Av Techopedia Staff, 29 mars 2017
Takeaway: Värd Eric Kavanagh diskuterar affärsinformation med Dr. Robin Bloor och IDERA: s Stan Geiger.
Du är för närvarande inte inloggad. Logga in eller registrera dig för att se videon.
Eric Kavanagh: Mina damer och herrar, välkommen tillbaka igen, det är onsdag klockan 4:00 östra och under de senaste åren har det betydd att det är dags för Hot Technologies, ja, verkligen. Jag heter Eric Kavanagh, jag kommer att vara din värd för dagens show. Jag älskar det här ämnet: "Health Check: upprätthålla Healthy Enterprise BI", det är det vi ska prata om idag. Det finns en plats om din verkligen.
Så i år är det varmt - Hot Technologies var verkligen utformat för att definiera särskild teknik och du kan föreställa dig ute i världen av företagsprogramvara det finns massor och massor av leverantörer som säljer alla typer av olika produkter och vad som slår upp som händer är dessa buzzwords som avslutar sig att bli vana och bli snyggade på av olika leverantörer för mycket olika saker. Och så, syftet med denna show är verkligen att hjälpa våra säljare vänner och hjälpa vår publik att både identifiera och svepa våra huvuden runt vad specifika typer av teknik verkligen är och vad dessa ord alla betyder när du kommer till mässing.
Så jag kommer att stå som en av analytikerna idag, vi har också Dr. Robin Bloor på linjen och Stan Geiger från IDERA. Låt oss bara prata snabbt om vikten av affärsinformation och analys bara i allmänhet. Detta är ett grundläggande beslutsträd, om du vill, eller ett flödesschema bara typ av samtal om hur du arbetar genom frågor i ditt företag, att ha diskussioner om olika ämnen, lägga fram förslag och sedan ta reda på vad folk tycker. Håller de med? Håller de inte med? Vad är konsensus, om du har något, och hur arbetar du igenom processen?
Det här är uppenbarligen väldigt generiskt, men det är en bra påminnelse om processen där vi föreslår idéer i företag, fatta våra beslut och sedan gå vidare. Och kärnpunkten är att data krävs för var och en av dessa komponenter. Det är ännu santare i dag i big data-världen, för naturligtvis är big data som den här gigantiska sanningsmotorn där ute. Big data är verkligen vad som händer; det är representativt för vem var var, vad de gör, vad de köper, vad deras sociala mediehandtag är, tweeting till exempel. Naturligtvis kan allt det här hackas - det måste du se upp för - men poängen är att data är referensarkitekturen, om du kommer, för verkligheten.
Så du vill ha data vid varje punkt i denna beslutsprocess. Nu är konsensus viktigt. Om du vill ha nöjda användare kan ibland en chef behöva gå mot kornet för vad alla vill ha. Vi pratade bara om Steve Jobs precis innan den här webcasten startade och han var ökänd för den typen. Han har fått en berömd offert där han rekommenderar att människor drunknar det ljud som de hör runt och sedan håller sig vid sin vision om de vet vad de gör är rätt. Så du behöver inte alltid enighet, men vanligtvis är det en ganska bra idé. Men det allmänna syftet med denna bild och denna kommentar är att driva hem vikten av att vi vill fatta våra beslut baserade på data, inte bara på instinkt, även om tarmen är vanligtvis bra på att hjälpa dig att veta vart du vill åka, och sedan du verkligen ser ut för att validera det eller ogiltiga det med dina data. Och jag skulle säga inte vara rädd för att titta tillbaka igenom det där, precis som en fin liten markör, eller påminn om att när du ibland tittar tillbaka att du åtminstone kan få en referensram och förstå var du har varit kommer från och vara ärlig om de misstag du har gjort. Vi har alla gjort misstag, det händer.
Så om du har prestationsproblem i dina business intelligence-system, det finns det gamla uttrycket "tålamod är en dygd", inte i IT-världen, det kan jag säga just nu. Om användare väntar länge på att deras frågor ska komma tillbaka, eller om de inte får sina rapporter, försvinner det förtroende, och när förtroende är borta är det mycket svårt att få tillbaka det. Så jag har lagt en rad här - cirka 40 sekunder i dag är som 40 minuter i många fall - om en fråga kommer att ta 40 sekunder, glömmer folk vad de ens pratar om, vad de frågade av uppgifterna. Föreställ dig i en konversation om du frågar någon, låt oss säga din chef, du säger, "Hej, jag skulle vilja veta varför det är som vi går ner den här vägen." Och du var tvungen att vänta i 40 sekunder i ett samtal att få svar? Du skulle gå ut ur rummet! Du skulle tro att din chef har tappat sitt sinne. Så den latens som vi har i vissa informationssystem, när det är prestandaproblem, som kommer att avkorta den analytiska processen, det analytiska flödet, eller som vissa människor kallar det, konversationen du har med dina data. Du måste snabba i dessa system, vad du än måste göra för att göra det, och vi kommer att prata om det idag, det är vad du behöver göra, för utan det flytande idéflödet fram och tillbaka, är du verkligen skadar hela analysprocessen. Så, och än en gång, slänger jag denna kommentar: brist på förtroende är en tyst mördare. Människor kommer inte riktigt att räcka upp händerna för mycket om de inte litar på dig, men de kommer bara att titta på dig i sidled och undrar vad som händer. Och när det förtroendet är borta kommer du att ha en mycket, mycket svår tid att få tillbaka det.
Så artificiell intelligens, vi hör fortfarande om maskininlärning och AI och "Åh, kommer det inte att lösa alla dessa problem?" Robin och jag har hört i flera år nu om självinställning av databaser och allt detta roliga grejer - det är något av det som händer, men ställ dig bara frågan: hur ofta får Siri det rätt för dig? Hur ofta har Siri av misstag dykt upp och gå: ”Jag är ledsen, det fick jag inte.” Det beror på att jag inte frågade dig något. Jag slog bara av misstag på den darnade knappen. Så det finns massor av brister fortfarande, och förresten i vänster sida, det är ASIC-chipet från en Apple Newton - kommer du ihåg den valpen för år och år sedan? Det var en av de första smarta enheterna, och det är för länge sedan, det är som tidigt 90-tal eller mitten av 90-talet vill jag säga. Att Newton kom ut och det var inte så bra, men det hade visionen; de visste vart de åkte, men till och med nu, med iPhone AI och maskininlärning, är dessa allmänt missförstådda koncept, skulle jag säga.
