In-memory computing – Página 10

Reglas de oro para diseñadores SAP HANA

En SAP SCN encontramos un post que será muy útil para todos aquellos que estén comenzando a diseñar modelos de datos o a desarrollar aplicaciones en una plataforma SAP HANA. Por el momento se señalan seis “reglas de oro” que seguro se podrán ir ampliando en la medida que SAP HANA siga evolucionando al ritmo que lleva, presentando grandes cambios en cada actualización.

En SAP SCN encontramos un post que será muy útil para todos aquellos que estén comenzando a diseñar modelos de datos o a desarrollar aplicaciones en una plataforma SAP HANA. Por el momento se señalan seis “reglas de oro” que seguro se podrán ir ampliando en la medida que SAP HANA siga evolucionando al ritmo que lleva, presentando grandes cambios en cada actualización.

Nunca utilices tablas con almacenamiento basado en filas. SAP HANA está preparado para trabajar con los dos tipos de almacenamiento de tablas (basado en filas y en columnas), el sistema ya cuenta con mecanismos necesarios para optimizar la grabación de datos en tablas con almacenamiento columnar. Una de las claves de éxito de HANA es el almacenamiento en columnas, son muy pocos los casos en que se recomienda las tablas con almacenamiento en filas, especialmente la tablas de parámetros o configuración.
No crear índices. El almacenamiento columnar, equivale a tener un índice por cada columna, por lo que crear índices secundarios, tal como se estila hacer en un sistema de base de datos relacional tradicional, no ayuda a reducir los tiempos de acceso a los datos. Sólo podría ser útil en el caso de tener una tabla muy grande sobre la que se realiza una selección muy pequeña de un conjunto de datos.
Utilizar la Perspectiva Development de SAP HANA Studio. SAP HANA Studio es la herramienta que facilita todas las tareas de administración y desarrollo en la plataforma HANA. Las capacidades que ofrece SAP HANA Studio están divididas en Perspectivas (véase como paneles o ventanas), dependiendo de las necesidades y autorizaciones disponibles se podrán habilitar las perspectivas. Para los desarrolladores se ofrecen varias perspectivas entre ellas System, Modeler y Debug, se sugiere el uso de la perspectiva Development, debidamente configurada se puede contar con todos los recursos necesarios en una única perspectiva.
No utilizar SQLScript, a menos que sea necesario. SAP HANA ofrece una implementación SQL, la cual se denomina SQLScript, este lenguaje puede ser muy útil en determinadas circunstancias, pero en muchos casos lo que se realice con este lenguaje se podría hacer con vistas de información (de atributos, analíticas y de cálculos) las cuales son más eficientes dado que SQLScript no paraleliza la ejecución de procesos (hasta la reciente actualización SPS07 este es el comportamiento de SQLScript, quizás más adelante se ofrezca una actualización que mejore este comportamiento).
Si utiliza SQLScript, no utilice cursores o SQL dinámico. El uso de estas sentencias ocasiona pérdida de rendimiento, especialmente el uso de SQL dinámico para referirse a nombres de columnas en sentencias INSERT o SELECT, hay otras alternativas disponibles, como las vistas de información (para los SELECTs) o el uso del lenguaje Python (para cargar datos).
Evitar Joins en grandes volúmenes de datos. Unir tablas con más de cien mil filas resultará ineficiente, en su lugar se sugiere normalizar vía el uso de vistas analíticas, para luego unir vía una vista calculada.

Referencia: SAP SCN

Una guía de AWS para el Análisis de Opiniones

Preferimos la expresión Análisis de Opiniones antes de la traducción literal de Sentiment Analysis (Análisis de sentimientos), a partir de aquí muchas otras expresiones se han acuñado tales como opinión mining, todas estas hacen referencia a más o menos a lo mismo: conjunto de métodos y herramientas para explorar, examinar y procesar datos dirigidos a identificar respuestas subjetivas, usualmente el estado de ánimo general o las opiniones de un grupo específico de personas sobre un tema en concreto.

Preferimos la expresión Análisis de Opiniones antes de la traducción literal de Sentiment Analysis (Análisis de sentimientos), a partir de aquí muchas otras expresiones se han acuñado tales como opinión mining, todas estas hacen referencia a más o menos a lo mismo: conjunto de métodos y herramientas para explorar, examinar y procesar datos dirigidos a identificar respuestas subjetivas, usualmente el estado de ánimo general o las opiniones de un grupo específico de personas sobre un tema en concreto.

Los datos utilizados para estas tareas de análisis son usualmente extraídos desde los denominados medios sociales por el volumen y variedad de fuentes que puede representar. Por ejemplo, una empresa lanza al mercado un nuevo producto, desea conocer y medir las reacciones del público en general, la vía menos tradicional es recurrir a fuentes como Twitter o Facebook para realizar este análisis.

Amazon Web Service (AWS) ofrece una serie de recursos técnicos para soluciones cloud computing, entre ellas, para análisis de grandes volúmenes de datos (Big Data). “Getting Started Guide: Analyzing Big Data with AWS” es una guía paso a paso para implementar una solución de análisis de opiniones basada en los recursos de AWS y la API de Twitter, una vía rápida para introducir una organización a la era Big Data. Una solución AWS se podrá redimensionar según los resultados, facilidad propia de una arquitectura cloud.

