- Gudang data dari data terbaru yang terstruktur, data berkualitas tinggi, dan daftar untuk pelaporan, sementara data danau diprioritaskan secara fleksibel dan disimpan dalam jumlah besar.
- Arsitektur hibrida menggabungkan danau dan gudang untuk ekplorasi yang seimbang, IA/ML dan analisis bisnis yang mungkin dilakukan dengan strategi BI yang sama.
- Platform cloud dan model rumah danau difuminan fronteras, but gobierno, observasi dan integrasi siguen siendo críticos untuk menjaga kerahasiaan di data.
- Pemilihan di antara danau, gudang, atau campuran model bergantung pada madu organisasi, kemungkinan penggunaan, dan batasan biaya serta pelaksanaannya.
Integrasi antara gudang data dan danau data apakah ini telah diubah menjadi salah satu tema yang lebih banyak dari ekosistem data modern. Ya, Anda tidak perlu memilih salah satu dari yang lain: perusahaan memiliki banyak sekali informasi yang terstruktur dan tidak terstruktur, sementara arah yang diperlukan lebih analitis, lebih banyak IA dan kurang lebih gasto en la nube. Hasilnya adalah sebuah skenario dalam arsitektur, biaya, gobierno del data, dan banyak kasus penggunaan yang sangat sulit seperti yang terjadi sekarang.
Masukkan alasan mengapa Anda ingin memindahkan gudang data dan memulihkan data lake es clave untuk tidak melakukan impulso competitivo. Banyak artikel ini yang menghilangkan perbedaan, titik konvergensi, dampak pada biaya, pengurangan, gobierno, IA/ML dan, sebetulnya, bagaimana menggabungkan cara yang cerdas agar platform data Anda tidak dapat dikonversikan ke dalam satu sumber tanpa alasan atau ke dalam wadah bot.
Gudang data, danau data, dan rumah danau: visi umum dan utilitas metafora
Un data warehouse Ini adalah repositori terpusat yang dipersiapkan untuk menyimpan data yang terstruktur dan memerlukan banyak hal, mengoptimalkan untuk berkonsultasi dengan analitis dengan cepat dan melaporkan perusahaan. Suele apoyarse en SQL, en esquemas bien definidos (estrella, copo de nieve) dan en un fuerte control de calidad dan gobierno del data. Ini “benar-benar unik” tentang apa yang Anda informasikan kepada pemodal, sesuai dengan arahan dan analisis kecenderungan sejarah.
Un danau data, oleh karena itu, ini adalah deposit besar yang dapat menyimpan data apa pun yang sejenis dalam format aslinya, tanpa menerapkan versi sebelumnya. Kumpulan data yang terstruktur, semi terstruktur, dan tidak terstruktur: log layanan, peristiwa sensor IoT, klik web, interaksi di media sosial, file JSON, AVRO, Parket, gambar, audio, atau video. Ini adalah konsep yang diperlukan skema-saat-dibaca: Pertama-tama, Anda harus menjaga semuanya, dan Anda akan membangunnya ketika ada hal lain yang Anda perlukan.
El rumah danau data melonjak seperti model hibrida yang menggabungkan kemampuan data lake dan gudang data dalam kapasitas penyimpanan yang berbeda. Menggunakan teknologi seperti Delta Lake, Apache Hudi, atau Apache Iceberg, serta transaksi ACID, kontrol versi, gestión de metadatos, dan peningkatan besar serta penegakan esquemas directamente mengenai almacenamiento barat tipe danau, izin untuk mengeluarkan banyak muatan dari BI tradisional seperti kasus penggunaan IA/ML repositori lain.
Untuk mengatasinya, lihat analogi dari perusahaan profesional: para camiones (aplikasi transaccionales, ERPs, CRMs) mengunduh bahan-bahan di muelle (data lake), semua itu dilakukan secara mekanis dan tanpa proses. La cocina y sus despensas ordenadas (data warehouse) berisi berbagai bahan dalam limpios, cortados, dan listos untuk digunakan dalam penerimaan (menginformasikan dan model analitis). Lakehouse akan menjadi sebuah ruang hibrida yang menggabungkan muelle, despensa dan cocina dalam satu zona yang optimal, mengurangi beban dan redundansi.
