SlideShare uma empresa Scribd logo
Obtenha  insights  consistentes para o seu negócio: Conheça o novo appliance IBM Netezza Christiano Hage (chrishg@br.ibm.com) Outubro de 2011
Agenda ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Você ainda usaria o Google  se fossem necessários 3 Dias e 5 Pessoas  para obter o resultado? Information Management
” “ -  Gartner 2010 Magic Quadrant Gerenciamento complexo Exige recursos especializados Tuning constante Dias para uma única consulta Information Management Aproximadamente 70%  dos Data Warehouses apresentam limitações de performance.
Information Management Os dados continuam a  expandir exponencialmente. Análises de negócios estão se tornando mais complexas a medida que o negócio demanda respostas mais rápidas. O data warehouse agora é de missão crítica.
Appliances ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Arquitetura convencional de um ambiente de Data Warehouse SQL DATA Database Server Storage Red Brick ,[object Object],[object Object],[object Object],[object Object],CACHE ,[object Object],[object Object],[object Object],CACHE ,[object Object],[object Object],[object Object],CACHE ,[object Object],[object Object],[object Object],CACHE I/O I/O I/O I/O SQL DATA Source Systems Client High Performance Loader 3rd Party Apps DBA CLI ETL Server SOLARIS LINUX HP-UX AIX WINDOWS TRU64
Proposta do Appliance para Data Warehouse
Simplicidade e compatibilidade com ferramentas do mercado ODBC 3.X JDBC Type 4 SQL-92 SQL-99 Analytics Appliance IBM Netezza 1000 Sistemas Fonte Clientes High Performance Loader 3rd Party Apps DBA CLI ETL Server SOLARIS LINUX HP-UX AIX WINDOWS TRU64
A abordagem revolucionária do IBM Netezza ” “ Análises de negócio mais simples, rápidas e acessíveis É o que o Netezza fez no mercado de data warehousing: Ele  mudou totalmente a forma como pensamos  data warehousing. - Philip Howard, Bloor Research O Appliance
Page  Mídia Bancos e Serviços Financeiros Governo Saúde & Life Sciences Varejo / Indústria Telecom Outros
O verdadeiro appliance fornece ” “ implementação muito mais rápida e fácil Nos enviaram um appliance, nós o colocamos em nosso data center e o plugamos em nossa rede. Em 24 horas o appliance estava rodando. Não estou exagerando, foi tão fácil como estou dizendo. - Joseph Essas, Vice President e de Tecnologia, eHarmony e Harmony
” “ velocidade para transformar o negócio - SVP Application Development, Nielsen O verdadeiro appliance fornece … quando as análises demoravam 24 horas eu ficava limitado, mas agora que elas demoram segundos, eu posso repensar o meu negócio completamente…
” “ formas inovadoras de trabalhar ,[object Object],O verdadeiro appliance fornece Com a tecnologia do Netezza, nós podemos individualizar as ofertas para milhões de clientes, resultando em aumento de resultados nunca antes visto na indústria .
” “ menor custo total de propriedade - Mark Saponar, CIO, iBasis O verdadeiro appliance fornece O nosso time de data warehouse consiste em um ou dois colaboradores que precisam fazer apenas pequenas alterações a cada três meses.
O Appliance IBM Netezza 1000 Banco de dados de alta Performance, joins, agregações, sorts, etc.  Compilador SQL Query Plan Otimizador Admininistração Processadores & RAM e FPGAs Dados de usuário Espelhamento Temp/Swap SMP Hosts S-Blades™  (FPGA-based Database Accelerator) Discos/Storage
A S-Blade do Appliance Netezza
Os componentes da S-Blade™ Intel Quad-Core 2+ GHz CPU Dual-Core FPGA 125 MHz 32 GB DRAM IBM BladeCenter Server Netezza DB Accelerator SAS Expander Module
CPU Requisição Armazenamento para propósito geral Requisição Arquitetura Tradicional utilizada para DW Carga de trabalho para Data Warehouse: Menos requisições, muita movimentação de dados
Resultados Arquitetura Tradicional utilizada para DW Requisição Armazenamento para propósito geral CPU Carga de trabalho para Data Warehouse: A arquitetura tradicional é ineficiente
Resultados Arquitetura IBM Netezza Armazenamento Inteligente CPU Requisição Processamento Paralelo Massivo Assimétrico MPP Assimétrico: Armazenamento de Dados Inteligente
Resultados Arquitetura IBM Netezza Armazenamento Inteligente CPU Requisição 1% de tráfego na rede 2% de CPU requisitados Processamento Paralelo Massivo Assimétrico MPP Assimétrico: Movimentação de dados altamente eficiente
Asymmetric Massively Parallel Processing™ Massively Parallel  Intelligent Storage 1 2 3 920 Ÿ Ÿ Ÿ Rede SMP Host Front End Appliance IBM Netezza 1000 High-Speed Loader/Unloader Execution Engine SQL Compiler Query Plan Optimize Admin ODBC 3.X JDBC Type 4 OLE-DB SQL/92 Sistemas Fonte Clientes High Performance Loader 3rd Party Apps DBA CLI ETL Server SOLARIS LINUX HP-UX AIX WINDOWS TRU64 High-Performance Database Engine Streaming joins, aggregations, sorts S-Blade Processor & streaming DB logic S-Blade Processor & stre aming DB logic S-Blade Processor & streaming DB logic S-Blade Processor & streaming DB logic
Asymmetric Massively Parallel Processing™ High-Performance Database Engine Streaming joins, aggregations, sorts S-Blade Processor & streaming  DB logic S-Blade Processor & streaming DB logic S-Blade Processor & streaming  DB logic S-Blade Processor & streaming DB logic Execution Engine Massively Parallel  Intelligent Storage 1 2 3 920 Ÿ Ÿ Ÿ Rede SMP Host Front End Appliance IBM Netezza 1000 High-Speed Loader/Unloader SQL Compiler Query Plan Optimize Admin SQL 1 2 3 1 2 3 1 2 3 1 2 3 Snippets 1 2 3 1 2 3 SQL Sistemas Fonte Clientes High Performance Loader 3rd Party Apps DBA CLI ETL Server SOLARIS LINUX HP-UX AIX WINDOWS TRU64
Nosso segredo: a FPGA FPGA CPU Descomprime Elimina colunas não usadas Restringe Visibilidade Operações complexas: ∑ Joins, Aggs, etc. select CIDADE, PRODUTO, sum(QUANTIDADE) from  VENDAS where  MES = '20091201' and  SEGMENTO = 509123 and  CATEGORIA = 'GASTRO‘ group by CIDADE, PRODUTO order by PRODUTO; Parte da tabela VENDAS (dados comprimidos) where MES = '20091201' and  SEGMENTO = 509123 and  CATEGORIA = 'GASTRO' sum(QUANTIDADE) group by, order by select CIDADE, PRODUTO, sum(QUANTIDADE)
Asymmetric Massively Parallel Processing™ High-Performance Database Engine Streaming joins, aggregations, sorts, etc.   S-Blade Processor & streaming DB logic S-Blade Processor & streaming DB logic S-Blade Processor & streaming DB logic S-Blade Processor & streaming DB logic Massively Parallel  Intelligent Storage 1 2 3 920 Ÿ Ÿ Ÿ Rede SMP Host Front End Netezza TwinFin Appliance High-Speed Loader/Unloader SQL Compiler Query Plan Optimize Admin Execution Engine ODBC 3.X JDBC Type 4 OLE-DB SQL/92 1 2 3 1 2 3 1 2 3 1 2 3 Consolidação Sistemas Fonte Clientes High Performance Loader 3rd Party Apps DBA CLI ETL Server SOLARIS LINUX HP-UX AIX WINDOWS TRU64
[object Object],[object Object],[object Object],[object Object],Alta disponibilidade Dados Espelhamento Temp
Alta disponibilidade Page  . . . . . . . . . . . . . . . S-Blades
A simplicidade do Appliance ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Administração minimizada Sem índices ou tuning Sem instalações de software Passos da instalação: - Ligar na energia elétrica - Trocar senha - Rodar testes - Iniciar o projeto
A evolução da inteligência competitiva Relatórios e  Análises Ad-Hoc ,[object Object],[object Object],[object Object],Análises Preditivas ,[object Object],[object Object],Otimização ,[object Object]
Arquitetura tradicional Detecção de Fraude Riscos Grid  Analítico Data Warehouse Dados SPSS/SAS C/C++, Java, Python, Fortran, … SQL ETL SQL ETL
Desafios Sofisticação analítica limitada? Inflexível para mudar rotas? Toma muito tempo? Trabalhar apenas com amostras Alto custo Processo ineficiente? Dificuldade em realizar experimentos?
Arquitetura com IBM Netezza: in-database analytics Detecção de Fraudes Riscos SPSS/SAS Grid Analítico Data Warehouse Dados C/C++, Java, Python, Fortran, … SQL ETL SQL ETL
Arquitetura com IBM Netezza: in-database analytics Detecção de Fraude Riscos SPSS/SAS
Família de Appliances IBM Netezza Netezza 100 Netezza 1000 Netezza H1000 Ambiente de desenvolvimento e testes Data Warehouse Alta Performance Analytics Alta densidade Queryable Archiving Back-up / DR 1 TB a 10 TB 1 TB a 1.5 PB 100 TB a 10 PB
Como identificar uma oportunidade para utilização de Netezza ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Conclusão Dec 5, 2011  |  Confidential  ,[object Object],[object Object],[object Object],[object Object],Faça um Test Drive!
 
