इन-मेमोरी टेक्नोलॉजी ने कैसे बिजनेस इंटेलिजेंस को बदल दिया है

यदि डेटा हार्ड ड्राइव पर संग्रहीत है तो लगभग 5 मिलीसेकंड अनुरोध से प्रतिक्रिया के लिए जाते हैं। एसएसडी 30 गुना तेजी से प्रतिक्रिया करता है - 150 माइक्रोसेकंड में। रैम के लिए 300,000 बार कम समय की आवश्यकता होती है - केवल 15 नैनोसेकंड। *



आप लंबे समय तक बात कर सकते हैं कि कैसे व्यापार खुफिया वित्त या रसद में मदद करता है। जानकारी को लागू करने के कई तरीके हैं, हर समय नए दिखाई देते हैं। लेकिन विभिन्न विश्लेषणात्मक समाधानों के संचालन का सिद्धांत समान है और इसमें विभिन्न स्रोतों से डेटा का संयोजन करना और उन्हें एक साथ देखना - यानी इसकी संपूर्णता में है।

कई स्रोतों से जानकारी का उपयोग करने के लिए, आपको उनसे कनेक्ट करने और डेटा निकालने की आवश्यकता है। लेकिन डेटा अलग-अलग तरीकों से बनाया गया था, अलग-अलग आवृत्ति के साथ और विभिन्न प्रारूपों में संग्रहीत किया गया था। इसलिए, डेटा की कल्पना करने या इसे आगे की प्रक्रिया के लिए अन्य प्रणालियों में स्थानांतरित करने से पहले, उन्हें कुछ गणितीय संचालन - परिवर्तन का उपयोग करके संयोजित करना होगा।

इन-मेमरी तकनीक में इस तथ्य को समाहित किया गया है कि विभिन्न स्रोतों से सभी डेटा को एक बार रैम में लोड किया जाता है। इसके बाद, डिस्क को क्वेरी किए बिना, परिवर्तन "मक्खी पर" किया जा सकता है। उदाहरण के लिए, एक आयाम का चयन करने के लिए क्लिक करें और तुरंत एक ग्राफ प्राप्त करें जो वांछित अनुभाग में संकेतक के मूल्यों को प्रदर्शित करेगा। इस तथ्य के कारण कि सभी डेटा पहले से ही रैम में है, विश्लेषणात्मक एप्लिकेशन को नई जानकारी प्राप्त करने के लिए हार्ड डिस्क पर अनुरोध करने की आवश्यकता नहीं है।

इस परिचय से मुझे इस बारे में बात करने में मदद मिलनी चाहिए कि आधुनिक विश्लेषणात्मक समाधानों को कैसे और क्यों प्रौद्योगिकियों ने बदल दिया है।

पहले यह महंगा था

2000 के दशक की शुरुआत में माइक्रोसॉफ्ट के शोधकर्ता जिम ग्रे ने कहा, "मेमोरी एक नई ड्राइव है।" 2003 में, उन्होंने एक लेख प्रकाशित किया, "द इकोनॉमिक्स ऑफ डिस्ट्रीब्यूटेड कंप्यूटिंग," ** जहां उन्होंने कंप्यूटर डेटा प्रोसेसिंग के विभिन्न चरणों की लागत की तुलना की। जिम ग्रे ने दिखाया कि गणना डेटा के रूप में एक ही जगह पर होनी चाहिए - ताकि इसे फिर से स्थानांतरित न करें। उन्होंने डेटा स्रोतों के लिए गणनाओं को यथासंभव अधिक स्थानांतरित करने की सलाह दी। यही है, डेटा को जितनी जल्दी हो सके फ़िल्टर करें और परिणामस्वरूप सहेजें।

अगले कुछ वर्षों में, इन-मेमोरी डीबीएमएस ओरेकल, आईबीएम और एसएपी सहित कई उद्योग के नेताओं से बाजार पर दिखाई दिया, साथ ही साथ कई खुले स्रोत परियोजनाएं - उदाहरण के लिए, रेडिस और मेमाचेबीडीबी।

पहला कार्य जो डीबीएमएस इन-मेमोरी हल करता है, वह व्यावसायिक विश्लेषण या यहां तक ​​कि व्यावसायिक अनुप्रयोग नहीं था, लेकिन ई-कॉमर्स के अवसर जो तत्काल सूचना निष्कर्षण के संबंध में खुलते हैं। उदाहरण के लिए, एक इन-मेमोरी डीबीएमएस ग्राहकों को उनकी प्राथमिकताओं के आधार पर या विज्ञापनों को प्रदर्शित करने के लिए वास्तविक समय में ऑनलाइन स्टोर की अनुमति दे सकता है।

