בדיקת בריאות: שמירה על דו ארגוני בריא

על ידי צוות Techopedia, 29 במרץ, 2017

ברק: המארח אריק קוואנה דן במודיעין עסקי עם ד"ר רובין בלור וסטיין גייגר של IDERA.

אינך מחובר כרגע. התחבר או הירשם כדי לראות את הסרטון.

אריק קוואנה: גבירותיי ורבותיי, ברוך שובכם, יום רביעי בשעה 4:00 מזרח ובשנים האחרונות האחרונות זה אומר שהגיע הזמן להוט טכנולוגיות, כן, אכן. שמי אריק קוואנה, אני אהיה המארח שלך לתכנית של היום. אני אוהב את הנושא הזה: "בדיקת בריאות: שמירה על BI ארגוני בריא", על זה נדבר היום. יש באמת נקודה שלך.

אז השנה חם - Hot Technologies תוכנן באמת להגדיר סוגים מסוימים של טכנולוגיה ותוכלו לדמיין בחוץ בעולם התוכנה הארגונית יש המון המון ספקים שמוכרים כל מיני מוצרים שונים ומה שנמצא שם בסופו של דבר. הם מילות המפתח האלו שמסתיימות בהתרגלות ונמצאות על ידי ספקים שונים לדברים שונים מאוד. וכך, מטרת המופע הזה היא באמת לעזור לחברי הספק שלנו ולעזור לקהל שלנו גם לזהות ולעטוף את הראש סביב סוגים מסוימים של טכנולוגיות ומה המשמעות של המילים האלה כשמגיעים למגע פליז.

אז אני הולך לעמוד בתור אחד האנליסטים היום, יש לנו גם את ד"ר רובין בלור על הקו וסטן גייגר מ- IDERA. בואו נדבר במהירות על החשיבות של בינה עסקית ואנליטיקה באופן כללי. זהו עץ החלטה בסיסי, אם תרצו, או תרשים זרימה, דיונים על אופן העבודה של סוגיות בחברה שלכם, קיום דיונים על נושאים שונים, הצבת הצעות ואז תגלו מה אנשים חושבים. האם הם מסכימים? האם הם לא מסכימים? מה הקונצנזוס, אם יש לך כאלה, וכיצד אתה עובד בתהליך זה?

ובכן, ברור שכולו זה מאוד גנרי, אבל זו תזכורת טובה לתהליך בו אנו מציעים רעיונות בחברות, לקבל את ההחלטות שלנו ואז להתקדם. ובשורה התחתונה, נדרשים נתונים לכל אחד ואחד מאותם רכיבים. זה נכון עוד יותר בימינו בעולם ה- Big Data, מכיוון שכמובן, Big Data הוא כמו מנוע האמת הענק הזה שם בחוץ. נתונים גדולים הם באמת מה שקורה; זה מייצג את מי איפה, מה הם עושים, מה הם קונים, מה התמודדות המדיה החברתית שלהם, ומצייץ למשל. כמובן, את כל הדברים האלה אפשר לפרוץ - צריך להיזהר מכך - אבל העניין הוא שנתונים הם ארכיטקטורת ההתייחסות, אם תרצו, למציאות.

אז אתם רוצים נתונים בכל נקודה בתהליך קבלת ההחלטות הזה. כעת, הסכמה חשובה. אם אתה רוצה משתמשים מאושרים, לפעמים בוס אולי יצטרך לנקוט את התבואה של מה שכולם רוצים. דיברנו רק על סטיב ג'ובס ממש לפני שידור הרשת הזו והוא היה ידוע לשמצה בסוג כזה. יש לו ציטוט מפורסם בו הוא ממליץ לאנשים לטבוע את הרעש שהם שומעים סביב ואז לדבוק בחזון שלהם, אם הם יודעים מה הם עושים זה נכון. אז אתה לא תמיד צריך קונצנזוס, אבל בדרך כלל זה רעיון טוב למדי. אבל המטרה הכללית של שקופית זו ופרשנות זו היא להביא הביתה את החשיבות שאנו רוצים לקבל את ההחלטות שלנו על סמך נתונים, ולא רק על בסיס אינסטינקט, אם כי בדרך כלל הבטן ממש טובה לעזור לך לדעת לאן אתה רוצה להגיע, ואז אתה באמת מחפש לאמת את זה או לבטל את זה בנתונים שלך. ואני אומר, אל תפחד להסתכל לאחור פנימה, בדיוק כמו סמן קטן ונחמד, או להזכיר שכשאתה מסתכל לאחור לפעמים אתה יכול לפחות לקבל איזו מסגרת התייחסות ולהבין איפה היית לבוא ולהיות כנים לגבי הטעויות שעשית. כולנו טעינו, זה קורה.

אז אם יש לך בעיות ביצועים במערכות הבינה העסקית שלך, ובכן, הביטוי הישן "סבלנות היא סגולה", לא בעולם ה- IT, אני יכול לומר לך ברגע זה. אם משתמשים מחכים זמן רב לשאילתות שלהם או שהם לא מקבלים את הדוחות שלהם, זה שוחק את האמון, וכאשר האמון נעלם, קשה מאוד להחזיר אותו. אז הכנסתי כאן קו - בערך 40 שניות בימינו זה כמו 40 דקות בהרבה מקרים - אם שאילתה תארך 40 שניות, אנשים שוכחים על מה הם בכלל מדברים, על מה הם שאלו מהנתונים. תארו לעצמכם בשיחה אם תשאלו מישהו, בואו נגיד לבוס שלכם, אתם אומרים, "היי, אני רוצה לדעת למה זה שאנחנו הולכים במסלול הזה." והיית צריך לחכות 40 שניות בשיחה לקבל תשובה? היית יוצא מהחדר! היית חושב שהבוס שלך איבד את דעתו. אז, החביון הזה שיש לנו במערכות מידע מסוימות, כשיש בעיות ביצועים, זה הולך לקטום את התהליך האנליטי, את הזרימה האנליטית, או כמו שאנשים מכנים זאת, את השיחה שאתה מנהל עם הנתונים שלך. אתה צריך לזרז במערכות האלה, כל מה שאתה צריך לעשות כדי לעשות את זה, ואנחנו נדבר על זה היום, זה מה שאתה צריך לעשות, כי בלי הזרימה הנוזלית הזו של רעיונות קדימה ואחורה, אתה באמת פוגע בכל תהליך האנליטיקס. אז, ושוב, אני משליך את ההערה הזו: חוסר אמון הוא רוצח שקט. אנשים לא באמת ירימו את היד יותר מדי אם הם לא סומכים עליך, אבל הם פשוט יסתכלו עליך לצדדים ותהה מה קורה. וברגע שהאמון נעלם, תהיה לך תקופה מאוד קשה מאוד להחזיר אותו.

אז, בינה מלאכותית, ובכן אנו ממשיכים לשמוע על למידת מכונה ו- AI ו"אה, זה לא הולך לפתור את כל הבעיות האלה? "רובין ואני שומעים כבר שנים על מסדי נתונים עם כוונון עצמי וכל הדברים הכיפיים האלה - יש דברים שקורים, אבל פשוט שאלו את עצמכם את השאלה: באיזו תדירות סירי מתאימה לכם? באיזו תדירות סירי צצה והלכה, "אני מצטערת, לא הבנתי את זה." בגלל זה לא שאלתי אותך כלום. פשוט לחצתי בטעות על הכפתור המנומר הזה. אז עדיין יש המון פגמים, ואגב בצד שמאל, זה השבב ASIC מבית אפל ניוטון - זוכרים את הגור הזה מלפני שנים ושנים? זה היה אחד המכשירים החכמים הראשונים, וזה היה לפני הרבה זמן, זה כמו שנות ה -90 המוקדמות או אמצע שנות ה -90 אני רוצה לומר. שהניוטון יצא וזה לא היה טוב במיוחד, אבל היה לו החזון; הם ידעו לאן הם הולכים, אבל אפילו עכשיו, עם מכשיר ה- iPhone AI ולמידת מכונה, אלה מושגים שלא הובנו בצורה לא נכונה, הייתי אומר.

