Articoli del meseArticoli del mese

Articoli del mese


Stampa articolo

Articolo del Mese - Luglio 2013

I big data cambiano il mercato dei Database Server

Rick van der Lans by Rick van der Lans

AerospikeDB, Akiban, Aster, Cassandra, CouchDB, HBase, MongoDB, Ne04j, NuoDB, ParAccel e VoltDB sono tutti server di database che non esistevano dieci anni fa, e per la maggior parte non esistevano nemmeno cinque anni fa. Cinque anni fa, i database server dominanti erano IBM DB2, Microsoft SQL Server, MySQL e Oracle. Ma il mercato dei server di database è cambiato notevolmente. E questo è principalmente dovuto a un fenomeno che si è trasformato in uno dei temi più caldi nel settore IT: i big data.
Nessuno conosce esattamente quale sia la definizione di big data, e in effetti questo è forse il termine peggio definito che vi sia mai stato nel settore IT. Però, a sensazione, tutti sappiamo che cosa significa: si riferisce a sistemi che memorizzano o elaborano grandi quantità di dati. Quantità di dati che non avremmo creduto possibili solo un paio di anni fa. In un certo senso, la parola “big” implica che si tratta di una quantità di dati insolita per una organizzazione. E queste applicazioni di big data sono nella maggior parte dei casi guidate dagli analytics. Sono sviluppate per migliorare le capacità analitiche di un’organizzazione. Per esempio, i big data consentono alle organizzazioni di ottimizzare le loro performance e i processi di business, aumentare la fedeltà dei clienti e il customer care, ridurre i costi di sviluppo, e infine migliorare la monetizzazione dei loro dati.
Per tornare al mercato dei server di database, alcuni dei requisiti dei sistemi di big data sono eccessivi per i classici server di database, oppure, se si sviluppano questi sistemi con i classici server di database, la soluzione diventa troppo costosa e forse anche insostenibile.
Questo era il segnale colto da molti dei nuovi vendor per sviluppare un server di database adatto per i sistemi di big data e a un prezzo ragionevole. Questi nuovi server di database possono essere divisi in tre gruppi: non SQL, new SQL e analytical SQL.

Server di database non SQL - Come il nome suggerisce, i server di database non SQL non supportano né SQL, né concetti relazionali puri. Questo gruppo può essere ulteriormente suddiviso in quattro sottocategorie: memorizzazione per valori chiave (MemcachedDB, Hamsterdb, Oracle Berkeley DB, LevelDB, Redis, AreospikeDB e Riak), memorizzazione di documenti (Apache CouchDB, Apache Jackrabbit, MongoDB, OrientDB, Terrastore e RavenDB), memorizzazione a colonne (Apache Cassandra, HBase, Hypertable (Google Bigtable e Amazon SimpleDB), e memorizzazione a grafo (AllegroGraph, FlockDB, HyperGraphDB, InfiniteGraph e Neo4j).
Molti di questi supportano API e un modello di dati che rendono più facile alle applicazioni la memorizzazione e il recupero dei dati. La maggior parte supporta un modello di dati aggregati, in cui i dati possono essere memorizzati in strutture a nido e gerarchiche, mentre i record nelle tabelle possono avere strutture differenti, e quando viene inserito un nuovo record, può essere aggiunto un valore per il quale non è stata ancora definita una colonna. Un altro elemento comune è che non supportano tutte le funzioni normalmente presenti nei sistemi SQL classici, come la sicurezza dei dati, l’integrità dei dati, e di linguaggi di query di alto livello. Ma a causa del loro modello di dati non relazionali, la loro architettura snella e semplice, il loro differente meccanismo transazionale, offrono prestazioni elevate, elevata scalabilità, alta disponibilità e costi di archiviazione contenuti. E questo li rende molto adatti per particolari sistemi di big data. Un prodotto particolare che va qui menzionato è Hadoop, un file system utilizzato da molti dei citati server di database non SQL. Hadoop, con il suo file system distribuito a elevata scalabilità e l’architettura che poggia su MapReduce, è alla base di questi server di database, anche se non è stato menzionato negli elenchi di poco sopra in quanto, come indicato, si tratta di un file system e non di un server di database.

Server di database new SQL - Il secondo gruppo di server di database è chiamato new SQL. Si noti che questi prodotti non supportano un diverso tipo di SQL, ma fanno supporto SQL tradizionale. Però sono “nuovi” server di database SQL, perché internamente sono diversi. Esempi di prodotti new SQL sono Akiban, Clustrix, GenieDB, JustOneDB, MemSQL, NuoDB, ScaleBase, TransLattice, VMware SQLFire e VoltDB.
I prodotti new SQL supportano la maggior parte delle funzionalità che di solito si trovano nei sistemi SQL classici. Come i server di database non SQL, puntano a elevati livelli di prestazioni transazionali, scalabilità e disponibilità, che vengono ottenuti utilizzando differenti architetture interne senza condivisioni e sfruttando in modo efficiente l’uso della memoria interna. Ma naturalmente la loro forza è che supportano SQL, il che offre una serie di vantaggi pratici:

  • costi di formazione minimi per gli sviluppatori, perché già conoscono SQL
  • molti tool di sviluppo e di reporting già esistenti supportano SQL e sono quindi in grado di estrarre i dati da questi nuovi prodotti
  • l’integrazione dei dati nei sistemi new SQL e in quelli classici è facile.