Crie seu perfil no dW:  ibm.co/registrodW Participe da comunidade:  ibm.co/webcastsdw IBMdeveloperWorksBrasil   @soudW
Obrigado!   Christiano Hage [email_address] +55 11 5494-8889 CTS IBM Netezza http://solhub.isc.br.ibm.com/demo/netezza.html

Mais conteúdo relacionado

Mais procurados

IBTA - Oracle Database Security
IBTA - Oracle Database SecurityIBTA - Oracle Database Security
IBTA - Oracle Database Security
Rodrigo Almeida
 
Entendendo o ZDLRA - Oracle Zero Data Loss Recovery Appliance e garantindo rp...
Entendendo o ZDLRA - Oracle Zero Data Loss Recovery Appliance e garantindo rp...Entendendo o ZDLRA - Oracle Zero Data Loss Recovery Appliance e garantindo rp...
Entendendo o ZDLRA - Oracle Zero Data Loss Recovery Appliance e garantindo rp...
Weligton Pinto
 
MySQL do ISAM ao NoSQL
MySQL do ISAM ao NoSQLMySQL do ISAM ao NoSQL
MySQL do ISAM ao NoSQL
Airton Lastori
 
Resumido zdlra v2.0
Resumido zdlra v2.0Resumido zdlra v2.0
Resumido zdlra v2.0
Weligton Pinto
 
2019 - GUOB MeetUp - Journey to Cloud and DBA Career
2019 - GUOB MeetUp - Journey to Cloud and DBA Career2019 - GUOB MeetUp - Journey to Cloud and DBA Career
2019 - GUOB MeetUp - Journey to Cloud and DBA Career
Marcus Vinicius Miguel Pedro
 
Windows Admin Center
Windows Admin CenterWindows Admin Center
Windows Admin Center
Fabio Hara
 
2019 - Natura MeetUp - Journey to Cloud and Relational Databases
2019 - Natura MeetUp - Journey to Cloud and Relational Databases2019 - Natura MeetUp - Journey to Cloud and Relational Databases
2019 - Natura MeetUp - Journey to Cloud and Relational Databases
Marcus Vinicius Miguel Pedro
 
Exadata visao geral_tecnica
Exadata visao geral_tecnicaExadata visao geral_tecnica
Exadata visao geral_tecnica
Rodrigo Raposo
 
Data Center Virtual Embratel - Plataforma VCE
Data Center Virtual Embratel - Plataforma VCEData Center Virtual Embratel - Plataforma VCE
Data Center Virtual Embratel - Plataforma VCE
Alex Hübner
 
TimesTen In-Memory Database
TimesTen In-Memory DatabaseTimesTen In-Memory Database
TimesTen In-Memory Database
Andre Danelon
 
Workshop BigData, Hadoop e Data Science - Cetax x Deal
Workshop BigData, Hadoop e Data Science - Cetax x DealWorkshop BigData, Hadoop e Data Science - Cetax x Deal
Workshop BigData, Hadoop e Data Science - Cetax x Deal
Marco Garcia
 
2016 dell-networking
2016 dell-networking2016 dell-networking
2016 dell-networking
Bravo Tecnologia
 
Soluções Oracle Para Segurança e Continuidade de Negócios
Soluções Oracle Para Segurança e Continuidade de NegóciosSoluções Oracle Para Segurança e Continuidade de Negócios
Soluções Oracle Para Segurança e Continuidade de Negócios
Regis Araujo
 
Oracle d guard11g r2_final(oracledataguardwithoracledb11gr2)-1
Oracle d guard11g r2_final(oracledataguardwithoracledb11gr2)-1Oracle d guard11g r2_final(oracledataguardwithoracledb11gr2)-1
Oracle d guard11g r2_final(oracledataguardwithoracledb11gr2)-1
Rodrigo Raposo
 
Mais performance com o MySQL 5.6
Mais performance com o MySQL 5.6Mais performance com o MySQL 5.6
Mais performance com o MySQL 5.6
MySQL Brasil
 
Construção da Plataforma de dados Autônoma e em Escala
Construção da Plataforma de dados Autônoma e em EscalaConstrução da Plataforma de dados Autônoma e em Escala
Construção da Plataforma de dados Autônoma e em Escala
rkwseijuurou
 
Comprei um SQL Server e agora?
Comprei um SQL Server e agora?Comprei um SQL Server e agora?
Comprei um SQL Server e agora?
Vithor da Silva e Silva
 
Cenário das Plataformas de Dados 2017/2018
Cenário das Plataformas de Dados 2017/2018Cenário das Plataformas de Dados 2017/2018
Cenário das Plataformas de Dados 2017/2018
Raul Oliveira
 
DevOps containers x86 - Baremetal, Virtual e Cloud (pt_br)
DevOps containers x86 - Baremetal, Virtual e Cloud (pt_br)DevOps containers x86 - Baremetal, Virtual e Cloud (pt_br)
DevOps containers x86 - Baremetal, Virtual e Cloud (pt_br)
Caio Candido
 
Virtualização e consolidação de servidores
Virtualização e consolidação de servidoresVirtualização e consolidação de servidores
Virtualização e consolidação de servidores
Ruy Mendonça
 

Mais procurados (20)

IBTA - Oracle Database Security
IBTA - Oracle Database SecurityIBTA - Oracle Database Security
IBTA - Oracle Database Security
 
Entendendo o ZDLRA - Oracle Zero Data Loss Recovery Appliance e garantindo rp...
Entendendo o ZDLRA - Oracle Zero Data Loss Recovery Appliance e garantindo rp...Entendendo o ZDLRA - Oracle Zero Data Loss Recovery Appliance e garantindo rp...
Entendendo o ZDLRA - Oracle Zero Data Loss Recovery Appliance e garantindo rp...
 
MySQL do ISAM ao NoSQL
MySQL do ISAM ao NoSQLMySQL do ISAM ao NoSQL
MySQL do ISAM ao NoSQL
 
Resumido zdlra v2.0
Resumido zdlra v2.0Resumido zdlra v2.0
Resumido zdlra v2.0
 
2019 - GUOB MeetUp - Journey to Cloud and DBA Career
2019 - GUOB MeetUp - Journey to Cloud and DBA Career2019 - GUOB MeetUp - Journey to Cloud and DBA Career
2019 - GUOB MeetUp - Journey to Cloud and DBA Career
 
Windows Admin Center
Windows Admin CenterWindows Admin Center
Windows Admin Center
 
2019 - Natura MeetUp - Journey to Cloud and Relational Databases
2019 - Natura MeetUp - Journey to Cloud and Relational Databases2019 - Natura MeetUp - Journey to Cloud and Relational Databases
2019 - Natura MeetUp - Journey to Cloud and Relational Databases
 
Exadata visao geral_tecnica
Exadata visao geral_tecnicaExadata visao geral_tecnica
Exadata visao geral_tecnica
 
Data Center Virtual Embratel - Plataforma VCE
Data Center Virtual Embratel - Plataforma VCEData Center Virtual Embratel - Plataforma VCE
Data Center Virtual Embratel - Plataforma VCE
 
TimesTen In-Memory Database
TimesTen In-Memory DatabaseTimesTen In-Memory Database
TimesTen In-Memory Database
 
Workshop BigData, Hadoop e Data Science - Cetax x Deal
Workshop BigData, Hadoop e Data Science - Cetax x DealWorkshop BigData, Hadoop e Data Science - Cetax x Deal
Workshop BigData, Hadoop e Data Science - Cetax x Deal
 
2016 dell-networking
2016 dell-networking2016 dell-networking
2016 dell-networking
 
Soluções Oracle Para Segurança e Continuidade de Negócios
Soluções Oracle Para Segurança e Continuidade de NegóciosSoluções Oracle Para Segurança e Continuidade de Negócios
Soluções Oracle Para Segurança e Continuidade de Negócios
 
Oracle d guard11g r2_final(oracledataguardwithoracledb11gr2)-1
Oracle d guard11g r2_final(oracledataguardwithoracledb11gr2)-1Oracle d guard11g r2_final(oracledataguardwithoracledb11gr2)-1
Oracle d guard11g r2_final(oracledataguardwithoracledb11gr2)-1
 
Mais performance com o MySQL 5.6
Mais performance com o MySQL 5.6Mais performance com o MySQL 5.6
Mais performance com o MySQL 5.6
 
Construção da Plataforma de dados Autônoma e em Escala
Construção da Plataforma de dados Autônoma e em EscalaConstrução da Plataforma de dados Autônoma e em Escala
Construção da Plataforma de dados Autônoma e em Escala
 
Comprei um SQL Server e agora?
Comprei um SQL Server e agora?Comprei um SQL Server e agora?
Comprei um SQL Server e agora?
 
Cenário das Plataformas de Dados 2017/2018
Cenário das Plataformas de Dados 2017/2018Cenário das Plataformas de Dados 2017/2018
Cenário das Plataformas de Dados 2017/2018
 
DevOps containers x86 - Baremetal, Virtual e Cloud (pt_br)
DevOps containers x86 - Baremetal, Virtual e Cloud (pt_br)DevOps containers x86 - Baremetal, Virtual e Cloud (pt_br)
DevOps containers x86 - Baremetal, Virtual e Cloud (pt_br)
 
Virtualização e consolidação de servidores
Virtualização e consolidação de servidoresVirtualização e consolidação de servidores
Virtualização e consolidação de servidores
 

Destaque

Workshop Iptables e Squid On Line
Workshop Iptables e Squid On LineWorkshop Iptables e Squid On Line
Workshop Iptables e Squid On Line
Linux Solutions
 
Ficha3_SistemasOperativos
Ficha3_SistemasOperativosFicha3_SistemasOperativos
Ficha3_SistemasOperativos
Miguel Marques
 
Iptables Básico
Iptables BásicoIptables Básico
Iptables Básico
Leonardo Damasceno
 
Entendendo como fazer um firewall pessoal
Entendendo como fazer um firewall pessoalEntendendo como fazer um firewall pessoal
Entendendo como fazer um firewall pessoal
Almir Mendes
 
Vírus, tipos de vírus e prevenção
Vírus, tipos de vírus e prevençãoVírus, tipos de vírus e prevenção
Vírus, tipos de vírus e prevenção
Dália Pereira
 
Iptables Completo Oliver
Iptables   Completo   OliverIptables   Completo   Oliver
Iptables Completo Oliver
marcosserva
 
Firewall
FirewallFirewall
Firewall
FirewallFirewall
Firewall
Fernando Chuva
 
Tutorial sobre iptables
Tutorial sobre iptablesTutorial sobre iptables
Tutorial sobre iptables
Marcelo Barros de Almeida
 
FIXED APPLIANCE
FIXED APPLIANCEFIXED APPLIANCE
FIXED APPLIANCE
Blossoms
 
Segurança de redes - Conceitos de firewall
Segurança de redes - Conceitos de firewall Segurança de redes - Conceitos de firewall
Segurança de redes - Conceitos de firewall
Cleber Ramos
 