Och säkert vad gäller maskininlärning kan det vara mycket användbart och kan faktiskt användas i vissa av dessa miljöer där du försöker förstå vad som händer med din komplexa informationsarkitektur, där saker går fel. Maskininlärning kan vara mycket värdefull i det sammanhanget, men bara om det tillämpas på ett mycket akut sätt. Så jag var faktiskt bara vid ett stort evenemang ute i Kalifornien, en av de stora Hadoop-distributörerna Cloudera hade sitt analytikertoppmöte och jag pratade med deras strategichef och sa: ”Du vet, det verkar för mig, att verkligen maskininlärning gör bara två saker: det segmenterar och det förfinas. ”Det betyder att det ger dig olika segment eller grupper av aktiviteter inklusive anomalier, vilket skulle vara ett segment. Och det förfinas, vilket betyder att det hjälper dig att förbättra en viss typ av beslut. Det klassiska exemplet du hör om att det finns en människa på detta fotografi, till exempel. Så det är något som maskininlärning kan göra, och det är användbart i vissa sammanhang, när du pratar om felsökning, eftersom du kan leta efter beteendemönster i CPU-användning, i minnesanvändning, i hastighet på disken och vad skivorna gör, och allt det där roliga grejer. Så det kan vara användbart, men det är verkligen något som måste vara mycket fokuserat för att generera något värde.
Så en av mina andra favorit saker att prata om - och vi ska lite se det här, tror jag, när vi tar vår demo idag från IDERA - på många sätt tror jag att människor fortfarande lär sig att tala silikon . Det finns en materialvetenskap under allt detta, och för er som har gjort felsökning och verkligen tittat på komplexa informationsarkitekturer, när ni försöker förstå vad som händer, till och med som ett Hadoop-kluster till exempel, du brukar bara titta på histogram. Och sedan måste du korrelera vad dessa olika histogram betyder i en viss tidpunkt, och det kräver intelligens; som tar mänsklig intelligens och erfarenhet. Så jag är inte rädd alls för att ML, eller maskininlärning eller AI kommer att ta bort för många jobb i denna värld snart. Jag tror att det alltid kommer att finnas ett behov av människor, som uppriktigt sagt vet vad de pratar om för att hjälpa oss och få allt detta att hända.
Så låt oss fortsätta gå. Så, vad händer om du inte är datadriven? Detta är en berömd målning, "The Blind Leading the Blind" - det är inte det du letar efter, folk. Du vill inte ha den här typen av miljö i din organisation. Så vad vi vill är att vi vill att våra beslut ska drivas av data och vi vill att besluten ska drivas av bra data, god kvalitet och det kommer bara att hända om du samlar in rätt data, om det är trevligt och rent och om dina system körs ordentligt, om dina BI-system är friska, dina analyssystem är friska och användare får vad de vill ha i rätt tid.
Så med det kommer jag att samla in och överlämna till den oändliga Robin Bloor. Robin, ta bort den.
Robin Bloor: Okej, tack för att du skickade bollen. Jag tänkte medan du pratade, Eric, jag tänkte bara på BI och det var en leverantörspresentation som jag deltog nyligen när någon påpekade att i en viss leverantör, som kör ett visst system i ett stort, dåligt datalager de skulle, hos en en viss tidpunkt kunde göra 70 000 BI-transaktioner som skulle leda till att information presenteras för många människor. Det hände mig att om du faktiskt har den typen av arbetsbelastning, och du till och med slösar bort några sekunder i fråga om att köra programvaran, så kommer det faktiskt att bli mycket dyrt, och om du slösar minuter kommer det att bli fruktansvärt dyrt. Och då kom jag ihåg att en väldigt stor del av världen körs på kalkylblad - det finns, jag tror att de kallades ”skuggsystem”, var det inte? I första hand, där människor bara skulle sätta ihop system med kalkylblad och e-post, och de skulle få saker att hända, eftersom IT-avdelningen inte kan bygga applikationer för alla, så de gör det. Och mycket BI, tror jag, engagerar sig i sådana system ändå.
Hur som helst, efter att ha sagt det, låt oss börja prata om vad jag ska prata om. BI är en feedback-loop för företagssystem, det är verkligen så enkelt eller så komplicerat, beroende på exakt vilken roll det spelar i organisationen. Men om vi tittar på detta är ett diagram från ungefär fyra år sedan när vi försökte på ett eller annat sätt förstå vad som hände på analysens sida. Men ganska mycket, allt som är i efterhand, när man tittar tillbaka på vad som tidigare har hänt, och allt som övervakar, i termer av hur systemet fungerar, tenderar att vara BI. Det brukade inte vara fallet att vad som var framsynt, prediktiv analys var BI, men det blir faktiskt allt mer. Eric nämnde maskininlärning, mycket maskininlärning kan faktiskt på ett eller annat sätt bara köras mot en ström av data och kan ge dig förutsägbar analys under de kommande fem minuterna, eller till och med nästan i realtid, så att du kan svara på en kund, med en beräknad kunskap om vad som faktiskt händer.
Men mitt i detta diagram, insidan kommer från analys. Det som normalt händer är att olika analytiska aktiviteter pekas på vissa datainsamlingar och att något nytt lärs, kunskap lärs om verksamheten. Och den biten av kunskap fästs sedan in i affärsprocesserna som kan matas av den. Och oftast manifesteras det på ett eller annat sätt när BI-varningar visas, eller bara olika saker som läggs på instrumentpaneler, och så vidare. När vi faktiskt gjorde det, finns det fyra termer där och de råkar sluta med ordet "syn" som är mycket trevligt. Men i själva verket är det inte allt inom området för vad folk vill göra, det finns också problemet med optimering och optimering ger inte enkel analys. Det är väldigt komplicerat problem och många optimeringsproblem är inte unikt lösliga. Du kan bara ha bra lösningar, du kan inte bevisa att du har en bättre lösning. Och det är ett aktivitetsområde där det händer aktivitet, men det är mindre än de flesta andra områden inom analys. Så, folk säger att vi lever i analysåldern - det gör vi i jämförelse med för tio år sedan, men det kan gå mycket längre än det redan har gått.
Så, början av BI, önskan om kunskap uppmanar användarförfrågningar, som beget analysprojekt, och analysprojekten beget datasjöar, och dataljöar plus analytics förblir insikter och insikter beget BI. Det är en berättelse jag just berättade; Jag trodde bara att jag skulle skriva ut det. Vad jag har gjort här, menar jag, hela poängen med denna bild och faktiskt de flesta av de andra bilderna är bara för att faktiskt betona hur komplex världen av affärsintelligens faktiskt är. Det är inte en enkel sak, jag kunde ha gjort det här slidesättet mer komplicerat än det faktiskt är, men du har längst ner här, du har externa data och interna data som på ett eller annat sätt kommer att placeras i en iscensättning område, som numera är sådant typ av sjövatten, även om inte alla har datasjöar. Och människor som inte nödvändigtvis har framgångsrika. Och sedan finns det en intagningsrengöringsaktivitet och en reglerande aktivitet som krävs på data innan du verkligen kan använda den. Och sedan serverar du uppgifterna och rapporterar antingen om dem eller analyserar dem och analysen leder till åtgärder.
