by Colin White
Quando si accede e si analizzano i dati esistono tre tipi di processo che vale la pena siano presi in considerazione: elaborazione batch di dati statici, elaborazione interattiva di dati statici ed elaborazione dinamica di dati in-flight. Un ambiente di Business intelligence, per esempio, prevede l’elaborazione Sql di dati statici di un datawarehouse. Questa può avvenire in modalità batch o interattiva. Sql può anche essere usato per analizzare e trasformare dati catturati da sistemi operazionali che servono ad alimentare un datawarehouse.
MapReduce è utilizzato per processare grandi volumi di dati in modalità batch. Risulta perciò particolarmente utile per elaborare dati non strutturati o dati sparse che fanno riferimento a dimensioni diverse. Non è invece adatto per elaborazione interattiva. Sarebbe molto utile, per esempio, per trasformare grandi volumi di dati non strutturati che devono alimentare datawarehouse od operazioni di data mining.
Né MapReduce, né Sql si dimostrano invece adatti per una elaborazione dinamica di dati in-flight, come per esempio dati riferiti a un particolare evento. Questo è il motivo per cui si introducono estensioni Sql (come StreamSql) così come nuove tecnologie di stream and complex event processing per gestire elaborazioni dinamiche. MapReduce, a ogni modo, è utile per compiere operazioni di filtering e trasformazione di event file quali possono essere considerati i Web log.
Più di un vendor di Rdbms analitici (Vertica, GreenPlum, Aster Data Systems) offre soluzioni che utilizzano sia tecnologia MapReduce (MR) che relazionale.
La strategia di Vertica è fondata sulla coesistenza. Con Vertica i programmi MR funzionano nel loro ambiente operativo, ma invece di rilasciare l’output al sistema MR, il programma Reduce genera un output verso il sistema relazionale di Vertica. Il supporto offerto da Vertica si avvale del servizio di Amazon, Elastic MapReduce (Emr), un Web service che fornisce un framework Hadoop che risiede sull’infrastruttura Amazon Elastic Compute Cloud (Amazon EC2) e Amazon Simple Storage Service (Amazon S3). Le informazioni cui si può accedere dal link http://developer.amazonwebservices.com/connect/entry.jspa?externalID=2571
spiegano come utilizzare MR per elaborare e caricare un insieme di dati da S3 al sistema relazionale di Vertica che risiede su Amazon EC2.
La soluzione di Vertica potrebbe essere utilizzata per eseguire operazioni Etl (Extract, transform, load) in modalità batch dove l’input è costituito da grandi volumi di dati (un insieme di Web log per esempio) e l’ouput debba alimentare un datawarehouse gestito da Vertica stessa.
Aster and GreenPlum prevedono invece un’integrazione del framework di elaborazione MR all’interno dello stesso Rdbms in modo da trarre ulteriori vantaggi in attività di elaborazione parallela, scalabilità, backup & recovery e così via.
GreenPlum consente agli sviluppatori di scrivere programmi MR avvalendosi di linguaggi di scripting come Python e Perl. In questo modo gli script MR possono accedere a funzionalità open source per analisi di testo o tool statistici. Agli script è consentito inoltre accedere a flat file e pagine Web così come utilizzare Sql per avere accesso alle tabelle relazionali di GreenPlum. Le tabelle sorgenti possono essere lette da script Map e le tabelle target essere create da script Reduce. Questo tipo di architettura permette agli sviluppatori di sfruttare multiple sorgenti di dati e differenti stili di programmazioni. Consente inoltre di costruire datawarehouse utilizzando sia approcci Etl (i dati vengono trasformati prima che siano caricati nell’ambiente di datawarehouse) che Elt (i dati vengono trasformati dopo che sono stati caricati nel datawarehouse).
E’ possibile utilizzare gli script MR di GreenPlum anche come tabelle virtuali di statement Sql (il job MR viene eseguito on the fly come parte di una query Sql. Il motore Rdbms di GreenPlum esegue tutto il codice – Sql, Map scripts, Reduce scripts – sullo stesso cluster di macchine su cui risiede il database di GreenPlum).