उद्यम डेटा विश्लेषण समाधान के लिए बाजार एक अलग रास्ते के साथ विकसित हुआ है। अधिकांश उद्यम निष्क्रिय रूप से ट्रांजेक्शनल डीबीएमएस का उपयोग करने वाले सिस्टम से जुड़े होते हैं, जो पिछली शताब्दी के 80 के दशक में वापस विकसित सिद्धांतों पर आधारित हैं। उनका काम लगातार स्ट्रीम में जाने वाले डेटा के छोटे हिस्से को सहेजना है और उनकी अखंडता (OLTP कार्य परिदृश्य) की तुरंत पुष्टि करना है। ऐसे DBMS का उपयोग करने वाली प्रणालियों में ERP- समाधान, स्वचालित बैंकिंग प्रणाली, बिलिंग, POS- टर्मिनल हैं।

लेकिन विश्लेषणात्मक कार्यों के लिए पूरी तरह से अलग डेटाबेस की आवश्यकता होती है। यहां आपको पहले से सहेजी गई जानकारी को जल्दी से पुनर्प्राप्त करने की आवश्यकता है। इसके अलावा, बड़े टुकड़ों में - प्रत्येक विश्लेषणात्मक रिपोर्ट के लिए, बिल्कुल सभी डेटा जो इसमें परिलक्षित होने चाहिए, उनकी आवश्यकता होगी। भले ही रिपोर्ट में एक ही अंक हो।

इसके अलावा, डेटा को शायद ही कभी अपलोड करना अच्छा होगा, क्योंकि उनकी मात्रा बड़ी हो सकती है, और विश्लेषणात्मक प्रश्नों का उपयोग करके एक बड़े डेटा सेट को लोड करना कई बाधाओं में चलेगा।

सबसे पहले, हार्ड ड्राइव जो जानकारी संग्रहीत करता है, एक धीमी ड्राइव है। दूसरे, एक पारंपरिक DBMS में डेटा भंडारण की संरचना इसे जल्दी से एक विश्लेषणात्मक क्वेरी करने की अनुमति नहीं देगी। डेटा को लाइन द्वारा संग्रहीत किया गया था - जैसा कि उन्हें प्राप्त किया गया था, इसलिए शारीरिक रूप से पास के मान एक पंक्ति से संबंधित हैं। और एक विश्लेषणात्मक क्वेरी के जवाब में, डेटाबेस को एक कॉलम के मूल्यों को वापस करने की आवश्यकता है, लेकिन विभिन्न पंक्तियों से। इसलिए, ऐसे अनुरोध धीमे हैं और भंडारण प्रणाली पर एक बड़ा भार बनाते हैं। यही है, डिस्क पर जानकारी का स्थान अनुचित तरीके से आयोजित किया जाता है।

इस प्रकार, पारंपरिक डीबीएमएस, जिसमें विश्लेषण के लिए सभी प्रारंभिक जानकारी शुरू में संग्रहीत की गई थी, डेटा स्रोत की भूमिका निभाने के लिए खराब रूप से अनुकूल थे, जिसमें विश्लेषणात्मक प्रणाली सीधे जुड़ी हुई है। इसलिए, पिछली शताब्दी में, विश्लेषणात्मक कार्यों के लिए, मानक अभ्यास एक मध्यवर्ती डेटा मॉडल का उपयोग करना था जिसमें सभी मानों को पहले से ही किसी समय पर गणना की जाती है। इस डेटा मॉडल को "विश्लेषणात्मक क्यूब" या OLAP क्यूब कहा जाता था। ओएलएपी क्यूब बनाने के लिए, तथाकथित ईटीएल प्रक्रियाओं (अर्क, रूपांतरण, लोड) को विकसित किया गया था - स्रोत प्रणालियों में डेटाबेस प्रश्न और नियम जिसके अनुसार डेटा परिवर्तन किए जाने चाहिए। जाहिर है, अगर OLAP क्यूब में कोई जानकारी नहीं है, तो यह रिपोर्ट में दिखाई नहीं दे सकती है।