Och om du faktiskt tittar på de olika typerna av analyser som finns, det här är en otroligt lång lista, men det är inte nödvändigtvis en helt omfattande lista, det är precis vad jag tänkte skriva ner när jag faktiskt skapade den här bilden. Så det finns många saker som händer i en BI-miljö som visualiseringar, OLAP, prestationshantering, resultatkort, instrumentpaneler, olika typer av prognoser, datalakes, textbrytning, video mining, prediktiva grejer, det finns ett stort spektrum av saker som faktiskt fortsätter. Om du tittar på det på ett annat sätt, företagets verklighet, egentligen är detta ett liknande diagram som det sista, det är bara gjort på ett annat sätt. Jag separerade vad du skulle kalla BI eftersom det är regelbundet och det är känt vad som krävs, det betyder inte att det som faktiskt händer är effektivt, men åtminstone kommer du att ha regelbundna saker som händer i, låt oss säga Tableau, eller i Klicka, eller i Cognos, det finns en ämneskälla, och så vidare och så vidare kommer olika regelbundna rapporter eller funktioner att pågå. Och sedan har du analysapparna och de är olika. Eftersom analysapparna verkligen handlar om att utforska data och i min mening liknar det slags forskning och utveckling. Och sedan har du arbetsflöde. Bland arbetsflödet blanda dina saker med operativa appar och kontorsappar, om det är nödvändigt - och det är företagets verklighet som jag ser det - även om det i de flesta organisationer inte är så välorganiserat.
Så BI-störningar, detta är bara en uppsättning saker att nämna som gör BI svårare än tidigare, för den gamla BI-världen bestod främst av ganska rena datasätt som fångades på ett eller annat sätt, antagligen från ett datalager och matas in i specifika BI-programvara. Och i dessa dagar talar jag verkligen för fem eller tio år sedan, men i dessa dagar expanderade datavolymerna inte, datakällorna var kända. Datorns ankomsthastighet var känd, även om ofta BI inte skulle hända tillräckligt snabbt för vissa användares önskemål. Det fanns inga ostrukturerade data, det fanns nästan inte sociala data, verkligen inga IoT-data, du brydde dig inte om uppkomst av data. Datorvärdet hade inte parallellitet när det gäller infrastrukturen för att på ett eller annat sätt kunna göra saker extra mycket snabbt. Du hade ingen maskininlärning och antalet analytiska arbetsbelastningar var ganska smal. Och allt detta har ändrats, datamängden nu kan växa mycket dramatiskt. Antalet datakällor som det bara fortsätter att öka. Ja, strömmande ankomst av data mycket snabbt, massor av ostrukturerad data, verkligen sociala data som kommer att behöva rensas, men andra data som kan behöva rensas, verkligen IoT-data, är affären nu.
Uppkomst av data är en fråga och vi bryr oss om det. Datorkraften finns där, vilket är snyggt, eftersom det gör alla möjliga saker möjliga, och du har fått maskinlärning nu som ett fenomen som leder till att fler BI-kapacitet skapas och nya analytiska arbetsbelastningar som gör samma sak. Så BI är inte en statisk situation och jag tror att det är det sista jag ska säga innan jag överlämnar det till Stan. Å nej, det är det inte, det finns något annat. Framtida BI-landskap, tingenes internet, evenemangsdrivna arkitekturer, realtid allt, OK. Det är tillräckligt med BI för användaren, av användaren, för användaren problemen i sammanfattning. Dataflödesprestanda aktualitet, datatäckning, datarengöring, datatillgänglighet, visualisering, delbarhet och handlingsbarhet
Så nu kan jag vidarebefordra den till Stan, såvida inte BI-tjänsten är pålitlig och i rätt tid, det är inte en tjänst. Stan?
Eric Kavanagh: Okej, Stan, jag ger dig bollen, ta bort den.
Stan Geiger: OK. Så det jag ska prata om är bara min bakgrund. Jag är senior manager på IDERA inom produktledning och ett av de uppgifter jag har är vår affärsinformation som erbjuder produkter. Så jag kommer att utöka lite om vad Robin talade om och prata om nyckelområdet med affärsinformation är att övervaka din plattformshälsa. Det är som han sa, nu brukade det vara där vi hade all denna information och det skulle ta veckor att analysera och sedan skulle vi komma tillbaka med rapporter och saker. Men BI-landskapet förändras så att vi närmar oss nästan realtidsanalys nu. Och i många fall faktiska analyser i realtid. Så jag pratar lite om den här bilden, det här är bara en översikt - och precis som en fullständig avslöjande är att jag kommer att prata om det ur ett Microsoft-perspektiv, men alla dessa koncept går över om din BI plattformar finns i Oracle, eller så använder du Informatica och Oracle, eller bara mixläge, hybridmiljöer. Jag ska bara använda med hänvisning till Microsofts miljö, men det här är ganska standard.
Robin hade en bild där inne som berörde detta, är att du har källsystem, där jag har alla mina data sittande, och nu brukade de vara allt detta i relationella databaser och datalagring som det, men nu har vi Hadoop och internet och saker, och alla dessa ostrukturerade data som sitter där ute, och vi kan nu ta med dem in i denna BI-arkitektur. Så mittnivån där pratar lite är datalagring i aggregering; det är här vi drar in data, vi kan rengöra dem, vi kan omstrukturera dem och sedan lägga in någon typ av datalager och sedan sitter presentationslagret ovanpå det, och det är där dina användare får åtkomst. Och vi gör analyser av den informationen i dessa datalagrar, och vi gör instrumentpaneler, och vi har Tableau som sitter där och rapporterar tjänster, sådant. Jag skrattar alltid för när jag var BA-arkitekt, skrattade vi alltid om Excel, för låt oss inse det, Excel är massornas BI-verktyg.
Så, lite överblick där, men bara för att prata om typ av plattformsarkitektur, har du dina källdata och jag pratade om det i flera datalagrar. Och sedan har jag min lagring i aggregering i Microsoft-världen, du har din SQL Server-databas, kanske var ditt datalager är, kanske du har ditt datalager i molnet, med som ditt datalager. Du har analystjänster, som är dina OLAP-rör och sådana saker för att göra aggregeringar och saker runt titta på saker över flera dimensioner och sådant. Sedan har du ditt presentationslager, som jag talade om kort, om alla dessa saker som sitter ovanpå dessa datalagrar och aggregeringar. Och jag gillar alltid detta citat, "Du vet inte vad du inte vet", vilket är sant. Om du inte övervakar och inte tittar på vad som händer på alla dessa områden på din BI-plattform, hur vet du när du har ett annat problem än när användarna börjar skicka otäcka e-postmeddelanden och telefonen startar ringer om varför inte mina rapporter körs? Varför tar allt så lång tid?
