最新のデータプラットフォームでデータアーキテクチャを簡素化する3つの方法

パンデミック後、より楽観的な経済状況が現れるにつれ、組織は正確で信頼性の高いデータをリアルタイムで一元管理し、顧客に価値を提供し、リスクを低減し、新たな機会や課題に迅速かつ効果的に対応できるようにすることが必要です。

しかし、さまざまなタイプのデータやワークロードを管理するために、複数の多様なテクノロジーを蓄積してきた多くの組織にとって、それは容易なことではありません。 おそらく彼ら自身の責任ではないだろうが、こうした組織のITリーダーは、不必要なアーキテクチャの複雑さとレイテンシーに直面しています。 彼らは、多くの動的なパーツに対応し、それらの間でデータを移動させる必要があります。

全体的な目的はアジリティの向上であり、アーキテクチャの簡素化は、コスト削減、パフォーマンスの向上、セキュリティの向上に役立つため、現実的な目標です。 それは達成可能であり、どの組織も手の届くところにあります。ここでは、それを達成するための3つの方法を紹介します。

簡略化への道筋の第一は、純粋なマルチモデルデータベースです。 これは、キーバリューデータベース、ドキュメントデータベース、グラフデータベースのような、複数の特別な目的のデータベース管理システムを、ディスク上の単一のデータ表現に置き換えるものです。 データの重複がなく、オンデマンドであらゆる表現にアクセス可能です。

ビジネスの多くの分野で、このマルチモデルアプローチを採用することができます。 例えば、ホスピタリティ業界では、1つのホテル予約アプリケーションが5つものデータベース管理システムに依存している場合があります。 各ストアには、スケールアウト、負荷、ディザスタリカバリ、可用性、セキュリティのための個別のモデルがあり、その結果、データが重複し、うまくいかない機会が多くなります。

このようなシステムで動作するアプリケーションは、大規模なテストを行わなければなりませんが、データの再利用は問題になります。 複数の製品を学ぶ必要があることに加え、デバッグやサポートに多くの従業員の時間が費やされ、総所有コストが増大します。

簡素化されたホテル予約アプリケーションが開発コストを3分の1に削減するのと比べてみてください。 単一のマルチモデルシステムは、スケーリングが比較的容易であり、共通プールからのデータへのアクセスも容易です。 また、要求の変化に合わせてリファクタリングするのも簡単で、システム間のレイテンシーをなくすことが可能です。

よりシンプルなアーキテクチャーへの第二の道は、トランザクショナル・アナリティック、つまり「トランスリティカル」プラットフォームを利用します。 これは、トランザクションと分析データ管理機能を単一のデータベース・エンジンに統合したものです。 トランザクションシステムがトランザクション処理を最適化するのに対し、分析システムはクエリと分析ワークロードを最適化します。 このような機能を1つのデータベースエンジンにまとめることで、リアルタイムの洞察とアクションのためにアナリティクスを使用する際に、妥協することなく高いパフォーマンスを実現します。 先進的なデータプラットフォームテクノロジーは、この統合アーキテクチャーを配置し、システム間でデータを移動する際の待ち時間をなくします。 どちらのワークロード・タイプでも、パフォーマンスやスケーラビリティを犠牲にすることなく、これを実現します。

グローバルな金融サービスでは、単一のトランズリティカル・プラットフォームを導入することで、大手投資機関が1日に何十億もの取引と注文を処理すると同時に、企業全体の何百ものアプリケーションから1秒間に何千もの同時リクエストに対応することができます。 ある組織では、取引のスループットが3倍以上に増加し、データの取り込みは10倍になりました。 この新しいアプローチによって、運営コストは75％削減されました。

簡略化のための3番目の、そして最も新しいパターンは、データベース内の機械学習（ML）です。 データ管理用とデータサイエンス用に別々のプラットフォームを持つ必要がなくなり、MLのような先端技術の最適化に対する多くの障壁を克服することが可能です。 これには、常に存在する専門知識の不足や、使用可能なデータの問題も含まれます。

MLテクノロジーをデータプラットフォームに直接組み込むAutoMLやIntegratedMLという形で簡素化します。 これにより、MLモデルの開発は、ビジネス上の問題を理解しているが、広範なデータサイエンスの専門知識を持っていないスタッフでも容易に利用できるようになります。 組織のデータサイエンティストにとって、AutoMLはもう一つの大きな利点を提供します。それは、モデルのチューニングや評価といった、より価値の高い活動に生産的な時間を割くことができるようになることです。 また、これらの機械学習モデルをプロセスやワークフローに組み込み、イベントやトランザクションに基づいてリアルタイムで実行される、インテリジェントでデータ駆動型の処方的プロセスを作成することも容易です。

複雑なアーキテクチャーを持つ組織が、データ管理技術の進歩を通じて簡素化へのどの道を進もうとも、運用面でもコスト面でも大きなメリットを得ることができます。 これには、総所有コストの大幅な削減、より高いレベルのパフォーマンスと効率性、そして重要なスケーラビリティとレジリエンスが含まれます。 これらは、オンプレミス、クラウド、ハイブリッド環境のいずれに展開しても、即座に得られる利益です。

これまで見てきたように、データベース管理の進歩は、データ アーキテクチャーの簡素化がパフォーマンスを犠牲にするという古い概念を歴史から消し去りました。 このような代替案は、マルチポイントソリューションの展開によってはるかに複雑なものとなり、データをより脆弱な場所に移動させる必要があるため、データを危険にさらすことになります。 シンプル化には、ベストオブブリードのアプローチよりも多くの利点があることを理解する時が来ています。 簡素化することの利点は、自明のことです。

マルチワークロード、マルチモデルデータベースで何が可能かを理解するのに役立つ長所と短所、そしてトレンドについてジェフからさらに話をしています。

IASAカンファレンス での彼の全録音をお聞きください。

Data Excellence 他のブログを読む。