వ్యాపారం నడిచే డేటా ఆర్కిటెక్చర్‌ను నిర్మించడం

Takeaway: హోస్ట్ రెబెకా జోజ్వియాక్ డేటా ఆర్కిటెక్చర్ పరిష్కారాలను ఓస్టిస్ యొక్క ఎరిక్ లిటిల్, మొదటి శాన్ ఫ్రాన్సిస్కో భాగస్వాముల మాల్కం చిషోల్మ్ మరియు ఐడిఇఆర్ఎకు చెందిన రాన్ హుయిజెంగాతో చర్చిస్తారు.

మీరు ప్రస్తుతం లాగిన్ కాలేదు. దయచేసి వీడియోను చూడటానికి లాగిన్ అవ్వండి లేదా సైన్ అప్ చేయండి.

రెబెకా జోజ్వియాక్: లేడీస్ అండ్ జెంటిల్మెన్, హలో, మరియు 2016 యొక్క హాట్ టెక్నాలజీస్ కు స్వాగతం. ఈ రోజు మనం “వ్యాపార-ఆధారిత డేటా ఆర్కిటెక్చర్ను నిర్మించడం” గురించి చర్చిస్తున్నాము, ఇది ఖచ్చితంగా చర్చనీయాంశం. నా పేరు రెబెకా జోజ్వియాక్, నేటి వెబ్‌కాస్ట్‌కు నేను మీ హోస్ట్‌గా ఉంటాను. మేము # హాట్‌టెక్ 16 యొక్క హ్యాష్‌ట్యాగ్‌తో ట్వీట్ చేస్తాము, కాబట్టి మీరు ఇప్పటికే ఉంటే, దయచేసి దానిలో కూడా చేరడానికి సంకోచించకండి. మీకు ఎప్పుడైనా ప్రశ్నలు ఉంటే, దయచేసి వాటిని మీ స్క్రీన్ కుడి దిగువన ఉన్న ప్రశ్నోత్తరాల పేన్‌కు పంపండి మరియు వాటికి సమాధానం లభించేలా మేము చూస్తాము. కాకపోతే, మా అతిథులు మీ కోసం వాటిని పొందేలా చూస్తాము.

కాబట్టి ఈ రోజు మనకు నిజంగా మనోహరమైన లైనప్ వచ్చింది. ఈ రోజు మాతో చాలా భారీ హిట్టర్లు ఉన్నారు. మాకు ఎరిక్ లిటిల్, OSTHUS నుండి డేటా సైన్స్ యొక్క VP ఉంది. మొదటి శాన్ఫ్రాన్సిస్కో భాగస్వాములకు మాల్కం చిషోల్మ్, చీఫ్ ఇన్నోవేషన్ ఆఫీసర్ ఉన్నారు. మరియు IDERA నుండి సీనియర్ ప్రొడక్ట్ మేనేజర్ రాన్ హుయిజెంగా ఉన్నారు. మరియు, మీకు తెలుసా, డేటా నిర్వహణ మరియు మోడలింగ్ పరిష్కారాల యొక్క పూర్తి సూట్ IDERA. ఈ రోజు అతను తన పరిష్కారం ఎలా పనిచేస్తుందనే దాని గురించి మాకు డెమో ఇవ్వబోతున్నాడు. మేము దానికి వెళ్ళేముందు, ఎరిక్ లిటిల్, నేను బంతిని మీకు పంపించబోతున్నాను.

ఎరిక్ లిటిల్: సరే, చాలా ధన్యవాదాలు. కాబట్టి నేను ఇక్కడ కొన్ని విషయాల ద్వారా వెళ్ళబోతున్నాను, రాన్ యొక్క చర్చతో కొంచెం సంబంధం కలిగి ఉంటానని నేను భావిస్తున్నాను మరియు ఈ అంశాలలో కొన్నింటికి, కొన్ని ప్రశ్నోత్తరాలకు ఆశాజనక వేదికను ఏర్పాటు చేస్తాను.

కాబట్టి IDERA ఏమి చేస్తుందో నాకు ఆసక్తి కలిగించే విషయం ఏమిటంటే, సంక్లిష్ట వాతావరణాలు నిజంగా ఈ రోజుల్లో చాలా వ్యాపార విలువలను పెంచుతున్నాయని వారు సరిగ్గా ఎత్తి చూపారని నేను భావిస్తున్నాను. మరియు సంక్లిష్ట పరిసరాల ద్వారా మేము సంక్లిష్ట డేటా పరిసరాలని అర్థం. మరియు సాంకేతికత నిజంగా వేగంగా కదులుతోంది మరియు నేటి వ్యాపార వాతావరణంలో కొనసాగడం కష్టం. కాబట్టి టెక్నాలజీ ప్రదేశాల్లో పనిచేసే వ్యక్తులు మీకు సమస్యలను కలిగి ఉన్న కస్టమర్‌లను కలిగి ఉన్నారని తరచుగా చూస్తారు, “నేను పెద్ద డేటాను ఎలా ఉపయోగించగలను? నేను సెమాంటిక్స్ను ఎలా చేర్చగలను? ఈ క్రొత్త విషయాలలో కొన్నింటిని నా పాత డేటాతో ఎలా లింక్ చేయగలను? ”మరియు మొదలైనవి, మరియు ఈ రకమైన ఈ రోజుల్లో చాలా మందికి బాగా తెలిసిన ఈ నాలుగు v యొక్క పెద్ద డేటాలోకి దారి తీస్తుంది మరియు నాలుగు కంటే ఎక్కువ ఉండవచ్చని నేను అర్థం చేసుకున్నాను కొన్నిసార్లు - నేను ఎనిమిది లేదా తొమ్మిది మందిని చూశాను - కాని సాధారణంగా, ప్రజలు పెద్ద డేటా వంటి విషయాల గురించి మాట్లాడేటప్పుడు లేదా మీరు పెద్ద డేటా గురించి మాట్లాడుతుంటే మీరు సాధారణంగా ఎంటర్ప్రైజ్ స్కేల్ లాంటి వాటిని చూస్తున్నారు. అందువల్ల ప్రజలు, సరే, బాగా, మీ డేటా వాల్యూమ్ గురించి ఆలోచించండి, ఇది సాధారణంగా ఫోకస్ అవుతుంది - అది మీకు ఎంత ఉందో. డేటా యొక్క వేగం నేను ఎంత వేగంగా దాని చుట్టూ తిరగగలను లేదా ఎంత వేగంగా దాన్ని ప్రశ్నించగలను లేదా సమాధానాలను పొందగలను అనే దానితో సంబంధం కలిగి ఉంటుంది. మరియు వ్యక్తిగతంగా నేను భావిస్తున్నాను, దాని యొక్క ఎడమ వైపు చాలా విభిన్న విధానాల ద్వారా త్వరగా పరిష్కరించబడుతుంది మరియు నిర్వహించబడుతుంది. కానీ కుడి వైపున నేను మెరుగుదల కోసం చాలా సామర్ధ్యాలను మరియు చాలా కొత్త టెక్నాలజీలను నిజంగా ముందు వైపుకు వస్తున్నాను. ఇది నిజంగా మూడవ కాలమ్, డేటా రకంతో సంబంధం కలిగి ఉంటుంది.

కాబట్టి మరో మాటలో చెప్పాలంటే, ఈ రోజుల్లో చాలా కంపెనీలు నిర్మాణాత్మక, సెమీ స్ట్రక్చర్డ్ మరియు స్ట్రక్చర్డ్ డేటాను చూస్తున్నాయి. ఇమేజ్ డేటా హాట్ టాపిక్‌గా మారడం ప్రారంభమైంది, కాబట్టి కంప్యూటర్ దృష్టిని ఉపయోగించడం, పిక్సెల్‌లను చూడటం, స్క్రాప్ చేయగల సామర్థ్యం, ​​ఎన్‌ఎల్‌పి, ఎంటిటీ ఎక్స్‌ట్రాక్షన్, మీకు గ్రాఫ్ సమాచారం ఉంది, అది గణాంక నమూనాల నుండి బయటకు వస్తోంది లేదా అర్థ నమూనాల నుండి బయటకు వస్తోంది , మీకు పట్టికలలో ఉన్న రిలేషనల్ డేటా ఉంది మరియు మొదలైనవి. అందువల్ల ఆ డేటా మొత్తాన్ని కలిసి లాగడం మరియు ఈ విభిన్న రకాలు నిజంగా పెద్ద సవాలును సూచిస్తాయి మరియు గార్ట్‌నర్ మరియు పరిశ్రమలోని పోకడలను అనుసరించే ఇతర వ్యక్తులలో మీరు దీన్ని చూస్తారు.

పెద్ద డేటాలో ప్రజలు మాట్లాడే చివరి విషయం తరచుగా ఈ అస్థిరత యొక్క భావన, ఇది నిజంగా మీ డేటా యొక్క అనిశ్చితి, దాని యొక్క అస్పష్టత. మీ డేటా గురించి మీకు ఎంత బాగా తెలుసు, అక్కడ ఉన్నదాన్ని మీరు ఎంత బాగా అర్థం చేసుకుంటారు మరియు మీకు తెలుసా? గణాంకాలను ఉపయోగించగల సామర్థ్యం మరియు మీకు తెలిసిన వాటి చుట్టూ కొన్ని రకాల సమాచారాన్ని ఉపయోగించగల సామర్థ్యం లేదా కొంత కాన్ ఉపయోగించడం అక్కడ విలువైనది. అందువల్ల మీ వద్ద ఎంత ఉంది, ఎంత వేగంగా దాన్ని కదిలించాలి లేదా పొందాలి, మీ ఎంటర్ప్రైజెస్‌లో మీరు కలిగి ఉన్న అన్ని రకాల డేటా మరియు మీరు ఎక్కడ ఉన్నారనే దానిపై ఎంత ఖచ్చితంగా డేటాను చూడగల సామర్థ్యం అది, అది ఏమిటి, ఏ నాణ్యతలో ఉంది మరియు మొదలైనవి. వారి డేటాను సమర్థవంతంగా నిర్వహించడానికి చాలా మంది వ్యక్తుల మధ్య ఇప్పుడు పెద్ద, సమన్వయ ప్రయత్నం అవసరం. మోడలింగ్ డేటా, కాబట్టి, నేటి ప్రపంచంలో చాలా ముఖ్యమైనది. కాబట్టి మంచి డేటా మోడల్స్ ఎంటర్ప్రైజ్ అనువర్తనాల్లో చాలా విజయాలను సాధిస్తున్నాయి.

మేము చెప్పే విధంగా మీకు వివిధ రకాల వనరుల నుండి డేటా వనరులు ఉన్నాయి, దీనికి నిజంగా చాలా రకాల ఏకీకరణ అవసరం. కాబట్టి అన్నింటినీ కలిపి లాగడం ప్రశ్నలను అమలు చేయడానికి నిజంగా ఉపయోగపడుతుంది, ఉదాహరణకు, అనేక రకాల డేటా వనరులలో, మరియు సమాచారాన్ని వెనక్కి లాగండి. కానీ మీకు మంచి మ్యాపింగ్ వ్యూహాలు అవసరమని మరియు ఆ రకమైన డేటాను మ్యాపింగ్ చేయడం మరియు ఆ మ్యాపింగ్‌లను కొనసాగించడం నిజమైన సవాలుగా ఉంటుంది. ఆపై మీకు ఈ సమస్య ఉంది, ఈ కొత్త డేటా వనరులతో నా లెగసీ డేటాను ఎలా లింక్ చేయాలి? నేను గ్రాఫ్ పొందానని అనుకుందాం, నా రిలేషనల్ డేటా మొత్తాన్ని తీసుకొని గ్రాఫ్‌లో ఉంచాలా? సాధారణంగా ఇది మంచి ఆలోచన కాదు. కాబట్టి జరుగుతున్న ఈ రకమైన డేటా మోడళ్లన్నింటినీ ప్రజలు ఎలా నిర్వహించగలుగుతారు? విశ్లేషణ నిజంగా ఈ విభిన్న రకాల డేటా వనరులు మరియు కలయికలపై అమలు చేయాలి. కాబట్టి దీని నుండి వచ్చే సమాధానాలు, మంచి వ్యాపార నిర్ణయాలు తీసుకోవటానికి ప్రజలు నిజంగా అవసరమైన సమాధానాలు చాలా కీలకం.

కాబట్టి ఇది సాంకేతిక పరిజ్ఞానం కోసమే సాంకేతిక పరిజ్ఞానాన్ని నిర్మించడం గురించి కాదు, ఇది నిజంగా, నేను ఏమి చేయబోతున్నాను, దానితో నేను ఏమి చేయగలను, నేను ఎలాంటి విశ్లేషణలను అమలు చేయగలను మరియు సామర్థ్యం, ​​అందువల్ల, నేను ఇప్పటికే గురించి మాట్లాడుతుండటం, ఈ విషయాన్ని కలిసి లాగడం, సమగ్రపరచడం నిజంగా చాలా ముఖ్యమైనది. మరియు ఈ రకమైన విశ్లేషణలలో ఒకటి ఫెడరేటెడ్ శోధన మరియు ప్రశ్న వంటి వాటిపై నడుస్తుంది. ఇది నిజంగా తప్పనిసరి అవుతుంది. మీ ప్రశ్నలు సాధారణంగా అనేక రకాల వనరులలో థ్రెడ్ చేయబడాలి మరియు నమ్మదగిన సమాచారాన్ని తిరిగి లాగండి.

తరచుగా, ముఖ్యంగా ప్రజలు సెమాంటిక్ టెక్నాలజీస్ వంటి ముఖ్య విషయాలను చూడబోయే ఒక ముఖ్య అంశం - మరియు ఇది రాన్ IDERA విధానంలో కొంచెం మాట్లాడబోతున్నారని నేను ఆశిస్తున్నాను - మీరు ఎలా వేరు చేస్తారు లేదా నిర్వహిస్తారు మీ డేటా యొక్క మోడల్ లేయర్ డేటా లేయర్ నుండి, ఆ ముడి డేటా నుండి? కాబట్టి డేటా లేయర్ వద్ద మీకు డేటాబేస్ ఉండవచ్చు, మీకు డాక్యుమెంట్ డేటా ఉండవచ్చు, మీకు స్ప్రెడ్‌షీట్ డేటా ఉండవచ్చు, మీకు ఇమేజ్ డేటా ఉండవచ్చు. మీరు industry షధ పరిశ్రమల వంటి ప్రాంతాలలో ఉంటే మీకు చాలా ఎక్కువ శాస్త్రీయ డేటా లభించింది. ఆపై ఈ వ్యక్తుల పైన సాధారణంగా ఆ డేటాను త్వరగా సమగ్రపరచడానికి అనుమతించే మోడల్‌ను రూపొందించడానికి ఒక మార్గం కోసం వెతుకుతారు మరియు నిజంగా మీరు డేటా కోసం చూస్తున్నప్పుడు ఇప్పుడు మీరు మొత్తం డేటాను మీ మోడల్ లేయర్‌లోకి లాగడానికి చూడటం లేదు , మీరు చేయవలసిన మోడల్ పొరను చూస్తున్నది ఏమిటంటే, విషయాలు, సాధారణ పదజాలం, సాధారణ రకాల ఎంటిటీలు మరియు సంబంధాలు మరియు అది ఉన్న డేటాను నిజంగా చేరుకోగల సామర్థ్యం గురించి మీకు మంచి తార్కిక ప్రాతినిధ్యం ఇవ్వడం. కనుక ఇది ఏమిటో చెప్పాలి, మరియు అది ఎక్కడ ఉందో చెప్పాలి మరియు దానిని ఎలా తీసుకురావాలో మరియు దానిని తిరిగి తీసుకురావడం ఎలాగో చెప్పాలి.

కాబట్టి ఇది సెమాంటిక్ టెక్నాలజీలను ముందుకు నడిపించడంలో చాలా విజయవంతమైంది, ఇది నేను చాలా పనిచేసే ప్రాంతం. కాబట్టి నేను రాన్ కోసం ఎదుర్కోవాలనుకున్న ప్రశ్న, మరియు ప్రశ్నోత్తరాల విభాగంలో ఉపయోగకరంగా ఉంటుందని నేను భావిస్తున్నాను, ఇది IDERA ప్లాట్‌ఫాం ద్వారా ఎలా సాధించబడుతుందో చూడటం? కాబట్టి మోడల్ లేయర్ వాస్తవానికి డేటా లేయర్ నుండి వేరుగా ఉందా? అవి మరింత సమగ్రంగా ఉన్నాయా? అది ఎలా పని చేస్తుంది మరియు వారి విధానం నుండి వారు చూస్తున్న కొన్ని ఫలితాలు మరియు ప్రయోజనాలు ఏమిటి? అందువల్ల రిఫరెన్స్ డేటా నిజంగా క్లిష్టమైనది. కాబట్టి మీరు ఈ రకమైన డేటా మోడళ్లను కలిగి ఉండబోతున్నట్లయితే, మీరు సమాఖ్య మరియు విషయాలను శోధించగలిగితే, మీరు నిజంగా మంచి రిఫరెన్స్ డేటాను కలిగి ఉండాలి. కానీ సమస్య రిఫరెన్స్ డేటాను నిర్వహించడం చాలా కష్టం. కాబట్టి తరచూ తమలో తాము ప్రమాణాలు పెట్టడం చాలా కష్టం. ఒక సమూహం X ని పిలుస్తుంది మరియు ఒక సమూహం ఏదో Y ని పిలుస్తుంది మరియు ఇప్పుడు మీరు ఈ రకమైన సమాచారం కోసం వెతుకుతున్నప్పుడు ఎవరైనా X మరియు Y ని ఎలా కనుగొంటారు అనే సమస్య మీకు ఉంది. మీరు డేటాలో కొంత భాగాన్ని వారికి ఇవ్వకూడదనుకున్నందున, మీరు వారికి సంబంధించిన ప్రతిదాన్ని ఇవ్వాలనుకుంటున్నారు. అదే సమయంలో నిబంధనలు మారుతాయి, సాఫ్ట్‌వేర్ డీప్రికేట్ అవుతుంది, మరియు మొదలైనవి, కాలక్రమేణా మీరు ఆ రిఫరెన్స్ డేటాను ఎలా ఉంచుతారు మరియు నిర్వహిస్తారు?

మరియు, మళ్ళీ, సెమాంటిక్ టెక్నాలజీస్, ప్రత్యేకంగా వర్గీకరణాలు మరియు పదజాలం, డేటా డిక్షనరీలు వంటి వాటిని ఉపయోగించి ఒక ప్రామాణిక స్థల మార్గాన్ని అందించాయి, ఇది నిజంగా చాలా బలంగా ఉంది, ఇది కొన్ని రకాల ప్రమాణాలను ఉపయోగించుకుంటుంది, కాని డేటాబేస్ సంఘం దీనిని చేసింది చాలా కాలం పాటు, వివిధ మార్గాల్లో. ఎంటిటీ-రిలేషన్ మోడళ్లను ఎలా ఉపయోగించాలో, బహుశా గ్రాఫ్ మోడళ్లను ఎలా ఉపయోగించాలో లేదా ఇక్కడ ఒక రకమైన విధానాన్ని ఎలా ఉపయోగించాలో ఆలోచించడం ఇక్కడ ఒక కీ అని నేను అనుకుంటున్నాను, అది నిజంగా మీ రిఫరెన్స్ డేటాను నిర్వహించడానికి ప్రామాణిక అంతర మార్గాన్ని మీకు ఆశాజనకంగా ఇవ్వబోతోంది. మీరు రిఫరెన్స్ డేటాను కలిగి ఉంటే, మ్యాపింగ్ వ్యూహాలు అనేక రకాల పేర్లు మరియు ఎంటిటీలను నిర్వహించాలి. కాబట్టి విషయ నిపుణులు తరచుగా వారి స్వంత పదాలను ఉపయోగించడానికి ఇష్టపడతారు.

