Big Data e persistenza Polyglot - dummy

Il termine poliglotta è preso in prestito e ridefinito per i big data come un insieme di applicazioni che utilizzano diverse tecnologie core di database, e questo è il risultato più probabile di la tua pianificazione dell'implementazione. La definizione ufficiale di poliglotta è & ldquo; qualcuno che parla o scrive diverse lingue. & Rdquo; Sarà difficile scegliere uno stile di persistenza indipendentemente da quanto possa essere ristretto il tuo approccio ai big data.

Un database di persistenza poliglotta viene utilizzato quando è necessario risolvere un problema complesso suddividendo tale problema in segmenti e applicando diversi modelli di database. È quindi necessario aggregare i risultati in una soluzione ibrida di archiviazione e analisi dei dati. Una serie di fattori influenzano questa decisione:

• Stai già utilizzando la persistenza poliglotta nel tuo posto di lavoro esistente. Se la tua azienda o organizzazione sono grandi, probabilmente stai utilizzando più RDBMS, data warehouse, data mart, file flat, server di gestione dei contenuti e così via.

  Questo ambiente ibrido è comune e devi comprenderlo per poter prendere le decisioni giuste sull'integrazione, l'analisi, la tempestività dei dati, la visibilità dei dati e così via. Devi capire tutto questo perché devi capire come si inserirà nella tua implementazione dei Big Data.

• L'ambiente più ideale, in cui è disponibile una sola tecnologia di persistenza, probabilmente non è adatto alla risoluzione di problemi relativi ai big data. Per lo meno, dovrai introdurre un altro stile di database e altre tecnologie di supporto per la tua nuova implementazione.

• A seconda della varietà e della velocità della raccolta di big data, potrebbe essere necessario prendere in considerazione diversi database per supportare un'implementazione. È inoltre necessario prendere in considerazione i requisiti per l'integrità transazionale. È necessario supportare la conformità ACID o la conformità BASE sarà sufficiente?

Supponiamo che tu abbia bisogno di identificare tutti i clienti per il tuo prodotto che hanno acquistato negli ultimi 12 mesi e hanno commentato sui siti web sociali della loro esperienza - E se hanno avuto casi di supporto, dove hanno acquistato il prodotto, come è stato consegnato, cosa hanno pagato, come hanno pagato, se sono stati sul sito web dell'azienda, quante volte, cosa hanno fatto e così via.

Supponiamo quindi che tu voglia offrire loro uno sconto promozionale sul loro smartphone quando stanno entrando in uno dei tuoi (o dei tuoi partner) negozi al dettaglio.

Questa è una sfida per i big data al suo meglio.Molteplici fonti di dati con strutture molto diverse devono essere raccolte e analizzate in modo da poter ottenere risposte a queste domande. Quindi è necessario determinare se i clienti si qualificano per la promozione e, in tempo reale, spingerli un coupon offrendo loro qualcosa di nuovo e interessante.

Questo tipo di problema non può essere risolto facilmente o economicamente con un tipo di tecnologia di database. Anche se alcune delle informazioni di base sono transazionali e probabilmente in un RDBMS, le altre informazioni non sono relazionali e richiedono almeno due tipi di motori di persistenza (spaziali e grafici). Ora hai persistenza poliglotta.