Af Techopedia Staff, 29. marts, 2017
Takeaway: Værten Eric Kavanagh diskuterer forretningsundersøgelser med Dr. Robin Bloor og IDERAs Stan Geiger.
Du er ikke logget ind. Log ind eller tilmeld dig for at se videoen.
Eric Kavanagh: Mine damer og herrer, velkommen tilbage igen, det er onsdag kl 4:00 østligt og i de sidste par år er det meningen, at det er tid for Hot Technologies, ja, ja. Jeg hedder Eric Kavanagh, jeg vil være din vært for dagens show. Jeg elsker dette emne: "Sundhedscheck: Vedligeholdelse af sund Enterprise BI, " det er det, vi skal tale om i dag. Der er virkelig et sted om dit.
Så i år er det varmt - Hot Technologies var virkelig designet til at definere bestemte slags teknologier, og du kan forestille dig derude i verden af virksomhedssoftware der er masser og masser af leverandører, der sælger alle mulige forskellige produkter, og hvad der opstår der sker der er disse buzzwords, der vinder op med at blive brugt og bliver klædt ud af forskellige leverandører til meget forskellige ting. Og så er formålet med dette show virkelig at hjælpe vores leverandørvenner og hjælpe vores publikum med både at identificere og vikle vores hoveder omkring, hvad specifikke slags teknologier virkelig er, og hvad disse ord alle betyder, når du kommer helt ned i messingstifter.
Så jeg kommer til at stå ind som en af analytikerne i dag, vi har også Dr. Robin Bloor på linjen og Stan Geiger fra IDERA. Lad os bare snakke hurtigt om vigtigheden af forretningsinformation og analyse bare generelt. Dette er et grundlæggende beslutningstræ, hvis du vil, eller et flowdiagram, bare slags foredrag om, hvordan du arbejder igennem spørgsmål i din virksomhed, har diskussioner om forskellige emner, sætter forslag sammen, og så finder du ud af, hvad folk synes. Er de enige? Er de uenige? Hvad er konsensus, hvis du har noget, og hvordan arbejder du gennem denne proces?
Det er helt klart meget generisk, men det er en god påmindelse om den proces, hvor vi foreslår ideer i virksomheder, træffer vores beslutninger og derefter går videre. Og bunden er, at der kræves data for hver enkelt af disse komponenter. Det er endnu mere sandt i disse dage i verdenen af big data, for selvfølgelig er big data ligesom denne kæmpe sandhedsmotor derude. Big data er virkelig hvad der sker; det er repræsentativt for hvem der er, hvad de laver, hvad de køber, hvad deres sociale medier håndterer, f.eks. Naturligvis kan alt det her hackes - det skal du passe på - men pointen er, at data er referencearkitekturen, hvis du vil, for virkeligheden.
Så du vil have data på ethvert tidspunkt i denne beslutningsproces. Nu er konsensus vigtig. Hvis du vil have glade brugere, kan det være nødvendigt, at en chef undertiden gå imod kornet for det, som alle ønsker. Vi talte lige om Steve Jobs lige inden denne webcast startede, og han var berygtet for den slags ting. Han har et berømt citat, hvor han anbefaler, at folk drukner støjen, de hører rundt, og derefter holder sig til deres vision, hvis de ved, hvad de gør, er rigtigt. Så du behøver ikke altid konsensus, men normalt er det en ret god ide. Men det generelle formål med dette lysbillede og denne kommentar er at køre hjem vigtigheden af, at vi vil tage vores beslutninger baseret på data, ikke kun på instinkt, selvom tarmen normalt er rigtig god til at hjælpe dig med at vide, hvor du vil hen, og derefter du ser virkelig ud for at validere det eller annullere det med dine data. Og jeg vil sige, vær ikke bange for at se tilbage gennem det derinde, ligesom en dejlig lille markør, eller husk at når du lejlighedsvis ser tilbage på at du i det mindste kan få en referenceramme og forstå, hvor du har været kommer fra og vær ærlig over de fejl, du har gjort. Vi har alle begået fejl, det sker.
Så hvis du har præstationsproblemer i dine business intelligence-systemer, ja, der er det gamle udtryk "tålmodighed er en dyd" ikke i IT-verdenen, kan jeg fortælle dig lige nu. Hvis brugerne venter længe på, at deres forespørgsler kommer tilbage, eller hvis de ikke får deres rapporter, eroderer tilliden, og når tilliden er væk, er det meget vanskeligt at få det tilbage. Så jeg har lagt en linje her - cirka 40 sekunder i disse dage er som 40 minutter i mange tilfælde - hvis en forespørgsel vil tage 40 sekunder, glemmer folk, hvad de endda taler om, hvad de spurgte om af dataene. Forestil dig bare i en samtale, hvis du spørger nogen, lad os sige din chef, du siger, "Hej, jeg vil gerne vide, hvorfor det er, at vi kører ned ad denne rute." Og du måtte vente 40 sekunder i en samtale at få et svar? Du ville gå ud af rummet! Du skulle tro, at din chef har mistet sindet. Så den latens, som vi har i nogle informationssystemer, når der er ydelsesproblemer, der vil afkorte den analytiske proces, den analytiske strømning, eller som nogle mennesker kalder det, den samtale, du har med dine data. Du er nødt til at sætte fart i disse systemer, uanset hvad du skal gøre for at få det til, og vi vil tale om det i dag, det er hvad du skal gøre, for uden den flydende strøm af ideer frem og tilbage, er du virkelig skade hele processen med analyse. Så og endnu en gang kaster jeg denne kommentar ud: manglende tillid er en tavselig morder. Folk løfter virkelig ikke hænderne for meget, hvis de ikke har tillid til dig, men de ser bare slags på dig sidelæns og spekulerer på, hvad der sker. Og når denne tillid er væk, har du en meget, meget vanskelig tid med at få det tilbage.
Så kunstig intelligens, ja, vi hører fortsat om maskinlæring og AI og "Åh, vil det ikke løse alle disse problemer?" Robin og jeg har i mange år hørt om selvindstillende databaser og alt dette sjove ting - der sker noget af det, men spørg bare dig selv: hvor ofte får Siri det rigtige for dig? Hvor ofte har Siri ved en fejltagelse dukket op og gå, ”Jeg er ked af det, det fik jeg ikke.” Det var fordi jeg ikke spurgte dig noget. Jeg ramte bare ved en fejltagelse den darnede knap. Så der er stadig mange mangler, og forresten i venstre side, det er ASIC-chippen fra en Apple Newton - husker du den hvalp fra år til år siden? Det var en af de første smarte enheder, og det var lidt for længe siden, det er som i begyndelsen af 90'erne eller midten af 90'erne, vil jeg sige. At Newton kom ud og det var ikke særlig godt, men det havde visionen; de vidste, hvor de gik hen, men selv nu, med iPhone AI og maskinlæring, er disse vidt misforståede koncepter, vil jeg sige.
