¿Qué es el análisis en tiempo real de todos modos?

Recuerda ¿Rana? ¿Esa pieza pixelada de magia arcade donde pilotas tu avatar anfibio a través de calles y ríos sin ser aplastado por los autos que pasan o arrastrado por las corrientes de agua?

¡Anda, rana, anda!

Como resulta, rana es una metáfora perfecta para el análisis en tiempo real. Si nunca lo has jugado, toma algunas monedas virtuales y pasa 1 minuto con este emulador. De lo contrario, podría no tener sentido...

ahora cierra los ojos Imagina que eres Frogger. Miras por encima de la carretera traicionera. Ves autos zumbando, escuchas el rugido de las motocicletas, hueles los gases de escape de los camiones que pasan. Y tienes que llegar al otro lado.

Aquí hay una pregunta: ¿Qué pasaría si hubiera un retraso entre las vistas, los sonidos y los olores que percibe y su capacidad para activar sus saltadores para que reboten? Dicho de otra manera, ¿qué pasaría si las sinapsis en su sistema nervioso central transmitieran información de sus sentidos a sus músculos a un ritmo más lento que la velocidad de un camión con semirremolque que pasa?

¿Alguna vez cruzarías la calle?

Analytics es la sinapsis de los negocios

Con todo lo que se habla en estos días sobre las decisiones comerciales "basadas en datos", uno podría pensar que este es un fenómeno moderno que es posible gracias a la tecnología digital. No lo es. La toma de decisiones basada en datos ha existido por lo menos tanto tiempo como los sistemas nerviosos centrales. Sentimos, procesamos y actuamos. Igual que Frogger. Y para la mayoría de las personas, este proceso ocurre en unos pocos milisegundos.

En términos generales, el "análisis" es la forma en que las empresas capturan, procesan y actúan, idealmente de una manera que crea valor. Las empresas generan datos, obtienen conocimientos de esos datos y conectan esos conocimientos con las personas y los procesos que dirigen el negocio para que puedan actuar en consecuencia.

El proceso analítico básico.

La mayoría de las empresas modernas generan constantemente nuevos datos. Y para la mayoría de las empresas, esos datos tienen una vida útil. Cuanto más tiempo pasen los datos sin procesar ni editar, menos valiosos se vuelven.

Por supuesto, la velocidad a la que cae su valor depende de la velocidad del negocio. Un minorista global en línea que vende miles de prendas por minuto el Black Friday tiene requisitos de datos muy diferentes a los de una pequeña boutique en un pueblo rural un martes por la mañana.

La capacidad de Frogger para cruzar la calle con seguridad depende de cuántos autos haya, qué tan rápido vayan y qué tan rápido pueda saltar.

Entonces, ¿qué es el "análisis en tiempo real"?

Por lo tanto, el análisis en tiempo real es la sinapsis que conecta la generación de datos de alta velocidad con los procesos y actividades que mantienen el negocio vivo y rentable. Mantiene a las organizaciones al tanto de la avalancha constante de datos que podrían (y deberían) informar sus decisiones, y les permite actuar sobre esos datos al máximo valor. Es el sistema en el que Frogger salta ágilmente de un carril a otro, un salto por delante de su némesis sobre ruedas.

En aplicaciones en tiempo real, el valor de los datos disminuye precipitadamente con el tiempo.

En pocas palabras, el análisis en tiempo real es la capacidad de hacer algo valioso con los datos tan rápido como se generan.

Y para las empresas con uso intensivo de datos, este es un problema difícil.

¿Por qué es difícil "Realtime Analytics"?

Para ser valiosas para las empresas, las arquitecturas de análisis en tiempo real deben poder manejar tres atributos de datos:

1. frescura
2. latencia y
3. paralelismo

frescura es el retraso entre el momento en que un evento del mundo real crea los datos y el momento en que se puede actuar sobre ellos. En términos de SQL, la frescura podría considerarse como la diferencia entre el resultado de now() función y la última marca de tiempo en su base de datos.

latencia Así de rápido puede solicitar estos datos y obtener un resultado. Este es el tiempo que tarda en cargarse su tablero cuando hace clic en actualizar.

paralelismo muchos clientes diferentes quieren acceder a datos actualizados al mismo tiempo con baja latencia.