Metafora lain yang menarik dan danau data seperti kawasan industri di suatu kota, gudang data seperti zona perumahan dan rumah danau seperti pusat kota cerdas yang menyatukan banyak orang. Ini adalah pertemuan “smart hub”. keluwesan, tingkatkan dan eksperimen sesuai pesanan, aman dan terjamin, yang mencerminkan dengan baik apa yang telah Anda lakukan jika Anda melihat pasar penyimpanan data.
Perbedaan mendasar antara data warehouse dan data lake
Bahkan jika Anda memiliki solusi yang sangat besar dalam jumlah informasi, datanya, strukturnya, dan lokasinya ada gudang data dan danau data yang sangat berbeda. Perbedaan ini tepat pada penjelasan mengapa banyak perusahaan mengakhiri penggunaan keduanya secara kombinasi.
Origen y tipos de datos
El data warehouse Ini dianggap sebagai data relasional dan prosedur yang baik untuk membangun sistem perdagangan seperti ERP, CRM, aplikasi online, atau basis data transaksional. Anda harus bekerja dengan tabulasi data dan dimensi yang memodelkan proses seperti ventilasi, manufaktur, inventaris, atau sumber daya manusia yang berulang.
El danau data Saya mengakui secara praktis apa pun yang asli dan format data, tanpa perlu mempelajari sesuatu yang bersifat relasional. Anda dapat memuat aliran sensor, aliran klik dari halaman web, registrasi aplikasi, dokumen, konten multimedia, atau penelusuran aplikasi. Ini termasuk yang ideal untuk proyek data besar, eksplorasi, dan sains data.
Struktur, esquema, dan proses
Di gudang data yang mendominasi enfoque skema saat menulis: untuk menentukan model data sebelum memuat informasi. Ini menyiratkan proses ETL (Ekstraksi, Transformasi, dan Karga) yang datanya hilang, dinormalisasi, dinormalisasi jika dikumpulkan, validasi, dan disesuaikan hingga suatu hal yang stabil. Dengan demikian, konsultasi ke belakang sangat cepat dan dapat diprediksi.
En un data lake manda el skema-saat-dibaca: pertama kali Anda membuka dan menyimpan data secara kasar, dan Anda akan membangunnya ketika Anda ingin berkonsultasi dengan seseorang. Jika Anda menyukai proses ELT (Ekstraksi, Pengangkutan, dan Transformasi), transformasi dapat dilakukan hanya dengan menggunakan mesin seperti Spark, Presto, atau teknologi serupa, dan sangat lancar dalam penyerapan.
Ini sangat fleksibel di danau tiene keuntungan dan risiko: izinkan memasukkan fitur-fitur baru tanpa gesekan, tetapi jika Anda tidak mengelola katalog dan kualitas, Anda dapat berubah menjadi “rawa data”, sebuah lagu yang sangat menarik karena sangat sulit karena Anda tidak tahu apa yang sedang terjadi.
Calidad de datos y fiabilidad
Gudang data yang disimpan dengan kapasitas Anda untuk menjamin data yang banyak curados, konsistenes dan dapat diaudit. Selama ETL akan menghilangkan duplikasi, jika terjadi kesalahan, jika Anda memerlukan nilai saat melakukan sesuatu, jika Anda menerapkan peraturan perdagangan dan memvalidasi koheren antara keduanya. Oleh karena itu, mungkin perlu mempertimbangkan “pejabat resmi” yang sebenarnya untuk organisasi.
Di danau data, jika Anda tidak menerapkan kontrol sebelumnya atau mekanisme di belakang dan belakang yang benar, mungkin ada data yang tidak konsisten, tidak lengkap, atau salah secara langsung. Untuk menganalisis eksplorasi dan pembelajaran mesin, hal ini dapat diterima dalam konteks tertentu, tetapi ketika Anda masuk ke dalam permainan, informasikan peraturan atau arahan yang diberikan, tingkat kebutuhannya sangat rendah.
Rendimiento, biaya dan peningkatan
Gudang data modern di masa kini (seperti Amazon Redshift, Google BigQuery, atau Snowflake) masih dioptimalkan untuk memberikan waktu respons yang sangat cepat dalam konsultasi lengkap mengenai data yang terstruktur. Gunakan penyimpanan lokal atau kolom, partisi, indeks, dan bidang eksekusi canggih untuk layanan BI, pelaporan, dan analisis OLAP dengan efisiensi besar.