కాబట్టి ఇందులో ఒక సవాలు ఎప్పుడూ ఉంటుంది, మీరు ఎవరికి సమాచారం ఇస్తారు కాని వారు దాని గురించి మాట్లాడే విధానానికి ఎలా సంబంధితంగా చేస్తారు? కాబట్టి ఒక సమూహం ఏదో చూడటానికి ఒక మార్గాన్ని కలిగి ఉండవచ్చు, ఉదాహరణకు, మీరు ఒక on షధంపై పనిచేసే రసాయన శాస్త్రవేత్త కావచ్చు మరియు మీరు ఒకే on షధంపై పనిచేసే నిర్మాణ జీవశాస్త్రవేత్త కావచ్చు మరియు ఒకే రకమైన ఎంటిటీలకు మీకు వేర్వేరు పేర్లు ఉండవచ్చు అది మీ ఫీల్డ్‌కు సంబంధించినది. ఆ వ్యక్తిగతీకరించిన పరిభాషలను ఒకచోట చేర్చే మార్గాలను మీరు గుర్తించాలి, ఎందుకంటే ఇతర విధానం ఏమిటంటే, మీరు వారి పదాన్ని వదలివేయమని మరియు వారు తరచుగా ఇష్టపడని వేరొకరిని ఉపయోగించమని ప్రజలను బలవంతం చేయాలి. ఇక్కడ మరొక విషయం ఏమిటంటే, పెద్ద సంఖ్యలో పర్యాయపదాలను నిర్వహించడం కష్టమవుతుంది, కాబట్టి చాలా మంది వ్యక్తుల డేటాలో ఒకే విషయాన్ని సూచించే విభిన్న పదాలు ఉన్నాయి. అనేక సంబంధాల సమితిని ఉపయోగించి మీకు అక్కడ రిఫరెన్స్ సమస్య ఉంది. ప్రత్యేకమైన నిబంధనలు పరిశ్రమ నుండి పరిశ్రమకు మారుతూ ఉంటాయి, కాబట్టి మీరు ఈ రకమైన డేటా మేనేజ్‌మెంట్ కోసం విస్తృతమైన పరిష్కారాన్ని తీసుకురాబోతున్నట్లయితే, ఇది ఒక ప్రాజెక్ట్ నుండి లేదా ఒక అనువర్తనం నుండి మరొక అనువర్తనానికి ఎంత తేలికగా పోర్టబుల్ అవుతుంది? అది మరొక సవాలు.

ఆటోమేషన్ ముఖ్యం మరియు ఇది కూడా ఒక సవాలు. రిఫరెన్స్ డేటాను మాన్యువల్‌గా నిర్వహించడం ఖరీదైనది. మాన్యువల్‌గా మ్యాపింగ్ చేయాల్సిన అవసరం ఉంది మరియు విషయ నిపుణులు వారి రోజువారీ ఉద్యోగాలు చేయడం మానేయడం ఖరీదైనది మరియు లోపలికి వెళ్లి డేటా డిక్షనరీలను మరియు రీ-అప్‌డేట్ నిర్వచనాలను నిరంతరం పరిష్కరించుకోవాలి మరియు మొదలైనవి. ప్రతిరూప పదజాలం నిజంగా చాలా విలువను చూపుతుంది. కాబట్టి అవి మీ సంస్థకు బాహ్యంగా కనిపించే పదజాలాలు. మీరు ముడి చమురులో పని చేస్తుంటే, ఉదాహరణకు, మీరు ఓపెన్ సోర్స్ ప్రదేశాల నుండి రుణం తీసుకోవటానికి కొన్ని రకాల పదజాలాలు ఉంటాయి, ce షధాలతో సమానంగా, బ్యాంకింగ్ పరిశ్రమతో మరియు ఆర్థికంగా, ఈ రకమైన ప్రాంతాలతో సమానంగా ఉంటాయి. ప్రజలు పునర్వినియోగపరచదగిన, సాధారణమైన, ప్రతిరూపమైన పదజాలాలను ప్రజలు ఉపయోగించుకుంటున్నారు.

మరియు, మళ్ళీ, IDERA సాధనాన్ని చూస్తే, వారు వివిధ రకాల ప్రమాణాలను ఉపయోగించుకునే విషయంలో దీన్ని ఎలా నిర్వహిస్తున్నారో చూడడానికి నాకు ఆసక్తి ఉంది. సెమాంటిక్స్ ప్రపంచంలో మీరు సంబంధాల కంటే కనీసం విశాలమైన / ఇరుకైన ప్రమాణాలను అందించే SKOS మోడల్స్ వంటి వాటిని తరచుగా చూస్తారు మరియు ఆ విషయాలు ER మోడళ్లలో చేయడం కష్టంగా ఉంటుంది, కానీ మీకు తెలుసు, అసాధ్యం కాదు, అది ఎంతవరకు ఆధారపడి ఉంటుంది యంత్రాలు మరియు ఆ రకమైన వ్యవస్థలలో మీరు నిర్వహించగల లింకింగ్.

కాబట్టి చివరగా నేను పరిశ్రమలో చూసే కొన్ని సెమాంటిక్ ఇంజిన్‌లతో పోలిక చేయాలనుకుంటున్నాను, మరియు ఏదైనా అర్థ సాంకేతిక పరిజ్ఞానాలతో కలిపి IDERA యొక్క వ్యవస్థ ఎలా ఉపయోగించబడుతుందనే దాని గురించి మాట్లాడటానికి రాన్ మరియు అతనిని కొంచెం అడగండి.ఇది ట్రిపుల్ స్టోర్లు, గ్రాఫ్ డేటాబేస్‌లతో అనుసంధానించగల సామర్థ్యం ఉందా? సెమాంటిక్ ప్రపంచంలో ఆ రకమైన వస్తువులను తరచుగా SPARQL ఎండ్ పాయింట్స్ ఉపయోగించి రుణం తీసుకోవచ్చు కాబట్టి బాహ్య వనరులను ఉపయోగించడం ఎంత సులభం? మీరు RDF లేదా OWL మోడళ్లను నేరుగా మీ మోడల్‌లోకి దిగుమతి చేసుకోవచ్చు - వాటిని తిరిగి చూడండి - కాబట్టి, ఉదాహరణకు, జీన్ ఒంటాలజీ లేదా ప్రోటీన్ ఒంటాలజీ, దాని స్వంత పరిపాలన నిర్మాణంతో దాని స్వంత స్థలంలో ఎక్కడో నివసించగలదు మరియు నేను అన్నింటినీ దిగుమతి చేసుకోగలను లేదా దానిలో కొంత భాగం నా స్వంత మోడళ్లలోకి అవసరం. IDERA ఈ సమస్యను ఎలా సంప్రదిస్తుందో తెలుసుకోవాలనే ఆసక్తి నాకు ఉంది. మీరు అంతర్గతంగా ప్రతిదీ నిర్వహించవలసి ఉందా, లేదా ఇతర రకాల ప్రామాణిక మోడళ్లను ఉపయోగించుకుని వాటిని లాగడానికి మార్గాలు ఉన్నాయా మరియు అది ఎలా పని చేస్తుంది? నేను ఇక్కడ ప్రస్తావించిన చివరి విషయం ఏమిటంటే పదకోశాలు మరియు మెటాడేటా రిపోజిటరీలను నిర్మించడానికి నిజంగా మాన్యువల్ పని ఎంత ఉంది?

కాబట్టి రాన్ ఈ రకమైన విషయాలపై కొన్ని ప్రదర్శనలను మాకు చూపించబోతున్నారని నాకు తెలుసు, ఇది నిజంగా ఆసక్తికరంగా ఉంటుంది. కస్టమర్లతో సంప్రదింపులు జరపడం నేను తరచుగా చూసే సమస్యలు ఏమిటంటే, ప్రజలు తమ సొంత నిర్వచనాలలో లేదా వారి స్వంత మెటాడేటాలో వ్రాస్తుంటే చాలా లోపాలు సంభవిస్తాయి. కాబట్టి మీరు అక్షరదోషాలు పొందుతారు, మీకు కొవ్వు-వేలు లోపాలు వస్తాయి, అది ఒక విషయం. వికీపీడియా లేదా మీ నిర్వచనంలో మీకు కావలసిన నాణ్యత అవసరం లేని మూలం నుండి మీకు ఏదైనా తీసుకునే వ్యక్తులను కూడా మీరు పొందుతారు, లేదా మీ నిర్వచనం ఒక వ్యక్తి దృక్పథం నుండి మాత్రమే కనుక ఇది పూర్తి కాదు, మరియు అప్పుడు స్పష్టంగా లేదు పాలన ప్రక్రియ ఎలా పనిచేస్తుంది. పరిపాలన, వాస్తవానికి, మీరు రిఫరెన్స్ డేటా గురించి మాట్లాడుతున్నప్పుడు మరియు ఇది ఎవరి మాస్టర్ డేటాకు ఎలా సరిపోతుంది, వారు వారి మెటాడేటాను ఎలా ఉపయోగించబోతున్నారు, మరియు కాబట్టి.

కాబట్టి నేను ఈ అంశాలలో కొన్నింటిని అక్కడ ఉంచాలనుకుంటున్నాను. ఇవి చాలా రకాలైన కన్సల్టింగ్ ఎంగేజ్‌మెంట్‌లు మరియు చాలా విభిన్న ప్రదేశాలలో నేను వ్యాపార స్థలంలో చూసే అంశాలు, మరియు ఈ కొన్ని అంశాలను ఎత్తిచూపడానికి రాన్ IDERA తో మాకు ఏమి చూపించబోతున్నాడో చూడడానికి నాకు నిజంగా ఆసక్తి ఉంది. . కాబట్టి చాలా ధన్యవాదాలు.

రెబెకా జోజ్వియాక్: చాలా ధన్యవాదాలు, ఎరిక్, మరియు ప్రజలు మీ స్వంత నిర్వచనాలు లేదా మెటాడేటాను వ్రాస్తుంటే చాలా లోపాలు సంభవిస్తాయనే మీ వ్యాఖ్య నాకు చాలా ఇష్టం. జర్నలిజం ప్రపంచంలో “చాలా కళ్ళు కొన్ని లోపాలు చేస్తాయి” అనే మంత్రం ఉందని నాకు తెలుసు, కాని ఇది ఆచరణాత్మక అనువర్తనాల విషయానికి వస్తే, కుకీ కూజాలో చాలా చేతులు మిమ్మల్ని చాలా విరిగిన కుకీలతో వదిలివేస్తాయి, సరియైనదా?

ఎరిక్ లిటిల్: అవును, మరియు సూక్ష్మక్రిములు.

రెబెకా జోజ్వియాక్: అవును. దానితో నేను ముందుకు వెళ్లి మాల్కం చిషోల్మ్‌కు పంపించబోతున్నాను. మాల్కం, నేల మీదే.

మాల్కం చిషోల్మ్: చాలా ధన్యవాదాలు, రెబెక్కా. ఎరిక్ ఏమి మాట్లాడుతున్నాడనే దానిపై నేను కొంచెం చూడాలనుకుంటున్నాను, మరియు కొన్ని రకాల పరిశీలనలకు జోడించుకోవాలనుకుంటున్నాను, మీకు తెలిసిన, రాన్ కూడా ప్రతిస్పందించడానికి శ్రద్ధ వహిస్తాడు, “బిజినెస్-డ్రైవ్ డేటా ఆర్కిటెక్చర్ వైపు” ”- వ్యాపారం నడపడం అంటే ఏమిటి మరియు అది ఎందుకు ముఖ్యమైనది? లేదా ఇది కేవలం ఒక రకమైన హైప్ మాత్రమేనా? నేను అలా అనుకోను.

అప్పటి నుండి ఏమి జరుగుతుందో మేము పరిశీలిస్తే, మీకు తెలుసా, మెయిన్ఫ్రేమ్ కంప్యూటర్లు నిజంగా కంపెనీలకు అందుబాటులోకి వచ్చాయి - అనగా, 1964 లో - ఈ రోజు వరకు, చాలా మార్పులు ఉన్నాయని మనం చూడవచ్చు. ఈ మార్పులు నేను ప్రాసెస్-సెంట్రిసిటీ నుండి డేటా-సెంట్రిసిటీకి మారినట్లు సంగ్రహంగా చెబుతాను. వ్యాపార-ఆధారిత డేటా ఆర్కిటెక్చర్‌లను ఇది చాలా ముఖ్యమైనది మరియు ఈ రోజుకు చాలా సందర్భోచితంగా చేస్తుంది. మీకు తెలుసా, ఇది కేవలం బజ్‌వర్డ్ మాత్రమే కాదు, ఇది ఖచ్చితంగా వాస్తవమైన విషయం.

మేము చరిత్రలోకి ప్రవేశిస్తే దాన్ని కొంచెం ఎక్కువగా అభినందించవచ్చు, కాబట్టి 1960 లకు తిరిగి వెళ్ళడం మరియు కొంతకాలం తరువాత, మెయిన్ఫ్రేమ్‌లు ఆధిపత్యం చెలాయిస్తాయి. పిసిలు వచ్చినప్పుడు మీరు నిజంగా వినియోగదారులపై తిరుగుబాటు చేసిన పిసిలకు ఇవి దారితీశాయి. కేంద్రీకృత ఐటికి వ్యతిరేకంగా తిరుగుబాటు, వారి అవసరాలను తీర్చలేదని వారు భావించారు, తగినంత చురుకైనవారు కాదు. PC లు ఒకదానితో ఒకటి అనుసంధానించబడినప్పుడు పంపిణీ చేయబడిన కంప్యూటింగ్‌కు ఇది త్వరగా దారితీసింది. ఆపై ఇంటర్నెట్ జరగడం ప్రారంభమైంది, ఇది సంస్థ యొక్క సరిహద్దులను అస్పష్టం చేసింది - ఇది ఇప్పుడు డేటా ఎక్స్ఛేంజ్ పరంగా తన వెలుపల పార్టీలతో సంభాషించగలదు, ఇది ఇంతకు ముందు జరగలేదు. ఇప్పుడు మనం క్లౌడ్ మరియు పెద్ద డేటా యొక్క యుగంలోకి వెళ్ళాము, ఇక్కడ క్లౌడ్ అనేది ప్లాట్‌ఫారమ్‌లు, ఇది మౌలిక సదుపాయాలను సరుకుగా మారుస్తుంది మరియు అందువల్ల మేము బయలుదేరుతున్నాము, అదే విధంగా, పెద్ద డేటా సెంటర్లను అమలు చేయవలసిన అవసరం ఉంది, ఎందుకంటే మీకు తెలుసా, మేము మాకు క్లౌడ్ సామర్థ్యం అందుబాటులో ఉంది మరియు ఎరిక్ కలిగి ఉన్న పెద్ద డేటాకు అనుగుణంగా, మీకు తెలుసా, కాబట్టి అనర్గళంగా చర్చించారు. మొత్తంమీద, సాంకేతిక పరిజ్ఞానం యొక్క మార్పు సంభవించినప్పుడు, ఇది మరింత డేటా-సెంట్రిక్ గా మారింది, మేము డేటా గురించి ఎక్కువ శ్రద్ధ వహిస్తాము. ఇంటర్నెట్ మాదిరిగా, డేటా ఎలా మార్పిడి చేయబడుతోంది. పెద్ద డేటాతో, డేటా యొక్క నాలుగు లేదా అంతకంటే ఎక్కువ v లు.

అదే సమయంలో, మరియు మరింత ముఖ్యంగా, వ్యాపార వినియోగ కేసులు మారాయి. కంప్యూటర్లు మొదట ప్రవేశపెట్టినప్పుడు, పుస్తకాలు మరియు రికార్డులు వంటి వాటిని ఆటోమేట్ చేయడానికి ఉపయోగించారు. మరియు మాన్యువల్ ప్రాసెస్ అయిన ఏదైనా, లెడ్జర్లు లేదా అలాంటివి ఉన్నాయి, ప్రోగ్రామ్ చేయబడ్డాయి, ముఖ్యంగా, ఇంట్లో. ఇది 80 లలో కార్యాచరణ ప్యాకేజీల లభ్యతకు మారింది. మీరు ఇకపై మీ స్వంత పేరోల్‌ను వ్రాయవలసిన అవసరం లేదు, మీరు దీన్ని చేసినదాన్ని కొనుగోలు చేయవచ్చు. అనేక ఐటి విభాగాలలో ఆ సమయంలో పెద్ద తగ్గింపు లేదా పునర్నిర్మాణానికి దారితీసింది. కానీ అప్పుడు వ్యాపార మేధస్సు, డేటా గిడ్డంగులు వంటి వాటితో కనిపించింది, ఎక్కువగా 90 లలో. డాట్కామ్ బిజినెస్ మోడల్స్ తరువాత, పెద్ద ఉన్మాదం. అప్పుడు ఎండిఎం. MDM తో మేము ఆటోమేషన్ గురించి కాదు అని ఆలోచిస్తున్నాము; మేము డేటాను డేటాగా క్యూరేట్ చేయడంపై దృష్టి పెడుతున్నాము. ఆపై విశ్లేషణలు, మీరు డేటా నుండి బయటపడగల విలువను సూచిస్తాయి. మరియు విశ్లేషణలలో మీరు చాలా విజయవంతమైన సంస్థలను చూస్తారు, దీని ప్రధాన వ్యాపార నమూనా డేటా చుట్టూ తిరుగుతుంది. గూగుల్, దానిలో భాగం అవుతుంది, కానీ వాల్మార్ట్ అని కూడా మీరు వాదించవచ్చు.

కాబట్టి వ్యాపారం ఇప్పుడు నిజంగా డేటా గురించి ఆలోచిస్తోంది. మేము డేటా నుండి విలువను ఎలా పొందగలం? డేటా వ్యాపారాన్ని, వ్యూహాన్ని ఎలా నడిపించగలదు మరియు మేము డేటా యొక్క స్వర్ణ యుగంలో ఉన్నాము. అందువల్ల, డేటా ఇకపై అనువర్తనాల వెనుక భాగం నుండి వచ్చే ఎగ్జాస్ట్‌గా పరిగణించబడకపోతే, మా వ్యాపార నమూనాలకు నిజంగా కేంద్రంగా ఉంటే, మా డేటా ఆర్కిటెక్చర్ పరంగా ఏమి జరుగుతోంది? సరే, అది సాధించడంలో మనకు ఉన్న సమస్యలో కొంత భాగం గతంలో వ్యవస్థల అభివృద్ధి జీవిత చక్రంతో చిక్కుకుంది, ఇది ఐటి యొక్క చిన్న వయస్సులో ఆ ప్రాసెస్ ఆటోమేషన్ దశతో వేగంగా వ్యవహరించడం మరియు పని చేయడం యొక్క పర్యవసానంగా ఉంది. ప్రాజెక్టులు ఇలాంటిదే. IT కి - మరియు ఇది కొద్దిగా వ్యంగ్య చిత్రం - కాని నేను చెప్పడానికి ప్రయత్నిస్తున్నది ఏమిటంటే, వ్యాపార-ఆధారిత డేటా ఆర్కిటెక్చర్ పొందడానికి కొన్ని అడ్డంకులు ఎందుకంటే మనం, రకమైన, ఐటిలో ఒక సంస్కృతిని విమర్శనాత్మకంగా అంగీకరించాము ఇది పూర్వ యుగం నుండి ఉద్భవించింది.