Og bestemt med hensyn til maskinlæring, kan det være meget nyttigt og faktisk kan bruges i nogle af disse miljøer, hvor du prøver at forstå, hvad der sker med din komplekse informationsarkitektur, hvor ting går galt. Maskinlæring kan være meget værdifuld i den sammenhæng, men kun hvis den anvendes på en meget akut måde. Så jeg var faktisk bare på en stor begivenhed ude i Californien, en af de store Hadoop-distributører Cloudera havde deres analytikertopmøde, og jeg talte med deres chefstrategibetjent og sagde: ”Du ved, det ser ud til, at virkelig maskinlæring gør kun to ting: det segmenterer, og det raffinerer. ”Betyder det vil give dig forskellige segmenter eller klynger af aktiviteter, herunder afvigelser, som ville være et segment. Og det forbedrer, hvilket betyder, at det hjælper dig med at forbedre en bestemt form for beslutning. Det klassiske eksempel, du hører om, er, at der for eksempel er et menneske på dette fotografi. Så det er noget, maskinlæring kan gøre, og det er nyttigt i visse sammenhænge, når du taler om fejlfinding, fordi du kan kigge efter opførselsmønstre i CPU-brug, i hukommelsesforbrug, i hastighed på disken og hvad diske gør, og al den slags sjove ting. Så det kan være nyttigt, men det er virkelig noget, der skal være meget fokuseret for at generere enhver værdi.
Så en af mine andre foretrukne ting at tale om - og vi ser lidt af dette, tror jeg, når vi tager vores demo i dag fra IDERA - på mange måder tror jeg, at mennesker stadig lærer at tale silicium . Der er en materialevidenskab under alt dette, og for dem af jer, der har gjort fejlfinding og virkelig har taget et hårdt kig på komplekse informationsarkitekturer, når du prøver at forstå, hvad der foregår, selv i som en Hadoop-klynge, f.eks. du ser normalt bare på histogrammer. Og så skal du sammenhænge, hvad disse forskellige histogrammer betyder på et bestemt tidspunkt, og det kræver intelligens; der kræver menneskelig intelligens og erfaring. Så jeg er overhovedet ikke bange for, at ML, maskinlæring eller AI vil fjerne for mange job i denne verden snart. Jeg tror, der altid vil være et behov for mennesker, som ærligt talt ved, hvad de taler om, for at hjælpe os med at få dette til at ske.
Så lad os fortsætte med at komme videre. Så hvad sker der, hvis du ikke er datadrevet? Dette er et berømt maleri, ”Den blinde fører den blinde” - det er ikke det, du leder efter, folkens. Du ønsker ikke denne form for miljø i din organisation. Så hvad vi ønsker er, at vi ønsker, at vores beslutninger skal styres af data, og vi ønsker, at beslutningerne skal være drevet af gode data, data af god kvalitet, og det vil kun ske, hvis du samler de rigtige data, hvis de er rene og rene, og hvis dine systemer kører ordentligt, hvis dine BI-systemer er sunde, er dine analysesystemer sunde, og brugerne får det, de ønsker på en rettidig måde.
Så med det vil jeg slå mig sammen og overlevere til den uimodståelige Robin Bloor. Robin, tag det væk.
Robin Bloor: Okay, tak for at have givet mig bolden. Jeg tænkte, mens du talte, Eric, jeg tænkte bare på BI, og der var en sælgerpræsentation, jeg deltog for nylig, da nogen bemærkede, at i en bestemt leverandør, der kørte et bestemt system i et stort, dårligt datalager, de ville, på en et givet tidspunkt kunne udføre 70.000 BI-transaktioner, der ville føre til, at oplysninger blev præsenteret for mange mennesker. Det fandt mig op, at hvis du faktisk har den slags arbejdsbelastning, og du endda spilder et par sekunder i form af at udføre softwaren, så er det faktisk meget dyrt, og hvis du spilder minutter, vil det være frygteligt dyrt. Og så huskede jeg, at en forfærdelig masse af verden kører på regneark - der er, tror jeg, de blev kaldt ”skyggesystemer”, var de ikke? I første omgang, hvor folk bare ville sammensætte systemer ved hjælp af regneark og e-mail, og de ville få ting til at ske, fordi IT-afdelingen ikke kan oprette applikationer til alle, så de gør det slags. Og en masse BI, tror jeg, bliver involveret i systemer som det alligevel.
Under alle omstændigheder, efter at have sagt det, lad os begynde at tale om, hvad jeg vil tale om. BI er en feedbacksløjfe til virksomhedssystemer, det er virkelig så enkelt eller så kompliceret, afhængigt af nøjagtigt hvilken rolle det spiller i organisationen. Men hvis vi ser på dette er et diagram fra omkring fire år siden, da vi forsøgte på en eller anden måde at forstå, hvad der skete på siden af analysen. Men stort set alt, der er bagefter, når man ser tilbage på, hvad der tidligere er sket, og alt, hvad der er tilsyn, med hensyn til den måde systemet fungerer, har tendens til at være BI. Det plejede ikke at være tilfældet, at hvad der var fremsyn, forudsigelig analyse var BI, men det bliver faktisk i stigende grad tilfældet. Eric nævnte maskinlæring, en masse maskinlæring kan faktisk på en eller anden måde bare køres mod en strøm af data og kan give dig forudsigelig analyse i de kommende fem minutter, eller endda næsten i realtid, så du kan svare på en kunde med en beregnet viden om, hvad der faktisk sker.
Men midten af dette diagram, indersiden kommer fra analyse. Hvad der normalt sker, er, at forskellige analytiske aktiviteter peges på bestemte dataindsamlinger, og der læres noget nyt, læres viden om virksomheden. Og det viden stikkes derefter fast i de forretningsprocesser, der kan komme af den. Og normalt manifesteres det på en eller anden måde, når BI-alarmer vises, eller bare forskellige ting bliver lagt på instrumentpaneler, og så videre og så videre. Når vi faktisk gjorde dette, er der fire termer der, og de ender tilfældigt med ordet "syn", hvilket er meget rart. Men faktisk er det ikke alt inden for det, folk ønsker at gøre, der er også problemet med optimering og optimering giver ikke enkel analyse. Det er meget komplekst problem, og en masse optimeringsproblemer er ikke entydigt opløselige. Du kan kun have gode løsninger, du kan ikke bevise, at du har en bedre løsning. Og det er et aktivitetsområde, hvor der foregår aktivitet, men det er mindre end de fleste andre analytiske områder. Så folk siger, at vi lever i analysetiden - det gør vi godt sammenlignet med for ti år siden, men det kan gå meget længere, end det allerede er væk.
Så begyndelsen til BI, ønsket om viden begynder brugeranmodninger, som beder analytikeprojekter, og analyseprojekterne beder dataløer, og datasøer plus analytik giver anledning til indsigt og indsigt, der bitt BI. Det er en historie, jeg lige har fortalt; Jeg troede bare, jeg ville skrive det ud. Hvad jeg har gjort her, mener jeg, hele punktet med dette lysbillede og faktisk de fleste af de andre lysbilleder er bare for faktisk at understrege, hvor kompliceret verden af forretningsinformation er. Det er ikke en enkel ting, jeg kunne have gjort denne særlige diasvej mere kompliceret end den faktisk er, men du har i bunden her, du har eksterne data og interne data, der på en eller anden måde vil blive sat i en iscenesættelse område, som i dag er dette slags data sø søer, selvom ikke alle har datasøer. Og mennesker der ikke nødvendigvis har succesrige. Og så er der en indtagelsesrensningsaktivitet og en regeringsaktivitet påkrævet på dataene, før du faktisk kan bruge dem. Og så serverer du disse data, og du rapporterer enten om dem eller analyserer dem, og analysen fører til handling.