Så i den andan, vad du måste göra, måste du kunna övervaka dina plattformar som du tjänar affärsinformation från. Och jag delade i princip det upp i tre områden: du har tillgänglighet, prestanda och användning. Tillgänglighet som betyder om resursen är tillgänglig: är den upp eller ner? Ganska enkelt där. Men även om du tittar på när du har det kan det hända att plattformen kan vara tillgänglig, men du kanske har problem där, så du måste kunna identifiera orsak till roten. Du måste kunna ha varning och låta någon veta vad som händer, innan saker och ting kommer till ett kritiskt tillstånd. Det leder också till prestationssidan, du har saker från en prestandametrisk nivå, på servernivå, där tjänsterna eller BI-tjänsterna, eller BI-plattformar är värd; har du prestanda på resursnivå där jag kanske får åtkomst till data från ett SAN, till exempel. SAN är resursen, nätverksresurserna, du måste kunna övervaka prestandan för allt detta, för att kunna identifiera flaskhalsar och hålla dina användare nöjda, och om du är i en miljö där du gör verkliga- tidsanalys måste du kunna identifiera flaskhalsar eller problem innan de börjar hända.
Och den sista teorin är användningen: vad gör användarna? Vem har anslutit sig till min BI-källa? Vem kör vad? Vilka frågor kör de? Vilka rapporter kör de? Att känna till denna information hjälper till exempel att fastställa och göra kapacitetsplanering. Det visar också vad som används i din BI-miljö. Vi hade en kund som de ville ha vår övervakningsprodukt för BI så att de visste vilka delar av BI-miljön de använde så att de kunde flytta resurser runt. Till exempel, om de inte använde vissa rapporter eller vissa analystjänstkuber, skulle de flytta resurser från det till andra områden som användes mycket. Ett annat citat som jag gillar, jag gillar riktigt bra filmer som "Skakningar", så berätta för min film, så jag gillar detta citat från Burt Gummer, som spelades av Michael Gross, han är en slags survivalist-kille och han säger, han dyker upp och han drar ut den enorma sniperrifeln med 50 kaliber, och en av killarna säger: "Fan, Bert." Och han svarar med "När du behöver det och du inte har det, sjunger du en annan melodi. ”Med andra ord, vet du vad? Han var beredd på någonting och han kom beredd på någonting, och så det jag menar med detta är om du inte övervakar din BI-miljö från resurs och användning och saker jag bara pratade om, så inser du inte att du behöver ett verktyg eller en miljö eller struktur som övervakar den tills du inte har den. Och då inser du att jag verkligen behövde det framöver, och det är på samma sätt som många av våra kunder är.
Så efter att ha sagt det kommer vi att gå in i, och vi ska titta på vad vi gör här på IDERA för att lösa några av dessa frågor. Och-
Eric Kavanagh: Okej, där går du, jag ser det.
Stan Geiger: Ser du det? Okej. Så vad vi har här är att det här är vår BI Manager-produkt. Och vi övervakar, IDERA har traditionellt varit ett företag i SQL Server, Microsoft SQL Server-miljön. Och sedan köpte vi in Embarcadero, så nu har vi expanderat till några andra plattformar, men vår BI-produkt övervakar traditionellt BI-stacken i Microsoft-miljön. Och det skulle vara analystjänster för din flerdimensionella och tabellanalys, rapporteringstjänster, rapporteringsverktyg och sedan integrationstjänster, som är en ETL-plattform, som liknar Informatica.
Och genom vår produkt kan du övervaka alla dessa miljöer genom en produkt, och det du ser här är den övergripande instrumentpanelen, och det är viktigt att notera här när jag pratade om den varnar, det är en sak att övervaka, men det är inte tillräckligt - du måste ha en varningsmekanism. Med andra ord, jag måste kunna bli underrättad innan saker kommer till ett kritiskt tillstånd. Så vad vi gör här, det finns en hel uppsättning mätvärden som vi fångar som är konfigurerbara eftersom beroende på din miljö, vissa trösklar, kan du vara okej med en trettio millisekund lästid, i din miljö. I andra miljöer kan det vara mer kritiskt att tröskeln är lägre, så det är viktigt att inte bara ha varning utan att ha den konfigurerbar eftersom miljöerna är olika beroende på resurser.
Så i princip är detta en översikt över alla miljöer som övervakas här, och jag har tre fall här: en för analystjänster, en för integrationstjänster, en för rapporteringstjänster. Och du ser att jag har ett par varningar här. Och eftersom dessa är röda berättar det för mig att de är kritiska, eftersom jag har flera nivåer som jag kan ställa in dessa varningar, och varningarna kan e-postas till personer som ansvarar för att undersöka vad problemet är. Så bara en kort stund kommer vi att titta på och jag kommer tillbaka till varningen, så att vi kan gå in på analystjänsten och det är, jag är säker på att det väntar på att laddas här. Och i princip, vad vi gör, har vi en datainsamling; den går ut där med jämna mellanrum och går ut där och samlar och snapshotar typ av vad dina miljöer gör. Så jag har min inställning för var sjätte minut, så var sjätte minut går den ut och undersöker miljön. Jag sov min VM i ett tag, så det kommer att ta en sekund innan det kommer upp igen. Där går vi.
Så vi tittar på analystjänsten och så kommer jag att klicka på min instans här, och kom ihåg att jag pratade om en av de saker vi övervakar är prestanda på servernivå, eftersom många människor har flera saker körs på sin server. Jag kanske har en databas på min server, såväl som analystjänster. Så om något händer i databasen eller om jag har problem på servernivå kommer det att påverka vad som händer där. Så vi övervakar saker över servern på servernivå, saker som hur hårddiskprestandan är, och du kan se att vi fångar metriker kring allt detta. Och allt detta är konfigurerbart. Och jag tittar på vad som händer, CPU-klokt, bara och igen, detta är på servernivå, inte på analystjänstenivån i mitt exempel här. Men faktiskt på servernivå.
Och jag kan titta på saker som vad är minnet, minnets totala användning till exempel, vad är tillgängligt? Så nu får jag en uppfattning om vad som är hälsan på servern själv. Då kan vi börja titta på saker som är speciella för, i detta fall analystjänster. Jag kan till exempel titta och se hur min kubbehandling går här, och det ger mig ett mått på hälsan. Om jag börjar se att behandlingen tar längre tid, eller att det inte är raderna som inte skrivs nästan lika snabbt, kan jag börja titta på - och det här går till korrelationsstycket som jag tror att Robin talade om, är det det tar fortfarande en människa att kunna göra allt detta. Vi pratar om AI, maskininlärning, men det tar fortfarande en människa att kunna korrelera dessa händelser kring saker. Vi kan ta en titt på saker som vad som händer så långt ifrågasätter, vilka frågor som körs och hur lång tid tar de? Jag kan sortera, så jag kan börja få en uppfattning om vilka frågor som tar längst tid. Du kan ta en titt här på förfluten tid, jag kan ta en titt och se OK, vad var den frågan och vem körde den frågan då?
