadi, seperti apa lingkungan itu ketika berada di luar kendali?
Stan Geiger: Maksud saya, Anda bisa mendapatkan semua informasi yang kami miliki di alat ini sendiri, tetapi Anda harus menulis banyak skrip buatan sendiri dan karena semua data ada di luar sana, Anda harus tahu di mana harus dapatkan, yang membutuhkan tingkat keahlian, bukan? Jadi, di lingkungan di mana Anda tidak memiliki tingkat keahlian itu, pada dasarnya, apa yang Anda dapatkan adalah, apakah hei, apakah naik atau turun? Saya benar-benar tidak tahu apakah itu berjalan dengan efisien atau tidak, tetapi terserah, bukan? Dan kemudian saya mulai menerima panggilan telepon atau orang-orang bertanya, "Hei, laporan saya tidak ada di kotak masuk saya, apa yang terjadi?" Atau "Saya baru saja mengirimkan laporan ini melalui layanan pelaporan" atau mereka mungkin melakukan kueri di sini di layanan analisis, tapi butuh setengah jam, dan biasanya hanya butuh 30 detik, apa yang terjadi? Nah, sekarang Anda harus melakukan latihan kebakaran dan mencoba dan mencari tahu, dan tanpa alat itu menjadi sangat sulit.
Robin Bloor: Ya, benar, hal itulah yang menjadi semakin jelas bagi saya, ketika Anda menunjukkan setiap dimensi dari apa yang sebenarnya Anda dapatkan di sini. Hal lain, itu seperti pada tingkat yang sangat, sangat primitif, jika Anda tidak memiliki peringatan yang memberi tahu Anda bahwa ada sesuatu yang salah, maka itu hanya mahal - Anda masuk ke dalam situasi yang mahal, mencoba menyembuhkan apa yang terjadi, karena Anda jangan mencari tahu sampai barang mulai jatuh dengan buruk, kan?
Stan Geiger: Benar, Anda tidak tahu apa yang tidak Anda ketahui.
Eric Kavanagh: Anda mengerti. Baiklah, teman-teman, kami sudah menghabiskan satu jam dan berubah, di sini. Terima kasih banyak kepada Robin Bloor kami sendiri, dan tentu saja teman kami, Stan Geiger, dari IDERA Software. Mereka akan berada di Enterprise Data World, pada kenyataannya, jika salah satu dari Anda pergi ke sana, Anda benar-benar akan ada di sana juga di Atlanta. Teman baik kita, Tony Shaw, melakukan pekerjaan hebat menjalankan konferensi itu empat tahun sekarang, dan hei apa yang lama itu baru lagi. Ini semua hal panas. Mudah-mudahan, kami akan melihat Anda di luar sana, jika tidak, periksa kembali dengan kami minggu depan, kami punya banyak webcast lain berbaris.
Ingin selalu mendengar pikiran Anda, mengirim email ke, itu benar bagi saya, jika Anda memiliki pertanyaan atau saran, atau teknologi lain yang ingin Anda pelajari di Hot Technologies. Dan dengan itu, Anda akan mengucapkan selamat tinggal, kawan. Terima kasih lagi untuk bergabung dengan kami, kami akan berbicara dengan Anda lain kali. Hati hati. Sampai jumpa.