ובוודאי לגבי לימוד מכונה, זה יכול להיות שימושי מאוד ולמעשה ניתן להשתמש בו בחלק מהסביבות הללו בהן אתה מנסה להבין מה קורה בארכיטקטורת המידע המורכבת שלך, שם הדברים משתבשים. למידת מכונה יכולה להיות בעלת ערך רב בהקשר זה, אך רק אם היא מיושמת בצורה מאוד חריפה. אז הייתי ממש, בעצם, באירוע גדול בקליפורניה, לאחד המפיצים הגדולים של חודוף, שכוללדרה, היה את פסגת האנליסטים שלהם. דיברתי עם קצין האסטרטגיה הראשי שלהם ואמרתי, "אתה יודע, נראה לי, למידת מכונה באמת עושה שני דברים: היא מגזרת והיא מעודנת. "כלומר זה ייתן לך מגזרים או מקבצי פעילויות שונים כולל אנומליות, שיהיו קטע. וזה מעודד, כלומר זה עוזר לך לשפר סוג מסוים של החלטה. הדוגמה הקלאסית ששמעת עליה היא למשל שיש בן אדם בתצלום הזה, למשל. אז זה דבר שלימוד מכונות יכול לעשות, וזה שימושי בהקשרים מסוימים, כשמדברים על פתרון בעיות, מכיוון שאתה יכול לחפש דפוסי התנהגות בשימוש במעבד, בשימוש בזיכרון, במהירות הדיסק ומה הדיסקים עושים, וכל אותם דברים מהנים. אז זה יכול להיות שימושי, אבל זה באמת משהו שצריך להיות מאוד ממוקד כדי לייצר ערך כלשהו.

אז, על אחד הדברים האחרים החביבים עלי לדבר עליהם - ונראה קצת על זה, אני חושב, כשאנחנו לוקחים את ההדגמה שלנו היום מ- IDERA - במובנים רבים אני חושב שבני אדם עדיין לומדים לדבר סיליקון . יש מתחת לכל זה מדע חומרים, ולמי מכם שעשו פתרון בעיות ובאמת הביטו בארכיטקטורות מידע מורכבות, כשאתם מנסים להבין מה קורה, אפילו כמו אשכול Hadoop למשל, באמת בדרך כלל אתה מסתכל רק על היסטוגרמות. ואז צריך לתאם את המשמעות של ההיסטוגרמות השונות הללו ברגע מסוים בזמן וזה דורש אינטליגנציה; זה לוקח אינטליגנציה אנושית וניסיון. אז אני בכלל לא חושש מכך ש- ML, או למידת מכונות או AI הולכים לקחת יותר מדי מקומות עבודה בעולם הזה בכל עת בקרוב. אני חושב שתמיד יהיה צורך בבני אדם, שיודעים בכנות על מה הם מדברים כדי לעזור לנו ולגרום לכל זה לקרות.

אז בואו נמשיך הלאה. אז מה קורה אם אינך מונע נתונים? זהו ציור מפורסם, "העיוורים המובילים את העיוורים" - זה לא מה שאתה מחפש, אנשים. אתה לא רוצה סביבה כזו בארגון שלך. אז מה שאנחנו רוצים זה שאנחנו רוצים שההחלטות שלנו יונעו על ידי נתונים ואנחנו רוצים שההחלטות יונעו על ידי נתונים טובים, נתונים באיכות טובה וזה רק יקרה אם אתה אוסף את הנתונים הנכונים, אם זה נחמד ונקי, ואם המערכות שלך פועלות כראוי, אם מערכות ה- BI שלך בריאות, מערכות הניתוח שלך בריאות והמשתמשים מקבלים את מבוקשם בצורה מתוזמנת.

אז עם זה אני הולך להתמלא ולהעביר לרובין בלור שאינו ניתן להבחנה. רובין, קח את זה משם.

רובין בלור: אוקיי, טוב, תודה שהעברת לי את הכדור. חשבתי בזמן שאתה מדבר, אריק, אני רק חשבתי על BI והייתה מצגת של ספקים שהשתתפתי לאחרונה כשמישהו העיר שבספק מסוים, מנהל מערכת מסוימת במחסן נתונים גדול וגרוע, הם היו ב נקודת זמן נתונה יכולה לבצע 70, 000 עסקאות BI שיובילו להצגת מידע בפני הרבה אנשים. עלה בדעתי שאם למעשה יש לך עומס עבודה כזה, ואתה אפילו מבזבז כמה שניות במונחים של הפעלת התוכנה, אז זה באמת יהיה יקר מאוד, ואם תבזבז דקות זה יקר להחריד. ואז נזכרתי שהרבה מאוד עולם פועל בגליונות אלקטרוניים - יש, אני חושב שהם נקראו "מערכות צל", לא? מלכתחילה, שם אנשים פשוט היו מקימים מערכות באמצעות גיליונות אלקטרוניים ודוא"ל, והם יגרמו לדברים לקרות, מכיוון שמחלקת ה- IT לא יכולה לבנות יישומים לכולם, אז הם עושים זאת. והרבה BI, אני חושב, מעורב בכל מקרה במערכות כאלה.

בכל מקרה, אחרי שאמרנו את זה, בואו ונתחיל לדבר על מה אני אדבר עליו. BI הוא לולאת משוב למערכות ארגוניות, זה פשוט כל כך פשוט או כל כך מסובך, תלוי בדיוק איזה תפקיד הוא ממלא בארגון. אבל אם נסתכל על זה דיאגרמה מלפני כארבע שנים, כאשר ניסינו בצורה כזו או אחרת להבין מה קורה בצד האנליטיקס. אבל פחות או יותר, כל מה שמבט לאחור, במבט לאחור למה שקרה בעבר וכל מה שמפקח, מבחינת אופן פעולתה של המערכת, נוטה להיות BI. פעם זה לא היה המקרה שמה שנראה לחזון, ניתוח חזוי היה BI, אבל זה הופך להיות יותר ויותר המקרה. אריק ציין למידת מכונה, הרבה למידת מכונה יכולה למעשה בדרך כזו או אחרת פשוט להפעיל מול זרם נתונים ויכולה לתת לך ניתוח חזוי במשך חמש הדקות הקרובות, או אפילו כמעט בזמן אמת, כך שתוכל להגיב ל לקוח, עם ידע מחושב של מה שקורה בפועל.

אבל מרכז התרשים הזה, החלק הפנימי בא מאנליטיקה. מה שקורה בדרך כלל הוא שפעולות אנליטיות שונות מכוונות לאוספי נתונים מסוימים ומשהו חדש נלמד, נלמד ידע על העסק. ואז פיסת הידע הזו נקשרת לתהליכים העסקיים שיכולים להזין ממנה. ובדרך כלל זה בא לידי ביטוי בצורה כזו או אחרת כשמופיעות התראות BI, או סתם דברים שמניחים על לוח מחוונים וכן הלאה וכן הלאה. כשעשינו את זה בפועל, יש שם ארבע מונחים והם מסתיימים במקרה במילה "מראה" וזה נחמד מאוד. אבל למעשה זה לא הכל בתחום של מה שאנשים רוצים לעשות, יש גם בעיית האופטימיזציה והאופטימיזציה לא מניבה ניתוח פשוט. זו בעיה מורכבת מאוד והרבה בעיות אופטימיזציה אינן מסיסות באופן ייחודי. אתה יכול רק לקבל פתרונות טובים, אתה לא יכול להוכיח שיש לך פיתרון טוב יותר. וזה תחום של פעילות, שם מתרחשת פעילות, אבל זה פחות מכך מרוב תחומי האנליטיקה האחרים. אז, אנשים אומרים שאנחנו חיים בעידן האנליטיקס - ובכן, לעומת זאת לפני עשר שנים, אבל זה יכול להתקדם הרבה יותר מכפי שהוא כבר נעלם.

אז ההתחלה של ה- BI, הרצון לידע מתחילה את בקשות המשתמשים, הגורמים לפרויקטים אנליטיים, והפרויקטים האנליטיים הופכים לאגמי נתונים, ואגמי נתונים פלוס אנליטיקס מולידים תובנות ותובנות שיבחו את BI. זה סיפור שסיפרתי זה עתה; פשוט חשבתי שאכתוב את זה. מה שעשיתי כאן, זאת אומרת, כל הנקודה של השקופית הזו ולמעשה רוב השקופיות האחרות היא רק להדגיש עד כמה למעשה מורכב עולם הבינה העסקית. זה לא דבר פשוט, יכולתי להפוך את דרך השקופיות הזו למסובכת יותר ממה שהיא בפועל, אבל יש לך בתחתית כאן, יש לך נתונים חיצוניים ונתונים פנימיים שבדרך זו או אחרת הולכים להכניס לבימוי אזור, שכיום זה סוג של אגם נתונים, אם כי לא לכולם אגמי נתונים. ולאנשים שלא בהכרח יש כאלה מצליחים. ואז יש פעילות לניקוי נטילה ופעילות שלטונית הנדרשת על הנתונים לפני שתוכלו להשתמש בהן באמת. ואז אתה מגיש נתונים אלה ואתה מדווח עליהם, או מנתח אותם והניתוח מוביל לפעולה.

