دانش محوری

مدل رابطه ای چیست؟

مدل رابطه ای” پایگاه داده را به عنوان مجموعه ای از روابط نشان می دهد. رابطه چیزی جز جدولی از ارزشها نیست . هر سطر در جدول مجموعه ای از مقادیر داده های مرتبط را نشان می دهد. این ردیف های جدول بیانگر یک موجودیت یا رابطه در دنیای واقعی است.

نام جدول و نام ستون برای تفسیر معنی مقادیر در هر سطر مفید هستند. داده ها به عنوان مجموعه ای از روابط نمایش داده می شوند. در مدل رابطه ای ، داده ها به صورت جداول ذخیره می شوند. با این وجود ، محل ذخیره فیزیکی داده ها مستقل از نحوه تنظیم منطقی داده ها است.

برخی از سیستم های معروف مدیریت پایگاه داده رابطه ای عبارتند از:

سرور DB2 و Informix Dynamic از IBM
Oracle و RDB از اوراکل
SQL Server و Access از مایکروسافت

مفاهیم مدل رابطه ای:

1. صفت: هر ستون در یک جدول. صفات خصوصیاتی هستند که رابطه را تعریف می کنند. به عنوان مثال نام شماره دانشجویی و غیره.
2. جداول : در مدل رابطه ای ، روابط در قالب جدول ذخیره می شوند. همراه با موجودیت های خود. یک جدول دارای دو ردیف و ستون ویژگی است. ردیف ها رکورد ها و ستون ها صفات را نشان می دهند.
3. الگوی رابطه: الگوی رابطه، نام رابطه را با ویژگی های آن نشان می دهد.
4. درجه: تعداد کل صفاتی که در رابطه وجود دارند، درجه رابطه نامیده می شود.
5. تعداد عناصر: تعداد کل ردیف های موجود در جدول.
6. ستون: ستون مجموعه ی مقادیر یک صفت خاص را نشان می دهد.
7. کلید رابطه : هر سطر دارای یک ، دو یا چند صفت است که به آن کلید رابطه گفته می شود.
8. دامنه صفت : هر صفت مقدار و دامنه از پیش تعریف شده دارد که به عنوان دامنه صفت شناخته می شود

محدودیت های یکپارچگی مدل رابطه ای

محدودیت های یکپارچگی رابطه د ر سیستم مدیریت پایگاه داده به شرایطی اطلاق می شود که باید برای یک رابطه معتبر وجود داشته باشد. این محدودیت های رابطه ای درسیستم مدیریت پایگاه داده از قوانین موجود در دنیای کوچکی مشتق شده است که پایگاه داده را نشان می دهد.

انواع مختلفی از محدودیت هاییکپارچگی درسیستم مدیریت پایگاه داده وجود دارد. محدودیت های موجود در سیستم مدیریت پایگاه داده رابطه ای بیشتر به سه دسته اصلی تقسیم می شوند:
محدودیت های دامنه
محدودیت های کلیدی
محدودیت های یکپارچگی ارجاعی

محدودیت های دامنه

اگر مقدار صفت در دامنه مربوطه ظاهر نشود یا از نوع داده مناسب نباشد ، می توان محدودیت های دامنه را نقض کرد.محدودیت های دامنه مشخص می کند که در هر لیست چه باشد و مقدار هرصفت باید منحصر به فرد باشد. این به عنوان انواع داده مشخص می شود که شامل انواع داده های استاندارد عدد صحیح ، اعداد واقعی ، رشته های طول متغیر و غیره است.

محدودیت های کلید

صفتی که می تواند به صورت منحصر به فرد یک تاپل را در یک رابطه شناسایی کند ، کلید جدول نامیده می شود. مقدار صفت برای تاپل های مختلف در رابطه باید منحصر به فرد باشد.

محدودیت های یکپارچگی ارجاعی

محدودیت های یکپارچگی ارجاعی در سیستم مدیریت پایگاه داده بر اساس مفهوم کلیدهای خارجی است. کلید خارجی صفت مهمی از رابطه است که باید در روابط دیگر به آن اشاره شود. حالت محدودیت یکپارچگی ارجاعی در جایی اتفاق می افتد که رابطه به یک صفت اصلی از یک رابطه متفاوت یا در همان رابطه اشاره داشته باشد. با این حال ، آن عنصر کلیدی باید در جدول وجود داشته باشد.

