کاروبار سے چلنے والے ڈیٹا فن تعمیر کی تعمیر

ٹیکوپیڈیا اسٹاف کے ذریعہ ، 28 ستمبر ، 2016

ٹیکا وے : میزبان ربیکا جوزویواک نے ڈیٹا فن تعمیر کے حل کے بارے میں تبادلہ خیال کیا جس میں ایسٹ لیس آف اوستھس ، میلان چشمول فرسٹ سان فرانسسکو پارٹنرز اور آئی ڈی ای آر اے کے رون ہوزینگا شامل ہیں۔

آپ فی الحال لاگ ان نہیں ہیں۔ ویڈیو دیکھنے کے لئے براہ کرم لاگ ان یا سائن اپ کریں۔

ربیکا جوزیویاک: خواتین و حضرات ، ہیلو ، اور سنہ 2016 کی ہاٹ ٹکنالوجی میں خوش آمدید۔ آج ہم "بزنس سے چلنے والے ڈیٹا فن تعمیر کی تعمیر ،" یقینی طور پر ایک گرما گرم موضوع پر تبادلہ خیال کر رہے ہیں۔ میرا نام ربکا جوزویئک ہے ، آج کے ویب کاسٹ کیلئے میں آپ کا میزبان بنوں گا۔ ہم # ہاٹ ٹیک 16 کے ہیش ٹیگ کے ساتھ ٹویٹ کرتے ہیں لہذا اگر آپ پہلے ہی ٹویٹر میں ہیں تو ، براہ کرم اس میں بھی شامل ہونے کے لئے آزاد محسوس کریں۔ اگر آپ کے پاس کسی بھی وقت سوالات ہیں تو ، براہ کرم انہیں اپنی اسکرین کے نیچے دائیں جانب سوال و جوابی پین میں بھیجیں اور ہم یقینی بنائیں گے کہ ان کے جواب مل گئے ہیں۔ اگر نہیں تو ، ہم یہ یقینی بنائیں گے کہ ہمارے مہمان آپ کے ل them ان کو حاصل کریں۔

تو آج ہمارے پاس واقعی ایک دلچسپ لین اپ ہے۔ آج ہمارے ساتھ بہت زیادہ بھاری حملہ آور ہیں۔ ہمارے پاس آسٹاس سے ڈیٹا سائنس کا VP ایرک لٹل ہے۔ ہمارے پاس فرسٹ سان فرانسسکو شراکت داروں کے لئے ، چیف انوویشن آفیسر میلکم چشم ، جو واقعتا cool ایک ٹھنڈا عنوان ہے۔ اور ہمارے پاس IDERA کے سینئر پروڈکٹ مینیجر رون Huizenga ہیں۔ اور ، آپ جانتے ہو ، آئیڈیرا کے پاس ڈیٹا مینجمنٹ اور ماڈلنگ سلوشنز کا واقعی ایک مکمل سوٹ ہے۔ اور آج وہ ہمیں ایک ڈیمو دینے جارہا ہے کہ اس کا حل کیسے کام کرتا ہے۔ لیکن اس سے پہلے کہ ہم اس تک پہنچیں ، ایرک لٹل ، میں آپ کو گیند بھیجنے جا رہا ہوں۔

ایرک لٹل: ٹھیک ہے ، بہت بہت شکریہ۔ اس ل I'm میں یہاں کچھ موضوعات کے بارے میں جاننے جا رہا ہوں کہ میرے خیال میں رون کی گفتگو سے تھوڑا سا تعلق پیدا کرنے جا رہے ہیں اور امید ہے کہ ان میں سے کچھ عنوانات کے لئے بھی کچھ مرحلہ طے کریں گے۔

لہذا اس چیز سے جو مجھے مجھ سے دلچسپی لیتے ہیں کہ میں آئی ڈی اے کے کیا کررہا ہوں وہ یہ ہے کہ میں سمجھتا ہوں کہ وہ صحیح طور پر اس بات کی نشاندہی کرتے ہیں کہ پیچیدہ ماحول واقعی میں آج کل بہت ساری کاروباری اقدار کو چلا رہے ہیں۔ اور پیچیدہ ماحول سے ہمارا مطلب ہے پیچیدہ ڈیٹا ماحول۔ اور ٹکنالوجی واقعتا تیز چل رہی ہے اور آج کے کاروباری ماحول میں رکھنا مشکل ہے۔ لہذا وہ لوگ جو ٹکنالوجی کی جگہوں پر کام کرتے ہیں اکثر دیکھیں گے کہ آپ کے پاس ایسے صارفین ہیں جو پریشانیوں کا سامنا کر رہے ہیں ، "میں کس طرح بڑا ڈیٹا استعمال کروں گا؟ میں الفاظ کو کس طرح شامل کرسکتا ہوں؟ میں اس نئی چیزوں میں سے کچھ کو اپنے پرانے ڈیٹا سے کیسے جوڑوں؟ "اور اسی طرح ، اور اس قسم کی وجہ سے آج کل ہمیں ان چاروں بڑے اعداد و شمار میں لے جاتا ہے جس سے بہت سے لوگ واقف ہیں ، اور میں سمجھتا ہوں کہ وہاں چار سے زیادہ ہوسکتی ہیں۔ کبھی کبھی - میں نے آٹھ یا نو تک کے طور پر دیکھا ہے - لیکن عام طور پر ، جب لوگ بڑے اعداد و شمار جیسی چیزوں کے بارے میں بات کرتے ہیں یا اگر آپ بڑے اعداد و شمار کے بارے میں بات کر رہے ہیں تو آپ عام طور پر کسی ایسی چیز کو دیکھ رہے ہیں جو اس طرح کے انٹرپرائز پیمانے پر ہے۔ اور اسی طرح لوگ کہیں گے ، ٹھیک ہے ، ٹھیک ہے ، اپنے اعداد و شمار کے حجم کے بارے میں سوچو ، جو عام طور پر فوکس ہوتا ہے - بس اتنا ہے کہ آپ کے پاس کتنا ہے۔ اعداد و شمار کی رفتار کو اس سے کرنا پڑتا ہے کہ میں اسے کتنی تیزی سے منتقل کرسکتا ہوں یا میں کتنی تیزی سے اس سے استفسار کرسکتا ہوں یا جوابات حاصل کرسکتا ہوں ، وغیرہ۔ اور ذاتی طور پر میں سمجھتا ہوں کہ اس کا بائیں طرف ایک ایسی چیز ہے جسے حل کیا جارہا ہے اور نسبتا quickly تیزی سے سنبھالا جا رہا ہے جو بہت سے مختلف نقط. نظر سے ہے۔ لیکن دائیں جانب مجھے بہتری کی بہتات کی صلاحیت اور بہت ساری نئی ٹیکنالوجیز نظر آتی ہیں جو واقعی پیش منظر پر آرہی ہیں۔ اور واقعی اس کے تیسرے کالم ، ڈیٹا کی مختلف قسم کے ساتھ کرنا ہے۔

لہذا ، دوسرے الفاظ میں ، آج کل زیادہ تر کمپنیاں ساخت ، نیم ساختہ اور غیر ساختہ اعداد و شمار کو دیکھ رہی ہیں۔ تصویری ڈیٹا ایک گرما گرم موضوع بننا شروع ہو رہا ہے ، لہذا کمپیوٹر وژن کو استعمال کرنے کے قابل ، پکسلز کو دیکھیں ، متن کو ختم کرنے کے قابل ہو جائے ، این ایل پی ، ہستی کا نچوڑ ، آپ کے پاس گراف کی معلومات موجود ہے جو اعداد و شمار کے ماڈلز میں سے سامنے آرہی ہے یا اس کا مطلب سیمنٹ سے نکل رہا ہے۔ ماڈل ، آپ کے پاس رشتہ دار ڈیٹا موجود ہے جو ٹیبلز میں موجود ہے ، وغیرہ۔ اور اس طرح کے تمام اعداد و شمار کو اکٹھا کرنا اور ان تمام مختلف اقسام کو واقعتا really ایک بڑے چیلنج کی نمائندگی کرنا ہے اور آپ یہ جانتے ہو گے ، گارٹنر اور دوسرے لوگوں میں جو انڈسٹری کے رجحانات کی پیروی کرتے ہیں۔

اور پھر حتمی چیز جس کے بارے میں لوگ بڑے اعداد و شمار میں بات کرتے ہیں وہ اکثر وسوسے کا یہی تصور ہوتا ہے ، جو واقعی میں آپ کے اعداد و شمار کی غیر یقینی صورتحال ہے ، اس کی مبہمیت۔ آپ کو کتنی اچھی طرح معلوم ہے کہ آپ کے کوائف کے بارے میں کیا ہے ، آپ کو کتنا اچھی طرح سے اندازہ ہے کہ وہاں کیا ہے اور ، آپ جانتے ہیں؟ اعداد و شمار کو استعمال کرنے کی صلاحیت اور جو کچھ آپ جان سکتے ہو یا کچھ سیاق و سباق کو استعمال کرنے کی سہولت کے ارد گرد کسی قسم کی معلومات کو استعمال کرنے کی صلاحیت ، اہمیت کا حامل ہوسکتی ہے۔ اور اس طرح اس لحاظ سے اعداد و شمار کو دیکھنے کی صلاحیت ہے کہ آپ کے پاس کتنا تیزی سے اس کو ادھر ادھر منتقل کرنے یا اس پر پہنچنے کی ضرورت ہے ، اس طرح کے اعداد و شمار کی تمام اقسام جو آپ کو اپنے انٹرپرائز میں حاصل کرسکتے ہیں اور کتنا یقین رکھتے ہیں کہ آپ کہاں ہیں۔ یہ ہے ، یہ کیا ہے ، کس معیار میں ہے ، وغیرہ۔ یہ واقعی مؤثر طریقے سے اپنے ڈیٹا کو منظم کرنے کے لئے بہت سارے افراد کے مابین اب ایک بڑی ، مربوط کوشش کی ضرورت ہے۔ لہذا ، ماڈلنگ ڈیٹا آج کی دنیا میں تیزی سے اہم ہے۔ لہذا اچھے ڈیٹا ماڈل انٹرپرائز ایپلی کیشنز میں واقعی بہت زیادہ کامیابی حاصل کر رہے ہیں۔

آپ کے پاس مختلف ذرائع سے اعداد و شمار کے ذرائع ہیں ، جیسے ہم کہہ رہے تھے ، جس میں واقعتا a مختلف قسم کے انضمام کی ضرورت ہوتی ہے۔ لہذا اس سب کو ایک ساتھ کھینچنا واقعی مفید ہے کہ استفسارات چلائیں ، مثال کے طور پر ، متعدد قسم کے ڈیٹا سورس سے ، اور معلومات کو پیچھے کھینچنا۔ لیکن یہ کام کرنے کے ل you آپ کو عمدہ نقشہ سازی کی حکمت عملیوں کی ضرورت ہے اور لہذا ان قسم کے کوائف کا نقشہ بنانا اور ان نقشہ سازی کو جاری رکھنا ایک حقیقی چیلنج ہوسکتا ہے۔ اور پھر آپ کے پاس یہ مسئلہ ہے ، اچھی طرح سے میں اپنے میراثی اعداد و شمار کو ان سبھی ڈیٹا کے ذرائع سے کیسے جوڑتا ہوں؟ تو فرض کریں کہ مجھے گراف مل گیا ہے ، کیا میں اپنا تمام متعلقہ ڈیٹا لے کر گراف میں ڈالوں گا؟ عام طور پر یہ اچھا خیال نہیں ہے۔ تو یہ کیسے ہے کہ لوگ ان تمام قسم کے ڈیٹا ماڈل کو چلانے میں کامیاب ہیں جو چل رہے ہیں؟ تجزیہ واقعتا data ان مختلف قسم کے ڈیٹا سورسز اور امتزاجوں پر چلانے کی ضرورت ہے۔ تو جو جوابات اس سے نکل رہے ہیں ، ان جوابات جو لوگوں کو واقعی اچھے کاروباری فیصلے کرنے کی ضرورت ہے وہ اہم ہے۔

لہذا یہ صرف ٹیکنالوجی کی خاطر صرف ٹیکنالوجی کی تعمیر کے بارے میں نہیں ہے ، یہ واقعتا، ہے ، میں کیا کرنے جا رہا ہوں ، میں اس کے ساتھ کیا کرسکتا ہوں ، میں کس طرح کا تجزیہ چلا سکتا ہوں ، اور قابلیت ، لہذا ، جیسا کہ میں پہلے ہی کرچکا ہوں۔ اس چیز کو اکٹھا کرنے کے ل to ، بات کرنے میں ، اس کو مربوط کرنے کے لئے ، واقعی ، واقعی اہم ہے۔ اور ان میں سے ایک قسم کا تجزیہ پھر فیڈریٹڈ تلاش اور استفسار جیسی چیزوں پر چلتا ہے۔ یہ واقعی ایک ضروری بن رہا ہے. آپ کے سوالات کو عام طور پر متعدد قسم کے ذرائع میں تھریڈ کرنا ہوتا ہے اور معلومات کو قابل اعتماد میں واپس لانا ہوتا ہے۔

اس میں ایک اہم عنصر جو اکثر ، خاص طور پر لوگ اہم چیزوں جیسے سیمانٹک ٹکنالوجیوں کی طرف دیکھنے لگتے ہیں - اور یہ وہ چیز ہے جس کی مجھے امید ہے کہ رون IDERA کے نقطہ نظر میں تھوڑا سا کے بارے میں بات کر رہا ہے۔ اس خام ڈیٹا سے ہی ڈیٹا کی پرت سے آپ کے ڈیٹا کی ماڈل پرت؟ لہذا نیچے ڈیٹا لیئر پر آپ کے پاس ڈیٹا بیس ہوسکتے ہیں ، آپ کے پاس دستاویز کا ڈیٹا ہوسکتا ہے ، آپ کے پاس اسپریڈشیٹ کا ڈیٹا ہوسکتا ہے ، آپ کے پاس تصویری ڈیٹا ہوسکتا ہے۔ اگر آپ دواسازی کی صنعتوں جیسے علاقوں میں ہیں تو آپ کو سائنسی اعداد و شمار کی بڑی مقدار مل گئی ہے۔ اور پھر عام طور پر یہ لوگ عام طور پر کسی ایسے ماڈل کی تشکیل کا راستہ ڈھونڈتے ہیں جس کی مدد سے وہ اس ڈیٹا کو جلدی سے مربوط کرسکیں اور واقعی جب آپ کوائف کی تلاش کر رہے ہوں تو آپ ماڈلوں کی پرت کو اپنے اندر موجود سارے ڈیٹا کو کھینچنے کے ل not نہیں دیکھ رہے ہیں۔ ، آپ جو نمونہ پرت دیکھ رہے ہیں وہ آپ کو چیزوں کی ایک عمدہ منطقی نمائندگی ، عام الفاظ ، عام اقسام کے اداروں اور تعلقات اور اعداد و شمار تک واقعی پہنچنے کی صلاحیت فراہم کرنا ہے۔ تو اسے کہنا ہے کہ یہ کیا ہے ، اور اسے کہنا ہے کہ وہ کہاں ہے ، اور اسے یہ کہنا پڑتا ہے کہ اسے کس طرح لانا ہے اور اسے واپس لانا ہے۔

تو یہ ایک ایسا نقطہ نظر رہا ہے جو سیمانٹک ٹکنالوجی کو آگے بڑھانے میں کافی حد تک کامیاب رہا ہے ، یہ وہ علاقہ ہے جہاں میں بہت زیادہ کام کرتا ہوں۔ لہذا ایک سوال جو میں رون کے لئے پیدا کرنا چاہتا تھا ، اور یہ کہ میرے خیال میں سوال و جواب کے سیکشن میں کارآمد ثابت ہوگا ، یہ دیکھنا ہے کہ یہ آئی ڈی ای آر اے پلیٹ فارم کے ذریعہ کس طرح پورا ہوا ہے؟ تو کیا واقعی ماڈل کی پرت ڈیٹا پرت سے الگ ہے؟ کیا وہ زیادہ مربوط ہیں؟ یہ کس طرح کام کرتا ہے اور نتائج اور فوائد میں سے کچھ کیا ہیں جو وہ اپنے نقطہ نظر سے دیکھ رہے ہیں؟ لہذا ریفرنس کا ڈیٹا واقعتا. اہم بھی ہوتا جارہا ہے۔ لہذا اگر آپ کے پاس اس قسم کے ڈیٹا ماڈل رکھنے جارہے ہیں ، اگر آپ اس قابل ہوسکیں گے کہ آپ اس چیز کو تلاش کرسکیں اور آپ کو حقیقت میں اچھا حوالہ ڈیٹا حاصل ہو۔ لیکن مسئلہ یہ ہے کہ حوالہ ڈیٹا کو برقرار رکھنا واقعی مشکل ہوسکتا ہے۔ لہذا اکثر اوقات اپنے اندر معیارات کا نام لینا ایک مشکل چیلنج ہوتا ہے۔ ایک گروپ X کو کچھ اور ایک گروپ کو Y کو کچھ کہیں گے اور اب آپ کو یہ مسئلہ درپیش ہے کہ جب کوئی اس قسم کی معلومات کی تلاش میں ہے تو اسے X اور Y کیسے پائے گا؟ چونکہ آپ ان کو اعداد و شمار کا صرف ایک حصہ نہیں دینا چاہتے ہیں ، لہذا آپ ان سے متعلق ہر چیز دینا چاہتے ہیں۔ اسی وقت شرائط میں تبدیلی آتی ہے ، سوفٹویئر کو فرسودہ کردیا جاتا ہے ، اور اسی طرح ، آپ وقت کے ساتھ ساتھ اس حوالہ کوائف کو کیسے برقرار اور برقرار رکھتے ہیں؟