ואם אתה באמת מסתכל על סוגי הניתוחים השונים שקיימים, זו רשימה ארוכה להפליא, אבל זו לא בהכרח רשימה מקיפה לחלוטין, זה בדיוק מה שחשבתי לרשום, כשעשיתי למעשה את השקופית הזו. אז יש המון דברים שקורים בסביבת BI שמדמיות, OLAP, ניהול ביצועים, כרטיסי ניקוד, לוחות מחוונים, סוגים שונים של תחזיות, אגמי נתונים, כריית טקסטים, כריית וידאו, דברים חזויים, יש מגוון רחב של דברים ש למעשה ממשיך. אם אתה מסתכל על זה בצורה אחרת, המציאות התאגידית, בעצם באמת זו תרשים דומה לזה האחרון, זה פשוט נעשה בצורה אחרת. הפרדתי בין מה שתקרא BI כי זה קבוע וזה ידוע מה נדרש, זה לא אומר שמה שקורה בפועל הוא יעיל, אבל לפחות יהיו לך דברים קבועים שקורים, בואו נגיד טאבלו, או בלחיצה, או ב קוגנוס, יש מקור נושא, וכן הלאה וכן הלאה, דוחות או יכולות רגילות שונות יתנהלו. ואז יש לך את האפליקציות לניתוח והן שונות. מכיוון שאפליקציות האנליטיקה באמת עוסקות בחיפוש נתונים ולדעתי זה די משווה למחקר ופיתוח. ואז יש לך זרימת עבודה. תחת זרימת עבודה ערבב את הדברים שלך עם אפליקציות תפעוליות ואפליקציות משרדיות, אם זה נחוץ - וזו המציאות התאגידית כפי שאני רואה אותה - אם כי ברוב הארגונים זה לא כל כך מסודר.

אז הפרעה ב- BI, זו רק קבוצה של דברים שצריך להזכיר את ה- BI קשה יותר ממה שהיה פעם, מכיוון שעולם ה- BI הישן כלל בעיקר מערכי נתונים נקיים למדי שנמצאים בדרך זו או אחרת, כנראה ממחסן נתונים ומוזנים לספציפיות תוכנת BI. ובאותם ימים אני באמת מדבר לפני חמש או עשר שנים, אבל בימים ההם, נפחי הנתונים לא התרחבו, מקורות הנתונים היו ידועים. מהירות ההגעה של הנתונים הייתה ידועה, אם כי לעיתים קרובות BI לא יתרחש מספיק מהר כדי לרצות משתמשים מסוימים. לא היו נתונים לא מובנים, כמעט ולא היו נתונים חברתיים, בטח לא היו נתוני IoT, לא היה אכפת לך ממקור נתונים. לערך המחשבים לא הייתה הקבלה מבחינת התשתית כדי להיות מסוגלים לעשות דברים בצורה מהירה במיוחד. לא היה לך למידת מכונות, ומספר עומסי העבודה האנליטיים היה די רזה. וכל זה השתנה, נפח הנתונים כעת יכול לגדול באופן דרמטי מאוד. מספר מקורות הנתונים הוא ממשיך לעלות. כן, הזרמת הגעת נתונים מהירה מאוד, המון נתונים לא מובנים, בהחלט נתונים חברתיים שיזדקקו לניקוי, אבל נתונים אחרים שעשויים להזדקק לניקוי, בהחלט נתוני IoT, הם העסקה עכשיו.

מקור נתונים הוא נושא ואכפת לנו ממנו. כוח המחשב נמצא שם, וזה מסודר, כי זה הופך כל מיני דברים ברת ביצוע, וכעת יש לך למידת מכונה כתופעה שמובילה ליצירת יכולות BI נוספות ועומסי עבודה אנליטיים חדשים שיעשו את אותו הדבר. אז, BI הוא לא מצב סטטי ואני חושב שזה הדבר האחרון שאני אומר, לפני שאמסור אותו לסטן. אה לא, זה לא, יש משהו אחר. נוף BI עתיד, האינטרנט של הדברים, ארכיטקטורות מונחות אירועים, הכל בזמן אמת, בסדר. זה מספיק BI של המשתמש, על ידי המשתמש, עבור המשתמש הבעיות בסיכום. זמינות ביצועי זרימת נתונים, כיסוי נתונים, ניקוי נתונים, כישורי גישה לנתונים, הדמיה, יכולת שיתוף ויכולת פעולה.

אז עכשיו אני יכול להעביר אותו לסטן, אלא אם כן שירות BI הוא אמין ומתוזמן בזמן, הוא אינו שירות. סטן?

אריק קוואנה: בסדר, סטן, אני נותן לך את הכדור, קח אותו משם.

סטן גייגר: אוקיי. אז מה שאני אדבר עליו זה רק הרקע שלי. אני מנהל בכיר ב- IDERA בניהול מוצר ואחת האחריות שיש לי היא מוצר המודיעין העסקי שלנו. אז אני הולך להרחיב מעט על מה שרובין דיבר עליו ולדבר על תחום המפתח עם הבינה העסקית הוא מעקב אחר בריאות הפלטפורמה שלך. זה כמו שהוא אמר, עכשיו זה היה המקום בו היו לנו כל הנתונים האלה, וייקח שבועות לנתח ואז נחזור עם דוחות ודברים. אבל נוף ה- BI משתנה כך שאנחנו מתקרבים כעת לניתוח כמעט בזמן אמת. ובמקרים רבים, ניתוחים בזמן אמת. אז אני מדבר על השקופית הזו קצת, זה פשוט סוג של סקירה כללית - וכשם שהגילוי המלא הוא שאני הולך לדבר על זה מנקודת מבט של מיקרוסופט, אבל כל התפיסות האלה עוסקות בשאלה האם ה- BI שלך הפלטפורמות נמצאות ב- Oracle, או שאתה משתמש באינפורמטיקה וב- Oracle, או סתם במיקס-מצב, סביבות היברידיות. אני רק הולך להשתמש בהתייחסות לסביבת מיקרוסופט, אבל זה די סטנדרטי.

לרובין הייתה שקופית שם שנגע בזה, הוא שיש לך מערכות מקור, שם יש לי את כל הנתונים שלי, ועכשיו זה היה אמור להיות כל אלה היו בבסיסי נתונים יחסיים ואחסון נתונים כזה, אבל עכשיו יש לנו Hadoop ואינטרנט ודברים, וכל הנתונים הלא מובנים האלה שיושבים שם בחוץ, ואנחנו יכולים כעת להכניס אותם לארכיטקטורת ה- BI הזו. אז שכבה אמצעית שם מדברת מעט היא אחסון הנתונים בצבירה; זה המקום בו אנו מושכים נתונים, אנו עשויים לנקות אותם, אנו עשויים לבנות אותם מחדש, ואז להכניס סוג של חנות נתונים ואז שכבת המצגת יושבת על גבי זה, וכאן המשתמשים שלך מקבלים גישה. ואנחנו מבצעים ניתוחים על הנתונים האלה בחנויות הנתונים האלה, ואנחנו מבצעים שלוחות מחוונים, ויש לנו את טבלו יושב שם, מדווח על שירותים, דברים כאלה. אני תמיד צוחקת כי כשהייתי אדריכל תואר ראשון, תמיד צחקנו על אקסל, כי בואו נודה בזה, אקסל הוא כלי ה- BI של ההמונים, עדיין.

אז, קצת סקירה שם, אבל רק כדי לדבר על סוג הארכיטקטורה של הפלטפורמה, קיבלת את נתוני המקור שלך ודיברתי על זה בחנויות נתונים מרובות. ואז יש לי את האחסון שלי בצבירה בעולם של מיקרוסופט, יהיה לך את מסד הנתונים של SQL Server, אולי איפה מחסן הנתונים שלך, אולי יש לך מחסן הנתונים שלך בענן, עם מחסן הנתונים שלך. יש לך שירותי ניתוח, שהם צינורות ה- OLAP שלך ודברים כאלה לביצוע צבירות ודברים סביב להסתכל על דברים על פני מספר רב של מימדים ודברים כאלה. ואז יש לך את שכבת המצגת שלך, עליה דיברתי בקצרה, על כל הדברים האלה שיושבים על גבי מאגרי נתונים וצבירות אלה. ואני תמיד אוהב את הציטוט הזה, "אתה לא יודע מה שאתה לא יודע", וזה נכון. אם אינך עוקב אחר ואינך בוחן את המתרחש, בכל האזורים הללו בפלטפורמת ה- BI שלך, איך אתה יודע מתי יש לך בעיה אחרת מאשר מתי המשתמשים מתחילים לשלוח לך דוא"ל מגעיל והטלפון מתחיל מצלצל מדוע הדוחות שלי אינם פועלים? מדוע הכל לוקח כל כך הרבה זמן?