Destaque (11)

Workshop Iptables e Squid On Line
Workshop Iptables e Squid On LineWorkshop Iptables e Squid On Line
Workshop Iptables e Squid On Line
 
Ficha3_SistemasOperativos
Ficha3_SistemasOperativosFicha3_SistemasOperativos
Ficha3_SistemasOperativos
 
Iptables Básico
Iptables BásicoIptables Básico
Iptables Básico
 
Entendendo como fazer um firewall pessoal
Entendendo como fazer um firewall pessoalEntendendo como fazer um firewall pessoal
Entendendo como fazer um firewall pessoal
 
Vírus, tipos de vírus e prevenção
Vírus, tipos de vírus e prevençãoVírus, tipos de vírus e prevenção
Vírus, tipos de vírus e prevenção
 
Iptables Completo Oliver
Iptables   Completo   OliverIptables   Completo   Oliver
Iptables Completo Oliver
 
Firewall
FirewallFirewall
Firewall
 
Firewall
FirewallFirewall
Firewall
 
Tutorial sobre iptables
Tutorial sobre iptablesTutorial sobre iptables
Tutorial sobre iptables
 
FIXED APPLIANCE
FIXED APPLIANCEFIXED APPLIANCE
FIXED APPLIANCE
 
Segurança de redes - Conceitos de firewall
Segurança de redes - Conceitos de firewall Segurança de redes - Conceitos de firewall
Segurança de redes - Conceitos de firewall
 

Semelhante a Datawarehouse - Obtenha insights consistentes para o seu negócio: conheça o novo appliance IBM Netezza

[DTC21] André Marques - Jornada do Engenheiro de Dados
[DTC21] André Marques - Jornada do Engenheiro de Dados[DTC21] André Marques - Jornada do Engenheiro de Dados
[DTC21] André Marques - Jornada do Engenheiro de Dados
Deep Tech Brasil
 
Bancos de Dados gerenciados na nuvem AWS
Bancos de Dados gerenciados na nuvem AWSBancos de Dados gerenciados na nuvem AWS
Bancos de Dados gerenciados na nuvem AWS
Amazon Web Services LATAM
 
AWS Data Immersion Webinar Week - Planeje e entenda como criar um repositório...
AWS Data Immersion Webinar Week - Planeje e entenda como criar um repositório...AWS Data Immersion Webinar Week - Planeje e entenda como criar um repositório...
AWS Data Immersion Webinar Week - Planeje e entenda como criar um repositório...
Amazon Web Services LATAM
 
Petic Emgetis
Petic EmgetisPetic Emgetis
Petic Emgetis
netimba
 
Sql Server
Sql ServerSql Server
Sql Server
Sabrina Mariana
 
Arquiteturas de Software para o Século XXI
Arquiteturas de Software para o Século XXIArquiteturas de Software para o Século XXI
Arquiteturas de Software para o Século XXI
Amazon Web Services LATAM
 
Petic Emgetis Final
Petic Emgetis FinalPetic Emgetis Final
Petic Emgetis Final
netimba
 
Caçadores de Mitos: A virtualização dos dados pode sustentar o desempenho com...
Caçadores de Mitos: A virtualização dos dados pode sustentar o desempenho com...Caçadores de Mitos: A virtualização dos dados pode sustentar o desempenho com...
Caçadores de Mitos: A virtualização dos dados pode sustentar o desempenho com...
Denodo
 
Alta disponibilidade com bancos de dados relacionais no Azure
Alta disponibilidade com bancos de dados relacionais no AzureAlta disponibilidade com bancos de dados relacionais no Azure
Alta disponibilidade com bancos de dados relacionais no Azure
Rubens Guimarães - MTAC MVP
 
1 Ids On Campus V3a
1 Ids On Campus V3a1 Ids On Campus V3a
1 Ids On Campus V3a
Alexandre Marini
 
Introducao ao Amazon Redshift
Introducao ao Amazon RedshiftIntroducao ao Amazon Redshift
Introducao ao Amazon Redshift
Amazon Web Services LATAM
 
Conhecendo as Opcoes de Bancos de Dados na Nuvem da AWS
Conhecendo as Opcoes de Bancos de Dados na Nuvem da AWSConhecendo as Opcoes de Bancos de Dados na Nuvem da AWS
Conhecendo as Opcoes de Bancos de Dados na Nuvem da AWS
Amazon Web Services LATAM
 
Introdução à computação na nuvem e Windows Azure
Introdução à computação na nuvem e Windows AzureIntrodução à computação na nuvem e Windows Azure
Introdução à computação na nuvem e Windows Azure
Giovanni Bassi
 
Construindo um Data Warehouse moderno com Amazon Redshift
Construindo um Data Warehouse moderno com Amazon RedshiftConstruindo um Data Warehouse moderno com Amazon Redshift
Construindo um Data Warehouse moderno com Amazon Redshift
Amazon Web Services LATAM
 
[24HOP] SQL Server em maquinas virtuais do Windows Azure
[24HOP] SQL Server em maquinas virtuais do Windows Azure[24HOP] SQL Server em maquinas virtuais do Windows Azure
[24HOP] SQL Server em maquinas virtuais do Windows Azure
Vitor Tomaz
 
TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...
TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...
TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...
Fabrício Catae
 
Seu banco de dados na nuvem: Opções de bancos de dados na AWS e padrões de...
Seu banco de dados na nuvem: Opções de bancos de dados na AWS e padrões de...Seu banco de dados na nuvem: Opções de bancos de dados na AWS e padrões de...
Seu banco de dados na nuvem: Opções de bancos de dados na AWS e padrões de...
Amazon Web Services LATAM
 
Construindo um data lake na nuvem aws
Construindo um data lake na nuvem awsConstruindo um data lake na nuvem aws
Construindo um data lake na nuvem aws
Amazon Web Services LATAM
 
Aplicando uma Estratégia de Banco de Dados AWS Personalizada: Encontre o Banc...
Aplicando uma Estratégia de Banco de Dados AWS Personalizada: Encontre o Banc...Aplicando uma Estratégia de Banco de Dados AWS Personalizada: Encontre o Banc...
Aplicando uma Estratégia de Banco de Dados AWS Personalizada: Encontre o Banc...
Amazon Web Services
 
Liberte-se dos bancos de dados comerciais para economizar, crescer e inovar
Liberte-se dos bancos de dados comerciais para economizar, crescer e inovarLiberte-se dos bancos de dados comerciais para economizar, crescer e inovar
Liberte-se dos bancos de dados comerciais para economizar, crescer e inovar
Amazon Web Services LATAM
 

Semelhante a Datawarehouse - Obtenha insights consistentes para o seu negócio: conheça o novo appliance IBM Netezza (20)

[DTC21] André Marques - Jornada do Engenheiro de Dados
[DTC21] André Marques - Jornada do Engenheiro de Dados[DTC21] André Marques - Jornada do Engenheiro de Dados
[DTC21] André Marques - Jornada do Engenheiro de Dados
 
Bancos de Dados gerenciados na nuvem AWS
Bancos de Dados gerenciados na nuvem AWSBancos de Dados gerenciados na nuvem AWS
Bancos de Dados gerenciados na nuvem AWS
 
AWS Data Immersion Webinar Week - Planeje e entenda como criar um repositório...
AWS Data Immersion Webinar Week - Planeje e entenda como criar um repositório...AWS Data Immersion Webinar Week - Planeje e entenda como criar um repositório...
AWS Data Immersion Webinar Week - Planeje e entenda como criar um repositório...
 
Petic Emgetis
Petic EmgetisPetic Emgetis
Petic Emgetis
 
Sql Server
Sql ServerSql Server
Sql Server
 
Arquiteturas de Software para o Século XXI
Arquiteturas de Software para o Século XXIArquiteturas de Software para o Século XXI
Arquiteturas de Software para o Século XXI
 
Petic Emgetis Final
Petic Emgetis FinalPetic Emgetis Final
Petic Emgetis Final
 
Caçadores de Mitos: A virtualização dos dados pode sustentar o desempenho com...
Caçadores de Mitos: A virtualização dos dados pode sustentar o desempenho com...Caçadores de Mitos: A virtualização dos dados pode sustentar o desempenho com...
Caçadores de Mitos: A virtualização dos dados pode sustentar o desempenho com...
 
Alta disponibilidade com bancos de dados relacionais no Azure
Alta disponibilidade com bancos de dados relacionais no AzureAlta disponibilidade com bancos de dados relacionais no Azure
Alta disponibilidade com bancos de dados relacionais no Azure
 
1 Ids On Campus V3a
1 Ids On Campus V3a1 Ids On Campus V3a
1 Ids On Campus V3a
 
Introducao ao Amazon Redshift
Introducao ao Amazon RedshiftIntroducao ao Amazon Redshift
Introducao ao Amazon Redshift
 
Conhecendo as Opcoes de Bancos de Dados na Nuvem da AWS
Conhecendo as Opcoes de Bancos de Dados na Nuvem da AWSConhecendo as Opcoes de Bancos de Dados na Nuvem da AWS
Conhecendo as Opcoes de Bancos de Dados na Nuvem da AWS
 
Introdução à computação na nuvem e Windows Azure
Introdução à computação na nuvem e Windows AzureIntrodução à computação na nuvem e Windows Azure
Introdução à computação na nuvem e Windows Azure
 
Construindo um Data Warehouse moderno com Amazon Redshift
Construindo um Data Warehouse moderno com Amazon RedshiftConstruindo um Data Warehouse moderno com Amazon Redshift
Construindo um Data Warehouse moderno com Amazon Redshift
 
[24HOP] SQL Server em maquinas virtuais do Windows Azure
[24HOP] SQL Server em maquinas virtuais do Windows Azure[24HOP] SQL Server em maquinas virtuais do Windows Azure
[24HOP] SQL Server em maquinas virtuais do Windows Azure
 
TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...
TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...
TechEd 2010: Escalando aplicações OLTP:Design de aplicação e considerações pa...
 
Seu banco de dados na nuvem: Opções de bancos de dados na AWS e padrões de...
Seu banco de dados na nuvem: Opções de bancos de dados na AWS e padrões de...Seu banco de dados na nuvem: Opções de bancos de dados na AWS e padrões de...
Seu banco de dados na nuvem: Opções de bancos de dados na AWS e padrões de...
 