اور ، ایک بار پھر ، اصطلاحی ٹیکنالوجیز ، خاص طور پر ٹیکسومیسیز اور الفاظ ، اعداد و شمار کی لغت جیسی چیزوں کا استعمال کرتے ہوئے ، ایسا کرنے کا ایک معیاری جگہ کا راستہ مہیا کرتی ہیں ، جو واقعتا highly انتہائی مضبوط ہے ، یہ کچھ خاص قسم کے معیارات کو استعمال کرتی ہے ، لیکن ڈیٹا بیس برادری نے اس کے لئے یہ کام کیا ہے۔ طویل وقت کے ساتھ ساتھ ، صرف مختلف طریقوں سے۔ میرے خیال میں یہاں کی ایک چابی یہ ہے کہ شاید ہستی سے متعلقہ ماڈل کس طرح استعمال کریں ، گراف ماڈل یا کسی طرح کے نقطہ نظر کا استعمال کس طرح کیا جائے جو امید ہے کہ آپ کو امید کی جاسکتی ہے کہ آپ اپنے حوالہ کے ڈیٹا کو ہینڈل کرنے کا ایک معیاری فاصلہ طے کریں گے۔ اور پھر یقینا once ایک بار جب آپ کے پاس حوالہ کا ڈیٹا ہوجاتا ہے ، تو نقشہ سازی کی حکمت عملیوں میں مختلف قسم کے ناموں اور اداروں کا انتظام کرنا ہوتا ہے۔ لہذا مضامین کے ماہر اکثر اپنی شرائط استعمال کرنا پسند کرتے ہیں۔

لہذا اس میں ایک چیلنج ہمیشہ رہتا ہے ، آپ کسی کو کس طرح معلومات دیتے ہیں لیکن اسے اس کے متعلق جس طرح بات کرتے ہیں اس سے متعلق بناتے ہیں؟ لہذا ایک گروہ کے پاس کسی چیز کو دیکھنے کا ایک طریقہ ہوسکتا ہے ، مثال کے طور پر ، آپ کسی دوا پر کام کرنے والا کیمسٹ ہوسکتے ہیں ، اور آپ ایک ہی دوا پر کام کرنے والے ساختی حیاتیات ہوسکتے ہیں ، اور آپ کو ایک ہی قسم کے اداروں کے لئے مختلف نام ہوسکتے ہیں۔ جو آپ کے فیلڈ سے متعلق ہے۔ آپ کو ان ذاتی نوعیت کی اصطلاحات کو ایک ساتھ لانے کے طریقے تلاش کرنا ہوں گے ، کیونکہ دوسرا نقطہ نظر یہ ہے کہ ، آپ لوگوں کو ان کی میعاد ختم کرنے اور کسی اور کا استعمال کرنے پر مجبور کرنا ہوگا ، جو وہ اکثر پسند نہیں کرتے ہیں۔ ایک اور نکت is یہ ہے کہ متعدد مترادفات کی بڑی تعداد کو سنبھالنا مشکل ہوجاتا ہے ، لہذا بہت سارے لوگوں کے ڈیٹا میں مختلف الفاظ ہیں جو ایک ہی چیز کا حوالہ دے سکتے ہیں۔ بہت سے ون رشتوں کے سیٹ کا استعمال کرکے آپ کو وہاں ریفرنس کا مسئلہ درپیش ہے۔ صنعت سے متعلق صنعت میں خصوصی شرائط مختلف ہوتی ہیں لہذا اگر آپ اس قسم کے ڈیٹا مینجمنٹ کے ل kind کسی قسم کا ایک بہت بڑا حل نکالنے جا رہے ہیں تو ، یہ ایک پروجیکٹ ، یا ایک ایپلی کیشن سے کتنا آسانی سے پورٹیبل ہے؟ یہ ایک اور چیلنج ہوسکتا ہے۔

میشن اہم ہے اور یہ ایک چیلنج بھی ہے۔ حوالہ ڈیٹا کو دستی طور پر ہینڈل کرنا مہنگا ہے۔ دستی نقشہ سازی جاری رکھنا بہت مہنگا ہے اور اس کے لئے مہنگا ہے کہ ماہر ماہرین اپنی روزانہ کی نوکریاں کرنا چھوڑ دیں اور ڈیٹا کی لغتوں کو مستقل طور پر طے کرنا پڑے اور اسی طرح کی تعریفیں ، وغیرہ۔ نقل کرنے والی ذخیرہ الفاظ واقعی بہت زیادہ قدر دکھاتے ہیں۔ لہذا یہ اکثر ایسی الفاظ ہیں جو آپ کو اپنی تنظیم سے بیرونی مل سکتے ہیں۔ اگر آپ خام تیل میں کام کررہے ہیں تو ، مثال کے طور پر ، ایسی مخصوص قسم کی ذخیرہ الفاظ ہوں گی جن سے آپ اوپن سورس خالی جگہوں سے ادھار لے سکتے ہیں ، جس میں ادویہ سازی ، بینکنگ انڈسٹری اور مالی جیسے ایک جیسے بہت سارے شعبے ہیں۔ لوگ استعمال کے ل for ، دوبارہ استعمال کے قابل ، عمومی ، نقل تیار کرنے والی ذخیرہ الفاظ دے رہے ہیں۔

اور ، ایک بار پھر ، IDERA ٹول کو دیکھتے ہوئے ، میں یہ جاننا دلچسپ ہوں کہ وہ کس طرح کے معیارات کو استعمال کرنے کے معاملے میں اس سے نمٹ رہے ہیں۔ سیمنٹکس کی دنیا میں آپ اکثر ایس کے او ایس ماڈل کی طرح کی چیزیں دیکھتے ہیں جو تعلقات سے کم سے کم وسیع تر / حد تک معیار فراہم کرتے ہیں اور ان چیزوں کو ای آر ماڈل میں کرنا مشکل ہوسکتا ہے لیکن ، آپ جانتے ہو ، ناممکن نہیں ، اس کا انحصار اس بات پر ہے کہ اس میں سے کتنا ہے مشینری اور وہ ربط جو آپ ان قسم کے سسٹم میں سنبھال سکتے ہیں۔

تو آخر میں ، میں صرف کچھ قسم کے انجنوں سے موازنہ کرنا چاہتا تھا جو میں انڈسٹری میں دیکھ رہا ہوں ، اور اس سے رون اور پرائم سے اس سے تھوڑا سا پوچھیں کہ شاید آئی ڈی آر اے کے سسٹم کو کسی بھی سیمنٹیک ٹیکنالوجیز کے ساتھ کس طرح استعمال کیا گیا ہو۔ کیا یہ ٹرپل اسٹورز ، گراف ڈیٹا بیس کے ساتھ مربوط ہونے کے قابل ہے؟ بیرونی ذرائع کو استعمال کرنا کتنا آسان ہے کیوں کہ سیمنٹک دنیا میں اس قسم کی چیزیں اکثر اسپارک کیو ایل اینڈ پوائنٹ کو استعمال کرکے قرض لی جا سکتی ہیں۔ آپ براہ راست اپنے ماڈل میں آر ڈی ایف یا او ڈبلیو ایل ماڈل کو درآمد کرسکتے ہیں - ان سے رجوع کریں - تو ، مثال کے طور پر ، جین اونٹولوجی یا پروٹین اونٹولوجی ، جو اپنی حکمرانی کے ڈھانچے کے ساتھ اپنی جگہ میں رہ سکتی ہے اور میں آسانی سے سب کو درآمد کرسکتا ہوں یا اس کا ایک حصہ جیسا کہ مجھے اپنے ماڈل میں اس کی ضرورت ہے۔ اور میں جاننے کے لئے دلچسپ ہوں کہ IDERA اس مسئلے تک کس طرح پہنچتا ہے۔ کیا آپ کو ہر چیز کو داخلی طور پر برقرار رکھنا ہے ، یا ایسے دوسرے طریقے ہیں جو دوسرے طرح کے معیاری ماڈل استعمال کریں اور انھیں کھینچیں اور یہ کیسے کام کرتا ہے؟ اور آخری بات جس کا میں نے یہاں ذکر کیا وہ یہ ہے کہ واقعی لغتیں اور میٹا ڈیٹا ذخیریاں بنانے میں کتنا دستی کام شامل ہے؟

لہذا میں جانتا ہوں کہ رون ہمیں اس قسم کی چیزوں پر کچھ ڈیمو دکھانے والا ہے جو واقعی دلچسپ ہوگا۔ لیکن میں جن مشکلات کو میں اکثر صارفین کے ساتھ مشورہ کرتا دیکھتا ہوں وہ یہ ہے کہ اگر لوگ اپنی تعریف یا اپنے میٹا ڈیٹا میں اپنی تحریر لکھ رہے ہیں تو بہت ساری خرابیاں واقع ہوتی ہیں۔ تو آپ کو غلط ہجے ملتے ہیں ، آپ کو موٹی انگلی کی غلطیاں ملتی ہیں ، یہ ایک چیز ہے۔ آپ ایسے لوگوں کو بھی پائیں گے جو آپ کو معلوم ہو گا ، صرف ویکیپیڈیا یا کوئی ایسا ماخذ جو آپ کی تعریف میں مطلوبہ معیار کا ہونا ضروری نہیں ہے ، یا آپ کی تعریف صرف ایک شخص کے نقطہ نظر سے ہے لہذا یہ مکمل نہیں ہے ، اور پھر یہ واضح نہیں ہے۔ گورننس کا عمل کس طرح کام کرتا ہے۔ گورننس ، یقینا، ، ایک بہت ہی بڑا مسئلہ ہونے کی وجہ سے جب بھی آپ ریفرنس کے اعداد و شمار کے بارے میں بات کر رہے ہیں اور جب بھی آپ کسی کے ماسٹر ڈیٹا میں اس کے مطابق رہ سکتے ہیں ، وہ اپنا میٹا ڈیٹا کس طرح استعمال کرسکتے ہیں ، اور اسی طرح.

لہذا میں صرف ان میں سے کچھ عنوانات کو وہاں رکھنا چاہتا تھا۔ یہ وہ اشیا ہیں جو میں مختلف جگہوں پر مشورتی مصروفیات اور بہت ساری مختلف جگہوں پر کاروباری جگہ میں دیکھتا ہوں ، اور مجھے واقعی دلچسپی ہے کہ یہ دیکھنے میں دلچسپی ہے کہ ان میں سے کچھ عنوانات کی نشاندہی کرنے کے لئے رون ہمیں IDERA کے ساتھ کیا دکھا رہا ہے۔ . تو بہت بہت شکریہ

ربیکا جوزویق: بہت بہت شکریہ ، ایرک ، اور میں واقعتا میں آپ کا تبصرہ پسند کرتا ہوں کہ اگر لوگ اپنی اپنی تعریفیں یا میٹا ڈیٹا لکھ رہے ہیں تو بہت ساری غلطیاں ہوسکتی ہیں۔ میں جانتا ہوں کہ صحافت کی دنیا میں ایک منتر ہے کہ "بہت سی آنکھیں کچھ غلطیاں کرتی ہیں" ، لیکن جب بات عملی باتوں پر آتی ہے تو ، کوکی کے جار میں بہت سے ہاتھ آپ کو بہت ساری ٹوٹی کوکیز کے ساتھ چھوڑ دیتے ہیں ، ٹھیک ہے؟

ایرک لٹل: ہاں ، اور جراثیم۔

ربیکا جوزویق: ہاں۔ اس کے ساتھ میں آگے جا رہا ہوں اور اسے میلکم چشم کے پاس بھیجوں گا۔ میلکم ، فرش تمہارا ہے۔

میلکم چشم: بہت بہت شکریہ ، ریبیکا۔ میں ایرک کے بارے میں جو کچھ بات کر رہا ہے اس پر تھوڑی سی نظر ڈالنا چاہتا ہوں ، اور کچھ مشاہدات میں اس طرح کا اضافہ کروں گا ، جس کے بارے میں آپ جانتے ہو ، "بزنس سے چلنے والے ڈیٹا فن تعمیر کی طرف" بات کرتے ہوئے رون بھی اس کا جواب دینے کا خیال رکھے گا۔ ”- کاروبار سے چلنے کا کیا مطلب ہے اور یہ کیوں اہم ہے؟ یا یہ ہائپ کی کچھ شکل ہے؟ مجھے نہیں لگتا کہ ایسا ہے۔

اگر ہم دیکھتے ہیں کہ اس کے بعد سے کیا ہورہا ہے ، آپ جانتے ہو ، مین فریم کمپیوٹر واقعتا companies کمپنیوں کے لئے دستیاب ہوچکے ہیں - کہتے ہیں ، سن 196464 around کے آس پاس - آج تک ، ہم دیکھ سکتے ہیں کہ بہت ساری تبدیلیاں ہوئی ہیں۔ اور میں ان تبدیلیوں کا خلاصہ یہ کروں گا کہ عمل کے مرکزیت سے ڈیٹا سینٹریٹیٹی میں تبدیلی ہوگی۔ اور یہی وہ چیز ہے جو کاروبار سے چلنے والے ڈیٹا فن تعمیر کو آج کے ل so بہت اہم اور اتنا ہی متعلقہ بناتی ہے۔ اور مجھے لگتا ہے ، آپ جانتے ہو ، یہ صرف ایک بزور ورڈ نہیں ہے ، یہ ایسی حقیقت ہے جو بالکل حقیقی ہے۔

لیکن اگر ہم تاریخ میں ڈوبکی کوشش کرتے ہیں تو ، ہم اس کی قدرے زیادہ تعریف کرسکتے ہیں ، لہذا وقت کے ساتھ پیچھے ہٹ کر ، 1960 کی دہائی میں واپس جائیں اور اس کے بعد کچھ عرصے تک ، مین فریموں کا غلبہ رہا۔ اس کے بعد انہوں نے پی سی کو راستہ دیا جہاں پی سی کے آنے پر آپ نے واقعی صارفین کی بغاوت کی تھی۔ مرکزی آئی ٹی کے خلاف بغاوت ، جن کے خیال میں وہ اپنی ضروریات کو پورا نہیں کررہے تھے ، کافی چست نہیں تھے۔ جب پی سی ایک دوسرے کے ساتھ جڑے ہوئے تھے تو اس نے تیزی سے تقسیم شدہ کمپیوٹنگ کو جنم دیا۔ اور پھر انٹرنیٹ ہونا شروع ہوا ، جس نے انٹرپرائز کی حدود کو دھندلا کردیا - وہ اب ڈیٹا ایکسچینج کے معاملے میں اپنے آپ سے باہر کی جماعتوں کے ساتھ بات چیت کرسکتا ہے ، جو اس سے پہلے نہیں ہوتا تھا۔ اور اب ہم بادل اور بڑے اعداد و شمار کے دور میں چلے گئے ہیں جہاں بادل وہ پلیٹ فارم ہے جو واقعی انفراسٹرکچر کو سازگار بنا رہا ہے اور اس لئے ہم رخصت ہو رہے ہیں ، جیسے بڑے ڈیٹا مراکز چلانے کی ضرورت ہے کیونکہ ، آپ جانتے ہیں ، ہم آپ کو معلوم ہے کہ ہمارے پاس بادل کی گنجائش دستیاب ہے ، اور اسی طرح کے بڑے اعداد و شمار کے ساتھ ہم آہنگ ہیں ، جو آپ جانتے ہیں ، لہذا فصاحت کے ساتھ زیر بحث آیا۔ اور مجموعی طور پر ، جیسا کہ ہم دیکھتے ہیں ، جیسا کہ ٹکنالوجی میں ردوبدل واقع ہوا ہے ، یہ زیادہ ڈیٹا سنٹرک ہو گیا ہے ، ہمیں اعداد و شمار کی زیادہ پرواہ ہے۔ انٹرنیٹ کی طرح ، کیسے ڈیٹا کا تبادلہ ہو رہا ہے۔ بڑے اعداد و شمار کے ساتھ ، اعداد و شمار میں سے چار یا زیادہ وی ​​ہیں۔

ایک ہی وقت میں ، اور شاید زیادہ اہم بات یہ ہے کہ ، کاروباری استعمال کے معاملات منتقل ہوگئے۔ جب کمپیوٹر کو پہلے متعارف کرایا گیا تھا ، تو وہ کتابوں اور ریکارڈوں جیسی چیزوں کو خود کار بنانے کے لئے استعمال ہوتے تھے۔ اور کوئی بھی چیز جو دستی عمل تھا ، جس میں لیجرس یا اس جیسی چیزیں شامل تھیں ، گھر میں پروگرام کیا گیا تھا۔ جو کہ 80 کی دہائی میں آپریشنل پیکجوں کی دستیابی میں بدل گیا۔ اب آپ کو اپنا تنخواہ لکھنے کی ضرورت نہیں تھی ، آپ ایسا کچھ خرید سکتے تھے جس نے یہ کیا تھا۔ اس کے نتیجے میں بہت سے آئی ٹی محکموں میں اس وقت بڑی کمی واقع ہوئی ، یا تنظیم نو کی گئی۔ لیکن پھر کاروباری ذہانت ، ڈیٹا گوداموں جیسی چیزوں کے ساتھ ظاہر ہوئی ، زیادہ تر 90 کی دہائی میں۔ اس کے بعد ڈاٹ کام کے بزنس ماڈلز جو یقینا، ایک بڑا انماد تھے۔ پھر ایم ڈی ایم۔ ایم ڈی ایم کے ذریعہ آپ یہ دیکھنا شروع کردیں گے کہ ہم آٹومیشن کے بارے میں نہیں سوچ رہے ہیں۔ ہم دراصل اعداد و شمار کے طور پر ڈیٹا کیوریٹنگ پر فوکس کر رہے ہیں۔ اور پھر تجزیات ، اس قدر کی نمائندگی کرتے ہوئے جو آپ کوائف سے ہٹا سکتے ہیں۔ اور تجزیات کے اندر آپ ایسی کمپنیاں دیکھیں جو بہت کامیاب ہیں جن کا بنیادی کاروباری ماڈل ڈیٹا کے گرد گھومتا ہے۔ گوگل ، ٹویٹر ، فیس بک اس کا حصہ ہوں گے ، لیکن آپ یہ بھی بحث کرسکتے ہیں کہ والمارٹ ہے۔

اور اس طرح اب کاروبار واقعتا. ڈیٹا کے بارے میں سوچ رہا ہے۔ ہم اعداد و شمار کی قیمت کو کس طرح حاصل کرسکتے ہیں؟ ڈیٹا کس طرح کاروبار ، حکمت عملی کو چلا سکتا ہے اور ہم اعداد و شمار کے سنہری دور میں ہیں۔ تو ، ہمارے اعداد و شمار کے فن تعمیر کے لحاظ سے کیا ہو رہا ہے ، اگر اعداد و شمار کو اب صرف ایک راستہ نہیں سمجھا جاتا جو ایپلی کیشنز کے پچھلے سرے سے نکلتا ہے ، لیکن کیا واقعتا our وہ ہمارے کاروباری ماڈلز میں مرکزی حیثیت رکھتا ہے؟ ٹھیک ہے ، اس مسئلے کا ایک حص thatہ جو ہمیں حاصل کرنے میں ہے وہ یہ ہے کہ یہ واقعی ماضی میں سسٹمز ڈویلپمنٹ لائف سائیکل کے ساتھ پھنس چکا ہے جو آئی ٹی کی ابتدائی عمر میں اس عمل آٹومیشن مرحلے کے ساتھ تیزی سے نمٹنے اور اس میں کام کرنے کا نتیجہ تھا۔ پروجیکٹ بھی اسی طرح کی چیز ہے۔ اس کے بارے میں - اور یہ ایک معمولی سی کیفیت ہے - لیکن میں یہ کہنے کی کوشش کر رہا ہوں کہ یہ ہے کہ کاروبار سے چلنے والے ڈیٹا فن تعمیر کو حاصل کرنے میں رکاوٹوں میں سے کچھ اس وجہ سے ہیں کہ ہم نے آئی ٹی میں ایک طرح کی غیر ثقافتی ثقافت کو قبول کیا ہے۔ جو گزرے زمانے سے ماخوذ ہے۔