Danau data diprioritaskan pada kapasitas almacenamiento y el coste karena encima del rendimiento bruto. Menyetujui almacenamiento yang didistribusikan dan barat, seperti S3, Azure Data Lake Storage atau GCS, dan desacoplan cómputo dan almacenamiento. Konsultasi mungkin lebih panjang dibandingkan dengan gudang puro, tetapi harga terabyte dan elastisitas rekursif biasanya akan mengimbangi skenario data besar.
Perbedaan ini tercermin dalam biaya: tingkatkan dan tingkatkan gudang data yang kuat dapat menghasilkan lebih banyak pekerjaan dan keluar dari upaya walikota, meskipun konsultasi akan sangat efisien. Sebuah danau data mengurangi biaya penyimpanan dalam jumlah besar, tetapi Anda dapat menghapus gas komputer jika Anda tidak mengoptimalkan transformasi dan berkonsultasi dengan data kasar dengan benar.
Perfiles de usuario dan casos de uso
Gudang data berorientasi pada semua a analis perdagangan, pengendali keuangan dan perlengkapan BI yang memerlukan data yang dapat dipercaya dan interpretasi yang mudah. Jika Anda bekerja dengan SQL, alat pelaporan dan berbagai perintah yang memaparkan rincian KPI, rangkaian riwayat, dan perbandingan.
Danau data se dirige utama a ilmiah data dan kecerdasan data dan teknik perfiles yang menggunakan bahasa dan kerangka kerja tambahan (Spark, PySpark, Python, R, dll.). File-file ini sangat berguna untuk data tanpa struktur, komplemen pipeline, dan model IA/ML yang memerlukan fleksibilitas total.
Gudang data secara detail: arsitektur, ventilasi, dan penggunaan di BI
Un gudang data modern Ini tidak hanya berdasarkan data besar, tetapi juga merupakan arsitektur yang dirancang untuk mengurangi sejarah dan dukungan keputusan. Suele mengatur tingkat yang memisahkan konsumsi, model data, dan konsumsi oleh sebagian pengguna.
Arsitektur dari tiga kemampuan klasik yang bertentangan: kemampuan inferior yang diterima dan mengubah proses data dari sistem yang berfungsi; sebuah wadah perantara OLAP yang mengatur dan mengoptimalkan data untuk konsultasi multidimensi; dan kemampuan klien yang unggul (BI, visualisasi, penambangan data) yang memaparkan informasi pada pengguna akhir.
Perangkat model data biasanya berulang a esquemas en estrella atau copo de nieve. Dalam esquema estrella, tabla de hechos central (ventas, siniestros, transacciones) adalah hubungan dengan tablas de dimensi (klien, produk, waktu, saluran), lebih suka berkonsultasi dengan intuitif dan banyak hasil. Hal ini dapat dilakukan dengan tidak menormalisasikan dimensi yang lebih besar, mengurangi redundansi biaya serikat pekerja besar dalam konsultasi.
Masuk ke kepala sekolah untuk disimpan di gudang data la rapidez de konsultasi, la konsistensi dan visi sejarah. Anda dapat menganalisis informasi yang diperlukan selama bertahun-tahun sehingga memungkinkan untuk mendeteksi pelanggan dari sejumlah besar tempat, perilaku klien, sikap, atau dampak nyata dari kampanye dan keputusan strategis.
Perangkat seperti BI Studio (dan platform lain yang setara dengan BI) dapat terhubung langsung ke bagian gudang dengan model dan dasbor eksponensialnya, menginformasikan secara ad hoc dan menganalisis secara mendalam. Jika Anda melihat data dan integrasi, dokumen dan dokumen, fokus pada “pelearse” dengan data adalah interpretasi metrik dan pengambilan keputusan.
Data lake secara rinci: struktur, fleksibilitas, dan potensi untuk IA/ML
El danau data Saya pikir sebagai pemilik besar tidak akan merasa tertekan karena organisasi tersebut dianggap berpotensi berguna, tetapi mereka harus mengubah masa depannya. Ini termasuk registrasi detail sistem operasional yang memiliki file audio dari pusat panggilan atau aliran perangkat IoT.
Informasinya disimpan dalam format asli, diatur dalam zona atau kapasitas logis (mentah, kurasi, kotak pasir, dll.) dan dikirim melalui katalog metadato yang bagus. Dengan katalog ini, pelokalkan dan pahami kumpulan data untuk melihat sebuah proyek besar. Oleh layanan seperti itu Lem AWS, Hive Metastore atau Unity Catalog yang relevan: izinkan registrar yang ada di danau, yang tidak dapat Anda gunakan, dan sesuai dengan tujuan Anda.