Construindo um data lake na nuvem aws
Construindo um data lake na nuvem awsConstruindo um data lake na nuvem aws
Construindo um data lake na nuvem aws
 
Aplicando uma Estratégia de Banco de Dados AWS Personalizada: Encontre o Banc...
Aplicando uma Estratégia de Banco de Dados AWS Personalizada: Encontre o Banc...Aplicando uma Estratégia de Banco de Dados AWS Personalizada: Encontre o Banc...
Aplicando uma Estratégia de Banco de Dados AWS Personalizada: Encontre o Banc...
 
Liberte-se dos bancos de dados comerciais para economizar, crescer e inovar
Liberte-se dos bancos de dados comerciais para economizar, crescer e inovarLiberte-se dos bancos de dados comerciais para economizar, crescer e inovar
Liberte-se dos bancos de dados comerciais para economizar, crescer e inovar
 

Mais de iMasters

Produtividade com IBM Rational Team Concert na Conta Fiat
Produtividade com IBM Rational Team Concert na Conta FiatProdutividade com IBM Rational Team Concert na Conta Fiat
Produtividade com IBM Rational Team Concert na Conta Fiat
iMasters
 
Appliance de Data Warehouse IBM Netezza: Analise de dados com velocidade supe...
Appliance de Data Warehouse IBM Netezza: Analise de dados com velocidade supe...Appliance de Data Warehouse IBM Netezza: Analise de dados com velocidade supe...
Appliance de Data Warehouse IBM Netezza: Analise de dados com velocidade supe...
iMasters
 
Solução de Archiving Mais Inteligente - Smart Archiving
Solução de Archiving Mais Inteligente - Smart ArchivingSolução de Archiving Mais Inteligente - Smart Archiving
Solução de Archiving Mais Inteligente - Smart Archiving
iMasters
 
InterCon 2010 - Transmídia, igreja e relacionamentos
InterCon 2010 - Transmídia, igreja e relacionamentosInterCon 2010 - Transmídia, igreja e relacionamentos
InterCon 2010 - Transmídia, igreja e relacionamentos
iMasters
 
Fórum E-commerce Brasil 2010: Fábio Seixas
Fórum E-commerce Brasil 2010: Fábio SeixasFórum E-commerce Brasil 2010: Fábio Seixas
Fórum E-commerce Brasil 2010: Fábio Seixas
iMasters
 
Fórum E-commerce Brasil 2010: Mauricio Kigiela
Fórum E-commerce Brasil 2010: Mauricio KigielaFórum E-commerce Brasil 2010: Mauricio Kigiela
Fórum E-commerce Brasil 2010: Mauricio Kigiela
iMasters
 
Fórum E-commerce Brasil 2010: Rodrigo Rodrigues
Fórum E-commerce Brasil 2010: Rodrigo RodriguesFórum E-commerce Brasil 2010: Rodrigo Rodrigues
Fórum E-commerce Brasil 2010: Rodrigo Rodrigues
iMasters
 
Fórum E-commerce Brasil 2010: Ivan Gorsk
Fórum E-commerce Brasil 2010: Ivan GorskFórum E-commerce Brasil 2010: Ivan Gorsk
Fórum E-commerce Brasil 2010: Ivan Gorsk
iMasters
 
Fórum E-commerce Brasil 2010: Thiago Bacchin
Fórum E-commerce Brasil 2010: Thiago BacchinFórum E-commerce Brasil 2010: Thiago Bacchin
Fórum E-commerce Brasil 2010: Thiago Bacchin
iMasters
 
Fórum E-commerce Brasil 2010: Stelleo Tolda
Fórum E-commerce Brasil 2010: Stelleo ToldaFórum E-commerce Brasil 2010: Stelleo Tolda
Fórum E-commerce Brasil 2010: Stelleo Tolda
iMasters
 
Fórum E-commerce Brasil 2010: Pedro Donati
Fórum E-commerce Brasil 2010: Pedro DonatiFórum E-commerce Brasil 2010: Pedro Donati
Fórum E-commerce Brasil 2010: Pedro Donati
iMasters
 
Fórum E-commerce Brasil 2010: Igor Senra
Fórum E-commerce Brasil 2010: Igor SenraFórum E-commerce Brasil 2010: Igor Senra
Fórum E-commerce Brasil 2010: Igor Senra
iMasters
 
Fórum E-commerce Brasil 2010: Alex Hubner
Fórum E-commerce Brasil 2010: Alex HubnerFórum E-commerce Brasil 2010: Alex Hubner
Fórum E-commerce Brasil 2010: Alex Hubner
iMasters
 
Fórum E-commerce Brasil 2010: Julio Vasconcelos
Fórum E-commerce Brasil 2010: Julio VasconcelosFórum E-commerce Brasil 2010: Julio Vasconcelos
Fórum E-commerce Brasil 2010: Julio Vasconcelos
iMasters
 
Fórum E-commerce Brasil 2010: Jinesh Varia
Fórum E-commerce Brasil 2010: Jinesh VariaFórum E-commerce Brasil 2010: Jinesh Varia
Fórum E-commerce Brasil 2010: Jinesh Varia
iMasters
 
InterACT2010: Eduard Starling - Case Twitterunners
InterACT2010: Eduard Starling - Case TwitterunnersInterACT2010: Eduard Starling - Case Twitterunners
InterACT2010: Eduard Starling - Case Twitterunners
iMasters
 
InterACT2010 Oficina de Advergames: Alex Pinheiro
InterACT2010 Oficina de Advergames: Alex PinheiroInterACT2010 Oficina de Advergames: Alex Pinheiro
InterACT2010 Oficina de Advergames: Alex Pinheiro
iMasters
 
InterACT2010: Alex Pinheiro - MiniCurso de Advergames
InterACT2010: Alex Pinheiro - MiniCurso de AdvergamesInterACT2010: Alex Pinheiro - MiniCurso de Advergames
InterACT2010: Alex Pinheiro - MiniCurso de Advergames
iMasters
 
InterACT2010: Cláudio Henrique - MiniCurso Branded Content
InterACT2010:  Cláudio Henrique - MiniCurso Branded ContentInterACT2010:  Cláudio Henrique - MiniCurso Branded Content
InterACT2010: Cláudio Henrique - MiniCurso Branded Content
iMasters
 
InterACT2010: Andréa Hecksher - Comunicação Multissensorial
InterACT2010: Andréa Hecksher - Comunicação MultissensorialInterACT2010: Andréa Hecksher - Comunicação Multissensorial
InterACT2010: Andréa Hecksher - Comunicação Multissensorial
iMasters
 

Mais de iMasters (20)

Produtividade com IBM Rational Team Concert na Conta Fiat
Produtividade com IBM Rational Team Concert na Conta FiatProdutividade com IBM Rational Team Concert na Conta Fiat
Produtividade com IBM Rational Team Concert na Conta Fiat
 
Appliance de Data Warehouse IBM Netezza: Analise de dados com velocidade supe...
Appliance de Data Warehouse IBM Netezza: Analise de dados com velocidade supe...Appliance de Data Warehouse IBM Netezza: Analise de dados com velocidade supe...
Appliance de Data Warehouse IBM Netezza: Analise de dados com velocidade supe...
 
Solução de Archiving Mais Inteligente - Smart Archiving
Solução de Archiving Mais Inteligente - Smart ArchivingSolução de Archiving Mais Inteligente - Smart Archiving
Solução de Archiving Mais Inteligente - Smart Archiving
 
InterCon 2010 - Transmídia, igreja e relacionamentos
InterCon 2010 - Transmídia, igreja e relacionamentosInterCon 2010 - Transmídia, igreja e relacionamentos
InterCon 2010 - Transmídia, igreja e relacionamentos
 
Fórum E-commerce Brasil 2010: Fábio Seixas
Fórum E-commerce Brasil 2010: Fábio SeixasFórum E-commerce Brasil 2010: Fábio Seixas
Fórum E-commerce Brasil 2010: Fábio Seixas
 
Fórum E-commerce Brasil 2010: Mauricio Kigiela
Fórum E-commerce Brasil 2010: Mauricio KigielaFórum E-commerce Brasil 2010: Mauricio Kigiela
Fórum E-commerce Brasil 2010: Mauricio Kigiela
 
Fórum E-commerce Brasil 2010: Rodrigo Rodrigues
Fórum E-commerce Brasil 2010: Rodrigo RodriguesFórum E-commerce Brasil 2010: Rodrigo Rodrigues
Fórum E-commerce Brasil 2010: Rodrigo Rodrigues
 
Fórum E-commerce Brasil 2010: Ivan Gorsk
Fórum E-commerce Brasil 2010: Ivan GorskFórum E-commerce Brasil 2010: Ivan Gorsk
Fórum E-commerce Brasil 2010: Ivan Gorsk
 
Fórum E-commerce Brasil 2010: Thiago Bacchin
Fórum E-commerce Brasil 2010: Thiago BacchinFórum E-commerce Brasil 2010: Thiago Bacchin
Fórum E-commerce Brasil 2010: Thiago Bacchin
 
Fórum E-commerce Brasil 2010: Stelleo Tolda
Fórum E-commerce Brasil 2010: Stelleo ToldaFórum E-commerce Brasil 2010: Stelleo Tolda
Fórum E-commerce Brasil 2010: Stelleo Tolda
 
Fórum E-commerce Brasil 2010: Pedro Donati
Fórum E-commerce Brasil 2010: Pedro DonatiFórum E-commerce Brasil 2010: Pedro Donati
Fórum E-commerce Brasil 2010: Pedro Donati
 
Fórum E-commerce Brasil 2010: Igor Senra
Fórum E-commerce Brasil 2010: Igor SenraFórum E-commerce Brasil 2010: Igor Senra
Fórum E-commerce Brasil 2010: Igor Senra
 
Fórum E-commerce Brasil 2010: Alex Hubner
Fórum E-commerce Brasil 2010: Alex HubnerFórum E-commerce Brasil 2010: Alex Hubner
Fórum E-commerce Brasil 2010: Alex Hubner
 
Fórum E-commerce Brasil 2010: Julio Vasconcelos
Fórum E-commerce Brasil 2010: Julio VasconcelosFórum E-commerce Brasil 2010: Julio Vasconcelos
Fórum E-commerce Brasil 2010: Julio Vasconcelos
 