منبع: گروه پژوهشی سلام علم

دنیای دیجیتال امروزی حجم بسیار بالایی از داده تولید می‌کند. با رشد سریع رسانه‌های مبتنی بر اینترنت و کسب‌وکارهایی که به سمت عملکرد آنلاین پیش می‌روند جای تعجب ندارد که آمریکا به تنهایی در هر دقیقه بیش از ۲.۵ میلیون گیگابایت داده تولید می‌کند. تمام این اطلاعات باید در جایی ذخیره شوند. بیشتر این‌ها حدود ۱۴۵۰ اگزابایت ظرفیت مراکز داده‌ی جهان را اشغال کرده‌اند. سازمان‌هایی که توانایی مدیریت موثر داده‌هایشان را دارند می‌توانند بینش‌های ارزشمندی کسب کنند و برنامه‌های تجاری‌شان را بر این اساس تطبیق دهند.

مدیریت ضعیف داده‌ها موجب هزینه‌های قابل توجهی نه تنها برای ذخیره‌ی اطلاعات بلکه به دلیل از دست دادن فرصت‌ها می‌شود. برخورداری از بهترین اطلاعات دنیا با داشتن اطلاعات زیادی که نمی‌توان از آنها استفاده کرد، برابر نیست. این شبیه یک پیشنهاد ساده به نظر می‌رسد ولی متاسفانه اطلاعات چیزی نیست که شکل‌دهی و مدیریت آن به این سادگی باشد. یکی از بزرگ‌ترین چالش‌هایی که سازمان‌ها در سودمندسازی اطلاعات‌شان با آن روبه‌رو هستند، مواجهه با داده‌های بدون ساختار است.

داده‌ی بدون ساختار چیست؟

درک تفاوت بین داده‌ی بدون ساختار» و داده‌ی ساختار یافته» به درک اینکه چگونه شکل‌های اولیه‌ی داده در اواسط قرن بیستم به فرم دیجیتال تبدیل شدند، کمک می‌کند. سوابق حسابداری و موجودی‌ها به عمده‌ی داده‌های اولیه‌ی کامپیوتر شکل می‌دادند. از آنجا که این اطلاعات از قبل در ساختارهایی مشخص دسته‌بندی شده بودند، فرم دیجیتال آنها نیز سطحی از یکنواختی را حفظ کرده بود. فیلدهای داده در طول‌هایی از پیش تعریف شده و ویژگی‌های فیلد مانند متن در مقابل رقم، با فیلدهای خاصی که در مکان‌های ثابت در هر رکورد ظاهر می‌شوند، تنظیم شده بودند. این شکل‌های دقیق طبقه‌بندی شده، امکان خواندن، جستجو و درک داده‌های ساختار یافته را به آسانی مهیا می‌کرد. ولی داده‌ی بدون ساختار فرمت خاصی ندارد. این داده‌ها می‌توانند در هر اندازه، قالب یا فرمی باشند که مدیریت و تجزیه و تحلیل‌شان را به طرز باورنکردنی سخت می‌کند.

محدودیت داده‌های ساختار یافته به گونه‌ای است که تنها شامل نوع و مقدار خاصی از اطلاعات در زمینه‌های تعریف شده‌ی مربوط به آن می‌شود ولی داده‌های بدون ساختار چنین محدودیتی ندارند. داده‌های ساختار یافته از الگوریتم‌های پایه‌ای استفاده می‌کنند که به راحتی قابلیت جستجو دارند ولی داده‌های بدون ساختار از هیچ الگوی قابل پیش‌بینی که قابلیت پردازش توسط یک الگوریتم ساده را داشته باشد، استفاده نمی‌کنند.
داده‌های بدون ساختار می‌توانند از هر جایی نشأت بگیرند ولی بیشتر آنها به صورت مدرک، تصویر، ایمیل، ویدیو، فایل صوتی، صفحات وب یا خبرنامه‌های شبکه‌های اجتماعی وجود دارند. همچنین به این دلیل که سازمانهای بیشتری استراتژی‌های عصر کامپیوتر را اتخاذ کرده‌اند، دستگاه‌های اینترنت اشیا در حال تبدیل شدن به منبع اصلی داده‌های بدون ساختار هستند.

مدیریت داده‌های بدون ساختار

محققات تخمین زده‌اند که حدود ٪۸۰ داده‌های تولید شده، بدون ساختارند. با وجود اینکه این داده‌ها حاوی اطلاعاتی هستند که می‌توانند ارزشی باورنکردنی به سازمانها اعطا کنند، ولی بررسی و گزینش از میان آنها فوق‌العاده سخت است. بیرون کشیدن بینش‌های مدفون در مدارک، ایمیل‌ها یا انواع مختلف فایل‌های رسانه‌ای برای یک الگوریتم ساده‌ که جهت جستجوی نمونه‌های فیلد طراحی شده، کار بسیار پیچیده‌ای است. متاسفانه داده‌های بدون ساختار در چنین مقیاس قابل توجهی وجود دارند که تجزیه و تحلیل آنها فراتر از ظرفیت انسانی هر سازمانی است.