Og hvis du faktisk ser på de forskellige slags analyser, der findes, er dette en utrolig lang liste, men det er ikke nødvendigvis en helt omfattende liste, det er bare det, jeg tænkte at skrive ned, da jeg faktisk oprettede denne dias. Så der er mange ting, der foregår i et BI-miljø, som visualiseringer, OLAP, performance management, scorecards, dashboards, forskellige former for prognoser, dataløer, tekst mining, video mining, forudsigelige ting, der er et stort spektrum af ting, går faktisk videre. Hvis man ser på det på en anden måde, er virksomhedsvirkeligheden, egentlig er dette et lignende diagram som det sidste, det er bare gjort på en anden måde. Jeg adskilte det, du vil kalde BI, fordi det er regelmæssigt, og det er kendt, hvad der kræves, det betyder ikke, at det, der faktisk sker, er effektivt, men i det mindste vil du have regelmæssige ting, der sker i, lad os sige Tableau, eller i Klik, eller i Cognos, der er en emnekilde, og så videre og så videre, vil forskellige regelmæssige rapporter eller funktioner foregå. Og så har du analyse-apps, og de er forskellige. Fordi analyse-apps handler virkelig om at udforske data, og efter min mening svarer det slags til forskning og udvikling. Og så har du arbejdsgang. Bland arbejdsgangen bland dine ting med operationelle apps og kontorapps, hvis det er nødvendigt - og det er virksomhedernes virkelighed, som jeg ser det - selvom det i de fleste organisationer ikke er så velorganiseret.
Så BI-forstyrrelse, dette er bare et sæt ting at nævne gør BI sværere end det plejede at være, fordi den gamle BI-verden primært bestod af temmelig rene datasæt, der blev fanget på en eller anden måde, sandsynligvis fra et datalager og fodret ind BI-software. Og i disse dage taler jeg virkelig for fem eller ti år siden, men i disse dage voksede datamængderne ikke, datakilderne var kendt. Hastigheden for ankomst af dataene var kendt, skønt ofte BI ikke skulle ske hurtigt nok til, at visse brugere kunne lide det. Der var ikke nogen ustrukturerede data, der var næsten ikke sociale data, bestemt ingen IoT-data, du var ligeglad med dataoprindelse. Computerværdien havde ikke parallelitet med hensyn til infrastrukturen for på en eller anden måde at kunne gøre tingene ekstraordinært hurtigt. Du havde ikke maskinlæring, og antallet af analytiske arbejdsmængder var ret tyndt. Og alt dette er ændret, datamængden nu kan vokse meget dramatisk. Antallet af datakilder fortsætter bare med at stige. Ja, streaming af ankomst af data meget hurtigt, masser af ustrukturerede data, bestemt sociale data, som skal bruges til rensning, men andre data, som muligvis skal renses, bestemt IoT-data, er handlen nu.
Datapræsentation er et problem, og vi er interesseret i det. Computerkraften er der, hvilket er pænt, fordi det gør alle mulige ting muligt, og du har fået maskinlæring nu som et fænomen, der fører til skabelse af mere BI-kapacitet og nye analytiske arbejdsmængder, der vil gøre det samme. Så BI er ikke en statisk situation, og jeg tror, det er den sidste ting, jeg vil sige, før jeg overleverer det til Stan. Åh nej, det er det ikke, der er noget andet. Fremtidens BI-landskab, tingenes internet, begivenhedsstyrede arkitekturer, alt i realtid, OK. Det er nok BI af brugeren, af brugeren, til brugeren problemerne i resumé. Datastrømpræstation aktualitet, datadækning, datarensning, datatilgangsfærdigheder, visualisering, delbarhed og handlingsevne.
Så nu kan jeg videregive den til Stan, medmindre BI-tjenesten er pålidelig og rettidig, det er ikke en tjeneste. Stan?
Eric Kavanagh: Okay, Stan, jeg giver dig bolden, tag den væk.
Stan Geiger: OK. Så det, jeg skal tale om, er bare min baggrund. Jeg er senior manager hos IDERA inden for produktstyring, og et af de opgaver, jeg har, er vores business intelligence-produkt. Så jeg vil udvide lidt om, hvad Robin talte om, og snakke om nøgleområdet med forretningsinformation er at overvåge din platforms sundhed. Det er som han sagde, nu plejede det at være, hvor vi havde alle disse data, og det ville tage uger at analysere, og så kom vi tilbage med rapporter og ting. Men BI-landskabet ændrer sig således, at vi kommer nærmere på næsten realtidsanalyse nu. Og i mange tilfælde faktisk analyse i realtid. Så jeg taler lidt om dette lysbillede, dette er bare en slags oversigt - og ligesom en fuld afsløring er, at jeg vil tale om det fra et Microsoft-perspektiv, men alle disse koncepter går på tværs af om din BI platforme findes i Oracle, eller du bruger Informatica og Oracle, eller bare blandetilstand, hybridmiljøer. Jeg vil bare bruge det med henvisning til Microsoft-miljøet, men dette er ret standard.
Robin havde et dias derinde, der rørte ved dette, er at du har kildesystemer, hvor jeg har alle mine data siddende, og nu plejede det at være disse var alle i relationelle databaser og datalagring som det, men nu har vi Hadoop og internet og ting, og alle disse ustrukturerede data, der sidder derude, og vi kan nu bringe dem ind i denne BI-arkitektur. Så det midterste lag der snakker lidt er datalagring samlet; det er her, vi trækker data ind, vi renser måske dem, vi omstrukturerer dem muligvis og lægger derefter en eller anden type datalager, og derefter sidder præsentationslaget ovenpå, og det er her dine brugere får adgang. Og vi laver analyse af disse data i disse datalagre, og vi laver dashboards, og vi har Tableau siddende der og rapporterer tjenester, lignende ting. Jeg griner altid, for da jeg var BA-arkitekt, lo vi altid om Excel, for lad os indse det, Excel er stadig BI-værktøjet for masserne.
Så lidt overblik der, men bare for at tale om slags platformarkitektur, har du dine kildedata, og det talte jeg om i flere datalagre. Og så har jeg min opbevaring samlet i Microsoft-verdenen, du har din SQL Server-database, måske hvor dit datavarehus er, måske har du dit datavarehus i skyen, med som dit datavarehus. Du har analysetjenester, som er dine OLAP-rør og lignende ting til at udføre aggregeringer og ting omkring at se på ting på tværs af flere dimensioner og lignende ting. Så har du fået dit præsentationslag, som jeg snakket om kort, om alle disse ting, der sidder på toppen af disse datalagre og aggregeringer. Og jeg kan altid lide dette citat, "Du ved ikke, hvad du ikke ved, " hvilket er sandt. Hvis du ikke overvåger og ikke ser på hvad der foregår på alle disse områder af din BI-platform, hvordan ved du, hvornår du har et andet problem end når brugerne begynder at sende dig grimme e-mails og telefonen starter ringer til, hvorfor kører mine rapporter ikke? Hvorfor tager alt så lang tid?