Fórum E-commerce Brasil 2010: Jinesh Varia
Fórum E-commerce Brasil 2010: Jinesh VariaFórum E-commerce Brasil 2010: Jinesh Varia
Fórum E-commerce Brasil 2010: Jinesh Varia
 
InterACT2010: Eduard Starling - Case Twitterunners
InterACT2010: Eduard Starling - Case TwitterunnersInterACT2010: Eduard Starling - Case Twitterunners
InterACT2010: Eduard Starling - Case Twitterunners
 
InterACT2010 Oficina de Advergames: Alex Pinheiro
InterACT2010 Oficina de Advergames: Alex PinheiroInterACT2010 Oficina de Advergames: Alex Pinheiro
InterACT2010 Oficina de Advergames: Alex Pinheiro
 
InterACT2010: Alex Pinheiro - MiniCurso de Advergames
InterACT2010: Alex Pinheiro - MiniCurso de AdvergamesInterACT2010: Alex Pinheiro - MiniCurso de Advergames
InterACT2010: Alex Pinheiro - MiniCurso de Advergames
 
InterACT2010: Cláudio Henrique - MiniCurso Branded Content
InterACT2010:  Cláudio Henrique - MiniCurso Branded ContentInterACT2010:  Cláudio Henrique - MiniCurso Branded Content
InterACT2010: Cláudio Henrique - MiniCurso Branded Content
 
InterACT2010: Andréa Hecksher - Comunicação Multissensorial
InterACT2010: Andréa Hecksher - Comunicação MultissensorialInterACT2010: Andréa Hecksher - Comunicação Multissensorial
InterACT2010: Andréa Hecksher - Comunicação Multissensorial
 

Último

UFCD_10949_Lojas e-commerce no-code_índice.pdf
UFCD_10949_Lojas e-commerce no-code_índice.pdfUFCD_10949_Lojas e-commerce no-code_índice.pdf
UFCD_10949_Lojas e-commerce no-code_índice.pdf
Manuais Formação
 
Fernão Lopes. pptx
Fernão Lopes.                       pptxFernão Lopes.                       pptx
Fernão Lopes. pptx
TomasSousa7
 
1_10_06_2024_Criança e Cultura Escrita, Ana Maria de Oliveira Galvão.pdf
1_10_06_2024_Criança e Cultura Escrita, Ana Maria de Oliveira Galvão.pdf1_10_06_2024_Criança e Cultura Escrita, Ana Maria de Oliveira Galvão.pdf
1_10_06_2024_Criança e Cultura Escrita, Ana Maria de Oliveira Galvão.pdf
SILVIAREGINANAZARECA
 
Vogais Ilustrados para alfabetização infantil
Vogais Ilustrados para alfabetização infantilVogais Ilustrados para alfabetização infantil
Vogais Ilustrados para alfabetização infantil
mamaeieby
 
UFCD_4667_Preparação e confeção de molhos e fundos de cozinha_índice.pdf
UFCD_4667_Preparação e confeção de molhos e fundos de cozinha_índice.pdfUFCD_4667_Preparação e confeção de molhos e fundos de cozinha_índice.pdf
UFCD_4667_Preparação e confeção de molhos e fundos de cozinha_índice.pdf
Manuais Formação
 
Slides Lição 11, Central Gospel, Os Mortos Em CRISTO, 2Tr24.pptx
Slides Lição 11, Central Gospel, Os Mortos Em CRISTO, 2Tr24.pptxSlides Lição 11, Central Gospel, Os Mortos Em CRISTO, 2Tr24.pptx
Slides Lição 11, Central Gospel, Os Mortos Em CRISTO, 2Tr24.pptx
LuizHenriquedeAlmeid6
 
AULA-001---AS-CELULAS_5546dad041b949bbb7b1f0fa841a6d1f.pdf
AULA-001---AS-CELULAS_5546dad041b949bbb7b1f0fa841a6d1f.pdfAULA-001---AS-CELULAS_5546dad041b949bbb7b1f0fa841a6d1f.pdf
AULA-001---AS-CELULAS_5546dad041b949bbb7b1f0fa841a6d1f.pdf
SthafaniHussin1
 
Treinamento NR 38 - CORPO PRINCIPAL da NORMA.pptx
Treinamento NR 38 - CORPO PRINCIPAL da NORMA.pptxTreinamento NR 38 - CORPO PRINCIPAL da NORMA.pptx
Treinamento NR 38 - CORPO PRINCIPAL da NORMA.pptx
MarcosPaulo777883
 
OS elementos de uma boa Redação para o ENEM.pdf
OS elementos de uma boa Redação para o ENEM.pdfOS elementos de uma boa Redação para o ENEM.pdf
OS elementos de uma boa Redação para o ENEM.pdf
AmiltonAparecido1
 
Redação e Leitura_7º ano_58_Produção de cordel .pptx
Redação e Leitura_7º ano_58_Produção de cordel .pptxRedação e Leitura_7º ano_58_Produção de cordel .pptx
Redação e Leitura_7º ano_58_Produção de cordel .pptx
DECIOMAURINARAMOS
 
slides de Didática 2.pdf para apresentar
slides de Didática 2.pdf para apresentarslides de Didática 2.pdf para apresentar
slides de Didática 2.pdf para apresentar
JoeteCarvalho
 
Atividade letra da música - Espalhe Amor, Anavitória.
Atividade letra da música - Espalhe  Amor, Anavitória.Atividade letra da música - Espalhe  Amor, Anavitória.
Atividade letra da música - Espalhe Amor, Anavitória.
Mary Alvarenga
 
As sequências didáticas: práticas educativas
As sequências didáticas: práticas educativasAs sequências didáticas: práticas educativas
As sequências didáticas: práticas educativas
rloureiro1
 
Educação trabalho HQ em sala de aula uma excelente ideia
Educação  trabalho HQ em sala de aula uma excelente  ideiaEducação  trabalho HQ em sala de aula uma excelente  ideia
Educação trabalho HQ em sala de aula uma excelente ideia
joseanesouza36
 
Leonardo da Vinci .pptx
Leonardo da Vinci                  .pptxLeonardo da Vinci                  .pptx
Leonardo da Vinci .pptx
TomasSousa7
 
UFCD_3546_Prevenção e primeiros socorros_geriatria.pdf
UFCD_3546_Prevenção e primeiros socorros_geriatria.pdfUFCD_3546_Prevenção e primeiros socorros_geriatria.pdf
UFCD_3546_Prevenção e primeiros socorros_geriatria.pdf
Manuais Formação
 
Atividade de reforço de matemática 2º ano
Atividade de reforço de matemática 2º anoAtividade de reforço de matemática 2º ano
Atividade de reforço de matemática 2º ano
fernandacosta37763
 
UFCD_10145_Enquadramento do setor farmacêutico_indice.pdf
UFCD_10145_Enquadramento do setor farmacêutico_indice.pdfUFCD_10145_Enquadramento do setor farmacêutico_indice.pdf
UFCD_10145_Enquadramento do setor farmacêutico_indice.pdf
Manuais Formação
 
-Rudolf-Laban-e-a-teoria-do-movimento.ppt
-Rudolf-Laban-e-a-teoria-do-movimento.ppt-Rudolf-Laban-e-a-teoria-do-movimento.ppt
-Rudolf-Laban-e-a-teoria-do-movimento.ppt
fagnerlopes11
 
Cartinhas de solidariedade e esperança.pptx
Cartinhas de solidariedade e esperança.pptxCartinhas de solidariedade e esperança.pptx
Cartinhas de solidariedade e esperança.pptx
Zenir Carmen Bez Trombeta
 

Último (20)

UFCD_10949_Lojas e-commerce no-code_índice.pdf
UFCD_10949_Lojas e-commerce no-code_índice.pdfUFCD_10949_Lojas e-commerce no-code_índice.pdf
UFCD_10949_Lojas e-commerce no-code_índice.pdf
 
Fernão Lopes. pptx
Fernão Lopes.                       pptxFernão Lopes.                       pptx
Fernão Lopes. pptx
 
1_10_06_2024_Criança e Cultura Escrita, Ana Maria de Oliveira Galvão.pdf
1_10_06_2024_Criança e Cultura Escrita, Ana Maria de Oliveira Galvão.pdf1_10_06_2024_Criança e Cultura Escrita, Ana Maria de Oliveira Galvão.pdf
1_10_06_2024_Criança e Cultura Escrita, Ana Maria de Oliveira Galvão.pdf
 
Vogais Ilustrados para alfabetização infantil
Vogais Ilustrados para alfabetização infantilVogais Ilustrados para alfabetização infantil
Vogais Ilustrados para alfabetização infantil
 
UFCD_4667_Preparação e confeção de molhos e fundos de cozinha_índice.pdf
UFCD_4667_Preparação e confeção de molhos e fundos de cozinha_índice.pdfUFCD_4667_Preparação e confeção de molhos e fundos de cozinha_índice.pdf
UFCD_4667_Preparação e confeção de molhos e fundos de cozinha_índice.pdf
 
Slides Lição 11, Central Gospel, Os Mortos Em CRISTO, 2Tr24.pptx
Slides Lição 11, Central Gospel, Os Mortos Em CRISTO, 2Tr24.pptxSlides Lição 11, Central Gospel, Os Mortos Em CRISTO, 2Tr24.pptx
Slides Lição 11, Central Gospel, Os Mortos Em CRISTO, 2Tr24.pptx
 
AULA-001---AS-CELULAS_5546dad041b949bbb7b1f0fa841a6d1f.pdf
AULA-001---AS-CELULAS_5546dad041b949bbb7b1f0fa841a6d1f.pdfAULA-001---AS-CELULAS_5546dad041b949bbb7b1f0fa841a6d1f.pdf
AULA-001---AS-CELULAS_5546dad041b949bbb7b1f0fa841a6d1f.pdf
 
Treinamento NR 38 - CORPO PRINCIPAL da NORMA.pptx
Treinamento NR 38 - CORPO PRINCIPAL da NORMA.pptxTreinamento NR 38 - CORPO PRINCIPAL da NORMA.pptx
Treinamento NR 38 - CORPO PRINCIPAL da NORMA.pptx
 
OS elementos de uma boa Redação para o ENEM.pdf
OS elementos de uma boa Redação para o ENEM.pdfOS elementos de uma boa Redação para o ENEM.pdf
OS elementos de uma boa Redação para o ENEM.pdf
 
Redação e Leitura_7º ano_58_Produção de cordel .pptx
Redação e Leitura_7º ano_58_Produção de cordel .pptxRedação e Leitura_7º ano_58_Produção de cordel .pptx
Redação e Leitura_7º ano_58_Produção de cordel .pptx
 
slides de Didática 2.pdf para apresentar
slides de Didática 2.pdf para apresentarslides de Didática 2.pdf para apresentar
slides de Didática 2.pdf para apresentar
 
Atividade letra da música - Espalhe Amor, Anavitória.
Atividade letra da música - Espalhe  Amor, Anavitória.Atividade letra da música - Espalhe  Amor, Anavitória.
Atividade letra da música - Espalhe Amor, Anavitória.
 