فناوری شناختی و مبتنی بر هوش مصنوعی یکی از موثرترین ابزارها برای استخراج اطلاعات ارزشمند از داده‌های بدون ساختار است. این برنامه‌ها از قابلیت تفسیر، ارزیابی، برقراری ارتباط و نتیجه‌گیری از این داده‌ها برخوردارند که مدیریت و استفاده از آنها را آسان‌تر می‌کند. بدون این نوع تجزیه و تحلیل، حتی دانستن اینکه احتمالاً چه اطلاعات ارزشمندی در داده‌های بدون ساختار نهفته است، سخت می‌باشد. در برخی موارد، این داده‌ها می‌توانند مطرح کننده‌ی یک خطر امنیتی قابل توجه باشند.
شرکت عظیم نرم‌افزار ارتباط با مشتری Salesforce به روش بی‌رحمانه‌ای متوجه این خطر امنیتی شد؛ زمانی که در سال ۲۰۱۶ ایمیل هک شده‌ی یکی از اعضای هیئت مدیره، اهداف دستیابی به لیست پیوست و استراتژی‌های بازار را صورت عمومی منتشر کرد.

متاسفانه تجزیه و تحلیل داده‌های بدون ساختار فوق‌العاده پرتنش است. این کار به میزان قابل توجهی از منابع محاسباتی نیاز دارد که فراتر از توان زیرساختی اکثر شرکت‌هاست. حتی مدیریت ذخیره‌سازی و دسترسی برای داده‌های بدون ساختار در وهله‌ی اول یک مانع اصلی به حساب می‌آید. به این دلیل که روزانه داده‌های بدون ساختار بیشتری ایجاد می‌شوند، نیازهای ذخیره‌سازی و محاسبه به سرعت تغییر می‌کنند. راه‌حل‌های امروزی زیرساخت IT احتمالاً توانایی سازگاری با نیازهای آتی یک شرکت را ندارند، بخصوص اگر این نیازها به سرعت در حال رشد باشند.

چگونه یک مرکز داده می‌تواند کمک‌کننده باشد

مراکز داده‌ی امروزی به شرکت‌هایی که به دنبال روش‌های بهتری برای مدیریت داده‌های بدون ساختارشان هستند، راه‌حال‌های قابل قیاس مختلفی پیشنهاد می‌کنند. مراکز داده با استفاده از زیرساخت مبتنی بر فضای ابری می‌توانند ت‌های دقیقی را به منظور کنترل نحوه‌ی دریافت، جابه‌جایی، ذخیره، دستیابی و تجزیه و تحلیل داده‌ها تنظیم کنند. توانایی بالا بردن قدرت محاسباتی و فضای ذخیره‌سازی، این را برای شرکت‌ها ممکن می‌سازد تا از داده‌هایی که جمع‌آوری کرده‌اند بیشترین بهره را ببرند.

برای شرکت‌هایی که به دنبال گسترش رایانش مرزی هستند، یافتن یک مرکز داده که توانایی مدیریت نیازهای اطلاعاتی دستگاه‌های اینترنت اشیا را دارد، حیاتی است. اکثر ساختارهای رایانش مرزی داد‌ه‌ها را در مکان‌های مختلفی که بر اساس مجموعه‌ی دقیقی از پروتکل‌هاست، ذخیره می‌کنند. برخی از داده‌ها در مرز خود دستگاه‌ها یا در مرز مراکز داده باقی می‌مانند، ولی برخی از آنها برای تجزیه و تحلیل به یک سرور مرکزی بازگردانده می‌شوند. شبکه برای اینکه بداند این داده‌های بدون ساختار را به کجا ارسال کند، باید از مورد جستجو و آنچه در اولویت است، آگاه باشد.

همزمان که سازمانها اطلاعات گردآوری شده و توانایی ذخیره‌سازی‌شان را گسترش می‌دهند، داده‌های بدون ساختار چالش‌های عظیمی را در برابر آنها قرار می‌دهند. اگر آنها راه‌حلی پایدار برای مدیریت و تجزیه و تحلیل این داده‌ها که بتواند بینش‌های ارزشمندی را استخراج کند، نیابند، برای موفق شدن در محیطی رقابتی که از سرعت بالای پیشرفت برخوردار است، تقلا خواهند کرد. خوشبختانه یک مرکز داده‌ی قابل اعتماد می‌تواند برای شرکت‌ها نیروی ذخیره‌سازی و محاسباتی که برای ساخت آینده‌شان نیاز دارند را تدارک ببیند.