Per ulteriori informazioni è possibile consultare il white paper di GreePlum reperibile all’indirizzo www.greenplum.com/download.php?alias=register-map-reduce&file=GreenPlum-MapReduce-Whitepaper.pdf.
Al contrario di GreenPlum, che tende a enfatizzare l’utilizzo di Sql in programmi MR, Aster adotta un differente approccio, focalizzandosi sull’utilizzo di capacità elaborative di tipo MR all’interno di programmi Sql. Aster fa sì che funzioni MR definite dall’utente possano essere invocate utilizzando Sql. E’ possibile scrivere le funzioni in linguaggi come Python, Perl, Java, C++ e Microsoft .Net (C#, F#, Visual Basic) e possono servirsi di statement per la definizione e manipolazione dei dati. Il supporto a Linux.Net è garantito dal prodotto open source Moni. Le stesse funzioni possono eseguire operazioni read-write da file di tipo flat. Come per GreenPlum le capacità MR di Aster si possono utilizzare per alimentare un datawarehouse sia con un approccio Etl piuttosto che Elt.
Per ulteriori informazioni si può fare riferimento al white paper di Aster reperibile all’indirizzo www.asterdata.com/resources/downloads/whitepapers/Aster_MapReduce_Technical_Whitepaper.pdf.
Sia GreenPlum che Aster permettono di incrociare dati relazionali con dati in stile MapReduce. Una capacità particolarmente utile per attività di trasformazione di dati batch, di integrazione e di data mining intensivo. L’approccio utilizzato dipende dall’applicazione e dalla tipologia dello sviluppatore. In generale si può affermare che i programmatori preferiscono l’approccio GreenPlum mentre gli esperti in Sql tendono a privilegiare l’approccio Aster.
I sostenitori di MapReduce affermano con una certa frequenza che questa tecnologia permette prestazioni superiori rispetto a quelle conseguibili con tecnologia relazionale. Tuttavia le performance dipendono fortemente dal carico di lavoro. Andrew Pavlo della Brown University, insieme a Michael Stonebraker e David DeWitt, ha pubblicato di recente un documento che mette a confronto le prestazioni di due Dbms relazionali (Vertica e un Dbms row-oriented) con il MapReduce Hadoop. Dal documento emerge che, “in generale, gli Sql Dbms, pur dimostrando una significativa maggiore velocità e una semplificazione del codice da implementare per i singoli task, impiegano più tempo per le attività di tuning e loading dei dati”. Viene inoltre riconosciuto che “vi sia ancora molto da imparare da entrambi i tipi di sistemi” e che “le Api delle due classi di sistema tendono a convergere”.
MapReduce ha raggiunto una significativa visibilità grazie all’utilizzo che ne ha fatto Google, alla sua intrinseca capacità di processare grandi volumi di dati Web non strutturati e al dibattito (MapReduce versus tecnologia relazionale) alimentato da sostenitori e detrattori degli opposti schieramenti.
Due cose appaiono chiare. Ai programmatori piace la semplicità di MapReduce e vi è una evidente tendenza verso un’integrazione di capacità MR all’interno di sistemi Dbms tradizionali.
MapReduce si rivela particolarmente adatto per elaborazioni batch di grandi file di dati non strutturati da utilizzare in sistemi di Business intelligence. La mia personale opinione è che, se i programmi MR vengono utilizzati per attività di filtering e trasformazione di dati non strutturati (documenti, pagine Web, Web logs, event file) che devono alimentare un datawarehouse, sia preferibile un approccio Etl e non Elt. Questo perché l’approccio Elt di solito prevede l’archiviazione di dati non strutturati in tabelle relazionali che possono essere manipolate via Sql.
Nello stesso tempo riconosco che vi sono organizzazioni che preferirebbero un framework di database basato su una sola e unica tecnologia di gestione dei dati. Questa è una delle ragioni per la quale i vendor Dbms hanno introdotto supporto aggiuntivo a dati Xml e XQuery all’interno dei loro prodotti Rdbms. La mia preoccupazione è che Sql e i prodotti relazionali stiano diventando troppo complessi, soprattutto per coloro che sviluppano applicazioni.
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 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
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