Så i den forbindelse skal du, hvad du skal gøre, være i stand til at overvåge dine platforme, som du betjener forretningsinformation fra. Og grundlæggende delte jeg det ned i tre områder: Du har tilgængelighed, ydelse og udnyttelse. Tilgængelighed, der betyder, om ressourcen er tilgængelig: er den op eller ned? Temmelig enkel der. Men også når du kigger på, hvornår du har, kan det være, at platformen muligvis er tilgængelig, men du har muligvis problemer der, så du skal være i stand til at identificere rodårsagen; skal du være i stand til at have alarm og at lade nogen vide, hvad der foregår, inden tingene kommer i en kritisk tilstand. Det fører også til præstationssiden, du har ting fra et præstationsmetrisk niveau, på serverniveau, hvor tjenesterne eller BI-tjenesterne eller BI-platforme er vært; har du en ydeevne på ressourceniveau, hvor jeg måske får adgang til data fra et SAN, f.eks. SAN er ressource, netværksressourcer, du skal være i stand til at overvåge ydeevnen til alt dette, for at være i stand til at identificere flaskehalse og holde dine brugere glade, og hvis du er i et miljø, hvor du laver reel- tidsanalyse, skal du være i stand til at identificere flaskehalse eller problemer, inden de begynder at ske.
Og den sidste teori er brugen: hvad laver brugerne? Hvem har forbindelse til mine BI-kilder? Hvem kører hvad? Hvilke forespørgsler kører de? Hvilke rapporter kører de? At kende disse oplysninger hjælper med at bestemme og udføre kapacitetsplanlægning, f.eks. Det viser også, hvad der bruges i dit BI-miljø. Vi havde en kunde, som de ville have vores overvågningsprodukt til BI, bare de vidste, hvilke dele af BI-miljøet de brugte, så de kunne flytte ressourcer rundt. Hvis de for eksempel ikke brugte bestemte rapporter eller bestemte terninger for analysetjenester, ville de flytte ressourcer fra det til andre områder, der blev meget udnyttet. Et andet citat, som jeg kan lide, jeg kan godt lide rigtig gode film som "Rystelser, " så fortæl dig min film, så jeg kan godt lide dette citat fra Burt Gummer, som blev spillet af Michael Gross, han er en slags survivalist gun fyr, og han siger, han dukker op, og han trækker denne enorme snigskytteriffel på 50 kaliber ud, og en af fyrene siger: ”Damn, Bert.” Og han svarer med “Når du har brug for det, og du ikke har det, synger du en anden melodi. ”Med andre ord, ved du hvad? Han var forberedt på noget, og han kom forberedt på noget, og hvad jeg mener med dette er, hvis du ikke overvåger dit BI-miljø fra ressource og anvendelse og ting, jeg lige har talt om, så ved du ikke, at du har brug for et værktøj eller et miljø eller struktur, der overvåger det, indtil du ikke har det. Og så er du klar over, at jeg virkelig har brug for det fremad, og det er på den måde, som mange af vores kunder er.
Så når det er sagt, vil vi gå ind i, og vi vil se på, hvad vi gør her på IDERA for at løse nogle af disse problemer. Og-
Eric Kavanagh: Okay, der går du, jeg ser det.
Stan Geiger: Ser du det? Okay. Så hvad vi har her, er at dette er vores BI Manager-produkt. Og vi overvåger, IDERA har traditionelt været en virksomhed i SQL Server, Microsoft SQL Server miljø. Og så købte vi i Embarcadero, så nu har vi udvidet til nogle andre platforme, men vores BI-produkt overvåger traditionelt BI-stakken i Microsoft-miljøet. Og det ville være analyseservices til din multidimensionelle og tabelformede analyse, rapporteringstjenester, rapporteringsværktøj og derefter integrationstjenester, som er en ETL-platform, der ligner Informatica.
Og gennem vores produkt er du i stand til at overvåge alle disse miljøer gennem ét produkt, og hvad du ser her er det samlede instrumentbræt, og det, der skal bemærkes her, er, når jeg talte om det, der var alarmerende, det er en ting at overvåge, men det er ikke nok - du skal have en alarmmekanisme. Med andre ord skal jeg være i stand til at blive underrettet, før tingene kommer i en kritisk tilstand. Så hvad vi gør her, der er et helt sæt metrics, som vi fanger, som er konfigurerbare, fordi afhængigt af dit miljø, bestemte tærskler, kan du være okay med en tredive millisekund læsetid, i dit miljø. Andre miljøer kan være mere kritisk, at denne tærskelværdi er lavere, så det er vigtigt ikke kun at have advarsler, men at have den konfigurerbar, fordi miljøer er forskellige afhængigt af ressourcer.
Så dybest set er dette en oversigt over alle de miljøer, der overvåges her, og jeg har tre tilfælde her: et til analysetjenester, et for integrationstjenester, et for rapporteringstjenester. Og du kan se, jeg har et par advarsler her. Og fordi disse er røde, fortæller det mig, at de er kritiske, fordi jeg har flere niveauer, som jeg kan indstille disse advarsler, og alarmerne kan e-mailes til folk, der er ansvarlige for at undersøge, hvad problemet er. Så bare kort kigger vi på, og jeg kommer tilbage til alarmeringen, så vi kan gå ind på analyseservicestykket, og det er, jeg er sikker på, at det venter på at indlæses her. Og dybest set, hvad vi gør, har vi en dataindsamling; det går derude med jævne mellemrum og går ud der og indsamler og snapshots slags, hvad dine miljøer laver. Så jeg har mit sæt til hvert sjette minut, så hvert sjette minut går det derude og afstemmer miljøet. Jeg sov min VM i et stykke tid, så det vil tage et sekund, før dette kommer op igen. Sådan der.
Så vi kigger på analysetjenestestykket, og så skal jeg klikke på min forekomst her, og huske, at jeg talte om en af de ting, vi overvåger, er ydelse på serverniveau, fordi mange mennesker har flere ting kører på deres server. Jeg har muligvis en database, der kører på min server, såvel som analysetjenester, for eksempel. Så hvis der sker noget i databasen, eller jeg har et problem på serverniveau, vil det påvirke, hvad der kører der. Så vi overvåger ting på tværs af serveren på serverniveau, f.eks. Hvordan det er med diskens ydeevne, og du kan se, at vi fanger målinger omkring alt dette. Og alt dette kan konfigureres. Og jeg ser på hvad der foregår, CPU-klogt, bare og igen, dette er på serverniveau, ikke på analyseserviceniveauet i mit eksempel her. Men faktisk på serverniveau.
Og jeg kan se på ting som hvad er hukommelsen, den samlede hukommelsesforbrug, for eksempel hvad er tilgængelig? Så nu får jeg en idé om, hvad sundheden er på selve serveren. Derefter kan vi begynde at tage et kig på ting, der er særlige for, i dette tilfælde analysetjenester. Jeg kan se og se, hvordan min terningbehandling foregår her, for eksempel, og dette giver mig et mål for helbredet. Hvis jeg begynder at se, at behandlingen tager længere tid, eller det ikke er rækkerne, der ikke skrives næsten lige så hurtigt, så kan jeg begynde at se på - og dette går til korrelationsstykket, som jeg tror Robin talte om, er det det tager stadig et menneske at være i stand til at gøre alt dette. Vi taler om AI, maskinlæring, men det tager stadig et menneske at være i stand til at korrelere disse begivenheder omkring ting. Vi kan se på ting som hvad der foregår så vidt forespørgsler, hvilke forespørgsler der køres, og hvor lang tid tager de? Jeg kan sortere, så jeg kan begynde at få en idé om, hvilke forespørgsler der tager den længste tid. Du kan se her på det forløbne tidspunkt, jeg kan se og se OK, hvad var den forespørgsel, og hvem kørte den forespørgsel på det tidspunkt?