علم داده، کلان داده و تحلیل داده

داده همه جا هست. مقدار داده‌های دیجیتال موجود به سرعت در حال افزایش‌اند، این مقدار هر دو سال دو برابر می‌شود و روش زندگی ما را تغییر می‌دهد. در مقاله‌ای از Forbes گفته شده که رشد داده‌ها از قبل هم سریع‌تر شده است. تا سال ۲۰۲۰، در هر ثانیه به ازای هر شخص بر روی زمین حدود ۱.۷ مگابایت اطلاعات جدید تولید خواهد شد و به همین دلیل حداقل آشنایی با اصول این حوزه بسیار مهم است.

در این مقاله به تفاوت بین علم داده، کلان داده و تحلیل داده می‌پردازیم.

بیایید اول با شناخت این مفاهیم شروع کنیم.

علم داده چیست؟

علم داده حوزه‌ای است شامل هرچیزی که به پاکسازی، آماده‌سازی و تحلیل داده، چه داده‌ی بدون ساختار و چه ساختار یافته، مربوط می‌شود. علم داده ترکیبی است از آمار، ریاضیات، برنامه‌نویسی، حل مسئله، دستیابی به داده با روش‌هایی نوآورانه، توانایی متفاوت نگریستن به مسائل، و فعالیت‌های مربوط به پاکسازی، تعمیر و هم‌ترازی داده. به بیان ساده، علم داده پوششی است برای روش‌هایی که در هنگام تلاش برای استخراج بینش‌ها و اطلاعات از داده‌ها به کار گرفته می‌شود.

کلان داده چیست؟

کلان داده به حجم عظیمی از داده اشاره دارد که پردازش موثر آن با برنامه‌های سنتی موجود، امکان پذیر نیست. پردازش کلان داده با داده‌ی خامی که انباشته نشده باشد شروع می‌شود و اغلب غیرممکن است که آن را در حافظه‌ی یک کامپیوتر ذخیره کرد.

کلان داده، لغت باب روزی که این روزها برای توصیف حجم عظیمی از داده، هم بدون ساختار و هم ساختار یافته، به کار می‌رود یک تجارت روزمره را در بر می‌گیرد. کلان داده را می‌توان برای تحلیل بینش‌هایی که منجر به تصمیمات بهتر و اقدامات تجاری استراتژیک می‌شوند، به کار برد.

تعریفی که گارتنر از کلان داده ارائه کرده به این شرح است: کلان داده، دارایی‌های اطلاعاتی هستند که از حجم، سرعت یا تنوع بالایی برخوردارند. این اطلاعت اشکال مقرون به صرفه و خلاقانه‌ای از پردازش اطلاعات را می‌طلبند تا به بینش‌ها بیفزایند و تصمیم گیری و خودکارسازی فرایند را فراهم کنند.»

تحلیل داده چیست؟

تحلیل داده علم بررسی داده‌های خام است به منظور استنتاج اطلاعات. تحلیل داده شامل به کار گیری روندی الگوریتمی و مکانیکی است به منظور استباط بینش‌ها و، برای مثال، گذر از میان چندین مجموعه داده برای یافتن ارتباطی بامعنی در میان آنها.

از تحلیل داده در صنایع مختلفی استفاده می‌شود تا به سازمانها و شرکت‌ها فرصت تصمیم‌گیری بهتر و همچنین تایید و رد نظریه‌ها یا مدل‌های موجود را بدهد. تمرکز تحلیل داده بر استنباط است و اینکه روند نتیجه‌گیری تنها بر پایه‌ی آن چیزی است که محققان در حال حاضر می‌دانند.

حالا بگذارید تا به کاربردهای علم داده، کلان داده و تحلیل داده بپردازیم.

کاربردهای علم داده

. جستجوی اینترنتی

موتورهای جستجو از الگوریتم‌های علم داده استفاده می‌کنند تا بهترین نتایج جستجو را در کسری از ثانیه ارائه دهند.

. تبلیغات دیجیتال

تمام طیف بازاریابی دیجیتال- از بنرهای نمایشی تا بیلبوردهای دیجیتال- از الگوریتم‌های علم داده استفاده می‌کند. این دلیل اصلی تبلیغات دیجیتال است که به جای تبلیغات سنتی از CTR بالاتری استفاده کنند.