تو سب کچھ ایک پروجیکٹ ہے۔ اپنی ضروریات مجھے تفصیل سے بتائیں۔ اگر چیزیں کام نہیں کرتی ہیں ، اس کی وجہ یہ ہے کہ آپ نے مجھے اپنی ضرورتیں نہیں بتائیں۔ ٹھیک ہے یہ آج کے ڈیٹا کے ساتھ کام نہیں کرتا ہے کیوں کہ ہم خود کار طریقے سے دستی عملوں کے ساتھ شروع نہیں کررہے ہیں یا آپ کو معلوم ہے کہ کاروباری عملوں کی تکنیکی تبدیلی ، ہم پہلے ہی موجود پروڈکشن ڈیٹا سے شروع کرتے ہیں جس کی ہم کوشش کر رہے ہیں سے باہر قیمت حاصل کرنے کے لئے. لیکن کوئی بھی جو اعداد و شمار پر مبنی منصوبے کی کفالت کررہا ہے وہ واقعی اس اعداد و شمار کو گہرائی میں نہیں سمجھ سکتا ہے۔ ہمیں ڈیٹا کی دریافت کرنا ہے ، ہمیں ماخذ ڈیٹا تجزیہ کرنا ہے۔ اور یہ واقعی سسٹم کی نشوونما سے مطابقت نہیں رکھتا ، آپ جانتے ہیں - آبشار ، ایس ڈی ایل سی لائف سائیکل - جس میں سے فرتیلی ، میں برقرار رکھوں گا ، اس کا ایک بہتر ورژن ہے۔

اور جس چیز پر توجہ دی جارہی ہے وہ ہے ڈیٹا کی نہیں ٹکنالوجی اور فعالیت۔ مثال کے طور پر ، جب ہم جانچ کے مرحلے میں جانچ کرتے ہیں تو یہ عام طور پر ہوگا ، کیا میری فعالیت کام کرتی ہے ، آئیے میرا ETL کہیں لیکن ہم ڈیٹا کی جانچ نہیں کر رہے ہیں۔ ہم ماخذ ڈیٹا آنے کے بارے میں اپنے مفروضوں کی جانچ نہیں کر رہے ہیں۔ اگر ہم ایسا کرتے تو ہم شاید بہتر حالت میں ہوں گے اور کسی ایسے شخص کی حیثیت سے جس نے ڈیٹا گودام کے منصوبے انجام دیئے ہوں اور میرے ای ٹی ایل کا احاطہ کرتے ہوئے upstream کی تبدیلیوں کا سامنا کرنا پڑا ہو ، میں اس کی تعریف کروں گا۔ اور در حقیقت ، ہم جو دیکھنا چاہتے ہیں وہ مسلسل اعداد و شمار کے معیار کی نگرانی کے ابتدائی مرحلے کے طور پر جانچ کرنا ہے۔ لہذا ہمیں یہاں بہت سارے روی gotے ملے ہیں جہاں کاروبار سے چلنے والے ڈیٹا فن تعمیر کو حاصل کرنا مشکل ہے کیونکہ ہم عمل سنکیزیت کے دور سے مشروط ہیں۔ ہمیں ڈیٹا سینٹریٹیٹی میں تبدیلی کرنے کی ضرورت ہے۔ اور یہ ایک مکمل منتقلی نہیں ہے ، آپ جانتے ہو ، ابھی ابھی بھی بہت سارے عمل کے کام کرنے کو ہیں ، لیکن جب ہم ضرورت ہو تو ہم واقعی ڈیٹا پر مبنی شرائط میں نہیں سوچ رہے ہیں ، اور واقعات جب واقعی واقع ہوتے ہیں۔ ایسا کرنے کا پابند

اب کاروبار کو اعداد و شمار کی اہمیت کا احساس ہو گیا ہے ، وہ ڈیٹا کو غیر مقفل کرنا چاہتے ہیں ، لہذا ہم ایسا کرنے کے لئے کس طرح جا رہے ہیں؟ تو ہم منتقلی کیسے کریں؟ ٹھیک ہے ، ہم ڈیٹا کو ترقیاتی عمل کے دل میں رکھتے ہیں۔ اور ہم کاروبار کو معلومات کی ضروریات کے ساتھ آگے بڑھاتے ہیں۔ اور ہم سمجھتے ہیں کہ کوئی بھی اس منصوبے کے آغاز پر موجودہ سورس ڈیٹا کو نہیں سمجھتا ہے۔ آپ یہ بحث کر سکتے ہیں کہ اعداد و شمار کی ساخت اور ڈیٹا خود بالترتیب آئی ٹی اور کارروائیوں کے ذریعہ وہاں پہنچ گیا ہے ، لہذا ہمیں یہ جاننا چاہئے ، لیکن واقعتا، ہم ایسا نہیں کرتے ہیں۔ یہ اعداد و شمار پر مبنی ترقی ہے۔ لہذا ہمیں یہ سوچنے کی ضرورت ہے کہ ڈیٹا سنٹرک دنیا میں ہم کہاں اور کس طرح ڈیٹا ماڈلنگ کرتے ہیں ، ہمیں ان کی معلومات کے تقاضوں کو بہتر بنانے کے لحاظ سے صارفین کو آراء حاصل کرنا پڑے گا ، جیسا کہ ہم ڈیٹا کی دریافت اور ڈیٹا پروفائلنگ کرتے ہیں۔ ، ماخذ ڈیٹا تجزیہ کی پیش گوئی کرتے ہیں ، اور جب ہم آہستہ آہستہ اپنے اعداد و شمار کے بارے میں زیادہ سے زیادہ یقین حاصل کرتے ہیں۔ اور اب میں ایک زیادہ روایتی پروجیکٹ کی بات کر رہا ہوں جیسے کسی MDM حب یا ڈیٹا گودام کی ، ضروری نہیں کہ اعداد و شمار کے بڑے پراجیکٹس ، اگرچہ یہ ابھی بھی ہے ، میں برقرار رکھتا ہوں ، اس کے بالکل قریب ہوں۔ اور اس طرح ان آراء والے اعداد میں ڈیٹا موڈلرز شامل ہیں ، آپ جانتے ہو ، آہستہ آہستہ اپنے ڈیٹا ماڈل کو آگے بڑھا رہے ہیں اور صارفین سے بات چیت کرنے کے ل sure اس بات کو یقینی بنائیں کہ معلومات کے تقاضوں کو اس بات کی بنیاد پر بہتر کیا جائے کہ وہ کیا ممکن ہے ، کیا دستیاب ہے ، ماخذ ڈیٹا سے بہتر طور پر سمجھتے ہیں ، لہذا یہ اب کوئی ڈیٹا ماڈل ہونے کا معاملہ نہیں ہے ، آپ جانتے ہو ، ایسی حالت میں جو وہاں موجود نہیں ہے یا مکمل طور پر ہوچکا ہے ، یہ بتدریج اس کے دھیان میں آتا ہے۔

اسی طرح ، ہمیں کوالٹی اشورینس ملتی ہے جہاں ہم ڈیٹا کوالٹی ٹیسٹنگ کے قواعد تیار کرتے ہیں تاکہ یہ یقینی بنائے کہ ڈیٹا ان پیرامیٹرز میں ہے جس کے بارے میں ہم مفروضے بنا رہے ہیں۔ اندر جاتے ہوئے ، ایرک حوالہ والے اعداد و شمار میں بدلاؤ کا حوالہ دے رہے تھے ، جو ہوسکتا ہے۔ آپ اس علاقے میں غیر منظم تبدیلیوں کی وجہ سے بہاو کا نشانہ بننا نہیں چاہتے ہیں ، لہذا کوالٹی اشورینس قواعد و ضوابط کے بعد پیداواری ، اعداد و شمار کے معیار کی مسلسل نگرانی میں جاسکتے ہیں۔ لہذا آپ یہ دیکھنا شروع کر سکتے ہیں کہ آیا ہم ڈیٹا سنٹرک ہونے جا رہے ہیں ، ہم ڈیٹا سنٹرک ڈویلپمنٹ کس طرح کرتے ہیں ، یہ فعالیت پر مبنی ایس ڈی ایل سی اور فرتیلی سے بالکل مختلف ہے۔ اور پھر ہمیں بھی کاروباری نظریات پر دھیان دینا ہوگا۔ ہمارے پاس ہے - اور پھر یہ بات بھی باز آتی ہے کہ ایرک کیا کہہ رہا ہے - ہمارے پاس ایک ڈیٹا ماڈل ہے جو اپنے ڈیٹا بیس کے لئے ڈیٹا اسٹوری کا ایک نقشہ بیان کرتا ہے ، لیکن ساتھ ہی ہمیں ان نظریاتی ماڈلز کی بھی ضرورت ہے ، ڈیٹا کے ان کاروباری نظریات کی جو روایتی طور پر نہیں ہوئے ہیں۔ ماضی. ہم نے کبھی کبھی ، میں نے سوچا ہے کہ ڈیٹا ماڈل یہ سب کچھ کرسکتا ہے ، لیکن ہمیں نظریاتی نقطہ نظر ، سیمنٹکس اور اعداد و شمار کو تلاش کرنے کی ضرورت ہے ، اسے ایک تجریدی پرت کے ذریعہ پیش کرنا ہے جو اسٹوریج ماڈل کو کاروبار میں ترجمہ کرتا ہے۔ دیکھیں اور ، ایک بار پھر ، وہ تمام چیزیں جن کے بارے میں ایرک سییمانٹکس کے معاملے میں بات کر رہا تھا ، ایسا کرنا اہم ہوجاتا ہے ، لہذا ہمارے پاس ماڈلنگ کے اضافی کام ہوتے ہیں۔ مجھے لگتا ہے کہ ، یہ آپ کو معلوم ہوگا ، دلچسپ ہے اگر آپ کسی ڈیٹا ماڈلر کی طرح صفوں میں شامل ہو جاتے ہیں جیسے میں نے ، اور پھر بھی ، کچھ نیا۔

اور آخر میں میں یہ کہنا چاہتا ہوں کہ اس بڑے حقیقت کو بھی اس نئی حقیقت کی عکاسی کرنے کے لئے بڑے فن تعمیر کو مل گیا ہے۔ روایتی کسٹمر MDM ، مثال کے طور پر ، ایک طرح کی بات ہے ، ٹھیک ہے ، آئیے ہم اپنے صارف کا ڈیٹا ایک ایسے مرکز میں لائیں جہاں ہم آپ کو معلوم ہو ، بیک آفس ایپلی کیشنز کے لئے صرف اعداد و شمار کے معیار کے لحاظ سے اس کا احساس دلائیں۔ جو کاروباری حکمت عملی کے نقطہ نظر کے لحاظ سے ایک قسم کی مانند ہے۔ تاہم ، آج ، ہم کسٹمر کے ایم ڈی ایم حبس کو دیکھ رہے ہیں جن کے پاس اضافی کسٹمر پروفائل ڈیٹا موجود ہے ، نہ صرف جامد اعداد و شمار ، جو واقعتا the گاہک کے لین دین کی درخواستوں کے ساتھ دو طرفہ انٹرفیس رکھتے ہیں۔ ہاں ، وہ اب بھی بیک آفس کی حمایت کرتے ہیں ، لیکن اب ہم اپنے صارفین کے ان طرز عمل کے بارے میں بھی جانتے ہیں۔ یہ تعمیر کرنا زیادہ مہنگا ہے۔ یہ تعمیر کرنے میں زیادہ پیچیدہ ہے۔ لیکن یہ کاروبار میں اس انداز سے چلتا ہے جس میں روایتی صارف ایم ڈی ایم نہیں ہوتا ہے۔ آپ کاروبار کے بارے میں آسان تر ڈیزائنوں کے خلاف کاروبار کر رہے ہیں جس پر عمل درآمد آسان ہے ، لیکن کاروبار کے ل، ، یہی چیز وہ دیکھنا چاہتے ہیں۔ ہم واقعی ایک نئے دور میں ہیں اور میں سمجھتا ہوں کہ بہت ساری سطحیں ہیں جن کے بارے میں ہمیں کاروبار سے چلنے والے ڈیٹا فن تعمیر کا جواب دینا ہے اور مجھے لگتا ہے کہ کام کرنے میں یہ بہت ہی دلچسپ وقت ہے۔

تو آپ کا شکریہ ، آپ کو ربیکا واپس.

ربیکا جوزیویاک: شکریہ میلکم ، اور میں واقعتا enjoyed اس بات سے لطف اندوز ہوا کہ آپ نے ڈیٹا ماڈلز کے بارے میں جو کچھ کہا وہ اس کاروباری نقطہ نظر کو ضرور کھائیں ، کیوں کہ ، آپ جو کچھ کہہ رہے تھے اس کے برعکس جہاں آئی ٹی نے اتنی دیر تک لگام برقرار رکھی ہے اور یہ اس طرح کی صورت حال نہیں ہے اور کہ ثقافت کو بدلنے کی ضرورت ہے۔ اور مجھے پوری یقین ہے کہ پس منظر میں ایک کتا تھا جو آپ کے ساتھ 100٪ اتفاق کرتا تھا۔ اور اس کے ساتھ ہی میں گیند کو رون کے پاس بھیجنے جا رہا ہوں۔ میں واقعی آپ کا ڈیمو دیکھ کر بہت پرجوش ہوں۔ رون ، فرش تمہارا ہے۔

رون ہوازنگا: آپ کا بہت بہت شکریہ اور اس سے پہلے کہ ہم اس میں کود پائیں ، میں کچھ سلائڈز اور پھر تھوڑا سا ڈیمو سے گزروں گا کیونکہ ، جیسا کہ ایرک اور میلکم نے بتایا ہے ، یہ ایک بہت وسیع اور گہرا موضوع ہے ، اور آج ہم جس چیز کے بارے میں بات کر رہے ہیں اس کے ساتھ ہم صرف اس کی سطح کو کھرچ رہے ہیں کیونکہ بہت سارے پہلو اور بہت ساری چیزیں ہیں جن پر ہمیں واقعتا business کاروبار سے چلنے والے فن تعمیر سے متعلق غور کرنے اور دیکھنے کی ضرورت ہے۔ اور ہمارا نقطہ نظر اس ماڈل پر مبنی اور حقیقی قدر کو ماڈلز سے باہر نکالنا ہے کیونکہ آپ ان کو مواصلت کی گاڑی کے ساتھ ساتھ دوسرے سسٹم کو قابل بنانے کے ل a بھی استعمال کرسکتے ہیں۔ چاہے آپ خدمت پر مبنی فن تعمیر ، یا دوسری چیزیں کر رہے ہوں ، ماڈل واقعتا of اس کے لائف بلڈ بن جاتا ہے ، اس کے آس پاس موجود تمام میٹا ڈیٹا اور آپ کے کاروبار میں موجود ڈیٹا کے ساتھ۔

میں جس کے بارے میں بات کرنا چاہتا ہوں ، اگرچہ ، یہ تقریبا almost ایک قدم پیچھے ہٹ رہا ہے ، کیونکہ میلکم نے تاریخ کے حل کی کچھ تاریخ کو جس طرح حل کیا ہے اور اس قسم کی بات کو اس نے چھوا تھا۔ واقعی نشاندہی کرنے کا ایک طریقہ یہ ہے کہ صوتی ڈیٹا فن تعمیر کا حصول کتنا ضروری ہے ایک ایسا استعمال معاملہ ہے جو میں نے اکثر اس وقت چلایا جب میں کسی پروڈکٹ مینجمنٹ کے کردار میں آنے سے پہلے مشورہ کرتا تھا ، اور وہ یہ تھا کہ میں تنظیموں میں جاؤں گا۔ چاہے وہ کاروبار میں بدلاؤ کررہے ہوں یا صرف موجودہ نظام اور اس قسم کی چیزوں کی جگہ لے رہے ہوں ، اور یہ بات بہت تیزی سے واضح ہوگئی کہ ناقص تنظیمیں اپنے اعداد و شمار کو کس طرح سمجھتی ہیں۔ اگر آپ اس طرح کی طرح کے استعمال کا معاملہ لیتے ہیں ، چاہے آپ کسی صلاح کار میں جا رہے ہو یا ہوسکتا ہے کہ یہ وہ شخص ہے جس نے ابھی ابھی کسی تنظیم کے ساتھ شروعات کی ہے ، یا آپ کی تنظیم کئی سالوں میں مختلف کمپنیوں کے حصول کے ساتھ بنائ گئی ہے ، آپ کیا ختم کریں گے ایک بہت ہی پیچیدہ ماحول بہت جلدی ہے ، جس میں متعدد نئی ٹیکنالوجیز ، ساتھ ہی میراثی ٹکنالوجی ، ERP حل اور سب کچھ ہے۔

