{% set baseFontFamily = "Open Sans" %} /* Add the font family you wish to use. You may need to import it above. */

{% set headerFontFamily = "Open Sans" %} /* This affects only headers on the site. Add the font family you wish to use. You may need to import it above. */

{% set textColor = "#565656" %} /* This sets the universal color of dark text on the site */

{% set pageCenter = "1100px" %} /* This sets the width of the website */

{% set headerType = "fixed" %} /* To make this a fixed header, change the value to "fixed" - otherwise, set it to "static" */

{% set lightGreyColor = "#f7f7f7" %} /* This affects all grey background sections */

{% set baseFontWeight = "normal" %} /* More than likely, you will use one of these values (higher = bolder): 300, 400, 700, 900 */

{% set headerFontWeight = "normal" %} /* For Headers; More than likely, you will use one of these values (higher = bolder): 300, 400, 700, 900 */

{% set buttonRadius = '10px' %} /* "0" for square edges, "10px" for rounded edges, "40px" for pill shape; This will change all buttons */

After you have updated your stylesheet, make sure you turn this module off

La evolución de Data Warehouse con el Big Data: Analytic Data Warehouse

by Redacción PowerData on octubre 3, 2013

¿Qué es un Analytic Data Warehouse?

Hasta ahora las estructuras usadas se basaban en unos modelos que habían sido predefinidos, muchas veces según las verticales correspondientes. Debido a su gran rigidez, las empresas no se podían adaptar a las nuevas necesidades del mercado determinadas por el Big Data Hadoop.

data warehouse

Con la llegada de Big Analytics este panorama cambia, permite a esos data warehouse evolucionar y además proporciona unas capacidades ilimitadas tanto para incorporar todo tipo de datos como también para el procesamiento de esos datos.

Esta evolución tiene su razón de ser en que no es lo mismo aplicar determinados algoritmos complejos sobre grandes volúmenes que aplicar estos mismos sobre un conjunto reducido de datos

 

Evolución del DWH al ADW

No obstante, la llegada de Analytics no representa en absoluto un cambio radical en las aplicaciones existentes hasta el momento. En efecto, la aplicación de los Analytics Data Warehouse no significa que se tenga que sustituir a los datawarehouse actuales, ya que cada uno de ellos cubre necesidades distintas, y usan infraestructuras y tecnologías muy diversas.

Actualmente, los datos esconden muchísima información y de lo que se trata es de ser capaces de descifrarla. Es precisamente por ello que si se ofrece esta información a un perfil nuevo dentro de la empresa, los llamados Data Science, éstos serán capaces de descubrir mediante el uso de Analytics información muy valiosa escondida detrás de los propios datos y hasta el momento desapercibida por la empresa.

 

¿Cómo integramos estos dos mundos?

Se puede usar un modelo híbrido, es decir, podemos seguir manteniendo para un cierto tipo de datos el data warehousing actual, nutriéndose con la data estructura, y para todo el resto podemos incorporar el nuevo modelo de analytics data warehousing.

Ciertamente, los analytics data warehousing pueden convivir con los actuales pero manteniéndolos para realizar análisis y funciones diferentes. Usaremos herramientas de trabajo distintas, sin embargo podremos explotarlos desde las actuales herramientas de visualización del BI tradicional.

Enlace a guía gratuita sobre Big Data y Hadoop

Topics: Big Data

¡Suscríbase!

Popular Posts

IR AL CENTRO DE   RECURSOS