Crie dinamismo no negócio
De acordo com a termodinâmica, o movimento perpétuo é impossível. Mas quem disse que as leis da física se aplicam aos negócios? Quando aplicados adequadamente, os dados podem gerar dinamismo de aceleração autossustentável e perpétuo para sua organização.
Por que um flywheel?
O flywheel, conforme popularizado pelo autor Jim Collins, é um loop autorreforçado feito de algumas iniciativas-chaves que alimentam e são orientadas umas pelas outras para construir um negócio de longo prazo. No começo da década de 1990, Jeff Bezos incubou sua ideia inicial da Amazon.com usando o flywheel da Amazon, um mecanismo econômico que usa crescimento e escala para melhorar a experiência do cliente a um custo menor.
Saiba mais sobre "O Efeito Flywheel", de Jim Collins »
Como criar um Data Flywheel de sucesso
O Data Flywheel movimenta-se por muitos componentes que funcionam harmoniosamente, fazendo com que o todo seja maior do que a soma de suas partes. As organizações que dedicam tempo para desenvolver cada um desses componentes, implementando as tecnologias e procedimentos mais relevantes em cada fase, conseguem aproveitar ao máximo o Data Flywheel.
Bancos de dados comerciais do passado
-
Muito caros
Os bancos de dados legados são caros e você pode acabar pagando mais pelo excesso desnecessário de capacidade.
-
Proprietário e engessado
Funções patenteadas do banco de dados engessam suas aplicações e limitam a inovação.
-
Licenciamento punitivo
O licenciamento contratual complexo restringe a flexibilidade e acrescenta custos não previstos.
-
Auditorias inesperadas
Auditorias frequentes podem acrescentar custos não esperados e não planejados à sua implantação.
-
Investimentos significativos em CAPEX
O CAPEX da infraestrutura on-premise não acaba nunca — se o hardware precisa ser atualizado, seu orçamento sofre com isso.
Os clientes estão migrando para bancos de dados de código aberto
Devido aos desafios com os bancos de dados comerciais antigos, os clientes estão migrando o mais rápido possível para alternativas de código aberto como MySQL, PostgreSQL e MariaDB. Eles querem o desempenho e a disponibilidade de bancos de dados comerciais de ponta com a simplicidade e a economia de bancos de dados de código aberto.
Tenha o melhor dos dois mundos
Clientes que migram seus bancos de dados para o Amazon Aurora têm o desempenho e a disponibilidade de bancos de dados comerciais com a simplicidade e a economia de bancos de dados de código aberto.
Não pare nos dados; migre também seus workloads
Armazenamento de dados, data warehouse e bancos de dados têm um lugar na nuvem. Além disso, você pode poupar tempo e custo migrando para a nuvem seus bancos de dados não relacionais como o MongoDB, suas workloads de processamento de big data como Hadoop e Spark, suas workloads de análise operacional como Elasticsearch e suas workloads de análise em tempo real como Kafta.
Banco de dados relacional
Faça a migração de bancos de dados como o Oracle e o SQL Server para o Amazon Aurora.
Bancos de dados não relacionais
Migre armazenamento de chave-valor para o Amazon DynamoDB e bancos de dados de documentos como MongoDB para o Amazon DocumentDB.
Data warehouses
Faça a migração de Teradata, Oracle e SQL Server Data Warehouse para o Amazon Redshift.
Hadoop e Spark
Migre a implantação de Hadoop e Spark na infraestrutura on-premise para o Amazon EMR e economize tempo e dinheiro.
Análise operacional
Elasticsearch, Logstash e Kibana (ELK) na infraestrutura on-premise podem ser migrados para o Amazon Elasticsearch Service para economia de tempo e dinheiro.
Análise em tempo real
Implantações de Apache Kafta podem ser migradas para Amazon Managed Streaming for Kafka, e o Amazon Kinesis pode preparar, carregar e analisar cadeias de dados em armazenamentos de dados e ferramentas de análise para uso imediato.
Explore histórias de clientes que migraram dados e workloads para a nuvem
A Equinox coloca a experiência do cliente em forma
Com a nuvem, a Equinox Fitness Clubs foi capaz de analisar clickstream e dados de uso de equipamentos para oferecer uma experiência de cliente mais envolvente.
A Verizon melhorou o desempenho em 40%
Ao migrar para o Amazon Aurora, a Verizon melhorou o fornecimento de aplicações e serviços inovadores aos clientes.