Så da kan jeg begynde at fortælle en historie omkring dette, så når jeg begynder at se tingene begynde at spike, jeg kan gå tilbage og se og se, hvad brugerne gjorde på det tidspunkt. Og du vil se en af de ting, vi gør, er at vi sætter denne tidsvælger her for at give dig mulighed for at vælge et tidsvindue. Så for eksempel kan jeg vende tilbage til disse alarmer, og det var faktisk et link på de alarmer, som jeg klikker på, og det vil tage mig det tidspunkt, hvor denne alarm opstod. Og så kan jeg begynde at dele historien sammen, jeg kan se, oh, disken læste var op, eller havde hukommelsesproblemer eller hvad som helst, og så kan jeg hoppe over forespørgselsaktiviteten på det samme tidspunkt og jeg kan faktisk starte der korrelerede, hvem der kørte, hvilke forespørgsler, der måtte have forårsaget disse pigge derinde. Og så kan du begynde at gøre ting som om jeg kan starte tuning, det er da jeg begynder at tuning. Dette er som en bil, hvis du bygger en racerbil, og du bare dropper motoren og starter den nøgle, som motoren muligvis starter, men hvis jeg skal gå 180 miles i timen for at vinde, skal jeg vide, at motoren kan køre 100 kilometer i timen, og jeg er nødt til at gå derind og starte tuning af motoren for at være i stand til at komme dertil. Og det er, hvad dette giver dig mulighed for, er at være i stand til at give dig nok information til at begynde at indstille dit miljø, for at øge sundheden og produktionen af det miljø og effektiviteten.
Og så overvåger vi ting på tværs af hukommelsen, som er specielt for analysetjenester, i dette tilfælde. Og det er her du kan begynde at se, hvor tingene muligvis begynder at gå galt, når du begynder at se ting, der spiger over mellem dine hukommelsesgrænser, sådan som det. Den anden ting, der er god at se på, når som helst du kører nogen form for forespørgsler, du vil have, at data skal blive cachelagret, fordi når det bliver cache, er det i hukommelsen og ikke behøver at læse fra disken, hvilket er meget mere effektiv end at skulle læse data fra disken. Så du kan begynde at tage et kig på ting, der foregår, undskyld mig i f.eks. Datacachen. Jeg havde en række forespørgsler, der blev kørt tidligere, for at hente disse data, og du kan se, at jeg havde det meste af tiden, cache-hits og opslag overlapper hinanden, hvilket er godt. Men jeg havde en periode her, hvor hits var meget lavere end hvad der var opslag, som fortæller mig, at jeg havde noget, der foregik, der var hukommelsesintensivt, sådan at cachen blev skyllet meget hurtigere, så data skulle være læst fra disken. Og det kan vi se, når vi ser på lagermotoren. Dette er det samme tidspunkt som den anden graf, og du kan se spidsen der, hvor forespørgsler fra fil virkelig sprang op i løbet af denne periode. Og det betyder, at data blev læst fra disken. Nu kan jeg gå tilbage og derefter sammenhænge det med de forespørgsler, der kørte, og ikke for at få alles ører til at blø, men i analysetjenester bruger det et sprog kaldet MDX, der er måder at skrive forespørgsler mere effektivt på, så det bruger cachen mere effektivt og mindre opbevaring. Så der er et eksempel på at indstille denne motor og give dig alle de nødvendige brikker for at kunne korrelere det.
Bare hurtigt kan vi også vende det den anden vej, når vi ser på forespørgsler, kan vi se på sessionerne nu, hvem der faktisk har forbindelse på dette tidspunkt og hvad kører de? Så denne type giver dig det modsatte syn på forespørgslerne og hvem der kører dem. Dette er hvem der er tilsluttet, og så kan jeg se, hvad de kører i øjeblikket. Den anden ting, bare for hurtigt at gå over, er, at du kan se alle objekter i mine multidimensionale MOLAP-terninger. Og jeg kan få oplysninger om det. Så for eksempel kan jeg sortere efter denne læste kolonne, og jeg kan se, at det mest anvendte objekt er tidsdimension, og det næst mest anvendte er kundedimension. Og dette hjælper mennesker, der udvikler og bygger ting til mere effektivt at opbygge deres terninger. Jeg vil måske ændre min opdelingsstrategi for dataene, for eksempel på disse meget anvendte dimensioner i min terning, og det vil derfor øge effektiviteten af forespørgsler f.eks. Det kan reducere ydelsen ved behandling af terningen, for nu har jeg flere partitioner, men fra et brugerperspektiv kommer det til at indstille denne motor til at være mere effektiv til at bruge disse objekter.
Så gå videre, snak om integrationstjenester her. Integrationstjenester, nævnte jeg, er en ETL-platform i et Microsoft-miljø. Hvad vi gør her - og det er konsistent - overvåger vi serverpræstationen, og disse ville være de samme målinger, som vi kiggede på, fordi alle mine tjenester kører på den samme server. Men igen, dette er en oversigt over, hvad der foregår på serveren. Og så kan jeg se på aktiviteten for integrationstjenester, mine ETL-processer. Så jeg kan få en idé om, hvornår disse processer kørte, uanset om de var vellykkede eller ej, jeg kan fremhæve et bestemt kørsel af en ETL-proces, og så vil det vise mig opdelingen af trinene inden for den ETL-proces, om den var vellykket eller ej, og hvor lang tid det tog.
Hvis jeg nu havde en mislykket pakke her ETL-proces, kunne jeg gå ned til detaljerne og se fejlmeddelelsen, og det ville vise mig, hvilket trin i den pakke, hvor den ETL-proces mislykkedes, sammen med alle de meddelelser, der er knyttet til den. Så hvad det gør, er, der giver mig, og jeg kan få en advarsel, hvis den mislykkes, så hvis jeg får en advarsel, kan jeg gå ind her, se, gå til den advarsel, se pakkefejlen, se på trinnene, se hvor det mislykkedes, se på fejlmeddelelsen, og jeg ved straks, hvad jeg skal gøre for at løse det: omdisponer det og start det igen. Så hvad dette tillader dig at gøre, er at vi kalder det forkortelse af det vindue mellem identificering af problemet og løsning af problemet. Så i det forrige liv, da jeg var ansvarlig for denne slags ting, havde vi ETL-processer, der ville køre om natten, for at indlæse vores datalager. Hvis jeg havde disse oplysninger, først om morgenen, da jeg kom ind, hvis noget mislykkedes, kan jeg hurtigt adressere det og få den proces op igen for at sikre, at datalageret var i gang og opdateres, da brugerne var kom ind og begyndte at få adgang til rapportering.
Den anden ting er, at jeg har to processer, der kører, er at se og se, hvordan det løb over tid. Det er vigtigt, fordi hvis jeg begynder at se disse processer, for eksempel tage længere tid, se disse tidspunkter rampe op, så er jeg muligvis nødt til at se på for eksempel mit vedligeholdelsesvindue, kan jeg have ting, der foregår på den server . Tag for eksempel sikkerhedskopier; Jeg har muligvis en sikkerhedskopi, der forårsager, at min proces venter, indtil den er færdig. Det kan være nødvendigt, at jeg omplanlægger eller jonglerer mine processer omkring ting, der begynder at påvirke min ETL.
Og det sidste stykke er rapporteringstjenester. Rapporteringstjenester er Microsofts, dybest set deres virksomhedsrapporteringsværktøj. Og nogle af tingene, igen, kan vi se på ting på serverniveau, vi kan se på ting på tværs af rapportserveren, selve rapporteringsserverserveren. Jeg har ikke mange ting der kører her; Jeg har nogle abonnementer, der kører hvert 15. minut for at køre en rapport. Så du vil ikke se en masse aktive forbindelser, fordi det tændes, forbindes, kører rapport, kobler fra og sender det væk.
