విషయము
- పెద్ద డేటా యొక్క మూడు Vs
- డేటా వెరైటీ సమస్యను పరిష్కరించడం
- బగ్స్ లేవు, ఒత్తిడి లేదు - మీ జీవితాన్ని నాశనం చేయకుండా జీవితాన్ని మార్చే సాఫ్ట్‌వేర్‌ను రూపొందించడానికి స్టెప్ గైడ్ ద్వారా మీ దశ
Takeaway:
చాలా ఐటి విభాగాలు డేటా వాల్యూమ్ మరియు వేగం యొక్క సమస్యల వద్ద తమ వద్ద ఉన్న ప్రతిదాన్ని విసిరివేస్తాయి, వివిధ రకాల డేటా యొక్క ప్రాథమిక సమస్యను పరిష్కరించడం మర్చిపోతాయి.
గార్ట్నర్ పరిశోధన వైస్ ప్రెసిడెంట్ డౌగ్ లానీ ప్రకారం, పెద్ద డేటాను నిర్వహించడం మరియు పరపతి ఇవ్వడం మూడు అంశాల నుండి వస్తుంది. పెద్ద డేటా సంస్థకు అటువంటి సమస్యను కలిగిస్తుందని ఒక దశాబ్దం క్రితం లానీ మొదట గుర్తించారు, ఎందుకంటే ఇది హార్డ్-టు-మేనేజ్ వాల్యూమ్, వేగం మరియు వైవిధ్యాన్ని పరిచయం చేస్తుంది. సమస్య ఏమిటంటే, చాలా ఐటి విభాగాలు డేటా వాల్యూమ్ మరియు వేగం యొక్క సమస్యల వద్ద తమ వద్ద ఉన్న ప్రతిదాన్ని విసిరివేస్తాయి, వివిధ రకాల డేటా యొక్క ప్రాథమిక సమస్యను పరిష్కరించడం మర్చిపోతాయి.
2001 లో, లానీ "అంతర్గత మరియు బాహ్య సహకారాన్ని మెరుగుపరిచే ఒక సాధారణ వ్యాపార పదజాలం నిర్వచించడానికి ప్రముఖ సంస్థలు కేంద్రీకృత డేటా గిడ్డంగిని ఎక్కువగా ఉపయోగిస్తాయి" అని రాశారు. ఆ పదజాలం యొక్క సమస్య - మరియు సంస్థలను సృష్టించకుండా ఉంచే వైవిధ్యం - ఈ రోజు పెద్ద డేటా తికమక పెట్టే సమస్య యొక్క అతి తక్కువ అంశం. (ఇతర నిపుణులు ఏమి చెబుతున్నారో చూడండి. అనుసరించడానికి పెద్ద డేటా నిపుణులను చూడండి.)
పెద్ద డేటా యొక్క మూడు Vs
పెరిగిన డేటా వాల్యూమ్ మరియు వేగాన్ని ఉపయోగించటానికి అనేక వ్యాపారాలు పద్ధతులను కనుగొన్నాయి. , ఉదాహరణకు, డేటా యొక్క అపారమైన వాల్యూమ్‌లను విశ్లేషించవచ్చు. వాస్తవానికి, ఆ డేటా తరచూ ఒకే పారామితులలోనే పదే పదే ప్రదర్శించబడుతుంది. ఇది కాలమ్ డేటాబేస్ వంటి సాంకేతిక ఆవిష్కరణలను నడిపించింది, ఇవి ఇప్పుడు ఇతర కంపెనీలచే విస్తృతంగా ఉపయోగించబడుతున్నాయి, ఇవి సమానమైన డేటా వస్తువుల సమానమైన దుకాణాలను ఎదుర్కొంటున్నాయి.
టామింగ్ వేగం పరంగా, స్ప్లంక్ వంటి విక్రేతలు సెకనుకు అనేక వేల సంఘటనలను సంగ్రహించే లాగ్ ఫైళ్ళ ద్వారా వేగంగా సృష్టించిన డేటాను విశ్లేషించడానికి సహాయం చేస్తారు. అధిక-వాల్యూమ్ సంఘటనల యొక్క ఈ విశ్లేషణ భద్రత మరియు పనితీరు పర్యవేక్షణ వినియోగ కేసులను లక్ష్యంగా చేసుకుంటుంది. డేటా వాల్యూమ్ ఛాలెంజ్ మాదిరిగానే, వేగం సవాలును ఎక్కువగా అధునాతన ఇండెక్సింగ్ పద్ధతులు మరియు పంపిణీ చేసిన డేటా అనలిటిక్స్ ద్వారా పరిష్కరించారు, ఇవి ప్రాసెసింగ్ సామర్థ్యాన్ని పెరిగిన డేటా వేగంతో స్కేల్ చేయగలవు.