Esta aproximación ofrece una peningkatan praktis horizontal: Anda akan menambah lebih banyak memori atau jumlah komputer untuk menyerap volume baru tanpa menerbitkan kembali item tersebut. Ini adalah wilayah yang ideal untuk proyek data besar, proses streaming, analisis eksplorasi, dan model pembelajaran mesin yang penting datanya heterogen.
Namun, ini juga bebas biaya disiplin. Sebuah danau tanpa norma gobierno, limpieza mínima ni trazabilidad acaba lleno de datas duplikat, tidak konsisten atau tanpa konteks. Peralatan teknis yang diperlukan untuk mencapai waktu yang lebih singkat dan persiapan yang menghasilkan wawasan, dan keberanian danau akan berkurang.
Platform integrasi dan pemesanan seperti Hub Conecta (solusi serupa iPaaS) membuat sebuah kertas penting berikut ini: memfasilitasi pembayaran data dari banyak aplikasi SaaS, layanan lokal dan eksternal yang hacia el lake en time (casi) real, dan izinkan orquestar los pipelines que los preparan para usos posteriores, incluida la carga parcial hacia el data gudang.
Danau data vs gudang data: tepat, biaya, keamanan, dan kelancaran
Perbandingan antara data lake dan data warehouse biasanya dilanjutkan dalam beberapa frase, tetapi dalam praktiknya matikan tanda perbedaannya. Membantu merevisi prinsip-prinsip tersebut: tepat, struktur, kegunaan, biaya, aksesibilidad, dan keamanan.
En cuanto al propósito, el gudang Ini berpusat pada analisis layanan yang solid, pelaporan stabil dan digunakan secara intensif oleh sebagian bisnis. Tujuannya adalah untuk mendapatkan data yang diperbarui dalam daftar untuk menjawab pertanyaan yang sering dan menunjukkan indikator kunci. Dengan perubahan ini, danau tersebut dipicu oleh penjelajahan, eksperimen, dan pengambilan informasi dalam jumlah besar yang berpotensi berguna, meskipun tidak ada satu pun kasus yang dapat digunakan dengan jelas.
Tentang strukturnya, gudang hanya menyimpan data yang diproses dan dipahami, sementara danau itu masih bisa diterima dengan cara yang kasar. Perbedaan ini dapat diperoleh dengan cara yang sama: gudang adalah “rumah” dari daftar barang konsumsi, danau adalah “almacén” dan seluruh orang berkumpul bahwa mereka dapat melayani di masa depan.
Dalam hal biaya, danau ini umumnya lebih barat untuk menghasilkan banyak informasi yang sangat besar, tetapi gudang memfasilitasi akses yang jauh lebih langsung dan efisien untuk bisnis. Banyak organisasi yang memilih campuran ini: menjaga semua hal yang dapat dilakukan di danau dan hanya di gudang sehingga sebenarnya Anda dapat menggunakannya dalam analisis berulang.
Jika ada aksesibilitas, danau ini sangat mudah untuk dilengkapi dengan sumber daya baru tetapi lengkap bagi pengguna tanpa teknis, sementara gudang kurang fleksibel tetapi lebih ramah untuk analis dan eksekutif. Memodifikasi barang-barang di gudang yang memerlukan diseño dan gobierno; menambahkan kumpulan data baru ke danau dengan cara yang sama seperti mengonfigurasi penyerapan baru.
Dengan keamanan dan kendali yang baik, gudang data menjadi bagian dari sejarah sejarah. Teknologi penyimpanan data telah berkembang selama beberapa dekade menjadi kebutuhan auditor, pemisahan peran, dan menjadi standar. Ekosistem data besar telah berusaha untuk mengatasi hal ini setiap hari, dan meskipun kesenjangannya berkurang, sering kali ada gudang penyimpanan yang lebih disukai untuk menginformasikan peraturan dan data yang sangat masuk akal.
Cara mengintegrasikan data warehouse dan data lake dalam strategi BI
Lejos de ser excluyentes, danau data dan gudang data terutama dilakukan ketika terintegrasi dengan hibrida arsitektur data. Dalam penelitian ini, setiap orang menjalankan fungsi nyata melalui siklus hidup informasi.
