Video: Historie. Oprettelsen af staten Israel 2024
Da computing flyttede ind på det kommercielle marked, blev data lagret i flade filer, der ikke pålagde struktur. I dag kræver store data håndterbare datastrukturer. Da virksomhederne var nødt til at nå op på detaljeret forståelse for kunderne, måtte de anvende brute-force metoder, herunder meget detaljerede programmeringsmodeller for at skabe værdi.
Senere i 1970'erne ændredes tingene med opfindelsen af relationsdatamodellen og relational database management system (RDBMS), der pålagde struktur og en metode til forbedring af ydeevnen. Vigtigst set tilføjede relationsmodellen et abstraktionsniveau, så det var lettere for programmører at tilfredsstille de voksende forretningskrav til at udtrække værdien fra data.
Relationsmodellen tilbød et økosystem af værktøjer fra et stort antal nye softwarefirmaer. Det fyldte et voksende behov for at hjælpe virksomheder med at organisere deres data bedre og kunne sammenligne transaktioner fra en geografi til en anden.
Derudover hjalp det virksomhedsledere, der ønskede at kunne undersøge oplysninger som inventar og sammenligne dem med kundeordreoplysninger til beslutningstagning. Men et problem opstod fra denne eksploderende efterspørgsel efter svar: Opbevaring af denne voksende datamængde var dyr, og adgangen til den var langsom. Gør sager værre, der eksisterede masser af data duplikering, og den faktiske forretningsværdi af disse data var svær at måle.
Når datamængden, som organisationerne havde brug for til at håndtere, voksede ude af kontrol, leverede datalageret en løsning. Data warehouse gjorde det muligt for it-organisationen at vælge en delmængde af de data, der lagres, så det ville være lettere for virksomheden at forsøge at få indsigt. Data warehouse var beregnet til at hjælpe virksomheder med at håndtere stadig større mængder strukturerede data, som de skulle kunne analysere ved at reducere datamængden til noget mindre og mere fokuseret på et bestemt område af virksomheden. Det fyldte behovet for at adskille operationel beslutningstøttebehandling og beslutningstøtte - af ydeevne årsager.
Nogle gange var disse datalagre selv for komplekse og store og gav ikke den hurtighed og fleksibilitet, som virksomheden krævede. Svaret var en yderligere forbedring af de data, der forvaltes via data marts. Disse data marts var fokuseret på specifikke forretningsproblemer og støttede virksomhedens behov for hurtige forespørgsler. Lageret har udviklet sig til at understøtte nye teknologier som integrerede systemer og dataapparater.
Data warehouses og data marts løst mange problemer for virksomheder, der behøver en ensartet måde at håndtere massive transaktionsdata på. Men når det drejede sig om at styre store mængder ustruktureret eller halvstruktureret data, kunne lageret ikke udvikle sig nok til at imødekomme skiftende krav.
For at komplicere forhold er datalager typisk fodret i batchintervaller, normalt hver uge eller dagligt. Dette er fint til planlægning, finansiel rapportering og traditionelle marketingkampagner, men det er for langsomt for stadig mere forretningsmæssige og forbrugermiljøer i realtid.
Hvordan ville virksomheder kunne omdanne deres traditionelle datahåndteringsmetoder til at håndtere det voksende antal ustrukturerede dataelementer? Opløsningen opstod ikke natten over. Da virksomheder begyndte at lagre ustrukturerede data, begyndte sælgerne at tilføje evner som
BLOB'er (binære store objekter). I det væsentlige vil et ustruktureret dataelement blive lagret i en relationsdatabase som en sammenhængende del af data. Dette objekt kunne mærkes, men du kunne ikke se, hvad der var inde i objektet. Det var klart, at dette ikke ville løse skiftende kunde- eller forretningsbehov.
Indtast objektdatabasebehandlingssystemet (ODBMS). Objektdatabasen lagrede BLOB som et adresserbart sæt stykker, så du kunne se, hvad der var derinde. I modsætning til BLOB, som var en uafhængig enhed, der var vedhæftet en traditionel relationsdatabase, gav objektdatabasen en samlet tilgang til håndtering af ustrukturerede data.
Objektdatabaser omfatter et programmeringssprog og en struktur for dataelementerne, så det er lettere at manipulere forskellige dataobjekter uden programmering og komplekse sammenføjninger. Objektdatabaserne introducerede et nyt niveau af innovation, der hjalp med at føre til den anden bølge af datahåndtering.