. سیستم‌های توصیه‌گر

سیستم‌های توصیه‌گر نه تنها یافتن محصولات مرتبط را در بین بیلیون‌ها محصول موجود آسان می‌کنند بلکه به تجربه‌ی کاربر می‌افزایند. شرکت‌های بسیاری از این سیستم استفاده می‌کنند تا محصولات و پیشنهادات‌شان را مطابق با نیازهای کاربر و در ارتباط با اطلاعات ترویج دهند. توصیه‌ها بر اساس نتایج جستجوهای قبلی کاربر می‌باشد.

کاربردهای کلان داده

. کلان داده برای خدمات مالی

شرکت‌های کارت اعتباری، بانک‌های خرده‌فروشی، مشاوران خصوصی مدیریت ثروت، شرکت‌های بیمه، صندوق‌های سرمایه‌گذاری، و بانک‌های سرمایه‌گذاری سازمانی برای خدمات مالی‌شان از کلان داده استفاده می‌کنند. مشکل رایج در بین تمام این‌ها، حجم عظیم داده‌های چند ساختاری است که در سیستم‌های مختلف چندگانه وجود دارند. این مشکل تنها توسط کلان داده قابل حل است.

. کلان داده در ارتباطات

دستیابی به اشتراکات جدید، مشتریان خرده‌فروشی، توسعه در پایگاه‌های مشترکین حال حاضر برای ارائه دهندگان خدمات ارتباطات از راه دور در اولویت بالایی قرار دارند. راه‌حل این چالش‌ها در توانایی ترکیب و تحلیل انبوه داده‌هایی است که هر روز توسط مشتری و ماشین‌آلات تولید می‌شوند.

. کلان داده در خرده فروشی

برای تجارت‌های خشت و ملات (تجارت‌هایی با وجود خارجی که در مقابل سازمان‌های مجازی قرار دارند) یا خرده‌فروشی‌های آنلاین، راه‌حل ماندن در بازی و رقابت کردن، درک بهتر مشتری برای خدمت‌رسانی است. این امر به توانایی تجزیه و تحلیل منابع داده‌ی مختلفی که سازمانها هر روز با آنها سروکار دارند، از جمله وبلاگ‌ها، داده‌‌های دادوستد مشتریان، شبکه‌های اجتماعی، داده‌های کارت‌های اعتباری فروشگاه‌های معتبر، و داده‌های برنامه‌های وفاداری، نیاز دارد.

کاربردهای تحلیل داده

. مراقبت بهداشتی

چالش اصلی بیمارستان‌هایی که با فشار هزینه روبه‌رواند، این است که اکثر بیماران را تا جایی که می‌توانند به شکلی موثر و با حفظ بهبود کیفیت درمان کنند. بیمارستان‌ها برای ردیابی و بهینه‌سازی جریان درمان بیمار و تجهیزاتی که در بیمارستان مورد استفاده قرار می‌گیرند، به طور فزاینده از ابزار و داده‌های ماشینی استفاده می‌کنند. تخمین زده شده که دستیابی به ٪۱ کارآیی می‌تواند بیش از ۶۳ بیلیون دلار در مراقب بهداشتی جهانی ذخیره کند.

. سفر

تحلیل داده می‌تواند تجربه‌ی خرید از طریق موبایل/ وبلاگ و تحلیل داده‌های شبکه‌های اجتماعی را بهینه کند. از طریق برقراری ارتباط بین فروش‌های حال حاضر با جستجوهای بعدی، که باعث می‌شود به وسیله‌ی بسته‌ها و پیشنهادات دلخواه تبدیل جستجو به خرید را افزایش دهیم، می‌توانیم محصولات را به مشتری بفروشیم. توسط تحلیل داده‌ی شبکه‌های اجتماعی، همچنین می‌توان توصیه‌های مسافرتی شخصی ارائه داد.

. بازی

تحلیل داده کمک می‌کند به منظور بهینه‌سازی و مصرف داده در سراسر بازی‌ها آنها را جمع‌آوری کنیم. شرکت‌های بازی توسط مواردی که مورد پسند کاربران نیست، روابط یا موارد مورد پسندشان، بینش‌هایی را کسب می‌کنند.

. مدیریت نیرو

اکثر شرکت‌ها از تحلیل داده برای مدیریت نیرو، شامل مدیریت شبکه هوشمند، بهینه‌سازی نیرو، توزیع نیرو، و اتوماسیون ساختمان در شرکت‌های خدماتی استفاده می‌کنند. کاربرد در اینجا بر کنترل و نظارت دستگاه‌های شبکه‌ای، اعزام افراد و مدیریت قطع خدمات متمرکز است. خدمات رفاهی این توانایی را فراهم می‌کند تا میلیون‌ها نقاط داده را در عملکرد شبکه ادغام کرد و به مهندسان فرصت داد تا از تحلیل‌ها برای نظارت بر شبکه استفاده کنند.