Anche se tutti supportano dialetti SQL ricchi e sono in grado di eseguire query SQL complesse, la loro forza consiste nell’eseguire rapidamente le transazioni e le query semplici. Le loro caratteristiche di query li rendono molto adatti a quello che alcuni chiamano analytics in tempo reale.

Server di database analytical SQL - Mentre i prodotti new SQL si concentrano su operazioni con analisi semplici in tempo reale, i server di database analytical SQL mirano ad analizzare i big data. Alcuni di essi sono progettati specificatamente per i data scientist in modo da agire come sandbox dove poter eseguire anche le query più complesse su massicce quantità di dati mantenendo però buone prestazioni. Gli esempi di prodotti che appartengono a questa categoria sono: Actian VectorWise, EXASOL, EMC/Greenplum, HP/Vertica, IBM/Netezza, Infobright, Information Builders HyperStage, Kognitio, Oracle ExaLytics, ParAccel, SAP HANA e le appliance Teradata Aster Database. Questi sono tutti i server di database SQL progettati e ottimizzati per l’elaborazione analitica su grandi insiemi di dati.
Per riassumere, i big data hanno un potenziale enorme. In un report del giugno 2011 dal titolo “Big data: the next frontier for innovation, competition, and productivity”, il McKinsey Global Institute sottolineava che i big data hanno il potenziale di incrementare il valore del settore sanitario degli Stati Uniti di 300 miliardi di dollari, di aumentare quello del settore pubblico europeo di 250 miliardi di dollari, di ridurre del 50% i costi di produzione relativi a sviluppo e assemblaggio, di far crescere di 100 milioni di dollari il fatturato dei service provider, e infine di incrementare del 60% il margine netto del commercio al dettaglio negli Stati Uniti.
I “grandi server di database” citati in questo articolo consentono di sviluppare e gestire sistemi di big data. Se “big” si riferisce a un elevato numero di operazioni oppure a una quantità enorme di dati da analizzare, esistono oggi server di database progettati e ottimizzati per queste aree applicative: sono “big data ready”. In altre parole, la necessità di sistemi di big data ha aperto un mercato completamente nuovo di server di database. Senza alcun dubbio, alcuni di questi non sopravviveranno alla battaglia che sta per iniziare, ma alcuni si affermeranno in modo da diventare ben noti in futuro come oggi lo sono alcuni dei sistemi SQL classici. La mia raccomandazione è di tenere d’occhio alcuni di questi sistemi e il loro potenziale

I big data cambiano il mercato dei Database Server - Technology Transfer

L’evoluzione dell’IT tra sfide e promesse
Frank Greco

Verso la new digital economy. Quale architettura per la trasformazione digitale?
Mike Rosen

Ecco come capire il cliente. I diversi punti di vista della Business Analysis
James Robertson

Ecco come capire il cliente I diversi punti di vista della Business Analysis
Suzanne Robertson

E se il Design Sprint fosse il nuovo asso nella manica? Come risolvere grandi problemi e testare nuove idee
James Hobart

Come essere veramente data driven. L’importanza dell’architettura dati
Mike Ferguson

Il Machine Learning in azienda. Come migliorare performance e previsioni
Frank Greco

Portfolio management avanzato: Come trasformare gli investimenti in cambiamento
Chris Potts

L’imbuto e le biglie. Ovvero la metafora della produttività dei team
Sander Hoogendoorn

Dal Data Warehouse al digital business. Un’architettura di trent’anni ancora valida
Barry Devlin

Dai silos a un ecosistema analitico integrato. Un approccio per avere dati da usare su più sistemi
Mike Ferguson

Come accelerare l’innovazione in azienda. La nuova generazione dell’IT enterprise
Frank Greco

Tassonomie e ricerche. Ecco come ottenere migliori risultati
Heather Hedden

Viaggio verso il data warehouse logico
Il grande dilemma della business intelligence

Rick van der Lans

Enterprise information catalog. I requisiti per fare la scelta giusta
Mike Ferguson

La nuova era dell’analisi predittiva - Le aziende alla prova del Machine Learning
Frank Greco

Uno sguardo Agile - Per capire il passato e progettare il futuro
Arie van Bennekum

Trasformazione Agile
Se il product owner diventa un collo di bottiglia

Sander Hoogendoorn

Una Fiat o una Ferrari?
Qual è la più adatta per il business digitale?