వైవిధ్యం విషయానికి వస్తే, పెద్ద డేటా విశ్లేషణలకు వారి విధానంలో చాలా సంస్థలు ఇప్పటికీ పెద్ద సమస్యను ఎదుర్కొంటున్నాయి. ఈ సమస్య మూడు కారకాలచే నడపబడుతుంది: మొదట, పర్యావరణంలోకి కొత్త వ్యవస్థలను చేర్చే వృద్ధి, సముపార్జనలు మరియు సాంకేతిక ఆవిష్కరణల కారణంగా, సంస్థలు చాలా భిన్నమైన వాతావరణంలో లాక్ చేయబడతాయి మరియు ఈ వైవిధ్యత కాలంతో మాత్రమే పెరుగుతుంది. ఎంటర్ప్రైజెస్ అనేక రకాల వ్యవస్థలను ట్రాక్ చేయాలి మరియు పదివేల డేటా రకాలను నిర్వహించాలి, అదే డేటా వేర్వేరు నామకరణాలు మరియు ఆకృతులను ఉపయోగించి ప్రాతినిధ్యం వహిస్తుంది.
రెండవది, ఈ వ్యవస్థలు మరియు డేటా రకాలు అనేక సందర్భాల్లో సంబంధిత సమాచారం మరియు సమాచారం రెండింటినీ నివేదిస్తాయి, అవి సమస్యను పరిష్కరించడానికి అసంబద్ధం అని సురక్షితంగా ఫిల్టర్ చేయబడతాయి. ప్రభావవంతమైన సమాచారాన్ని విశ్వసనీయంగా గుర్తించాల్సిన అవసరం ఉంది.
వైవిధ్య సవాలుకు మూడవ కోణం వాతావరణంలో స్థిరమైన వైవిధ్యం లేదా మార్పు. వ్యవస్థలు అప్‌గ్రేడ్ చేయబడ్డాయి, కొత్త వ్యవస్థలు ప్రవేశపెట్టబడ్డాయి, కొత్త డేటా రకాలు జోడించబడ్డాయి మరియు కొత్త నామకరణం ప్రవేశపెట్టబడింది. ఇది డేటా వెరైటీ ఛాలెంజ్‌ను మచ్చిక చేసుకునే మన సామర్థ్యాన్ని మరింత దెబ్బతీస్తుంది. ఇది రకరకాల సవాలుకు అదనపు పొరను జోడిస్తుంది. (మరింత అంతర్దృష్టి కోసం, బిగ్ డేటాను చూడండి: ఇది ఎలా సంగ్రహించబడింది, క్రంచ్ చేయబడింది మరియు వ్యాపార నిర్ణయాలు తీసుకోవడానికి ఉపయోగించబడుతుంది.)
డేటా వెరైటీ సమస్యను పరిష్కరించడం
డేటా వైవిధ్య సమస్యను పరిష్కరించడానికి, సంస్థలు ఐటి డొమైన్‌తో ప్రారంభించాలి, ఎందుకంటే ఇది తరచుగా చెత్త నేరస్థులను మరియు రకరకాల సమస్య యొక్క చెత్త బాధితులను సూచిస్తుంది. మొదటి దశ అన్ని ఐటి అంశాలు లేదా ఆస్తుల యొక్క సమగ్ర నిర్వచనం లేదా వర్గీకరణతో ప్రారంభించడం. ఇది ఐటిలో లేదా దాని గురించి ఏదైనా సూచించడానికి ఒక బేస్లైన్ లేదా పునాదిని అందిస్తుంది మరియు తెలిసిన వర్గీకరణ లేదా పరిభాషకు వ్యతిరేకంగా పెరుగుతున్న వైవిధ్యతను నిర్వహించడానికి సంస్థలను అనుమతిస్తుంది.
బగ్స్ లేవు, ఒత్తిడి లేదు - మీ జీవితాన్ని నాశనం చేయకుండా జీవితాన్ని మార్చే సాఫ్ట్‌వేర్‌ను రూపొందించడానికి స్టెప్ గైడ్ ద్వారా మీ దశ
సాఫ్ట్‌వేర్ నాణ్యత గురించి ఎవరూ పట్టించుకోనప్పుడు మీరు మీ ప్రోగ్రామింగ్ నైపుణ్యాలను మెరుగుపరచలేరు.
తదుపరి దశ ఏమిటంటే, ఒకే వస్తువును వివిధ వ్యవస్థల రికార్డులలో గుర్తించడం. ఇది ఐటి నిపుణులను వారి వైవిధ్య వాతావరణాన్ని చూడటానికి మరియు డేటాను సంబంధిత మరియు నిర్వహించదగిన భాగాలుగా అధికంగా ఫిల్టర్ చేసి కుదించడానికి అనుమతిస్తుంది.
చివరగా, ఐటి నిర్వాహకులు పర్యావరణాన్ని నిరంతరం పరిశీలించే ప్రక్రియను అవలంబించాలి, అదే రకమైన మూలకాన్ని సూచించడానికి కొత్త రకాల మూలకాలు ప్రవేశపెట్టడం లేదా కొత్త నామకరణం.
ఈ దశలతో, ఐటి సంస్థలు రకరకాల సమస్యను నిర్వహించగలవు మరియు చారిత్రాత్మకంగా ఐటి బృందాలను తప్పించిన లోతైన అంతర్దృష్టులను పొందవచ్చు. అంతేకాకుండా, వైవిధ్య సమస్యను నిర్వహించడం వాల్యూమ్ మరియు వేగం యొక్క సాంప్రదాయ పెద్ద డేటా సమస్యలను పరిష్కరించే సాధనాలు మరియు సాంకేతికతలలో పెట్టుబడిపై వారి రాబడిని బాగా మెరుగుపరుస్తుంది.