ובכן, באותו מה, מה שעליכם לעשות, עליכם להיות מסוגלים לפקח על הפלטפורמות שלכם מהן אתם משרתים מודיעין עסקי. ובעצם פירקתי את זה לשלושה תחומים: יש לך זמינות, ביצועים וניצול. משמעות הזמינות אם המשאב זמין: האם הוא למעלה או למטה? די פשוט שם. אבל גם אם מסתכלים על מתי יש לכם, יתכן והפלטפורמה עשויה להיות זמינה, אך יתכן ותיתקלו בבעיות שם, כך שתצטרכו לבצע זיהוי של גורם שורש; אתה צריך להיות מסוגל להתריע וליידע מישהו מה קורה לפני שהדברים יגיעו למצב קריטי. זה מוביל גם לצד הביצוע, יש לך דברים מרמת ערכי ביצועים, ברמת השרת, שם מתארחים השירותים או שירותי ה- BI, או פלטפורמות ה- BI; יש לך ביצועים ברמת משאבים שבהם אולי אני ניגש לנתונים מ- SAN, למשל. ה- SAN הוא המשאב, משאבי הרשת, אתה צריך להיות מסוגל לפקח על הביצועים של כל זה, כדי להיות מסוגל לזהות צווארי בקבוק ולהשאיר את המשתמשים שלך מאושרים, ואם אתה בסביבה בה אתה עושה אמיתי- ניתוח זמן, אתה צריך להיות מסוגל לזהות צווארי בקבוק או בעיות לפני שהם מתחילים להתרחש.

והתאוריה האחרונה היא השימוש: מה המשתמשים עושים? מי קשור למקורות ה- BI שלי? מי מנהל מה? אילו שאילתות הם מפעילים? אילו דוחות הם מפעילים? הכרת מידע זה עוזרת לקבוע ולעשות תכנון יכולות, למשל. זה גם מראה את מה שמשתמש בסביבת ה- BI שלך. היה לנו לקוח שהם רוצים את מוצר הניטור שלנו ל- BI רק כדי שידעו באיזה חלקים בסביבת ה- BI הם משתמשים כדי שיוכלו להעביר משאבים. לדוגמה, אם הם לא השתמשו בדוחות מסוימים, או בקוביות של שירותי ניתוח מסוימים, הם היו מעבירים משאבים מזה לתחומים אחרים שבהם נעשה שימוש רב. ציטוט נוסף שאני אוהב, אני אוהב סרטים נהדרים כמו "רעידות", אז תגיד לך את הסרט שלי, אז אני אוהב את הציטוט הזה של ברט גומר, שגילם את מייקל גרוס, הוא סוג של אקדח ההישרדות והוא אומר, הוא מופיע והוא שולף את רובה הצלפים הענק הזה בן 50 הקילר, ואחד החבר'ה אומר "לעזאזל, ברט." והוא עונה ב"כשאתה צריך את זה ואין לך את זה, אתה שר מנגינה אחרת. במילים אחרות, אתה יודע מה? הוא היה מוכן לכל דבר והוא בא מוכן לכל דבר, ולכן כוונתי לכך היא שאם אתה לא עוקב אחר סביבת ה- BI שלך משאב וניצול ודברים שרק דיברתי עליהם, אז אתה לא מבין שאתה צריך כלי או סביבה או מבנה שעוקבים אחר זה עד שאין לך את זה. ואז אתה מבין שבאמת הייתי צריך את זה קדימה, וזה סוג של הדרך בה רבים מהלקוחות שלנו.

אם כן, לאחר שאמרנו את זה, נעבור אל עבר, ונבדוק את מה שאנחנו עושים כאן ב- IDERA כדי לפתור כמה מהנושאים הללו. ו -

אריק קוואנה: אוקיי, הנה, אני מבין את זה.

סטן גייגר: אתה רואה את זה? בסדר. אז מה שיש לנו כאן זה מוצר ה- BI Manager שלנו. ואנחנו מנטרים, IDERA באופן מסורתי הייתה חברה בסביבת SQL Server, Microsoft SQL Server. ואז קנינו ב- Embarcadero, אז עכשיו התרחבנו לכמה פלטפורמות אחרות, אבל מוצר ה- BI שלנו מסור באופן מסורתי את מחסנית ה- BI בסביבת מיקרוסופט. וזה יהיה שירותי ניתוח לניתוח רב-ממדי וטבלאי שלך, שירותי דיווח, כלי דיווח ואז שירותי אינטגרציה, שהם פלטפורמת ETL, בדומה לאינפורמטיקה.

ובאמצעות המוצר שלנו אתה יכול לפקח על שלוש הסביבות הללו דרך מוצר אחד, ומה שאתה רואה כאן הוא לוח המחוונים הכולל, והדבר שצריך לציין כאן הוא כשדיברתי על זה התראה, זה דבר אחד לפקח, אבל זה לא מספיק - אתה צריך שיהיה לך מנגנון התראה. במילים אחרות, אני צריך להיות מסוגל לקבל הודעה לפני שהדברים מגיעים למצב קריטי. אז מה שאנחנו עושים כאן, יש מערך שלם של מדדים שאנו תופסים שניתן להגדיר כי בהתאם לסביבתך, ספים מסוימים, יתכן שאתה בסדר עם זמן קריאה של שלושים אלפיות השנייה, בסביבה שלך. בסביבות אחרות יתכן שיהיה קריטי יותר כי סף זה יהיה נמוך יותר, ולכן חשוב לא רק לקבל התראה, אלא להגדיר את התצורה מכיוון שהסביבות שונות בהתאם למשאבים.

אז בעצם זו סקירה כללית של כל הסביבות שנמצאות בפיקוח כאן, ויש לי כאן שלוש מקרים: אחד לשירותי ניתוח, אחד לשירותי אינטגרציה, ואחד לשירותי דיווח. ואתה רואה שיש לי כאן כמה התראות. ומכיוון שאלו אדומים זה אומר לי שהם קריטיים, מכיוון שיש לי מספר רמות שאני יכול להגדיר את ההתראות הללו, ואת ההתראות ניתן לשלוח בדוא"ל לאנשים שאחראים לבדוק מה הבעיה. לכן, רק בקצרה נסתכל על זה ואחזור להתראה, כדי שנוכל להיכנס לקטע שירותי הניתוח וזה, אני בטוח שהוא מחכה לטעון כאן. ובעצם, מה שאנחנו עושים, יש לנו אוסף נתונים; הוא יוצא שם מעת לעת ויוצא לשם ואוסף ומצלם תצלומים מהסביבות שלך עושות. אז קבעתי את שלי לכל שש דקות, אז כל שש דקות הוא יוצא לשם וסקר את הסביבה. ישנתי את ה- VM שלי זמן מה, אז זה ייקח שנייה עד שזה יחזור. הנה.

אז אנו בוחנים את הקטע של שירותי הניתוח ולכן אני הולך ללחוץ על המופע שלי כאן ונזכר שדיברתי על אחד הדברים שאנו עוקבים אחריהם הוא ביצועים ברמת השרת, כי להרבה אנשים יש דברים רבים פועל בשרת שלהם. יתכן ויש לי מסד נתונים בשרת שלי, כמו גם שירותי ניתוח למשל. אז אם משהו קורה בבסיס הנתונים או שיש לי בעיה ברמת השרת, זה ישפיע על כל מה שקורה שם. אז, אנו נפקח על העניינים על פני השרת ברמת השרת, דברים כמו איך ביצועי הדיסק ותוכלו לראות שאנחנו לוכדים מדדים סביב כל זה. וכל זה ניתן להגדרה. ואני בוחן את המתרחש, באופן מעבד, פשוט ושוב, זה ברמת השרת, ולא ברמת שירותי הניתוח בדוגמה שלי כאן. אבל בעצם ברמת השרת.

ואני יכול להסתכל על דברים כמו מה הזיכרון, השימוש הכולל בזיכרון למשל, מה זמין? אז עכשיו אני מקבל מושג מה הבריאות של השרת עצמו. אז נוכל להתחיל להתבונן בדברים המיוחדים להם, בשירותי ניתוח זה. אני יכול להסתכל ולראות איך עיבוד הקוביה שלי הולך לכאן, למשל, וזה נותן לי מידה לבריאות. אם אני מתחיל לראות שהעיבוד אורך זמן רב, או שזה לא שורות לא נכתבות כמעט באותה המהירות, אז אוכל להתחיל להסתכל - וזה עובר לקטע המתאם שלדעתי רובין דיבר עליו, האם זה עדיין לוקח לאדם להיות מסוגל לעשות את כל זה. אנו מדברים על AI, למידת מכונות, אך עדיין לוקח לאדם להיות מסוגל לתאם בין האירועים הללו סביב הדברים. אנו יכולים להסתכל על דברים כמו מה קורה בשאלות רחוקות, אילו שאילתות מופעלות וכמה זמן הם לוקחים? אני יכול למיין, כך שאוכל להתחיל לקבל מושג אילו שאילתות גוזלות את פרק הזמן הארוך ביותר. אתה יכול להסתכל כאן בזמן שחלף, אני יכול להסתכל ולראות בסדר, מה הייתה השאילתה הזו ומי ניהל את השאילתה ההיא באותו זמן?

