Articoli del meseArticoli del mese

Articoli del mese


Stampa articolo

Articolo del Mese - Dicembre 2012

Virtualizzazione dei dati e sistemi di Business Intelligence Agili

Rick van der Lans by Rick van der Lans

La sfida più grande, che si trova - oggi - ad affrontare il mercato della business intelligence (BI) riguarda lo sviluppo di sistemi di BI, che presentino un livello di agilità proporzionale alla velocità di trasformazione ed evoluzione del business. Se non si è capaci di implementare una logica di questo tipo, si corre il rischio di andare incontro a una veloce obsolescenza dei sistemi e a un conseguente indebolimento delle capacità decisionali. Considerato che l’attuale recessione economica non scomparirà in tempi brevi e che le aziende sono obbligate a essere più competitive, la necessità di aumentare l’agilità dei sistemi di business intelligence dovrebbe diventare una delle priorità per tutte le organizzazioni. L’agilità - in altre parole - la capacità di essere reattivi ai cambiamenti di mercato, diventa un fattore di assoluta rilevanza per tutti i sistemi di business intelligence. Uno studio recente, realizzato da TDWI, ha rilevato uno scenario alquanto deludente: la maggior parte dei sistemi di business intelligence in esercizio non è coerente, con i requisiti di agilità richiesti in un contesto di mercato, quale quello attuale. In particolare:
- il tempo medio necessario per aggiungere un nuovo data source al sistema di business intelligence esistente è risultato essere di 8,4 settimane nel 2009 - 7,4 nel 2010 e 7,8 settimane nel 2011.
- Il 33% delle organizzazioni impiega più di tre mesi per aggiungere un nuovo data source.
- Lo sviluppo di un report complesso o cruscotto con 20 dimensioni, 12 misure, sei regole di accesso utente, richiedeva 6,3 settimane nel 2009 - 6,6 nel 2010 e 7 settimane nel 2011. Questi dati testimoniano come non vi sia nessuna tendenziale maggiore produttività associata allo sviluppo di queste applicazioni. Il 30% del campione, oggetto della ricerca, ha dichiarato che il tempo necessario per lo sviluppo di questi sistemi è superiore ai tre mesi.

L’agilità dei sistemi
Non è semplice stabilire i motivi che impediscono di implementare sistemi con una sufficiente agilità. La loro staticità non dipende da un singolo fattore. Tuttavia, è indubbio che il tutto dipenda prevalentemente proprio dalle soluzioni database centriche, che formano il cuore di molti sistemi di intelligence. Le architetture di questi sistemi sono in gran parte basate su un insieme di data store - come, per esempio, quelli legati alla produzione - data warehouse, data mart e personal data store (PDS). Quest’ultimo può essere costituito da un piccolo file o da un foglio elettronico utilizzato da uno o al massimo due utenti. In alcuni sistemi, è incluso un data store operazionale (ODS). Tutti questi data store sono legati tra loro da una logica di trasformazione, in base alla quale i dati sono copiati da un data base a un altro. Le tecnologie ETL e di replica sono quelle più utilizzate in questo tipo di attività. In questo articolo, ci riferiamo a questi sistemi indicandoli come sistemi di business intelligence che utilizzano un’architettura di tipo tradizionale o classica. La ragione per cui molti di questi sistemi sono stati creati e sviluppati in quest’ottica dipende - in larga misura - dal software e dall’hardware utilizzati in tutti questi anni. Si tratta di tecnologie che hanno mostrato i loro limiti - in termini di performance e scalabilità - nei confronti dei quali, si è cercato di ovviare, distribuendo il carico di lavoro su più data store, rendendo così necessario eseguire operazioni di trasformazione e pulizia dei dati attraverso più fasi.

