Watch full webinar here: https://bit.ly/2SDUxEz
In tutte le aziende c’è una necessità crescente di ottenere informazioni e di prendere decisioni, spesso strategiche, a partire da dati che continuano a crescere in numero, volume e varietà delle fonti, e in cui la componente non strutturata è sempre più prevalente.
La maggior parte delle soluzioni più classiche adottate fino ad oggi, come i tradizionali Data Warehouse e Data Lake hanno una governance più complessa e non garantiscono un accesso agile ai dati.
I sistemi di Business Intelligence devono essere in grado di supportare nuove forme di reporting e di analisi, come l’analisi Self-Service, le analisi investigative e la Data Science; nuovi utenti, come clienti online, partner e fornitori; tecnologie emergenti, come Hadoop e NoSQL; fonti di dati esterne, come i dati sui Social Media e gli Open Data.
Inoltre, elemento non meno importante, la velocità con la quale le aziende devono prendere decisioni o portare sul mercato nuovi prodotti o servizi, è sempre maggiore.
La risposta a queste necessità aziendali, secondo gli analisti, è il Data Warehouse Logico (LDW), che ha dimostrato garantire una elevata agilità per il Delivery e la trasformazione dei dati, semplificando la connessione a nuove sorgenti dati, comunque siano fatte e ovunque siano.
Partecipa a questo webinar per approfondire:
- Come implementare un Data Warehouse logico secondo Gartner
- Come la tua organizzazione può migrare in modo graduale e con successo verso un'architettura di Data Warehouse logico flessibile
- Come rendere disponibili in modo agile e veloce nuove fonti di dati agli analisti e ai data scientist
- In che modo il Logical Data Warehouse aiuta a integrare l'analisi Self-Service con le altre forme più classiche di Business Intelligence
5. 5
Le tappe per raggiungere la meta
SECONDA
Tappa
Consentire in modo SEMPLICE di coglierne il significato,
esplorandoli e consentendo di combinarli secondo le proprie
necessità, senza mai perdere di vista la loro genealogia
TERZA
Tappa
Mettere a disposizione, in modo SEMPLICE, tutti i dati, elementari
o combinati che siano, a tutti i potenziali fruitori, riducendone o
eliminandone le copie e ogni altra eventuale complessità tecnica
PRIMA
Tappa
Consentire un accesso SEMPLICE ai dati, indipendentemente da
dove siano e dalla struttura nella quale sono rappresentati
Soddisfare le esigenze di chi «consuma» i dati (il Business), riducendo al
tempo stesso gli impatti su chi li deve gestire (l’IT)
7. 7
Analisi dati – Da dove siamo partiti ?
Analytics Environment
Operational
Data Stores
Staging Area Data Warehouse Data Marts Analytics and
Reporting
ETL
ETL
ETL
9. 9
Analisi dati – Per arrivare a quale meta ?
Data Warehouse Data Lake
1992 2008
Virtual Data
Oggi, domani e…
10. Fonte: DAMA Data Management Book of Knowledge (DMBOK), 2nd Edition
Data Virtualization enables distributed databases, as well
as multiple heterogeneous data stores, to be accessed and
viewed as a single database. Rather than physically
performing ETL on data with transformation engines, Data
Virtualization servers perform data extract, transform and
integrate virtually.
12. 12
…e il suo contributo all’Enterprise Data Fabric
Enterprise Data Fabric
Data Consumers
Data
Science
Machine
Learning
Artificial
Intelligence
Mobile
Applications
Predictive
Analytics
Business
Intelligence
Dati
strutturati
NoSQL Dati non
strutturati
Documenti Cloud Sensori IoT
Data Sources
Vista logica Sicurezza
Astrazione sui dati
Accesso universale
Self-Service
Data Catalog
Silos di dati
14. 14
Un’architettura moderna per la Data Virtualization
DATA CATALOG
Discover - Explore - Document
{ API ACCESS }
RESTful / OData
GraphQL / GeoJSON
SQL
DATA VIRTUALIZATION
CONNECTIVITY
Traditional
DB & DW
150+
data
adapters
Cloud
Stores
Hadoop
& NoSQL
OLAP Files Apps Streaming SaaS
Query
Optimization
Security
AI/ML Governance
Semantic
Layer
Real Time
Acceleration
Caching
DATA OPS
Deployment
Cloud PaaS
Containers/K8
On-Prem
Monitoring
Scheduling
Version Control
DEVELOPMENT
MODELING
DELIVERY
15. 15
La modellazione
Sources
Combine,
Transform
&
Integrate
Publish
Base View
(Source
Abstraction)
Client Address Client
Type
Company Invoicing Service
Usage
Product Logs Web
Incidents
Customer Invoice Product
Customer Invoicing
Service Usage Incident
Hadoop Web Site
Rest
Web Service
Multidimensional
Salesforce
SQL Server
Oracle
SQL, SOAP, REST, ODATA, GraphQL, etc. Denodo’s Data Catalog
Physical Level
Business Level
Application Level
Exadata
16. 16
Ogni “Persona” accede a funzionalità dedicate
Denodo Developer
DESIGN STUDIO
SOLUTION
MANAGER
TASK
SCHEDULER
MONITORING
DATA CATALOG
SQL
ACCESS
NOTEBOOK
API
DATA CATALOG
Business User
& BI Analyst
Data Scientist
Application-to-Application
Administration &
Operations
17. 17
Scenario Demo
Qual è l’impatto di una
nuova campagna
marketing in ogni Paese?
▪ Storico dei dati di vendita: Off-loading
su un cluster Hadoop più economico
rispetto al DW
▪ Campagne di marketing: gestite in
un'applicazione cloud esterna
▪ Paese: incluso nella tabella dei dettagli
del cliente, memorizzata nel DW
Sources
Combine,
Transform
&
Integrate
Consume
Base View
Source
Abstraction
join
group by state
join
Sales Campaign Customer
19. 19
I punti da non dimenticare
FIRST
Takeaway
L'analisi dei dati, nella sua accezione modera, va ben oltre
l’Enterprise Data Warehouse, estendendosi a una pluralità di
sorgenti dati eterogenee, consumate con diversi motori analitici
SECOND
Takeaway
Un Logical Data Warehouse è il primo passo per consentire agli
utenti di accedere a tutti i dati di cui hanno bisogno, permettendo loro
di consumarli come se fossero tutti in un singolo Repository (virtuale)
THIRD
Takeaway
L’Enterprise Data Fabric è la meta, per fornire un'architettura di
dati moderna, flessibile ed estensibile, in grado di adattarsi
facilmente alle nuove tecnologie e riducendo al minimo gli impatti
sugli utenti