Die Hadoop-basierte Landezone - Dummies

Wenn Sie versuchen herauszufinden, was eine Analytics-Umgebung ist Wie in der Zukunft aussehen mag, stolpert man immer wieder über das Muster der Hadoop-Landezone. In der Tat ist es nicht einmal mehr eine zukunftsorientierte Diskussion, weil die Landezone zu der gewordenen Weise geworden ist, dass zukunftsorientierte Unternehmen jetzt versuchen, IT-Kosten zu sparen und eine Plattform für innovative Datenanalyse zu bieten.

Was genau ist die Landezone? Auf der grundlegendsten Ebene ist die Landezone lediglich der zentrale Ort, an dem Daten in Ihrem Unternehmen landen - beispielsweise wöchentliche Extraktionen von Daten aus operativen Datenbanken oder von Systemen, die Protokolldateien generieren. Hadoop ist ein nützliches Repository, in dem Daten landen, aus diesen Gründen:

• Es kann alle Arten von Daten verarbeiten.

• Es ist einfach skalierbar.

• Es ist günstig.

• Sobald Sie Daten in Hadoop landen, haben Sie die Flexibilität, die Daten auf verschiedene Arten abzufragen, zu analysieren oder zu verarbeiten.

  

Dieses Diagramm zeigt nur einen Teil der Geschichte und ist keinesfalls vollständig. Schließlich müssen Sie wissen, wie sich die Daten von der Landezone in das Data Warehouse bewegen und so weiter.

Der Ausgangspunkt für die Diskussion über die Modernisierung eines Data Warehouse muss sein, wie Unternehmen Data Warehouses nutzen und welche Herausforderungen die IT-Abteilungen damit bewältigen müssen.

In den 1980er Jahren, nachdem Unternehmen ihre Betriebsdaten in relationalen Datenbanken (z. B. Verkaufstransaktionen oder Lieferkettenstatus) gespeichert hatten, wollten Unternehmensleiter Berichte aus diesen relationalen Daten generieren. Die ersten relationalen Geschäfte waren operative Datenbanken und waren für die Online-Transaktionsverarbeitung (OLTP) konzipiert, so dass Datensätze so schnell wie möglich eingefügt, aktualisiert oder gelöscht werden konnten.

Dies ist eine unpraktische Architektur für umfangreiche Berichterstellung und Analyse, so dass relationale Online Analytical Processing (ROLAP) -Datenbanken entwickelt wurden, um diesen Bedarf zu decken. Dies führte zur Entwicklung einer ganz neuen Art von RDBMS: einem Data Warehouse, , das eine separate Entität ist und neben den Betriebsdatenspeichern eines Unternehmens steht.

Dies ist auf die Verwendung von speziell entwickelten Tools für mehr Effizienz zurückzuführen: Sie verfügen über Betriebsdatenspeicher für die effiziente Verarbeitung von Transaktionen und Data Warehouses, die für die Unterstützung wiederholter Analysen und Berichte konzipiert sind.

Data-Warehouses werden jedoch aus folgenden Gründen zunehmend belastet:

• Erhöhte Nachfrage, um längere Datenperioden online zu halten.

• Erhöhter Bedarf an Verarbeitungsressourcen zur Umwandlung von Daten zur Verwendung in anderen Lagern und Data Marts.

• Gesteigerte Nachfrage nach innovativen Analysen, bei denen Analysten zusätzlich zu den bereits laufenden regelmäßigen Berichten Fragen zu den Lagerdaten stellen müssen. Dies kann zu einer erheblichen zusätzlichen Verarbeitung führen.

In der Abbildung sehen Sie das Data Warehouse, das als primäre Ressource für die verschiedenen Analysearten dargestellt wird, die auf der rechten Seite der Abbildung aufgeführt sind. Hier sehen Sie auch das Konzept einer Landezone, in der Hadoop Daten aus verschiedenen eingehenden Datenquellen speichert.

Um eine Hadoop-Landezone zu aktivieren, müssen Sie sicherstellen, dass Sie Daten aus den verschiedenen Datenquellen in HDFS schreiben können. Für relationale Datenbanken wäre eine gute Lösung Sqoop.

Aber die Daten zu landen ist nur der Anfang.

Wenn Sie Daten aus vielen Quellen in Ihre Landezone verschieben, ist ein Problem, mit dem Sie unweigerlich konfrontiert werden, die Datenqualität. Es ist üblich, dass Unternehmen über viele operative Datenbanken verfügen, in denen wichtige Details unterschiedlich sind, beispielsweise dass ein Kunde als "D. deRoos "in einer Datenbank und" Dirk deRoos "in einer anderen Datenbank.

Ein weiteres Qualitätsproblem liegt in Systemen, bei denen die manuelle Dateneingabe entweder von Kunden oder Mitarbeitern stark ausgeprägt ist - hier ist es nicht ungewöhnlich, dass umgeschaltete Vornamen und Nachnamen oder andere Fehlinformationen in den Datenfeldern vorkommen.

Datenqualitätsprobleme sind eine große Herausforderung für Data Warehouse-Umgebungen, und daher wird viel Aufwand in die Bereinigungs- und Validierungsschritte investiert, da Daten von anderen Systemen verarbeitet werden, wenn sie in das Warehouse geladen werden. Alles läuft auf Vertrauen hinaus: Wenn die Daten, mit denen Sie Fragen stellen, schmutzig sind, können Sie den Antworten in Ihren Berichten nicht vertrauen.

Während Sie in Ihrer Hadoop-Landezone Zugriff auf viele verschiedene Datensätze aus verschiedenen Quellen haben, müssen Sie die Datenqualität und die Vertraulichkeit der Daten berücksichtigen.