Så då kan jag börja lägga en historia kring detta så långt som när jag börjar se saker börja spikar, jag kan gå tillbaka och titta och se vad användare gjorde på den tiden. Och du kommer att se en av de saker som vi gör är att vi lägger in den här tidväljaren här för att låta dig välja ett fönster med tid. Så till exempel kan jag gå tillbaka till dessa varningar, och det var faktiskt en länk på de varningar jag klickade på, och det skulle ta mig den tidpunkten då den varningen inträffade. Och sedan kan jag börja sammansätta historien, jag kan se oh, ja, skivläsningarna var uppe eller hade minnesproblem eller vad som helst, och sedan kan jag hoppa över frågefunktionen vid samma tidpunkt och jag kan faktiskt börja korrelerar vem som körde vilka frågor som kan ha orsakat de spikarna där inne. Och sedan kan du börja göra saker som jag kan börja stämma, det är när jag börjar stämma. Detta är som en bil, om du bygger en racerbil och du bara släpper motorn och startar nyckeln kan motorn starta, men om jag behöver gå 180 mil per timme för att vinna, måste jag veta att motorn kan köra 100 mil i timmen och jag måste gå in där och börja ställa in motorn för att kunna komma dit. Och det är vad detta gör att du kan göra, är att kunna ge dig tillräckligt med information för att börja ställa in din miljö, öka hälsan och produktionen av den miljön och effektiviteten.
Och sedan övervakar vi saker över hela minnet som är speciellt för analystjänster, i det här fallet. Och det är här du kan börja se var saker kan börja bli fel, när du börjar se saker som spikar över mellan dina minnesgränser, sådana saker. Den andra saken som är bra att titta på, när du kör någon typ av frågor, du vill att data ska bli cachelagda, för när det cachas är det i minnet och behöver inte läsa från disken, vilket är mycket mer effektivare än att behöva läsa data från hårddisken. Så du kan börja titta på saker som pågår, ursäkta mig, till exempel i datacachen. Jag hade en massa frågor som körts tidigare för att få dessa data, och du kan se att jag hade mest av tiden, cache-hits och uppslag överlappar varandra, vilket är bra. Men jag hade en period här där träffarna var mycket lägre än vad uppslagningarna var, vilket säger att jag hade något på gång som var minnesintensivt, så att cachen spolades mycket snabbare, så data måste vara läsa från disken. Och vi kan se det när vi tittar på lagringsmotorn. Detta är samma tidpunkt som den andra grafen, och du kan se spiken där, där frågeställningarna från filen verkligen hoppade upp under den perioden. Och det betyder att data lästes från hårddisken. Nu kan jag gå tillbaka och sedan korrelera det med de frågor som kördes och inte för att få allas öron att blöda, men i analystjänster använder det ett språk som heter MDX, det finns sätt att skriva frågor mer effektivt, så det använder cachen mer effektivt och mindre lagring. Så det finns ett exempel på att ställa in den motorn och ge dig alla delar som behövs för att kunna korrelera det.
Bara snabbt kan vi också vända det åt andra hållet, när vi tittar på frågorna, kan vi titta på sessionerna, vem har faktiskt anslutit vid denna tidpunkt och vad kör de? Så den här typen av ger dig motsatt syn på frågorna och vem som kör dem. Det här är vem som är ansluten och sedan kan jag se vad de kör för närvarande. Den andra saken, bara för att snabbt gå över, är att du kan se alla föremål i mina multidimensionella MOLAP-kuber. Och jag kan få information om det. Så till exempel kan jag sortera efter den här lästa kolumnen och jag kan se att det mest använda objektet är tidsdimension och den näst mest använda är kunddimensionen. Och detta hjälper människor som utvecklar och bygger saker att mer effektivt bygga sina kuber. Jag kanske vill ändra min partitionsstrategi för data, till exempel på dessa mycket utnyttjade dimensioner i min kub, och därför kommer det till exempel att öka resultatet för frågor. Det kan minska prestandan för bearbetning av kuben, för nu har jag fått fler partitioner, men ur ett användarperspektiv kommer det att ställa in den motorn för att bli mer effektiv för att använda dessa objekt.
Så gå vidare, prata om integrationstjänster här. Integrationstjänster, nämnde jag, är en ETL-plattform i en Microsoft-miljö. Vad vi gör här - och det är konsekvent - övervakar vi serverns prestanda, och det här skulle vara samma mätvärden som vi tittade på, eftersom alla mina tjänster körs på samma server. Men igen, detta är en översikt över vad som händer på servern. Och sedan kan jag titta på aktiviteten för integrationstjänster, mina ETL-processer. Så jag kan få en uppfattning om när dessa processer kördes, oavsett om de var framgångsrika eller inte, jag kan lyfta fram en viss körning av en ETL-process och sedan kommer det att visa mig uppdelningen av stegen inom den ETL-processen, om den var framgångsrik eller inte och hur lång tid det tog.
Om jag hade ett misslyckat paket här ETL-processen, kunde jag gå till detaljerna och se felmeddelandet och det skulle visa mig vilket steg i det paketet där ETL-processen misslyckades, tillsammans med alla meddelanden som är associerade med det. Så vad det gör är att det ger mig, och jag kan få en varning om den misslyckas, så om jag får en varning kan jag gå in här, se, gå till den varningen, se paketets fel, titta på stegen, se var det misslyckades, titta på felmeddelandet och jag vet omedelbart vad jag behöver göra för att fixa det: omdisponera det och starta sedan om igen. Så det här låter dig göra är att vi kallar det förkortar det fönstret mellan identifiering av problemet och lösningen av problemet. Så i förra livet, när jag var ansvarig för den här typen av saker, hade vi ETL-process som skulle köras på natten, för att ladda vårt datalager. Om jag hade den här informationen, först på morgonen när jag kom in, om något misslyckades, kan jag snabbt ta itu med den och få tillbaka processen för att se till att datalageret var igång och uppdateras när användarna kom in och började komma åt rapportering.
Den andra saken är att jag har två processer som körs, är att titta och se hur det gick över tiden. Det är viktigt eftersom om jag börjar se dessa processer, till exempel ta längre tid, se dessa tider rampa upp, kan jag behöva titta på, till exempel, mitt underhållsfönster, kanske jag har saker som händer på den servern . Ta till exempel säkerhetskopior; Jag kanske har en säkerhetskopia som pågår vilket gör att min process väntar tills den är klar. Jag kan behöva planera om eller jonglera mina processer kring saker som börjar påverka min ETL.
Och den sista delen är rapporteringstjänster. Rapporteringstjänster är Microsofts, i princip deras företagsrapporteringsverktyg. Och några av de sakerna, återigen kan vi titta på saker på servernivå, vi kan titta på saker över hela rapportservern, rapporteringsserverservern, själv. Jag har inte mycket saker att springa här; Jag har några prenumerationer som körs var 15: e minut för att köra en rapport. Så du kommer inte att se många aktiva anslutningar eftersom det går på, ansluter, kör rapport, kopplar bort och skickar det.