Barry Devlin

Vincere la complessità dei dati. È l’ora dello smart data management
Mike Ferguson

Big Data e Analytics - Se il machine learning accelera anche la data science
Mike Ferguson

I dati al centro del business
Christopher Bradley

I Big Data forniscono il contesto e la ricchezza predittiva attorno alle transazioni di business Avere dati coerenti e di qualità resta fondamentale per il processo decisionale
Barry Devlin

Cosa c’è dietro l’angolo? Cinque mosse per diventare un digital leader
Jeroen Derynck

Managing information technology Gestire l’IT come un business nel business
Mitchell Weisberg

Data integration self-service Miglioramento della produttività o caos totale?
Mike Ferguson

Project manager vecchi miti e nuove realtà
Aaron Shenhar

La catena alimentare dei requisiti
Suzanne Robertson

Come diventare un’azienda data-centric
Lindy Ryan

Enterprise analytical ecosystem - Come comprendere il comportamento online dei clienti e capitalizzare il valore dei dati nell’era Big Data
Mike Ferguson

Agilità? Basta Volere
Suzanne Robertson

Ma la vostra architettura è efficace?
Mike Rosen

Se il NoSQL diventa SQL
Rick van der Lans

La data quality e l’impatto sul business
Danette McGilvray

Business analysis e regole di business By Ronald G. Ross con Gladys S.W. Lam
Ronald Ross

Usare Scrum su larga scala: cosa cambia?
Craig Larman

Le architetture per ridurre il debito tecnico
Mike Rosen

Conversando con un marziano
Suzanne Robertson

Cosa c’è di nuovo nel project management?
Aaron Shenhar

Reinventare la Business Intelligence
Barry Devlin

Il nuovo volto della business intelligence
Shaku Atre

Alla ricerca del valore tra i pomodori nell'orto
John Favaro

I big data cambiano il mercato dei Database Server
Rick van der Lans

Un “superstorm” di informazioni
Barry Devlin

I dieci step per la qualità dei dati
Danette McGilvray

Perché è meglio evitare il private cloud?
Jason Bloomberg

Leonardo da Vinci aveva ragione!
Chris Date

Mobile user experience: Come adottare una strategia sostenibile
James Hobart

Cosa significa occuparsi di architettura?
Mike Rosen

Virtualizzazione dei dati e sistemi di Business Intelligence Agili
Rick van der Lans

Modelli e linguaggi naturali, quale il modo migliore per definire i requisiti?
James Robertson

Extreme Scoping: un approccio Agile all'Edw e alla BI
Larissa Moss

BI², la Business Intelligence al quadrato
Barry Devlin

I test di regressione in ambienti legacy
Randy Rice

Le conseguenze della consumerizzazione e del Cloud
Chris Potts

Come vanno gli affari? Chiedetelo al vostro cruscotto
Shaku Atre

Organizzare team di progetto efficienti in ambienti DW/BI
Larissa Moss

Big Data, come e perché
Colin White

Business Capabilities e l'allineamento del business all'IT
Mike Rosen

Il valore della tassonomia nella ricerca delle informazioni
Zach Wahl

BI, ma il Data Warehouse è ancora necessario?
Colin White

Reinventare la Business Intelligence
Barry Devlin

Il cruscotto delle prestazioni: il nuovo volto della Business Intelligence
Shaku Atre