منبع: گروه پژوهشی سلام علم

کنترل‌های فناوری مصرف‌کننده در فضای ابری تعریف می‌شوند

-وقت آن رسیده که ذخیره‌سازی داده نیز همین کار را بکند-

فناوری‌هایی که ما در زندگی روزمره به آنها متکی هستیم، بیش از پیش توسط فضای ابری تعریف می‌شوند. موسیقی که هر روز در spotify گوش می‌دهیم دقیقاً بر اساس سلایق ما و تلفیق و تحلیل همزمان داده‌ها از مجموعه‌ی همه‌ی شنوندگان، تنظیم شده است. سریال‌های تلویزیونی و فیلم‌های محبوب‌مان در Netflix و آمازون پرایم از هر جایی قابل دسترسی هستند، و بر طبق علایق ما و عادات فیلم دیدن، مبتنی بر تجزیه و تحلیل جمعیت زیادی از مشترکین، است که یک سریال جدید توصیه می‌شود.

دستگاه‌های تنظیم حرارت خانگی، گرما و سرمای محیط را براساس مکان ما در آن زمان، تغییر می‌دهند، و زنگ‌های درب ورودی به ما می‌گویند که چه زمانی بسته‌های پستی گذاشته یا برداشته می‌شوند- همه به این دلیل است که آنها از نظارت و مدیریت مبتنی بر ابر و تحلیل‌های مبتنی بر هوش مصنوعی که امکان استفاده از آن در هر دستگاهی وجود دارد، بهره می‌برند.

فراتر از سرگرمی و دستگا‌های هوشمند خانگی، شمار فزاینده‌ای از دستگاه‌های حیاتی زندگی که بر آنها متکی هستیم، به صورت ابری مدیریت می‌شوند. وسایل تسلا (Tesla) در زمان نیاز، به صورت خودکار بروزرسانی می‌شوند و گلوکومترها (یک ابزار پزشکی برای تعیین تخمینی غلظت قند خون) به منظور بهینه‌سازی نتایج مربوط به تاثیر مواد غذایی بر روی میزان قند خون، با خدمات نظارت از راه دور ارتباط برقرار می‌کنند. صادقانه باید بگویم که من همه‌ی این‌ها را مسلم می‌دانم.

من زمان زیادی را در صنایع فناوری صرف کرده‌ام و ابداعات مصرف‌کننده‌ی بسیاری دیده‌ام که در نهایت راهشان را به مراکز داده پیدا کرده‌اند. و با اینکه پلتفرم‌های ابری برای زیرساخت فضای داخلی (on-premises) در دوازده سال گذشته در فروشگاه‌ها حضور داشته‌اند، نظارت، مدیریت و تجزیه و تحلیل مبتنی بر ابر، به عنوان قسمتی جدانشدنی از اکثر دستگاه‌های مرکز داده، پذیرفته نشده‌اند. بنابراین مرکز داده در چه مرحله‌ای می‌تواند با تکنولوژی مصرف‌کننده روبه‌رو شود؟

مرکز داده شبکه‌ای مبتنی بر فضای ابری

مرکز داده به اندازه‌ی باوری که در شما ایجاد کردم، از دستگاه‌های مبتنی بر فضای ابری، فاصله ندارد. شبکه‌های مبتنی بر ابر که دهه‌ها در صحنه حضور داشته‌اند، توسط شبکه‌های مراکی (Meraki) (که الان قسمتی از Cisco می‌باشند) پیش‌قدم بودند. امروزه عملاً هر فروشنده‌ی شبکه، شامل Arista، Juniper، Aruba، Extreme Networks، Aerohive و دیگر فروشندگان، از یک حد کنترل مبتنی بر ابر استفاده کرده‌اند تا گزارش ‌نویسی و مدیریت دستگاه‌ها را در سراسر مراکز داده‌ی مصرف‌کننده تهیه کنند. یک حد کنترل مبتنی بر ابر به هر سازمانی در سطح عملیاتی کمک می‌‌کند و می‌تواند شامل موارد زیر باشد:

       تأمین کلید ساده‌سازی
       مدیریت سریع هزاران دستگاه
       بروزرسانی خودکار نرم‌افزارها
       خودکارسازی مناسب از طریق یک آدرس IP در فضای ابری
       بینش‌های مبتنی بر هوش مصنوعی برای کارکنان عملیاتی