La virtualizzazione dei dati
La virtualizzazione dei dati è una delle tecnologie che può essere di valido aiuto nell’implementazione di sistemi agili, in quanto semplifica il processo di sviluppo di report attraverso: approcci di accesso dati unificati; indipendenza dei data store; integrazione, trasformazione e pulizia centralizzata dei dati; risultati di reporting consistenti, traduzione dei linguaggi dati, minime interferenze tra i data store, strutture dati semplificate ed efficiente distribuzione dell’accesso ai dati.
Tutto questo è possibile poiché le tecniche di virtualizzazione consentono di disaccoppiare i report dalle strutture dati, procedendo all’integrazione dei dati in una modalità on-demand e gestendo le specifiche di metadati in modo centralizzato, senza lasciare spazio a meccanismi di replicazione. La virtualizzazione dei dati si presenta, quindi, come la tecnologia ideale per sviluppare sistemi di intelligence di tipo agile.
Nel momento in cui si fa uso di tecniche di virtualizzazione dei dati, viene creato un livello di astrazione - o incapsulamento - che consente di nascondere, alle applicazioni, la maggior parte degli aspetti tecnici e il luogo dove risiedono i dati. Grazie a questo layer, le applicazioni non hanno la necessità di sapere dove quei dati risiedono fisicamente o come i dati devono essere integrati, su quali database girano, quali siano le API richieste, quale linguaggio di database utilizzare.

Dati più agili
Quando si utilizza la virtualizzazione, è come se tutte le applicazioni accedessero a un singolo database. In questo contesto, il termine data consumer può essere riferito a qualsiasi applicazione, che compie operazioni di retrieving, introduzione o manipolazione dei dati. Per esempio, un data consumer può essere costituito da un’applicazione di data entry online, oppure un’applicazione di reporting, un modello statistico, un’applicazione Internet, un’applicazione batch o un sensore RFID. Al contrario, il termine data store è utilizzato per fare riferimento a una qualsiasi sorgente dati: può essere una tabella di database SQL, un file testo, un documento XML, un foglio elettronico, un Web service, un file sequenziale, una pagina HTML. In alcuni casi, il data store può essere un file passivo, in altri può corrispondere a un source data, che include il software per l’accesso ai dati. I concetti di data consumer e data store sono elementi chiave per la definizione della virtualizzazione dei dati. Quest’ultima è la tecnologia, che offre vista unificata, astratta e incapsulata per operazioni di query e manipolazione dati immagazzinati, in un insieme di data store eterogenei. Per cui - se i data store utilizzano formati e tecnologie di storage differenti - la virtualizzazione rende possibile presentare i dati consumer come se appartenessero a un unico insieme di dati integrato. Inoltre, per gli stessi insiemi di dati è possibile accedere utilizzando linguaggi diversi.
Tipiche aree applicative di Business Intelligence, che registrano un aumento dell’agilità, sono data mart virtuali, analisi e reporting self-service, reporting operazionale e analitico, prototyping interattivo e sviluppo collaborativo. In sintesi, l’implementazione della virtualizzazione dei dati nei sistemi di BI può condurre ad architetture più leggere con un minore data footprint e, in estrema sintesi, a sistemi più agili.

Nota: per maggiori informazioni sulla virtualizzazione dei dati si può fare riferimento al libro di Rick van der Lans intitolato Data virtualization for Business Intelligence Systems, pubblicato nell’estate del 2012.

Virtualizzazione dei dati e sistemi di Business Intelligence Agili - Technology Transfer