Honestamente, es realmente difícil construir sistemas que hagan los 3 bien. Es como el letrero que ves en algunos restaurantes con agujeros en la pared:

Arquitecturas de datos típicas: Fast & Fresh no lo será al mismo tiempo. Al mismo tiempo y rápido no será fresco. Fresco y al mismo tiempo no será rápido.

Ser capaz de tomar cantidades masivas de datos que se generan constantemente, enriquecer y transformar esos datos, y entregar esos datos a aplicaciones e interfaces a las que acceden muchos usuarios simultáneos sigue siendo excepcionalmente difícil, y no es algo establecido para las arquitecturas de datos. fueron desarrollados.

Los almacenes de datos en particular se diseñaron para resolver un problema específico: análisis de lotes complejos sobre grandes cantidades de datos históricos. Lo estás haciendo muy bien. Pero cuando se trata de crear aplicaciones de alta simultaneidad y baja latencia sobre estas cantidades masivas de datos nuevos, fracasan. Simplemente no pueden mantenerse al día con las demandas en tiempo real. Hay una razón técnica para esto, que trataré en un blog posterior.

¿Qué sigue para Realtime Analytics?

El análisis en tiempo real es ciertamente un espacio en crecimiento dentro del ecosistema de datos más grande, pero históricamente solo estaba al alcance de los grandes jugadores con mucho dinero que podían desplegar grandes equipos para construir y mantener una infraestructura poderosa. Afortunadamente, eso puede cambiar.

En primer lugar, las tecnologías sin servidor, incluidas las ofertas de DBaaS (base de datos como servicio), son cada vez más frecuentes. Son fáciles de usar para los desarrolladores y aceleran la capacidad de escribir código detallado.

Pero los dolores de cabeza no terminan con la base de datos. El análisis en tiempo real requiere mucho más que un DBMS escalable.

Esto es lo que falta:

Primero: La experiencia del desarrollador cuenta. Hay una gran posibilidad de que las bases de datos analíticas sigan el camino de la computación general: las cosas debajo del capó eventualmente se convertirán en una mercancía. Cuando participa en un nuevo proyecto de datos, su capacidad para extraer información de sus datos depende de poder comprender y aprovechar las capacidades de las herramientas que utiliza. Debe poder comenzar con facilidad y nunca debe detenerse a medida que avanza.

Hay muchas buenas razones por las que la gente ama Postgre más que MySQL. Lo más importante es la UX.

En segundo lugar, como dije, El valor del análisis en tiempo real no termina con la "percepción", sino con la "acción". Claro, puede ejecutar consultas de baja latencia y alta simultaneidad en su base de datos, pero lo único que obtiene es más información. Negociar significa usar estos datos en aplicaciones. Significa automatización. Significa beneficio para el cliente. Significa hacer mierda. Hasta que surja Insight Action, las empresas "basadas en datos" estarán atrapadas en la infinidad de "explorar y explicar" donde hay poco valor que tener.

Hay muchas empresas que luchan por el premio Realtime Analytics. Tinybird es uno de ellos. Pero lo hacemos con un enfoque fundamentalmente diferente al de la mayoría. podemos hacerlo espléndido para que los desarrolladores construyan aplicaciones en tiempo real, y no nos detenemos en la inteligencia empresarial. Elija Tinybird y sirva datos desde una base de datos con API HTTP para convertir la información en acción. No es necesario crear y escalar su propia capa API, no hay dependencias de controladores específicas de bases de datos en sus proyectos.

Simplemente tome sus datos, analícelos con SQL y utilícelos en cualquier lugar. Este es Tinybird.

Prueba Tinybird gratis
Regístrese para obtener una cuenta gratuita de Tinybird para convertir sus datos en tiempo real en API procesables.