Video: Frukostseminarium 17 oktober 2019: Så funkar det när Nationella läkemedelslistan är på plats 2024
När datan flyttades till den kommersiella marknaden lagrades data i platta filer som inte innebar någon struktur. Idag kräver stora data hanterbara datastrukturer. När företagen behövde få en detaljerad förståelse om kunderna, var de tvungna att tillämpa brutkrafter metoder, inklusive mycket detaljerade programmeringsmodeller för att skapa något värde.
Senare på 1970-talet ändrades saker med uppfinningen av relationsdatamodellen och relationsdatabashanteringssystemet (RDBMS) som innehöll struktur och en metod för att förbättra prestanda. Viktigast har relationsmodellen lagt till en abstraktionsnivå så att det var lättare för programmerare att tillgodose de växande företagens krav att extrahera värdet från data.
Relationsmodellen erbjöd ett ekosystem av verktyg från ett stort antal nya mjukvaruföretag. Det fyllde ett växande behov för att hjälpa företagen att organisera sina uppgifter bättre och kunna jämföra transaktioner från en geografi till en annan.
Dessutom bidrog det till företagsledare som ville kunna granska information som inventering och jämföra den med kundorderinformation för beslutsfattande. Men ett problem uppstod från denna exploderande efterfrågan på svar: Det var dyrt att lagra denna växande datamängd och det var långsamt att komma åt det. Att göra saken värre, det fanns mycket dataduplikation och det faktiska affärsvärdet för dessa data var svårt att mäta.
När volymen av data som organisationerna behövde för att hantera växte out of control, tillhandahöll datalageret en lösning. Datalagret möjliggjorde för IT-organisationen att välja en delmängd av de data som lagras, så att det skulle vara lättare för företagen att försöka få insikter.
Datalageret var avsett att hjälpa företag att hantera alltmer stora mängder strukturerad data som de behövde kunna analysera genom att minska volymen av data till något mindre och mer fokuserat på ett visst område i verksamheten. Det fyllde behovet av att separera operativ beslutsstödshantering och beslutsstöd - av prestationsskäl.
Lager lagrar ofta data från tidigare år för att förstå organisationsprestanda, identifiera trender och hjälpa till att avslöja beteendemönster. Det tillhandahöll också en integrerad informationskälla från olika datakällor som kan användas för analys. Idag kan både innehållsförvaltningssystem och datalager utnyttja förbättringar i skalbarheten hos hårdvara, virtualiseringsteknik och möjligheten att skapa integrerade hårdvaru- och mjukvarusystem.
Ibland var dessa datalager själva alltför komplexa och stora och erbjuder inte den hastighet och smidighet som verksamheten krävde. Svaret var en ytterligare förfining av de data som hanterades via data mars. Dessa data mars fokuserade på specifika affärsproblem och stödde företagets behov av snabba frågor. Lageret har utvecklats för att stödja nya tekniker som integrerade system och datautrustning.
Datalager och data mars löste många problem för företag som behövde ett konsekvent sätt att hantera massiva transaktionsdata. Men när det gällde att hantera enorma volymer av ostrukturerade eller halvstrukturerade data kunde lageret inte utvecklas tillräckligt för att möta förändrade krav.
För att komplicera saker matas datalager typisk i satsintervall, vanligtvis varje vecka eller dagligen. Det här är bra för planering, finansiell rapportering och traditionella marknadsföringskampanjer, men det är för långsamt för allt mer i realtid näringsliv och konsumentmiljöer.
Hur skulle företag kunna omvandla sina traditionella datahanteringsmetoder för att hantera den växande volymen av ostrukturerade dataelement? Lösningen kom inte fram över natten. När företagen började lagra ostrukturerad data började säljare att lägga till funktioner som BLOBs (binära stora objekt).
I huvudsak skulle ett ostrukturerat dataelement lagras i en relationsdatabas som en sammanhängande bit av data. Det här objektet kan märkas men du kunde inte se vad som var inne i det objektet. Det var uppenbart att detta inte skulle lösa förändrade kund- eller affärsbehov.
Ange objektdatabashanteringssystemet (ODBMS). Objektdatabasen lagrade BLOB som en adresserbar uppsättning bitar så att du kunde se vad som var där inne. Till skillnad från BLOB, som var en oberoende enhet bifogad en traditionell relationsdatabas, tillhandahöll objektdatabasen ett enhetligt tillvägagångssätt för hantering av ostrukturerad data.
Objektdatabaser innehåller ett programmeringsspråk och en struktur för dataelementen, så att det är lättare att manipulera olika dataobjekt utan programmering och komplexa anslutningar. Objektdatabaserna introducerade en ny nivå av innovation som hjälpte till att leda till den andra vågen av datahantering.
