Pular para o conteúdo principal

(E) Revendo conceitos e quebrando paradigmas com o QlikView - Parte 2

  • Núcleo da tecnologia:
O segundo principal fator que diferencia o QlikView é o núcleo da nossa tecnologia. O QlikView é conhecido como pioneiro do BI em memory. A tecnologia in memory é importante por questões de desempenho. Mas apenas o in memory não basta para fornecer uma plataforma de Business Discovery. Alguns fornecedores que oferecem soluções tradicionais de BI que utilizam como base tecnológica queries e cubos estão trabalhando na reengenharia de suas ofertas para a execução in memory. Essas soluções podem melhorar o tempo de resposta para o usuário. Porém, enquanto elas tiverem por base queries e cubos, a manutenção das associações nos dados exigirá a codificação manual e, portanto, muito tempo e dinheiro. O que faz a diferença é o que o QlikView faz com a tecnologia in memory. A plataforma de Business Discovery QlikView:
  • Mantém os dados em memória para o acesso de vários usuários e deste modo proporcionar uma experiência de uso extremamente rápida. O QlikView mantém todos os dados necessários para a análise em memória, onde ficam disponíveis para exploração imediata pelos usuários. Os usuários recebem respostas de forma imediata, enquanto o QlikView realiza os cálculos necessários para fornecer o resultado das agregações solicitadas. O “pulo do gato” está na rapidez com que os cálculos são executados. O QlikView trabalha em ambiente distribuído multi-usuário; ele armazena cálculos comuns e os compartilha entre os usuários, de forma que os cálculos não necessitem ser refeitos sempre que alguém precisar deles.
  • Mantém associações entre os dados automaticamente. O mecanismo de inferência do QlikView permite a experiência associativa através das cores verde/branco/cinza. Esse mecanismo mantém automaticamente as associações entre cada dado e todo o conjunto dos dados existentes em um aplicativo, desta forma, desenvolvedores e os usuários não têm que efetuar essas associações. Como resultado, os usuários não ficam limitados a relatórios estáticos, caminhos predefinidos ou painéis pré-configurados. Em vez disso, eles podem navegar pelos seus dados em qualquer sentido, explorando-os da forma que desejarem.
  • Calcula agregações de forma dinâmica conforme necessário. O mecanismo de inferência do QlikView calcula agregações de forma dinâmica com base nas seleções feitas pelo usuário (o que chamamos de “estado” do aplicativo). Como resultado, os usuários não ficam limitados aos cálculos predefinidos (e, portanto, às percepções pré-concebidas baseadas em agrupamentos de dados feitos pela equipe de TI). Os usuários podem definir qualquer visão ou tipo de percepção que desejarem, e o QlikView calcula a resposta de forma dinâmica. O QlikView calcula apenas as agregações solicitadas pelo usuário; ele não pré-calcula agregações da mesma forma antiga que tem por base em queries e cubos. Ele processa os cálculos instantaneamente, conforme eles são necessários.
  • Compacta os dados a 10% de seu tamanho original. O QlikView atinge uma redução significativa no tamanho dos dados usados para análise com a utilização de um dicionário de dados (uma tabela de hash) e por usar apenas o número de bits necessário. Por exemplo, o campo “dia da semana” tem apenas sete valores de campo possíveis, e esses valores são armazenados em memória apenas uma vez, independentemente de quantos registros cada valor contém. Assim, o QlikView pode ser dimensionado para lidar com conjuntos de dados muito grandes, sem elevar os custos de investimentos em hardware apenas para colocar um conjunto de dados inteiro para ser executado in memory.
  • Otimiza a capacidade do processador. O QlikView distribui os cálculos por todos os núcleos disponíveis a fim de maximizar o seu desempenho para o usuário. Diferentemente das tecnologias que simplesmente “suportam” ao hardware com vários processadores, o QlikView é otimizado para tirar máximo proveito de toda a capacidade do hardware com múltiplos processadores, maximizando assim o desempenho e o investimento em hardware.

Comentários

Postagens mais visitadas deste blog

(A) Data Science in Practice with Python

The top trending in Twitter or other social network is the term “data science”. But ...
What’s the data science? How do real companies use data science to make products, services and operations better? How does it work? What does the data science lifecycle look like?  This is the buzzword at the moment. A lot of people ask me about it. Are many questions. I’ll try answer all of these questions through of some samples.

Sample 1 - Regression

WHAT IS A REGRESSION? This is the better definition what I found [Source: Wikipedia] - Regression analysis is widely used for prediction and forecasting, where its use has substantial overlap with the field of machine learning.
HOW DOES IT WORK? Regression analysis is also used to understand which among the independent variables are related to the dependent variable, and to explore the forms of these relationships. In restricted circumstances, regression analysis can be used to infer causal relationships between the independent and dependent variable…

(A) Tucson Best Buy Analysis

“Data! Data! Data!” he cried impatiently.  “I can’t make bricks without clay.” —Arthur Conan Doyle
The Ascendance of Data

We live in a world that’s drowning in data. Websites track every user’s every click. Your smartphone is building up a record of your location and speed every second of every day. “Quantified selfers” wear pedometers-on-steroids that are ever recording their heart rates, movement habits, diet, and sleep patterns. Smart cars collect driving habits, smart homes collect living habits, and smart marketers collect purchasing habits. The Internet itself represents a huge graph of knowledge that contains (among other things) an enormous cross-referenced encyclopedia; domain-specific databases about movies, music, sports results, pinball machines, memes, and cocktails; and too many government statistics (some of them nearly true!) from too many governments to wrap your head around.
Buried in these data are answers to countless questions that no one’s ever thought to ask. In…

(A) Data Science in Practice with Python - Sample 2

In this post I'll explain what is a recommender system, how work it and show you some code examples. In my previous post I did a quick introduction:

Sample 2 - Recommender System

WHAT IS A RECOMMENDER SYSTEM? A model that filters information to present users with a curated subset of options they’re likely to find appealing.
HOW DOES IT WORK? Generally via a collaborative approach (considering user’s previous behavior) or content based approach (based on discrete assigned characteristics).

Now I'll get into in some concepts very important about recommender systems.

Recommender System in Details:

We can say that the goal of a recommender system is to make product or service recommendations to people. Of course, these recommendations should be for products or services they’re more likely to want buy or consume.

Recommender systems are active information filtering systems which personalize the information coming to a user based on his interests, relevance of the information etc.…