इस दृष्टिकोण के साथ समस्या समाधान की उच्च लागत थी। सबसे पहले, एक डेटा वेयरहाउस की आवश्यकता थी, जहां पूर्व-परिकलित संकेतक रखे जाएंगे। दूसरे, अगर हमें एक अलग संदर्भ में एक निश्चित संकेतक की आवश्यकता होती है, तो इसे प्राप्त करने के लिए, सोर्स सिस्टम से ओएलएपी क्यूब के रास्ते पर डेटा परिवर्तन की सभी प्रक्रियाओं को विश्लेषणात्मक प्रश्नों को फिर से लिखना होगा। फिर पूरे ओएलएपी क्यूब को पुनर्गणना करें, जिसमें कई घंटे लगते हैं।

मान लीजिए कि एक OLAP क्यूब में विभिन्न देशों की बिक्री की जानकारी है। लेकिन सीएफओ अचानक शहर द्वारा बिक्री देखना चाहता था, और फिर उन्हें औसत बिल द्वारा समूहबद्ध किया। ऐसी रिपोर्ट प्राप्त करने के लिए, उन्हें OLAP घन के पुनर्निर्माण के लिए IT विभाग से संपर्क करना पड़ा। या वह चीजों को मजबूर कर सकता है और एमएस एक्सेल के पारखी को आकर्षित कर सकता है, जो मैन्युअल रूप से ऐसी रिपोर्ट तैयार करेगा। ऐसा करने के लिए, उन्हें विश्लेषणात्मक प्रश्नों का उपयोग करते हुए स्रोत प्रणालियों से तालिकाओं में डेटा अनलोड करना था और उनके साथ कई श्रमसाध्य और अघोषित जोड़तोड़ करना था।

पहले मामले में, सीएफओ को इंतजार करना पड़ा। दूसरे में, उन्हें ऐसी संख्याएँ मिलीं जिन पर भरोसा करना मुश्किल है।

इसके अलावा, समाधान बहुत महंगा निकला। एक भंडार बनाने पर पैसा खर्च करना आवश्यक था, जिसे प्रशासित किया जाना चाहिए। ईटीएल करने के लिए डीबीएमएस विशेषज्ञों को नियुक्त करना आवश्यक था - प्रत्येक कार्य के लिए ओएलएपी क्यूब्स का पुनर्निर्माण करें। समानांतर में, विशेष विश्लेषक आमतौर पर कंपनी में दिखाई दिए, जिन्होंने मांग पर रिपोर्ट (तथाकथित तदर्थ रिपोर्ट) बनाई। वास्तव में, उन्होंने एमएस एक्सेल का उपयोग करके वांछित रिपोर्ट प्राप्त करने के लिए विभिन्न तरीकों का आविष्कार किया और इस तथ्य से जुड़ी कठिनाइयों को दूर किया कि यह कार्यक्रम अन्य कार्यों के लिए डिज़ाइन किया गया है।

परिणामस्वरूप, बड़ी कंपनियों के लिए भी रिपोर्टिंग मार्ग महंगा था। छोटे और मध्यम आकार के व्यवसायों के प्रबंधकों को उन अवसरों के साथ संतोष करना पड़ता था जो एमएस एक्सेल में उपलब्ध हैं।

समाधान कहीं और पाया गया था।

1994 में, लंड के छोटे शहर से तत्कालीन-स्वीडिश कंपनी QlikTech ने क्विकव्यू कार्यक्रम जारी किया, जिसे बाद में QlikView का नाम दिया गया। एप्लिकेशन को उत्पादन का अनुकूलन करने के लिए डिज़ाइन किया गया था। इसने यह जानना संभव कर दिया कि किन भागों और सामग्रियों का आपस में जुड़ाव है और जो नहीं हैं। यही है, कार्यक्रम को भागों, सामग्री, विधानसभाओं और उत्पादों के बीच तार्किक संबंधों की कल्पना करने की आवश्यकता थी। ऐसा करने के लिए, उसने विभिन्न स्रोतों से रैम मेमोरी डेटा सेट में लोड किया, उनकी तुलना की और तुरंत कनेक्शन दिखाया।

उदाहरण के लिए, अभिनेताओं के साथ कई टेबल हैं, फिल्मों में उनकी भूमिका, निर्देशक, शैलियों, रिलीज की तारीख, फीस - कुछ भी। इन सभी को रैम में लोड किया जाता है। अब आप इसे चुनने के लिए किसी भी पैरामीटर पर क्लिक कर सकते हैं और तुरंत उन सभी को देख सकते हैं जो इसके साथ जुड़े हैं। हम ब्रैड पिट पर क्लिक करते हैं - हमें उन सभी फिल्मों का बॉक्स ऑफिस मिलता है जिनमें उन्होंने अभिनय किया था। कॉमेडी चुनें - ब्रैड पिट के साथ बॉक्स ऑफिस कॉमेडी की राशि प्राप्त करें। यह सब तुरन्त होता है, वास्तविक समय में।