تو ایک چیز جو ہم واقعی ہمارے ماڈلنگ اپروچ کے ساتھ کرسکتے ہیں اس سوال کا جواب دینا ہے ، میں ان سب کو کس طرح سمجھتا ہوں؟ ہم واقعتا together ایک ساتھ معلومات کو ٹکرانا شروع کر سکتے ہیں ، تاکہ کاروبار اس معلومات کا فائدہ اٹھا سکے جو ہمارے پاس صحیح ہے۔ اور یہ بات سامنے آتی ہے ، یہ کیا ہے کہ ہم وہاں موجود ماحول میں موجود ہیں؟ میں ان معلومات کا استعمال کرنے کے لئے ماڈل کو کس طرح استعمال کرسکتا ہوں جس کی مجھے ضرورت ہے اور اس معلومات کو بہتر طور پر سمجھ سکتا ہوں؟ اور پھر ہمارے پاس روایتی قسم کے میٹا ڈیٹا جیسے تمام مختلف چیزوں جیسے متعلقہ اعداد و شمار کے ماڈلز کے ل have ہیں ، اور ہم تعریف اور ڈیٹا کی لغت جیسی چیزوں کو دیکھنے کے عادی ہیں ، آپ جانتے ہو ، ڈیٹا کی اقسام اور اس قسم کی چیزیں۔ لیکن اضافی میٹا ڈیٹا کا کیا ہوگا جسے آپ واقعی میں مزید معنی بخشنے کے ل capture پکڑنا چاہتے ہیں؟ جیسے ، کون سے ادارے واقعتا the امیدوار ہیں جو ڈیٹا آبجیکٹ کا حوالہ ہونا چاہئے ، جو ڈیٹا مینجمنٹ کے ماسٹر ماسٹر اور ان قسم کی چیزوں کا ہونا چاہئے اور انھیں ایک ساتھ باندھنا چاہئے۔ اور تنظیم کے ذریعے معلومات کیسے چلتی ہیں؟ ڈیٹا بہہ جاتا ہے کہ وہ عمل کے نقطہ نظر دونوں سے کس طرح استعمال ہوتا ہے ، بلکہ ہمارے کاروبار کے ذریعہ معلومات کے سفر کے لحاظ سے بھی ڈیٹا نسب ہوتا ہے اور یہ کہ یہ مختلف سسٹمز ، یا ڈیٹا اسٹورز کے ذریعے کیسے اپنا راستہ بناتا ہے ، لہذا ہم جانتے ہیں جب ہم I- حل ، یا اس قسم کی چیزوں کی تعمیر کر رہے ہیں ، کہ ہم واقعی کام کے لئے صحیح معلومات استعمال کررہے ہیں۔

اور پھر بہت اہم بات یہ ہے کہ ہم ان سب اسٹیک ہولڈرز کو کیسے باہم تعاون حاصل کر سکتے ہیں ، اور خاص طور پر کاروباری اسٹیک ہولڈر کیونکہ وہی وہ لوگ ہیں جو ہمیں اعداد و شمار کا صحیح معنی دیتے ہیں۔ کاروبار ، دن کے آخر میں ، ڈیٹا کا مالک ہے۔ وہ الفاظ اور ایسی چیزوں کے لئے تعریفیں فراہم کرتے ہیں جن کے بارے میں ایرک بات کر رہے تھے ، لہذا ہمیں ان سب کو ایک ساتھ باندھنے کے لئے ایک جگہ کی ضرورت ہے۔ اور ہم جس طرح سے کرتے ہیں وہ ہمارے ڈیٹا ماڈلنگ اور ڈیٹا ریپوزٹری فن تعمیر کے ذریعے ہوتا ہے۔

میں کچھ چیزوں کو چھونے والا ہوں۔ میں ER / اسٹوڈیو انٹرپرائز ٹیم ایڈیشن کے بارے میں بات کرنے جا رہا ہوں۔ بنیادی طور پر میں ڈیٹا آرکیٹیکچر پروڈکٹ کے بارے میں بات کرنے جا رہا ہوں جہاں ہم ڈیٹا ماڈلنگ اور اس قسم کی چیزیں کرتے ہیں ، لیکن اس سوٹ کے بہت سے دوسرے اجزاء موجود ہیں جن پر میں صرف مختصر طور پر چھونے والا ہوں۔ آپ کو بزنس آرکیٹیکٹ کا ایک ٹکڑا نظر آئے گا ، جہاں ہم تصوراتی ماڈل کرسکتے ہیں ، لیکن ہم بزنس پروسیس ماڈل بھی کرسکتے ہیں اور ہم ان پروسس ماڈل کو اپنے ڈیٹا ماڈل میں موجود اصل ڈیٹا سے جوڑنے کے ل tie باندھ سکتے ہیں۔ اس ٹائی کو ساتھ لانے میں حقیقت میں ہماری مدد کرتا ہے۔ سافٹ ویئر آرکیٹیکٹ ہمیں اضافی تعمیرات کرنے کی اجازت دیتا ہے جیسے کچھ یو ایم ایل ماڈلنگ اور اس طرح کی چیزوں کو ان دوسرے سسٹمز اور عملوں کے لئے معاون لاجکس دینے کے لئے جن کی ہم بات کر رہے ہیں۔ لیکن بہت اہم بات یہ ہے کہ جب ہم نیچے جاتے ہیں تو ہمارے پاس مخزن اور ٹیم سرور موجود ہے ، اور میں اس کے بارے میں ایک ہی چیز کے دو حصوں کی طرح بات کروں گا۔ ذخیرہ اندوزی وہ جگہ ہے جہاں ہم تمام ماڈلنگ شدہ میٹا ڈیٹا کے ساتھ ساتھ کاروبار کے تمام شعبوں اور شرائط کے لحاظ سے تمام کاروباری میٹا ڈیٹا کو اسٹور کرتے ہیں۔ اور چونکہ ہمارے پاس یہ ذخیرہ اندوزی پر مبنی ماحول ہے ، لہذا ہم پھر ان تمام مختلف چیزوں کو اسی ماحول میں ایک ساتھ سلائی کرسکتے ہیں اور اس کے بعد ہم حقیقت میں یہ چیزیں نہ صرف تکنیکی لوگوں کے لئے بلکہ کاروباری افراد کے لئے بھی دستیاب بنا سکتے ہیں۔ اور اسی طرح ہم واقعتا colla باہمی تعاون کا آغاز کرتے ہیں۔

اور پھر آخری ٹکڑا جس کے بارے میں میں مختصر طور پر بات کروں گا ، جب آپ ان ماحول میں چلتے ہیں تو ، یہ صرف ڈیٹا بیس کی بات نہیں ہے جو آپ کے پاس موجود ہیں۔ آپ کے پاس بہت سارے ڈیٹا بیس ، ڈیٹا اسٹورز موجود ہوں گے ، آپ کے پاس بھی بہت کچھ ہوگا ، جو میں کہوں گا ، میراثی نمونے۔ ہوسکتا ہے کہ لوگوں نے کچھ چیزوں کا نقشہ بنانے کے لئے ویزیو یا دیگر آریگراموں کا استعمال کیا ہو۔ ہوسکتا ہے کہ ان کے پاس ماڈلنگ کے دیگر ٹولز اور اس نوعیت کی چیزیں ہوں۔ لہذا ہم میٹا وزرڈ کے ساتھ جو کچھ کرسکتے ہیں وہ اصل میں اس میں سے کچھ معلومات نکال کر اپنے ماڈلز میں لانا ہے ، اسے موجودہ بنائیں اور اسے استعمال کرنے کے قابل ہوں ، اس کو استعمال کریں ، ایک موجودہ فیشن میں استعمال کریں ، بجائے اس کے کہ وہاں بیٹھیں۔ اب یہ ہمارے کام کرنے والے ماڈلز کا ایک فعال حصہ بن جاتا ہے ، جو بہت ضروری ہے۔

جب آپ کسی تنظیم میں جاتے ہیں ، جیسا کہ میں نے کہا ہے کہ ، وہاں بہت سارے مختلف نظام موجود ہیں ، بہت سارے ERP حل ، مماثل محکمانہ حل۔ بہت ساری تنظیمیں ساس حل بھی استعمال کر رہی ہیں ، جو بیرونی طور پر بھی کنٹرول اور انتظام کی جاتی ہیں ، لہذا ہم ان میں موجود ڈیٹا بیس اور میزبانوں میں موجود اس قسم کی چیزوں پر قابو نہیں رکھتے ہیں ، لیکن ہمیں ابھی بھی یہ جاننے کی ضرورت ہے کہ ڈیٹا کیسا لگتا ہے اور ، یقینا ، اس کے آس پاس میٹا ڈیٹا۔ جو چیز ہمیں بھی ملتی ہے وہ متروکہ میراثی نظام ہے جو اس منصوبے پر مبنی نقطہ نظر کی وجہ سے صاف نہیں ہوا ہے جس کے بارے میں میلکم نے بات کی تھی۔ یہ حیرت انگیز ہے کہ حالیہ برسوں میں تنظیمیں کس طرح پروجیکٹ بنائیں گی ، وہ کسی سسٹم یا حل کی جگہ لیں گی ، لیکن متروک حلوں کو ختم کرنے کے لئے اکثر ایسا منصوبہ بجٹ نہیں بچتا ہے ، لہذا اب وہ صرف راستے میں ہیں۔ اور ہمیں یہ معلوم کرنا ہوگا کہ ہم اپنے ماحول میں اصل میں کیا چھٹکارا حاصل کرسکتے ہیں اس کے ساتھ ساتھ آگے بڑھنے میں کیا مفید ہے۔ اور یہ فیصلہ کن خراب حکمت عملی سے منسلک ہے۔ یہ اسی چیز کا حصہ اور پارسل ہے۔

ہمیں جو بھی ملتا ہے ، کیونکہ ان تمام مختلف حلوں سے بہت ساری تنظیمیں تشکیل دی گئیں ہیں ، کیا ہم بہت ساری جگہوں میں اعداد و شمار کے گرد گھومتے پھرتے بہت سارے پوائنٹس ٹو پوائنٹ انٹرفیس دیکھتے ہیں۔ ہمیں اس کی توجیہ کرنے اور ان اعداد و شمار کے بارے میں جاننے کے اہل ہونے کی ضرورت ہے جو میں نے مختصر طور پر اس سے پہلے بیان کیا تھا تاکہ صحیح معلومات کی فراہمی کے لئے ہمارے پاس ایک سے زیادہ مربوط حکمت عملی ہوسکتی ہے جیسے خدمت پر مبنی فن تعمیر کا استعمال ، انٹرپرائز سروس بسیں اور ان قسم کی چیزیں۔ کسی شائع شدہ اور سبسکرائب والے ماڈل کی طرف جو ہم اپنے پورے کاروبار میں صحیح استعمال کرتے ہیں۔ اور پھر ، یقینا. ، ہمیں ابھی بھی کچھ قسم کے تجزیات کرنے کی ضرورت ہے ، چاہے ہم ڈیٹا گوداموں ، روایتی ای ٹی ایل والے ڈیٹا مارٹس کا استعمال کریں یا کچھ نئی ڈیٹا لیکس کا استعمال کریں۔ یہ سب ایک ہی چیز پر اتر آتا ہے۔ یہ تمام اعداد و شمار ہیں ، چاہے وہ بڑا ڈیٹا ہو ، چاہے وہ رشتہ دار ڈیٹا بیس میں روایتی ڈیٹا ہو ، ہمیں اس سارے کوائف کو ساتھ لانے کی ضرورت ہے تاکہ ہم اس کا نظم و نسق کرسکیں اور جان لیں کہ ہم اپنے ماڈلز میں کیا معاملہ کر رہے ہیں۔

ایک بار پھر ، جس پیچیدگی کو ہم کرنے جا رہے ہیں وہ ہے ہمارے پاس بہت سارے اقدامات ہیں جو ہم کرنا چاہتے ہیں۔ سب سے پہلے تو ، آپ چلتے ہیں اور آپ کے پاس اس معلومات کے مناظر کی طرح کے نشانات نہیں ہوں گے۔ ER / اسٹوڈیو ڈیٹا آرکیٹیکٹ جیسے ڈیٹا ماڈلنگ ٹول میں آپ پہلے ان اعداد و شمار کے ذرائع کی نشاندہی کرتے ہوئے ریورس انجینئرنگ کے سلسلے میں بہت زیادہ کام کرنے جارہے ہیں ، جو وہاں موجود ہیں ، ان کو لائیں اور پھر حقیقت میں انھیں ایک ساتھ مزید نمائندہ میں سلائی کریں۔ ایسے ماڈل جو پورے کاروبار کی نمائندگی کرتے ہیں۔ سب سے اہم بات یہ ہے کہ ، کیا ہم ان ماڈلز کو کاروباری خطوط کے ساتھ ہی گل کرنے کے قابل بننا چاہتے ہیں تاکہ ہم ان سے چھوٹے حصوں میں نسبت کرسکیں ، جس سے ہمارے کاروباری افراد بھی منسلک ہوسکتے ہیں ، اور ہمارے کاروباری تجزیہ کاروں اور دیگر اسٹیک ہولڈرز جو کام کر رہے ہیں۔ اس پر.

نام دینے کے معیارات بہت اہم ہیں اور میں یہاں کچھ مختلف طریقوں سے اس کے بارے میں بات کر رہا ہوں۔ ہمارے ماڈل میں چیزوں کو کس طرح نامزد کرتے ہیں اس لحاظ سے نام کے معیارات۔ منطقی نمونوں میں یہ کرنا کافی آسان ہے ، جہاں ہمارے پاس ہمارے نمونوں کے لئے نام کی ایک اچھی کنونشن اور ایک اچھ dataے ڈیٹا کی لغت موجود ہے ، لیکن اس کے بعد بھی ، ہم ان بہت سارے جسمانی ماڈلز کے لئے نام سازی کے مختلف کنونشن دیکھتے ہیں جو ہم لا رہے ہیں۔ ریورس انجینئر ، اکثر اکثر ہم مختصر نام اور اس قسم کی چیزیں دیکھتے ہیں جس کے بارے میں میں بات کروں گا۔ اور ہمیں ان کا ترجمہ انگریزی ناموں میں کرنا ہے جو کاروبار کے لئے معنی خیز ہیں تاکہ ہم یہ سمجھ سکیں کہ ہمارے ماحول میں جو اعداد و شمار موجود ہیں وہ کیا ہیں۔ اور پھر عالمگیر نقشہ سازی یہ ہے کہ ہم ان کو کس طرح سلائی کرتے ہیں۔

اس کے اوپری حصے میں ہم پھر دستاویز کریں گے اور مزید وضاحت کریں گے اور اسی جگہ پر ہم اپنے اعداد و شمار کو منسلک نامی کسی چیز کے ساتھ درجہ بندی کرسکتے ہیں ، جس پر میں آپ کو کچھ سلائیڈز دکھاتا ہوں۔ اور پھر لوپ کو بند کرتے ہوئے ، ہم اس بزنس کے معنی کا اطلاق کرنا چاہتے ہیں ، جس میں ہم اپنے کاروبار کی لغتوں کو باندھتے ہیں اور ان کو ہماری مختلف نمونے سے جوڑ سکتے ہیں ، لہذا ہم جانتے ہیں ، جب ہم کسی خاص کاروباری اصطلاح کے بارے میں بات کرتے ہیں ، جہاں وہ ہے تنظیم میں ہمارے اعداد و شمار میں لاگو. اور پھر ، آخر میں ، میں نے پہلے ہی اس حقیقت کے بارے میں بات کی ہے کہ ہم سب کو تعاون اور اشاعت کی صلاحیتوں کی بنیاد پر ذخیرہ خانہ بنانے کی ضرورت ہے ، تاکہ ہمارے اسٹیک ہولڈر اس سے استفادہ کرسکیں۔ میں کافی تیزی سے ریورس انجینئرنگ کے بارے میں بات کرنے جارہا ہوں۔ میں نے پہلے ہی آپ کو اس کی ایک بہت ہی تیز روشنی دی ہے۔ میں آپ کو اصل ڈیمو میں دکھاؤں گا کہ آپ کو کچھ ایسی چیزیں دکھائیں جو ہم وہاں لاسکتے ہیں۔

اور میں کچھ مختلف قسم کی ماڈل اور آریگرام کے بارے میں بات کرنا چاہتا ہوں جو ہم اس طرح کے منظر نامے میں تیار کریں گے۔ ظاہر ہے کہ ہم بہت ساری مثالوں میں نظریاتی ماڈل کریں گے۔ میں اس پر زیادہ وقت نہیں گزارنے والا ہوں۔ میں واقعی میں منطقی ماڈل ، جسمانی نمونے اور ماہر قسم کی ماڈلز کے بارے میں بات کرنا چاہتا ہوں جو ہم تشکیل دے سکتے ہیں۔ اور یہ ضروری ہے کہ ہم ان سب کو ایک ہی ماڈلنگ پلیٹ فارم میں تشکیل دے سکیں تاکہ ہم ان سب کو ایک ساتھ جوڑیں۔ اس میں جہتی ماڈل اور ماڈل بھی شامل ہیں جو ڈیٹا کے کچھ ذرائع کو استعمال کرتے ہیں ، جیسے NoSQL جو میں آپ کو دکھاتا ہوں۔ اور پھر ، ڈیٹا نسب ماڈل کی طرح دکھتا ہے؟ اور ہم اس اعداد و شمار کو کاروباری عمل کے ماڈل میں کس طرح سلائی کر سکتے ہیں ، اسی کے بارے میں ہم اگلے ہی بات کریں گے۔

میں یہاں صرف ماڈلنگ کے ماحول میں جا رہا ہوں تاکہ آپ کو ایک بہت ہی اعلی اور تیز جائزہ مل سکے۔ اور مجھے یقین ہے کہ آپ کو اب میری اسکرین دیکھنے کے قابل ہونا چاہئے۔ سب سے پہلے میں صرف ایک روایتی قسم کے ڈیٹا ماڈل کے بارے میں بات کرنا چاہتا ہوں۔ اور جب ہم ماڈلز کو ان میں لاتے ہیں تو جس طرح سے ہم ان کو منظم کرنا چاہتے ہیں ، کیا ہم ان کو گلنے میں اہل بننا چاہتے ہیں؟ تو آپ یہاں بائیں طرف جو کچھ دیکھ رہے ہیں وہ یہ ہے کہ ہمارے پاس اس مخصوص ماڈل فائل میں منطقی اور جسمانی ماڈل موجود ہیں۔ اگلی بات یہ ہے کہ ، کیا ہم اسے کاروبار کے زوال کے ساتھ ہی توڑ سکتے ہیں ، اسی وجہ سے آپ فولڈرز دیکھ رہے ہیں۔ ہلکے نیلے رنگ منطقی ماڈل ہیں اور سبز رنگ جسمانی ماڈل ہیں۔ اور ہم بھی نیچے کھینچ سکتے ہیں ، لہذا ای آر / اسٹوڈیو کے اندر ، اگر آپ کے پاس کاروبار سڑا ہوا ہے تو ، آپ اپنی پسند کے مطابق اتنے درجے کی گہرائی یا ذیلی ماڈل جا سکتے ہیں ، اور جو تبدیلیاں آپ نچلی سطح پر کرتے ہیں وہ خود بخود اعلی پر ظاہر ہوتی ہے سطح تو یہ ماڈلنگ کا ایک بہت ہی طاقتور ماحول بن جاتا ہے۔

