Huit aspects fondamentaux de l’évolutivité multidimensionnelle

pour une mise à l'échelle sans compromis

L'époque dans laquelle nous vivons se caractérise par une surabondance de données. ll existe aujourd'hui davantage de sources et de types de données que jamais auparavant. Bon nombre d'entreprises se concentrent sur la collecte de toutes ces données à des fins d’analyse, ce qui nécessite un écosystème d’analyse de données connecté doté d'une évolutivité multidimensionnelle.

Une plateforme de données multi-cloud connectée dédiée à l’analyse de données d’entreprise et dotée d'une évolutivité multidimensionnelle

Analyser les données de manière granulaire

Au départ, les projets sont généralement conçus pour correspondre un cas d’usage spécifique. Cette approche, qui repose sur un seul cas ou produit de données à la fois, n'est pas évolutive. C'est pourquoi il est nécessaire de disposer d'une plateforme de données multi-cloud connectée et dédiée à l’analyse de données d’entreprise évolutive, afin de pouvoir répondre à tout moment à l'ensemble des questions concernant n’importe quelle donnée, quel que soit l'utilisateur qui la pose.

Une plateforme dotée d’une évolutivité multidimensionnelle permet d'améliorer simultanément les capacités sur huit aspects essentiels, sans que cela ait un impact négatif sur d’autres domaines. Une telle évolutivité pemet de fournir les capacités avancées dont les entreprises de demain ont besoin afin d’exécuter quotidiennement des millions de modèles sur des billions d’interactions à chaque seconde. Cela leur permet également d'effectuer des analyses plus granulaires de leurs clients, de leurs services et de leurs finances.

S'affranchir de la complexité liée à l’analyse des données

De nombreuses technologies sont incapables de gérer un nombre croissant de requêtes simultanées et complexes sur de vastes volumes de données. Lorsque les technologies sont incapables de s'adapter à ce niveau de complexité, elles cherchent des raccourcis et des compromis dans d’autres dimensions.

Afin de s'adapter à l'augmentation significative du nombre de requêtes simultanées, ces technologies ont besoin que les utilisateurs :

  • Réduisent la complexité de leurs requêtes

  • Mettent en place des plateformes distinctes

  • Ajoutent un nouveau cluster dans le cloud

  • Limitent le nombre d’utilisateurs

  • Affinent les requêtes spécifiques

Ces actions ont pour conséquences de limiter la création de valeur, d'ajouter à la complexité, de restreindre l’agilité et d'augmenter les dépenses. Elles limitent également l’agilité future, restreignent la capacité à poser des questions métier transversales et brident la flexibilité des utilisateurs, qui ne sont pas en mesure de poser n’importe quelle question à n'importe quel moment. C’est pourquoi la plateforme de données multi-cloud connectée et dédiée à l’analyse des données d’entreprise doit permettre l'hyperévolutivité.

5 pré-requis pour rester évolutif dans un monde où le cloud constitue une priorité

Pour évoluer dans un monde où le cloud constitue la principale priorité, les entreprises ont besoin d’une architecture moderne d’analyse de données dans le cloud qui inclut les cinq capacités suivantes :

  1. La séparation entre puissance de calcul et stockage grâce à une mise à l’échelle élastique.

    Cette fonctionnalité de pointe permet de répondre aux exigences des données et des utilisateurs sans générer de capacité excédentaire ou inutilisée. L’élasticité permet aux utilisateurs d’augmenter ou de réduire la quantité de ressources et de débuter ou d'arrêter l'exploitation de ces dernières sans nécessiter l'intervention du service informatique.

  2. L'intégration avec les services first-party dans le cloud.

    L’intégration étroite avec les services d’Amazon Web Services, Microsoft Azure et Google Cloud permet d'accélérer le déploiement de solutions au sein de l'écosystème d’analyse de données.

  3. L'ingestion de sources de données modernes.

    La prise en charge de plusieurs types de données au sein d'un système unique permet d’intégrer les données entre elles, d’éliminer les données et les processus redondants et d'effectuer des analyses avancées.

  4. La gestion intégrée des données et l'analyse évolutive.

    La plateforme d’analyse de données doit unifier la gestion des données et leur analyse pour permettre l’exploration, la modélisation et l'évaluation des données à grande échelle au sein d'un environnement unique et facile d'utilisation, tout en automatisant les fonctionnalités de gestion des données.

  5. L'allocation dynamique des ressources et la gestion des charges de travail.

    La plateforme doit être capable de gérer les ressources système et les charges de travail des utilisateurs de manière dynamique.

Huit aspects fondamentaux de l’évolutivité multidimensionnelle

De nombreux fournisseurs définissent une plateforme évolutive comme une plateforme capable d'exécuter plusieurs requêtes et de répondre aux futurs besoins en matière d'évolution des données. Toutefois, cette définition ne va pas assez loin. La mise à l'échelle doit également prendre en compte des facteurs essentiels tels que la latence, les performances, la fiabilité, la disponibilité et le coût total de possession (TCO).

Ainsi, l'évolutivité repose sur huit aspects essentiels :

  1. Le volume de données

    Stocker et traiter efficacement des pétaoctets de données de manière native ou grâce au stockage objet permet d'accéder facilement à toutes les données nécessaires pour obtenir des résultats d'analyses approfondis.

  2. La simultanéité des requêtes

    Traiter simultanément de vastes volumes de requêtes est un moyen d'accélérer l'activité. Il est important d'optimiser et d'équilibrer les multiples requêtes complexes et gourmandes en ressources, tout en respectant les accords de niveau de service (SLA).

  3. La complexité des requêtes

    Il est essentiel d'assurer la prise en charge de requêtes complexes à forte valeur ajoutée, y compris des requêtes conjointes multiples. Poser des questions qui concernent différents services de l’entreprise permet d'obtenir de nouveaux résultats.

  4. Sophistication des schémas

    Des schémas de données extensibles et flexibles répondent à toutes les exigences de l’entreprise. Cette flexibilité permet de mettre en place n’importe quel type de schéma - qu'il s'agisse de schémas normalisés, semi-structurés ou d'une absence de schéma.

  5. Volume de données des requêtes

    Il s'agit du volume de données qui peut être traité rapidement et efficacement en une seule requête, sans nécessiter d'intervention manuelle. S'ils disposent de la plateforme adéquate, les utilisateurs métier ne sont pas forcés de restreindre leurs requêtes, car toutes les données sont prises en compte.

  6. Le temps de réponse par requête

    Il est essentiel d'avoir des temps de réponse rapides et cohérents pour vous conformer strictement aux SLA.

  7. La latence des données

    Le chargement et la mise à jour des données presque en temps réel, tout en supportant les charges de travail relatives aux requêtes, permet aux utilisateurs de rester synchronisés avec les processus métier et de répondre aux besoins en matière d'analyse de données concernant les données actuelles.

  8. Des charge de travail mixtes

    Il est important d'encourager la prise en charge plusieurs applications ou utilisateurs répondant à des SLA très différents au sein d'un environnement unique afin de simplifier la gestion des charges de travail, de garantir le respect des SLA et de maximiser les ressources.

Ces capacités en matière d’évolutivité permettent aux entreprises de poser de nouvelles questions sophistiquées concernant l'ensemble de leurs données afin d'atteindre leurs objectifs. En voici un exemple : l’évolutivité multidimensionnelle aide des entreprises comme la Banque Royale du Canada à exploiter l'analyse de données moderne. Que peut-elle faire pour vous?