2. Il mondo che conosciamo
EAI: SOA (WS + ESB)
Data storage: Relazionali (OLAP + DWH)
Landscape applicativo: Applicazioni mature e
consolidate nel tempo
3. Il futuro non è più (solo) quello di una
volta
Persone (Social)
Organizzazioni (Data
Monetization, Open
Data)
Cose (IoT)
Chi produce i dati?Lungo quali dimensioni cresce la
complessità?
4. Il mondo che verrà
EAI: Microservices
Data storage: Relazionali (OLAP + DWH)
Landscape applicativo: In continua evoluzione
7. Rimanere fermi è un rischio
Le nuove tecnologie sebbene
spesso immature crescono a
ritmi esponenziali (technology
trigger). Se ben impiegate
possono garantire un
incremento incredibile di
vantaggio competitivo
(disruptive innovation)
Le vecchie tecnologie
sebbene consolidate crescono
poco (plateau of
productivity). Anche se
utilizzate al meglio
garantiscono un incremento
marginale di vantaggio
competitivo (incremental
innovation)
9. Come gestire la complessità
Data Bus (es.Kafka)
Data
System
Data
System
Data
System
Data
System
App App
Spaghetti Architecture Data Bus Architecture
10. Data lake e data river
Senza un data river il data lake diventa ben presto una
palude
11. Il data lake e il dwh
Data Lake
1. Dati non aggregati
2. Dati Strutturati e non
3. Computazione batch
DWH
1. Dati aggregati
2. Dati Strutturati
3. Computazione online
Uno non sostituisce
l’altro.
Data Bus
Data
Lake
DWH
12. Data governance
• L’importanza della qualità del dato rimane
centrale (l’ETL non è morto)
• Metadati nel data river per l’interazione tra le
componenti (schema registry) e data lineage
• Metadati nel DL per il data discovery
(informed data lake)
13. Conclusioni
• Non rimanere fermi
• Data platform (data bus e data governance)
• Processo agile (iterazioni corte, MVC e non
temere di svoltare quando serve)
• Sperimentare nuove strade (disruptive
innovation vs incremental innovation)
• Selezionare con cura i propri compagni di
viaggio