ایک ایسی چیز جس کی میں یہ بھی بتانا چاہتا ہوں کہ اس معلومات کو ایک ساتھ کھینچنا شروع کرنا بہت ضروری ہے ، ہمارے پاس ایک سے زیادہ جسمانی نمونے ہوسکتے ہیں جو ایک منطقی ماڈل کے مطابق بھی ہیں۔ کافی حد تک آپ کے پاس منطقی نمونہ ہوتا ہے لیکن آپ کے پاس مختلف پلیٹ فارمز اور اس قسم کی چیزوں پر جسمانی ماڈل ہوسکتے ہیں۔ ہوسکتا ہے کہ کسی کی اس کا ایس کیو ایل سرور مثال ہو ، ہوسکتا ہے کسی اور کا اوریکل مثال ہو۔ ہمارے پاس ایک ہی ماڈلنگ ماحول میں ان سب کو جوڑنے کی صلاحیت ہے۔ اور وہاں ایک بار پھر ، میں نے یہاں ایک اصل اعداد و شمار کے گودام کا نمونہ حاصل کیا ہے جو ، ایک بار پھر ، اسی ماڈلنگ ماحول میں ہوسکتا ہے یا ہم اسے ذخیرے میں رکھ سکتے ہیں اور اسے مختلف چیزوں میں بھی جوڑ سکتے ہیں۔

میں واقعی میں اس پر آپ کو جو کچھ دکھانا چاہتا تھا وہ کچھ دوسری چیزوں اور ان ماڈلز کی دیگر مختلف حالتوں میں سے ہے جو ہم داخل ہو جاتے ہیں۔ لہذا جب ہم اس طرح کے روایتی ڈیٹا ماڈل میں داخل ہوجاتے ہیں تو ہم کالموں اور میٹا ڈیٹا اور اس قسم کی چیزوں کے ساتھ مخصوص اداروں کو دیکھنے کے عادی ہوجاتے ہیں ، لیکن جب ہم ان میں سے کچھ نو ایس کیو ایل ٹیکنالوجیز سے نمٹنے لگیں گے تو یہ نقطہ نظر بہت تیزی سے بدل جاتا ہے۔ ، یا چونکہ کچھ لوگ اب بھی ان کو فون کرنا پسند کرتے ہیں ، بڑی ڈیٹا ٹیکنالوجیز۔

تو اب ہم کہتے ہیں کہ ہمیں اپنے ماحول میں بھی Hive مل گیا ہے۔ اگر ہم کسی Hive ماحول سے انجینئر کو ریورس کرتے ہیں - اور ہم اسی ماڈلنگ ٹول کے ذریعہ Hive سے انجینئر کو فارورڈ اور ریورس کرسکتے ہیں تو - ہمیں کچھ ایسا نظر آتا ہے جو قدرے مختلف ہے۔ ہم اب بھی وہاں موجود تمام اعداد و شمار کو تعمیری طور پر دیکھتے ہیں ، لیکن ہمارے ٹی ڈی ایل سے مختلف ہے۔ آپ میں سے وہ لوگ جو ایس کیو ایل کو دیکھنے کے عادی ہیں ، جو آپ اب دیکھیں گے وہ ہائیو کیو ایل ہے ، جو کہ بہت ہی ایس کیو ایل کی طرح ہے لیکن اسی ٹول سے آپ اب مختلف اسکرپٹنگ زبانوں سے کام شروع کرنے کے قابل ہیں۔ لہذا آپ اس ماحول میں ماڈل بنا سکتے ہیں ، اسے Hive ماحول میں پیدا کرسکتے ہیں ، لیکن جتنا اہم بات ہے ، اس منظر نامے میں جو میں نے بیان کیا ہے ، آپ ان سب کو انجینئر کر سکتے ہیں اور اس کا احساس دلاسکتے ہیں اور ساتھ ہی اس کو سلجھانا بھی شروع کرسکتے ہیں۔ .

آئیے ایک اور لیں جو تھوڑا سا مختلف ہے۔ مونگو ڈی بی ایک اور پلیٹ فارم ہے جس کی ہم مقامی طور پر حمایت کرتے ہیں۔ اور جب آپ JSON اقسام کے ماحول میں جانا شروع کرتے ہیں جہاں آپ کے پاس دستاویزات کی دکانیں ہوتی ہیں تو ، JSON ایک مختلف جانور ہے اور اس میں تعمیرات ہوتی ہیں ، جو رشتہ دار ماڈل سے مطابقت نہیں رکھتی ہیں۔ جب آپ JSON سے تفتیش شروع کردیں گے اور روایتی رشتہ دار اشارے میں یہ تصورات موجود نہیں ہیں تو آپ جلد ہی سرایت شدہ اشیاء اور سرایت شدہ اشیاء جیسے تصورات سے نمٹنے لگیں گے۔ جو کچھ ہم نے یہاں کیا ہے وہ یہ ہے کہ ہم نے حقیقت میں اشارے اور اپنی کیٹلاگ کو بڑھایا ہے تاکہ اسی ماحول میں اس کو سنبھال سکیں۔

اگر آپ یہاں بایاں نگاہوں پر نظر ڈالتے ہیں ، بجائے اس کے کہ اداروں اور ٹیبلز کو دیکھیں۔ اور آپ مختلف اشارے دیکھتے ہیں۔ آپ ابھی بھی مخصوص قسم کے حوالہ والے اشارے دیکھتے ہیں ، لیکن یہ نیلے رنگ کے ادارے جو میں اس خاص خاکے میں دکھا رہا ہوں وہ دراصل سرایت شدہ اشیاء ہیں۔ اور ہم مختلف اہمیت کا مظاہرہ کرتے ہیں۔ ہیرے کی شناخت کا مطلب یہ ہے کہ یہ ایک سرے پر ایک شے ہے ، لیکن ایک کی اہمیت کا مطلب یہ ہے کہ ہمارے پاس ، ناشر کے اندر اگر ہم اس رشتے کی پیروی کرتے ہیں تو ، ہمارے پاس ایڈبیڈ کردہ آبجیکٹ ہوتا ہے۔ JSON سے تفتیش کرتے وقت ہمیں پتہ چلا ہے کہ یہ بالکل وہی ساخت کا حامل ہے جو سرپرست میں سرایت شدہ ہے ، لیکن حقیقت میں یہ چیزوں کی ایک صف کی طرح سرایت شدہ ہے۔ ہم یہ دیکھ رہے ہیں ، نہ صرف خود ان کے رابطوں کے ذریعہ ، لیکن اگر آپ اصل اداروں پر نگاہ ڈالیں تو آپ دیکھیں گے کہ آپ کو سرپرست کے تحت ایسے پتے نظر آئیں گے جن کو اس نے اشیاء کی ایک صف کے طور پر بھی درجہ بند کیا ہوا ہے۔ آپ اس بارے میں ایک بہت ہی وضاحتی نظریہ حاصل کرتے ہیں کہ آپ اس کو کیسے لاسکتے ہیں۔

اور ایک بار پھر ، اب ہم نے جو کچھ سیکنڈ میں دیکھا ہے وہ روایتی رشتہ دار ماڈل ہیں جو کثیر سطح کے ہیں ، ہم ہیوی کے ساتھ بھی ایسا ہی کرسکتے ہیں ، ہم منگو ڈی بی ، اور دوسرے بڑے اعداد و شمار کے ذرائع کے ساتھ بھی ایسا ہی کرسکتے ہیں۔ ٹھیک ہے ہم کیا کرسکتے ہیں ، اور میں آپ کو یہ بہت جلد دکھاتا ہوں ، میں نے دوسرے مختلف علاقوں سے چیزیں لانے کی حقیقت کے بارے میں بات کی۔ میں یہ سمجھنے جا رہا ہوں کہ میں ایک ڈیٹا بیس سے کوئی ماڈل درآمد کرنے جا رہا ہوں یا اس کے ریورس انجینئر ہوں ، لیکن میں اسے بیرونی میٹا ڈیٹا سے لانے جا رہا ہوں۔ بس آپ کو ان تمام مختلف قسم کی چیزوں کا ایک بہت ہی تیزی سے نظریہ دینے کے لئے جو ہم لانا شروع کرسکتے ہیں۔

جیسا کہ آپ دیکھ رہے ہیں ، ہمارے پاس متعدد چیزیں ہیں جن کو ہم واقعی اپنے ماڈلنگ ماحول میں میٹا ڈیٹا لاسکتے ہیں۔ یہاں تک کہ ایمیزون ریڈشیفٹ ، کیسینڈرا ، جیسے دیگر بہت سے بڑے ڈیٹا پلیٹ فارمز کی چیزوں سے شروع کرنا ، لہذا آپ کو ان میں سے بہت سارے درج نظر آتے ہیں۔ یہ حروف تہجی کے مطابق ہے۔ ہم بہت سارے ڈیٹا ذرائع اور اس قسم کی چیزیں دیکھ رہے ہیں۔ ہم ماڈلنگ کے بہت سارے روایتی ماحول بھی دیکھ رہے ہیں جن سے ہم حقیقت میں اس میٹا ڈیٹا کو لاسکتے ہیں۔ اگر میں یہاں سے گزرتا ہوں - اور میں ان میں سے ہر ایک پر وقت گزارنے والا نہیں ہوں تو - ہمیں ماڈلنگ پلیٹ فارم اور ڈیٹا پلیٹ فارم کے معاملے میں ، بہت سی مختلف چیزیں نظر آتی ہیں جن سے ہم اسے حاصل کرسکتے ہیں۔ اور جس چیز کا یہاں ادراک کرنا بہت ضروری ہے وہ ایک اور حصہ ہے جو ہم جب ڈیٹا نسب کے بارے میں بات کرنا شروع کر سکتے ہیں تو ، انٹرپرائز ٹیم ایڈیشن پر ہم ETL ذرائع سے بھی پوچھ گچھ کرسکتے ہیں ، چاہے یہ چیزیں Tender یا SQL سرور انفارمیشن سروسز میپنگ جیسی چیزیں ہیں ، حقیقت میں یہ لائیں کہ ہمارے اعداد و شمار کے سلسلے کو بھی شروع کریں اور ان تبدیلیوں میں کیا ہو رہا ہے اس کی تصویر کھینچیں۔ مجموعی طور پر ہمارے پاس 130 سے ​​زیادہ پل ہیں جو دراصل انٹرپرائز ٹیم ایڈیشن پروڈکٹ کا حصہ ہیں ، لہذا یہ واقعی ہمیں تمام نمونے کو ایک ماڈلنگ ماحول میں ایک ساتھ نکالنے میں بہت مدد دیتا ہے۔

حتمی لیکن کم از کم ، میں اس حقیقت کے بارے میں بھی بات کرنا چاہتا ہوں کہ ہم اس حقیقت کو نظر سے نہیں کھو سکتے ہیں کہ اگر ہم ڈیٹا گودام یا کسی بھی قسم کے تجزیات کر رہے ہیں تو ہمیں دوسری قسم کی تعمیرات کی ضرورت ہے۔ ہم اب بھی جہتی ماڈل جیسے کام کرنے کی اہلیت حاصل کرنا چاہتے ہیں جہاں ہمارے پاس حقائق کی میزیں موجود ہیں اور ہمارے پاس جہتیں اور اس قسم کی چیزیں ہیں۔ ایک چیز جو میں آپ کو بھی دکھانا چاہتا ہوں وہ یہ ہے کہ ہمارے میٹا ڈیٹا میں توسیع بھی ہوسکتی ہے جو ہمیں درجہ بندی کرنے میں مدد کرتی ہے کہ طول و عرض کی اقسام کیا ہیں اور سب کچھ۔ لہذا اگر میں یہاں جہتی ڈیٹا ٹیب کو دیکھتا ہوں ، مثال کے طور پر ، ان میں سے کسی ایک پر ، یہ خود بخود پتہ چل جائے گا ، جس نمونے کے نمونے کی بنیاد پر یہ دیکھتا ہے ، اور آپ کو ایک نقطہ آغاز فراہم کرے گا کہ آیا یہ سمجھتا ہے کہ یہ جہت ہے یا ایک حقائق کی میز لیکن اس سے آگے ، ہم جو کچھ کر سکتے ہیں وہ طول و عرض میں ہے اور اس قسم کی چیز ہمارے یہاں مختلف جہتیں بھی ہیں جن کا استعمال ہم ڈیٹا گودام کے ماحول میں بھی ڈیٹا کو درجہ بندی کرنے کے لئے کر سکتے ہیں۔ اتنی طاقتور قابلیتیں کہ ہم اسے پوری طرح سلائی کر رہے ہیں۔

میں اس میں کودنے جا رہا ہوں کیوں کہ میں ابھی ڈیمو ماحول میں ہوں اور سلائیڈز پر واپس جانے سے پہلے آپ کو کچھ دوسری چیزیں دکھاتا ہوں۔ ان چیزوں میں سے ایک جو ہم نے حال ہی میں ER / اسٹوڈیو ڈیٹا آرکیٹیکٹ میں شامل کی ہیں وہ ہے کہ ہم حالات میں پڑ گئے ہیں - اور جب آپ منصوبوں پر کام کر رہے ہیں تو یہ ایک عام استعمال کی بات ہے - ڈویلپر اشیاء کے معاملے میں سوچتے ہیں ، جبکہ ہمارا ڈیٹا ماڈلز میزوں اور اداروں اور اس قسم کی چیزوں کے لحاظ سے سوچتے ہیں۔ یہ ایک بہت ہی سادگی والا ڈیٹا ماڈل ہے ، لیکن یہ چند بنیادی تصورات کی نمائندگی کرتا ہے ، جہاں ڈویلپرز یا حتی کہ تجارتی تجزیہ کار یا کاروباری صارف بھی ان کو مختلف چیزوں یا کاروباری تصورات کے طور پر سوچ سکتے ہیں۔ ابھی تک ان کی درجہ بندی کرنا بہت مشکل رہا ہے لیکن ہم نے واقعی ER / اسٹوڈیو انٹرپرائز ٹیم ایڈیشن میں کیا کیا ہے ، 2016 کی ریلیز میں ، کیا اب ہمارے پاس بزنس ڈیٹا آبجیکٹ نامی ایک تصور موجود ہے؟ اور جو چیز ہمیں یہ کرنے کی اجازت دیتی ہے وہی ہمیں اداروں یا جدولوں کے گروہوں کو حقیقی کاروباری اشیاء میں سمیٹنے کی اجازت دیتی ہے۔

مثال کے طور پر ، ہمارے پاس اس نئے نظارے پر جو کچھ حاصل ہوا ہے وہ یہ ہے کہ خریداری آرڈر ہیڈر اور آرڈر لائن کو اب ایک ساتھ کھینچ لیا گیا ہے ، وہ کسی شے کے طور پر محیط ہیں ، جب ہم اعداد و شمار کو برقرار رکھتے ہیں تو ہم ان کو کام کا اکائی سمجھیں گے۔ ، اور ہم انھیں ساتھ لاتے ہیں لہذا اب اس کا تعلق مختلف سامعین سے جوڑنا بہت آسان ہے۔ وہ پورے ماڈلنگ ماحول میں دوبارہ پریوست ہیں۔ وہ صرف ایک ڈرائنگ کنسٹرکٹ ہی نہیں ، بلکہ ہمیں اس سے مزید فائدہ ہوتا ہے کہ جب ہم واقعی ماڈلنگ کے نقطہ نظر سے بات چیت کرتے ہیں تو ہم ان کو منتخب طور پر گر سکتے ہیں یا ان میں توسیع کرسکتے ہیں تاکہ ہم کچھ اسٹیک ہولڈر سامعین کے ساتھ مکالموں کے لئے ایک مختصر نقطہ نظر پیش کرسکیں ، اور ہم ، یقینا، ، زیادہ سے زیادہ تکنیکی نظاروں کے ل like ، جیسے ہم یہاں دیکھ رہے ہیں ، اس سے زیادہ مفصل نظریہ بھی رکھ سکتے ہیں۔ یہ واقعتا ہمیں مواصلات کی ایک اچھی گاڑی فراہم کرتا ہے۔ جو کچھ ہم اب دیکھ رہے ہیں وہ متعدد مختلف قسم کی نمونوں کا امتزاج کر رہا ہے ، ان کو کاروباری اعداد و شمار کی اشیاء کے تصور کے ساتھ بڑھا رہا ہے ، اور اب میں اس کے بارے میں بات کرنے جا رہا ہوں کہ ہم ان قسم کی چیزوں کو درحقیقت کیسے کچھ اور معنی استعمال کرتے ہیں اور ہم ان میں اپنے ساتھ کس طرح سلائی کرتے ہیں۔ مجموعی طور پر ماحول

میں صرف اپنے ویب ایکس کو یہاں تلاش کرنے کی کوشش کر رہا ہوں تاکہ میں یہ کرنے کے قابل ہوں۔ اور ہم وہاں جاتے ہیں ، واپس ہاٹ ٹیک سلائیڈز پر۔ میں یہاں کچھ سلائڈز کو تیزی سے آگے بڑھا رہا ہوں کیونکہ آپ خود ماڈل نمائش میں دیکھ چکے ہیں۔ میں نام کے معیار کے بارے میں بہت جلد بات کرنا چاہتا ہوں۔ ہم نامزد کرنے کے مختلف معیارات کو نافذ کرنا چاہتے ہیں۔ ہم کیا کرنا چاہتے ہیں ، ہمارے پاس صلاحیت ہے کہ وہ اصل میں ہمارے ذخیروں میں نام کے معیار کے سانچوں کو بنیادی طور پر الفاظ یا فقرے یا حتی مختصر الفاظ کے ذریعے اس معنی کی تعمیر کرسکیں اور انگریزی کے معنی خیز قسم کے لفظ کے ساتھ باندھیں۔ ہم کاروباری اصطلاحات ، ہر ایک کے لئے مختصراستعمال کرنے والے ہیں ، اور ہم آرڈر ، معاملات کی وضاحت کرسکتے ہیں اور سابقہ ​​اور لاحقے شامل کرسکتے ہیں۔ عام طور پر اس کا استعمال عام طور پر اس وقت ہوتا ہے جب لوگ ایک منطقی نمونہ بنا رہے ہوں اور پھر واقعتا a ایسے جسمانی نمونہ بنانے کے لئے آگے بڑھتے ہو جہاں وہ مختصر الفاظ اور سب کچھ استعمال کر رہے ہوں۔