కాబట్టి ప్రతిదీ ఒక ప్రాజెక్ట్. మీ అవసరాలు వివరంగా చెప్పండి. విషయాలు పని చేయకపోతే, మీ అవసరాలు మీరు నాకు చెప్పకపోవడమే దీనికి కారణం. ఈ రోజు డేటాతో పనిచేయదు ఎందుకంటే మేము అన్-ఆటోమేటెడ్ మాన్యువల్ ప్రాసెస్‌లతో ప్రారంభించలేము లేదా మీకు తెలుసా, వ్యాపార ప్రక్రియల యొక్క సాంకేతిక మార్పిడి, మేము ప్రయత్నిస్తున్న ఇప్పటికే ఉన్న ఉత్పత్తి డేటాతో చాలా తరచుగా ప్రారంభిస్తున్నాము విలువను పొందడానికి. డేటా-సెంట్రిక్ ప్రాజెక్ట్ను స్పాన్సర్ చేస్తున్న ఎవరూ నిజంగా ఆ డేటాను లోతుగా అర్థం చేసుకోలేరు. మేము డేటా డిస్కవరీ చేయాలి, సోర్స్ డేటా అనాలిసిస్ చేయాలి. వ్యవస్థల అభివృద్ధికి ఇది నిజంగా సరిపోలడం లేదు, మీకు తెలుసు - జలపాతం, ఎస్‌డిఎల్‌సి జీవితచక్రం - వీటిలో ఎజైల్, నేను నిర్వహిస్తాను, ఇది ఒక రకమైన మంచి వెర్షన్.

మరియు డేటాపై కాకుండా సాంకేతికత మరియు కార్యాచరణపై దృష్టి కేంద్రీకరించబడింది. ఉదాహరణకు, మేము పరీక్షా దశలో పరీక్షలు చేసేటప్పుడు ఇది సాధారణంగా ఉంటుంది, నా కార్యాచరణ పని చేస్తుంది, నా ETL అని చెప్పండి, కాని మేము డేటాను పరీక్షించడం లేదు. మేము వచ్చే సోర్స్ డేటా గురించి మా tions హలను పరీక్షించడం లేదు. మేము అలా చేస్తే, మేము బహుశా మంచి స్థితిలో ఉంటాము మరియు డేటా గిడ్డంగి ప్రాజెక్టులు చేసిన మరియు అప్‌స్ట్రీమ్ మార్పుల ద్వారా బాధపడుతున్న, నా ETL లను విడదీసే వ్యక్తిగా, నేను దానిని అభినందిస్తున్నాను. వాస్తవానికి, నిరంతర ఉత్పత్తి డేటా నాణ్యత పర్యవేక్షణకు ప్రాథమిక దశగా పరీక్షించడమే మనం చూడాలనుకుంటున్నాము. కాబట్టి మేము ఇక్కడ చాలా వైఖరిని కలిగి ఉన్నాము, ఇక్కడ వ్యాపార-ఆధారిత డేటా ఆర్కిటెక్చర్‌ను సాధించడం కష్టం, ఎందుకంటే ప్రాసెస్-సెంట్రిసిటీ యుగం ద్వారా మేము షరతు పెట్టాము. మేము డేటా-సెంట్రిసిటీకి పరివర్తన చెందాలి. మరియు ఇది మొత్తం పరివర్తన కాదు, మీకు తెలుసా, అక్కడ ఇంకా చాలా ప్రాసెస్ పని ఉంది, కాని మనకు అవసరమైనప్పుడు డేటా-సెంట్రిక్ పరంగా నిజంగా ఆలోచించడం లేదు, మరియు మనం నిజంగా ఉన్నప్పుడు సంభవించే పరిస్థితులు అలా చేయాల్సిన అవసరం ఉంది.

ఇప్పుడు వ్యాపారం డేటా విలువను తెలుసుకుంటుంది, వారు డేటాను అన్‌లాక్ చేయాలనుకుంటున్నారు, కాబట్టి మేము దీన్ని ఎలా చేయబోతున్నాం? కాబట్టి మనం పరివర్తన ఎలా చేయాలి? బాగా, మేము అభివృద్ధి ప్రక్రియల గుండె వద్ద డేటాను ఉంచాము. సమాచార అవసరాలతో వ్యాపారాన్ని నడిపించడానికి మేము అనుమతిస్తాము. ప్రాజెక్ట్ ప్రారంభంలో ఉన్న సోర్స్ డేటాను ఎవరూ అర్థం చేసుకోలేరని మేము అర్థం చేసుకున్నాము. డేటా నిర్మాణం మరియు డేటా వరుసగా ఐటి మరియు కార్యకలాపాల ద్వారా అక్కడకు వచ్చాయని మీరు వాదించవచ్చు, కాబట్టి మేము దానిని తెలుసుకోవాలి, కాని నిజంగా, మేము చేయము. ఇది డేటా-సెంట్రిక్ అభివృద్ధి. కాబట్టి డేటా-సెంట్రిక్ ప్రపంచంలో మనం ఎక్కడ మరియు ఎలా డేటా మోడలింగ్ చేస్తాం అనే దాని గురించి ఆలోచిస్తూ, డేటా డిస్కవరీ మరియు డేటా ప్రొఫైలింగ్ చేస్తున్నప్పుడు, వినియోగదారులకు వారి సమాచార అవసరాలను మెరుగుపరిచే విషయంలో ఫీడ్‌బ్యాక్ లూప్‌లను కలిగి ఉండాలి. , సోర్స్ డేటా విశ్లేషణను fore హించండి మరియు క్రమంగా మా డేటా గురించి మరింత ఖచ్చితత్వం పొందుతాము. ఇప్పుడు నేను MDM హబ్ లేదా డేటా గిడ్డంగి వంటి సాంప్రదాయక ప్రాజెక్ట్ గురించి మాట్లాడుతున్నాను, పెద్ద డేటా ప్రాజెక్టులు అవసరం లేదు, ఇది ఇప్పటికీ ఉన్నప్పటికీ, నేను నిర్వహిస్తున్నాను, దానికి చాలా దగ్గరగా ఉన్నాను. అందువల్ల ఆ ఫీడ్‌బ్యాక్ లూప్‌లలో డేటా మోడలర్లు ఉన్నారు, మీకు తెలుసా, క్రమంగా వారి డేటా మోడల్‌ను అభివృద్ధి చేయడం మరియు వినియోగదారులతో సంభాషించడం, సమాచార అవసరాలు సాధ్యమయ్యేవి, అందుబాటులో ఉన్నవి, సోర్స్ డేటా నుండి వారు బాగా అర్థం చేసుకున్నందున వాటి ఆధారంగా మెరుగుపరచబడిందని నిర్ధారించుకోండి. ఇది డేటా మోడల్ యొక్క సందర్భం కాదు, మీకు తెలుసా, అక్కడ లేని లేదా పూర్తిగా పూర్తి చేయని స్థితిలో, ఇది క్రమంగా దానిపై దృష్టి పెట్టడం.

అదేవిధంగా, మరింత దిగువకు మనకు నాణ్యత హామీ ఉంది, అక్కడ డేటా నాణ్యత పరీక్ష కోసం మేము నియమాలను అభివృద్ధి చేస్తాము, డేటా మేము పారామితులలోనే ఉందని నిర్ధారించుకోండి. లోపలికి వెళుతున్నప్పుడు, ఎరిక్ రిఫరెన్స్ డేటాలోని మార్పులను సూచిస్తుంది, ఇది జరగవచ్చు. మీరు ఆ ప్రాంతంలో దిగువ, బాధితులైన, నిర్వహించలేని మార్పుకు గురికావడం ఇష్టం లేదు, కాబట్టి నాణ్యత హామీ నియమాలు పోస్ట్ ప్రొడక్షన్, నిరంతర డేటా నాణ్యత పర్యవేక్షణలోకి వెళ్ళవచ్చు. కాబట్టి మేము డేటా-సెంట్రిక్ అవుతున్నామో లేదో చూడటం ప్రారంభించవచ్చు, డేటా-సెంట్రిక్ డెవలప్మెంట్ ఎలా చేయాలో కార్యాచరణ-ఆధారిత SDLC మరియు ఎజైల్ లకు చాలా భిన్నంగా ఉంటుంది. ఆపై మేము వ్యాపార అభిప్రాయాలకు కూడా శ్రద్ధ వహించాలి. మనకు ఉంది - మరలా ఇది ఎరిక్ చెప్పినదానిని ప్రతిధ్వనిస్తుంది - మా డేటాబేస్ కోసం డేటా స్టోరీ బ్లూను నిర్వచించే డేటా మోడల్ మాకు ఉంది, కానీ అదే సమయంలో మనకు ఆ సంభావిత నమూనాలు అవసరం, సాంప్రదాయకంగా చేయని డేటా యొక్క వ్యాపార అభిప్రాయాలు గతం. డేటా మోడల్ ఇవన్నీ చేయగలదని మేము కొన్నిసార్లు అనుకున్నాను, కాని మనకు సంభావిత వీక్షణ, అర్థశాస్త్రం ఉండాలి మరియు డేటాను పరిశీలించాలి, నిల్వ నమూనాను వ్యాపారంలోకి అనువదించే ఒక సంగ్రహణ పొర ద్వారా అందించాలి. వీక్షించడానికి. మరియు, మళ్ళీ, సెమాంటిక్స్ పరంగా ఎరిక్ మాట్లాడుతున్న అన్ని విషయాలు, అలా చేయడం చాలా ముఖ్యం, కాబట్టి మనకు అదనపు మోడలింగ్ పనులు ఉన్నాయి. నేను చేసినట్లుగా మీరు డేటా మోడలర్‌గా ర్యాంకుల్లోకి వస్తే, మీకు తెలుసా, ఆసక్తికరంగా ఉంటుందని నేను భావిస్తున్నాను.

చివరకు పెద్ద ఆర్కిటెక్చర్ కూడా ఈ కొత్త వాస్తవికతను ప్రతిబింబించేలా ఉందని నేను చెప్పాలనుకుంటున్నాను. సాంప్రదాయ కస్టమర్ MDM, ఉదాహరణకు, ఒక రకమైనది, సరే, బ్యాక్ ఆఫీస్ అనువర్తనాల కోసం కేవలం డేటా నాణ్యత పరంగా మన కస్టమర్ డేటాను మనం హబ్‌లోకి తీసుకుందాం. వ్యాపార వ్యూహ దృక్పథం నుండి ఇది ఒక రకమైన ఆవలింత. అయితే, ఈ రోజు, మేము కస్టమర్ ఎండిఎమ్ హబ్‌లను చూస్తున్నాము, వాటిలో అదనపు కస్టమర్ ప్రొఫైల్ డేటా ఉంది, స్టాటిక్ డేటా మాత్రమే కాదు, అప్పుడు కస్టమర్ యొక్క లావాదేవీ అనువర్తనాలతో ద్వి దిశాత్మక ఇంటర్‌ఫేస్ ఉంటుంది. అవును, వారు ఇప్పటికీ బ్యాక్ ఆఫీస్‌కు మద్దతు ఇస్తున్నారు, కాని ఇప్పుడు మా వినియోగదారుల ఈ ప్రవర్తనల గురించి కూడా మాకు తెలుసు. ఇది నిర్మించడానికి మరింత ఖరీదైనది. ఇది నిర్మించడానికి మరింత క్లిష్టంగా ఉంటుంది. సాంప్రదాయ కస్టమర్ MDM లేని విధంగా ఇది వ్యాపార-ఆధారితమైనది. మీరు సరళమైన డిజైన్లకు వ్యతిరేకంగా వ్యాపారానికి ఒక ధోరణిని వర్తకం చేస్తున్నారు, అవి అమలు చేయడం సులభం, కానీ వ్యాపారం కోసం, వారు చూడాలనుకుంటున్నది ఇదే. మేము నిజంగా క్రొత్త యుగంలో ఉన్నాము మరియు వ్యాపార-డ్రైవింగ్ డేటా ఆర్కిటెక్చర్‌కు మేము స్పందించాల్సిన స్థాయిలు చాలా ఉన్నాయని నేను భావిస్తున్నాను మరియు ఇది పనులు చేయడం చాలా ఉత్తేజకరమైన సమయం అని నేను భావిస్తున్నాను.

కాబట్టి ధన్యవాదాలు, రెబెక్కా మీకు తిరిగి.

రెబెకా జోజ్వియాక్: ధన్యవాదాలు మాల్కం, మరియు డేటా మోడళ్ల గురించి మీరు చెప్పినదానిని నేను నిజంగా ఆనందించాను, ఎందుకంటే, మీరు చెప్పేదానికి భిన్నంగా, ఐటి చాలా కాలం పాటు పగ్గాలను కలిగి ఉంది మరియు ఇది ఇకపై అలాంటిది కాదు మరియు సంస్కృతి మార్చాల్సిన అవసరం ఉంది. మీతో 100% అంగీకరించిన నేపథ్యంలో కుక్క ఉందని నాకు చాలా ఖచ్చితంగా తెలుసు. మరియు దానితో నేను బంతిని రాన్‌కు పంపించబోతున్నాను. మీ డెమో చూడటానికి నేను నిజంగా సంతోషిస్తున్నాను. రాన్, నేల మీదే.

రాన్ హుయిజెంగా: చాలా ధన్యవాదాలు మరియు మేము దానిలోకి దూకడానికి ముందు, నేను కొన్ని స్లైడ్‌ల గుండా వెళుతున్నాను, ఆపై కొంచెం డెమో ఎందుకంటే, ఎరిక్ మరియు మాల్కం ఎత్తి చూపినట్లుగా, ఇది చాలా విస్తృత మరియు లోతైన అంశం, మరియు మనం ఈ రోజు గురించి మాట్లాడుతున్నాము, దాని ఉపరితలం స్క్రాప్ చేస్తున్నాము ఎందుకంటే చాలా అంశాలు మరియు చాలా విషయాలు ఉన్నాయి, ఎందుకంటే మనం నిజంగా వ్యాపార-ఆధారిత నిర్మాణం నుండి పరిగణించాలి మరియు చూడాలి. మరియు మా విధానం నిజంగా ఆ మోడల్-ఆధారిత మరియు మోడళ్ల నుండి నిజమైన విలువను పొందడం ఎందుకంటే మీరు వాటిని కమ్యూనికేషన్ వాహనంగా మరియు ఇతర వ్యవస్థలను ప్రారంభించడానికి ఒక పొరగా ఉపయోగించవచ్చు. మీరు సేవా-ఆధారిత ఆర్కిటెక్చర్ లేదా ఇతర పనులను చేస్తున్నా, మోడల్ నిజంగా ఏమి జరుగుతుందో దాని చుట్టూ ఉన్న అన్ని మెటాడేటా మరియు మీ వ్యాపారంలో ఉన్న డేటాతో జీవనాడి అవుతుంది.

నేను మాట్లాడదలచినది, అయితే, ఇది దాదాపు ఒక అడుగు వెనక్కి తీసుకుంటోంది, ఎందుకంటే పరిష్కారాలు అభివృద్ధి చెందిన విధానం మరియు ఆ రకమైన విషయం యొక్క కొన్ని చరిత్రలను మాల్కం తాకింది. సౌండ్ డేటా ఆర్కిటెక్చర్ కలిగి ఉండటం ఎంత ముఖ్యమో నిజంగా ఎత్తిచూపడానికి ఒక మార్గం, నేను ఉత్పత్తి నిర్వహణ పాత్రలోకి రాకముందు నేను సంప్రదిస్తున్నప్పుడు చాలా తరచుగా పరిగెత్తే ఉపయోగం కేసు, మరియు నేను సంస్థల్లోకి వెళ్తాను వారు వ్యాపార పరివర్తన చేస్తున్నారా లేదా ఇప్పటికే ఉన్న కొన్ని వ్యవస్థలను మరియు ఆ రకమైన వస్తువులను భర్తీ చేస్తున్నారా, మరియు సంస్థలు తమ స్వంత డేటాను ఎంత పేలవంగా అర్థం చేసుకున్నాయో చాలా త్వరగా స్పష్టమైంది. మీరు ఇలాంటి ప్రత్యేకమైన కేసును తీసుకుంటే, మీరు కన్సల్టెంట్ వెళుతున్నారా లేదా అది ఒక సంస్థతో ప్రారంభించిన వ్యక్తి కావచ్చు, లేదా మీ సంస్థ వేర్వేరు సంస్థలను సంపాదించడం ద్వారా సంవత్సరాలుగా నిర్మించబడింది, మీరు ముగించేది అనేక కొత్త విభిన్న సాంకేతిక పరిజ్ఞానాలతో పాటు లెగసీ టెక్నాలజీ, ERP సొల్యూషన్స్ మరియు మిగతా వాటితో చాలా త్వరగా సంక్లిష్టమైన వాతావరణం ఉంది.

కాబట్టి మా మోడలింగ్ విధానంతో మనం నిజంగా చేయగలిగేది ఏమిటంటే, ఈ ప్రశ్నకు నేను ఎలా అర్ధం చేసుకోగలను? మేము నిజంగా సమాచారాన్ని కలిసి ఉంచడం ప్రారంభించవచ్చు, కాబట్టి వ్యాపారం మన వద్ద ఉన్న సమాచారాన్ని సక్రమంగా ప్రభావితం చేస్తుంది. మరియు అది బయటకు వస్తుంది, ఆ పరిసరాలలో మనకు ఏమి ఉంది? నాకు అవసరమైన సమాచారాన్ని బయటకు తీయడానికి మరియు ఆ సమాచారాన్ని బాగా అర్థం చేసుకోవడానికి నేను మోడళ్లను ఎలా ఉపయోగించగలను? రిలేషనల్ డేటా మోడల్స్ వంటి అన్ని విభిన్న విషయాల కోసం మనకు సాంప్రదాయ రకాల మెటాడేటా ఉంది, మరియు మేము నిర్వచనాలు మరియు డేటా నిఘంటువులు, మీకు తెలిసిన డేటా రకాలు మరియు ఆ రకమైన వస్తువులను చూడటం అలవాటు చేసుకున్నాము. అదనపు మెటాడేటా గురించి మీరు ఇంకా ఎక్కువ అర్ధాన్ని ఇవ్వడానికి పట్టుకోవాలనుకుంటున్నారా? అంటే, ఏ ఎంటిటీలు నిజంగా రిఫరెన్స్ డేటా ఆబ్జెక్ట్‌లుగా ఉండాలి, అవి మాస్టర్ డేటా మేనేజ్‌మెంట్ ఆబ్జెక్ట్‌లు మరియు ఆ రకమైన విషయాలు మరియు వాటిని ఒకదానితో ఒకటి కట్టివేయాలి. మరియు సంస్థ ద్వారా సమాచారం ఎలా ప్రవహిస్తుంది? ప్రాసెస్ దృక్కోణం రెండింటి నుండి అవి ఎలా వినియోగించబడుతున్నాయో డేటా ప్రవహిస్తుంది, కానీ మా వ్యాపారాల ద్వారా సమాచార ప్రయాణం పరంగా మరియు వివిధ వ్యవస్థల ద్వారా లేదా డేటా స్టోర్ల ద్వారా ఇది ఎలా సాగుతుందో డేటా వంశం, కాబట్టి మనకు తెలుసు మేము ఐ-సొల్యూషన్స్ లేదా ఆ రకమైన వస్తువులను నిర్మిస్తున్నప్పుడు, చేతిలో ఉన్న పని కోసం సరైన సమాచారాన్ని మేము నిజంగా వినియోగిస్తున్నాము.