Por que bancos de dados totalmente gerenciados?
O gerenciamento do banco de dados pode se tornar um peso para o seu negócio. Além da instalação de hardware e software, você precisa se preocupar com configuração de banco de dados, patch e backups, configuração de cluster complicada para replicação de dados e alta disponibilidade, tedioso planejamento de capacidade e escalabilidade de clusters para computação e armazenamento.
Bancos de dados totalmente gerenciados impulsionam produtividade e eficiência
-
Custos mais baixos
Os custos com gerenciamento de banco de dados totalmente gerenciados na nuvem são substancialmente menores do que na infraestrutura on-premise.
-
Maior disponibilidade
O provedor certo de nuvem pode manter seus bancos de dados continuamente disponíveis.
-
Maior economia de tempo
Sem gastar tempo administrando banco de dados, quem sabe o que sua equipe pode alcançar?
-
Escalabilidade de nível corporativo
Quando o crescimento não acarreta tempo de administração ou de hardware, mesmo pequenas empresas podem crescer com menos preocupação.
-
Maior potencial
Adicione facilmente novos serviços como data warehouses, armazenamento de dados em memória, bancos de dados grafos e de séries temporais etc.
Armazene e retenha todos os seus dados
Ao migrar seus dados para a nuvem, você não precisa mais se preocupar em decidir quais dados devem ser mantidos e quais devem ser descartados. Com várias opções de armazenamento em camadas, de baixo custo, para dados hot e cold-tier, você pode manter todos os dados de que precisa e analisá-los a qualquer momento.
Explore histórias de sucesso de bancos de dados gerenciados e armazenamento em camadas
A Autodesk aumenta a escalabilidade do banco de dados e reduz a latência de replicação
A Autodesk mudou para o Amazon Aurora, um banco de dados relacional compatível com o MySQL, para aumentar a escalabilidade do banco de dados e reduzir a latência de replicação.
A FanDuel consegue quase 100% de tempo de operação
A FanDuel migra workloads críticos para a AWS usando o Amazon Aurora, conseguindo quase 100% de tempo de operação.
As regras para o design de aplicações mudaram
O design moderno de aplicações deve considerar o acesso social, móvel, IoT e global. Para que os aplicativos de hoje ofereçam a melhor experiência ao cliente, eles precisam de bancos de dados com recursos de armazenamento massivos, velocidades de acesso quase em tempo real e escalabilidade de primeira linha.
Requisitos para os aplicativos hoje:
Volume de dados: TB–PB–EB
Localidade: Global
Desempenho: Milissegundos-microssegundos
Taxa de solicitação: Milhões
Acesso: Web, Móvel, IoT, dispositivos
Escala: De cima para baixo, saída-entrada
Modelo econômico: Pagar pelo que se usa
Acesso de desenvolvedor: Acesso instantâneo à API
Armazene e retenha todos os seus dados
-
Mude sua estratégia de banco de dados
A abordagem de solução única do uso de bancos de dados relacionais não é mais suficiente.
-
Segmentar aplicações complexas
Para garantir arquitetura e escalabilidade adequadas, você precisa examinar cada componente da aplicação.
-
Criar aplicações altamente distribuídas
Divida suas aplicações complexas em microsserviços.
Quais bancos de dados são melhores para os seus workloads?
A melhor ferramenta para um trabalho geralmente é diferente, dependendo do caso de uso. É por isso que os desenvolvedores devem criar aplicações altamente distribuídas usando diversos bancos de dados de uso específico. Explore abaixo as vantagens e os casos de uso dos workloads de aplicações mais comuns.
Em sistemas de gerenciamento de bancos de dados relacionais (RDBMS), os dados são armazenados em uma forma tabular de colunas e linhas e são consultados usando o Structured Query Language (SQL). Cada coluna de uma tabela representa um atributo, cada linha representa um registro e cada campo representa um valor de dados. Bancos de dados relacionais são tão populares porque 1) o SQL é fácil de aprender e usar, sem a necessidade de conhecer o esquema subjacente e 2) as entradas do banco de dados podem ser modificadas sem precisar especificar o corpo inteiro.