As sequências didáticas: práticas educativas
As sequências didáticas: práticas educativasAs sequências didáticas: práticas educativas
As sequências didáticas: práticas educativas
 
Educação trabalho HQ em sala de aula uma excelente ideia
Educação  trabalho HQ em sala de aula uma excelente  ideiaEducação  trabalho HQ em sala de aula uma excelente  ideia
Educação trabalho HQ em sala de aula uma excelente ideia
 
Leonardo da Vinci .pptx
Leonardo da Vinci                  .pptxLeonardo da Vinci                  .pptx
Leonardo da Vinci .pptx
 
UFCD_3546_Prevenção e primeiros socorros_geriatria.pdf
UFCD_3546_Prevenção e primeiros socorros_geriatria.pdfUFCD_3546_Prevenção e primeiros socorros_geriatria.pdf
UFCD_3546_Prevenção e primeiros socorros_geriatria.pdf
 
Atividade de reforço de matemática 2º ano
Atividade de reforço de matemática 2º anoAtividade de reforço de matemática 2º ano
Atividade de reforço de matemática 2º ano
 
UFCD_10145_Enquadramento do setor farmacêutico_indice.pdf
UFCD_10145_Enquadramento do setor farmacêutico_indice.pdfUFCD_10145_Enquadramento do setor farmacêutico_indice.pdf
UFCD_10145_Enquadramento do setor farmacêutico_indice.pdf
 
-Rudolf-Laban-e-a-teoria-do-movimento.ppt
-Rudolf-Laban-e-a-teoria-do-movimento.ppt-Rudolf-Laban-e-a-teoria-do-movimento.ppt
-Rudolf-Laban-e-a-teoria-do-movimento.ppt
 
Cartinhas de solidariedade e esperança.pptx
Cartinhas de solidariedade e esperança.pptxCartinhas de solidariedade e esperança.pptx
Cartinhas de solidariedade e esperança.pptx
 

Datawarehouse - Obtenha insights consistentes para o seu negócio: conheça o novo appliance IBM Netezza

  • 1. Obtenha insights consistentes para o seu negócio: Conheça o novo appliance IBM Netezza Christiano Hage (chrishg@br.ibm.com) Outubro de 2011
  • 2.
  • 3. Você ainda usaria o Google se fossem necessários 3 Dias e 5 Pessoas para obter o resultado? Information Management
  • 4. ” “ - Gartner 2010 Magic Quadrant Gerenciamento complexo Exige recursos especializados Tuning constante Dias para uma única consulta Information Management Aproximadamente 70% dos Data Warehouses apresentam limitações de performance.
  • 5. Information Management Os dados continuam a expandir exponencialmente. Análises de negócios estão se tornando mais complexas a medida que o negócio demanda respostas mais rápidas. O data warehouse agora é de missão crítica.
  • 6.
  • 7.
  • 8. Proposta do Appliance para Data Warehouse
  • 9. Simplicidade e compatibilidade com ferramentas do mercado ODBC 3.X JDBC Type 4 SQL-92 SQL-99 Analytics Appliance IBM Netezza 1000 Sistemas Fonte Clientes High Performance Loader 3rd Party Apps DBA CLI ETL Server SOLARIS LINUX HP-UX AIX WINDOWS TRU64
  • 10. A abordagem revolucionária do IBM Netezza ” “ Análises de negócio mais simples, rápidas e acessíveis É o que o Netezza fez no mercado de data warehousing: Ele mudou totalmente a forma como pensamos data warehousing. - Philip Howard, Bloor Research O Appliance
  • 11. Page Mídia Bancos e Serviços Financeiros Governo Saúde & Life Sciences Varejo / Indústria Telecom Outros
  • 12. O verdadeiro appliance fornece ” “ implementação muito mais rápida e fácil Nos enviaram um appliance, nós o colocamos em nosso data center e o plugamos em nossa rede. Em 24 horas o appliance estava rodando. Não estou exagerando, foi tão fácil como estou dizendo. - Joseph Essas, Vice President e de Tecnologia, eHarmony e Harmony
  • 13. ” “ velocidade para transformar o negócio - SVP Application Development, Nielsen O verdadeiro appliance fornece … quando as análises demoravam 24 horas eu ficava limitado, mas agora que elas demoram segundos, eu posso repensar o meu negócio completamente…
  • 14.
  • 15. ” “ menor custo total de propriedade - Mark Saponar, CIO, iBasis O verdadeiro appliance fornece O nosso time de data warehouse consiste em um ou dois colaboradores que precisam fazer apenas pequenas alterações a cada três meses.
  • 16. O Appliance IBM Netezza 1000 Banco de dados de alta Performance, joins, agregações, sorts, etc. Compilador SQL Query Plan Otimizador Admininistração Processadores & RAM e FPGAs Dados de usuário Espelhamento Temp/Swap SMP Hosts S-Blades™ (FPGA-based Database Accelerator) Discos/Storage
  • 17. A S-Blade do Appliance Netezza
  • 18. Os componentes da S-Blade™ Intel Quad-Core 2+ GHz CPU Dual-Core FPGA 125 MHz 32 GB DRAM IBM BladeCenter Server Netezza DB Accelerator SAS Expander Module
  • 19. CPU Requisição Armazenamento para propósito geral Requisição Arquitetura Tradicional utilizada para DW Carga de trabalho para Data Warehouse: Menos requisições, muita movimentação de dados
  • 20. Resultados Arquitetura Tradicional utilizada para DW Requisição Armazenamento para propósito geral CPU Carga de trabalho para Data Warehouse: A arquitetura tradicional é ineficiente
  • 21. Resultados Arquitetura IBM Netezza Armazenamento Inteligente CPU Requisição Processamento Paralelo Massivo Assimétrico MPP Assimétrico: Armazenamento de Dados Inteligente
  • 22. Resultados Arquitetura IBM Netezza Armazenamento Inteligente CPU Requisição 1% de tráfego na rede 2% de CPU requisitados Processamento Paralelo Massivo Assimétrico MPP Assimétrico: Movimentação de dados altamente eficiente
  • 23. Asymmetric Massively Parallel Processing™ Massively Parallel Intelligent Storage 1 2 3 920 Ÿ Ÿ Ÿ Rede SMP Host Front End Appliance IBM Netezza 1000 High-Speed Loader/Unloader Execution Engine SQL Compiler Query Plan Optimize Admin ODBC 3.X JDBC Type 4 OLE-DB SQL/92 Sistemas Fonte Clientes High Performance Loader 3rd Party Apps DBA CLI ETL Server SOLARIS LINUX HP-UX AIX WINDOWS TRU64 High-Performance Database Engine Streaming joins, aggregations, sorts S-Blade Processor & streaming DB logic S-Blade Processor & stre aming DB logic S-Blade Processor & streaming DB logic S-Blade Processor & streaming DB logic
  • 24. Asymmetric Massively Parallel Processing™ High-Performance Database Engine Streaming joins, aggregations, sorts S-Blade Processor & streaming DB logic S-Blade Processor & streaming DB logic S-Blade Processor & streaming DB logic S-Blade Processor & streaming DB logic Execution Engine Massively Parallel Intelligent Storage 1 2 3 920 Ÿ Ÿ Ÿ Rede SMP Host Front End Appliance IBM Netezza 1000 High-Speed Loader/Unloader SQL Compiler Query Plan Optimize Admin SQL 1 2 3 1 2 3 1 2 3 1 2 3 Snippets 1 2 3 1 2 3 SQL Sistemas Fonte Clientes High Performance Loader 3rd Party Apps DBA CLI ETL Server SOLARIS LINUX HP-UX AIX WINDOWS TRU64
  • 25. Nosso segredo: a FPGA FPGA CPU Descomprime Elimina colunas não usadas Restringe Visibilidade Operações complexas: ∑ Joins, Aggs, etc. select CIDADE, PRODUTO, sum(QUANTIDADE) from VENDAS where MES = '20091201' and SEGMENTO = 509123 and CATEGORIA = 'GASTRO‘ group by CIDADE, PRODUTO order by PRODUTO; Parte da tabela VENDAS (dados comprimidos) where MES = '20091201' and SEGMENTO = 509123 and CATEGORIA = 'GASTRO' sum(QUANTIDADE) group by, order by select CIDADE, PRODUTO, sum(QUANTIDADE)
  • 26. Asymmetric Massively Parallel Processing™ High-Performance Database Engine Streaming joins, aggregations, sorts, etc. S-Blade Processor & streaming DB logic S-Blade Processor & streaming DB logic S-Blade Processor & streaming DB logic S-Blade Processor & streaming DB logic Massively Parallel Intelligent Storage 1 2 3 920 Ÿ Ÿ Ÿ Rede SMP Host Front End Netezza TwinFin Appliance High-Speed Loader/Unloader SQL Compiler Query Plan Optimize Admin Execution Engine ODBC 3.X JDBC Type 4 OLE-DB SQL/92 1 2 3 1 2 3 1 2 3 1 2 3 Consolidação Sistemas Fonte Clientes High Performance Loader 3rd Party Apps DBA CLI ETL Server SOLARIS LINUX HP-UX AIX WINDOWS TRU64
  • 27.
  • 28. Alta disponibilidade Page . . . . . . . . . . . . . . . S-Blades
  • 29.
  • 30.
  • 31. Arquitetura tradicional Detecção de Fraude Riscos Grid Analítico Data Warehouse Dados SPSS/SAS C/C++, Java, Python, Fortran, … SQL ETL SQL ETL
  • 32. Desafios Sofisticação analítica limitada? Inflexível para mudar rotas? Toma muito tempo? Trabalhar apenas com amostras Alto custo Processo ineficiente? Dificuldade em realizar experimentos?
  • 33. Arquitetura com IBM Netezza: in-database analytics Detecção de Fraudes Riscos SPSS/SAS Grid Analítico Data Warehouse Dados C/C++, Java, Python, Fortran, … SQL ETL SQL ETL
  • 34. Arquitetura com IBM Netezza: in-database analytics Detecção de Fraude Riscos SPSS/SAS
  • 35. Família de Appliances IBM Netezza Netezza 100 Netezza 1000 Netezza H1000 Ambiente de desenvolvimento e testes Data Warehouse Alta Performance Analytics Alta densidade Queryable Archiving Back-up / DR 1 TB a 10 TB 1 TB a 1.5 PB 100 TB a 10 PB
  • 36.
  • 37.
  • 38.  
  • 39. Crie seu perfil no dW: ibm.co/registrodW Participe da comunidade: ibm.co/webcastsdw IBMdeveloperWorksBrasil @soudW
  • 40. Obrigado! Christiano Hage [email_address] +55 11 5494-8889 CTS IBM Netezza http://solhub.isc.br.ibm.com/demo/netezza.html