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

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

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

Trasformazione Agile
Se il product owner diventa un collo di bottiglia

Sander Hoogendoorn

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

Barry Devlin

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

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

I dati al centro del business
Christopher Bradley

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

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

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

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

Project manager vecchi miti e nuove realtà
Aaron Shenhar

La catena alimentare dei requisiti
Suzanne Robertson

Come diventare un’azienda data-centric
Lindy Ryan

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

Agilità? Basta Volere
Suzanne Robertson

Ma la vostra architettura è efficace?
Mike Rosen

Se il NoSQL diventa SQL
Rick van der Lans

La data quality e l’impatto sul business
Danette McGilvray

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

Usare Scrum su larga scala: cosa cambia?
Craig Larman

Le architetture per ridurre il debito tecnico
Mike Rosen

Conversando con un marziano
Suzanne Robertson

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

Reinventare la Business Intelligence
Barry Devlin

Il nuovo volto della business intelligence
Shaku Atre

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

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

Un “superstorm” di informazioni
Barry Devlin

I dieci step per la qualità dei dati
Danette McGilvray

Perché è meglio evitare il private cloud?
Jason Bloomberg

Leonardo da Vinci aveva ragione!
Chris Date

Mobile user experience: Come adottare una strategia sostenibile
James Hobart

Cosa significa occuparsi di architettura?
Mike Rosen

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

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

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

BI², la Business Intelligence al quadrato
Barry Devlin

I test di regressione in ambienti legacy
Randy Rice

Le conseguenze della consumerizzazione e del Cloud
Chris Potts

Come vanno gli affari? Chiedetelo al vostro cruscotto
Shaku Atre

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

Big Data, come e perché
Colin White

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

Il valore della tassonomia nella ricerca delle informazioni
Zach Wahl

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

Reinventare la Business Intelligence
Barry Devlin

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

Modelli e processi di User acceptance testing
Randy Rice

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

Le componenti fondamentali del Cloud
George Reese

Metadati e DW 2.0
Derek Strauss

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

Semplicità e requisiti
Suzanne Robertson

Business intelligence e analisi testuale
Bill Inmon

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

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

Ambiente efficiente di ricerca di informazioni
James Hobart

Il Business deve trainare la Strategia IT
Chris Potts

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

Web database: la questione MapReduce
Colin White

Misura delle prestazioni. I sette comandamenti
Harry Chapman

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

Sviluppare applicazioni a prova di sicurezza
Ken van Wyk

The ECM Landscape in 2008
Alan Pelz-Sharpe

Ma chi sono gli operatori dell’informazione?
Colin White

Qualità dell’informazione e trasformazione del management
Larry English

Classificazione sistematica delle informazioni
Zach Wahl

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

Enterprise Search
Theresa Regli

La forza dell'astrazione
Steve Hoberman

La strada verso una BI pervasiva
Cindi Howson

Soa, una strategia di test
Randy Rice

Verso una BI più semplice e a minor costo
Colin White

I contenuti “Killer” del Web
Gerry McGovern

Sviluppo iterativo del software per i Dw
Larissa Moss

Qualità delle Informazioni e Datawarehousing
Larry English

Lo scenario Ecm 2008
Alan Pelz-Sharpe

La nascita del Web 3.0
John Kneiling

Documentazione: il dossier del crimine
Suzanne Robertson

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

Le tecniche vincenti di IT Management
Ken Rau

Web 2.0
Ed Yourdon

Web di successo se si conosce il cliente
Gerry McGovern

Un approccio alla BI incentrato sui processi
Colin White

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

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

Il Project Manager è una Tata
Suzanne Robertson

Web di successo se si conosce il cliente
Gerry McGovern

L'informazione personalizzata
Colin White

La Tassonomia dell'Impresa
Zach Wahl

Managed Meta Data Environment (II parte)
David Marco

Managed Meta Data Environment
David Marco

Migliorare le applicazioni dell'impresa con Web 2.0
James Hobart

La Balanced Scorecard migliora la Performance dell'IT
Harry Chapman

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

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

Volere è Potere, in Ogni Senso
Suzanne Robertson

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

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

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

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

Il Processo di gestione delle informazioni
Ted Lewis

I requisiti come strumento di gestione dei progetti
Suzanne Robertson

Il futuro è nel contenuto killer del web
Gerry McGovern

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

Rilevare i costi sulla base delle attività
Ken Rau

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

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

Il Data Store Operativo: un lavoro di martello
Claudia Imhoff

Il data warehouse orientato all'impresa
Michael Schmitz

Dieci punti chiave per realizzare balanced scorecard di successo
Harry Chapman

Content management: i contenuti al primo posto
Gerry McGovern

Applicazioni Web ad alta disponibilità
John Kneiling

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

La tecnologia EII ripropone il data warehousing virtuale?
Colin White

Misurare per Gestire
Ken Rau

Volere è Potere, in Ogni Senso
Suzanne Robertson

Realizzare il CPM e l'integrazione della BI
Mike Ferguson

Tutti i punti della FPA
Koni Thompson

Requiem per il Portale?
Colin White

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

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

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

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

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

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

Realizzare l'Impresa Intelligente
Colin White

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

Progettare Applicazioni Mobili di Successo
James Hobart

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

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

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

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

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

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

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

Articoli del mese - Technology Transfer