خوبصورت بات یہ ہے کہ یہ اتنا ہی طاقتور ، ریورس میں بھی زیادہ طاقتور ہے ، اگر ہم صرف یہ بتاسکیں کہ ان میں سے کچھ معیار کے معیارات ان میں سے کچھ جسمانی ڈیٹا بیس میں کیا تھے جن کو ہم نے انجینئر کردیا ہے ، ہم ان مختصرات کو لے سکتے ہیں ، انہیں لمبے عرصے میں تبدیل کرسکتے ہیں۔ الفاظ ، اور انہیں انگریزی جملے میں پیچھے کی طرف لائیں۔ ہم واقعی اب ہمارے ناموں کی طرح کے لئے مناسب نام اخذ کرسکتے ہیں۔ جیسا کہ میں کہتا ہوں ، عام استعمال کا معاملہ یہ ہے کہ ہم جسمانی لحاظ سے منطقی طور پر آگے بڑھیں گے ، اور ڈیٹا اسٹورز اور اس قسم کی چیزوں کا نقشہ بنائیں گے۔ اگر آپ دائیں طرف اسکرین شاٹ کو دیکھیں تو آپ دیکھیں گے کہ ماخذ کے ناموں سے مختصر نام موجود ہیں اور جب ہم نے نام کے معیار کے سانچے کا اطلاق کیا ہے تو ، ہمیں واقعی میں مزید مکمل نام مل گئے ہیں۔ اور اگر ہم چاہتے ہیں تو ، نام استعمال کرنے والے معیار کے سانچے پر انحصار کرتے ہوئے ، ہم جگہیں اور اس طرح کی سبھی چیزیں ڈال سکتے ہیں۔ ہم اسے دیکھنے کے ل. تیار کرسکتے ہیں تاہم ہم چاہتے ہیں کہ یہ ہمارے ماڈل میں لائے۔ صرف اس صورت میں جب ہم جانتے ہیں کہ جسے کچھ کہا جاتا ہے ہم واقعتا it اس سے تعریفیں منسلک کرنا شروع کر سکتے ہیں ، جب تک کہ جب تک ہم یہ نہ جان لیں کہ ہم اس کا معنی کیسے لاگو کرسکتے ہیں۔

اچھی بات یہ ہے کہ ، جب ہم ہر طرح کی چیزیں کر رہے ہیں تو کیا ہم واقعتا. اس پر زور دے سکتے ہیں۔ میں نے ریورس انجینئرنگ کے بارے میں بات کی ، جب ہم ریورس انجینئرنگ کر رہے ہیں تو ہم اصل میں بیک وقت نام کے معیار کے سانچوں کا مطالبہ کرسکتے ہیں۔ لہذا ایک وزرڈ کے ذریعے اقدامات کے ایک سیٹ میں ، ہم کیا کرنے کے قابل ہیں ، اگر ہم جانتے ہیں کہ کنونشنز کیا ہیں ، ہم انجینئر ایک فزیکل ڈیٹا بیس کو ریورس کرسکتے ہیں ، یہ اسے ماڈلنگ ماحول میں فزیکل ماڈل کی حیثیت سے واپس لائے گا اور یہ ہے۔ ان نامزد کنونشنوں کو بھی لاگو کرنے کے لئے۔ لہذا ہم دیکھیں گے کہ ماحول میں اسی طرح کے منطقی ماڈل میں ناموں کی انگریزی نما نمائندگی کیا ہے۔ ہم یہ بھی کر سکتے ہیں اور اسے XML اسکیمہ نسل کے ساتھ جوڑ سکتے ہیں تاکہ ہم ایک نمونہ لے کر یہاں تک کہ اسے اپنے مخففات کے ذریعہ آگے بڑھا سکیں ، چاہے ہم ایس او اے فریم ورک یا اس قسم کی چیزیں کر رہے ہوں ، لہذا ہم پھر نام کی مختلف کنونشنوں کو بھی آگے بڑھا سکتے ہیں۔ کہ ہم واقعی خود ماڈل میں ہی ذخیرہ کر چکے ہیں۔ اس سے ہمیں بہت ساری طاقت ور صلاحیتیں ملتی ہیں۔

ایک بار پھر ، یہاں ایک مثال یہ ہے کہ اگر میں ایک ٹیمپلیٹ رکھتا ہوں تو یہ کیسا لگتا ہے۔ یہ حقیقت میں یہ ظاہر کررہا ہے کہ میرے پاس نامزد معیار کے کنونشن میں "ملازم" ، SAL "برائے تنخواہ ،" PLN برائے "منصوبہ بندی" کے لئے EMP تھا۔ میں ان کو بھی انٹرایکٹو انداز میں چلانے کے ل apply ان کو لاگو کرسکتا ہوں جب میں ماڈل تیار کررہا ہوں اور چیزیں ڈال رہا ہوں۔ اگر میں یہ مختصر استعمال کررہا ہوں اور میں نے ہستی کے نام پر "ملازمین کی تنخواہ منصوبہ" ٹائپ کیا تو یہ نام کے معیار کے سانچے کے ساتھ کام کرے گا۔ میں نے یہاں وضاحت کی ہے ، اس نے مجھے EMP_SAL_PLN دیا ہوگا کیوں کہ میں نے اداروں کو تشکیل دے رہے تھے اور ابھی مجھے اسی سے متعلق جسمانی نام دیئے ہیں۔

ایک بار پھر ، جب ہم انجینئرنگ کو بھی ڈیزائن اور فارورڈ کرتے ہیں تو اس کے لئے بہت اچھا ہوتا ہے۔ ہمارا ایک بہت ہی انوکھا تصور ہے اور اسی جگہ سے ہم واقعی میں ان ماحول کو ساتھ لانا شروع کرتے ہیں۔ اور اسے یونیورسل میپنگز کہتے ہیں۔ ایک بار جب ہم اپنے تمام ماحول کو اپنے ماحول میں لائیں گے تو ، ہم کیا کر پائیں گے ، فرض کریں کہ اب ہم نے نام سازی کنونشنز کا اطلاق کیا ہے اور ان کی تلاش آسان ہے ، اب ہم ER میں یونیورسل میپنگز نامی کنسٹرکٹ کا استعمال کرسکتے ہیں۔ / اسٹوڈیو ہم ماڈلوں میں اداروں کو جوڑ سکتے ہیں۔ ہم جہاں بھی "صارف" دیکھتے ہیں - ہمارے پاس بہت سارے سسٹم اور بہت سارے مختلف ڈیٹا بیس ہوں گے - ہم ان سب کو ایک ساتھ جوڑنا شروع کر سکتے ہیں تاکہ جب میں اس کے ساتھ ایک ماڈل میں کام کر رہا ہوں I دوسرے ماڈلز میں صارفین کے تاثرات کہاں ہیں دیکھ سکتے ہیں۔ اور چونکہ ہمیں اس کی نمائندگی کرنے والی ماڈل پرت مل گئی ہے ، لہذا ہم اسے ڈیٹا کے ذرائع سے باندھ بھی سکتے ہیں اور اسے ہماری وہیں تک پہنچاسکتے ہیں جہاں استعمال شدہ انکوائریوں میں پتا چلتا ہے کہ یہ کس ڈیٹا بیس میں رہتا ہے۔ یہ واقعتا ہمیں یہ صلاحیت دیتا ہے کہ ہم سب کو ایک ساتھ مل کر جوڑیں۔

میں نے تجارتی کاروباری اعداد و شمار کو دکھایا ہے۔ میں میٹا ڈیٹا ایکسٹینشن کے بارے میں بھی بات کرنا چاہتا ہوں ، جسے ہم اٹیچمنٹ کہتے ہیں ، بہت جلدی۔ یہ کیا کرتا ہے وہ ہمیں اپنے ماڈل اشیاء کے ل objects اضافی میٹا ڈیٹا بنانے کی صلاحیت فراہم کرتا ہے۔ میں اکثر ڈیٹا گورننس اور ڈیٹا کوالٹی کے نقطہ نظر سے بہت سی مختلف چیزوں کو نکالنے کے ل these ، اور ماسٹر ڈیٹا مینجمنٹ اور ڈیٹا کو برقرار رکھنے کی پالیسیوں میں ہماری مدد کرنے کے لئے خاص طور پر اس قسم کی خصوصیات مرتب کرتا تھا۔ بنیادی خیال یہ ہے کہ آپ یہ درجہ بندی تخلیق کرتے ہیں اور آپ انہیں جدھر چاہیں ، ٹیبل کی سطح ، کالم کی سطح ، ان اقسام کی چیزوں سے منسلک کرسکتے ہیں۔ عام طور پر عام طور پر استعمال ہونے والا معاملہ یہ ہے کہ ہستیاں میزیں ہیں ، اور پھر میں اس کی وضاحت کرسکتا ہوں: میرے ماسٹر ڈیٹا اشیاء کیا ہیں ، میرے حوالہ جدول کیا ہیں ، میرے لین دین کی میزیں کیا ہیں؟ ڈیٹا کوالٹی کے نقطہ نظر سے میں کاروبار کو اہمیت دینے کے لحاظ سے درجہ بندی کرسکتا ہوں تاکہ ہم ڈیٹا صاف کرنے کی کوششوں اور اس قسم کی چیزوں کو ترجیح دے سکیں۔

ایسی چیز جس پر اکثر نظرانداز کیا جاتا ہے ، وہ یہ ہے کہ ہماری تنظیم میں مختلف قسم کے ڈیٹا کو برقرار رکھنے کی پالیسی کیا ہے؟ ہم ان کو مرتب کرسکتے ہیں اور ہم واقعی میں انہیں اپنے ماڈلنگ ماحول میں مختلف قسم کے معلوماتی نمونے سے منسلک کرسکتے ہیں اور ظاہر ہے کہ ہمارے ذخیرہ اندوزی کو بھی۔ خوبصورتی کی بات یہ ہے کہ ، کیا یہ منسلکات ہمارے ڈیٹا کی لغت میں رہتی ہیں لہذا جب جب ہم ماحول میں انٹرپرائز ڈیٹا کی لغت کو استعمال کرتے ہیں تو ، ہم انہیں متعدد ماڈلز کے ساتھ منسلک کرسکتے ہیں۔ ہمیں صرف ان کی ایک بار وضاحت کرنی ہوگی اور ہم اپنے ماحول کے مختلف ماڈلز میں بار بار ان کا فائدہ اٹھاسکتے ہیں۔ یہ صرف ایک فوری اسکرین شاٹ ہے جس سے یہ ظاہر ہوتا ہے کہ جب آپ کوئی منسلک کرتے ہیں تو آپ اصل میں اس کی وضاحت کرسکتے ہیں ، یہ کیا ٹکڑے ٹکڑے ہیں جو آپ اسے جوڑنا چاہتے ہیں۔ اور یہ مثال یہاں دراصل اقدار کی ایک فہرست ہے ، لہذا جب وہ آپ کے اندر جائیں تو اقدار کی ایک فہرست سے انتخاب کرسکیں ، آپ کے ماڈلنگ کے ماحول میں جو کچھ اٹھایا جارہا ہے اس میں آپ کا بہت کنٹرول رہتا ہے ، اور یہاں تک کہ آپ پہلے سے طے شدہ سیٹ بھی ترتیب دے سکتے ہیں۔ ویلیو اس وقت ہوتی ہے جب کوئی قدر نہیں اٹھائی جاتی۔ تو وہاں بہت ساری طاقت۔ وہ ڈیٹا کی لغت میں رہتے ہیں۔

اس اسکرین پر میں آپ کو کچھ اور نیچے دکھانا چاہتا ہوں ، اس کے علاوہ آپ اوپر والے حصے میں بھی منسلکات کی طرح دیکھتے ہیں ، اس کے نیچے آپ کو ڈیٹا سیکیورٹی کی معلومات نظر آتی ہیں۔ ہم دراصل ماحول میں موجود معلومات کے مختلف ٹکڑوں پر بھی ڈیٹا سیکیورٹی کی پالیسیاں لاگو کرسکتے ہیں۔ مختلف تعمیل نقشہ جات ، ڈیٹا سیکیورٹی کی درجہ بندی کے ل we ، ہم ان میں سے ایک بڑی تعداد کو اس خانے سے باہر بھیج دیتے ہیں کہ آپ صرف تیار اور استعمال شروع کرسکتے ہیں ، لیکن آپ اپنی تعمیل نقشہ جات اور معیار کی بھی وضاحت کرسکتے ہیں۔ چاہے آپ HIPAA کر رہے ہوں یا کوئی دوسرا اقدام وہاں سے ہو۔ اور آپ واقعی میں اپنے ماحول میں میٹا ڈیٹا کا یہ بہت امیر سیٹ تیار کرنا شروع کرسکتے ہیں۔

اور پھر لغت اور شرائط - یہ وہ جگہ ہے جہاں کاروبار کے معنی بندھے ہوئے ہیں۔ ہمارے پاس اکثر اعداد و شمار کی لغت موجود رہتی ہے کہ اکثر ایسا ہی ایک ادارہ ابتدائی نقطہ کے طور پر الفاظ کو نکالنے کے لئے استعمال کررہا ہے ، لیکن اصطلاحات اور فعل کی بات ہے اکثر بہت تکنیکی. لہذا ہم کیا کرسکتے ہیں ، اگر ہم چاہیں تو ان الفاظ کو لغت کا آغاز کرنے کے لئے نقط point آغاز کے طور پر استعمال کرسکتے ہیں ، لیکن ہم واقعتا چاہتے ہیں کہ کاروبار ان کا اپنا ہو۔ ہم نے ٹیم سرور ماحول میں جو کچھ کیا ہے وہ یہ ہے کہ ہم لوگوں کو کاروباری تعریفیں تخلیق کرنے کی صلاحیت فراہم کرتے ہیں اور پھر ہم انہیں ماڈل کے مختلف نمونے سے جوڑ سکتے ہیں جس کا وہ ماڈلنگ ماحول میں بھی مطابقت رکھتا ہے۔ ہم اس نکتہ کو بھی پہچانتے ہیں جس پر پہلے تبادلہ خیال کیا گیا تھا ، جتنا زیادہ لوگ آپ ٹائپنگ کرتے ہیں ، انسانی غلطی کا امکان اتنا ہی زیادہ ہوتا ہے۔ ہم اپنے لغت کی ساخت میں بھی جو کچھ کرتے ہیں وہ ہے ، ایک ، ہم لغت کی ایک درجہ بندی کی تائید کرتے ہیں ، لہذا ہمارے پاس تنظیم میں مختلف الفاظ یا مختلف قسم کی چیزیں ہوسکتی ہیں ، لیکن صرف اتنا ہی اہم بات ، اگر آپ کے پاس پہلے ہی کچھ ذرائع موجود ہیں تو وہاں موجود شرائط اور ہر اس کی وضاحت کے ساتھ ، ہم حقیقت میں ان کو اپنے ماڈلنگ ماحول میں ، اور اپنے ٹیم سرور یا ہماری لغت کو بھی کھینچنے کے لئے ایک CSV درآمد کرسکتے ہیں ، اور پھر وہاں سے جڑنا شروع کردیں گے۔ اور جب بھی کسی چیز کو تبدیل کیا جاتا ہے تو اس کی مکمل آڈٹ ٹریل کی وضاحت اور اس کے بعد کی ہر شے کے لحاظ سے ، اس سے پہلے اور اس کے بعد کی تصاویر کیا تھیں ، اور جو آپ بہت قریب میں آتے ہوئے دیکھیں گے وہ بھی اتھارٹی ورک فلو کی ایک اور چیز ہے لہذا ہم واقعتا control اس پر قابو پاسکتے ہیں کہ اس کے ذمہ دار کون ہے ، کمیٹیوں یا افراد کے ذریعہ منظوری دی گئی ہے ، اور اس قسم کی چیز کو ، آگے بڑھنے کے ساتھ ہی گورننس کے عمل کو مزید مضبوط بنانا ہے۔

یہ ہمارے لئے بھی کیا کام کرتا ہے جب ہمارے پاس ہماری ٹیم سرور لغت میں یہ الفاظ کی اصطلاحات موجود ہیں تو ، یہ ماڈل میں ہی کسی ہستی میں ترمیم کرنے کی ایک مثال ہے جو میں یہاں لایا ہوں۔ اس میں مربوط شرائط ہوسکتی ہیں ، لیکن ہم یہ بھی کرتے ہیں کہ اگر الفاظ موجود ہیں جو اس لغت میں موجود ہیں جو ہمارے اداروں میں ہمارے پاس موجود نوٹوں یا اس کی تفصیل میں ظاہر ہوتے ہیں ، تو وہ خود بخود ہلکے ہائپر لنکڈ رنگ میں دکھائے جاتے ہیں ، اور اگر ہم ان پر ماؤس ، ہم دراصل کاروبار کی لغت سے بھی تعریف دیکھ سکتے ہیں۔ یہاں تک کہ تمام الفاظ کی اصطلاحات کے ساتھ ہی ، جب ہم معلومات خود ہی استعمال کررہے ہیں تو یہ ہمیں زیادہ سے زیادہ معلومات فراہم کرتا ہے۔ یہ واقعتا تجربہ کو تقویت بخش بنانے اور ہر اس چیز کا معنی استعمال کرنے میں مدد کرتا ہے جس کے ساتھ ہم کام کر رہے ہیں۔