۴ گام تا ذخیره‌سازی مبتنی بر فضای ابری

قدم اول: جانشینی دستگاه‌های خصوصی با دستگاه‌های صنعتی استاندارد

تغییر از آرایه‌های ذخیره‌سازی خارجی به یک جایگزین مبتنی بر سرور، به اندازه‌ی حرکت از کانال فیبری خصوصی شبکه ذخیره‌سازی به سمت استفاده از شبکه‌ی اترنت، سرمایه‌ی زیادی را حفظ خواهد کرد. معمولاً گران‌ترین مدل ذخیره‌سازی در بازار، مبتنی بر آرایه است؛ هزینه‌ی هر ترابایت از شبکه حالت-جامد در یک سرور صنعتی استاندارد تقریباً‌ با یک سوم تا یک ششم هزینه‌ی آن در هر آرایه برابری می‌کند. جابه‌جایی از معماری سه لایه به انواع یک لایه در مراکز داده‌ی ظرفیت بالا (hyperscale)، انعطاف‌پذیری و همچنین ساختار هزینه را بهبود می‌بخشد.

قدم دوم: اعتبار بخشی به سطح خدمات مورد نیاز

این قدم یک عامل مهم است زیرا شمار روزافزونی از گزینه‌های ذخیره‌سازی مبتنی بر سرور وجود دارند که ممکن است زمان کار، عملکرد یا پشتیبانی از سیستم عامل مورد نیاز برای برنامه‌های حیاتی را ارائه ندهند. در واقع دلیل اینکه هنوز هم از آرایه‌های سنتی استفاده می‌شود این است که ترکیبی از تأخیر، دسترسی و پشتیبانی سیستم عامل توزیع‌شده را برای برنامه‌های عملی هسته ارائه می‌دهند.
هر گزینه‌ی موفقیت‌آمیز مبتنی بر سرور باید ترکیبی از چند صدم ثانیه تأخیر، دسترسی به کلاس آرایه و مقیاس‌پذیری در سطح پتابایت را برای انواع محیط سیستم عامل ارا‌ئه دهد.

قدم سوم: مطمئن باشیم که ۱۰۰٪ کنترل سطح (control plane) در فضای ابری است

یک کنترل سطح مبتنی بر فضای ابری باید ارائه دهنده‌ی نظارت، مدیریت و تحلیل پشت سر هم باشد. تعدادی از پلتفرم‌های ذخیره‌سازی شرکت از ابرهای نگهدارنده برخوردارند و باید به اعمال تکنیک‌های مدرن تجزیه و تحلیل برای داده‌ها اقدام کنند.

با این حال، این موارد تنها در حد گزارش‌اند. مدیریت، که جدا و در فضای داخلی (on-premise) باقی مانده، معمولاً به سمت کنترل‌کنندگان آرایه‌ای در حرکت است؛ بنابراین از مدیریت شناور خبری نیست، خودکارسازی‌های متوالی، محدود و عیب‌یابی و قطعی‌های بالقوه طولانی می‌شوند.

قدم چهارم: از سرقت منابع سرور کاربردی (application server) به منظور قدرت‌دهی به خدمات داده جلوگیری کنید

اگر سازمان شما مدیریت ۱۰۰۰ سرور را به عهده دارد و فناوری ذخیره‌سازی مبتنی بر سرور به ۲۰-۳۰٪ واحد پردازش مرکزی و حافظه‌ی سرور کاربردی نیاز دارد، مزرعه سرورتان برای دقیقاً همان بارهای کاری تنها به اندازه‌ی ۱۲۰۰-۱۳۰۰ سرور افزایش خواهد یافت. نه تنها هزینه‌ی سرور بلکه سایر هزینه‌ها مانند فضای ذخیره‌سازی، نیروی برق و خنک‌سازی و همچنین زمان مدیریت سرور نیز افزایش خواهند یافت (مانند سیستم عامل اضافی، پچ‌های امنیتی و غیره).

یکی دیگر از نقاط ضعف خدمات در حال اجرای ذخیره‌سازی داده بر روی سرور کاربردی این است که نگهداری یا خرابی هر سرور، ذخیره‌سازی و داده را به صورت آفلاین درمی‌آورد. هر گزینه‌ی ذخیره‌سازی مبتنی بر سرور که مانع استفاده از منابع سرور کاربردی شود، زمانِ‌به‌کار و بازده سرمایه‌گذاری بهتری خواهد داشت.

پیروزی

مسلم است که کارکنان عملیاتی به طور فزاینده باید نه تنها ذخیره‌سازی بلکه مدیریت سرورها و شبکه‌ها یا مسئولیت‌های توسعه‌ی نرم‌افزار را به عهده بگیرند. ذخیره‌سازی مبتنی بر فضای ابری برای انجام این وظایف ابزار مهمی است.