Men i høje transaktionsmiljøer, hvor der rapporteres meget, er det at kunne overvåge disse ting nøglen. Så du kan se, hvor jeg havde ting, der foregik her, så det giver dig en ret god idé om, hvad der fra det faktiske service- og platformniveau foregår. Og så, som jeg talte om i lysbillederne, kører der hvad og hvad laver de? Og en af vores kunder købte dette produkt netop til dette stykke, fordi de ville vide, hvilke rapporter folk kørte, og hvem der kørte disse rapporter. Så dette er en af de ting i denne rapportudførelse, som du kan se her. Jeg kan se, hvilken rapport, jeg kan se alle parametre, der var i den rapport, jeg kan se, hvem der kører den, jeg kan se formatet på rapporten. Og så har jeg alle disse beregninger omkring det, så hvis jeg igen kan rangere disse ting, for eksempel hvilken rapport tog længst for at hente data, og jeg kan gå lige til det og se, hvilken rapport der er. Og igen, alt dette giver mig data for at være det, at indstille den motor igen. Nu kan jeg begynde at indstille mit rapporteringsmiljø omkring det.
Og den sidste ting, er jeg at se på brugeraktiviteten, hvem der igen er forbundet med i øjeblikket, hvad laver de? Jeg kan faktisk, i et miljø, hvor jeg havde flere brugere, disse er alle sorterbare, så jeg kan rangere, jeg kan se, hvem der bruger miljøet mest. Så bare for hurtigt at gå tilbage og se på disse advarsler. Her var den opmærksomhed; Jeg kan klikke på dette link her, og det vil føre mig til grafen for dette tidspunkt og vise mig, hvilken der var under alarm. Så du kan se her, det er den, der skyldes, at det var det gennemsnitlige millisekund for skrivning, f.eks. Læse og skrive. Så igen, bare at prøve at få dette punkt til at identificere problemerne. Og det er virkelig vigtigt at have et holistisk værktøj, ikke kun noget, der ser på den ene ting, fordi menneskets skal komme ind her og korrelere disse begivenheder, der foregår, så du skal kunne se, hvad der foregik ved det peger i tid på tværs af de flere områder i dette miljø, og det er en af de ting, vi gør gennem denne tidsvælger her.
Eric Kavanagh: Ja, dette er Eric her bare med et hurtigt spørgsmål, for jeg tror, du sikkert har slået neglen på hovedet, og det var det, jeg talte om i den øverste time, at et menneske skal komme ind og træk disse sammenhænge mellem forskellige miljøer. Jeg er nysgerrig efter at vide, er der noget uddannelsesmateriale, som I fyre kan dele, eller måske gør I en form for engagement med folk for at hjælpe dem med at identificere nogle af disse mønstre? Ligesom du havde et rigtig godt eksempel for et minut siden, om når en af disse spyder, der fortæller dig, at der sker noget i hukommelsen, fordi det fortsat forsøger at dumpe hukommelsen. Og det giver dig en anelse, men hvordan kortlægger folk disse statistikker mod problemer i den virkelige verden, er det virkelige spørgsmål.
Stan Geiger: Ja, det er et godt punkt, og en af de ting, jeg lige talte om, køreplan for produktet, er senere i år, vi udgiver en version og en af de ting, vi skal begynde at tilføje er for hver af disse grafer, er en beskrivelse af, hvad denne graf betyder, og hvorfor du skal passe, og hvad virkningen af dette er. Så være i stand til at klikke på et spørgsmålstegn eller noget på dette diagram og derefter trække et vindue op, der giver dig en masse af disse oplysninger og fortælle dig, at dette er de mulige årsager, dette er de områder, der er berørt, og at vejlede i du i en retning af at være i stand til at gå i denne sag, som du sagde, her er den pigge, jeg ved ud fra min personlige erfaring, hvad det betyder. Og så kan jeg begynde at gå og begynde at bore ind i et område og finde rodårsagen.
Nu har vi meget af det faktisk i vores diagnostic manager-produkt til SQL Server for den faktiske database. Vi har en masse af den type funktionalitet i et lignende produkt, og vi har også nogle analysebolte til diagnosemanager, der peger dig meget hurtigere ind. Og det er her, vi går ned ad vejen med dette produkt.
Eric Kavanagh: Og jeg gætter på, at der er underskrifter til visse former for aktivitet. Tillader dette værktøj dig at identificere, hvornår en bestemt form for begivenhed fandt sted og katalogisere det, således at det med tiden vil genkende et lignende mønster nede på linjen og hjælpe dig med at finde ud af, om det er en ny bruger, f.eks. Ved hjælp af samme værktøj? Hjælper dig med at forstå, åh, det er fordi disse servere gik ned, eller fordi denne region faldt? Er der nogen måde at katalogisere underskrifter på problemer, så du let kan identificere dem senere?
Stan Geiger: Nej, faktisk, men det er faktisk et interessant koncept, for det er næsten som, hvad er det - principkomponentanalyse, antager jeg - hvor du identificerer mønstre, og du logger disse mønstre, og så hvis du ser dem igen, kan du gå tilbage og se, OK, dette var årsagen på det tidspunkt. Ja, det er noget, det er ikke på køreplanen, men det er noget, jeg har tænkt på fra produktstyringssynspunktet.
Eric Kavanagh: Jeg kan forestille mig det. Åh, gå videre.
Stan Geiger: Nej, det ville jeg sige - og vi får en masse anmodninger, fordi jeg ikke ved, hvad din oplevelse er - men hvad vi finder er, at DBA'er kender databaser som deres hånd, men BI-tingene er slags som en sort kasse, når det kommer til platformens sundhed. Og der er ikke, de har ikke meget videnbase omkring det. Det gør jeg bare fra at have arbejdet i det i fem til ti år, ikke? Men typiske mennesker, der er ansvarlige for at finde disse, eller få advarsler og finde ud af, hvad der foregik, det er slags en sort boks for dem.
Eric Kavanagh: Ja, jeg kan forestille mig det. Jeg ville også være nysgerrig efter at vide det, så du viste på den ene skærm, hvordan du kan se alle de forespørgsler, der kommer igennem, hvor lang tid de tog at køre, og hvem der genererede dem. Kan du også se den faktiske struktur af selve SQL-forespørgslen og slags foretage en analyse omkring det? Som måske sommetider sætter folk sammen SQL-forespørgsler, der er slags klodsede, lad os sige og besværlige, i modsætning til en mester, der virkelig sammensætter en dejlig, stram forespørgsel. Er det noget, du kan visualisere gennem dette værktøj og derefter hjælpe dig, det er problemet?
Stan Geiger: Ja, så hvad du kan gøre, ligesom det, jeg har gjort her, er, at jeg lige har sorteret efter forløbet tid. Så jeg kan se dem, der tog længst, og så får jeg teksten, men så er det stadig op til nogen, der er mere eller mindre genstandens ekspert til at se på det og gå, ”Åh, OK, her er hvorfor det tog så lang tid . ”Det er noget, som vi har en slags arbejdsbelastningsanalyse, vi kalder det SQL Workload Analyzer for databasesiden, som jeg har narret rundt med tanken om måske ned ad vejen med en lignende ting, så den identificerer disse forespørgsler og giver dig derefter anbefalinger til, hvordan du indstiller disse forespørgsler. Men et af problemerne er, er, at denne MDX-forespørgsel er et ret specialiseret sprog.