Men i höga transaktionsmiljöer där mycket rapportering görs är det viktigt att kunna övervaka dessa saker. Så du kan se var jag hade saker att hända här, så det ger dig en ganska bra uppfattning om vad, från den faktiska service- och plattformsnivån, som pågår. Och sedan, som jag pratade om i bilderna, är vem som kör vad och vad gör de? Och en av våra kunder köpte den här produkten just för det här stycket eftersom de ville veta vilka rapporter folk kör och vem som kör dessa rapporter. Så detta är en av sakerna i detta rapportutförande som du kan se här. Jag kan se vilken rapport, jag kan se alla parametrar som fanns i den rapporten, jag kan se vem som kör den, jag kan se rapportens format. Och sedan har jag alla dessa mätvärden kring det, så om jag igen kan rangordna dessa saker, till exempel vilken rapport som tog längst tid att hämta data, och jag kan gå rätt till det och se vilken rapport det är. Och igen, allt detta ger mig data för att kunna vara, att ställa in motorn igen. Nu kan jag börja ställa in min rapporteringsmiljö kring det.
Och det sista, är jag att kunna titta på användaraktiviteten, som är ansluten till för närvarande, vad gör de? Jag kan faktiskt, i en miljö där jag hade flera användare, alla kan sorteras så jag kan rangordna, jag kan se vem som använder miljön mest. Så bara för att snabbt gå tillbaka och titta på dessa varningar. Här var den varningen; Jag kan klicka på den här länken här och det tar mig till diagrammet för den tidpunkten och visar mig vilken som var under uppmärksamhet. Så du kan se här, det är den som orsakar att det var det genomsnittliga millisekunderna för att skriva, till exempel läsa och skriva. Så igen, bara att försöka få den punkten att identifiera problemen. Och det är verkligen viktigt att ha ett helhetsverktyg, inte bara något som tittar på den ena saken, för människans måste komma in här och korrelera dessa händelser som pågår, så du måste kunna titta på vad som hände vid det peka i tid över de olika områdena i den miljön, och det är en av de saker vi gör genom den här tidsväljaren här.
Eric Kavanagh: Ja, det här är Eric här bara med en snabb fråga, för jag tror att du antagligen slår spiken på huvudet, och det här är vad jag pratade om i början av timmen, att en människa måste komma in och dra dessa korrelationer mellan olika miljöer. Jag är nyfiken på att det finns något utbildningsmaterial som ni kan dela med, eller kanske gör ni någon form av engagemang med folk för att hjälpa dem att identifiera några av dessa mönster? Som om du hade ett riktigt bra exempel för en minut sedan, när en av dessa spikar som säger att något händer i minnet eftersom det fortsatte att försöka dumpa minnet. Och det ger dig en ledtråd, men hur kartlägger människor denna statistik mot verkliga problem, är den verkliga frågan.
Stan Geiger: Ja, det är en bra poäng och en av sakerna jag bara pratade om, färdplan för produkten, är senare i år vi kommer att släppa en version och en av de saker vi ska börja lägga till är för var och en av dessa grafer, är en beskrivning av vad den här grafen betyder och varför du bör bry dig, och vilka effekter detta har. Så klicka på ett frågetecken eller något på det här diagrammet och sedan dra upp ett fönster som ger dig mycket av den informationen och berätta att det här är de möjliga orsakerna, det är de områden som påverkas och att vägleda i du i en riktning för att kunna gå i det här fallet, som du sa, här är den spik, jag vet av min personliga erfarenhet vad detta betyder. Och sedan kan jag börja gå och börja borra i ett område och hitta grundorsaken.
Nu har vi mycket av det faktiskt i vår diagnostikhanteringsprodukt för SQL Server, för själva databasen. Vi har mycket av den typen av funktionalitet i en sådan produkt, och vi har också några analysbultar till diagnostikhanteraren som visar dig mycket snabbare. Och det är där vi går på vägen med den här produkten.
Eric Kavanagh: Och jag antar att det finns underskrifter på vissa slags aktiviteter. Låter det här verktyget dig identifiera när en viss typ av händelse ägde rum och katalogisera det, så att det med tiden kommer att känna igen ett liknande mönster längs linjen och hjälpa dig kanske ta reda på om det är en ny användare, till exempel med hjälp av samma verktyg? Hjälper dig att förstå, åh, det beror på att dessa servrar gick ner eller för att den här regionen gick ner? Finns det något sätt att katalogisera signaturer av problem, så att du enkelt kan identifiera dem senare?
Stan Geiger: Nej, faktiskt, men det är faktiskt ett intressant koncept, för det är nästan som, vad är det - principkomponentanalys, antar jag - där du identifierar mönster och du loggar in dessa mönster och så om du ser dem igen kan du gå tillbaka och se, OK, detta var orsaken vid den punkten. Ja, det är något, det är inte på färdplanen men det är något som jag har tänkt på ur produkthanteringssynpunkt.
Eric Kavanagh: Jag kan föreställa mig. Åh, gå vidare.
Stan Geiger: Nej, jag tänkte säga - och vi får många förfrågningar, för jag vet inte vad din erfarenhet är - men vad vi tycker är att DBA-känner databaser som baksidan av handen, men BI-grejerna är typ av en svart låda när det gäller plattformshälsa. Och det finns det inte, de har inte mycket kunskapsbas kring det. Jag gör det bara från att ha arbetat i det i fem till tio år, eller hur? Men typiska människor som är ansvariga för att hitta dessa, eller få varningar och ta reda på vad som hände, det är en svart ruta för dem.
Eric Kavanagh: Ja, jag kan föreställa mig. Jag skulle vara nyfiken på att också veta, så du visade på den ena skärmen hur du kan se alla frågor som kommer igenom, hur lång tid det tog att köra och vem genererade dem. Kan du också se den faktiska strukturen på själva SQL-frågan och på något sätt analysera det? Liksom kanske ibland sätter människor ihop SQL-frågor som är typ av skrymmande, låt oss säga och besvärliga, i motsats till en mästare som verkligen sätter ihop en fin, snäv fråga. Är det något du kan visualisera genom det här verktyget och sedan hjälpa dig att det är problemet?
Stan Geiger: Ja, så vad du kan göra är, precis som vad jag har gjort här, att jag bara har sorterat efter förfluten tid, till exempel. Så jag kan se de som tog längst och sedan får jag texten men sedan är det fortfarande upp till någon som är mer eller mindre ämnesekspert att titta på det och gå, ”Åh, OK, här är varför det tog så lång tid . ”Det är något som vi har en slags arbetsbelastningsanalys, vi kallar det SQL Workload Analyzer för databasesidan, som jag har lurat med tanken på att kanske på vägen kommer att hitta en liknande sak, så att den identifierar dessa frågor och ger dig rekommendationer om hur du ställer in dessa frågor. Men en av problemen är att denna MDX-fråga är ett ganska specialiserat språk.