Perkiraan yang biasa digunakan adalah menggunakan danau data sebagai zona penyimpanan dan riwayat lengkap dari semua data perusahaan. Semua yang ada di sini adalah: detail peristiwa, log, file, data semi-struktural, metrik sistem, dll. Apakah data tersebut dikumpulkan secara kasar, etika, dan pengorganisasian oleh dominasi atau zona, dan merupakan disposisi data yang lengkap dan analitis yang akan datang.
Dari negara ini, kumpulan data yang harus Anda miliki memiliki nilai yang baik untuk bisnis jika Anda melakukan pembiayaan kembali dan melakukan pengangkutan ke gudang data. Prosesnya dapat mengikuti patron ELT (pertama di danau, luego se transforman dan suben al warehouse) o ETL (transformar dan cargar directamente cuando el caso de uso lo exige). Hasilnya adalah kumpulan data yang lebih padat, tetapi Anda harus melakukan dan mengarahkan pelaporan.
Flujo ini memungkinkan kombinasi kontrol dan fleksibilitas yang fleksibel: danau menyerap semuanya tanpa gesekan, sementara gudang bertindak sebagai pelarian resmi untuk semua keputusan. Perangkat semacam BI Studio ini terhubung ke gudang untuk menawarkan dasbor eksekutif, sementara platform ilmu data mengakses danau untuk memasukkan model dan mewujudkan analisis eksplorasi.
Kuncinya adalah untuk mendesain saluran pipa dan sinkronisasi antara semua hal. Solusi integrasi seperti Hub Conecta memfasilitasi ini untuk mengotomatiskan ekstraksi aplikasi seperti Salesforce, NetSuite, ServiceNow, atau platform e-commerce, menyimpan data di danau, dan semua makanan berkala atau waktu nyata di tab gudang yang mudah diinformasikan kepada para kritikus.
Danau data, gudang, dan rumah danau: dampak pada nubes modernas
Gangguan pada platform cloud seperti Snowflake, Databricks, atau Google BigQuery telah menonjolkan bagian depan antara lagu-lagu dan kumpulan data tradisional. Solusi ini memungkinkan untuk bekerja dengan data yang terstruktur, semi terstruktur, dan tidak terstruktur dalam waktu yang sama, dan meningkatkan penyimpanan data dan menghitung secara independen.
Databricks, misalnya, adalah konsolidasi awal sebagai referensi dalam data lake dan proses big data, dan telah berevolusi dengan konsep Rumah danau. Teknologi Delta Lake ini juga mencakup transaksi ACID, kontrol versi, cara yang efisien dalam metadata dan penegakan hukum di wilayah barat. Dengan elemen-elemen seperti Katalog Unity yang memuat data dalam jumlah besar karena menggunakan SQL, Spark, dan beban kerja IA dalam skala besar, dan inisiatif seperti LakehouseIQ menjelajahi penggunaan asisten IA untuk mendemokratisasikan akses ke informasi median bahasa alami.
Kepingan salju, oleh karena itu, mendefinisikan ulang dirinya gudang data modern di masa mendatang dan muncul visi “cloud data” yang menerima data yang terstruktur, semi-terstruktur, dan tidak terstruktur, format terintegrasi seperti Iceberg dan kemampuan streaming yang lebih besar, tabel dinamis, dan analisis dokumen di antara model yang ada. Meskipun perusahaan berada jauh dari terminal “lakehouse”, praktiknya juga menawarkan hibrida yang mengambil fungsi laguna dan almacén sesekali.
BigQuery dan Redshift Spectrum memungkinkan untuk melihat data-data tertentu dalam format gudang seperti data lake eksternal, mempelajari skenario dan kemungkinan menggabungkan data-data yang disimpan dengan cara yang sama. Semua tentang arsitektur yang memisahkan penyimpanan dan komputasi dan mengizinkan pembuatan atau pengurangan rekursif berdasarkan permintaan.
Konvergensi teknologi ini tidak menghilangkan masalah dasar fragmentasi aplikasi. Saat ini ERP, CRM, media pemodal, sistem tiket, dan platform pemasaran yang menghasilkan data secara independen, memastikan bahwa mereka memiliki kemampuan integrasi yang luar biasa sehingga mereka dapat konsisten dengan lingkungan perusahaan yang elegan dan jaminan bahwa saluran yang dikelola akan tetap aman beroperasi saat Anda sedang mencapai fuentes.
