COMO AUMENTAR A EFICIÊNCIA DO BIG DATA

0
O conhecimento certo na hora certa sempre foi crucial para o sucesso do negócio. Por isso não é de surpreender que as empresas estejam começando a pensar em Big Data e Business Intelligence como algo que se deva ter e usar como via de regra.
POR WAGNER TADEU*

Ouvimos muita coisa sobre os vários métodos de extração de valor a partir de dados, porém o que causa mais dúvida é qual será a melhor infraestrutura para abrigar e gerenciar Big Data nos próximos dez anos.

O problema é que dez anos é um tempo muito longo – e quando se trata de big data, a ideia ainda não está completamente formada, e muito menos evoluindo. Não é de se surpreender que as pessoas não compreendam o que precisam fazer para transformar esta inovação tecnológica em uma ferramenta de negócios.

Big Data pode ser usado para detectar correlações – mas, como disse Tim Harford, o correspondente do FT que cunhou o termo Exaustão Digital, eles não fornecem a teoria para permitir testar em relação a um padrão, e poderá ser fácil confundir correlação com causalidade.

A última peça móvel
O entrave para muitas organizações quando se trata de gerenciar Big Data está na última parte do data center que ainda se move fisicamente – os discos rígidos. Até mesmo para tentar se aproximar da velocidade do flash, você precisa juntar vários deles em uma matriz de alto custo de espaço e energia. Esses discos podem gastar mais de 95% do seu tempo e energia buscando e girando, e menos de 5% realmente fazendo o trabalho de escrever, apagar e ler dados. Isso pode representar mais de 40% do orçamento de energia de um data center, o que é incapacitante para qualquer negócio.

O flash pode reduzir isso, porque usa apenas uma pequena fração da energia elétrica, o que diminui drasticamente os custos de funcionamento, gera menos calor e requer muito menos energia para refrigeração, tudo isso também ocupando menos espaço. E, por causa da alta velocidade do flash, o sistema transforma análises e insights regulares (mesmo em tempo real) em grandes blocos de dados tanto possíveis como economicamente acessíveis.

Saber antes ou durante, não depois
À medida em que as organizações reúnem dados mais granulares daquilo que fazem, o potencial para adquirir compreensão e planejar adequadamente torna-se uma tarefa mais rentável. Os varejistas que temos ajudado com as nossas matrizes totalmente flash tiveram esse problema muitas vezes: eles sabem que existem valiosos insights no interior dos dados de vendas e distribuição de cada dia de negócios. Devido ao tempo proibitivamente longo exigido para processar lotes, eles não podem obter esse insight a tempo suficiente para agir. Este é um problema padrão em todos os setores; a escala dos dados com os quais necessitam lidar está aumentando rapidamente, talvez muito mais rapidamente do que as suas verbas de TI para lidar com isso. Além do aumento de escala está a significativa complexidade. A variedade de pontos de dados coletados por programas de cartões de loja, por exemplo, oferecem a oportunidade de entender os hábitos de compradores e os padrões globais de compra – mas somente se houver uma suficiente capacidade de processamento de dados para peneirar um insight a partir dos dados.

Em suma: o grande benefício do flash é que você poderá fazer mais perguntas dos dados que você armazena – e mais frequentemente, pelo mesmo custo que uma solução de Big Data que se baseia em uma matriz de discos rígidos. Com flash, se você for um varejista poderá analisar até recibos, estoque e padrões de compra em uma base muito mais frequente do que antes. Isso pode fazer a diferença entre ter a quantidade suficiente de um item muito procurado de roupas ou de marcas de alimentos ou bebidas de giro rápido para atender a demanda ou esgotar esses itens, com uma consequente perda de receita.

Não se deixe levar por percepções antigas
Algumas pessoas pensam que o flash não é acessível para adoção generalizada e, como resultado, algumas empresas agirão com cautela com relação à implementação de uma solução totalmente flash, e decidirão pelo conforto de uma matriz legada amarrada com flash ou pela promessa de uma matriz híbrida. Mas ambas só resolverão no curto prazo. São empresas que desejam combinar a velocidade do flash com o custo do uso de disco de armazenamento híbrido. E uma matriz de armazenamento baseada em disco rígido amarrada com algum flash não funciona exatamente da mesma forma que uma matriz totalmente flash com hardware e software desenvolvidos do zero especificamente para o flash. Cada um desses sistemas legados une os pontos fracos e pontos fortes tanto do flash como do disco rígido, que em última análise faz com que o resultado seja aquém do esperado. Isto porque o flash armazena e serve os dados de uma maneira fundamentalmente diferente daquela do disco rígido. A atividade de leitura é muito rápida e um número muito grande de gravações pode desgastar o meio, mas somente se você estiver tentando fazer o flash se comportar como um disco rígido.

Pronto para operar em pouquíssimo tempo
Não há mais qualquer necessidade de longos e caros trabalhos de integração para obter as vantagens do flash. Se você comprar a matriz totalmente flash correta, em geral poderá remover a antiga configuração de disco rígido e substituí-la por uma em flash, que estará instalada e funcionando em apenas uma hora, com o mínimo de interrupção para os negócios, e com uma solução de Big Data muito mais rápida pronta para operar.

*Wagner Tadeu é country manager da Pure Storage

Compartilhar.

Sobre o autor

Comentários desativados.

000-017   000-080   000-089   000-104   000-105   000-106   070-461   100-101   100-105  , 100-105  , 101   101-400   102-400   1V0-601   1Y0-201   1Z0-051   1Z0-060   1Z0-061   1Z0-144   1z0-434   1Z0-803   1Z0-804   1z0-808   200-101   200-120   200-125  , 200-125  , 200-310   200-355   210-060   210-065   210-260   220-801   220-802   220-901   220-902   2V0-620   2V0-621   2V0-621D   300-070   300-075   300-101   300-115   300-135   3002   300-206   300-208   300-209   300-320   350-001   350-018   350-029   350-030   350-050   350-060   350-080   352-001   400-051   400-101   400-201   500-260   640-692   640-911   640-916   642-732   642-999   700-501   70-177   70-178   70-243   70-246   70-270   70-346   70-347   70-410   70-411   70-412   70-413   70-417   70-461   70-462   70-463   70-480   70-483   70-486   70-487   70-488   70-532   70-533   70-534   70-980   74-678   810-403   9A0-385   9L0-012   9L0-066   ADM-201   AWS-SYSOPS   C_TFIN52_66   c2010-652   c2010-657   CAP   CAS-002   CCA-500   CISM   CISSP   CRISC   EX200   EX300   HP0-S42   ICBB   ICGB   ITILFND   JK0-022   JN0-102   JN0-360   LX0-103   LX0-104   M70-101   MB2-704   MB2-707   MB5-705   MB6-703   N10-006   NS0-157   NSE4   OG0-091   OG0-093   PEGACPBA71V1   PMP   PR000041   SSCP   SY0-401   VCP550   HP0-S42   70-483   101   000-080   1z0-434   CCA-500   CAP   1Z0-804   220-802   70-483   SY0-401   70-980   300-101   c2010-652   ICGB   1Z0-144   101   70-533   000-017   1Z0-060   640-916   9L0-012   MB2-704   9L0-066   2V0-621D   1Z0-144   1Y0-201   74-678   EX200   70-483   700-501   210-260   200-310   100-105  , JK0-022   350-080   300-070   CISSP   810-403   CAS-002   300-206   200-101   OG0-093   000-104   MB6-703   CISSP   1Z0-144   070-461   1Z0-060   SSCP