تو ، ایک بار پھر ، یہ ایک بہت ہی تیز پرواز تھا۔ ظاہر ہے کہ ہم اس پر دن گزار سکتے تھے کیوں کہ ہم مختلف حصوں میں ڈھل جاتے ہیں ، لیکن سطح پر یہ ایک بہت ہی تیز اڑان ہے۔ ہم واقعتا What جو کچھ کرنے کی کوشش کر رہے ہیں وہ یہ ہے کہ ان پیچیدہ اعداد و شمار کے ماحول کس طرح کی معلوم ہوتے ہیں۔ ہم ان سبھی ڈیٹا نمونے کی مرئیت کو بہتر بنانا چاہتے ہیں اور ای آر / اسٹوڈیو کے ساتھ ان کو نکالنے کے لئے باہم تعاون کرنا چاہتے ہیں۔ ہم زیادہ موثر اور خودکار ڈیٹا ماڈلنگ کو قابل بنانا چاہتے ہیں۔ اور یہ وہ تمام قسم کا ڈیٹا ہے جس کے بارے میں ہم بات کر رہے ہیں ، چاہے وہ بڑا ڈیٹا ہو ، روایتی رشتہ دار ڈیٹا ، دستاویزات اسٹورز یا کوئی اور چیز۔ اور ایک بار پھر ، ہم نے اس مقصد کو پورا کیا کیونکہ ہمارے پاس مختلف پلیٹ فارمز اور دیگر ٹولز کے ل powerful طاقتور فارورڈ اور ریورس انجینئرنگ صلاحیتیں موجود ہیں جو آپ کے پاس موجود ہیں۔ اور یہ سب اس میں شامل تمام اسٹیک ہولڈرز کے ساتھ تنظیم میں اشتراک اور بات چیت کرنے کے بارے میں ہے۔ اسی جگہ ہم نام کے معیار کے ذریعے معنی کا اطلاق کرتے ہیں۔ اس کے بعد ہم اپنی کاروباری لغتوں کے ذریعے تعریفیں لاگو کرتے ہیں۔ اور پھر ہم میٹا ڈیٹا ایکسٹینشن جیسے ڈیٹا کوالٹی ایکسٹینشن ، ماسٹر ڈیٹا مینجمنٹ کے لئے درجہ بندی ، یا کسی بھی دوسری قسم کی درجہ بندی کی جس کے ساتھ آپ اس ڈیٹا کو لاگو کرنا چاہتے ہیں اپنی حکمرانی کی تمام صلاحیتوں کے لئے مزید درجہ بندی کرسکتے ہیں۔ اور پھر ہم کاروباری اعداد و شمار کی اشیاء کے ساتھ مزید اسٹیک ہولڈر سامعین خصوصا particularly ماڈلرز اور ڈویلپرز کے مابین مواصلات کو مزید مختصر اور مواصلات کو بڑھا سکتے ہیں۔

اور ایک بار پھر ، اس کے بارے میں جو سب سے اہم بات ہے وہ ہے ، سب کے پیچھے ایک مربوط ذخیرہ ہے جس میں بہت مضبوط تبدیلی کی انتظامی صلاحیتوں کا حامل ہے۔ میرے پاس آج اسے دکھانے کے لئے وقت نہیں تھا کیونکہ یہ کافی پیچیدہ ہو جاتا ہے ، لیکن مخزن میں انتظامیہ کی بہت مضبوط صلاحیتیں اور آڈٹ ٹریلز ہیں۔ آپ نامزد ریلیزز کرسکتے ہیں ، آپ نامزد ورژن کرسکتے ہیں ، اور ہمارے پاس یہ صلاحیت بھی ہے کہ آپ میں سے جو تبدیلی کا انتظام کر رہے ہیں ، ہم اسے آپ کے کاموں میں باندھ سکتے ہیں۔ ہمارے پاس آج یہ صلاحیت موجود ہے کہ آپ اپنے ماڈل میں ہونے والی تبدیلیوں کو کاموں کے ساتھ جوڑیں اور ان کو جوڑیں ، بالکل اسی طرح جیسے ڈویلپرز اپنے کوڈ میں ہونے والی تبدیلیوں کو ٹاسک یا صارف کی کہانیوں سے جوڑ دیتے ہیں جس کے ساتھ وہ کام کر رہے ہیں۔

ایک بار پھر ، یہ ایک بہت ہی عمدہ جائزہ تھا۔ مجھے امید ہے کہ آپ کی بھوک مٹانے کے لئے یہ کافی ہوچکا ہے تاکہ ہم مستقبل میں آگے بڑھنے کے ساتھ ساتھ ان میں سے کچھ موضوعات کو تقسیم کرنے پر گہری گفتگو میں مشغول ہوسکیں۔ آپ کے وقت کا شکریہ ، اور آپ کی واپسی ، ربیکا۔

ربیکا جوزویق: شکریہ ، رون ، یہ حیرت انگیز تھا اور میرے پاس سامعین سے کچھ سوالات ہیں ، لیکن میں اپنے تجزیہ کاروں کو یہ کہنا چاہتا ہوں کہ آپ کے کہنے میں ان کے دانت ڈوب جائیں۔ ایرک ، میں آگے بڑھنے جارہا ہوں اور شاید اگر آپ اس سلائیڈ کو ، یا کسی اور سے خطاب کرنا چاہتے ہو تو ، کیوں آپ پہلے آگے نہیں جاتے؟ یا کوئی اور سوال؟

ایرک لٹل: ضرور۔ معذرت ، کیا سوال تھا ، ربیکا؟ آپ چاہتے ہیں کہ میں کچھ مخصوص سے پوچھیں یا…؟

ربیکا جوزیویاک: مجھے معلوم ہے کہ آپ کو ابتدائی طور پر رون سے کچھ سوالات تھے۔ اگر آپ اب اس سے ان میں سے کسی ، یا ان میں سے کچھ کو اپنی سلائیڈ یا کسی اور چیز سے خطاب کرنے کے ل ask کہیں جو آپ کے بارے میں پوچھنا چاہتے ہیں تو آپ کی دلچسپی خطرے میں پڑ گئی؟ IDERA کی ماڈلنگ کی خصوصیات کے بارے میں۔

ایرک لٹل: ہاں ، تو ان میں سے ایک چیز ، رون ، تو آپ لوگوں کو ، ایسا لگتا ہے کہ آپ جس خاکے کو دکھا رہے تھے وہ عمومی قسم کے ہستی کے تعلقات کے آریھ ہیں جیسے آپ عام طور پر ڈیٹا بیس کی تعمیر میں استعمال کرتے ہیں ، درست؟

رون ہوازنگا: ہاں ، عام طور پر بولتے ہیں ، لیکن یقینا ہمارے پاس دستاویزات کی دکانوں اور اس قسم کی چیزوں کے لئے توسیعی قسمیں موجود ہیں۔ ہم واقعی صرف خالص رشتہ دار علامت سے مختلف ہیں ، ہم نے حقیقت میں ان دوسرے اسٹوروں کے لئے اضافی اشارے بھی شامل کیے ہیں۔

ایرک لٹل: کیا ایسا کوئی طریقہ ہے کہ آپ لوگ گراف پر مبنی قسم کی ماڈلنگ استعمال کرسکتے ہو ، لہذا انضمام کا کوئی طریقہ موجود ہے ، مثال کے طور پر ، فرض کریں کہ میرے پاس چوٹی والے کواڈرینٹ ، ٹاپ بریڈ کمپوزر ٹول جیسا کچھ ہے یا میں نے کچھ کیا ہے۔ پروٹوگے میں یا ، آپ جانتے ہو ، ایف بی بی او میں مالی لڑکوں کی طرح ، وہ الفاظ ، آر ڈی ایف چیزوں میں بہت کام کر رہے ہیں۔ اس ٹول میں اس نوعیت کے رشتہ سے متعلق گراف ٹائپ ماڈلنگ لانے کا ایک طریقہ ہے اور اس کا استعمال یہ؟

رون ہوازنگا: ہم دراصل دیکھ رہے ہیں کہ ہم گراف کو کس طرح سنبھال سکتے ہیں۔ ہم آج واضح طور پر گراف ڈیٹا بیس اور اس قسم کی چیزوں کو نہیں ہینڈل کررہے ہیں ، لیکن ہم ان طریقوں کی تلاش کر رہے ہیں جو ہم اپنے میٹا ڈیٹا کو بڑھانے کے لئے ایسا کرسکتے ہیں۔ میرا مطلب ہے ، ہم ابھی XML اور اس قسم کی چیزوں کے ذریعہ چیزیں لاسکتے ہیں ، اگر ہم کم از کم XML کو کسی ابتدائی نقطہ کے طور پر لانے کے ل some کسی قسم کا تعی .ن کرسکیں۔ لیکن ہم اس کو لانے کے لئے مزید خوبصورت طریقوں پر غور کر رہے ہیں۔

اور میں نے آپ کو یہ بھی دکھایا کہ ریورس انجینئرنگ پلوں کی فہرست جو ہمارے پاس بھی موجود ہے ، لہذا ہم ہمیشہ ان پلوں کو بھی مخصوص پلیٹ فارمز میں توسیع حاصل کرنے کی تلاش میں رہتے ہیں۔ یہ ایک مستقل ، جاری کوشش ہے ، اگر اس کا کوئی معنی ہے تو ، ان نئی تعمیرات اور وہاں کے مختلف پلیٹ فارمز کی بہتات کو گلے لگانا شروع کریں۔ لیکن میں یہ کہہ سکتا ہوں کہ ہم یقینی طور پر ایسا کرنے میں سب سے آگے ہیں۔ مثال کے طور پر ، منگو ڈی بی اور اس نوعیت کی چیزوں پر ، میں نے جس چیز کو دکھایا ہے ، ہم پہلے ڈیٹا ماڈلنگ فروش ہیں جو واقعی یہ اپنی مصنوعات میں مقامی طور پر کرتے ہیں۔

ایرک لٹل: ٹھیک ہے ، ہاں۔ تو دوسرا سوال جو میں نے آپ کے لئے کیا تھا ، وہ اس وقت کی حکمرانی اور برقرار رکھنے کے لحاظ سے تھا - جیسے آپ نے مثال کے طور پر استعمال کیا ، جب آپ نے اس شخص کی مثال دکھائی جو ایک "ملازم" ہے ، مجھے یقین ہے کہ یہ " تنخواہ "اور پھر آپ کے پاس ایک" منصوبہ بندی "موجود ہے ، آپ کس طرح انتظام کریں گے ، مثال کے طور پر ، مختلف قسم کے لوگ جن میں ہوسکتا ہے - آئیے فرض کریں کہ آپ کے پاس ایک بہت بڑا فن تعمیر ہے ، ٹھیک ہے ، فرض کریں کہ آپ کا کوئی بڑا کاروبار ہے اور لوگ اس آلے میں چیزیں اکٹھا کرنا شروع کردیتے ہیں اور آپ کو ایک گروپ یہاں ملا ہے جس میں لفظ "ملازم" ہے اور یہاں ایک گروپ ہے جس کا لفظ "کارکن" ہے اور یہاں سے ایک شخص "تنخواہ" کہتا ہے اور دوسرا شخص کہتا ہے۔ "اجرت"

آپ لوگ کس طرح صلح کر سکتے ہیں اور اس قسم کے امتیاز کو سنبھالتے اور ان پر حکومت کرتے ہیں؟ کیوں کہ میں جانتا ہوں کہ ہم گراف کی دنیا میں یہ کیسے کریں گے ، آپ جانتے ہو ، آپ مترادف فہرستوں کا استعمال کریں گے یا آپ یہ کہیں گے کہ اس کا ایک تصور ہے اور اس میں کئی خصوصیات ہیں ، یا آپ ایس کے او ایس ماڈل میں کہہ سکتے ہیں کہ میرے پاس ترجیحی لیبل ہے اور میرے پاس متعدد متبادل لیبل جو میں استعمال کرسکتا ہوں۔ تم لوگ یہ کیسے کرتے ہو؟

رون ہوازنگا: ہم اسے کچھ مختلف طریقوں سے کرتے ہیں ، اور بنیادی طور پر پہلے اصطلاحات کے بارے میں بات کریں۔ ان چیزوں میں سے ایک جو ہم کرتے ہیں ، یقینا، ، کیا ہم چاہتے ہیں کہ ہم طے شدہ یا منظور شدہ شرائط حاصل کریں اور کاروبار کی لغت میں واضح طور پر وہ جگہ ہے جہاں ہم ان کو چاہتے ہیں۔ اور ہم کاروباری لغت کو مترادفات کے ل links لنک کی بھی اجازت دیتے ہیں تاکہ آپ جو کچھ کرسکتے ہو وہ کہہ سکتے ہو ، یہاں میری اصطلاح ہے ، لیکن آپ یہ بھی بیان کرسکتے ہیں کہ ان تمام مترادفات کیا ہیں۔

اب واقعی دلچسپ بات یہ ہے کہ جب آپ ان تمام مختلف سسٹمز کے ساتھ اس وسیع ڈیٹا کے مناظر کو تلاش کرنا شروع کریں گے جو آپ وہاں سے نکل چکے ہیں تو ، آپ وہاں سے باہر جاکر اس سے متعلق میزیں اور اس قسم کی چیزوں کو تبدیل نہیں کرسکتے ہیں۔ اس نام کے معیار سے مطابقت رکھتے ہیں کیونکہ یہ ایک پیکیج ہوسکتا ہے جو آپ نے خریدا ہے ، لہذا آپ کا ڈیٹا بیس یا کچھ بھی تبدیل کرنے پر کوئی کنٹرول نہیں ہے۔

لغت کی تعریفوں کو جوڑنے کے قابل ہونے کے علاوہ ، ہم وہاں کیا کرسکتے تھے ، ان آفاقی نقشہ سازی کے ذریعے ہی میں نے جس کے بارے میں بات کی تھی ، اس میں ہم کیا کریں گے ، اور ایک سفارش کردہ نقطہ نظر کا ، ایک عمدہ منطقی نمونہ بنانا ہے جس کا بیان کیا گیا ہے۔ یہ مختلف کاروباری تصورات ہیں جن کے بارے میں آپ بات کر رہے ہیں۔ ان میں کاروباری لغت کی اصطلاحات باندھیں ، اور اچھی بات یہ ہے کہ اب آپ کو یہ تعمیر مل گئی ہے جو کسی منطقی ہستی کی نمائندگی کرتی ہے جیسا کہ تھا ، آپ اس منطقی ہستی سے اس منطقی ہستی کے تمام نفاذ سے منسلک ہونا شروع کرسکتے ہیں۔ مختلف نظاموں.

پھر جہاں آپ کو اس کی ضرورت ہے ، آپ دیکھ سکتے ہیں ، اوہ ، "اس شخص" کو اس سسٹم میں "ملازم" کہا جاتا ہے۔ اس دوسرے نظام میں یہاں "تنخواہ" کو "اجرت" کہا جاتا ہے۔ چونکہ آپ یہ دیکھ لیں گے ، آپ ان کے تمام مختلف مظاہر دیکھیں گے کیونکہ آپ نے ان کو ایک ساتھ جوڑ لیا ہے۔

ایرک لٹل: ٹھیک ہے ، اچھا ، سمجھ گیا۔ اس معنی میں ، کیا یہ کہنا محفوظ ہے کہ اس طرح کی چیزیں کسی چیز پر مبنی نقطہ نظر کی طرح ہیں؟

رون ہوازنگا: کچھ حد تک۔ اس سے کچھ زیادہ ہی گہری بات ہے ، مجھے لگتا ہے کہ آپ کہہ سکتے ہیں۔ میرا مطلب ہے ، آپ دستی طور پر جڑنے اور گزرنے اور معائنہ کرنے اور ان سب کو انجام دینے کا طریقہ اختیار کرسکتے ہیں۔ ایک چیز کے بارے میں مجھے واقعتا talk بات کرنے کا موقع نہیں ملا تھا - کیوں کہ ایک بار پھر ، ہمارے پاس بہت ساری صلاحیتیں ہیں - ہمارے پاس بھی ڈیٹا آرکیٹیکٹ ٹول میں خود بخود ایک مکمل آٹومیشن انٹرفیس موجود ہے۔ اور ایک میکرو صلاحیت ، جو ٹول میں واقعی ایک پروگرامنگ زبان ہے۔ لہذا ہم دراصل میکرو لکھنے جیسے کام کرسکتے ہیں ، اسے باہر جانے اور چیزوں سے پوچھ گچھ کرنے اور آپ کے لئے رابطے بنانے کی ضرورت ہے۔ ہم اسے معلومات کی درآمد اور برآمد کے لئے استعمال کرتے ہیں ، ہم اسے ماڈل میں ہی چیزوں کو تبدیل کرنے یا اوصاف ، ایونٹ میں شامل کرنے کے لئے استعمال کرسکتے ہیں ، یا ہم اس کو بیچوں میں چلانے کے لئے استعمال کرسکتے ہیں تاکہ چیزیں دریافت کریں اور پوچھ گچھ کریں اور اصل میں مختلف تعمیرات کو آباد کریں۔ ماڈل. تو ایک مکمل آٹومیشن انٹرفیس ہے جس کا فائدہ لوگ بھی اٹھا سکتے ہیں۔ اور ان کے ساتھ آفاقی نقشہ سازی کا استعمال کرنا یہ ایک بہت ہی طاقتور طریقہ ہوگا۔

ربیکا جوزویق: ٹھیک ہے ، رون کا شکریہ ، اور ایرک کا شکریہ۔ وہ بڑے سوال تھے۔ میں جانتا ہوں کہ ہم اس وقت کے اوپری حصے سے تھوڑا سا آگے چل رہے ہیں ، لیکن میں مالکم کو رون کی طرح کچھ سوالات ٹاس کرنے کا موقع دینا چاہتا ہوں۔ میلکم۔

میلکم چشم: شکریہ ، ربیکا۔ تو ، رون ، یہ بہت دلچسپ ہے ، میں دیکھ رہا ہوں کہ یہاں بہت ساری صلاحیتیں موجود ہیں۔ ایک ان شعبوں میں جس میں مجھے بہت دلچسپی ہے ، یہ کہتے ہیں کہ اگر ہمارے پاس کوئی ترقیاتی پروجیکٹ ہے تو ، آپ ان صلاحیتوں کو استعمال کرتے ہوئے اور کاروباری تجزیہ کاروں ، ڈیٹا پروفائلر کے ساتھ ، اور اعداد و شمار کے معیار تجزیہ کار کے ساتھ مل کر کاروباری تجزیہ کاروں کے ساتھ مل کر کام کرنے کو کیسے دیکھ سکتے ہیں۔ ، اور کاروباری کفیلوں کے ساتھ جو آخر کار اس منصوبے میں اصل معلومات کی ضروریات کے ذمہ دار ہوں گے۔ آپ جانتے ہو کہ اعداد و شمار کا ماڈلر واقعتا How ان صلاحیتوں کے ساتھ پروجیکٹ کو کس حد تک موثر اور موثر بناتا ہے؟

رون ہوازنگا: میرا خیال ہے کہ وہاں پہلا کام جو آپ نے کرنا ہے وہ ایک ڈیٹا ماڈلر کی حیثیت سے ہے - اور میرا مطلب یہ نہیں ہے کہ کچھ ماڈلز کو منتخب کریں ، لیکن میں بہرحال کروں گا - کیا کچھ لوگوں کا تاثر اب بھی موجود ہے کہ ڈیٹا موڈلر واقعتا really اس طرح کے کردار کی دربان ہے ، ہم یہ بیان کر رہے ہیں کہ یہ کیسے کام کرتا ہے ، ہم محافظ ہیں جو اس بات کو یقینی بناتے ہیں کہ سب کچھ صحیح ہے۔