Gobierno del dato, calidad dan observabilidad: la base de la confianza
Terlepas dari apakah Anda menggunakan danau data, gudang data, atau rumah danau, elemen-elemennya sangat mengesankan confianza en los datos. Tanpa percaya diri, integrasinya sangat sensitif, informasinya akan didiskusikan sebagai bagian dari penggunaan dan inisiatif IA menghasilkan lebih banyak jawaban.
Buka data untuk mengetahui definisi politik, peran, garis, katalog, dan kontrol yang menjamin bahwa informasi tersebut dapat dipahami dan diakses agar dapat dilihat dan dilindungi dari akses yang tidak dapat dibayar. En un warehouse esto suele estar bastante maduro; di sebuah danau yang memerlukan penyempurnaan katalog, klasifikasi kepekaan, dan pengaturan akses untuk menghindari kebocoran gas atau ketidakmampuan normatif.
Pengamatan data juga merupakan kemampuan pemantauan aktif mengenai jaringan pipa, tabel, dan metrik yang sangat berkualitas. Jika Anda mendeteksi anomali dalam ukuran, volume, distribusi, atau konsistensi, dan memperhatikan peralatan yang memadai sebelum pengguna bisnis melakukan kesalahan data dalam laporannya. Dengan menerapkan sejarah dan payung yang dapat dikonfigurasi, platform ini mengurangi waktu minimum "waktu yang diperlukan" dari data.
Menyatukan garis secara detail ke tingkat yang lebih tinggi, ini memungkinkan Anda mengetahui dengan cepat informasi yang diberikan, model, atau dasbor jika terpengaruh oleh suatu insiden, dan memprioritaskan koreksi kriteria. Apa yang sama dengan data yang berada di gudang, danau, atau rumah danau: jika organisasi tidak merasa stabil dan transparan, proyek data akan tetap ada.
Pemilihan strategi: danau, gudang, atau model hibrida según la madurez
Tidak semua perusahaan berada di tempat yang sama dengan lalu lintas datanya, dan itu langsung mempengaruhi arsitektur yang tepat. Ini bukan salah satu startup digital yang mengubah perusahaan setiap trimestre, yaitu sebuah grup multinasional dengan peraturan yang sangat ketat.
Bagi organisasi-organisasi yang dinamis, pusat-pusat dan bereksperimen dengan produk-produk baru, saluran-saluran, dan saluran-saluran, mereka harus memprioritaskan suatu hal danau data. Fleksibilitas untuk menerima data baru SaaS, platform pengumuman, jaringan sosial, atau perangkat lunak dengan cepat jika digunakan tanpa perlu terus-menerus memperbarui model data.
Perusahaan-perusahaan dalam tahap peningkatan yang memerlukan pelaporan yang terkonsolidasi, menerapkan norma-norma dan visi-visi penyedia layanan yang unik ke arah yang lebih baik, jika mereka mendapat manfaat lebih dari melakukan perbaikan gudang data padat. Prioritasnya adalah standarisasi metrik, penyesuaian perubahan, dan perbandingan antara unit perdagangan dan periode waktu.
Organisasi Madura Suelen cenderung memiliki arsitektur hibrid seperti rumah danau atau jaringan data di danau dan gudang yang hidup berdampingan, jika mereka mengatur bentuk koordinasi dan mewujudkannya dalam suatu malla de integrasi dan gobierno. Inovasi makanan dan model-model canggih di lago; di tempat lain, keputusan penting diambil setiap hari.
Dalam semua skenario, faktor yang tidak dapat gagal adalah satu kolumna vertebral de integrasi kuat. Namun, karena banyak potensi yang dimiliki platform penyimpanan Anda, datanya lambat, tidak lengkap atau desalinasi dengan proses bisnis yang sebenarnya.
Bersamaan dengan itu, integrasi data warehouse dan data lake, serta dengan propuestas lakehouse dan data cloud, konfigurasikan hari ini dengan fleksibilitas, kontrol, biaya, dan kecepatan pengambilan keputusan yang seimbang dengan banyak hal. Masukkan setiap pieza, seperti koneksi dan papel juegan gobierno, pengamatan dan integrasi yang memungkinkan Anda merancang arsitektur yang tidak memiliki data tunggal yang dikumpulkan, karena mereka berkomunikasi dalam aktivitas alami yang mengambil keputusan impulsif, inovasi, dan usaha kompetitif yang berkelanjutan.