ఆపై చాలా ముఖ్యమైనది ఏమిటంటే, మేము ఆ వాటాదారులందరినీ ఎలా సహకరించగలం, మరియు ముఖ్యంగా వ్యాపార వాటాదారులు ఎందుకంటే ఆ డేటా ఏమిటో మాకు నిజమైన అర్ధాన్ని ఇస్తుంది. వ్యాపారం, రోజు చివరిలో, డేటాను కలిగి ఉంటుంది. ఎరిక్ మాట్లాడుతున్న పదజాలం మరియు విషయాల కోసం వారు నిర్వచనాలను సరఫరా చేస్తారు, కాబట్టి అవన్నీ కలిసి కట్టడానికి మాకు ఒక స్థలం కావాలి. మరియు మన డేటా మోడలింగ్ మరియు డేటా రిపోజిటరీ ఆర్కిటెక్చర్ల ద్వారా మేము చేసే మార్గం.

నేను కొన్ని విషయాలను తాకబోతున్నాను. నేను ER / స్టూడియో ఎంటర్ప్రైజ్ టీమ్ ఎడిషన్ గురించి మాట్లాడబోతున్నాను. ప్రధానంగా నేను డేటా మోడలింగ్ మరియు ఆ రకమైన విషయం చేసే డేటా ఆర్కిటెక్చర్ ఉత్పత్తి గురించి మాట్లాడబోతున్నాను, కాని సూట్ యొక్క ఇతర భాగాలు చాలా ఉన్నాయి, నేను చాలా క్లుప్తంగా తాకబోతున్నాను. మీరు బిజినెస్ ఆర్కిటెక్ట్ యొక్క ఒక స్నిప్పెట్‌ను చూస్తారు, ఇక్కడ మేము సంభావిత నమూనాలను చేయగలము, కాని మేము వ్యాపార ప్రక్రియ నమూనాలను కూడా చేయగలము మరియు మా డేటా మోడళ్లలో మన వద్ద ఉన్న వాస్తవ డేటాను అనుసంధానించడానికి మేము ఆ ప్రాసెస్ మోడళ్లను కట్టబెట్టవచ్చు. ఆ టైను కలిసి తీసుకురావడానికి ఇది నిజంగా మాకు సహాయపడుతుంది. సాఫ్ట్‌వేర్ ఆర్కిటెక్ట్ మేము మాట్లాడుతున్న కొన్ని ఇతర వ్యవస్థలు మరియు ప్రక్రియలకు సహాయక లాజిక్‌లను ఇవ్వడానికి కొన్ని UML మోడలింగ్ మరియు ఆ రకమైన విషయాలు వంటి అదనపు నిర్మాణాలను చేయడానికి అనుమతిస్తుంది. కానీ చాలా ముఖ్యమైనది మేము క్రిందికి వెళ్ళేటప్పుడు మనకు రిపోజిటరీ మరియు టీమ్ సర్వర్ ఉన్నాయి, మరియు నేను దాని గురించి ఒకే రకమైన రెండు భాగాలుగా మాట్లాడుతాను. రిపోజిటరీ అంటే మేము మోడల్ చేసిన మెటాడేటాను అలాగే అన్ని వ్యాపార మెటాడేటాను వ్యాపార పదకోశాలు మరియు నిబంధనల పరంగా నిల్వ చేస్తాము. మరియు మనకు ఈ రిపోజిటరీ-ఆధారిత వాతావరణం ఉన్నందున, ఈ విభిన్న విషయాలన్నింటినీ ఒకే వాతావరణంలో కలపవచ్చు మరియు తరువాత మనం సాంకేతిక పరిజ్ఞానం కోసం మాత్రమే కాకుండా వ్యాపారవేత్తలకు కూడా వినియోగానికి అందుబాటులో ఉంచవచ్చు. మేము సహకారాన్ని నడపడం నిజంగానే.

ఆపై నేను క్లుప్తంగా మాట్లాడే చివరి భాగం ఏమిటంటే, మీరు ఈ పరిసరాలలోకి అడుగుపెట్టినప్పుడు, అది మీరు అక్కడ ఉన్న డేటాబేస్‌లు మాత్రమే కాదు. మీరు అనేక డేటాబేస్లు, డేటా స్టోర్లను కలిగి ఉండబోతున్నారు, మీకు కూడా చాలా ఉన్నాయి, నేను పిలుస్తాను, లెగసీ కళాఖండాలు. కొన్ని విషయాలను మ్యాప్ చేయడానికి ప్రజలు విసియో లేదా ఇతర రేఖాచిత్రాలను ఉపయోగించారు. బహుశా వారికి ఇతర మోడలింగ్ సాధనాలు మరియు ఆ రకమైన వస్తువులు ఉండవచ్చు.కాబట్టి మెటావిజార్డ్‌తో మనం చేయగలిగేది వాస్తవానికి ఆ సమాచారాన్ని కొంతవరకు సంగ్రహించి, దానిని మా మోడళ్లలోకి తీసుకురావడం, దానిని ప్రస్తుతముగా మార్చడం మరియు దానిని ఉపయోగించుకోవడం, వినియోగించడం, ప్రస్తుత పద్ధతిలో మళ్ళీ అక్కడ కూర్చోవడం కంటే. ఇది ఇప్పుడు మా పని నమూనాలలో చురుకైన భాగంగా మారింది, ఇది చాలా ముఖ్యమైనది.

మీరు ఒక సంస్థలోకి అడుగుపెట్టినప్పుడు, నేను చెప్పినట్లుగా, చాలా భిన్నమైన వ్యవస్థలు ఉన్నాయి, చాలా ERP పరిష్కారాలు, సరిపోలని డిపార్ట్‌మెంటల్ సొల్యూషన్స్. చాలా సంస్థలు సాస్ సొల్యూషన్స్ ను కూడా ఉపయోగిస్తున్నాయి, అవి కూడా బాహ్యంగా నియంత్రించబడతాయి మరియు నిర్వహించబడతాయి, కాబట్టి మేము డేటాబేస్లను మరియు ఆ రకమైన హోస్ట్లలోని వాటిని నియంత్రించము, కాని ఆ డేటా ఎలా ఉంటుందో మనం ఇంకా తెలుసుకోవాలి మరియు, దాని చుట్టూ ఉన్న మెటాడేటా. మాల్కం మాట్లాడిన ప్రాజెక్ట్-ఆధారిత విధానం కారణంగా శుభ్రపరచబడని వాడుకలో లేని లెగసీ వ్యవస్థలు కూడా మనం కనుగొన్నాము. ఇటీవలి సంవత్సరాలలో సంస్థలు ప్రాజెక్టులను ఎలా స్పిన్ చేస్తాయో ఆశ్చర్యంగా ఉంది, అవి వ్యవస్థను లేదా పరిష్కారాన్ని భర్తీ చేస్తాయి, కాని వాడుకలో లేని పరిష్కారాలను తొలగించడానికి తగినంత ప్రాజెక్ట్ బడ్జెట్ తరచుగా మిగిలి ఉండదు, కాబట్టి ఇప్పుడు అవి కేవలం మార్గంలోనే ఉన్నాయి. మన వాతావరణంలో మనం నిజంగా ఏమి వదిలించుకోవచ్చో అలాగే ముందుకు సాగడానికి ఉపయోగపడే వాటిని మనం గుర్తించాలి. మరియు అది పేలవమైన డికామిషన్ స్ట్రాటజీతో సంబంధాలు కలిగి ఉంది. అదే విషయం యొక్క భాగం మరియు భాగం.

ఈ విభిన్న పరిష్కారాల నుండి చాలా సంస్థలు నిర్మించబడినందున, మనం కూడా కనుగొన్నది, అనేక ప్రదేశాలలో చాలా డేటా చుట్టూ తిరిగే పాయింట్-టు-పాయింట్ ఇంటర్‌ఫేస్‌లను మనం చూస్తున్నాం. మేము దానిని హేతుబద్ధీకరించగలగాలి మరియు నేను ఇంతకు ముందు క్లుప్తంగా పేర్కొన్న డేటా వంశాన్ని గుర్తించగలగాలి, అందువల్ల సరైన సమాచారాన్ని అందించడానికి సేవా-ఆధారిత నిర్మాణ, ఎంటర్ప్రైజ్ సర్వీస్ బస్సులు మరియు ఆ రకమైన వస్తువులను ఉపయోగించడం వంటి మరింత సమన్వయ వ్యూహాన్ని కలిగి ఉండవచ్చు. మా వ్యాపారం అంతటా మేము సరిగ్గా ఉపయోగించే మోడల్ యొక్క ప్రచురణ మరియు సభ్యత్వం. ఆపై, మేము డేటా గిడ్డంగులు, సాంప్రదాయ ETL తో డేటా మార్ట్‌లను ఉపయోగిస్తున్నా లేదా కొన్ని కొత్త డేటా సరస్సులను ఉపయోగిస్తున్నా, మేము ఇంకా ఒకరకమైన విశ్లేషణలు చేయవలసి ఉంది. ఇదంతా ఒకే విషయానికి వస్తుంది. ఇది అన్ని డేటా, ఇది పెద్ద డేటా అయినా, రిలేషనల్ డేటాబేస్లలోని సాంప్రదాయ డేటా అయినా, మేము ఆ డేటాను అన్నింటినీ ఏకతాటిపైకి తీసుకురావాలి, తద్వారా దాన్ని నిర్వహించవచ్చు మరియు మా మోడల్స్ అంతటా మేము ఏమి వ్యవహరిస్తున్నామో తెలుసుకోవచ్చు.

మళ్ళీ, మేము చేయబోయే సంక్లిష్టత ఏమిటంటే, మనం చేయగలిగే అనేక దశలు ఉన్నాయి. అన్నింటిలో మొదటిది, మీరు నడుస్తారు మరియు ఆ సమాచార ప్రకృతి దృశ్యం ఎలా ఉంటుందో మీకు బ్లూస్ ఉండకపోవచ్చు. ER / స్టూడియో డేటా ఆర్కిటెక్ట్ వంటి డేటా మోడలింగ్ సాధనంలో మీరు మొదట రివర్స్ ఇంజనీరింగ్ చేయబోతున్నారు, అక్కడ ఉన్న డేటా సోర్స్‌ల వైపు చూద్దాం, వాటిని తీసుకురండి, ఆపై వాటిని మరింత ప్రతినిధిగా కుట్టండి మొత్తం వ్యాపారాన్ని సూచించే నమూనాలు. ముఖ్యమైన విషయం ఏమిటంటే, మేము ఆ మోడళ్లను వ్యాపార మార్గాలతో పాటు కుళ్ళిపోవాలనుకుంటున్నాము, తద్వారా వాటితో చిన్న భాగాలుగా, మా వ్యాపార వ్యక్తులు కూడా సంబంధం కలిగి ఉంటారు మరియు మా వ్యాపార విశ్లేషకులు మరియు పనిచేస్తున్న ఇతర వాటాదారులు దానిపై.

నామకరణ ప్రమాణాలు చాలా ముఖ్యమైనవి మరియు నేను దాని గురించి ఇక్కడ రెండు రకాలుగా మాట్లాడుతున్నాను. మా మోడళ్లలో విషయాలను ఎలా పేరు పెడతామో పరంగా ప్రమాణాలకు పేరు పెట్టడం. తార్కిక నమూనాలలో చేయటం చాలా సులభం, ఇక్కడ మనకు మంచి నామకరణ సమావేశం మరియు మా మోడళ్లకు మంచి డేటా నిఘంటువు ఉన్నాయి, అయితే, మనం తీసుకువచ్చే ఈ భౌతిక నమూనాల కోసం వేర్వేరు నామకరణ సమావేశాలను చూస్తాము. రివర్స్ ఇంజనీర్, చాలా తరచుగా మనం సంక్షిప్త పేర్లు మరియు నేను మాట్లాడే ఆ రకమైన విషయాలను చూస్తాము. మరియు మేము వాటిని తిరిగి వ్యాపారానికి అర్ధవంతమైన అర్థవంతమైన ఆంగ్ల పేర్లలోకి అనువదించాలి, తద్వారా ఈ డేటా ముక్కలన్నీ మనకు వాతావరణంలో ఉన్నాయని అర్థం చేసుకోవచ్చు. ఆపై యూనివర్సల్ మ్యాపింగ్స్ అంటే మనం వాటిని ఎలా కుట్టాలి.

ఆ పైన మేము డాక్యుమెంట్ చేసి మరింత నిర్వచించాము మరియు అక్కడే మేము మా డేటాను జోడింపులు అని పిలుస్తాము, నేను మీకు రెండు స్లైడ్‌లను చూపిస్తాను. ఆపై లూప్‌ను మూసివేస్తే, మేము ఆ వ్యాపార అర్థాన్ని వర్తింపజేయాలనుకుంటున్నాము, ఇక్కడే మేము మా వ్యాపార పదకోశాలలో ముడిపడి ఉంటాము మరియు వాటిని మా విభిన్న మోడల్ కళాఖండాలతో అనుసంధానించగలము, కాబట్టి మనకు తెలుసు, మేము ఒక నిర్దిష్ట వ్యాపార పదం గురించి మాట్లాడుతున్నప్పుడు, అది ఎక్కడ సంస్థ అంతటా మా డేటాలో అమలు చేయబడింది. చివరగా, నేను ఇప్పటికే చాలా సహకారం మరియు ప్రచురణ సామర్ధ్యాల ఆధారంగా రిపోజిటరీగా ఉండాల్సిన అవసరం గురించి మాట్లాడాను, కాబట్టి మా వాటాదారులు దీనిని ఉపయోగించుకోవచ్చు. నేను రివర్స్ ఇంజనీరింగ్ గురించి చాలా త్వరగా మాట్లాడబోతున్నాను. నేను ఇప్పటికే మీకు చాలా త్వరగా హైలైట్ ఇచ్చాను. మేము అక్కడకు తీసుకురాగల కొన్ని విషయాలను మీకు చూపించడానికి నేను దానిని వాస్తవ డెమోలో మీకు చూపిస్తాను.

మరియు నేను ఈ రకమైన దృష్టాంతంలో ఉత్పత్తి చేసే కొన్ని విభిన్న మోడల్ రకాలు మరియు రేఖాచిత్రాల గురించి మాట్లాడాలనుకుంటున్నాను. సహజంగానే మేము సంభావిత నమూనాలను చాలా సందర్భాలలో చేస్తాము; నేను దాని కోసం ఎక్కువ సమయం కేటాయించను. నేను నిజంగా తార్కిక నమూనాలు, భౌతిక నమూనాలు మరియు మనం సృష్టించగల ప్రత్యేక రకాల నమూనాల గురించి మాట్లాడాలనుకుంటున్నాను. ఇవన్నీ మనం ఒకే మోడలింగ్ ప్లాట్‌ఫామ్‌లో సృష్టించడం చాలా ముఖ్యం, తద్వారా మేము వాటిని కలిసి కుట్టవచ్చు. ఇందులో డైమెన్షనల్ మోడల్స్ మరియు నేను మీకు చూపించే NoSQL వంటి కొన్ని కొత్త డేటా వనరులను ఉపయోగించుకునే నమూనాలు కూడా ఉన్నాయి. ఆపై, డేటా వంశ నమూనా ఎలా ఉంటుంది? మరియు మేము ఆ డేటాను వ్యాపార ప్రాసెస్ మోడల్‌లో ఎలా కుట్టాలి, దాని గురించి మనం తదుపరి మాట్లాడతాము.

మీకు చాలా ఎక్కువ మరియు శీఘ్ర అవలోకనాన్ని ఇవ్వడానికి నేను ఇక్కడ మోడలింగ్ వాతావరణానికి మారబోతున్నాను. మరియు మీరు ఇప్పుడు నా స్క్రీన్‌ను చూడగలరని నేను నమ్ముతున్నాను. మొదట నేను సాంప్రదాయక డేటా మోడల్ గురించి మాట్లాడాలనుకుంటున్నాను. మరియు మోడళ్లను మేము తీసుకువచ్చినప్పుడు వాటిని నిర్వహించాలనుకునే విధానం, వాటిని కుళ్ళిపోగలగాలి. కాబట్టి మీరు ఇక్కడ ఎడమ వైపున చూస్తున్నది ఈ ప్రత్యేకమైన మోడల్ ఫైల్‌లో మాకు తార్కిక మరియు భౌతిక నమూనాలు ఉన్నాయి. తదుపరి విషయం ఏమిటంటే, మేము దీన్ని వ్యాపార కుళ్ళిపోవడంతో విచ్ఛిన్నం చేయగలమా, అందువల్ల మీరు ఫోల్డర్‌లను చూస్తారు. లేత నీలం రంగులు తార్కిక నమూనాలు మరియు ఆకుపచ్చ రంగు భౌతిక నమూనాలు. మరియు మేము కూడా క్రిందికి రంధ్రం చేయవచ్చు, కాబట్టి ER / స్టూడియోలో, మీకు వ్యాపార కుళ్ళిపోతే, మీరు మీకు కావలసినన్ని స్థాయిలు లోతుగా లేదా ఉప-మోడళ్లకు వెళ్ళవచ్చు మరియు దిగువ స్థాయిలలో మీరు చేసే మార్పులు స్వయంచాలకంగా అధిక స్థాయిలో ప్రతిబింబిస్తాయి స్థాయిలు. కనుక ఇది చాలా త్వరగా చాలా శక్తివంతమైన మోడలింగ్ వాతావరణంగా మారుతుంది.

ఈ సమాచారాన్ని కలిసి లాగడం చాలా ముఖ్యం అని నేను ఎత్తి చూపించాలనుకుంటున్నాను, మనకు ఒక తార్కిక నమూనాకు అనుగుణంగా ఉండే బహుళ భౌతిక నమూనాలను కలిగి ఉండవచ్చు. చాలా తరచుగా మీరు తార్కిక నమూనాను కలిగి ఉండవచ్చు, కానీ మీరు వేర్వేరు ప్లాట్‌ఫామ్‌లపై భౌతిక నమూనాలను కలిగి ఉండవచ్చు మరియు ఆ రకమైన విషయం. బహుశా దాని యొక్క SQL సర్వర్ ఉదాహరణ, మరొకటి ఒరాకిల్ ఉదాహరణ. అవన్నీ ఒకే మోడలింగ్ వాతావరణంలో కట్టిపడేసే సామర్థ్యం మనకు ఉంది. మరలా, నేను ఇక్కడకు వచ్చినది వాస్తవమైన డేటా గిడ్డంగి మోడల్, మళ్ళీ అదే మోడలింగ్ వాతావరణంలో ఉండగలదు లేదా మేము దానిని రిపోజిటరీలో కలిగి ఉండవచ్చు మరియు దానిని విభిన్న విషయాలలో కూడా లింక్ చేయవచ్చు.