हालांकि कॉर्पोरेट सूचना प्रणाली के बाजार में उन वर्षों में विश्लेषणात्मक कार्यों को मध्यवर्ती डेटा मॉडल - OLAP क्यूब्स का उपयोग करके हल किया गया था, QlikTech दृष्टिकोण बहुत अधिक सुविधाजनक निकला। इसने एक OLAP घन की गणना के रूप में मध्यवर्ती चरण को छोड़ने की अनुमति दी और परिणामस्वरूप बहुत कुछ बचा।

विश्लेषणात्मक एप्लिकेशन सीधे स्रोतों से जुड़ा था और समय-समय पर रैम में रिपोर्ट के लिए आवश्यक सभी डेटा लोड करता था। नए खंडों में संकेतकों के मूल्यों को प्राप्त करने के लिए हर बार ईटीएल प्रक्रियाओं को बदलने की आवश्यकता गायब हो गई है - अब अनुरोध के समय वास्तविक समय में उनकी गणना की जाती है। अब डेटा वेयरहाउस बनाने और प्रशासन करने की आवश्यकता नहीं है। विश्लेषणात्मक समाधान के स्वामित्व की लागत कम हो गई है।

64-बिट सर्वरों के प्रसार के साथ, जिसने बड़ी मात्रा में रैम के साथ काम करना संभव बना दिया, इन-मेमोरी टेक्नोलॉजी ने जल्दी से व्यापार खुफिया बदलना शुरू कर दिया। मैजिक क्वाड्रंट रिसर्च कंपनी गार्टनर की रिपोर्ट से यह अच्छी तरह से पता चलता है। 2016 में, छह बीआई प्लेटफॉर्म डेवलपर्स ने एक साथ नेताओं के चतुर्थांश को छोड़ दिया, जिसमें आईबीएम, ओरेकल और एसएपी जैसे उद्योग के दिग्गज शामिल थे। केवल तीन खिलाड़ी बचे हैं जिन्होंने इन-मेमोरी तकनीक पर भरोसा किया है और OLAP क्यूब्स को छोड़ दिया है। ये हैं Microsoft, Qlik और Tableau।


एनालिटिक्स और बिजनेस इंटेलिजेंस प्लेटफॉर्म के लिए गार्टनर के मैजिक क्वाड्रंट में प्लेयर्स पोजीशन ***

हम कह सकते हैं कि Qlik बाजार परिवर्तन में अग्रणी और अग्रणी बन गया है। 2016 तक, QlikView डेटा विश्लेषण मंच दुनिया भर के ग्राहकों द्वारा उपयोग किया गया था, और वार्षिक बिक्री $ 600M से अधिक थी।

रिपोर्ट से लेकर डेटा-संचालित प्रबंधन तक

इन-मेमोरी तकनीक पर आधारित विश्लेषणात्मक समाधानों के प्रसार के साथ, बड़ी संख्या में कंपनियों ने कॉर्पोरेट डेटा का उपयोग करने के लिए पहले दुर्गम तरीके खोले। प्रबंधन रिपोर्ट तक सीमित न होने का एक अवसर था, जो प्रत्येक उद्योग के लिए मानक हैं। मैट्रिक्स को पेश करने और प्रक्रियाओं का वर्णन करने के लिए उनका उपयोग करने के लिए - विभिन्न प्रक्रियाएं "मापना" शुरू हुईं। अधिक सूचित निर्णय लेने के लिए वस्तुनिष्ठ जानकारी का उपयोग करना बहुत आसान हो गया है। डेटा के साथ काम करने वाले व्यापार उपयोगकर्ताओं की संख्या में तेजी से वृद्धि हुई है।

डेटा के उपयोग में रुचि पर एक बड़ा प्रभाव उपभोक्ता व्यवहार और विपणन में बदलाव के द्वारा किया गया था, जो डिजिटल हो गया - जो कि मैट्रिक्स पर आधारित है। कई नए लोग डेटा साइंस की ओर इस उम्मीद से आकर्षित हुए हैं कि दुनिया बिग डेटा को कैसे बदलेगी।