Vantagens
-
Funciona bem com dados estruturados
-
Suporta consistência transacional ACID e "junções"
-
Integridade de dados incorporada
-
Precisão e consistência de dados
-
Os relacionamentos neste sistema têm restrições
-
Indexação ilimitada
Casos de uso
-
Aplicações ERP
-
CRM
-
Finanças
-
Transações
-
Data warehousing
Um banco de dados de chave-valor usa um método de chave-valor simples para armazenar os dados como uma coleção de pares de chave-valor na qual a chave funciona com um identificador exclusivo. As chaves e os valores podem ser qualquer coisa, de objetos simples a objetos compostos complexos. Eles são ótimos para aplicações que precisam de escalabilidade imediata para atender a workloads crescentes ou não previstos.
Vantagens
-
O formato simples de dados acelera a leitura e a gravação
-
O valor pode ser qualquer coisa, incluindo JSON, esquemas flexíveis etc.
Casos de uso
-
Vinculação em tempo real
-
Carrinho de compras
-
Catálogo de produtos
-
Preferências do cliente
Nos bancos de dados de documentos, os dados são armazenados em documentos do tipo JSON e documentos JSON são objetos de primeira classe no banco de dados. Documentos não são um tipo de dados ou um valor, eles são o ponto de design-chave do banco de dados. Esses bancos de dados facilitam que os desenvolvedores armazenem e consultem dados usando o mesmo formato de modelo de documento que os desenvolvedores usam no código da aplicação.
Vantagens
-
Flexível, semiestruturado e hierárquico
-
O banco de dados evolui com as necessidades da aplicação
-
Esquema flexível
-
A representação de dados hierárquicos e semiestruturados é fácil
-
Indexação poderosa para consultas rápidas
-
Os documentos mapeiam naturalmente a programação orientada a objeto
-
Fácil fluxo de dados para camada persistente
-
Linguagens de consulta expressivas criadas para documentos
-
Consultas ad-hoc e agregações nos documentos
Casos de uso
-
Catálogos
-
Sistemas de gerenciamento de conteúdo
-
Perfis/personalização de usuário
-
Mobilidade
Com o surgimento de aplicações em tempo real, os bancos de dados em memória estão crescendo em popularidade. Bancos de dados em memória dependem principalmente da memória principal para armazenamento, gerenciamento e manipulação de dados. A memória foi popularizada por softwares de códigos abertos para cache de memória, o que pode acelerar bancos de dados dinâmicos armazenando em cache os dados para reduzir o número de vezes que uma fonte de dados externa deve ser consultada.
Vantagens
-
Latência inferior a milissegundos
-
Pode realizar milhões de operações por segundo
-
Ganhos significativos de desempenho: 3-4x ou mais quando comparado com alternativas baseadas em disco
-
Conjunto mais simples de instruções
-
Suporte a um conjunto rico de comandos
-
Funciona com qualquer tipo de banco de dados, relacional ou não relacional, e até mesmo serviços de armazenamento
Casos de uso
-
Cache (mais de 50% dos casos de uso são de cache)
-
Armazenamento de sessões
-
Placares
-
Aplicações geoespaciais (como serviços de corrida-chamada)
-
Pub/sub
-
Análise em tempo real
Bancos de dados grafos são bancos de dados NoSQL que usam uma estrutura de grafo para consultas semânticas. O grafo é essencialmente uma estrutura de dados de índice; ele nunca precisa carregar ou tocar em dados não relacionados para uma dada consulta. Nos bancos de dados grafos, os dados são armazenados na forma de nós, bordas e propriedades.
Vantagens
-
Habilidade de fazer mudanças de esquema frequentes
-
Pode gerenciar volumes gigantescos de dados
-
Tempo de resposta de consulta em tempo real
-
Desempenho superior para consultas de dados relacionados, grandes ou pequenos
-
Atende aos requisitos de ativação de dados mais inteligentes
-
Semântica explícita para cada consulta — nenhuma premissa oculta
-
Ambiente de esquema online flexível
Casos de uso
-
Detecção de fraudes
-
Redes sociais
-
Mecanismos de recomendação
-
Gráficos de conhecimento
Bancos de dados de séries temporais (TSDBs) são otimizados para dados de tempo ou dados de séries temporais. Os dados de séries temporais são muito diferentes de outras workloads de dados, que geralmente chegam na forma de ordem de tempo, os dados são apenas anexados e as consultas são sempre sobre um intervalo de tempo.