Modelli e processi di User acceptance testing
Randy Rice

I limiti nel gestire l'IT come un Business
Chris Potts

Le componenti fondamentali del Cloud
George Reese

Metadati e DW 2.0
Derek Strauss

BI Open Source: basso costo e alto valore?
Jos van Dongen

Semplicità e requisiti
Suzanne Robertson

Business intelligence e analisi testuale
Bill Inmon

Extreme Scoping™: approcci agili al DW e alla BI
Larissa Moss

Dalla BI a un'architettura IT di livello Enterprise
Barry Devlin

Ambiente efficiente di ricerca di informazioni
James Hobart

Il Business deve trainare la Strategia IT
Chris Potts

Web database: la questione MapReduce (seconda parte)
Colin White

Web database: la questione MapReduce
Colin White

Misura delle prestazioni. I sette comandamenti
Harry Chapman

Le dieci cose che un architetto deve fare per creare valore
Mike Rosen

Sviluppare applicazioni a prova di sicurezza
Ken van Wyk

The ECM Landscape in 2008
Alan Pelz-Sharpe

Ma chi sono gli operatori dell’informazione?
Colin White

Qualità dell’informazione e trasformazione del management
Larry English

Classificazione sistematica delle informazioni
Zach Wahl

L’uso intensivo del Web nelle applicazioni di Bi
Colin White

Enterprise Search
Theresa Regli

La forza dell'astrazione
Steve Hoberman

La strada verso una BI pervasiva
Cindi Howson

Soa, una strategia di test
Randy Rice

Verso una BI più semplice e a minor costo
Colin White

I contenuti “Killer” del Web
Gerry McGovern

Sviluppo iterativo del software per i Dw
Larissa Moss

Qualità delle Informazioni e Datawarehousing
Larry English

Lo scenario Ecm 2008
Alan Pelz-Sharpe

La nascita del Web 3.0
John Kneiling

Documentazione: il dossier del crimine
Suzanne Robertson

L’impatto del Web 2.0 sui portali delle imprese
Colin White

Le tecniche vincenti di IT Management
Ken Rau

Web 2.0
Ed Yourdon

Web di successo se si conosce il cliente
Gerry McGovern

Un approccio alla BI incentrato sui processi
Colin White

Integrare Master Data Management e BI (Parte Seconda)
Mike Ferguson

Integrare Master Data Management e BI (Parte Prima)
Mike Ferguson

Il Project Manager è una Tata
Suzanne Robertson

Web di successo se si conosce il cliente
Gerry McGovern

L'informazione personalizzata
Colin White

La Tassonomia dell'Impresa
Zach Wahl

Managed Meta Data Environment (II parte)
David Marco

Managed Meta Data Environment
David Marco

Migliorare le applicazioni dell'impresa con Web 2.0
James Hobart

La Balanced Scorecard migliora la Performance dell'IT
Harry Chapman

La fusione dei processi dell'impresa grazie a Soa (II parte)
Max Dolgicer

La fusione dei processi dell'impresa grazie a SOA (I parte)
Max Dolgicer

Volere è Potere, in Ogni Senso
Suzanne Robertson

Dimostrate con i numeri il valore dei contenuti del web
Gerry McGovern

Il Back-end della pianificazione strategica dell'It
Ken Rau

L'audit delle prescrizioni di progetto (II parte)
Suzanne Robertson

L'audit delle prescrizioni di progetto (I parte)
Suzanne Robertson

Il Processo di gestione delle informazioni
Ted Lewis

I requisiti come strumento di gestione dei progetti
Suzanne Robertson

Il futuro è nel contenuto killer del web
Gerry McGovern

Alla ricerca del valore tra i pomodori nell'orto
John Favaro

Rilevare i costi sulla base delle attività
Ken Rau

Un percorso verso l'impresa intelligente (II parte)
Mike Ferguson

Un percorso verso l'impresa intelligente (I parte)
Mike Ferguson

Il Data Store Operativo: un lavoro di martello
Claudia Imhoff

Il data warehouse orientato all'impresa
Michael Schmitz

Dieci punti chiave per realizzare balanced scorecard di successo
Harry Chapman

Content management: i contenuti al primo posto
Gerry McGovern

Applicazioni Web ad alta disponibilità
John Kneiling

Il 2004, sarà l'anno in cui abbandoneremo html?
James Hobart

La tecnologia EII ripropone il data warehousing virtuale?
Colin White

Misurare per Gestire
Ken Rau

Volere è Potere, in Ogni Senso
Suzanne Robertson

Realizzare il CPM e l'integrazione della BI
Mike Ferguson

Tutti i punti della FPA
Koni Thompson

Requiem per il Portale?
Colin White

Business Intelligence: dalla teoria alla realtà (II parte)
Shaku Atre

Business Intelligence: dalla teoria alla realtà (I parte)
Shaku Atre

I portali Corporate e di E-business: la nuova generazione del posto di lavoro
Mike Ferguson

I 10 errori da evitare nella realizzazione di un Meta Data Repository (II Parte)
David Marco

I 10 errori da evitare nella realizzazione di un Meta Data Repository (I parte)
David Marco

Usare i modelli per acquisire l'esperienza di progettazione
James Hobart

Realizzare l'Impresa Intelligente
Colin White

.NET or J2EE - Choosing the Right Web Services Framework
John Kneiling

Progettare Applicazioni Mobili di Successo
James Hobart

La Sociologia del Progetto: Identificare e Coinvolgere tutti i Partecipanti
Suzanne Robertson

Integrare la Business Intelligence nell'Impresa (II parte)
Mike Ferguson

Integrare la Business Intelligence nell'Impresa (I parte)
Mike Ferguson

L'Evoluzione del Portale di e-Business (II parte)
Colin White

L'Evoluzione del Portale di e-Business (I parte)
Colin White

Il Consulente WebEAI: Servizi Web, XML e l'Impresa
John Kneiling

Data Mining: Come Gestire le Relazioni con i Clienti Secondo i Principi del CRM
Weaver James

Articoli del mese - Technology Transfer