Eric Kavanagh: Ja, jeg kan forestille mig det. Men du kan f.eks. Se, hvem folket er, så det er ikke for svært at finde ud af, om en person, hvis en fyr er ansvarlig for ti af de længste procesforespørgsler, så hvis ikke andet du kan ringe til ham, eller ringe til hans manager eller nogen og siger: ”Hej, denne fyr tygger meget båndbredde”, og måske viser det sig, at det er de mest værdifulde spørgsmål til virksomheden, ikke? Du er nødt til at sætte det i sammenhæng med, hvad forretningsværdien er, ud fra selve forespørgslerne er det ikke kun et klart talespil, ikke? Det er at finde ud af, ja, denne fyr er vores strømbruger, og han er den, der skifter forretning, ikke?
Stan Geiger: Nej, du har nøjagtigt ret. Jeg mener, det er en af den måde, kunderne bruger dette på, er at være i stand til at gøre det. Som du sagde, kan du muligvis finde et område, fordi en af de ting, jeg taler om, jeg altid slagger på Excel, men du kan oprette forbindelse til analyseservices i Excel og køre pivottabeller fra OLAP, og det genererer sine egne spørgsmål, og sender dem, og nogle gange er de ikke den bedste form, så du kan gå tilbage og identificere dem og faktisk omskrive dem og give dem til brugeren og lade dem køre dem uden for dem, så det ikke tager en halv time i dem for at vende tilbage til deres drejebord.
Eric Kavanagh: Præcis. Og når vi taler om forespørgsler, dækker jer dækning af forespørgsler, så du nævnte MDX, hvad med nogle af de andre forespørgsler som en DAX-forespørgsel eller nogle af disse andre-?
Stan Geiger: Ja, vi dækker, ja, enhver DAX og MDX begge. Så en af de ting, som jeg ikke nævnte, eller jeg gjorde, måske, men vi støtter både tabular og OLAP i Microsoft og DAX-væren - jeg tror, du og jeg talte om dette for et stykke tid tilbage - ser vi meget mere tabel nu, end vi er OLAP. Fordi det er bare lettere at få frem tabellmodellerne og lignende ting, og så får du tydeligvis DAX-forespørgsler, men vi henter dem også.
Eric Kavanagh: Ja, det er interessant. Har du nogen kontekst omkring, hvorfor det sker? Er det måske fordi flere og flere mennesker kommer ind i disse ting, og fordi OLAP naturligvis ikke er noget nyt, det har eksisteret i hvad, mindst 30 ulige år?
Stan Geiger: Okay, det er en slags kombination, en af tingene er at designe terninger er en kunst. Og kuber blev bygget til at præ-aggregerede data, så det er virkelig hurtigt at få data ud, men det tager et stykke tid at behandle terningen, fordi det skal gøre alle disse aggregeringer. Og så blev hardware billigere, og hukommelsen blev billigere, og så kom alle ud med søjleopbevarings- og hukommelsesdatabaser, virkelig. Og også tabelform er sandsynligvis det tætteste på traditionelle relationsdatabaser, og det er bare meget nemmere og hurtigere at få tabellemodeller op, end det er med OLAP. Men ulempen er, at den ligger i hukommelsen, det hele findes i hukommelsen, så det er meget hukommelsesintensivt, og dataene samles ikke, før du anmoder om det. Så når det er sagt, begynder vi at se en meget mere tabel derude.
Eric Kavanagh: Det er interessant. Det kan også skyldes, at denne branche er en smule udfladet, og det, jeg mener med det, er, at vi får en masse flere mennesker, der interagerer med data og bruger forskellige værktøjer, og bestemt når du taler om Microsoft, tror jeg det er bestemt tilfældet, at du har mange, mange flere brugere til små og mellemstore virksomheder, og endda nogle større organisationer, der graver ind i tingene, får adgang til værktøjer, kører forespørgsler, og de er måske ikke så fortrolige med hele processen og teknologierne omkring bygning af terninger, til dit punkt, ikke? Fordi det tager nogen tanke, og det er også dyrt, ikke? Det tager tid, det tager energi at bygge disse terninger, medmindre du bruger nogle af de nyere teknologier derude. Vi har som regel talt med virksomheder som Snowflake, for eksempel, det gør ret interessante ting, men jeg tror, du har meget flere mennesker, der bruger tingene, og de følger sandsynligvis med det, du lige har beskrevet, hvilket er det tabelformat i modsætning til formelt bygning af terninger, ikke?
Stan Geiger: Ja, jeg mener, jeg antager Excel - hvornår var det, Power Pivot, tror jeg - det er faktisk tabulært, hvis du kigger på det; det er den måde, du bygger tabelmodeller på. Og så var den næste iteration, jeg kan fortælle jer mine tabelmodeller, som jeg bygger, og jeg implementerer det op til SQL Server, så jeg kan dele det med alle andre. Så det er slags en naturlig udvidelse fra Excel næsten.
Eric Kavanagh: Ja, det er et godt punkt. Hvad vi har set i de sidste, vil jeg sige fem til syv år, er bare en enorm udvidelse af brugen af disse teknologier, ikke? Og Microsoft har ærligt talt været en pioner inden for det, ved virkelig at demokratisere strømdata gennem analysetjenester og gennem Power Pivot, ikke? Jeg mener, det var en spilskifte for branchen, ikke?
Stan Geiger: Ja, nej, du har nøjagtigt ret. Jeg mener, jeg har et lysbillede, når jeg giver en længere præsentation, der viser overgangen med at gå fra den semantiske model, som var OLAP, til tabellen. Og jeg tror, jeg har et tilbud fra Microsoft; de vil have data i hænderne på brugerne, ikke bare over muren i it-butikken, de ønsker at få mere af dataene i hænderne på de mennesker, der spiser dem.
Eric Kavanagh: Og det kommer tilbage til det første meget enkle lysbillede, som jeg viste, som var den grundlæggende beslutningsproces for enhver organisation, og nu - og jeg synes, det er en god ting - vi får flere og flere mennesker fra hele organisationens hierarki, og vær opmærksom på, hvad der sker, og bringer deres historie til bordet, og du gør det med data, det er bundlinjen, jeg mener, du kan bruge andre midler, men hvis du bakker din historie op med data, du vil have meget stærkere argumenter end dem, der ikke gør det, ikke?
Stan Geiger: Præcis, ja. Som ja, det er nøjagtigt rigtigt. Jeg mener, det var grunden til, at det plejede at være “Hej, jeg har brug for denne rapport”, så nu var jeg nødt til at gå igennem rapportanmodningen, og jeg var nødt til at gå igennem herover og få min rapport, og nu kan jeg sidde der lige ved mit skrivebord og virkelig bare, jeg har adgang til de genererede data, træffer mine forretningsbeslutninger.
Eric Kavanagh: Det er rigtigt. Du ved, jeg kom tilbage fra en konference netop denne sidste uge, og der var en hysterisk kommentar fra en fyr, der driver et temmelig stort BI-miljø til butikken Target, og han refererede til selvbetjeningsanalyse og selvbetjenings BI, og åbenlyst det er et stort emne i disse dage. Jeg er sikker på, at det er noget, der driver en masse aktivitet for det, I fyre gør på IDERA, fordi når du vil udrulde selvbetjening, skal du først og fremmest have et sundt BI-miljø, ikke? Hvis du får alle slags mennesker derude, der stiller alle slags spørgsmål på alle slags måder, vil du gerne have noget som dette værktøj lige her, for at være i stand til at forstå, hvem der stiller hvilke spørgsmål og hvor. Og det sjove citat, jeg vil kaste ud bare for spark her, som du sagde, "Der er en fin linje mellem selvbetjenings-BI og gå F selv."