इन सभी प्रक्रियाओं के परिणामस्वरूप, कॉर्पोरेट डेटा का "लोकतांत्रीकरण" जल्दी हुआ। पहले, डेटा आईटी सेवाओं से संबंधित था। विपणन, बिक्री, व्यापार खुफिया और अधिकारियों ने रिपोर्ट के लिए आईटी विभाग से संपर्क किया। अब कर्मचारियों ने अपने दम पर डेटा के साथ काम किया। यह पता चला कि डेटा तक सीधे कर्मचारी की पहुंच उत्पादकता बढ़ा सकती है और प्रतिस्पर्धी लाभ दे सकती है।

हालाँकि, इन-मेमोरी टेक्नोलॉजी-आधारित विश्लेषणात्मक समाधानों की पहली पीढ़ी ने व्यापार उपयोगकर्ताओं को डेटा का उपयोग करने के लिए बहुत सीमित अवसर दिए। वे केवल तैयार पैनल और डैशबोर्ड के साथ काम कर सकते थे। इन-मेमोरी तकनीक ने उन्हें किसी भी संकेतक में "गिरने" के लिए अनुमति दी और देखें कि यह किस चीज से बना है। लेकिन यह हमेशा उन संकेतकों के बारे में था जो पहले से निर्धारित हैं। अध्ययन डैशबोर्ड पर पहले से ही विज़ुअलाइज़ेशन तक सीमित था। डेटा का उपयोग करने के इस तरीके को "दिशात्मक विश्लेषिकी" कहा जाता था और उन्होंने यह नहीं माना कि व्यवसाय उपयोगकर्ता स्वतंत्र रूप से नए स्रोतों को जोड़ेगा और संकेतक और विज़ुअलाइज़ेशन स्वयं बनायेगा।

डेटा के लोकतांत्रीकरण में अगला कदम स्वयं-सेवा था। स्वयं सेवा का विचार यह था कि व्यावसायिक उपयोगकर्ता डेटा का पता लगाते हैं, विज़ुअलाइज़ेशन बनाते हैं और अपने दम पर नए संकेतक पेश करते हैं।

यह ध्यान देने योग्य है कि जब तक इन-मेमोरी तकनीक ने व्यापार विश्लेषिकी को बदलना शुरू किया, तब तक उपयोगकर्ताओं को सभी डेटा तक पहुंच देने से पहले कोई गंभीर तकनीकी बाधाएं नहीं थीं। शायद सबसे रूढ़िवादी ग्राहकों के पास इस तरह के फ़ंक्शन की उपयुक्तता के बारे में एक सवाल था। लेकिन दुनिया पहले से ही "सब कुछ गिनने की इच्छा" की दिशा में मुड़ गई है। अब जिन प्रबंधकों के पास गणितीय शिक्षा और प्रोग्रामिंग कौशल नहीं है, उन्हें भी एक उपकरण की आवश्यकता होती है जो उन्हें डेटा भाषा बोलने की अनुमति देगा।

व्यापार विश्लेषकों के लिए डेटा की सीधी पहुंच ने कई नए अवसरों को खोल दिया है। वे किसी भी परिकल्पना को आगे बढ़ा सकते हैं और परीक्षण कर सकते हैं, डेटा साइंस के तरीकों को लागू कर सकते हैं, ऐसी निर्भरताओं की पहचान कर सकते हैं, जिनका अस्तित्व पहले से भविष्यवाणी करना मुश्किल है। अब आप तीसरे पक्ष के स्रोतों से प्राप्त बाहरी डेटा के साथ आंतरिक कॉर्पोरेट डेटा को जोड़ सकते हैं।

सितंबर 2014 में, Qlik ने अपने प्लेटफार्म की दूसरी पीढ़ी को Qlik Sense नाम से जारी किया। Qlik Sense ने उसी वास्तुकला और उसी तकनीक का उपयोग किया। अंतर दृश्य बनाने के लिए नए दृष्टिकोण में था। अब वर्कशीट पर वांछित आयामों के साथ फ़ील्ड को केवल ड्रैग और ड्रॉप करके मानक विज़ुअलाइज़ेशन बनाया जा सकता है। अनुसंधान चक्र में बहुत तेज कमी के कारण यह सरलीकृत डेटा खनन। एक परिकल्पना परीक्षण केवल कुछ सेकंड के लिए शुरू हुआ।