אז אוכל להתחיל לספר סיפור עד שאני מתחיל לראות דברים מתחילים לדפוק, אני יכול לחזור להסתכל ולראות מה המשתמשים עשו באותה נקודת זמן. ותראה אחד הדברים שאנחנו עושים זה להכניס את בורר הזמן הזה לכאן כדי לאפשר לך לבחור חלון זמן. כך למשל, אני יכול לחזור להתראות הללו, וזה היה למעשה קישור להתראות האלה עליהן לחצתי, וזה ייקח לי את אותה נקודת זמן שבה ההתראה הזו התרחשה. ואז אני יכול להתחיל לחבר את הסיפור, אני יכול לראות אה, ובכן, הקריאות בדיסק היו מעלה, או שהיו בעיות זיכרון או כל דבר אחר, ואז אוכל לדלג על פעילות השאילתה באותה נקודת זמן ואני באמת יכול להתחיל המתאם מי ניהל אילו שאילתות שעלולות היו לגרום לדוקרנים האלה שם. ואז אתה יכול להתחיל לעשות דברים כמו שאני יכול להתחיל לכוונן, ואז אני מתחיל לכוון. זה כמו מכונית, אם אתה בונה מכונית מירוץ ופשוט תפיל את המנוע, ותפעיל את המפתח שהמנוע עשוי להפעיל, אבל אם אני צריך ללכת 180 קמ"ש כדי לזכות, אני צריך לדעת שהמנוע יכול להפעיל 100 מיילים לשעה ואני צריך להיכנס לשם ולהתחיל לכוון את המנוע הזה כדי להיות מסוגל להגיע לשם. וזה מה שמאפשר לך לעשות, זה להיות מסוגל לתת לך מספיק מידע כדי להתחיל לכוונן את הסביבה שלך, להגדיל את הבריאות ואת הייצור של אותה סביבה ואת היעילות.

ואז, אנו עוקבים אחר דברים בזיכרון המיוחדים לשירותי ניתוח, במקרה זה. וכאן תוכלו להתחיל לראות איפה הדברים עלולים להתחיל להשתבש, כשאתם מתחילים לראות דברים שמתרגלים מעל גבולות הזיכרון שלכם, דברים כאלה. הדבר האחר שכדאי להסתכל עליו, בכל פעם שאתה מפעיל כל סוג של שאילתות, אתה רוצה שנתונים יישמרו במטמון, מכיוון שכשזה ישמור במטמון זה בזיכרון ולא צריך לקרוא מהדיסק, וזה הרבה יותר יעיל מאשר צורך לקרוא נתונים מהדיסק. אז תוכלו להתחיל להסתכל על דברים שקורים, סליחה, למשל, במטמון הנתונים. היו לי כמה שאילתות שהופעלו קודם לכן, כדי לקבל את הנתונים האלה, ותוכלו לראות שהיה לי רוב הזמן, להיטי המטמון ולחיפושים חופפים, וזה טוב. אבל הייתה לי כאן תקופה בה הלהיטים היו נמוכים בהרבה ממה שהחיפושים היו, מה שמגיד לי שהיה לי משהו שהיה אינטנסיבי בזיכרון, כזה שהמטמון התרחש מהר הרבה יותר, כך שהיה צורך בנתונים לקרוא מהדיסק. ואנחנו יכולים לראות את זה כשאנחנו מסתכלים על מנוע האחסון. זו אותה נקודת זמן כמו אותה גרף אחר, ותוכלו לראות את הדוקרן שם, שם באמת קפצו השאלות מהקובץ באותה תקופה. וזה אומר שקראו נתונים מהדיסק. עכשיו, אני יכול לחזור ואז לתאם את זה לשאילתות שרצו, ולא לגרום לאוזניים של כולם לדמם, אבל בשירותי ניתוח זה משתמש בשפה שנקראת MDX, יש דרכים לכתוב שאילתות בצורה יעילה יותר, כך שהיא משתמשת במטמון בצורה יעילה יותר ופחות אחסון. אז יש דוגמה לכוונון המנוע הזה, ולתת לך את כל החלקים הדרושים בכדי שתוכל לתאם זאת.

ממש במהירות, נוכל גם להפוך אותה לכיוון ההפוך, כאשר אנו מסתכלים על השאלות, אנו יכולים להסתכל כעת על הפגישות, למי בעצם התחבר בנקודת זמן זו ומה הם מפעילים? אז סוג זה נותן לך את ההשקפה ההפוכה של השאלות ומי מנהל אותן. זה מי שקשור ואז אני יכול לראות מה הם רצים כרגע. הדבר האחר, רק כדי לעבור במהירות, זה שתוכל לראות את כל האובייקטים בקוביות ה- MOLAP הרב-ממדיות שלי. ואני יכול לקבל עליו מידע. כך, למשל, אני יכול למיין לפי הטור הנקרא הזה, ואני יכול לראות שהאובייקט המנוצל ביותר הוא ממד הזמן והשני הכי מנוצל הוא ממד הלקוח. וזה עוזר לאנשים שמפתחים ובונים דברים לבנות בצורה יעילה יותר את הקוביות שלהם. אולי ברצוני לשנות את אסטרטגיית החלוקה שלי לנתונים, למשל, על הממדים השימושיים ביותר בקוביה שלי, ולכן זה הולך להגדיל את הביצועים של שאילתות, למשל. זה עשוי להפחית את הביצועים של עיבוד הקוביה, מכיוון שעכשיו יש לי יותר מחיצות, אבל מבחינה משתמש זה הולך לכוון את המנוע הזה, להיות יעיל יותר לשימוש באובייקטים אלה.

אז, המשך, דבר כאן על שירותי אינטגרציה. שירותי שילוב, ציינתי, הם פלטפורמת ETL בסביבה של מיקרוסופט. מה שאנחנו עושים כאן - וזה עקבי - אנו עוקבים אחר ביצועי השרת ואלו יהיו אותם מדדים שבחנו, מכיוון שכל השירותים שלי פועלים באותו שרת. אבל שוב, זו סקירה כללית של המתרחש בשרת. ואז אוכל להסתכל על הפעילות של שירותי אינטגרציה, תהליכי ה- ETL שלי. אז, אני יכול לקבל מושג מתי התהליכים האלה רצו, בין אם הם היו מוצלחים או לא, אני יכול להדגיש ריצה מסוימת של תהליך ETL ואז זה יראה לי את פירוט הצעדים בתהליך ETL זה, האם זה היה מוצלח או לא וכמה זמן זה לקח.

כעת, אם הייתה לי כאן חבילת ETL נכשלה בתהליך ETL, הייתי יכול לרדת לפרטים ולראות את הודעת השגיאה והיא הייתה מראה לי איזה שלב בחבילה ההיא איפה נכשל אותו תהליך ETL, יחד עם כל ההודעות הקשורות לזה. אז מה שזה עושה זה שנותן לי, ואני יכול לקבל התראה אם ​​היא נכשלת, אז אם אני מקבל התראה, אני יכול להיכנס לכאן, לראות, ללכת להתראה ההיא, לראות את כשל החבילה, להסתכל על הצעדים, ראה איפה זה נכשל, התבונן בהודעת השגיאה ואני מייד יודע מה אני צריך לעשות כדי לתקן את זה: לפרוס אותה מחדש ואז להתחיל אותה מחדש. אז מה שמאפשר לכם לעשות זה שאנחנו קוראים לזה לקצר את החלון שבין זיהוי הבעיה לפיתרון הבעיה. אז, בחיים הקודמים, כשהייתי אחראי לדברים מסוג זה, היה לנו תהליך ETL שיפעל בלילה, כדי לטעון את מחסן הנתונים שלנו. אם היה לי את המידע הזה, הדבר הראשון בבוקר כשנכנסתי, אם משהו נכשל, אז אני יכול להתייחס אליו במהירות ולקבל את התהליך הזה כדי לוודא שמחסן הנתונים היה פועל ורענן אותו כשהמשתמשים היו משתמשים בו נכנס והחל לגשת לדיווח.

הדבר האחר הוא שיש לי שני תהליכים שרצים, זה להסתכל ולראות איך זה רץ לאורך זמן. זה חשוב מכיוון שאם אתחיל לראות תהליכים אלה, למשל, אורך זמן רב יותר, רואה את הזמנים האלו מתרוממים, יתכן ואצטרך להסתכל למשל על חלון התחזוקה שלי, ייתכן שיהיו לי דברים שמתרחשים בשרת זה. . קח למשל גיבויים; יתכן שיהיה לי גיבוי שגורם לתהליך שלי להמתין עד לסיום. יתכן שאצטרך לשנות מחדש או ללהטט בתהליכים שלי סביב דברים שמתחילים להשפיע על תעודת הסל שלי.