Vantagens
-
Ideal para métricas ou eventos que precisam ser acompanhados, monitorados e agregados com o tempo
-
Alta escalabilidade para rápido acúmulo de dados de séries temporais
-
Usabilidade robusta para muitas funções, como políticas de retenção de dados, consultas contínuas e agregações com flexibilidade de tempo
Casos de uso
-
DevOps
-
Monitoramento de aplicação
-
Telemetria industrial
-
Aplicativos de IoT
Os bancos de dados ledger oferecem um registro transparente, imutável e criptograficamente verificável de propriedade de uma autoridade central e confiável. Muitas organizações criam aplicações com funcionalidade semelhante a ledger porque querem manter um histórico preciso dos dados de suas aplicações.
Vantagens
-
Mantém histórico preciso de dados da aplicação
-
Imutável e transparente
-
Criptograficamente verificável
-
Altamente escalável
Casos de uso
-
Finanças — manter registro de dados de contabilidade, como créditos e débitos
-
Manufatura — reconciliar dados entre sistemas de cadeia de suprimentos para acompanhar o histórico completo de manufatura
-
Seguros — acompanhar históricos de transações de reivindicações
-
RH e folha de pagamento — acompanhar e manter um registro de detalhes do funcionário
Descubra histórias de sucesso de banco de dados na nuvem
Airbnb viaja pela nuvem
O Airbnb migrou seu banco de dados MySQL principal para a nuvem, descobrindo maior flexibilidade e responsividade.
Duolingo fica fluente em banco de dados
Com seus bancos de dados de 31 milhões de itens na nuvem, a Duolingo alcança 24.000 leituras/segundo.
Os dados estão crescendo exponencialmente
Os dados são como um animal difícil de domesticar. Crescem exponencialmente, vêm de novas fontes, ficam cada vez mais diversificados e mais difíceis de processar. Com isso em mente, como seu negócio pode capturar, armazenar e analisar seus dados a uma taxa próxima do tempo real necessário para se manter competitivo?
Soluções estáticas de análise não funcionam
-
Em silos
Com os dados presos em silos, ver o panorama geral é quase impossível.
-
Atrasado
A análise com base em dados de ontem chega muito tarde para se ganhar vantagem competitiva.
-
Custo elevado
Quando plataformas de análise custam mais caro do que o valor dos insights que oferecem, ninguém ganha.
-
Apenas relacional
Para avançar, você precisa analisar todos os seus dados — relacionais e não relacionais — da mesma forma.
-
Complicada
De que serve uma plataforma de análise se ninguém faz uso dela?
-
Limitada a especialistas
Tomar mais decisões orientadas a dados significa democratizar a análise.
Melhore sua análise com data lakes
Data lakes permitem que você colete e armazene quaisquer dados, no formato original, em um repositório central. Eles fornecem escala, flexibilidade, durabilidade e disponibilidade ideais. Mas, o melhor de tudo, é que eles fazem a análise de todos os seus dados mais rápido e geram insights mais inteligentes.
Data lakes otimizam muitos tipos de análise
Análises e relatórios históricos, processamento em tempo real, os data lakes são a escolha ideal para qualquer tipo de análise. Os tipos de análises baseadas em nuvem mais comuns incluem:
-
Análise operacional
Análise focada na melhoria de operações existentes, geralmente usada para planejamento de recursos, operações de sistema, falhas de equipamentos.
-
Visualizações de painel
Relatórios, painéis e gráficos interativos oferecem visibilidade rápida de dados financeiros, marketing, vendas e muito mais.
-
Consultas interativas rápidas
Encontre e filtre dados estáticos para ver relatórios de vendas, programas de marketing, estado de inventário e outros resultados, sem análise.
-
Processamento de big data
Processamento de conjuntos de dados enormes e variados para aproveitar clickstream e análise de log ou sentimento social.
-
Streaming em tempo real
Analisa dados de streaming em trânsito antes que sejam armazenados para permitir pontuação de crédito, detecção de fraude, cibersegurança e mais.
-
Recomendações inteligentes
Algoritmos de machine learning analisam dados procurando padrões e tendências, permitindo recursos como a próxima melhor oferta e relacionamento humano.
-
Análise preditiva
Recursos de análise e modelagem de dados para prever eventos futuros e oferecer insights de "propensão a compra" e "próxima ação provável".
Construa um sólido caso de data lakes
-
Mais armazenamento, menos custo
O armazenamento em camadas em todos os bancos de dados, data warehouses e data lakes na nuvem, permite que você armazene mais por menos.
-
Acabe com os silos
Centralize todos os seus dados em um data lake eficiente e de fácil acesso.
-
Analise todos os dados
Com todos os seus dados em um só lugar, você pode gerar análises mais ricas e mais precisas.