शायद स्व-सेवा विश्लेषणात्मक प्लेटफार्मों की बिक्री में तेजी से वृद्धि मोटे तौर पर प्रदर्शन में आसानी के कारण हुई थी। यदि पहले ग्राहक को प्रेजेंटेशन स्लाइड्स को देखते हुए खरीदारी का निर्णय लेना होता था, तो अब वह अपने कंप्यूटर पर प्रोग्राम इंस्टॉल कर सकता है, स्रोतों से जुड़ सकता है और कुछ घंटों में एक डैशबोर्ड बनाने से लेकर उसके डेटा को खोलने तक सभी तरह से जा सकता है।

डेटा है। अब क्या

इन-मेमरी तकनीक का इस बात पर बड़ा प्रभाव पड़ा है कि व्यवसाय आज सूचनाओं का उपयोग कैसे करते हैं। डेटा का संयोजन और अन्वेषण आसान हो गया है, और यह डिजिटल परिवर्तन की दिशा में एक मजबूत व्यवसाय था। हालाँकि, यह कहना मूर्खतापूर्ण है कि डिजिटल परिवर्तन आम हो गया है और अब कोई भी कंपनी इसे आसानी से लागू कर सकती है।

प्रौद्योगिकी के दृष्टिकोण से, सब कुछ सरल है जब तक कि अध्ययन किए गए डेटा की मात्रा कई एक्सेल तालिकाओं तक सीमित है। यदि अरबों के रिकॉर्ड के संयोजन की बात आती है, तो सबसे अधिक संभावना है कि यह कार्य तकनीकी दृष्टिकोण से कठिन होगा, और इसके समाधान के लिए बीआई और इंजीनियरिंग निष्कर्षों के क्षेत्र में विशेषज्ञता की आवश्यकता होगी। खासकर यदि आपको अभी भी डेटा गुणवत्ता का प्रबंधन करने की आवश्यकता है, जो अधिकांश मध्यम और बड़ी कंपनियों के लिए एक सामान्य कार्य है।

व्यवसाय की दृष्टि से, जब तक आपको उद्योग-मानक संकेतकों के साथ रिपोर्टिंग या डैशबोर्ड की आवश्यकता होती है, तब तक सब कुछ सरल होता है। यदि हम एक विश्लेषणात्मक प्रणाली के बारे में बात कर रहे हैं, जिसमें नए स्रोतों को लगातार जोड़ा जाता है, नए मैट्रिक्स पेश किए जाते हैं, और विभिन्न क्षेत्रों के विशेषज्ञ इस सब में शामिल होते हैं, तो कोई सरलता भी नहीं है।

हालांकि, ये ऐसी मुश्किलें नहीं हैं जो कई साल पहले ग्राहकों को झेलनी पड़ी थीं। आज विश्लेषणात्मक प्लेटफार्मों की परिपक्वता का स्तर ऐसा है कि भले ही शुरुआती डेटा बहुत अधिक हो, तो आपको अब संकेतक की गणना के लिए प्रतीक्षा करने की आवश्यकता नहीं है, और आप प्राप्त संख्याओं पर भरोसा कर सकते हैं। परिवर्तन के दिल में स्मृति कंप्यूटिंग है।

अगली तकनीक जो विश्लेषणात्मक समाधानों के लिए बाजार को बदल देगी, वह क्लाउड प्लेटफॉर्म होने की संभावना है। पहले से ही, क्लाउड सेवा प्रदाताओं (CSP) का बुनियादी ढांचा, इस पर सेवाओं के एक सेट के साथ, एक डेटा प्रबंधन प्लेटफ़ॉर्म में बदल रहा है।

---

सूत्रों का कहना है:

* आईडीसी, इन-मेमोरी कम्प्यूटिंग टेक्नोलॉजीज के लिए मार्केट गाइड, www.academia.edu/20067779/Market_Guide_for_In-Mory_Computing_Technologies

** जिम ग्रे "वितरित कम्प्यूटिंग अर्थशास्त्र", www.microsoft.com/en-us/research/wp-content/uploads/2016/02/tr-2003-24.doc

*** आप देख सकते हैं कि इंटरटेनर विज़ुअलाइज़ेशन पर 2010 से 2019 तक गार्टनर मैजिक क्वाड्रंट रिपोर्ट में बीआई प्लेटफ़ॉर्म डेवलपर्स की स्थिति कैसे बदल गई है: qap.bitmetric.nl/extensions/magicquadrant/index.html