והקטע האחרון הוא שירותי דיווח. שירותי הדיווח הם של מיקרוסופט, בעצם כלי הדיווח הארגוני שלהם. וכמה מהדברים, שוב, אנו יכולים להסתכל על דברים ברמת השרת, אנו יכולים להסתכל על דברים על פני שרת הדוחות, שרת שירותי הדיווח, עצמו. אין לי הרבה דברים שרצים כאן; יש לי כמה מנויים שרצים כל 15 דקות, כדי להפיק דוח. לכן, לא תראו הרבה חיבורים פעילים מכיוון שהוא נדלק, מתחבר, מפעיל דוח, מתנתק ומעביר אותו.

אך בסביבות עסקיות גבוהות בהן נעשה דיווח רב, היכולת לפקח על הדברים הללו היא המפתח. אז אתה יכול לראות איפה היו לי דברים שקורים כאן, כך שזה נותן לך מושג די טוב מה קורה, מרמת השירות והפלטפורמה בפועל. ואז, כשדיברתי על השקופיות, האם מי מנהל מה ומה הם עושים? ואחד הלקוחות שלנו קנה את המוצר הזה רק בשביל הקטע הזה כי הם רצו לדעת באילו דוחות אנשים מנהלים, ומי מנהל את הדוחות האלה. אז זהו אחד הדברים שבביצוע הדוח הזה תוכלו לראות כאן. אני יכול לראות איזה דוח, אני יכול לראות כל פרמטרים שהיו בדוח הזה, אני יכול לראות מי מנהל אותו, אני יכול לראות את פורמט הדוח. ואז יש לי את כל המדדים האלה סביב זה, אז אם שוב, אני יכול לדרג את הדברים האלה, למשל, איזה דוח לקח הכי הרבה זמן לאחזור נתונים, ואני יכול ללכת ישר לזה ולראות איזה דו"ח זה. ושוב, כל זה נותן לי נתונים בכדי להיות, לכוון את המנוע שוב. עכשיו, אני יכול להתחיל לכוונן את סביבת הדיווח שלי סביב זה.

והדבר האחרון, האם אוכל להסתכל על פעילות המשתמשים, למי מתחבר שוב לעת עתה, מה הם עושים? אני יכול למעשה, בסביבה בה היו לי משתמשים מרובים, כל אלה ניתנים למיון, כך שאוכל לדרג, אני יכול לראות מי מנצל את הסביבה הכי הרבה. לכן, רק כדי לחזור במהירות ולהסתכל על ההתראות הללו. כאן הייתה אותה התראה; אני יכול ללחוץ על קישור זה כאן וזה ייקח אותי לתרשים לאותה נקודת זמן ותראה לי איזה מהם היה בכוננות. אז אתה יכול לראות כאן, זה זה שזו הייתה אלפי האלף השניות הממוצע לכתיבה, למשל, לקרוא ולכתוב. אז שוב, רק מנסה להשיג את אותה נקודה של זיהוי הבעיות. וזה באמת חשוב שיהיה כלי הוליסטי, לא רק משהו שמסתכל על הדבר האחד, כי האדם צריך להיכנס לכאן ולתאם בין האירועים האלה שמתרחשים, אז אתה צריך להיות מסוגל להסתכל על המתרחש בזה הצבע בזמן על פני האזורים המרובים של אותה סביבה, וזה אחד הדברים שאנחנו עושים באמצעות בוחר הזמן הזה כאן.

אריק קוואנה: כן, זה אריק כאן רק עם שאלה מהירה, כי אני חושב שאתה בטח מכה את הציפורן בראש, ועל זה דיברתי בראש השעה, שצריך לבוא בן אנוש. פנימה וצייר קשרים אלה בין סביבות שונות. אני סקרן לדעת, האם יש איזה חומר חינוכי שאתה יכול לשתף אותנו, או שאולי אתה עושה איזושהי מעורבות עם אנשים כדי לעזור להם לזהות כמה מהדפוסים האלה? כמו שהייתה לך דוגמא ממש טובה לפני דקה, בערך כאשר אחד מאלה קופץ שמספר לך שמשהו קורה בזיכרון מכיוון שהוא כל הזמן ניסה לזרוק את הזיכרון. וזה נותן לך מושג, אבל איך אנשים ממפים נתונים סטטיסטיים אלה כנגד בעיות בעולם האמיתי, זו השאלה האמיתית.

סטן גייגר: כן, זו נקודה טובה ואחד הדברים שרק דיברתי עליהם, מפת דרכים למוצר, היא בהמשך השנה אנחנו הולכים להוציא גרסה ואחד הדברים שאנחנו הולכים להתחיל להוסיף היא לכל אחת מהגרפים הללו, היא תיאור של המשמעות של גרף זה ולמה צריך להיות אכפת לך, ומה ההשפעה של זה. אז תוכל ללחוץ על סימן שאלה או על משהו בתרשים הזה ואז להרים חלון שייתן לך הרבה מידע זה ויגיד לך כי הם הגורמים האפשריים, אלה האזורים שמשפיעים עליהם וכדי להדריך אותם אתה בכיוון של יכולת לעבור במקרה הזה, כמו שאמרת, הנה הספייק הזה, אני יודע מהניסיון האישי שלי מה המשמעות של זה. ואז אוכל להתחיל ללכת ולהתחיל לקדוח לאזור ולמצוא את גורם השורש.

כעת, יש לנו הרבה מזה, למעשה, במוצר ניהול האבחון שלנו עבור SQL Server, עבור מסד הנתונים בפועל. יש לנו הרבה מסוג זה של פונקציונליות במוצר כזה, ויש לנו גם כמה ניתוחי ניתוח למנהל האבחון שמצביעים על כך מהר הרבה יותר. וכאן אנחנו הולכים בדרך עם המוצר הזה.

אריק קוואנה: ואני מנחש שיש חתימות לסוגים מסוימים של פעילות. האם כלי זה מאפשר לך לזהות מתי אירוע מסוג מסוים התרחש ולקטלג את זה, כך שלאורך זמן הוא יזהה דפוס דומה לאורך הקו ויעזור לך להבין אולי אם זה משתמש חדש, למשל, באמצעות אותו כלי? לעזור לך להבין, הו, זה בגלל שהשרתים האלה ירדו או בגלל שהאזור הזה ירד? האם יש דרך לקטלג חתימות של בעיות, כך שתוכל לזהות אותן בקלות אחר כך?

סטן גייגר: לא, בעצם, אבל זה בעצם מושג מעניין, כי זה כמעט כמו, מה זה - ניתוח רכיבים עקרוני, אני מניח - איפה אתה מזהה דפוסים ואתה רושם את הדפוסים האלה וכך אם אתה רואה אותם שוב אתה יכול לחזור אחורה ותראו, אוקיי, זו הייתה הסיבה באותה נקודה. כן, זה משהו, זה לא במפת הדרכים אבל זה משהו שחשבתי עליו מבחינת ניהול המוצר.

אריק קוואנה: אני יכול לדמיין. אה, קדימה.

סטן גייגר: לא, התכוונתי לומר - ואנחנו מקבלים המון בקשות, כי אני לא יודע מה החוויה שלך - אבל מה שאנחנו מוצאים זה ש- DBA יודע מאגרי מידע כמו גב כף היד שלהם, אבל הדברים ב- BI הם דומה לקופסה שחורה בכל הקשור לבריאות הפלטפורמה. ואין, אין להם הרבה בסיס ידע סביב זה. אני עושה זאת, פשוט בגלל שעבדתי בזה כחמש עד עשר שנים, נכון? אבל אנשים טיפוסיים שאחראים למצוא את אלה, או לקבל התראות ולברר מה קורה, זה סוג של קופסה שחורה עבורם.

אריק קוואנה: כן, אני יכול לדמיין. הייתי סקרן לדעת גם כן, אז הראיתם במסך אחד ההוא כיצד תוכלו לראות את כל השאלות שעוברות, כמה זמן לקח להם לרוץ ומי יצר אותן. האם אתה יכול גם לראות את המבנה בפועל של שאילתת SQL עצמה, ולבצע סוג של ניתוח סביב זה? כמו שאולי לפעמים אנשים מרכיבים שאילתות SQL שהם די מגושמים, נניח ומסורבלים, לעומת מאסטר שבאמת מרכיב שאילתה נחמדה ומהודקת. האם זה משהו שאתה יכול לדמיין באמצעות הכלי הזה ואז לעזור לך שזו הבעיה?

