تصور کنید ۸۰۰ کارشناس پشتیبانی مشتری بتوانند بدون نوشتن حتی یک خط کد SQL، دادههای زنده شرکت را تحلیل کنند. این رویایی است که Strata با حذف سیستمهای تیکتینگ سنتی برای گزارشهای ساده، آن را به واقعیت تبدیل کرده است.
به گزارش وبسایت strata.do در ۳۰ سپتامبر ۲۰۲۶، یک شرکت جهانی سرگرمی توانسته است با جایگزینی گردشکارهای پیچیده Tableau با این پلتفرم، درخواستهای دادهای پیشبینینشده (ad-hoc) را تا ۹۰٪ کاهش دهد. این سیستم به کاربران اجازه میدهد تنها در ۱۵ دقیقه و با استفاده از Docker و عاملهای (Agents) کدنویسی شخصی، از مرحله نصب به تحلیل فعال برسند. این رویکرد در استفاده از عاملهای تخصصی، یادآور تحولاتی است که سوارمهای هماهنگ در توسعه نرمافزار ایجاد کردهاند و بهرهوری تیمی را به شدت افزایش دادهاند.
بسیاری از سازمانها با صفهای طولانی درخواست داده دستوپنجه نرم میکنند؛ جایی که کارکنان غیرفنی برای هر گزارش ساده به مهندسان داده وابسته هستند. همانطور که در تحلیلهای قبلی ما دربارهی دموکراتیزه کردن دادهها اشاره کردیم، حذف این گلوگاهها کلید بهرهوری است. Strata این شکاف را با ترکیب یک لایه معنایی مدیریتشده و موتورهای اجرای سریع پر میکند.
این سامانه از یک مکانیزم مسیریابی آگاه از پارتیشن استفاده میکند که پرسوجوها را به سه سطح مختلف هدایت میکند:
- لایه داغ (Hot Tier): استفاده از ClickHouse یا Druid برای پاسخهای زیر یک ثانیه.
- لایه گرم (Warm Tier): بهرهگیری از Snowflake برای ایجاد تعادل بین سرعت و هزینه.
- لایه سرد (Cold Tier): استفاده از AWS Athena برای دسترسی به دادههای آرشیوی.
این رویکرد فدرال باعث میشود Strata از ابزارهای بدون سر (Headless) مانند dbt MetricFlow یا Cube پیشی بگیرد، زیرا بهجای ارائه صرفِ یک مدل، داشبوردهای سلفسرویس داخلی را فراهم میکند. همچنین حلقه اعتبارسنجی این پلتفرم مستقیماً در API عاملها ادغام شده تا اطمینان حاصل شود که پرسوجوهای تولیدشده توسط هوش مصنوعی زاینده (Generative AI) — شبیه به یک ویراستار سختگیر که هر کلمه را پیش از چاپ چک میکند — دقیق و بدون خطا باشند.
برای کاربر نهایی، این تغییر به معنای مرگ سیستمهای تیکتینگ برای گزارشهای پایه است. با انتقال پیچیدگی از پرامپت کاربر به یک لایه معنایی، شرکتها میتوانند تعداد کاربران سلفسرویس خود را از چند نفر در هفته به صدها نفر در روز برسانند. این اتفاق در حالی رخ میدهد که مجموع هزینههای پرداختی برای انبارهای ابری کاهش مییابد.
گام بعدی شما
- معماری مسیریابی فدرال را از طریق Docker روی انبار داده خود تست کنید تا تأخیرهای استنتاج را بسنجید.
- بررسی کنید آیا لایه معنایی فعلی شما اجازه میدهد کاربران غیرفنی بدون دخالت مهندس داده، گزارش بگیرند یا خیر.
- مدلهای هزینه ClickHouse را در برابر Snowflake برای دادههای «داغ» مقایسه کنید.
اما تأثیر این رویکرد بر بازار ابزارهای BI سنتی که توسط غولهای بصریسازی اداره میشود، بسیار عمیقتر است — به تحلیل ما درباره آینده داشبوردهای هوشمند مراجعه کنید.
گفتگو