Stan Geiger: Ja.
Eric Kavanagh: Jeg troede, det var hysterisk. Men ser du, at self-service-tendensen virkelig driver en masse opmærksomhed omkring, hvad du laver med teknologien?
Stan Geiger: Ja, for som du sagde, hvis du tillader selvbetjenings-BI, så får du sandsynligvis nogle præstationsproblemer på grund af bare: A) mængden af adgang, mængden af mennesker, der går ved dataene, og B) mængden af dårligt dannede forespørgsler og måder at få adgang til det, du har. Så det er virkelig vigtigt, at du overvåger miljøet, så du er i stand til at holde alle glade, der prøver at forbruge dataene, ikke?
Eric Kavanagh: Ja, det synes jeg er helt rigtigt. Det er en velsignelse og en forbandelse: det er godt, at folk forsøger at bruge tingene, men igen, til dit punkt, hvis du ikke har det rigtige værktøj på det tidspunkt, vil du blive en ulykkelig autocamper, fordi du skal rulle ud af selvbetjening uden et værktøj som dette, ser det ud til, at det bare beder om et bjerg af problemer.
Stan Geiger: Ja, jeg mener, det svarer til, da jeg byggede datalager, det er som om du ikke fik dine dimensioner og faktaborde rigtigt, så du vendte det løs til ad hoc-rapportering, måske vil du gennemgå under en klippe.
Eric Kavanagh: Det er fantastisk. Ja, det er godt, igen, det er gode nyheder, at folk bruger disse ting, men jeg tror, jeg er nødt til at tro, at selvbetjening vil drive en masse aktivitet for det, du laver, fordi du taler om rampe øge mængden af spænding og mængden af tryk på disse systemer efter størrelsesordrer. Ikke kun ved en eller to størrelsesordrer, og det er det punkt, at du virkelig ønsker at have en vis synlighed, og du vil være i stand til at se, hvem der gør hvad, hvor, hvornår, hvordan og hvorfor. Stil disse spørgsmål, og tag derefter nogle beslutninger om, hvordan du kan overvåge og ændre miljøet og ændre dine politikker for, hvem der får adgang til hvad, ikke?
Stan Geiger: Okay. Og du ved, det også, at vide, at se, at udnyttelse også giver dig mulighed for at gå ind der, og potentiale, ligesom jeg nævnte objektet i terningen, kan jeg gøre ting for at forbedre det, så langt som jeg bygger og designer ting. Så det er bydende nødvendigt, at ikke kun det for at se på tingenes ydeevne, men for at være i stand til at se, hvordan dit skema og dit design klarer sig også på dette niveau for også at være i stand til at tilpasse det. Og det bliver bare større og større, da ting som magt BI er det store punkt nu med Microsoft, så nu kan jeg bygge mine egne dashboards og widgets og ting og ikke behøver at være BI-udvikler.
Eric Kavanagh: Det er rigtigt. Ja, det er gode ting, det kommer overalt, men du har brug for en eller anden måde at styre dette miljø på, eller du får ulykkelige brugere. Det fører til ulykkelig ledelse, hvilket fører til, at folk bliver fyret. Der er en temmelig klar dominoeffekt, når tingene begynder at falde, men dette er gode ting.
Så jeg tyggede slags de sidste fem minutter her. Robin, havde du spørgsmål?
Robin Bloor: Jeg synes faktisk, det er fascinerende at være ærlig. Det har mig til at tænke på det faktum, at vi havde meget begrænsede miljøer og selvbetjening faktisk ændrer verden, og en masse af det sker faktisk, fordi der er kommet meget frygtelige data ind i miljøet, end der skete før. Det eneste spørgsmål, fordi vi ikke har meget tid, men det eneste spørgsmål, som jeg ville være interesseret i at stille, er, som du forklarede den måde - fordi jeg troede, det var en meget god demo - den måde, som BI-overvågning fungerer. Jeg spekulerede på, hvad gør mennesker, der ikke har denne type ting, faktisk? Fordi det skal være en meget vanskelig, der er en række ting, hvor du gør en forskel, rodårsagen er vel, du nødvendigvis ikke altid kommer til rodårsagen, men du kan komme til rodårsagen med nogle af de ting at du ser på, at når du sagde, at et antal mennesker køber værktøjet bare for at vide, hvem der kører hvad, og at mit sind snurrer, fordi det er som om du ikke ved, hvem der kører hvad, så er ting ude af kontrol. Så hvordan ser miljøet ud, når det er ude af kontrol?
Stan Geiger: Jeg mener, du kan selv få alle disse oplysninger, som vi har i værktøjet, men du bliver nødt til at skrive en masse hjemmearbejde scripting og fordi dataene alle er derude, det er bare du skal vide, hvor du skal få det, som kræver et niveau af ekspertise, ikke? Så i miljøer, hvor du ikke har det niveau af ekspertise, er det grundlæggende, hvad du får, hey, er det op eller ned? Jeg ved virkelig ikke, om det kører effektivt eller ej, men det er op, ikke? Og så begynder jeg at få telefonopkald eller folk går, "Hej, min rapport er ikke i min indbakke, hvad foregår der?" Eller "Jeg har lige indsendt denne rapport gennem rapporteringstjenester" eller de kan muligvis lave en forespørgsel her i analyseservices, men det er taget som en halv time, og det plejede kun at tage 30 sekunder, hvad sker der? Nå, nu er du nødt til at udføre brandøvelsen og prøve at finde ud af det, og uden et værktøj bliver det meget vanskeligt.
Robin Bloor: Det var den ting, der bare blev mere og mere synlig for mig, da du demonstrerede hver af dimensionerne på det, du faktisk har fået her. Den anden ting, det er som på et meget, meget primitivt niveau, hvis du ikke har advarsler, der fortæller dig, at ting går galt, så er det bare et dyrt - du kommer i en dyr situation og prøver at helbrede, hvad der er sket, fordi du finder du ikke ud af det, før ting begynder at falde dårligt, ikke?
Stan Geiger: Okay, du ved ikke, hvad du ikke ved.
Eric Kavanagh: Du har det. Nå hehe folkens, vi har brændt igennem en time og skiftet her. Meget stor tak til vores egen Robin Bloor og naturligvis vores ven, Stan Geiger, fra IDERA Software. De vil være på Enterprise Data World, hvis nogen af jer tager dernede, vil jeres der virkelig også være der i Atlanta. Vores gode ven, Tony Shaw, udfører et godt stykke arbejde med at gennemføre konferencen fire år nu, og hej hvad der er gammelt er nyt igen. Det er alt sammen hot stuff. Forhåbentlig ser vi dig derude, hvis ikke, så kom tilbage med os i næste uge. Vi har en række andre webcasts oprettet.
Altid nysgerrig efter at høre dine tanker, sende en e-mail til, der passer mig, hvis du har spørgsmål eller forslag eller andre teknologier, du gerne vil lære om i Hot Technologies. Og med det vil du byde dig farvel, folkens. Tak igen for at være med, vi taler til dig næste gang. Pas på. Hej hej.