סטן גייגר: כן, אז מה שאתה יכול לעשות זה כמו שעשיתי כאן, האם סווגתי לפי זמן שחלף, למשל. אז אני יכול לראות את אלה שלקחו הכי הרבה זמן ואז אני מקבל את הטקסט, אבל זה עדיין תלוי במישהו שהוא פחות או יותר מומחה הנושא לבחון את זה וללכת, "אה, אוקיי, הנה למה זה לקח כל כך הרבה זמן זה משהו שיש לנו סוג של ניתוח עומס עבודה, אנו קוראים לזה SQL Workload Analyzer עבור הצד של מסד הנתונים, שטפלתי ברעיון שאולי בהמשך הדרך יופיע דבר דומה, כך שהוא יזהה שאילתות אלה ואז נותן לך המלצות כיצד לכוונן שאילתות אלה. אבל אחד הנושאים הוא ששאילתת MDX זו היא שפה די מיוחדת.

אריק קוואנה: כן, אני יכול לדמיין. אבל אתה יכול לראות, למשל, מי האנשים, כך שלא קשה מדי להבין אם אדם אחד, אם בחור אחד אחראי לעשר משאלות התהליך הארוכות ביותר, אז אם שום דבר אחר אתה יכול להתקשר אליו, או להתקשר המנהל שלו או מישהו ואומרים, "היי, הבחור הזה מעסיק רוחב פס רב", ואולי מסתבר שאלו השאלות החשובות ביותר לעסק, נכון? אתה צריך לשים את זה בהקשר של מה הערך העסקי, מהשאילתות עצמן, זה לא רק משחק מספרים ברורים, נכון? זה לגלות, ובכן, הבחור הזה הוא משתמש הכוח שלנו, והוא זה שמשנה את העסק, נכון?

סטן גייגר: לא, אתה בדיוק צודק. כלומר, אחת הדרכים שלקוחות משתמשים בזה היא להיות מסוגלת לעשות זאת. כמו שאמרת, יתכן שתמצא תחום אחד, מכיוון שאחד הדברים שאני מדבר עליהם, אני תמיד סוחב על אקסל, אבל אתה יכול להתחבר לשירותי ניתוח באקסל ולהריץ טבלאות ציר של OLAP, והוא יוצר שאילתות משלו, ו שולח אותם ולפעמים הם לא הטופס הטוב ביותר, כך שתוכלו לחזור ולזהות את אלה ולמעשה לשכתב אותם ולתת אותם למשתמש ולתת להם להריץ אותם מחוץ לשם כך שלא ייקח חצי שעה במשך אותם לחזור לשולחן הציר שלהם.

אריק קוואנה: בדיוק. וכשמדברים על שאילתות, אתם מכסים את מכלול השאילתות, אז הזכרת MDX, מה עם כמה מהשאילתות האחרות כמו שאילתת DAX, או כמה מהשאלות האחרות האלה?

סטן גייגר: כן, אנחנו מכסים, כן, כל DAX ו- MDX שניהם. אז אחד הדברים שלא ציינתי, או שעשיתי, אולי, אבל אנחנו כן תומכים בטבלאות וגם ב- OLAP במיקרוסופט ו- DAX - אני חושב שאתה ודיברנו על זה זמן מה - האם אנחנו רואים הרבה טבלאיים יותר מכפי שאנו OLAP. כי פשוט קל יותר להעלות את הדגמים הטבלאליים ודברים כאלה, וכך תראו ברור שאילתות DAX, אבל אנו נאסוף גם אותם.

אריק קוואנה: כן, זה מעניין. יש לך הקשר סביב למה זה קורה? האם זה אולי בגלל שיותר ויותר אנשים נכנסים לחומר הזה ומכיוון ש- OLAP כמובן אינו משהו חדש, זה כבר הרבה זמן, לפחות 30 מוזרים?

סטן גייגר: נכון, ובכן, זה סוג של שילוב, אחד הדברים הוא עיצוב קוביות זו אמנות. וקוביות נבנו כדי לצבור נתונים מצטברים כך שממש מהיר להוציא נתונים, אבל עיבוד הקוביה לוקח זמן כי צריך לעשות את כל אותם אגרגיזציות. ואז, החומרה הפכה זולה יותר והזיכרון נעשה זול יותר ואז כולם יצאו עם מאגרי חנות עמודים ובזיכרון, באמת. וגם טבלאי הוא ככל הנראה הכי קרוב למסדי נתונים קשורים מסורתיים וזה פשוט הרבה יותר קל ומהיר להעלות דגמים טבלאיים מאשר עם OLAP. אבל החיסרון הוא שהוא שוכן בזיכרון, כל העסק שוכן בזיכרון, כך שהוא אינטנסיבי בזיכרון והנתונים אינם מצטברים עד שתבקש זאת. אז, אבל אחרי שאמרנו את כל זה, אנחנו מתחילים לראות הרבה יותר טבלאות שם בחוץ.

אריק קוואנה: זה מעניין. יכול להיות שזה גם בגלל שהתעשייה הזו קצת מתשטחת, וכוונתי היא שאנחנו מקבלים הרבה יותר אנשים שמתקשרים עם נתונים ומשתמשים בכלים שונים, ובטח כשמדברים על מיקרוסופט, אני חושב זה בהחלט המקרה שיש לך משתמשים רבים יותר רבים לעסקים קטנים ובינוניים, ואפילו כמה ארגונים גדולים יותר שחוברים לחומר, מקבלים גישה לכלים, מריצים שאילתות והם אולי לא מכירים את כל התהליך והטכנולוגיות סביב בניית קוביות, לנקודתך, נכון? כי זה לוקח קצת מחשבה, וזה גם יקר, נכון? לוקח זמן, לוקח אנרגיה לבנות את הקוביות אלא אם כן אתה משתמש בכמה מהטכנולוגיות החדשות יותר שקיימות שם. כאילו, דיברנו עם חברות כמו פתית שלג, למשל, זה עושה דברים מעניינים למדי, אבל אני חושב שיש לך הרבה יותר אנשים שמשתמשים בחומר והם כנראה הולכים עם מה שתיארת זה עתה, וזה הפורמט הטבלאי., לעומת קוביות שנבנו רשמית, נכון?

סטן גייגר: כן, אני מתכוון, אני מניח שאקסל - מתי מה היה זה, Power Pivot, אני מאמין - זה למעשה טבלאי, אם תסתכל על זה; זו הדרך בה אתה בונה דגמים טבליים. ואז האיטרציה הבאה הייתה, אני יכול להגיד לכם את המודלים הטבלאליים שלי שאני בונה ופרוס אותה עד SQL Server כדי שאוכל לשתף אותה עם כל אחד אחר. אז זהו סוג של הרחבה טבעית של Excel כמעט.

אריק קוואנה: כן, זו נקודה טובה. מה שראינו לאחרונה, הייתי אומר חמש עד שבע שנים, הוא רק הרחבה אדירה של השימוש בטכנולוגיות אלה, נכון? ומיקרוסופט, למען האמת, הייתה חלוצה בכך שבאמת דמוקרטיזציה של נתוני הכוח באמצעות שירותי ניתוח ודרך Power Pivot, נכון? זאת אומרת, זה היה מחליף משחק לתעשייה, נכון?

סטן גייגר: כן, לא, אתה בדיוק צודק. כלומר יש לי שקופית כשאני נותנת מצגת ארוכה יותר שמראה את המעבר של המעבר מהמודל הסמנטי, שהיה ה- OLAP, לטבלה. ואני חושב שיש לי הצעת מחיר ממיקרוסופט; הם רוצים לקבל נתונים בידי המשתמשים, לא רק מעבר לקיר בחנות ה- IT, הם רוצים לקבל יותר מהנתונים בידי האנשים הצורכים אותם.

אריק קוואנה: וזה חוזר לשקופית הראשונה הפשוטה ביותר שהראתי, שהיה תהליך קבלת ההחלטות הבסיסי עבור כל ארגון, ועכשיו - ואני חושב שזה דבר נהדר - אנחנו מקבלים יותר ויותר אנשים מכל ההיררכיה של הארגון ששמה לב למה שקורה, מביאה את הסיפור שלהם לשולחן ואתה עושה את זה עם נתונים, זו השורה התחתונה, אני מתכוון, אתה יכול להשתמש באמצעים אחרים, אבל אם אתה מגבה את הסיפור שלך עם נתונים, אתה עומד לוויכוחים הרבה יותר חזקים מאלו שלא, נכון?

סטן גייגר: בדיוק, כן. כאילו, כן, זה בדיוק נכון. זאת אומרת, עכשיו זה היה פעם "היי, אני צריך את הדו"ח הזה", אז עכשיו עלי לעבור על בקשת הדו"ח והייתי צריך לעבור לכאן, ולקבל את הדו"ח שלי, ועכשיו אני יכול לשבת שם ממש ליד השולחן שלי ובאמת סתם, יש לי גישה לנתונים שנוצרו, לקבל את ההחלטות העסקיות שלי.