దీనిపై నేను నిజంగా మీకు చూపించాలనుకున్నది కొన్ని ఇతర విషయాలు మరియు మోడళ్ల యొక్క ఇతర వైవిధ్యాలు. కాబట్టి మేము ఈ విధమైన సాంప్రదాయ డేటా మోడల్‌లోకి ప్రవేశించినప్పుడు, నిలువు వరుసలు మరియు మెటాడేటా మరియు ఆ రకమైన వస్తువులతో విలక్షణమైన ఎంటిటీలను చూడటం అలవాటు చేసుకున్నాము, అయితే ఈ క్రొత్త NoSQL టెక్నాలజీలతో వ్యవహరించడం ప్రారంభించినప్పుడు ఆ దృక్కోణం చాలా త్వరగా మారుతుంది. , లేదా కొంతమంది ఇప్పటికీ పెద్ద డేటా టెక్నాలజీలను పిలవాలనుకుంటున్నారు.

కాబట్టి ఇప్పుడు మన వాతావరణంలో కూడా అందులో నివశించే తేనెటీగలు వచ్చాయని చెప్పండి. మేము ఒక అందులో నివశించే తేనెటీగ వాతావరణం నుండి ఇంజనీర్‌ను రివర్స్ చేస్తే - మరియు ఈ ఖచ్చితమైన అదే మోడలింగ్ సాధనంతో మేము హైవ్ నుండి ఇంజనీర్‌ను ఫార్వార్డ్ చేయవచ్చు మరియు రివర్స్ చేయవచ్చు - మేము కొంచెం భిన్నంగా ఉన్నదాన్ని చూస్తాము. మేము ఇప్పటికీ అన్ని డేటాను అక్కడ నిర్మాణంగా చూస్తాము, కాని మా TDL భిన్నంగా ఉంటుంది. మీలో SQL ను చూడటం అలవాటు చేసుకున్నవారు, మీరు ఇప్పుడు చూసేది హైవ్ క్యూఎల్, ఇది చాలా SQL లాంటిది కాని అదే సాధనం నుండి మీరు ఇప్పుడు వేర్వేరు స్క్రిప్టింగ్ భాషలతో పనిచేయడం ప్రారంభించగలుగుతారు. కాబట్టి మీరు ఈ వాతావరణంలో మోడల్ చేయవచ్చు, దానిని అందులో నివశించే తేనెటీగ వాతావరణంలోకి ఉత్పత్తి చేయవచ్చు, కానీ అంతే ముఖ్యమైనది, నేను వివరించిన దృష్టాంతంలో, మీరు ఇంజనీర్‌ను రివర్స్ చేయవచ్చు మరియు దాని గురించి అర్ధవంతం చేయవచ్చు మరియు దాన్ని కలిసి కుట్టడం ప్రారంభించవచ్చు .

కొంచెం భిన్నమైన మరొకదాన్ని తీసుకుందాం. మొంగోడిబి అనేది మేము స్థానికంగా మద్దతు ఇచ్చే మరొక వేదిక. మరియు మీరు డాక్యుమెంట్ స్టోర్స్‌ను కలిగి ఉన్న JSON రకాల పరిసరాలలోకి ప్రవేశించడం ప్రారంభించినప్పుడు, JSON వేరే జంతువు మరియు దానిలో నిర్మాణాలు ఉన్నాయి, అవి రిలేషనల్ మోడళ్లకు అనుగుణంగా లేవు. మీరు JSON ను ప్రశ్నించడం ప్రారంభించినప్పుడు మీరు ఎంబెడెడ్ ఆబ్జెక్ట్స్ మరియు ఎంబెడెడ్ ఆబ్జెక్ట్స్ వంటి భావనలతో వ్యవహరించడం ప్రారంభిస్తారు మరియు సాంప్రదాయ రిలేషనల్ సంజ్ఞామానం లో ఆ భావనలు ఉండవు. మేము ఇక్కడ ఏమి చేసామో అదే సంకేతంలో మరియు మన కేటలాగ్‌ను అదే వాతావరణంలో నిర్వహించగలిగేలా విస్తరించాము.

మీరు ఇక్కడ ఎడమ వైపున చూస్తే, ఎంటిటీలు మరియు టేబుల్స్ వంటి వాటిని చూడటానికి బదులుగా, మేము వాటిని వస్తువులు అని పిలుస్తున్నాము. మరియు మీరు వేర్వేరు సంకేతాలను చూస్తారు. మీరు ఇప్పటికీ ఇక్కడ విలక్షణమైన రిఫరెన్స్ సంకేతాలను చూస్తున్నారు, కాని ఈ ప్రత్యేకమైన రేఖాచిత్రంలో నేను చూపిస్తున్న ఈ నీలిరంగు ఎంటిటీలు వాస్తవానికి పొందుపరిచిన వస్తువులు. మరియు మేము వేర్వేరు కార్డినాలిటీలను చూపుతాము. డైమండ్ కార్డినాలిటీ అంటే అది ఒక చివర ఉన్న వస్తువు, కానీ ఒక కార్డినాలిటీ అంటే మనకు, ప్రచురణకర్తలో ఆ సంబంధాన్ని అనుసరిస్తే, మనకు ఎంబెడెడ్ అడ్రస్ ఆబ్జెక్ట్ ఉంది. JSON ను ప్రశ్నించడంలో, ఇది పోషకుడిలో పొందుపరిచిన వస్తువుల నిర్మాణమేనని మేము కనుగొన్నాము, కాని ఇది వాస్తవానికి వస్తువుల శ్రేణిగా పొందుపరచబడింది. మేము దానిని కనెక్టర్ల ద్వారానే కాకుండా, వాస్తవ ఎంటిటీలను పరిశీలిస్తే, మీరు పోషకుల క్రింద చిరునామాలను చూస్తారని మీరు చూస్తారు, అది వస్తువుల శ్రేణిగా కూడా వర్గీకరించబడుతుంది. మీరు దానిని ఎలా తీసుకురావాలో చాలా వివరణాత్మక దృక్పథాన్ని పొందుతారు.

మరలా, ఇప్పుడు మనం ఇప్పటివరకు కొన్ని సెకన్లలో చూసినది సాంప్రదాయ రిలేషనల్ మోడల్స్, ఇవి బహుళ-స్థాయి, మేము అందులో నివశించే తేనెటీగలు కూడా చేయవచ్చు, మొంగోడిబి మరియు ఇతర పెద్ద డేటా వనరులతో కూడా మేము అదే పని చేయవచ్చు. బాగా. మేము కూడా ఏమి చేయగలం, మరియు నేను దీన్ని చాలా త్వరగా మీకు చూపించబోతున్నాను, ఇతర ప్రాంతాల నుండి వస్తువులను తీసుకురావడం గురించి నేను మాట్లాడాను. నేను ఒక డేటాబేస్ నుండి మోడల్‌ను దిగుమతి చేసుకోబోతున్నాను లేదా రివర్స్ ఇంజనీర్ చేయబోతున్నాను, కాని నేను దానిని బాహ్య మెటాడేటా నుండి తీసుకురాబోతున్నాను. మేము తీసుకురావడానికి ప్రారంభించగల అన్ని రకాల విషయాల గురించి మీకు చాలా త్వరగా తెలియజేయడానికి.

మీరు చూస్తున్నట్లుగా, మన మోడలింగ్ వాతావరణంలోకి మెటాడేటాను తీసుకురాగల అనేక విషయాలు మన వద్ద ఉన్నాయి. అమెజాన్ రెడ్‌షిఫ్ట్, కాసాండ్రా, ఇతర పెద్ద డేటా ప్లాట్‌ఫారమ్‌ల వంటి వాటితో ప్రారంభించి, మీరు జాబితా చేయబడిన చాలా వాటిని చూస్తారు. ఇది అక్షర క్రమంలో ఉంది. మేము చాలా పెద్ద డేటా వనరులను మరియు ఆ రకమైన విషయాలను చూస్తున్నాము. మేము చాలా సాంప్రదాయ లేదా పాత మోడలింగ్ వాతావరణాలను కూడా చూస్తున్నాము, ఆ మెటాడేటాను వాస్తవంగా తీసుకురాగలము. నేను ఇక్కడకు వెళితే - మరియు నేను వాటిలో ప్రతిదానికీ సమయం కేటాయించను - మోడలింగ్ ప్లాట్‌ఫారమ్‌లు మరియు డేటా ప్లాట్‌ఫారమ్‌ల పరంగా మనం దానిని తీసుకురాగల అనేక విభిన్న విషయాలను చూస్తాము. డేటా వంశం గురించి మాట్లాడటం ప్రారంభించినప్పుడు మనం చేయగలిగే మరొక భాగం ఇక్కడ ఉంది, ఎంటర్ప్రైజ్ టీమ్ ఎడిషన్‌లో మనం ETL మూలాలను కూడా ప్రశ్నించవచ్చు, ఇది టాలెండ్ లేదా SQL సర్వర్ ఇన్ఫర్మేషన్ సర్వీసెస్ మ్యాపింగ్ వంటివి అయినా, వాస్తవానికి మా డేటా వంశ రేఖాచిత్రాలను ప్రారంభించడానికి మరియు ఆ పరివర్తనలలో ఏమి జరుగుతుందో చిత్రాన్ని గీయండి. ఎంటర్ప్రైజ్ టీమ్ ఎడిషన్ ఉత్పత్తిలో భాగమైన ఈ విభిన్న వంతెనలలో 130 కి పైగా మనకు పెట్టెలో ఉంది, కాబట్టి ఇది అన్ని కళాఖండాలను ఒకే మోడలింగ్ వాతావరణంలోకి చాలా త్వరగా లాగడానికి మాకు సహాయపడుతుంది.

చివరిది కాని, నేను డేటా గిడ్డంగులు లేదా ఏదైనా రకమైన విశ్లేషణలు చేస్తుంటే మనకు ఇతర రకాల నిర్మాణాలు అవసరమనే వాస్తవాన్ని మనం కోల్పోలేము అనే వాస్తవం గురించి కూడా మాట్లాడాలనుకుంటున్నాను. మనకు ఫ్యాక్ట్ టేబుల్స్ ఉన్న డైమెన్షనల్ మోడల్స్ వంటి పనులను చేయగల సామర్థ్యాన్ని కలిగి ఉండాలని మేము కోరుకుంటున్నాము మరియు మనకు కొలతలు మరియు ఆ రకమైన విషయాలు ఉన్నాయి. నేను మీకు చూపించదలిచిన ఒక విషయం ఏమిటంటే, మా మెటాడేటాకు పొడిగింపులను కూడా కలిగి ఉండవచ్చు, అది కొలతలు మరియు మిగతా వాటి రకాలను వర్గీకరించడానికి మాకు సహాయపడుతుంది. నేను ఇక్కడ డైమెన్షనల్ డేటా టాబ్‌ను పరిశీలిస్తే, ఉదాహరణకు, వీటిలో ఒకదానిపై, అది చూసే మోడల్ నమూనా ఆధారంగా ఇది స్వయంచాలకంగా గుర్తించబడుతుంది మరియు ఇది ఒక పరిమాణం లేదా ఒక అని భావిస్తున్నారా అనే దానిపై మీకు ప్రారంభ స్థానం ఇస్తుంది వాస్తవ పట్టిక. కానీ అంతకు మించి, మనం చేయగలిగేది కొలతలు మరియు ఆ రకమైన విషయం మనకు డేటా గిడ్డంగుల రకం వాతావరణంలో డేటాను వర్గీకరించడానికి ఉపయోగించే వివిధ రకాల కొలతలు కూడా ఉన్నాయి. చాలా శక్తివంతమైన సామర్థ్యాలు మేము దీన్ని పూర్తిగా కుట్టాము.

నేను ప్రస్తుతం డెమో వాతావరణంలో ఉన్నందున నేను దీనిలోకి దూకబోతున్నాను మరియు నేను స్లైడ్‌లకు తిరిగి వెళ్లడానికి ముందు కొన్ని ఇతర విషయాలను మీకు చూపిస్తాను. మేము ఇటీవల ER / స్టూడియో డేటా ఆర్కిటెక్ట్‌కు జోడించిన వాటిలో ఒకటి మేము పరిస్థితులలోకి ప్రవేశించాము - మరియు మీరు ప్రాజెక్ట్‌లలో పని చేస్తున్నప్పుడు ఇది చాలా సాధారణ ఉపయోగ సందర్భం - డెవలపర్లు వస్తువుల పరంగా ఆలోచిస్తారు, అయితే మా డేటా మోడలర్లు పట్టికలు మరియు ఎంటిటీల పరంగా మరియు ఆ రకమైన విషయం గురించి ఆలోచిస్తారు. ఇది చాలా సరళమైన డేటా మోడల్, కానీ ఇది కొన్ని ప్రాథమిక భావనలను సూచిస్తుంది, ఇక్కడ డెవలపర్లు లేదా వ్యాపార విశ్లేషకులు లేదా వ్యాపార వినియోగదారులు కూడా వాటిని వేర్వేరు వస్తువులు లేదా వ్యాపార భావనలుగా భావించవచ్చు. ఇప్పటి వరకు వీటిని వర్గీకరించడం చాలా కష్టం, కాని 2016 విడుదలలో మేము నిజంగా ER / Studio Enterprise Team Edition లో ఏమి చేసాము, ఇప్పుడు మనకు బిజినెస్ డేటా ఆబ్జెక్ట్స్ అనే కాన్సెప్ట్ ఉందా? మరియు అది మాకు అనుమతించేది ఏమిటంటే, ఇది ఎంటిటీలు లేదా టేబుళ్ల సమూహాలను నిజమైన వ్యాపార వస్తువులుగా కలుపుకోవడానికి అనుమతిస్తుంది.

ఉదాహరణకు, ఈ క్రొత్త వీక్షణలో మనకు ఇక్కడ లభించినది కొనుగోలు ఆర్డర్ హెడర్ మరియు ఆర్డర్ లైన్ ఇప్పుడు కలిసి లాగబడ్డాయి, అవి ఒక వస్తువుగా కప్పబడి ఉన్నాయి, మేము డేటాను కొనసాగించినప్పుడు వాటిని పని యూనిట్‌గా భావిస్తాము , మరియు మేము వారిని ఒకచోట చేర్చుకుంటాము కాబట్టి ఇప్పుడు వేర్వేరు ప్రేక్షకులతో సంబంధం కలిగి ఉండటం చాలా సులభం. మోడలింగ్ వాతావరణంలో అవి తిరిగి ఉపయోగించబడతాయి. అవి నిజమైన వస్తువు, డ్రాయింగ్ నిర్మాణం మాత్రమే కాదు, మోడలింగ్ దృక్పథం నుండి మనం నిజంగా కమ్యూనికేట్ చేస్తున్నప్పుడు వాటిని ఎంపిక చేసుకొని కూల్చివేయవచ్చు లేదా విస్తరించవచ్చు, అందువల్ల కొంతమంది వాటాదారుల ప్రేక్షకులతో సంభాషణల కోసం సంక్షిప్త వీక్షణను ఉత్పత్తి చేయవచ్చు, మరియు సాంకేతిక ప్రేక్షకుల కోసం మనం ఇక్కడ చూస్తున్నట్లుగా మరింత వివరంగా చూడవచ్చు. ఇది నిజంగా మాకు మంచి కమ్యూనికేషన్ వాహనాన్ని ఇస్తుంది. ఇప్పుడు మనం చూస్తున్నది బహుళ విభిన్న మోడల్ రకాలను కలపడం, వాటిని వ్యాపార డేటా వస్తువుల భావనతో పెంచడం మరియు ఇప్పుడు నేను ఈ రకమైన విషయాలకు మరికొన్ని అర్ధాలను ఎలా వర్తింపజేస్తాను మరియు వాటిని మనలో ఎలా కుట్టాలో గురించి మాట్లాడబోతున్నాను. మొత్తం వాతావరణాలు.

నేను నా వెబ్‌ఎక్స్‌ను ఇక్కడ తిరిగి కనుగొనడానికి ప్రయత్నిస్తున్నాను, తద్వారా నేను దీన్ని చేయగలను. అక్కడ మేము తిరిగి హాట్ టెక్ స్లైడ్‌లకు వెళ్తాము. మోడల్ ప్రదర్శనలోనే మీరు వీటిని ఇప్పటికే చూసినందున నేను ఇక్కడ కొన్ని స్లైడ్‌లను వేగంగా ఫార్వార్డ్ చేయబోతున్నాను. నామకరణ ప్రమాణాల గురించి నేను చాలా త్వరగా మాట్లాడాలనుకుంటున్నాను. మేము వేర్వేరు నామకరణ ప్రమాణాలను వర్తింపజేయాలనుకుంటున్నాము. మనం చేయాలనుకుంటున్నది ఏమిటంటే, మా రిపోజిటరీలలో నామకరణ ప్రమాణాల టెంప్లేట్‌లను వాస్తవానికి నిల్వ చేసే సామర్ధ్యం మనకు ఉంది, ఆ అర్థాన్ని ప్రాథమికంగా, పదాలు లేదా పదబంధాల ద్వారా లేదా సంక్షిప్త పదాల ద్వారా నిర్మించి, వాటిని అర్ధవంతమైన ఆంగ్ల రకం పదానికి కట్టబెట్టండి. మేము వ్యాపార పదాలను, ప్రతి సంక్షిప్త పదాలను ఉపయోగించబోతున్నాము మరియు మేము ఆర్డర్, కేసులను పేర్కొనవచ్చు మరియు ఉపసర్గలను మరియు ప్రత్యయాలను జోడించవచ్చు. ప్రజలు ఒక తార్కిక నమూనాను నిర్మిస్తున్నప్పుడు మరియు వాస్తవానికి వారు భౌతిక నమూనాను రూపొందించడానికి ముందుకు వెళుతున్నప్పుడు, దీనికి సంక్షిప్తీకరణలు మరియు మిగతావన్నీ ఉపయోగిస్తున్నారు.

