É«¿Ø´«Ã½

?Qu¨¦ es un almac¨¦n de datos?

Un almac¨¦n de datos (o data warehouse) es un sistema de almacenamiento optimizado para almacenar datos estructurados y realizar las consultas SQL de alta velocidad que son necesarias para proporcionar la inteligencia empresarial en el momento oportuno. Del procesamiento de transacciones a alta velocidad a los an¨¢lisis predictivos, los almacenes de datos llevan d¨¦cadas siendo de facto el est¨¢ndar de almacenamiento que las empresas utilizan para impulsar su inteligencia empresarial.

Las ventajas de los almacenes de datos

Las ventajas de los almacenes de datos incluyen:

• La consolidaci¨®n de datos estructurados procedentes de fuentes distintas.?
• Las consultas anal¨ªticas r¨¢pidas de bases de datos relacionales.
• Una soluci¨®n de almacenamiento espec¨ªfica para unas consultas m¨¢s baratas y una creaci¨®n de informes m¨¢s r¨¢pida.

C¨®mo funcionan los almacenes de datos

La log¨ªstica de la recogida de datos de diferentes partes de su empresa para extraer informaci¨®n ¨²til puede escalarse en complejidad a medida que su empresa crece. Los almacenes de datos pueden proporcionar a su empresa una manera fiable de consolidar esa informaci¨®n en una ¨²nica base de datos y modelo de datos, para permitir? que los analistas ejecuten sus consultas.?

As¨ª es c¨®mo funciona:

1. Extraer: Recopile datos brutos de las distintas fuentes de su organizaci¨®n (por ejemplo, ERP, CRM, ventas, marketing) en bases de datos de ensayo.
   
2. Transformar: Los datos de la capa de ensayo se transfieren a una capa de integraci¨®n, donde los datos se combinan y se transforman en un almac¨¦n de datos operativo (ODS).
   
3. Cargar: Los datos se mueven de la capa de integraci¨®n al almac¨¦n de datos definiendo el esquema que sus analistas desean usar para sus consultas SQL antes de escribirlas en una base de datos relacional (esquema sobre escritura).?

La base de datos con la que interact¨²a en un almac¨¦n de datos es relacional, lo que significa que los datos est¨¢n estructurados ¡ªalmacenados en tablas que consisten en columnas y filas¡ª. Estas tablas est¨¢n organizadas por esquemas que se? definieron durante la escritura.?

Cuando el paso de transformaci¨®n es gestionado por un ODS externo al almac¨¦n de datos, se llama ETL (extracci¨®n, transformaci¨®n, carga). Cuando el almac¨¦n de datos gestiona las transformaciones internamente, se llama ELT (extracci¨®n, carga, transformaci¨®n). Tanto si utiliza ETL como ELT, los almacenes de datos necesitan datos estructurados y esquemas de escritura para trabajar con bases de datos relacionales.

?Para qu¨¦ se utilizan los almacenes de datos?

Las aplicaciones comunes de los almacenes de datos incluyen:

• Online Transaction Processing (OLTP) Un almac¨¦n de datos puede optimizarse para la integridad de los datos y las consultas r¨¢pidas para gestionar un gran volumen de transacciones de datos cortas. Un ejemplo son las transacciones que se realizan en una plataforma de negociaci¨®n de alta frecuencia.?
• Procesamiento anal¨ªtico en l¨ªnea (OLAP): Puede optimizar un almac¨¦n de datos para realizar consultas complejas m¨¢s r¨¢pidas con un volumen de transacciones relativamente menor. Esto es b¨¢sicamente lo que un analista utiliza para generar informes de BI.
• Los an¨¢lisis predictivos: Un sistema OLAP puede optimizarse para prever eventos futuros y generar escenarios hipot¨¦ticos para su empresa, a menudo con la ayuda de algoritmos de aprendizaje autom¨¢tico.

Debido a que los almacenes de datos son esquemas escritos, es importante saber qu¨¦ tipo de consultas desea realizar antes de a?adir esquema a un almac¨¦n de datos. Para gestionar la complejidad de las fuentes de datos dispares, un almac¨¦n de datos puede segmentarse en data marts para dedicar recursos de hardware y software a funciones espec¨ªficas de la empresa, como el CRM.

Almac¨¦n de datos frente a lago de datos frente a concentrador de datos

Si bien estos tres conceptos pueden sonar intercambiables, es importante entender sus diferencias:

• Almac¨¦n de datos o data warehouse: es un repositorio ¨²nico en el que se integran y almacenan los datos estructurados obtenidos de m¨²ltiples fuentes de datos no estructurados de toda la organizaci¨®n.
• Lago de datos o data lake: es un repositorio ¨²nico sin refinar de todas las fuentes de datos estructurados y no estructurados en bruto de una organizaci¨®n (incluidos los almacenes de datos). Los datos deben seguir proces¨¢ndose para extraer informaci¨®n de BI.?
• Hub de datos o data hub: una interfaz ¨²nica que consolida todos los datos ¡ªtanto estructurados como no estructurados¡ª en una capa de datos central que es accesible. Se diferencia de un almac¨¦n de datos en que tambi¨¦n puede manejar datos operativos y se diferencia de un lago de datos porque tiene la capacidad de servir datos en m¨²ltiples formatos.?

Los hubs de datos proporcionan el gobierno de datos necesario para optimizar la compartici¨®n de datos entre un grupo diverso de puntos de conexi¨®n. De este modo, los hubs de datos consolidan los lagos de datos y los almacenes de datos en una capa de acceso ¨²nica. El procesamiento de los datos queda oculto detr¨¢s del hub de datos, lo que permite que su organizaci¨®n disponga de un lugar centralizado en el que extraer la informaci¨®n de la inteligencia empresarial.

?Por qu¨¦ elegir É«¿Ø´«Ã½ para sus necesidades de almac¨¦n de datos?

Si necesita a?adir una nueva canalizaci¨®n OLAP u OLTP a su infraestructura de almac¨¦n de datos existente, puede que sea el momento de plantearse invertir en una Experiencia de Datos m¨¢s Moderna? con las soluciones de almacenamiento totalmente flash de É«¿Ø´«Ã½.?

Como primer concentrador de datos del sector,?FlashBlade ?? de É«¿Ø´«Ã½? no solo puede gestionar las cargas de trabajo de an¨¢lisis e informes de un almac¨¦n de datos, sino que tambi¨¦n puede proporcionar las cualidades esenciales de un concentrador de datos:

• Una compartici¨®n optimizada de los datos entre todos sus puntos finales de datos.
• Un almacenamiento unificado de archivos y objetos.
• La capacidad de manejar los datos operativos en tiempo real.
• Desarrollado de manera nativa para escalar horizontalmente
• Dise?ado para proporcionar un rendimiento multidimensional para cualquier tipo de datos
• En paralelo masivo del software al hardware