אריק קוואנה: נכון. אתה יודע, חזרתי מכנס בדיוק השבוע האחרון והייתה הערה היסטרית של בחור שמנהל סביבת BI גדולה למדי עבור החנות טארג, והוא התייחס לניתוח של שירות עצמי ו- BI לשירות עצמי, וברור זה נושא גדול בימינו. אני בטוח שזה משהו שמניע פעילות רבה עבור מה שאתם עושים ב- IDERA מכיוון שכשאתם רוצים להפעיל שירות עצמי, קודם כל עדיף שתהיה לכם סביבת BI בריאה, נכון? אם אתה הולך להביא כל מיני אנשים ששואלים כל מיני שאלות בכל מיני דרכים, אתה רוצה שיהיה כאן משהו כמו הכלי הזה, כדי שתוכל להבין מי שואל אילו שאלות ואיפה. ואת הציטוט המצחיק שאשליך כאן רק לבעיטות, כמו שאמרת, "יש קו דק בין BI לשירות עצמי ולך לעבור עם עצמך."

סטן גייגר: כן.

אריק קוואנה: חשבתי שזה היסטרי. אבל האם אתה רואה שמגמת השירות העצמי באמת מעוררת מודעות רבה למה שאתה עושה עם הטכנולוגיה?

סטן גייגר: כן, כי כמו שאמרת, אם אתה מתכוון לאפשר שירות BI בשירות עצמי, סביר להניח שאתה הולך לקבל כמה בעיות ביצועים, בגלל סתם: א) כמות הגישה, כמות האנשים שהולכים בנתונים, ו- B) כמות השאילתות שגויות בצורה שגויה ודרכי הגישה אליהם. אז, אתה באמת, זה ממש חובה שתפקח על הסביבה כך שתוכל לשמור על כולם מאושרים שמנסים לצרוך את הנתונים, נכון?

אריק קוואנה: כן, אני חושב שזה בדיוק נכון. זו ברכה וקללה: טוב שאנשים מנסים להשתמש בדברים, אבל שוב, לנקודה שלך, אם אין לך את הכלי הנכון באותו זמן, אתה תהיה קמפר אומלל בגלל להתגלגל מתוך שירות עצמי בלי כלי כזה, נראה לי שזה רק מבקש הר של צרות.

סטן גייגר: כן, אני מתכוון, זה דומה לזה שבניתי מחסני נתונים, זה כאילו אם לא קיבלת את המידות והטבלאות העובדות שלך נכון, אז אתה משחרר את זה לדיווח אד הוק, אולי תרצה לזחול תחת סלע.

אריק קוונהאג: זה מדהים. כן, זה טוב, שוב, חדשות טובות שאנשים משתמשים בדברים האלה, אבל אני חושב שאני צריך להאמין ששירות עצמי הולך להניע הרבה פעילות למה שאתה עושה, כי אתה מדבר על השתוללות להגדיל את כמות המתח ואת כמות הלחץ על מערכות אלה לפי סדר גודל. לא רק בזה אחר זה, או בשני סדרי גודל וזה הנקודה שאתה באמת רוצה שיהיה לך קצת נראות ואתה רוצה להיות מסוגל לראות מי עושה מה, איפה, מתי, איך ולמה. שאל את השאלות הללו ואז קבל החלטות לגבי האופן בו תוכל לפקח ולשנות את הסביבה ולשנות את המדיניות שלך לגבי מי יקבל גישה למה, נכון?

סטן גייגר: נכון. ואתה יודע, גם זה, לדעת, לראות כי השימוש גם מאפשר לך להיכנס לשם, ופוטנציאל, כמו שציינתי את האובייקט בתוך הקוביה, אני יכול לעשות דברים כדי לשפר את זה, עד כמה שאני בונה ומעצב. דברים. לכן, חובה שלא זו בלבד שתסתכל על ביצועי הדברים אלא שתוכל לראות את הביצועים של התוכנית שלך והעיצוב שלך גם ברמה זו, על מנת שתוכל לעשות לך ציוצים. וזה פשוט הולך ויהיה גדול יותר ויותר כמו שדברים כמו כוח BI זה עניין גדול עכשיו, עם מיקרוסופט, אז עכשיו אני יכול לבנות מרכזי שליטה ווידג'טים ודברים שלי, ולא צריך להיות מפתח BI.

אריק קוואנה: נכון. כן, זה דברים טובים, זה מגיע לכל מקום, אבל אתה תצטרך דרך כלשהי לנהל את הסביבה הזו או שתשיג משתמשים לא מרוצים. זה מוביל לניהול אומלל, מה שמוביל לפיטורים. יש אפקט דומינו די ברור כשדברים מתחילים ליפול לחלק, אבל זה דברים מעולים.

אז לעיסתי את חמש הדקות האחרונות כאן. רובין, היו לך שאלות?

רובין בלור: טוב, אני חושב שזה מרתק, למען האמת. זה גורם לי לחשוב על העובדה שהייתה לנו סביבות מאוד מוגבלות והשירות העצמי בעצם משנה את העולם והרבה מזה קורה באמת בגלל שהרבה יותר נתונים הגיעו לסביבה מכפי שקרה בעבר. השאלה היחידה, כי אין לנו הרבה זמן, אבל השאלה היחידה שהייתי מעוניין לשאול היא כפי שהסברת את הדרך כזו - כי חשבתי שזו הדגמה טובה מאוד - הדרך בה ניטור BI עובד. תהיתי מה אנשים שאכן אין דברים כאלה באמת עושים? מכיוון שזה בטח קשה מאוד, ישנם מספר דברים שבהם אתה עושה את ההבדל, גורם השורש הוא טוב, אתה לא בהכרח תמיד מגיע לשורש, אבל אתה יכול להגיע לשורש עם כמה מהדברים שאתה מסתכל עליו, שכשאמרת שמספר אנשים רוכשים את הכלי רק כדי לדעת מי מנהל מה, ושהמוח שלי מסתובב, כי זה כאילו שאתה לא יודע מי מנהל מה, אז הדברים יצאו מכלל שליטה. אז איך נראית הסביבה כאשר היא יוצאת משליטה?

סטן גייגר: אני מתכוון, אתה יכול לקבל את כל המידע הזה שיש לנו בכלי בעצמך, אבל אתה צריך לכתוב חבורה של סקריפטים ביתיים וגורמים לנתונים כולם שם בחוץ, רק אתה צריך לדעת לאן תבינו את זה, שדורש רמת מומחיות, נכון? אז, בסביבות בהן אין לך רמת מומחיות כזו, בעיקרון, מה שאתה מקבל זה, היי, האם זה למעלה או למטה? אני באמת לא יודע אם זה פועל ביעילות או לא, אבל זה בסדר, נכון? ואז אני מתחיל לקבל שיחות טלפון או אנשים עוברים, "היי, הדו"ח שלי לא נמצא בתיבת הדואר הנכנס שלי, מה קורה?" או "פשוט הגשתי את הדו"ח הזה באמצעות שירותי דיווח" או שהם עשו כאן שאלה בשירותי ניתוח., אבל זה לקח כמו חצי שעה, והיה לוקח רק כ 30 שניות, מה קורה? ובכן, עכשיו עליכם לבצע את תרגיל האש ולנסות להבין זאת, ובלי כלי זה הופך להיות קשה מאוד.

רובין בלור: ובכן, נכון, זה היה הדבר שהולך ומתגלה לי יותר ויותר, כשהדגמת כל אחד מממדי הדברים שיש לך בפועל כאן. הדבר האחר, זה כמו ברמה מאוד מאוד פרימיטיבית, אם אין לך התראות שאומרות לך שדברים משתבשים, אז זה פשוט יקר - אתה נכנס למצב יקר, מנסה לרפא את מה שקרה, כי אתה אל תגלה עד שדברים יתחילו ליפול רע, נכון?

סטן גייגר: נכון, אתה לא יודע מה אתה לא יודע.

אריק קוואנה: יש לך את זה. ובכן, חברים, שרפנו שעה ומשתנה כאן. תודה גדולה מאוד לרובין בלור משלנו וכמובן לחברנו, סטן גייגר, מ- IDERA Software. הם הולכים להיות ב- Enterprise Data World, למען האמת, אם מישהו מכם ייסע לשם, באמת שלכם יהיה שם גם באטלנטה. חברנו הטוב, טוני שו, עושה עבודה נהדרת בניהול הכנס הזה כבר ארבע שנים, היי מה שישן חדש שוב. הכל דברים חמים. אני מקווה שנראה אותך שם, אם לא, חזור איתנו בשבוע הבא, יש לנו שורה של שידורי אינטרנט אחרים בשורה.

תמיד סקרן לשמוע את המחשבות שלך, לשלוח דוא"ל אליך, שנכון לי, אם יש לך שאלות או הצעות, או טכנולוגיות אחרות שתרצה ללמוד עליהן ב- Hot Technologies. ועם זה, אתה הולך להיפרד מכם, אנשים. שוב תודה שהצטרפת אלינו, נדבר איתך בפעם הבאה. שמור על עצמך. ביי ביי.