అందమైన విషయం ఏమిటంటే ఇది రివర్స్‌లో మరింత శక్తివంతమైనది, రివర్స్‌లో మరింత శక్తివంతమైనది, మనం రివర్స్ ఇంజనీరింగ్ చేసిన కొన్ని భౌతిక డేటాబేస్‌లలో ఆ నామకరణ ప్రమాణాలు కొన్ని ఏమిటో చెప్పగలిగితే, మేము ఆ సంక్షిప్త పదాలను తీసుకోవచ్చు, వాటిని ఎక్కువసేపు మార్చవచ్చు పదాలు, మరియు వాటిని ఆంగ్ల పదబంధాలలోకి వెనుకకు తీసుకురండి. వాస్తవానికి మన డేటా ఎలా ఉందో దానికి సరైన పేర్లను పొందవచ్చు. నేను చెప్పినట్లుగా, విలక్షణ వినియోగ సందర్భం మనం ముందుకు సాగడం, భౌతికంగా తార్కికంగా మరియు డేటా స్టోర్లను మరియు ఆ రకమైన వస్తువులను మ్యాప్ చేయడం. మీరు కుడి వైపున ఉన్న స్క్రీన్‌షాట్‌ను చూస్తే, మూల పేర్ల నుండి సంక్షిప్త పేర్లు ఉన్నాయని మీరు చూస్తారు మరియు మేము నామకరణ ప్రమాణాల టెంప్లేట్‌ను వర్తింపజేసినప్పుడు, మాకు వాస్తవానికి పూర్తి పేర్లు వచ్చాయి. మరియు మనం ఉపయోగించిన నామకరణ ప్రమాణాల టెంప్లేట్‌ను బట్టి మనం కావాలనుకుంటే ఖాళీలు మరియు అలాంటి ప్రతిదాన్ని ఉంచవచ్చు. మన మోడళ్లలోకి తీసుకురావాలని మేము కోరుకుంటున్నాము. ఏదో పిలువబడేది మనకు తెలిసినప్పుడే మనం దానికి నిర్వచనాలను జతచేయడం ప్రారంభించగలము, ఎందుకంటే అది ఏమిటో మనకు తెలియకపోతే, దానికి మనం ఎలా ఒక అర్ధాన్ని వర్తింపజేయగలం?

మంచి విషయం ఏమిటంటే, మేము అన్ని రకాల పనులు చేస్తున్నప్పుడు దీన్ని నిజంగా ప్రారంభించగలమా. నేను రివర్స్ ఇంజనీరింగ్ గురించి మాట్లాడాను, మేము రివర్స్ ఇంజనీరింగ్ చేస్తున్నప్పుడు ఒకేసారి నామకరణ ప్రమాణాల టెంప్లేట్‌లను ప్రారంభించవచ్చు. కాబట్టి ఒక విజర్డ్ ద్వారా ఒక దశలో, మనం చేయగలిగేది ఏమిటంటే, సమావేశాలు ఏమిటో మనకు తెలిస్తే, ఇంజనీర్‌ను భౌతిక డేటాబేస్ రివర్స్ చేయవచ్చు, ఇది మోడలింగ్ వాతావరణంలో భౌతిక నమూనాలుగా తిరిగి తీసుకురాబోతోంది మరియు అది ఆ నామకరణ సమావేశాలను కూడా వర్తింపజేయబోతున్నారు. కాబట్టి పర్యావరణంలోని సంబంధిత తార్కిక నమూనాలో పేర్ల యొక్క ఆంగ్ల తరహా ప్రాతినిధ్యాలు ఏమిటో చూద్దాం. మేము దీన్ని కూడా చేయగలము మరియు దానిని XML స్కీమా తరం తో కలపవచ్చు, తద్వారా మనం ఒక మోడల్ తీసుకొని దానిని మన సంక్షిప్త పదాలతో బయటకు నెట్టవచ్చు, మనం SOA ఫ్రేమ్‌వర్క్‌లు చేస్తున్నామో లేదా ఆ రకమైన పనిని చేస్తున్నామో, కాబట్టి మనం వేర్వేరు నామకరణ సమావేశాలను కూడా బయటకు తీయవచ్చు. మేము వాస్తవానికి మోడల్‌లోనే నిల్వ చేసాము. ఇది మాకు చాలా శక్తివంతమైన సామర్థ్యాలను ఇస్తుంది.

మళ్ళీ, నాకు టెంప్లేట్ ఉంటే ఎలా ఉంటుందో ఇక్కడ ఒక ఉదాహరణ. నామకరణ ప్రమాణాల సదస్సులో “ఉద్యోగి” కోసం “EMP”, “జీతం” కోసం SAL, “ప్రణాళిక” కోసం PLN ఉందని ఇది వాస్తవానికి చూపిస్తోంది. నేను మోడళ్లను నిర్మిస్తున్నప్పుడు మరియు వాటిని ఉంచేటప్పుడు వాటిని ఇంటరాక్టివ్‌గా అమలు చేయడానికి నేను వాటిని వర్తింపజేయవచ్చు. నేను ఈ సంక్షిప్తీకరణను ఉపయోగిస్తుంటే మరియు ఎంటిటీ పేరు మీద “ఉద్యోగుల జీతం ప్రణాళిక” అని టైప్ చేస్తే, అది నామకరణ ప్రమాణాల టెంప్లేట్‌తో పనిచేస్తుంది నేను ఇక్కడ నిర్వచించాను, నేను ఎంటిటీలను సృష్టిస్తున్నప్పుడు ఇది నాకు EMP_SAL_PLN ను ఇచ్చి, సంబంధిత భౌతిక పేర్లను నాకు వెంటనే ఇచ్చింది.

మళ్ళీ, మేము ఇంజనీరింగ్ రూపకల్పన చేస్తున్నప్పుడు మరియు ఫార్వార్డ్ చేస్తున్నప్పుడు చాలా మంచిది. మాకు చాలా ప్రత్యేకమైన భావన ఉంది మరియు ఈ వాతావరణాలను మనం నిజంగా కలిసి తీసుకురావడం ఇక్కడే.మరియు దీనిని యూనివర్సల్ మ్యాపింగ్స్ అంటారు. ఒకసారి మేము ఈ మోడళ్లన్నింటినీ మన వాతావరణంలోకి తీసుకువచ్చాము, మనం ఏమి చేయగలుగుతున్నాము, మేము ఇప్పుడు ఈ నామకరణ సంప్రదాయాలను వర్తింపజేసాము మరియు అవి సులభంగా కనుగొనబడతాయి, మనం ఇప్పుడు ER లో యూనివర్సల్ మ్యాపింగ్స్ అనే నిర్మాణాన్ని ఉపయోగించవచ్చు / స్టూడియో. మేము మోడళ్లలో ఎంటిటీలను లింక్ చేయవచ్చు. మనం “కస్టమర్” ని ఎక్కడ చూసినా - మనకు చాలా వేర్వేరు వ్యవస్థలలో మరియు చాలా విభిన్న డేటాబేస్లలో “కస్టమర్” ఉంటుంది - మనం అన్నింటినీ కలిపి లింక్ చేయడం ప్రారంభించవచ్చు, తద్వారా నేను దానితో ఒక మోడల్‌లో పనిచేస్తున్నప్పుడు నేను ఇతర మోడళ్లలో కస్టమర్ల యొక్క వ్యక్తీకరణలు ఎక్కడ ఉన్నాయో చూడవచ్చు. మరియు మేము దానిని సూచించే మోడల్ పొరను కలిగి ఉన్నందున, మేము దానిని డేటా వనరులతో కట్టివేసి, డేటాబేస్లు ఏవి నివసిస్తాయో ఉపయోగించిన చోట ఉపయోగించిన విచారణలలోకి తీసుకురావచ్చు. ఇవన్నీ నిజంగా చాలా పొందికగా కట్టే సామర్థ్యాన్ని ఇస్తుంది.

నేను మీకు వ్యాపార డేటా వస్తువులను చూపించాను. నేను అటాచ్మెంట్లు అని పిలిచే మెటాడేటా పొడిగింపుల గురించి కూడా చాలా త్వరగా మాట్లాడాలనుకుంటున్నాను. అది ఏమిటంటే అది మా మోడల్ వస్తువుల కోసం అదనపు మెటాడేటాను సృష్టించగల సామర్థ్యాన్ని ఇస్తుంది. డేటా గవర్నెన్స్ మరియు డేటా క్వాలిటీ కోణం నుండి చాలా విభిన్న విషయాలను బయటకు తీయడానికి మరియు మాస్టర్ డేటా మేనేజ్‌మెంట్ మరియు డేటా నిలుపుదల విధానాలతో మాకు సహాయపడటానికి చాలా తరచుగా నేను ఈ రకమైన లక్షణాలను ఏర్పాటు చేస్తాను. ప్రాథమిక ఆలోచన ఏమిటంటే, మీరు ఈ వర్గీకరణలను సృష్టించండి మరియు మీకు కావలసిన చోట వాటిని పట్టిక స్థాయిలో, కాలమ్ స్థాయిలో, ఆ రకమైన విషయాలను అటాచ్ చేయవచ్చు. సర్వసాధారణమైన ఉపయోగం కేసు, ఎంటిటీలు టేబుల్స్, ఆపై నేను నిర్వచించగలను: నా మాస్టర్ డేటా వస్తువులు ఏమిటి, నా రిఫరెన్స్ టేబుల్స్ ఏమిటి, నా లావాదేవీ పట్టికలు ఏమిటి? డేటా నాణ్యత దృక్పథం నుండి నేను వ్యాపారానికి ప్రాముఖ్యత దృష్ట్యా వర్గీకరణలను చేయగలను, తద్వారా డేటా ప్రక్షాళన ప్రయత్నాలకు మరియు ఆ రకమైన విషయాలకు మేము ప్రాధాన్యత ఇవ్వగలము.

తరచుగా పట్టించుకోని విషయం ఏమిటంటే, మా సంస్థలోని వివిధ రకాల డేటాను నిలుపుకునే విధానం ఏమిటి? మేము వీటిని సెటప్ చేయవచ్చు మరియు వాస్తవానికి వాటిని మా మోడలింగ్ వాతావరణంలో వివిధ రకాల సమాచార కళాఖండాలకు అటాచ్ చేయవచ్చు మరియు వాస్తవానికి, మా రిపోజిటరీ కూడా. అందం ఏమిటంటే, ఈ జోడింపులు మా డేటా నిఘంటువులో నివసిస్తున్నాయా కాబట్టి మేము వాతావరణంలో ఎంటర్ప్రైజ్ డేటా నిఘంటువులను ఉపయోగిస్తున్నప్పుడు, మేము వాటిని బహుళ మోడళ్లకు అటాచ్ చేయవచ్చు. మేము వాటిని ఒక్కసారి మాత్రమే నిర్వచించవలసి ఉంటుంది మరియు మన వాతావరణంలోని విభిన్న మోడళ్లలో వాటిని పదే పదే ప్రభావితం చేయవచ్చు. మీరు అటాచ్మెంట్ చేసినప్పుడు మీరు నిజంగా పేర్కొనగలరని చూపించడానికి ఇది శీఘ్ర స్క్రీన్ షాట్, మీరు అటాచ్ చేయదలిచిన అన్ని ముక్కలు ఏమిటి. మరియు ఇక్కడ ఈ ఉదాహరణ వాస్తవానికి విలువల జాబితా, కాబట్టి అవి మీలోకి వెళుతున్నప్పుడు విలువల జాబితా నుండి ఎంచుకోవచ్చు, మోడలింగ్ వాతావరణంలో మీరు ఎంచుకున్న వాటిపై మీకు చాలా నియంత్రణ ఉంటుంది మరియు మీరు డిఫాల్ట్ ఏమిటో కూడా సెట్ చేయవచ్చు విలువ ఎంచుకోకపోతే విలువ. కాబట్టి అక్కడ చాలా శక్తి. వారు డేటా నిఘంటువులో నివసిస్తున్నారు.

ఈ స్క్రీన్‌పై నేను మీకు కొంచెం ముందుకు చూపించాలనుకుంటున్నాను, అదనంగా మీరు ఎగువ భాగంలో అటాచ్‌మెంట్‌లను చూపిస్తారు, దాని క్రింద మీరు డేటా భద్రతా సమాచారాన్ని చూస్తారు. మేము పర్యావరణంలోని విభిన్న సమాచార సమాచారానికి డేటా భద్రతా విధానాలను వర్తింపజేయవచ్చు. విభిన్న సమ్మతి మ్యాపింగ్‌లు, డేటా సెక్యూరిటీ వర్గీకరణల కోసం, మీరు వాటిని ఉత్పత్తి చేయగల మరియు ఉపయోగించడం ప్రారంభించగల అనేక పెట్టె నుండి మేము రవాణా చేస్తాము, కానీ మీరు మీ స్వంత సమ్మతి మ్యాపింగ్‌లు మరియు ప్రమాణాలను కూడా నిర్వచించవచ్చు. మీరు HIPAA చేస్తున్నారా లేదా అక్కడ ఏదైనా ఇతర కార్యక్రమాలు చేస్తున్నారా. మరియు మీరు నిజంగా మీ వాతావరణంలో ఈ గొప్ప మెటాడేటాను రూపొందించడం ప్రారంభించవచ్చు.

ఆపై పదకోశం మరియు నిబంధనలు - ఇక్కడే వ్యాపార అర్ధం ముడిపడి ఉంది. మనకు చాలా తరచుగా డేటా డిక్షనరీలు ఉన్నాయి, చాలా తరచుగా ఒక సంస్థ పదకోశాలను తరిమికొట్టడానికి ప్రారంభ బిందువుగా ఉపయోగిస్తోంది, కానీ పరిభాష మరియు పదజాలం తరచుగా చాలా సాంకేతికంగా. కాబట్టి మనం చేయగలిగేది ఏమిటంటే, మనం కోరుకుంటే, పదకోశాలను తరిమికొట్టడానికి వాటిని ప్రారంభ బిందువుగా ఉపయోగించుకోవచ్చు, కాని వ్యాపారం వీటిని సొంతం చేసుకోవాలని మేము నిజంగా కోరుకుంటున్నాము. టీమ్ సర్వర్ వాతావరణంలో మేము ఏమి చేసామో, ప్రజలకు వ్యాపార నిర్వచనాలను రూపొందించే సామర్థ్యాన్ని మేము ఇచ్చాము మరియు మోడలింగ్ వాతావరణంలో కూడా వాటికి అనుగుణంగా ఉండే విభిన్న మోడల్ కళాకృతులతో వాటిని లింక్ చేయవచ్చు. ఇంతకుముందు చర్చించిన అంశాన్ని కూడా మేము గుర్తించాము, అంటే మీరు ఎక్కువ మంది టైప్ చేస్తున్నప్పుడు, మానవ తప్పిదానికి ఎక్కువ అవకాశం ఉంది. మా పదకోశ నిర్మాణంలో మనం చేసేది ఏమిటంటే, ఒకటి, మేము పదకోశం యొక్క సోపానక్రమానికి మద్దతు ఇస్తాము, కాబట్టి మేము సంస్థలో వివిధ పదకోశ రకాలు లేదా వివిధ రకాల వస్తువులను కలిగి ఉండవచ్చు, కానీ అంతే ముఖ్యమైనది, మీకు ఇప్పటికే ఈ మూలాలు కొన్ని ఉంటే నిబంధనలు మరియు నిర్వచించిన ప్రతిదానితో, మా మోడలింగ్ వాతావరణంలోకి మరియు మా టీమ్ సర్వర్ లేదా మా పదకోశంలోకి లాగడానికి మేము నిజంగా CSV దిగుమతి చేయవచ్చు, ఆపై అక్కడ నుండి లింక్ చేయడం ప్రారంభించండి. మరియు ఏదైనా మార్చబడిన ప్రతిసారీ చిత్రాలు ముందు మరియు తరువాత, నిర్వచనాలు మరియు మిగతా వాటి పరంగా పూర్తి ఆడిట్ ట్రయిల్ ఉంది మరియు మీరు సమీప భవిష్యత్తులో రాబోతున్నది కూడా అధికార వర్క్‌ఫ్లో ఎక్కువ కాబట్టి మేము ముందుకు వెళ్ళేటప్పుడు పరిపాలన ప్రక్రియను మరింత దృ make ంగా చేయడానికి, దాని బాధ్యత ఎవరు, కమిటీలు లేదా వ్యక్తుల ఆమోదాలు మరియు ఆ రకమైన విషయాలను మేము నిజంగా నియంత్రించవచ్చు.

మా టీమ్ సర్వర్ పదకోశంలో ఈ పదకోశం నిబంధనలు ఉన్నప్పుడు ఇది కూడా మనకు చేస్తుంది, నేను ఇక్కడకు తీసుకువచ్చిన మోడల్‌లోనే ఒక ఎంటిటీలో సవరించడానికి ఇది ఒక ఉదాహరణ. ఇది లింక్ చేసిన పదాలను కలిగి ఉండవచ్చు, కాని మనం చేసేది ఏమిటంటే, ఆ పదకోశంలో ఉన్న పదాలు మన ఎంటిటీలలో ఉన్న వాటి యొక్క గమనికలు లేదా వర్ణనలలో కనిపిస్తే, అవి స్వయంచాలకంగా తేలికైన హైపర్ లింక్డ్ రంగులో చూపబడతాయి మరియు మనం ఉంటే వాటిపై మౌస్, మేము నిజంగా వ్యాపార పదకోశం నుండి నిర్వచనాన్ని చూడవచ్చు. మేము సమాచారాన్ని వినియోగించేటప్పుడు, అక్కడ ఉన్న అన్ని పదకోశ పదాలతో ఇది మాకు ధనిక సమాచారాన్ని ఇస్తుంది. ఇది నిజంగా అనుభవాన్ని మెరుగుపరచడానికి మరియు మేము పనిచేస్తున్న ప్రతిదానికీ అర్థాన్ని వర్తింపచేయడానికి సహాయపడుతుంది.

కాబట్టి, మళ్ళీ, అది చాలా త్వరగా ఫ్లైబై. మేము వేర్వేరు భాగాలను పరిశీలిస్తున్నప్పుడు స్పష్టంగా దీనిపై రోజులు గడపవచ్చు, కాని ఇది ఉపరితలంపై చాలా త్వరగా ఎగురుతుంది. మేము నిజంగా చేయడానికి ప్రయత్నిస్తున్నది ఆ సంక్లిష్ట డేటా పరిసరాలు ఎలా ఉంటాయో అర్థం చేసుకోవడం. మేము ఆ డేటా కళాఖండాలన్నిటి యొక్క దృశ్యమానతను మెరుగుపరచాలనుకుంటున్నాము మరియు వాటిని ER / స్టూడియోతో తరిమికొట్టడానికి సహకరించాలి. మేము మరింత సమర్థవంతమైన మరియు స్వయంచాలక డేటా మోడలింగ్‌ను ప్రారంభించాలనుకుంటున్నాము. ఇది పెద్ద డేటా, సాంప్రదాయ రిలేషనల్ డేటా, డాక్యుమెంట్ స్టోర్స్ లేదా మరేదైనా మేము మాట్లాడుతున్న అన్ని రకాల డేటా. మరలా, మేము వేర్వేరు ప్లాట్‌ఫారమ్‌ల కోసం శక్తివంతమైన ఫార్వర్డ్ మరియు రివర్స్ ఇంజనీరింగ్ సామర్థ్యాలను కలిగి ఉన్నాము మరియు మీరు అక్కడ ఉన్న ఇతర సాధనాలను కలిగి ఉన్నాము. మరియు సంస్థలో పాల్గొన్న అన్ని వాటాదారులతో భాగస్వామ్యం చేయడం మరియు కమ్యూనికేట్ చేయడం ఇవన్నీ. పేరు పెట్టే ప్రమాణాల ద్వారా మేము అర్థాన్ని వర్తింపజేస్తాము. మేము అప్పుడు మా వ్యాపార పదకోశాల ద్వారా నిర్వచనాలను వర్తింపజేస్తాము. ఆపై డేటా నాణ్యత పొడిగింపులు, మాస్టర్ డేటా నిర్వహణ కోసం వర్గీకరణలు లేదా మీరు ఆ డేటాకు వర్తింపజేయాలనుకునే ఇతర రకాల వర్గీకరణలు వంటి మెటాడేటా పొడిగింపులతో మా అన్ని ఇతర పరిపాలనా సామర్థ్యాలకు మరింత వర్గీకరణలను చేయవచ్చు. ఆపై మేము మరింత సంగ్రహించి, వ్యాపార డేటా వస్తువులతో, విభిన్న వాటాదారుల ప్రేక్షకులతో, ముఖ్యంగా మోడలర్లు మరియు డెవలపర్‌ల మధ్య కమ్యూనికేషన్‌ను మరింత మెరుగుపరచవచ్చు.