Eric Kavanagh: Ja, jag kan föreställa mig. Men du kan till exempel se vem folket är, så det är inte så svårt att ta reda på om en person, om en kille är ansvarig för tio av de längsta processfrågorna, om du inte kan göra något annat kan du ringa honom eller ringa hans chef eller någon och säger: "Hej, den här killen tuggar upp mycket bandbredd", och det kanske visar sig att det är de mest värdefulla frågorna för företaget, eller hur? Du måste sätta det i samband med vad affärsvärdet är, från själva frågorna, det är inte bara ett spel med tydligt nummer, eller hur? Det är att ta reda på, den här killen är vår strömanvändare, och han är den som byter verksamhet, eller hur?
Stan Geiger: Nej, du har exakt rätt. Jag menar, det är ett av sättet kunderna använder detta, är att kunna göra det. Som du sa, kanske du hittar ett område, eftersom en av de saker jag talar om, jag slagg alltid på Excel, men du kan ansluta till analystjänster i Excel och köra pivottabeller från OLAP, och det genererar sina egna frågor, och skickar dem och ibland är de inte den bästa formen, så du kan gå tillbaka och identifiera dem och faktiskt skriva om dem och ge dem till användaren och låta dem köra dem utanför där så att det inte tar en halvtimme för dem för att återgå till sitt pivottabell.
Eric Kavanagh: Exakt. Och när vi pratar om förfrågningar, täcker ni allt frågeställningar, så ni nämnde MDX, hur är det med några av de andra frågorna som en DAX-fråga eller några av dessa andra-?
Stan Geiger: Ja, vi täcker, ja, alla DAX och MDX båda. Så en av de saker som jag inte nämnde, eller jag gjorde, kanske, men vi stöder både tabellform och OLAP i Microsoft och DAX är - jag tror att du och jag pratade om detta för en stund tillbaka - är att vi ser mycket mer tabell nu än vi är OLAP. För det är bara lättare att ta fram tabellmodeller och sådant, och så kommer du att se uppenbara DAX-frågor, men vi tar också upp dem.
Eric Kavanagh: Ja, det är intressant. Har du något sammanhang kring varför det händer? Är det kanske för att fler och fler människor kommer in i det här och eftersom OLAP naturligtvis inte är något nytt, det har funnits i vad, minst 30 udda år?
Stan Geiger: Okej, det är typ av en kombination, en av sakerna är att utforma kuber är en konst. Och kuber byggdes för att församla data så det är riktigt snabbt att få ut data, men bearbetningen av kuben tar lite tid för det måste göra alla dessa aggregeringar. Och sedan blev hårdvaran billigare och minnet blev billigare och sedan kom alla ut med kolumnerade databaser och i minnesdatabaser, verkligen. Och även tabellform är förmodligen det närmaste till traditionella relationsdatabaser och det är bara mycket lättare och snabbare att ta fram tabellmodeller än med OLAP. Men nackdelen är att det finns i minnet, hela saken ligger i minnet, så det är mycket minnesintensivt och data samlas inte förrän du begär det. Så efter att ha sagt allt detta börjar vi se mycket mer tabell där ute.
Eric Kavanagh: Det är intressant. Det kan också bero på att den här branschen är lite utplattad, och vad jag menar med det är att vi får mycket fler människor som interagerar med data och använder olika verktyg, och säkert när du pratar om Microsoft, tror jag det är definitivt så att du har många, många fler användare för små och medelstora företag, och till och med några större organisationer som gräver i saker, får tillgång till verktyg, kör frågor och de kanske inte är lika bekanta med hela processen och teknologierna kring att bygga kuber, till din punkt, eller hur? För det tar lite tanke, och det är också dyrt, eller hur? Det tar tid, det tar energi att bygga dessa kuber om du inte använder några av de nyare teknologier som finns där ute. Vi har pratat med företag som Snowflake, till exempel, det gör ganska intressanta saker, men jag tror att du har mycket fler människor som använder sakerna och de kommer antagligen med det du just har beskrivit, vilket är det tabulära formatet, i motsats till formellt byggande kuber, eller hur?
Stan Geiger: Ja, jag menar, jag antar att Excel - när vad var det, Power Pivot, tror jag - det är faktiskt tabell, om du tittar på det; det är så du bygger tabellmodeller. Och sedan nästa iteration var, jag kan berätta för mina tabellmodeller som jag bygger och jag distribuerar den upp till SQL Server så att jag kan dela den med alla andra. Så det är typ av en naturlig förlängning av Excel nästan.
Eric Kavanagh: Ja, det är en bra poäng. Vad vi har sett under de senaste, skulle jag säga fem till sju år, är bara en enorm utvidgning av användningen av dessa tekniker, eller hur? Och Microsoft, ärligt talat, har varit en pionjär i det och verkligen demokratisera kraftdata genom analystjänster och genom Power Pivot, eller hur? Jag menar, det var en spelbytare för branschen, eller hur?
Stan Geiger: Ja, nej, du har exakt rätt. Jag menar, jag har en bild när jag ger en längre presentation som visar övergången att gå från den semantiska modellen, som var OLAP, till tabellen. Och jag tror att jag har en offert från Microsoft; de vill ha information i användarnas händer, inte bara över väggen i IT-butiken, de vill få mer information i händerna på de människor som konsumerar det.
Eric Kavanagh: Och det kommer tillbaka till den första mycket enkla bilden som jag visade, vilket var den grundläggande beslutsprocessen för alla organisationer, och nu - och jag tycker att det här är en bra sak - vi får fler och fler människor från hela organisationens hierarki och uppmärksamma vad som händer, ta med sin berättelse till bordet och du gör det med data, det är slutresultatet, jag menar, du kan använda andra sätt, men om du stöder din berättelse med data, du kommer att ha mycket starkare argument än de som inte gör det, eller hur?
Stan Geiger: Exakt, ja. Som, ja, det är exakt rätt. Jag menar, det var därför nu, det brukade vara "Hej, jag behöver det här betänkandet", så nu måste jag gå igenom rapportbegäran och jag måste gå igenom här och få mitt betänkande, och nu kan jag sitta där precis vid mitt skrivbord och egentligen bara, jag har tillgång till de data som genereras, fatta mina affärsbeslut.
Eric Kavanagh: Det stämmer. Vet du, jag kom tillbaka från en konferens just den senaste veckan och det kom en hysterisk kommentar från en kille som driver en ganska stor BI-miljö för butiken Target, och han hänvisade till självbetjäningsanalys och självbetjäning BI, och uppenbarligen det är en stor fråga i dag. Jag är säker på att det är något som driver mycket aktivitet för vad ni gör på IDERA för när ni vill lansera självbetjäning, först och främst har ni en sund BI-miljö, eller hur? Om du kommer att få alla slags människor där ute som ställer alla slags frågor på alla slags sätt, kommer du att vilja ha något liknande det här verktyget här, för att kunna förstå vem som ställer vilka frågor och var. Och den roliga offerten jag ska slänga bara för spark här, som du sa, "Det finns en fin linje mellan självbetjänings-BI och gå F själv."