Notas do Editor

  1. Whether it’s general information such as the location of a restaurant or movie listings at the nearby theater … … or something more esoteric such as population of Timbuktu (54,453 in 2009) … Everyone turns to Google for getting answers to questions big and small But think about it for a second … Would you still use the giant search engine if it took days to get an answer or an army of specialists to tune the system to get the right results back?! Of course not
  2. However … Users in the enterprise, seeking insights from their BI and data warehouse infrastructure to make critical, business-affecting decisions … Are resigned to live with and work around those issues on a daily basis. In fact, according to Gartner, nearly 70% of data warehouses experience performance issues Not to mention the constant tuning and specialist resources required to get any meaningful results from the data in the DW And despite all the tuning and indexing, a single new report or ad-hoc analytic query can throw the data warehouse out of whack … Requiring hours or even days in some cases to process the report … And new indexes, aggregations and tuning parameters to eke out some meager measure of performance from the system … While breaking the older reports, queries and aggregations. And thus the cycle continues!
  3. At the same time … Data continues to grow exponentially in every industry as more information is digitized We as consumers and users of the web and mobile devices are generating a larger and larger footprint Not just our likes and dislikes, but our moods, behaviors, connections, interactions and influences are potentially captured as digital data Interactions between machines – GPS devices, mobile phones, RFID sensors – will dwarf the amount of data generated by humans At the same time, the window of opportunity keep shrinking and the sheer number and complexity of decisions that enterprises make keeps going up dramatically E.g. which ads to place on a website, what offers to make to customers, which network to route calls on, how to detect fraudulent transactions and stop them before completion The rich sources of data offer far deeper insights than were available before, fuelling the need for more analytics As more and more companies “compete on analytics”, the data warehouse becomes mission critical and businesses simply cannot afford to continue with the status quo!
  4. Netezza took a completely fresh approach to analytics, designing an appliance from the ground up specifically for high-performance DW and analytics … an appliance that has totally transformed the data warehousing landscape By making analytics on big data dramatically simpler and faster, Netezza has made analytics more accessible within the enterprise With Netezza, data warehouses are no longer just repositories where data enters to never come out, just “holding pens for data” … Rather they are systems that users rely on to derive meaningful, timely insights that drive the business
  5. As a true appliance, TwinFin is extremely simple to deploy and offers very quick time-to-value It takes less than 2 days from crate-to-query … from the time the system arrives in a crate at the customer site to getting it plugged into the data center to sanity testing to get it ready for data loading The quote from the VP of Technology at eHarmony (the leading trusted online dating site for singles) says it all … http://www.netezza.com/releases/2009/release012809.htm http://www.netezza.com/media/2009/1-25969542_Eprint.pdf
  6. The Nielsen company’s business is all about data Nielsen gathers information from multiple sources and offer clients a complete understanding of what consumers watch, browse and buy Their entire analytics infrastructure is based on Netezza, where their end-user clients run close to a million queries a day … 50 times faster compared to their previous systems The scale and performance of Netezza has been quite transformative at Nielsen I love this quote from their SVP of Application Development … when you’re able to get deep insights in 10 seconds instead of 24 hours, you can do remarkable things with the business http://www.netezza.com/videos/nielsen.aspx
  7. Catalina Marketing maintains the world’s largest loyalty database with 3 year’s of detailed transaction history on more than 250 million consumers, gathered from 35,000 grocery stores and pharmacies With Netezza, they can derive targeted insights individualized to every consumer’s preferences and purchase habits from this multi-petabyte database They use these insights to print coupons at the point of sale that are unique to the individual consumer – essentially treating every consumer as a unique “segment of one” Their models are highly specialized and do a much better job of predicting what consumers want, compared to anyone else in the industry … Yielding coupon redemption rates that are 5-10X better than the average in the retail industry! This translates directly into business value for Catalina! Note: The InformationWeek article below talks about Catalina using Netezza & SAS to bump up the efficiency of the predictive models they create by 10X The time to score a model has gone down from 4 hours to 60 seconds http://www.netezza.com/releases/2007/release111507.htm http://www.netezza.com/releases/2010/release062110_3.htm http://www.informationweek.com/news/showArticle.jhtml?articleID=226600216 http://www.youtube.com/watch?v=WPN88Ni73UE
  8. The simplicity of the “true appliance” approach ultimately delivers much lower total cost of ownership The architecture is pre-tuned and optimized for high-performance analytics … Requiring no tuning, indexing, partitioning, aggregations, etc. – it is a plug-and-play data warehouse At iBasis, one of the largest carriers of international voice traffic in the world … The entire data warehouse team is one or two employees that are needed once every three months .. To operate a multi hundred terabyte data warehouse It’s that simple to administer, delivering very low TCO http://www.netezza.com/releases/2006/release032706.htm http://www.netezza.com/documents/ibasis_casestudy.pdf http://www.youtube.com/watch?v=CoPGzAczY3k
  9. These are the components of the S-Blade. There are 8 Intel-based CPU cores, 8 powerful FPGA engines and 16 GB of RAM available on each S-Blade. Furthermore, each S-Blade is responsible for processing data streamed from 8 disks. Thus there is a 1:1:1 ratio between the disks, processors and FPGA. Each processor and FPGA core pair has 2 GB of RAM available for processing queries and maintaining data in cache.
  10. more efficient get the nuggets you are looking for
  11. more efficient get the nuggets you are looking for
  12. The power of the TwinFin system is our ability to work at “physics” speed. I/O limitations are eliminated as data is processed at disk speed. We designed an architecture that specifically meets the needs of enterprise-class BI. Unlike existing solutions that are an inefficient patchwork of systems, for example an Oracle DBMS + a sun server + EMC storage. TwinFin is what’s in the box – an appliance that integrates software, servers and storage into 1 easy-to-use solution. AMPP is what we are calling our breakthrough architecture – the best combination of SMP and MPP for performance and scalability. We connect to existing apps and tools through SQL, ODBC and JDBC. Data is loaded into the box using our fast loader. On the left side is the SMP host – a Linux OS running on a Compaq 4x:the host handles query plan optimization and table and set ops On the right side is the MPP intelligent storage: for the lower level operations that can be done blindingly fast using parallelization. Our basic unit on this side is the SPU: snippet processing unit – which consists of a disk, FPGA and microprocessor. As we add data/complex queries, the system grows by adding SPUs. We started with a clean sheet of paper and designed an architecture that specifically meets the needs of tera-scale BI
  13. The power of the TwinFin system is our ability to work at “physics” speed. I/O limitations are eliminated as data is processed at disk speed. We designed an architecture that specifically meets the needs of enterprise-class BI. Unlike existing solutions that are an inefficient patchwork of systems, for example an Oracle DBMS + a sun server + EMC storage. TwinFin is what’s in the box – an appliance that integrates software, servers and storage into 1 easy-to-use solution. AMPP is what we are calling our breakthrough architecture – the best combination of SMP and MPP for performance and scalability. We connect to existing apps and tools through SQL, ODBC and JDBC. Data is loaded into the box using our fast loader. On the left side is the SMP host – a Linux OS running on a Compaq 4x:the host handles query plan optimization and table and set ops On the right side is the MPP intelligent storage: for the lower level operations that can be done blindingly fast using parallelization. Our basic unit on this side is the SPU: snippet processing unit – which consists of a disk, FPGA and microprocessor. As we add data/complex queries, the system grows by adding SPUs. We started with a clean sheet of paper and designed an architecture that specifically meets the needs of tera-scale BI
  14. A key component of Netezza’s performance is the way in which its streaming architecture processes data. Um componente-chave de desempenho da Netezza é a maneira pela qual sua arquitetura streaming processa dados. The Netezza architecture uniquely uses the FPGA as a turbocharger … a huge performance accelerator that not only allows the system to keep up with the data stream, but it actually accelerates the data stream through compression before processing it at line rates, ensuring no bottlenecks in the IO path. A arquitetura única que a Netezza utiliza o FPGA como um turbocompressor ... um enorme acelerador de desempenho que não apenas permite que o sistema acompanhe o fluxo de dados, mas ele realmente acelera o fluxo de dados através de compressão antes de processá-lo como taxas de linha, garantindo que não haja pontos de estrangulamento no caminho do IO. You can think of the way that data streaming works in the Netezza as similar to an assembly line. The Netezza assembly line has various stages in the FPGA and CPU cores. Each of these stages, along with the disk and network, operate concurrently, processing different chunks of the data stream at any given point in time. The concurrency within each data stream further increases performance relative to other architectures. Você pode pensar de que maneira o fluxo de dados de trabalha no Netezza, similar a uma linha de montagem. A linha de montagem Netezza tem vários estágios nos núcleos FPGA e CPU. Cada uma destas etapas, juntamente com o disco e rede, operam simultaneamente, processando pedaços diferentes do fluxo de dados em qualquer ponto no tempo. A concorrência dentro de cada fluxo de dados aumenta ainda mais o desempenho em relação às outras arquiteturas. Compressed data gets streamed from disk onto the assembly line at the fastest rate that the physics of the disk would allow. The data could also be cached, in which case it gets served right from memory instead of disk. Comprimido dados transmitidos a partir do disco fica para a linha de montagem na taxa mais rápida que a física do disco permitire. Os dados também podem ser armazenados em cache, caso ele seja melhor na memória em vez de disco The first stage in the assembly line, the Compress Engine within the FPGA core, picks up the data block and uncompresses it at wire speed, instantly transforming each block on disk into 4-8 blocks in memory. The result is a significant speedup of the slowest component in any data warehouse—the disk. A primeira fase na linha de montagem, o Mecanismo de compressão dentror do núcleo FPGA, pega o bloco de dados e descompacta-o em grande velocidade, transformando instantaneamente cada bloco de disco em 4-8 blocos na memória. O resultado é uma aceleração significativa do componente que é mais lento em qualquer DW, o disco. The disk block is then passed on to the Project engine