మరలా, దీని గురించి చాలా ముఖ్యమైనది ఏమిటంటే, దాని వెనుక చాలా బలమైన మార్పు నిర్వహణ సామర్థ్యాలతో కూడిన సమగ్ర రిపోజిటరీ ఉంది. ఈ రోజు దానిని చూపించడానికి నాకు సమయం లేదు, ఎందుకంటే ఇది చాలా క్లిష్టంగా ఉంటుంది, కానీ రిపోజిటరీలో చాలా బలమైన మార్పు నిర్వహణ సామర్థ్యాలు మరియు ఆడిట్ ట్రయల్స్ ఉన్నాయి. మీరు పేరున్న విడుదలలు చేయవచ్చు, మీరు పేరున్న సంస్కరణలు చేయవచ్చు మరియు మార్పు నిర్వహణ చేస్తున్న మీలో ఉన్నవారికి కూడా మాకు సామర్థ్యం ఉంది, మేము దానిని మీ పనుల్లోకి కట్టబెట్టవచ్చు. డెవలపర్లు వారి కోడ్ మార్పులను టాస్క్‌లతో లేదా వారు పనిచేస్తున్న యూజర్ స్టోరీలతో అనుబంధించినట్లే, టాస్క్‌లను ఉంచడానికి మరియు మీ మోడల్ మార్పులను టాస్క్‌లతో అనుబంధించే సామర్థ్యం ఈ రోజు మాకు ఉంది.

మళ్ళీ, ఇది చాలా త్వరగా అవలోకనం. మీ ఆకలిని తీర్చడానికి ఇది సరిపోతుందని నేను ఆశిస్తున్నాను, తద్వారా భవిష్యత్తులో మేము ముందుకు వెళ్ళేటప్పుడు ఈ విషయాలలో కొన్నింటిని విభజించడంపై చాలా లోతైన సంభాషణల్లో పాల్గొనవచ్చు. మీ సమయానికి ధన్యవాదాలు, మరియు మీకు తిరిగి, రెబెక్కా.

రెబెకా జోజ్వియాక్: ధన్యవాదాలు, రాన్, ఇది చాలా అద్భుతంగా ఉంది మరియు ప్రేక్షకుల నుండి నాకు చాలా తక్కువ ప్రశ్నలు ఉన్నాయి, కాని మా విశ్లేషకులకు మీరు చెప్పేదానిలో పళ్ళు మునిగిపోయే అవకాశం ఇవ్వాలనుకుంటున్నాను. ఎరిక్, నేను ముందుకు వెళ్ళబోతున్నాను మరియు బహుశా మీరు ఈ స్లైడ్ లేదా వేరేదాన్ని పరిష్కరించాలనుకుంటే, మీరు మొదట ఎందుకు ముందుకు వెళ్లకూడదు? లేదా మరేదైనా ప్రశ్న.

ఎరిక్ లిటిల్: ఖచ్చితంగా. క్షమించండి, రెబెక్కా ప్రశ్న ఏమిటి? మీరు నేను ఏదైనా నిర్దిష్టంగా అడగాలనుకుంటున్నారా లేదా…?

రెబెకా జోజ్వియాక్: రాన్ కోసం మీకు మొదట్లో కొన్ని ప్రశ్నలు ఉన్నాయని నాకు తెలుసు. వాటిలో దేనినైనా పరిష్కరించమని మీరు ఇప్పుడు అడగాలనుకుంటే, లేదా వాటిలో కొన్ని మీ స్లైడ్ నుండి లేదా మీరు అడగదలిచిన మీ ఆసక్తిని రేకెత్తించే ఏదైనా? IDERA యొక్క మోడలింగ్ కార్యాచరణల గురించి.

ఎరిక్ లిటిల్: అవును, కాబట్టి వాటిలో ఒకటి, రాన్, కాబట్టి మీరు ఎలా ఉన్నారు, మీరు చూపించే రేఖాచిత్రాలు మీలాంటి సాధారణ రకాల ఎంటిటీ రిలేషన్ రేఖాచిత్రాలు సాధారణంగా డేటాబేస్ నిర్మాణంలో ఉపయోగిస్తాయని అనిపిస్తుంది, సరియైనదా?

రాన్ హుయిజెంగా: అవును, సాధారణంగా చెప్పాలంటే, అయితే మనకు డాక్యుమెంట్ స్టోర్స్ కోసం విస్తరించిన రకాలు ఉన్నాయి మరియు ఆ రకమైన విషయం కూడా ఉంది. మేము వాస్తవానికి స్వచ్ఛమైన రిలేషనల్ సంజ్ఞామానం నుండి వైవిధ్యంగా ఉన్నాము, వాస్తవానికి మేము ఆ ఇతర దుకాణాలకు కూడా అదనపు సంకేతాలను జోడించాము.

ఎరిక్ లిటిల్: మీరు అబ్బాయిలు గ్రాఫ్-ఆధారిత మోడలింగ్‌లను ఉపయోగించుకునే మార్గం ఉందా, కాబట్టి ఏకీకృతం చేయడానికి ఒక మార్గం ఉంది, ఉదాహరణకు, నాకు టాప్ క్వాడ్రంట్, టాప్‌బ్రైడ్ కంపోజర్ సాధనం వంటివి ఉన్నాయని అనుకుందాం లేదా నేను ప్రొటెగెలో ఏదైనా చేశాను లేదా , మీకు తెలుసా, FIBO లోని ఫైనాన్షియల్ కుర్రాళ్ళలాగే, వారు సెమాంటిక్స్, RDF స్టఫ్‌లో చాలా పని చేస్తున్నారు - ఈ రకమైన ఎంటిటీ-రిలేషన్ గ్రాఫ్ టైప్ మోడలింగ్‌ను ఈ సాధనంలో తీసుకురావడానికి మరియు దానిని ఉపయోగించుకోవడానికి ఒక మార్గం ఉందా?

రాన్ హుయిజెంగా: మేము వాస్తవానికి గ్రాఫ్‌లను ఎలా నిర్వహించగలమో చూస్తున్నాము. మేము ఈ రోజు గ్రాఫ్ డేటాబేస్‌లను మరియు ఆ రకమైన వస్తువులను స్పష్టంగా నిర్వహించలేదు, కాని మన మెటాడేటాను విస్తరించడానికి మేము దీన్ని చేయగల మార్గాలను పరిశీలిస్తున్నాము. నా ఉద్దేశ్యం, మేము ప్రస్తుతం XML ద్వారా మరియు ఆ రకమైన వస్తువులను తీసుకురాగలము, ఒకవేళ XML ను ఒక ప్రారంభ బిందువుగా తీసుకురావడానికి మనం కనీసం ఒక రకమైన రెండిషన్ చేయగలిగితే. కానీ మేము దానిని తీసుకురావడానికి మరింత సొగసైన మార్గాలను చూస్తున్నాము.

మా వద్ద ఉన్న రివర్స్ ఇంజనీరింగ్ వంతెనల జాబితాను కూడా నేను మీకు చూపించాను, కాబట్టి నిర్దిష్ట ప్లాట్‌ఫారమ్‌ల కోసం కూడా ఆ వంతెనలకు పొడిగింపులను పొందాలని మేము ఎల్లప్పుడూ చూస్తున్నాము. ఈ కొత్త నిర్మాణాలను మరియు అక్కడ ఉన్న వివిధ ప్లాట్‌ఫారమ్‌లను స్వీకరించడం ప్రారంభించడానికి ఇది నిరంతరం, కొనసాగుతున్న ప్రయత్నం. కానీ మేము ఖచ్చితంగా ఆ పనిలో ముందంజలో ఉన్నామని చెప్పగలను. నేను చూపించిన అంశాలు, ఉదాహరణకు, మొంగోడిబి మరియు ఆ రకమైన విషయం, మా స్వంత ఉత్పత్తిలో స్థానికంగా దీన్ని చేసిన మొదటి డేటా మోడలింగ్ విక్రేత మేము.

ఎరిక్ లిటిల్: సరే, అవును. కాబట్టి మీ కోసం నేను అడిగిన ఇతర ప్రశ్న ఏమిటంటే, పాలన మరియు నిర్వహణ పరంగా - మీరు ఉదాహరణను ఉపయోగించినప్పుడు, మీరు “ఉద్యోగి” అయిన వ్యక్తి యొక్క ఉదాహరణను చూపించినప్పుడు, ఇది ఒక “ జీతం ”ఆపై మీకు“ ప్రణాళిక ”ఉంది, ఒక మార్గం ఉంది, మీరు ఎలా నిర్వహిస్తారు, ఉదాహరణకు, వివిధ రకాల వ్యక్తులు ఉండవచ్చు - మీకు పెద్ద నిర్మాణం ఉందని అనుకుందాం, సరియైనది, మీకు పెద్ద సంస్థ ఉందని అనుకుందాం మరియు ప్రజలు ఈ సాధనంలో కలిసి వస్తువులను లాగడం ప్రారంభిస్తారు మరియు మీకు “ఉద్యోగి” అనే పదాన్ని కలిగి ఉన్న ఒక సమూహాన్ని మరియు ఇక్కడ “వర్కర్” అనే పదాన్ని కలిగి ఉన్న ఒక సమూహాన్ని మీరు పొందారు మరియు ఇక్కడ ఒక వ్యక్తి “జీతం” అని మరియు మరొక వ్యక్తి చెప్పారు "వేతన."

ఆ రకమైన వ్యత్యాసాలను మీరు ఎలా సయోధ్య మరియు నిర్వహణ మరియు పరిపాలన చేస్తారు? గ్రాఫ్ ప్రపంచంలో మేము దీన్ని ఎలా చేయాలో నాకు తెలుసు, మీకు తెలుసా, మీరు పర్యాయపద జాబితాలను ఉపయోగిస్తారని లేదా ఒక భావన ఉందని మీరు చెబుతారు మరియు దీనికి అనేక గుణాలు ఉన్నాయి, లేదా మీరు SKOS మోడల్‌లో చెప్పగలను నాకు ఇష్టపడే లేబుల్ ఉంది మరియు నాకు ఉంది నేను ఉపయోగించగల అనేక ప్రత్యామ్నాయ లేబుల్స్. మీరు అబ్బాయిలు ఎలా చేస్తారు?

రాన్ హుయిజెంగా: మేము దీన్ని రెండు రకాలుగా చేస్తాము మరియు ప్రధానంగా పరిభాష గురించి మొదట మాట్లాడుదాం. మనం చేసే పనులలో ఒకటి, మనం నిర్వచించిన లేదా మంజూరు చేసిన నిబంధనలను కలిగి ఉండాలనుకుంటున్నాము మరియు వ్యాపార పదకోశంలో మనం కోరుకున్న చోట స్పష్టంగా ఉంటుంది. వ్యాపార పదకోశంలోని పర్యాయపదాలకు మేము లింక్‌లను అనుమతిస్తాము, కాబట్టి మీరు చేయగలిగేది ఏమిటంటే, ఇక్కడ నా పదం ఉంది, కానీ వాటి యొక్క అన్ని పర్యాయపదాలు ఏమిటో కూడా మీరు నిర్వచించవచ్చు.

ఇప్పుడు ఆసక్తికరమైన విషయం ఏమిటంటే, మీరు ఈ విస్తారమైన డేటా ల్యాండ్‌స్కేప్‌లో మీరు అక్కడకు వచ్చిన ఈ విభిన్న వ్యవస్థలతో చూడటం ప్రారంభించినప్పుడు, మీరు అక్కడకు వెళ్లి సంబంధిత పట్టికలు మరియు ఆ రకమైన విషయాలను మార్చలేరు ఆ నామకరణ ప్రమాణానికి అనుగుణంగా ఉంటుంది ఎందుకంటే ఇది మీరు కొనుగోలు చేసిన ప్యాకేజీ కావచ్చు, కాబట్టి డేటాబేస్ లేదా ఏదైనా మార్చడంలో మీకు నియంత్రణ లేదు.

పదకోశ నిర్వచనాలను అనుబంధించగలిగే సామర్థ్యంతో పాటు, నేను అక్కడ ఏమి చేయగలిగాను, నేను మాట్లాడిన సార్వత్రిక మ్యాపింగ్‌ల ద్వారా, మనం ఏమి చేయబోతున్నాం, మరియు సిఫారసు చేయబడిన విధానం, ఏమిటంటే, తార్కిక నమూనాను కలిగి ఉండటమేమిటి? ఈ విభిన్న వ్యాపార అంశాలు మీరు మాట్లాడుతున్నాయి. వ్యాపార పదకోశం నిబంధనలను వాటితో కట్టివేయండి మరియు మంచి విషయం ఏమిటంటే ఇప్పుడు మీరు ఈ నిర్మాణాన్ని ఒక తార్కిక ఎంటిటీకి ప్రాతినిధ్యం వహిస్తున్నారు, అప్పుడు మీరు ఆ తార్కిక సంస్థ నుండి ఆ తార్కిక సంస్థ యొక్క అన్ని అమలులకు లింక్ చేయడం ప్రారంభించవచ్చు. వివిధ వ్యవస్థలు.

అప్పుడు మీరు ఎక్కడ అవసరం, మీరు చూడవచ్చు, ఓహ్, ఇక్కడ “వ్యక్తి” ను ఈ వ్యవస్థలో “ఉద్యోగి” అని పిలుస్తారు. ఇక్కడ “జీతం” ఈ ఇతర వ్యవస్థలో “వేతనం” అంటారు. మీరు దానిని చూస్తారు కాబట్టి, మీరు వాటి యొక్క విభిన్న వ్యక్తీకరణలను చూస్తారు ఎందుకంటే మీరు వాటిని ఒకదానితో ఒకటి లింక్ చేసారు.

ఎరిక్ లిటిల్: సరే, బాగుంది, అర్థమైంది. ఆ కోణంలో, ఇది ఆబ్జెక్ట్-ఓరియెంటెడ్ విధానాల మాదిరిగా చెప్పడం సురక్షితమేనా?

రాన్ హుయిజెంగా: కొంతవరకు. ఇది కొంచెం ఎక్కువ ఇంటెన్సివ్, మీరు చెప్పగలరని నేను ess హిస్తున్నాను. నా ఉద్దేశ్యం, మీరు మాన్యువల్‌గా లింక్ చేయడం మరియు వెళ్ళడం మరియు వాటిని పరిశీలించడం మరియు చేయడం వంటి విధానాన్ని తీసుకోవచ్చు. ఒక విషయం గురించి మాట్లాడటానికి నాకు నిజంగా అవకాశం లేదు - ఎందుకంటే మళ్ళీ, మనకు చాలా సామర్థ్యాలు ఉన్నాయి - డేటా ఆర్కిటెక్ట్ సాధనంలోనే మాకు పూర్తి ఆటోమేషన్ ఇంటర్ఫేస్ కూడా ఉంది. మరియు స్థూల సామర్ధ్యం, ఇది నిజంగా సాధనంలో ప్రోగ్రామింగ్ భాష. కాబట్టి మేము మాక్రోలను వ్రాయడం, బయటకు వెళ్లి విషయాలను ప్రశ్నించడం మరియు మీ కోసం లింక్‌లను సృష్టించడం వంటి పనులను చేయగలం. సమాచారాన్ని దిగుమతి చేయడానికి మరియు ఎగుమతి చేయడానికి మేము దీనిని ఉపయోగిస్తాము, విషయాలను మార్చడానికి లేదా లక్షణాలను జోడించడానికి, మోడల్‌లోనే ఈవెంట్‌ను ఉపయోగించుకోవచ్చు లేదా వాస్తవానికి బయటకు వెళ్లి విషయాలను ప్రశ్నించడానికి మరియు వాస్తవానికి వివిధ నిర్మాణాలను జనాభా చేయడానికి బ్యాచ్‌లలో అమలు చేయడానికి మేము దీనిని ఉపయోగించవచ్చు. మోడల్. కాబట్టి ప్రజలు కూడా ప్రయోజనం పొందగల పూర్తి ఆటోమేషన్ ఇంటర్ఫేస్ ఉంది. మరియు వాటితో సార్వత్రిక మ్యాపింగ్లను ఉపయోగించడం చాలా శక్తివంతమైన మార్గం.

రెబెకా జోజ్వియాక్: సరే, ధన్యవాదాలు రాన్, మరియు ధన్యవాదాలు ఎరిక్. ఆ గొప్ప ప్రశ్నలు. మేము గంట పైభాగంలో కొంచెం నడుస్తున్నామని నాకు తెలుసు, కాని రాన్ మార్గంలో కొన్ని ప్రశ్నలను విసిరేందుకు మాల్కమ్‌కు అవకాశం ఇవ్వాలనుకుంటున్నాను. మాల్కం?

మాల్కం చిషోల్మ్: ధన్యవాదాలు, రెబెక్కా. కాబట్టి, రాన్, ఇది చాలా ఆసక్తికరంగా ఉంది, ఇక్కడ చాలా సామర్థ్యాలు ఉన్నాయని నేను చూస్తున్నాను. నాకు చాలా ఆసక్తి ఉన్న ప్రాంతాలలో ఒకటి, మాకు అభివృద్ధి ప్రాజెక్ట్ ఉంటే, ఈ సామర్థ్యాలను ఉపయోగించి డేటా మోడలర్‌ను మీరు ఎలా చూస్తారు మరియు వ్యాపార విశ్లేషకులతో, డేటా ప్రొఫైలర్‌తో, డేటా నాణ్యత విశ్లేషకుడితో మరింత సహకారంతో పని చేయడాన్ని మీరు ఎలా చూస్తారు? , మరియు ప్రాజెక్ట్‌లోని వాస్తవ సమాచార అవసరాలకు అంతిమంగా బాధ్యత వహించే వ్యాపార స్పాన్సర్‌లతో. డేటా మోడలర్ నిజంగా, మీకు తెలిసిన, మేము చూస్తున్న సామర్థ్యాలతో ప్రాజెక్ట్ను మరింత సమర్థవంతంగా మరియు సమర్థవంతంగా ఎలా చేస్తుంది?

రాన్ హుయిజెంగా: మీరు అక్కడ చేయవలసిన మొదటి పని డేటా మోడలర్‌గా ఉందని నేను భావిస్తున్నాను - మరియు నేను కొన్ని మోడలర్లను ఎంచుకోవాలని కాదు, కానీ నేను ఏమైనా చేస్తాను - కొంతమందికి ఇప్పటికీ డేటా మోడలర్ అనే అభిప్రాయం ఉందా? నిజంగా ఇది వంటి గేట్ కీపర్ రకం, ఇది ఎలా పనిచేస్తుందో మేము నిర్వచిస్తున్నాము, ప్రతిదీ సరైనదని నిర్ధారించుకునే గార్డ్లు మేము.