-
Expanda os tipos de dados
Armazene dados estruturados e não estruturados em qualquer formato.
-
Durável
O Amazon S3 foi projetado para 99,99999999999% (11 9s) de durabilidade de dados porque cria e armazena automaticamente seus dados em vários sistemas.
Explore casos de uso de análise em clientes atuais
Redfin vende mais rápido usando datastores massivos
Data lakes permitem que a Redfin inove com eficiência de custo e gerencie dados em centenas de milhões de propriedades.
Nasdaq tem grande economia com big data
A Nasdaq otimizou desempenho, disponibilidade e segurança ao carregar sete milhões de linhas de dados por dia.
Assista ao vídeo »ML é mais do que uma onda?
A computação em nuvem e o machine learning têm se tornado acessíveis a todos os negócios e não apenas para grandes empresas de tecnologia e instituições de pesquisa. A nuvem removeu as barreiras da experimentação e inovação com ML para que até mesmo negócios com alto grau de risco façam dela parte de sua estratégia. Pode ser difícil saber como começar com machine learning; então, veja a seguir alguns fatores a serem considerados.
Faça do machine learning o componente central da sua transformação digital
-
Comece com estratégia de dados
Um ML efetivo exige dados limpos e acessíveis; assim, não se esqueça de organizar seus dados antes de começar.
-
Identifique o problema de negócio
Encontre seus melhores casos de uso considerando como o ML pode encantar seus clientes, aumentar a eficiência e produtividade e gerar inovação.
-
Experimente um projeto-piloto de machine learning
Avalie possíveis projetos-piloto focados em seus casos de uso prioritários, e daí determine quais ferramentas, habilidades e orçamento são necessários.
Comece a inovar com ML
Existem muitos usos para ML, mas, neste contexto, queremos que você pense nela como um gerador de inovação. À medida que você adiciona análise ao sistema de ML certo, ele pode oferecer recomendações e/ou automaticamente aplicar insights que melhoram seus processos. Isso pode dar ao seu Data Flywheel o grande empurrão orgânico de que ele precisa para se tornar autossustentável.
Blockchain sem a onda
Blockchain e, mais amplamente, soluções de ledger estão apenas arranhando a superfície da sua capacidade, oferecendo valor substancial para inúmeras indústrias diversificadas. Essas redes de blockchain e aplicativos ledger estão sendo usados hoje para resolver dois tipos de necessidade de negócio: rastreamento e verificação de transações com propriedade centralizada e execução de transações e contratos com propriedade descentralizada.
As reais necessidades de blockchain
Ledgers com confiança centralizada
Criar um ledger, de propriedade de uma única entidade centralizada — na qual o ledger funciona como um registro transacional transparente, imutável e criptograficamente verificável — é uma necessidade de vários setores. Ainda assim, criar um ledger escalável não é fácil; as abordagens tradicionais consomem muitos recursos, são difíceis de gerenciar e escalar, propensas a erros e incompletas, e impossíveis de verificar. A solução não é blockchain, mas um ledger centralizado. Com o Amazon QLDB, você pode colocar esse caso de uso para funcionar com um banco de dados ledger de uso específico e transparência, segurança, imutabilidade e velocidade necessários para uso corporativo.
Transações com confiança descentralizada
Blockchain é tentador quando você precisa fazer transações rapidamente em várias entidades, sem a necessidade de uma autoridade central confiável. Contudo, as estruturas existentes são difíceis de configurar, difíceis de escalar, complicadas de gerenciar e caras de operar. Cada membro da rede de blockchain precisa manualmente provisionar hardware, instalar software, criar e gerenciar certificados para controle de acesso e configurar componentes de rede. Uma vez que a rede de blockchain esteja operando, os usuários precisam monitorar sempre a infraestrutura e adaptar-se a mudanças. O Amazon Managed Blockchain pode ajudá-lo a vencer esses desafios e começar a aproveitar blockchain que escala na medida do crescimento do uso, melhora a confiabilidade e reforça a durabilidade.
Explore usos de blockchain e machine learning da vida real
T-Mobile usa machine learning para melhorar as conexões pessoais
A T-mobile está atendendo melhor e mais rápido seus clientes ao prever suas necessidades em tempo real usando machine learning na AWS
Bolsa de Valores de Cingapura usa blockchain para fazer transações
Usando a tecnologia de blockchain da Amazon, a Bolsa de Valores de Cingapura foi capaz de identificar novas formas de comercializar ativos financeiros em sua rede global