or stage, which filters out columns based on parameters specified in the SELECT clause of the SQL query being processed. O bloco de disco passa para o mecanismo do projeto ou fase, que filtra as colunas com base nos parâmetros especificados na cláusula SELECT da consulta SQL a ser processado The assembly line then moves the data block to the Restrict engine, which strips off rows that are not necessary to process the query, based on restrictions specified in the WHERE clause. A linha de montagem, em seguida, move o bloco de dados o motor restrito, que retira as linhas que não são necessárias para o processo de consulta, com base em restrições especificadas na cláusula WHERE The Visibility engine also feeds in additional parameters to the Restrict engine, to filter out rows that should not be “seen” by a query e.g. rows belonging to a transaction that is not committed yet. The Visibility engine is critical in maintaining ACID (Atomicity, Consistency, Isolation and Durability) compliance at streaming speeds in the Netezza. O motor de visibilidade também se alimenta de parâmetros adicionais para o motor restrito, para filtrar as linhas que não devem ser "vistas" por exemplo uma consulta linhas pertencentes a uma transação que não está comprometida ainda. O motor Visibilidade é fundamental na manutenção da ACID (Atomicidade, Consistência, Isolamento e Durabilidade) o respeito às velocidades de transmissão no Netezza The processor core picks up the uncompressed, filtered data block and performs fundamental database operations such as sorts, joins and aggregations on it. It also applies complex algorithms that are embedded in the snippet code for advanced analytics processing. It finally assembles all the intermediate results together from the entire data stream and produces a result for the snippet. The result is then sent over the network fabric to other S-Blades or the host, as directed by the snippet code. O núcleo do processador pega o o bloco de dados descompactados, filtrados e realiza operações de banco de dados fundamentais, tais como os tipos, junções e agregações sobre ele. Também aplica algoritmos complexos que são incorporados no trecho de código para o processamento de análises avançadas. Por último, reúne todos os resultados intermediários juntos de todo o fluxo de dados e produz um resultado para o trecho. O resultado é então enviado através da estrutura da rede para outros S-Blades ou o host, direcionado pelo código..
  15. The power of the TwinFin system is our ability to work at “physics” speed. I/O limitations are eliminated as data is processed at disk speed. We designed an architecture that specifically meets the needs of enterprise-class BI. Unlike existing solutions that are an inefficient patchwork of systems, for example an Oracle DBMS + a sun server + EMC storage. TwinFin is what’s in the box – an appliance that integrates software, servers and storage into 1 easy-to-use solution. AMPP is what we are calling our breakthrough architecture – the best combination of SMP and MPP for performance and scalability. We connect to existing apps and tools through SQL, ODBC and JDBC. Data is loaded into the box using our fast loader. On the left side is the SMP host – a Linux OS running on a Compaq 4x:the host handles query plan optimization and table and set ops On the right side is the MPP intelligent storage: for the lower level operations that can be done blindingly fast using parallelization. Our basic unit on this side is the SPU: snippet processing unit – which consists of a disk, FPGA and microprocessor. As we add data/complex queries, the system grows by adding SPUs. We started with a clean sheet of paper and designed an architecture that specifically meets the needs of tera-scale BI
  16. Disk failover and resiliency is highly improved on TwinFin. Each disk is divided into 3 partitions – one that holds a slice of the user’s data, a mirror of data on another disk and a temp partition that’s used to hold intermediate results. All of these partitions are mirrored, including the temp partition. The primary partition is mirrored in pairs in a RAID 1 format. The Temp partition is laid out across a set of 8 drives in RAID 1+0 format (striped on mirrors).
  17. All drives are visible to all S-Blades within a chassis
  18. Instead of spending time and effort on tedious DBA tasks, use the time for higher BUSINESS VALUE tasks: Bring on new applications and groups Quickly build out new data marts Provide more functionality to your end users
  19. In order to compete effectively in an increasingly complex marketplace, companies continually seek out ways to gain more foresight from their ever increasing data assets and deliver more intelligence at every decision and interaction point. Advanced analytics has long held the promise of doing just that – moving BI from reporting on historical information to predicting future outcomes and ultimately helping employees and partners pick the best alternative from a series of confusing choices for every decision point. Whether the question is a common one such as segmenting customers based on their purchase behavior and demographics, or a more complex one such as optimization of the company’s demand chain, advanced analytics promises to deliver the right results. Despite the obvious benefits, most organizations find it very challenging to deploy advanced analytics across their enterprise and ask complex questions of their growing data volumes … to create a truly Analytic Enterprise.
  20. Let’s look at how analytics has traditionally been done in most organizations. Note: The analytics process can be thought of as 2 distinct activities – modeling and prediction. Modeling is the process of mining historical data to identify patterns and relationships of interest. Once those patterns and relationships are identified, modelers/quants build a mathematical model that describes a particular behavior such as propensity to buy or churn, potential fraud, etc. Prediction is the process of applying the model to data to predict the event described by the model. Modelers and statisticians generally have their own workstations or servers where they perform the modeling tasks. This requires them to move large amounts of data out of the data warehouse onto these systems. The data is cleansed, pre-processed and transformed to fit the needs of the server and analytics tools they are using. These computers are severely limited in how much data they can handle, frequently forcing modeling to be done only on a small sample instead of all the historical data available. Testing the model requires more data to be pulled out from the DW, further slowing down processing. This results in lots of IO and data getting distributed in lots of silos across the organization. Once a model is built, it is deployed on an analytics server, typically a large SMP server or grid that once again pulls data off the DW to run the predictive model on. The prediction is done off-line and data loaded back onto the DW. This is again a slow and cumbersome process, requiring the maintenance of additional infrastructure, while the off-line process often leads to processing of stale data.
  21. In practically all our discussions with customers, we find that the challenges faced by organizations when deploying advanced analytics more broadly are not very different from what they faced with their data warehouse deployments prior to Netezza: The analytics process is expensive and time-consuming – it generally takes weeks to develop a predictive model from the data in the DW. Once the model is developed, it still takes hours or even days in some cases to execute on all the data despite throwing expensive hardware at the problem. The problem is further exacerbated with growing data volumes. The analytics process is extremely inefficient, with the majority of the quants team’s time spent on non-value-added activities (simply moving data around in most cases) rather than data mining and model building. The end result is loss of productivity of expensive resources and dissatisfaction among the business users. The movement of data also leads of analytics silos where you have old and inaccurate data sitting in various places across the organization. Most analytics is done on a subset of the data that organizations have spent lots of time and money collecting & storing. Processing limitations in the underlying infrastructure force quants teams to either avoid asking complex questions or spend time decomposing the problem into piece parts that the systems can handle. Analysts are unable to experiment and perform d eeper and broader analysis to build models that reflect the realities of the complex world. The end result is that despite applying time and resources, companies are unable to fully exploit their data resources and ultimately risk being left behind in the competitive arena.
  22. Let’s look at how analytics has traditionally been done in most organizations. Note: The analytics process can be thought of as 2 distinct activities – modeling and prediction. Modeling is the process of mining historical data to identify patterns and relationships of interest. Once those patterns and relationships are identified, modelers/quants build a mathematical model that describes a particular behavior such as propensity to buy or churn, potential fraud, etc. Prediction is the process of applying the model to data to predict the event described by the model. Modelers and statisticians generally have their own workstations or servers where they perform the modeling tasks. This requires them to move large amounts of data out of the data warehouse onto these systems. The data is cleansed, pre-processed and transformed to fit the needs of the server and analytics tools they are using. These computers are severely limited in how much data they can handle, frequently forcing modeling to be done only on a small sample instead of all the historical data available. Testing the model requires more data to be pulled out from the DW, further slowing down processing. This results in lots of IO and data getting distributed in lots of silos across the organization. Once a model is built, it is deployed on an analytics server, typically a large SMP server or grid that once again pulls data off the DW to run the predictive model on. The prediction is done off-line and data loaded back onto the DW. This is again a slow and cumbersome process, requiring the maintenance of additional infrastructure, while the off-line process often leads to processing of stale data.
  23. Netezza has created an extremely flexible analytics platform that offers orders of magnitude performance at petascale. The integrated, easy-to-use appliance dramatically accelerates the entire analytics process. The programming interfaces and parallelization primitives offered make it straightforward to move a majority of analytics inside appliance, regardless of whether they are being performed in SAS and R or written in Java, Python or Fortran. By bringing analytics to the data, modelers and quants teams can operate on the data directly inside the appliance instead of having to move it to a different location and dealing with the associated data pre-processing and transformation. More importantly, modelers can take full advantage of the MPP architecture to ask the most complex questions on all the enterprise data, without the infrastructure coming in the way. They can iterate through different models more quickly to find the best fit. Administrators can easily create marts and sandboxes inside the appliance to allow modelers to work on their analytics problems without disrupting normal business operations. Data stays within a central repository instead of getting distributed all over the organization. Once the model is developed, it is seamless to put it into prediction mode. The prediction and scoring can be done right where the data resides, inline with other processing, on an as-needed basis. Users can get the results of prediction scores in near real-time, helping operationalize advanced analytics and making it available throughout the enterprise.