ఇప్పుడు దానిలో ఒక అంశం ఉంది, మీరు సౌండ్ డేటా ఆర్కిటెక్చర్ మరియు అన్నిటినీ నిర్వచిస్తున్నారని నిర్ధారించుకోవాలి. కానీ చాలా ముఖ్యమైన విషయం ఏమిటంటే డేటా మోడలర్ - మరియు నేను కన్సల్టింగ్ చేస్తున్నప్పుడు నేను దీన్ని కొంచెం స్పష్టంగా కనుగొన్నాను - మీరు ఫెసిలిటేటర్ కావాలి, కాబట్టి మీరు ఈ వ్యక్తులను కలిసి లాగాలి.

ఇది ముందు రూపకల్పన, ఉత్పత్తి, డేటాబేస్లను రూపొందించడం కాదు - మీరు చేయగలిగేది ఏమిటంటే, మీరు ఈ వేర్వేరు వాటాదారుల సమూహాలతో కలిసి పనిచేయగలగాలి, రివర్స్ ఇంజనీరింగ్, సమాచారాన్ని దిగుమతి చేసుకోవడం, కలిగి ఉండటం ఇతర వ్యక్తులు సహకరించారు, ఇది పదకోశాలలో లేదా డాక్యుమెంటేషన్‌లో ఉన్నా, అలాంటిదే - మరియు దీన్ని రిపోజిటరీలోకి లాగడానికి మరియు రిపోజిటరీలో భావనలను ఒకదానితో ఒకటి అనుసంధానించడానికి మరియు ఆ వ్యక్తులతో కలిసి పనిచేయడానికి ఒక ఫెసిలిటేటర్‌గా ఉండండి.

ఇది నిజంగా సహకార రకమైన పర్యావరణం, ఇక్కడ పనుల నిర్వచనం లేదా చర్చా థ్రెడ్‌లు లేదా టీమ్ సర్వర్‌లో మనకు ఉన్న ఆ రకమైన విషయం ద్వారా, ప్రజలు వాస్తవానికి సహకరించవచ్చు, ప్రశ్నలు అడగవచ్చు మరియు వారు తుది ముగింపు ఉత్పత్తులను చేరుకోవచ్చు. వారి డేటా ఆర్కిటెక్చర్ మరియు వారి సంస్థ అవసరం. ఆ విధమైన సమాధానం చెప్పారా?

మాల్కం చిషోల్మ్: అవును, నేను అంగీకరిస్తున్నాను. మీకు తెలుసా, సులభతరం చేసే నైపుణ్యం డేటా మోడలర్లలో నిజంగా ఎంతో అవసరం. మేము ఎల్లప్పుడూ దానిని చూడలేమని నేను అంగీకరిస్తున్నాను, కానీ అది అవసరమని నేను భావిస్తున్నాను మరియు మీ డేటా మోడలింగ్ చేస్తూ మీ మూలలో ఉండటానికి కొన్నిసార్లు ఒక వంపు ఉందని నేను సూచిస్తాను, కాని మీరు నిజంగా అక్కడ ఇతర వాటాదారుల సమూహాలతో కలిసి పనిచేయాలి లేదా మీరు వ్యవహరిస్తున్న డేటా వాతావరణాన్ని మీరు అర్థం చేసుకోలేరు మరియు ఫలితంగా మోడల్ బాధపడుతుందని నేను భావిస్తున్నాను. కానీ అది నా అభిప్రాయం మాత్రమే.

రాన్ హుయిజెంగా: వ్యాపారాలు ఐటి నుండి ఎలా మళ్లించబడతాయనే దాని గురించి చరిత్ర గురించి మీ స్లైడ్‌లో ఇంతకు ముందే మీరు ప్రస్తావించినందున ఇది ఆసక్తికరంగా ఉంటుంది, ఎందుకంటే అవి సకాలంలో మరియు ఆ రకమైన విషయాలలో పరిష్కారాలను అందించలేదు.

నా తరువాతి కన్సల్టింగ్ ఎంగేజ్‌మెంట్లలో, ప్రొడక్ట్ మేనేజర్‌గా మారడానికి ముందు, గత రెండు సంవత్సరాలలో నేను చేసిన చాలా ప్రాజెక్టులు బిజినెస్ స్పాన్సర్ చేయబడ్డాయి, ఇక్కడ అది నిజంగా నడుపుతున్న వ్యాపారం మరియు డేటా ఆర్కిటెక్ట్‌లు మరియు మోడలర్లు ఐటిలో భాగం కాదు. మేము వ్యాపార-ప్రాయోజిత సమూహంలో ఒక భాగం మరియు మిగిలిన ప్రాజెక్ట్ బృందాలతో కలిసి పనిచేసే ఫెసిలిటేటర్లుగా మేము అక్కడ ఉన్నాము.

మాల్కం చిషోల్మ్: కనుక ఇది చాలా ఆసక్తికరమైన విషయం అని నా అభిప్రాయం.నేను వ్యాపారం అడుగుతున్న వ్యాపార ప్రపంచంలో ఒక మార్పును చూడటం మొదలుపెడుతున్నాను, లేదా ఆలోచిస్తూ ఉండవచ్చు, నేను ఏమి చేయాలో అంతగా కాదు, ప్రాసెస్ లాగా ఉంటుంది, కాని వారు డేటా ఏమిటి అనే దాని గురించి కూడా ఆలోచించడం ప్రారంభించారు. నేను పని చేస్తున్నాను, నా డేటా అవసరాలు ఏమిటి, నేను డేటాగా వ్యవహరిస్తున్న డేటా ఏమిటి, మరియు ఆ దృక్కోణానికి మద్దతు ఇవ్వడానికి IDERA ఉత్పత్తులు మరియు సామర్థ్యాలను మనం ఎంతవరకు పొందగలం, మరియు వ్యాపారం యొక్క అవసరాలు కూడా ఇది ఇంకా కొంచెం కొత్తది అయినప్పటికీ.

రాన్ హుయిజెంగా: నేను మీతో అంగీకరిస్తున్నాను మరియు మేము దానిని మరింత ఎక్కువగా చూస్తున్నామని అనుకుంటున్నాను. మేము మేల్కొలుపును చూశాము మరియు డేటా యొక్క ప్రాముఖ్యత దృష్ట్యా మీరు దాన్ని ముందే తాకినట్లు. ఐటి ప్రారంభంలో లేదా డేటాబేస్‌ల పరిణామంలో డేటా యొక్క ప్రాముఖ్యతను మేము చూశాము, అప్పుడు మీరు చెప్పినట్లుగా, మేము ఈ మొత్తం ప్రాసెస్ మేనేజ్‌మెంట్ చక్రంలోకి ప్రవేశించాము - మరియు ప్రక్రియ చాలా ముఖ్యం, అక్కడ నన్ను తప్పు పట్టవద్దు - కాని ఇప్పుడు ఏమి జరిగింది అది జరిగినప్పుడు, డేటా రకమైన ఫోకస్.

డేటా నిజంగా కేంద్ర బిందువు అని ఇప్పుడు సంస్థలు గ్రహించాయి. మా వ్యాపారంలో మేము చేస్తున్న ప్రతిదానికీ డేటా ప్రాతినిధ్యం వహిస్తుంది, అందువల్ల మన వద్ద ఖచ్చితమైన డేటా ఉందని నిర్ధారించుకోవాలి, మన నిర్ణయాలు తీసుకోవలసిన సరైన సమాచారాన్ని కనుగొనవచ్చు. ఎందుకంటే ప్రతిదీ నిర్వచించిన ప్రక్రియ నుండి రాదు. కొన్ని సమాచారం ఇతర విషయాల యొక్క ఉప ఉత్పత్తి మరియు మనం ఇంకా దాన్ని కనుగొనగలగాలి, దాని అర్థం ఏమిటో తెలుసుకోవాలి మరియు అక్కడ మనం చూసే డేటాను చివరికి మన వ్యాపారాలను మెరుగ్గా నడిపించడానికి ఉపయోగించే జ్ఞానంలోకి అనువదించగలగాలి.

మాల్కం చిషోల్మ్: కుడి, మరియు ఇప్పుడు నేను కష్టపడుతున్న మరొక ప్రాంతం నేను డేటా జీవిత చక్రం అని పిలుస్తాను, ఇది మీకు తెలుసా, మేము ఒక సంస్థ ద్వారా వెళ్ళే డేటా సరఫరా గొలుసును చూస్తే, మేము డేటా సముపార్జనతో ప్రారంభిస్తాము లేదా డేటా క్యాప్చర్, ఇది డేటా ఎంట్రీ కావచ్చు కానీ అది సమానంగా ఉండవచ్చు, నేను కొంతమంది డేటా విక్రేత నుండి ఎంటర్ప్రైజ్ వెలుపల నుండి డేటాను పొందుతున్నాను.

ఆపై డేటా క్యాప్చర్ నుండి మేము డేటా నిర్వహణకు వెళ్తాము, అక్కడ నేను ఈ డేటాను ప్రామాణీకరించడం గురించి ఆలోచిస్తున్నాను మరియు దానిని అవసరమైన ప్రదేశాలకు రవాణా చేస్తాను. ఆపై డేటా వినియోగం, డేటా ఉన్న వాస్తవ పాయింట్లు, మీరు డేటా నుండి విలువను పొందబోతున్నారు.

మరియు పాత రోజుల్లో ఇవన్నీ ఒక వ్యక్తిగత శైలిలో జరుగుతాయి, కానీ ఈ రోజు అది మీకు తెలిసిన, ఒక అనలిటిక్స్ వాతావరణం, ఉదాహరణకు, ఆపై అంతకు మించి, ఒక ఆర్కైవ్, స్టోర్, ఇక్కడ మనం లేనప్పుడు డేటాను ఉంచాము ఇది అవసరం మరియు చివరకు ప్రక్షాళన రకమైన ప్రక్రియ. ఈ మొత్తం డేటా జీవిత చక్రం నిర్వహణలో డేటా మోడలింగ్ సరిపోయేలా మీరు ఎలా చూస్తారు?

రాన్ హుయిజెంగా: ఇది చాలా మంచి ప్రశ్న మరియు ఈ రోజు ఇక్కడ ఏ వివరాలు అయినా పరిశీలించడానికి నాకు నిజంగా సమయం లేదు, డేటా వంశం గురించి మనం నిజంగా మాట్లాడటం మొదలుపెట్టాము. కాబట్టి మనం నిజంగా చేయగలిగేది ఏమిటంటే, మన సాధనాలలో డేటా వంశ సామర్ధ్యం ఉంది మరియు నేను చెప్పినట్లుగా, మనం వాస్తవానికి ETL సాధనాల నుండి కొంత భాగాన్ని తీయవచ్చు, కాని మీరు వంశాన్ని గీయడం ద్వారా కూడా దాన్ని మ్యాప్ చేయవచ్చు. ఈ డేటా మోడల్స్ లేదా డేటాబేస్లలో దేనినైనా మేము సంగ్రహించి మోడళ్లలోకి తీసుకువచ్చాము, దాని నుండి నిర్మాణాలను మా డేటా వంశ రేఖాచిత్రంలో సూచించవచ్చు.

మేము చేయగలిగేది ఏమిటంటే, మీరు చెప్పినట్లుగా, మూలం నుండి లక్ష్యం వరకు, మరియు ఆ డేటా వేర్వేరు వ్యవస్థల ద్వారా ఎలా బదిలీ అవుతుందో మరియు మీరు కనుగొనబోయేది మొత్తం జీవిత చక్రం ద్వారా, ఉద్యోగులను తీసుకుందాం. 'డేటా - ఇది సంవత్సరాల క్రితం నేను చేసిన ప్రాజెక్ట్ ఆధారంగా నాకు ఇష్టమైన వాటిలో ఒకటి. నేను 30 వేర్వేరు వ్యవస్థలలో ఉద్యోగుల డేటాను కలిగి ఉన్న సంస్థతో పనిచేశాను. మేము అక్కడ ఏమి చేశాము - మరియు రెబెక్కా డేటా వంశ స్లైడ్‌ను ఏర్పాటు చేసింది - ఇది ఇక్కడ చాలా సరళమైన డేటా వంశ స్లైడ్, కానీ మేము చేయగలిగింది అన్ని డేటా నిర్మాణాలను తీసుకురావడం, వాటిని రేఖాచిత్రంలో సూచించడం, ఆపై మేము వాస్తవానికి వాటి మధ్య ప్రవాహాలు ఏమిటో చూడటం ప్రారంభించవచ్చు మరియు ఆ వేర్వేరు డేటా ఎంటిటీలు ఒక ప్రవాహంలో ఎలా కలిసిపోతాయి? మరియు మనం కూడా దాటి వెళ్ళవచ్చు. ఇది మేము ఇక్కడ చూసే డేటా ప్రవాహం లేదా వంశ రేఖాచిత్రంలో భాగం. మీరు అంతకు మించి వెళ్లాలనుకుంటే, ఈ సూట్‌లో మాకు వ్యాపార ఆర్కిటెక్ట్ భాగం కూడా ఉంది మరియు అదే విషయం అక్కడ వర్తిస్తుంది.

డేటా మోడలింగ్ వాతావరణంలో మేము సంగ్రహించిన ఏదైనా డేటా నిర్మాణాలు, వాటిని వ్యాపార మోడలింగ్ సాధనంలో సూచించవచ్చు, తద్వారా మీ వ్యాపార నమూనా రేఖాచిత్రాలు లేదా మీ వ్యాపార ప్రక్రియ రేఖాచిత్రాలలో కూడా, మీరు కావాలనుకుంటే మీరు వ్యక్తిగత డేటా స్టోర్లను సూచించవచ్చు. డేటా మోడలింగ్ వాతావరణం, మరియు మీరు వాటిని మీ వ్యాపార ప్రాసెస్ మోడల్‌లోని ఫోల్డర్‌లలో ఉపయోగిస్తున్నప్పుడు, ఆ సమాచారం ఎలా వినియోగించబడుతుందో లేదా ఉత్పత్తి చేయబడుతుందో కూడా మీరు వాటిపై CRUD ని పేర్కొనవచ్చు, ఆపై మేము ఉత్పత్తి చేయడం ప్రారంభించవచ్చు ప్రభావం మరియు విశ్లేషణ నివేదికలు మరియు రేఖాచిత్రాలు వంటివి.

మనం చేరుకోవడమే లక్ష్యంగా పెట్టుకున్నాము, మరియు మనకు ఇప్పటికే చాలా సామర్థ్యాలు ఉన్నాయి, కాని మన రకమైన వస్తువులలో మనం చూస్తున్న గోల్‌పోస్ట్ రకమైనది, మన సాధనాలు ముందుకు సాగడం కొనసాగిస్తున్నప్పుడు, ఎండ్-టు-ఎండ్, ఆర్గనైజేషనల్ డేటా వంశం మరియు డేటా యొక్క పూర్తి జీవిత చక్రం మ్యాప్ అవుట్ చేయగలదు.

మాల్కం చిషోల్మ్: సరే. రెబెక్కా, నేను ఇంకొకదాన్ని అనుమతిస్తున్నానా?

రెబెకా జోజ్వియాక్: నేను మీకు ఇంకొకదాన్ని అనుమతిస్తాను, మాల్కం, ముందుకు సాగండి.

మాల్కం చిషోల్మ్: చాలా ధన్యవాదాలు. డేటా గవర్నెన్స్ గురించి ఆలోచిస్తూ, డేటా మోడలింగ్ గురించి ఆలోచిస్తే, ఆ రెండు గ్రూపులు కలిసి సమర్థవంతంగా కలిసి పనిచేయడానికి మరియు ఒకరినొకరు అర్థం చేసుకోవడానికి ఎలా?

ఎరిక్ లిటిల్: బాగా ఆసక్తికరంగా ఉంది, ఇది నిజంగా సంస్థపై ఆధారపడి ఉంటుందని నేను అనుకుంటున్నాను, మరియు ఇది నా మునుపటి భావనకు వెళుతుంది, ఆ సంస్థలలో చొరవలు వ్యాపారంగా నడిచే సంస్థలలో మేము సరిగ్గా ముడిపడి ఉన్నాము. ఉదాహరణకు, నేను డేటా ఆర్కిటెక్చర్ బృందానికి నాయకత్వం వహిస్తున్నాను కాని మేము వ్యాపార వినియోగదారులతో సరిగ్గా ముడిపడి ఉన్నారు మరియు వారి డేటా గవర్నెన్స్ ప్రోగ్రామ్‌ను నిలబెట్టడానికి మేము వారికి సహాయం చేస్తున్నాము. మళ్ళీ, మరింత సంప్రదింపుల విధానం కానీ ఇది నిజంగా వ్యాపార విధి.

మీరు నిజంగా చేయగలిగేది ఏమిటంటే, మీకు వ్యాపార మోడళ్లను మరియు వాస్తుశిల్పులు అవసరం, వ్యాపారాన్ని నిజంగా అర్థం చేసుకోవచ్చు, వ్యాపార వినియోగదారులతో సంబంధం కలిగి ఉంటుంది మరియు దాని చుట్టూ ఉన్న పాలన ప్రక్రియలను నిలబెట్టడానికి వారికి సహాయపడింది. వ్యాపారం దీన్ని చేయాలనుకుంటుంది, కాని సాధారణంగా చెప్పాలంటే ఆ రకమైన ప్రోగ్రామ్‌లను నిలబెట్టడానికి వారికి సహాయపడే సాంకేతిక పరిజ్ఞానం మనకు ఉంది. ఇది నిజంగా సహకారం కలిగి ఉండాలి, కానీ ఇది వ్యాపార యాజమాన్యంలో ఉండాలి.

మాల్కం చిషోల్మ్: సరే, అది చాలా బాగుంది. ధన్యవాదాలు.

డాక్టర్ ఎరిక్ లిటిల్: సరే.

రెబెకా జోజ్వియాక్: సరే, చాలా ధన్యవాదాలు. ప్రేక్షకుల సభ్యులారా, మేము మీ ప్రశ్నలకు రాలేదని నేను భయపడుతున్నాను, కాని వారు ఈ రోజు మనకు తగిన అతిథికి ఫార్వార్డ్ అయ్యేలా చూస్తాను. ఈ రోజు మా అతిథులుగా ఉన్నందుకు ఎరిక్, మాల్కం మరియు రాన్‌లకు నేను చాలా కృతజ్ఞతలు తెలియజేస్తున్నాను. ఇది గొప్ప విషయం, చేసారో. మీరు నేటి IDERA వెబ్‌కాస్ట్‌ను ఆస్వాదించినట్లయితే, మీరు చేరాలనుకుంటే IDERA వచ్చే బుధవారం హాట్ టెక్నాలజీస్‌లో కూడా ఉంటుంది, ఇండెక్సింగ్ మరియు ఒరాకిల్స్ యొక్క సవాళ్లను చర్చిస్తుంది, కాబట్టి మరొక మనోహరమైన అంశం.

చాలా ధన్యవాదాలు, చేసారో, జాగ్రత్త వహించండి మరియు మేము మిమ్మల్ని తదుపరిసారి చూస్తాము. వీడ్కోలు.