اب اس کا ایک پہلو یہ بھی ہے کہ ، آپ کو یہ یقینی بنانا ہوگا کہ آپ کوائف ڈیٹا فن تعمیر اور ہر چیز کی وضاحت کر رہے ہیں۔ لیکن سب سے زیادہ اہم بات ڈیٹا ماڈلر کی حیثیت سے ہے - اور مجھے یہ بات قدرے واضح طور پر ملی جب میں مشورہ کررہا تھا - کیا آپ کو سہولت کار بننا ہے ، لہذا آپ کو ان لوگوں کو ساتھ لینا ہوگا۔

یہ اب سامنے کا کوئی ڈیزائن بننے ، تیار کرنے اور ڈیٹا بیس بنانے کی ضرورت نہیں ہے - آپ کو جو کام کرنے کی ضرورت ہے وہ یہ ہے کہ آپ کو ان تمام اسٹیک ہولڈر گروپس کے ساتھ کام کرنا ، ریورس انجینئرنگ ، معلومات کو درآمد کرنا ، رکھنے جیسے کام کرنے کے قابل ہونے کی ضرورت ہے۔ دوسرے لوگ تعاون کرتے ہیں ، خواہ وہ لغتوں پر ہو یا دستاویزات ، اس جیسی ہر چیز۔ اور اس کو ذخیرے میں کھینچنے کے لئے ایک سہولت کار بنیں ، اور تصورات کو ایک ساتھ مل کر ذخیرہ میں جوڑیں ، اور ان لوگوں کے ساتھ کام کریں۔

یہ واقعی ماحول کی ایک باہمی تعاون کی جگہ ہے جہاں کاموں کی تعریف کے ذریعہ یا بحث مباحثے کے ذریعے یا اس قسم کی چیز جو ہمارے پاس ٹیم سرور میں ہے ، لوگ واقعتا تعاون کر سکتے ہیں ، سوالات پوچھ سکتے ہیں اور حتمی اختتام کی مصنوعات پر پہنچ سکتے ہیں۔ ان کے ڈیٹا فن تعمیر اور ان کی تنظیم کی ضرورت ہے۔ کیا اس طرح کا جواب ملا؟

میلکم چشم: ہاں ، میں اتفاق کرتا ہوں۔ آپ جانتے ہیں ، مجھے لگتا ہے کہ سہولت مہارت ایسی چیز ہے جو ڈیٹا موڈلرز میں واقعی انتہائی مطلوبہ ہے۔ میں اتفاق کرتا ہوں کہ ہم ہمیشہ ایسا نہیں دیکھتے ، لیکن مجھے لگتا ہے کہ یہ ضروری ہے اور میں تجویز کروں گا کہ کبھی کبھی آپ کے ڈیٹا ماڈلنگ میں آپ کے کونے میں رہنا ہوتا ہے ، لیکن آپ کو واقعی دوسرے اسٹیک ہولڈر گروپوں کے ساتھ مل کر کام کرنے کی ضرورت ہوتی ہے۔ یا آپ اس اعداد و شمار کے ماحول کو سمجھ نہیں سکتے ہیں جس کے ساتھ آپ ڈیل کر رہے ہیں ، اور میرے خیال میں اس کا نتیجہ ماڈل کو بھگتنا پڑتا ہے۔ لیکن یہ صرف میری رائے ہے۔

رون ہوازنگا: اور یہ دلچسپ ہے کیوں کہ آپ نے اپنی سلائڈ میں اس سے پہلے کی تاریخ کے بارے میں کچھ ذکر کیا تھا کہ کس طرح کاروبار آئی ٹی سے باز آرہے ہیں کیوں کہ وہ بروقت فیشن اور اس قسم کی چیزوں میں حل فراہم نہیں کررہے تھے۔

یہ بہت دلچسپ ہے کہ میری بعد میں مشاورت کی مصروفیات میں ، پروڈکٹ مینیجر بننے سے پہلے ، میں نے اس سے پہلے پچھلے دو سالوں میں جو بیشتر منصوبے کیے تھے ، وہ کاروبار کی سرپرستی میں تھے ، جہاں واقعتا یہ وہ کاروبار تھا جو اسے چلا رہا تھا اور ڈیٹا آرکیٹیکٹس۔ اور ماڈلر آئی ٹی کا حصہ نہیں تھے۔ ہم ایک بزنس سپانسر شدہ گروپ کا حصہ تھے اور ہم وہاں پروجیکٹ کی باقی ٹیموں کے ساتھ کام کرنے والے سہولت کاروں کی حیثیت سے موجود تھے۔

میلکم چشم: تو میرے خیال میں یہ ایک بہت ہی دلچسپ نقطہ ہے۔ مجھے لگتا ہے کہ ہم کاروباری دنیا میں ایسی تبدیلی کو دیکھنا شروع کر رہے ہیں جہاں کاروبار پوچھ رہا ہے ، یا سوچ رہا ہے ، اتنا نہیں کہ میں کیا کرتا ہوں ، جیسے عمل ہو رہا ہے ، لیکن وہ اس بارے میں بھی سوچنا شروع کر رہے ہیں کہ اعداد و شمار کیا ہے جس کے ساتھ میں کام کرتا ہوں ، میرے اعداد و شمار کی کیا ضرورت ہے ، اعداد و شمار کے طور پر میں کس ڈیٹا سے معاملہ کر رہا ہوں ، اور ہم اس نقطہ نظر کی تائید کرنے کے لئے کس حد تک IDERA کی مصنوعات اور صلاحیتیں حاصل کرسکتے ہیں ، اور مجھے لگتا ہے کہ یہاں تک کہ کاروبار کی ضروریات کو بھی اگرچہ اس میں ابھی تھوڑا سا نوسانٹ ہی ہے۔

رون ہوازنگا: میں آپ کے ساتھ متفق ہوں اور مجھے لگتا ہے کہ ہم اسے زیادہ سے زیادہ اسی طرح سے دیکھ رہے ہیں۔ ہم نے بیداری دیکھی ہے اور آپ نے اعداد و شمار کی اہمیت کے معاملے میں اس سے پہلے اس کو چھو لیا ہے۔ ہم نے ابتدائی طور پر آئی ٹی میں یا ڈیٹا بیس کے ارتقا میں اعداد و شمار کی اہمیت کو دیکھا ، پھر جیسا کہ آپ کہتے ہیں ، ہم ایک طرح سے اس سارے عمل کے انتظام کے چکر میں چلے گئے ہیں - اور عمل انتہائی اہم ہے ، مجھے غلط نہ سمجھو - لیکن اب کیا ہوا ہے جب ایسا ہوا تو ، ڈیٹا کی طرح کھوئی ہوئی توجہ۔

اور اب تنظیمیں یہ محسوس کر رہی ہیں کہ واقعی ڈیٹا فوکل پوائنٹ ہے۔ ڈیٹا ہر چیز کی نمائندگی کرتا ہے جو ہم اپنے کاروبار میں کر رہے ہیں لہذا ہمیں یہ یقینی بنانا ہوگا کہ ہمارے پاس درست اعداد و شمار موجود ہیں ، تاکہ ہمیں صحیح معلومات مل سکیں جو ہمیں اپنے فیصلے کرنے کی ضرورت ہے۔ کیونکہ ہر چیز ایک متعین عمل سے نہیں آتی ہے۔ کچھ معلومات دوسری چیزوں کا ایک مصنوع ہے اور ہمیں ابھی بھی اسے ڈھونڈنے ، اس کا معنی جاننے اور اس اعداد و شمار کا ترجمہ کرنے میں اہل ہونا ضروری ہے جو ہم وہاں جانتے ہیں کہ ہم اپنے کاروبار کو بہتر انداز میں چلانے کے ل can استعمال کرسکتے ہیں۔

میلکم چشلم: ٹھیک ہے ، اور اب میں ایک اور شعبے سے جدوجہد کر رہا ہوں جس کو میں ڈیٹا لائف سائیکل کہوں گا ، آپ کو معلوم ہے ، اگر ہم کسی انٹرپرائز سے گزرنے والے ڈیٹا سپلائی چین کی طرح دیکھیں تو ہم اس سے آغاز کریں گے۔ ڈیٹا کے حصول یا ڈیٹا کیپچر ، جو ڈیٹا انٹری ہوسکتا ہے لیکن یہ بھی اتنا ہی ہوسکتا ہے ، میں کچھ ڈیٹا فروش سے انٹرپرائز کے باہر سے ڈیٹا حاصل کر رہا ہوں۔

اور پھر ڈیٹا کیپچر سے ہم ڈیٹا کی بحالی پر جاتے ہیں جہاں میں اس ڈیٹا کو معیاری بنانے اور اس کی ضرورت پڑنے والے مقامات پر بھیجنے کے بارے میں سوچتا ہوں۔ اور پھر اعداد و شمار کا استعمال ، اصل نکات جہاں ڈیٹا ہوتا ہے ، آپ کو اعداد و شمار سے اہمیت مل جاتی ہے۔

اور پرانے دنوں میں یہ سب ایک ہی فرد کے انداز میں کیا جاتا ہے ، لیکن آج ہوسکتا ہے ، مثال کے طور پر آپ کو ایک تجزیاتی ماحول معلوم ہو ، اور پھر اس سے آگے ، ایک محفوظ شدہ دستاویزات ، ایک اسٹور ، جہاں ہم ڈیٹا کو اس وقت نہیں رکھیں گے جب ہم مزید نہیں رہتے ہیں۔ اس کی ضرورت ہے اور آخر کار ایک صاف قسم کا عمل۔ آپ اس پورے ڈیٹا لائف سائیکل کے انتظام میں ڈیٹا ماڈلنگ کو کس طرح دیکھتے ہیں؟

رون ہوازینگا: یہ ایک بہت اچھا سوال ہے اور ایک چیز جس کے پاس واقعی میں آج کے وقت کسی بھی طرح کی تفصیل پیش کرنے کی ضرورت نہیں ہے ، وہی ہے جس کے بارے میں ہم واقعتا data ڈیٹا نسب کے بارے میں بات کرنے لگے ہیں۔ تو جو ہم واقعی کرنے کے قابل ہیں وہ یہ ہے کہ ہمارے پاس اپنے ٹولز میں ڈیٹا نسب کی صلاحیت موجود ہے اور جیسا کہ میں کہتا ہوں کہ ہم واقعتا E اس میں سے کچھ ای ٹی ایل ٹولز سے نکال سکتے ہیں ، لیکن آپ صرف نسب بھی ڈرائنگ کرکے اس کا نقشہ بنا سکتے ہیں۔ ان میں سے کوئی بھی ڈیٹا ماڈل یا ڈیٹا بیس جسے ہم نے ماڈلز میں لیا ہے اور ان میں لایا ہے ہم اس سے اپنے ڈیٹا نسب آریگرام میں تعمیرات کا حوالہ دے سکتے ہیں۔

ہم جو کچھ کرنے کے قابل ہیں وہ ایک اعداد و شمار کی روانی کو اپنی طرف متوجہ کرنا ہے ، جیسے آپ کہتے ہو ، ذریعہ سے نشانہ بنانا ، اور اس نظام کے ذریعہ اس ڈیٹا کو کس طرح منتقل کیا جاتا ہے اور آپ جو ڈھونڈنے جارہے ہیں اس کی مجموعی زندگی کے چکر میں ، آئیے ملازمین کو لے کر چلیں ڈیٹا - اس منصوبے کی بنیاد پر یہ میرا پسندیدہ انتخاب ہے جو میں نے سالوں پہلے کیا تھا۔ میں نے ایک ایسی تنظیم کے ساتھ کام کیا جس میں 30 مختلف سسٹمز میں ملازمین کا ڈیٹا موجود تھا۔ ہم نے وہاں کیا کیا ختم کیا - اور ربیکا نے ڈیٹا نسب سلائڈ کو پاپ کردیا - یہ ایک بالکل سادہ سا ڈیٹا نسب سلائڈ ہے ، لیکن ہم جو کچھ کرنے کے قابل تھے وہ اعداد و شمار کے تمام ڈھانچے کو لے کر آرہا تھا ، اور پھر ہم ان کا حوالہ دیتے ہیں۔ دراصل یہ دیکھنا شروع کر سکتا ہے کہ اس کے درمیان بہاؤ کیا ہے ، اور وہ مختلف اعداد و شمار کے اداروں کو کس طرح بہاؤ میں جوڑ رہے ہیں؟ اور ہم اس سے بھی آگے بڑھ سکتے ہیں۔ یہ ایک اعداد و شمار کے بہاؤ یا نسب آریھ کا ایک حصہ ہے جو ہم یہاں دیکھ رہے ہیں۔ اگر آپ اس سے آگے جانا چاہتے ہیں تو ہمارے پاس اس سویٹ کا بزنس آرکیٹیکٹ حصہ بھی ہے اور وہی ایک چیز وہاں بھی لاگو ہوتی ہے۔

ہم نے ڈیٹا ماڈلنگ ماحول میں جو بھی ڈیٹا سٹرکچر پکڑا ہے ، ان کا حوالہ بزنس ماڈلنگ ٹول میں کیا جاسکتا ہے تاکہ آپ کے بزنس ماڈل آریگرام میں یا آپ کے بزنس پروسیس آریگرام میں بھی ، اگر آپ انفرادی ڈیٹا اسٹورز کا حوالہ دے سکتے ہیں اگر آپ باہر نکلنا چاہتے ہو۔ ڈیٹا ماڈلنگ کا ماحول ، اور جب آپ اپنے کاروباری عمل کے ماڈل میں فولڈرز میں ان کا استعمال کررہے ہو تو ، آپ ان لوگوں پر CRUD بھی متعین کرسکتے ہیں ، تاکہ یہ معلوم ہوجائے کہ معلومات کو یا تو استعمال کیا جاتا ہے یا پیدا کیا جاتا ہے ، اور پھر ہم پیدا کرنا شروع کرسکتے ہیں۔ اثرات اور تجزیہ کی رپورٹیں اور اس سے آریھ جیسی چیزیں۔

ہم کیا حاصل کرنے کا ارادہ رکھتے ہیں ، اور ہمارے پاس پہلے ہی بہت ساری صلاحیتیں موجود ہیں ، لیکن ان چیزوں میں سے ایک جو ہماری نوعیت کی ایک ایسی گول پسٹ ہے جس کی ہم دیکھ رہے ہیں ، جیسا کہ ہم آگے بڑھتے ہوئے اپنے اوزاروں کو تیار کرتے رہتے ہیں ، اس اختتام سے آخر تک ، تنظیمی ڈیٹا نسب اور اعداد و شمار کی پوری زندگی کا نقشہ تیار کرنے کے قابل ہو رہا ہے۔

میلکم چشم: ٹھیک ہے۔ ربیکا ، کیا مجھے ایک اور کی اجازت ہے؟

ربیکا جوزویق: میں آپ کو ایک اور اجازت دوں گا ، میلکم ، آگے بڑھیں۔

میلکم چشم: بہت بہت شکریہ۔ ڈیٹا گورننس کے بارے میں سوچنا اور ڈیٹا ماڈلنگ کے بارے میں سوچنا ، ہم ان دو گروپوں کو ایک دوسرے کے ساتھ موثر انداز میں کام کرنے اور ایک دوسرے کو سمجھنے کے ل؟ کیسے حاصل کریں گے؟

ایرک لٹل: ٹھیک ہے ، دلچسپ ہے ، مجھے لگتا ہے کہ یہ واقعی تنظیم پر منحصر ہے ، اور یہ میرے پہلے تصور پر واپس آجاتا ہے ، ان تنظیموں میں جہاں اقدامات کاروبار سے چل رہے تھے ہمیں صحیح طور پر باندھا گیا تھا۔ مثال کے طور پر ، میں ایک ڈیٹا فن تعمیر کی رہنمائی کر رہا تھا ٹیم لیکن ہم کاروباری صارفین کے ساتھ بندھے ہوئے تھے اور ہم دراصل ڈیٹا گورننس پروگرام کو کھڑا کرنے میں ان کی مدد کر رہے تھے۔ ایک بار پھر ، مشاورتی نقطہ نظر کا زیادہ تر لیکن یہ واقعی ایک کاروباری فعل سے زیادہ ہے۔

آپ کو واقعی اس کے قابل ہونے کی ضرورت ہے کیا آپ کو ڈیٹا ماڈلرز اور معمار کی ضرورت ہے جو واقعی میں کاروبار کو سمجھتے ہیں ، کاروباری صارفین سے متعلق ہوسکتے ہیں اور پھر اس کے ارد گرد حکومت سازی کے عمل کو مضبوط بنانے میں ان کی مدد کرتے ہیں۔ کاروبار یہ کرنا چاہتا ہے ، لیکن عام طور پر یہ کہتے ہیں کہ ہمارے پاس ٹکنالوجی کا علم موجود ہے تاکہ وہ ان قسم کے پروگراموں کو سامنے رکھنے میں ان کی مدد کرسکیں۔ اس میں واقعتا باہمی تعاون ہونا ضروری ہے ، لیکن اسے کاروبار کے مالک ہونے کی ضرورت نہیں ہے۔

میلکم چشم: ٹھیک ہے ، بہت اچھا ہے۔ شکریہ

ڈاکٹر ایرک لٹل: ٹھیک ہے۔

ربیکا جوزویق: ٹھیک ہے ، بہت بہت بہت شکریہ۔ سامعین کے ممبران ، مجھے ڈر ہے کہ ہم آپ کے سوالات کا جواب نہ لیں ، لیکن میں اس بات کو یقینی بناتا ہوں کہ وہ آج ہمارے لائن میں موجود مناسب مہمان کو بھیجیں گے۔ میں آج ہمارے مہمان بننے پر ایرک ، میلکم اور رون کا بہت بہت شکریہ ادا کرنا چاہتا ہوں۔ لوگ ، یہ زبردست چیزیں تھیں۔ اور اگر آپ آج کے IDERA ویب کاسٹ سے لطف اندوز ہوئے ہیں تو ، IDERA اگلے بدھ کو ہاٹ ٹیکنالوجیز میں بھی شامل ہونے جارہی ہے اگر آپ شامل ہونا چاہتے ہیں تو ، انڈیکسنگ اور اوریکلز کے چیلنجوں پر تبادلہ خیال کریں ، لہذا ایک اور دلچسپ موضوع۔

بہت بہت شکریہ ، لوگوں ، خیال رکھنا ، اور ہم آپ کو اگلی بار دیکھیں گے۔ خدا حافظ.