Propuesta de Análisis Predictivo de SAP en restructuración

SAP no se ha conformado con la adquisición de KXEN para reestructurar su propuesta de Análisis Predictivo y Minería de Datos, una nueva y transcendente medida se suma en esta línea, se trata del acuerdo de colaboración con SAS Institute la compañía líder de este sector del Business Analytics/Data Mining.

SAP no se ha conformado con la adquisición de KXEN para reestructurar su propuesta de Análisis Predictivo y Minería de Datos, una nueva y transcendente medida se suma en esta línea, se trata del acuerdo de colaboración con SAS Institute la compañía líder de este sector del Business Analytics/Data Mining.

La finalidad de la alianza de SAP con SAS es lograr el funcionamiento más óptimo de los productos y soluciones de SAS Institute sobre plataformas SAP HANA y desarrollar una propuesta comercial conjunta de procesamiento en memoria y Big Data. Hoy por hoy, sobre la propuesta de Análisis Predictivo de SAP identificamos los siguientes hechos relevantes:

Nueva adquisición de KXEN
Alianza estratégica con SAS Institute
Uso de SAP HANA como plataforma
Futuro de SAP Predictive Analysis (aplicación desarrollada a inicios de año por SAP)

Para muchos, falta claridad o una visión conjunta que explique los planes de futuro que tiene SAP para utilizar soluciones de minería de datos para la gestión de los negocios. Una alternativa para conocer los próximos pasos de SAP es el webinar del 4 de noviembre que bridarán los responsables de soluciones Predictive Analytics.

Referencias: SAS.com, SAP.com y enlace para Webinar

Revisando la guía de Sizing de SAP BPC on HANA (#HANABPC)

En una instalación de SAP Business Planning and Consolidation 10.0 NW (SAP BPC) la arquitectura de nuestra instalación cambia a nivel de la capa de datos, tal como se señala en la siguiente imagen:

En una instalación de SAP Business Planning and Consolidation 10.0 NW (SAP BPC) la arquitectura de nuestra instalación cambia a nivel de la capa de datos, tal como se señala en la siguiente imagen:

Luego de revisar una reciente actualización de la guía de Sizing (estimación de necesidades de hardware) de HANABPC, destacamos los siguientes aspectos:

Las posibles causas de pérdida de rendimiento son las mismas señaladas para una instalación de BPC NW 10.0 sin HANA (ver entrada relacionada).
A nivel del servidor de aplicaciones (SAP NW ABAP Application Server) las necesidades de memoria y CPU se mantienen y a nivel de servidor de base de datos las necesidades de hardware se incrementan considerablemente con HANA.

Las estimaciones que figuran en esta guía sólo es para BPC on HANA si hubiese más componentes se debería realizar las estimaciones necesarias y sumar los resultados de estas estimaciones de hardware.
No hay que hacer una asignación de recursos a cada componente, la asignación es automática y gestionada por el sistema, el único requisito es que se debe contar con todos los recursos necesarios que necesiten los componentes.
Las estimaciones de esta guía están basadas para soluciones de tipo planificación. Si se implementase soluciones del tipo consolidación financiera debería considerarse que cada usuario utiliza un CPU core, por ejemplo, si hubiese 10 tareas concurrentes de consolidación se debería considerar la necesidad de 10 cores en el sistema.
Las estimaciones son las mismas si se trata de una infraestructura física o de entornos o máquinas virtuales.
No se señala explicitamente que la recomendación de no utilizar modelos con más de 13 dimensiones se supere en un sistema con HANABPC. Nuestra sugerencia es diseñar modelos con el menor número de dimensiones que sea posible.

Uso de Vistas Analíticas de SAP HANA en BEx Query Designer

En un escenario SAP NetWeaver BW powered by SAP HANA o simplemente BW on HANA, las posibilidades de utilizar estructuras de datos nativos de HANA con los de BW o viceversa, se van ampliando con cada actualización tanto de HANA como de BW.

En un escenario SAP NetWeaver BW powered by SAP HANA o simplemente BW on HANA, las posibilidades de utilizar estructuras de datos nativos de HANA con los de BW o viceversa, se van ampliando con cada actualización tanto de HANA como de BW.

Por ejemplo, si necesitásemos diseñar una consulta BEx con datos BW y datos HANA, actualmente, esta necesidad puntual podríamos cubrirla del siguiente modo:

Crearíamos una vista analítica HANA (analytical view) para acceder a los datos HANA que se requieren.
Desde NW BW, accedemos a la transacción RSA1 y creamos un VirtualProvider de tipo “Based on a HANA Model” en la InfoArea que veamos conveniente. A través de botón de “detalles” seleccionamos la vista analítica HANA que deseamos utilizar.
Luego visualizaremos los atributos de la vista analítica, seleccionaremos aquellos que deseamos que sean accesibles desde el VirtualProvider y luego vincularemos con objetos BW.
Grabamos y activamos el VirtualProvider. A partir de este punto podríamos utilizar BEx Query Designer para construir una consulta o podríamos definir un Multiprovider para combinar el VirtualProvider con otras fuentes BW.