Stan Geiger: Ja.
Eric Kavanagh: Jag trodde att det var hysteriskt. Men ser du att självbetjäningstrenden verkligen driver mycket medvetenhet kring vad du gör med tekniken?
Stan Geiger: Ja, för som du sa, om du kommer att tillåta självbetjäning BI, då kommer du förmodligen att få några prestandaproblem, på grund av bara: A) mängden åtkomst, mängden människor som går vid data, och B) mängden dåligt bildade frågor och sätt att komma åt den du har. Så, du verkligen, det är verkligen viktigt att du övervakar miljön så att du kan hålla alla glada som försöker konsumera uppgifterna, eller hur?
Eric Kavanagh: Ja, jag tror att det är exakt rätt. Det är en välsignelse och en förbannelse: det är bra att människor försöker använda saker, men återigen, till din punkt, om du inte har rätt verktyg just nu, kommer du att bli en olycklig husbil för att rulla ut självbetjäning utan ett sådant verktyg, det verkar för mig att det bara ber om ett berg av problem.
Stan Geiger: Ja, jag menar, det liknar när jag byggde datalager, det är som om du inte fick dina dimensioner och faktabeller rätt, då släppte du loss det för ad hoc-rapportering, kanske du vill krypa under en sten.
Eric Kavanagh: Det är fantastiskt. Ja, det är bra, igen, det är goda nyheter att folk använder det här, men jag tror att jag måste tro att självbetjäning kommer att driva mycket aktivitet för det du gör, för du pratar om ramping upp mängden spänning och mängden tryck på dessa system med storleksordningar. Inte bara en eller två ordningsföljder och det är den punkten att du verkligen vill ha en viss synlighet och att du vill kunna se vem som gör vad, var, när, hur och varför. Ställ dessa frågor och sedan ta några beslut om hur du kan övervaka och ändra miljön och ändra din policy för vem som får tillgång till vad, eller hur?
Stan Geiger: Rätt. Och du vet, det också, att veta, se att utnyttjandet också låter dig gå in där, och potential, som jag nämnde objektet i kuben, kan jag göra saker för att förbättra det, så långt som jag bygger och designar saker. Så det är absolut nödvändigt att inte bara det för att titta på prestandan i saker utan också för att kunna se hur ditt schema och din design presterar på den nivån också för att kunna göra tweaks till det. Och det kommer bara att bli större och större eftersom saker som power BI är den stora saken nu, med Microsoft, så nu kan jag bygga egna instrumentpaneler och widgets och saker, och inte behöver vara BI-utvecklare.
Eric Kavanagh: Det stämmer. Ja, det är bra saker, det kommer överallt, men du kommer att behöva något sätt att hantera den miljön eller så kommer du att få olyckliga användare. Det leder till olycklig ledning, vilket leder till att människor blir sparken. Det finns en ganska klar dominoeffekt när saker börjar falla in, men det här är bra grejer.
Så jag tuggade lite de senaste fem minuterna här. Robin, hade du några frågor?
Robin Bloor: Jag tycker att det är fascinerande att vara ärlig. Det får mig att tänka på det faktum att vi hade väldigt begränsade miljöer och självbetjäning förändrar faktiskt världen och mycket av det som faktiskt händer verkligen eftersom mycket fruktansvärt data har kommit in i miljön än vad som hänt tidigare. Den enda frågan, för vi har inte mycket tid, men den enda frågan jag skulle vara intresserad av att ställa det är som om du förklarade hur det var - för jag tyckte att det var en mycket bra demo - det sätt som BI-övervakning fungerar. Jag undrade vad gör människor som inte har den här typen av saker? Eftersom det måste vara väldigt svårt, det finns ett antal saker där du gör skillnad, rotorsaken är bra, du behöver inte alltid komma till grundorsaken, men du kan komma till grundorsaken med några av de sakerna att du tittar på, att när du sa att ett antal människor köper verktyget bara för att veta vem som kör vad, och att mitt sinne snurrar, för det är som att du inte vet vem som kör vad, då är saker utan kontroll. Så, hur ser miljön ut när den är utan kontroll?
Stan Geiger: Jag menar, du kan få all den information som vi har i verktyget själv, men du skulle behöva skriva ett gäng hemmagjorda skript och för att uppgifterna är alla där ute är det bara att du måste veta var du ska få det, som kräver en kompetensnivå, eller hur? Så i miljöer där du inte har den kompetensenivån, vad du får är, är det hej, är det upp eller ner? Jag vet verkligen inte om det fungerar effektivt eller inte, men det är upp, eller hur? Och sedan börjar jag få telefonsamtal eller folk går, "Hej, min rapport finns inte i min inkorg, vad händer?" Eller "Jag har bara skickat in den här rapporten via rapporteringstjänster" eller så kan de göra en fråga här i analystjänster, men det tog som en halvtimme, och det brukade bara ta som 30 sekunder, vad händer? Nu måste du göra eldborrningen och försöka räkna ut den, och utan verktyg blir det väldigt svårt.
Robin Bloor: Tja, rätt, det var det som bara blev allt tydligare för mig, när du demonstrerade var och en av dimensionerna av vad du faktiskt har fått här. Den andra saken, det är som på en mycket, mycket primitiv nivå, om du inte har varningar som säger att saker går fel, så är det bara ett dyrt - du kommer in i en dyr situation och försöker bota vad som har hänt, eftersom du inte veta förrän saker börjar falla över dåligt, eller hur?
Stan Geiger: Rätt, du vet inte vad du inte vet.
Eric Kavanagh: Du har det. Tja, hej folkor, vi har bränt igenom en timme och förändrats här. Mycket stort tack till vår egen Robin Bloor, och naturligtvis vår vän, Stan Geiger, från IDERA Software. De kommer att vara på Enterprise Data World, i själva verket, om någon av er ska åka dit, kommer ni verkligen att vara där också i Atlanta. Vår goda vän, Tony Shaw, gör ett bra jobb med den konferensen fyra år nu, och hej vad som är gammalt är nytt igen. Det är alla heta saker. Förhoppningsvis ser vi dig där ute, om inte, kom tillbaka med oss nästa vecka, vi har ett antal andra webbsändningar uppradade.
Alltid nyfiken på att höra dina tankar, skicka ett e-postmeddelande till det som passar mig, om du har några frågor eller förslag eller annan teknik du vill lära dig om i Hot Technologies. Och med det kommer du att ta farväl, folkens. Tack igen för att du gick med, vi pratar med dig nästa gång. Ta hand om dig. Hejdå.