منبع: گروه پژوهشی سلام علم

سیستم های پایگاه داده از ساختارهای داده پیچیده ای تشکیل شده است. بنابراین ، برای اینکه سیستم برای بازیابی داده ها کارآمد باشد و از سردرگمی کاربران بکاهد ، توسعه دهندگان از روش انتزاع داده استفاده می کنند.

عمدتا سه سطح انتزاع داده وجود دارد:

۱سطح داخلی: محل ذخیره فیزیکی واقعی و مسیرهای دسترسی .

۲سطح مفهومی یا منطقی: ساختار و محدودیت های کل پایگاه داده.

۳سطح خارجی : دیدگاه های مختلف کاربر را توصیف می کند.

سطح داخلی :

ساختار ذخیره سازی فیزیکی پایگاه داده را تعریف می کند. طرح داخلی ،نمایشی بسیار سطح پایین از کل پایگاه داده است. این شامل چندین مورد از چندین نوع ضبط داخلی است. در اصطلاح استاندارد ، رکورد ذخیره شده” نیز گفته می شود.

ویژگی های سطح داخلی:

1. سطح داخلی پایین ترین سطح انتزاع داده است.
2. به شما کمک می کند تا اطلاعات مربوط به نمایش واقعی کل پایگاه داده را حفظ کنید. مانند ذخیره سازی واقعی داده ها روی دیسک .
3. سطح داخلی به ما می گوید که چه داده ای و چگونه در پایگاه داده ذخیره می شود
4. هرگز با دستگاههای فیزیکی سروکار ندارد. در عوض ، سطح داخلی یک دستگاه فیزیکی را به عنوان مجموعه ای از صفحات فیزیکی مشاهده می کند

سطح مفهومی:

این سطح ساختار بانک اطلاعاتی کل پایگاه داده را برای کاربران توصیف می کند. اطلاعات مربوط به ساختارهای ذخیره سازی فیزیکی را پنهان می کند و بر توصیف انواع داده ها ، موجودیت ها ، روابط و غیره تمرکز دارد.

سطح منطقی بین سطح کاربر و نمای ذخیره فیزیکی است. با این حال ، تنها یک نمایش مفهومی تنها از یک پایگاه داده وجود دارد.

ویژگی های سطح مفهومی:

۱.تمام موجودیت های پایگاه داده ، ویژگی ها ، روابط و امنیت و درستی اطلاعات را تعریف می کند.

۲.در سطح مفهومی ، داده های در دسترس کاربر باید در سطح فیزیکی باشد یا از آن استخراج شود.

سطح خارجی:

سطح خارجی بخشی از پایگاه داده را که کاربران خاص به آن علاقه مند است توصیف می کند.جزئیات غیر مرتبط پایگاه داده را از کاربر پنهان می کند.ممکن است تعداد زیاد و نامعلومی از نمایش خارجی برای هر پایگاه داده وجود داشته باشد.
هر نمای خارجی با استفاده از یک سطح خارجی تعریف می شود که متشکل از تعاریف انواع مختلف نگارش خارجی آن نمای خاص است.

نمای خارجی فقط شامل محتوای پایگاه داده همانطوری که توسط برخی از کاربران خاص مشاهده می شود، است. به عنوان مثال ، یک کاربر از بخش فروش فقط داده های مربوط به فروش را مشاهده خواهد کرد.

ویژگی های سطح خارجی:

1. سطح خارجی فقط مربوط به داده هایی است که توسط کاربران نهایی خاصی مشاهده می شود.
2. این سطح شامل تعدادی سطح خارجی دیگر است.
3. سطح خارجی نزدیکترین سطح به کاربر است.
4. این سطح بخشی از پایگاه داده را که برای یک گروه کاربر خاص مورد نیاز است توصیف می کند و جزئیات باقی مانده پایگاه داده را از گروه کاربر خاص پنهان می کند

منبع: https://hisci.ir/%d8%b7%d8%b1%d8%ad-%d9%87%d8%a7%db%8c-%d8%b3%db%8c%d8%b3%d8%aa%d9%85-%d9%85%d8%af%db%8c%d8%b1%db%8c%d8%aa-%d9%be%d8%a7%db%8c%da%af%d8%a7%d9%87-%d8%af%d8%a7%d8%af%d9%87-%d8%af%d8%a7%d8%ae%d9%84%db%8c/

سازمانهای خرده فروشی امروزی مجبور شده‌اند همراه با تغییر شکل نیازها و تقاضاهای مشتریان، در روش‌هایشان تجدید نظر کنند.
به همین دلیل است که فروشندگان مبتکر در حال توسعه دادن و عمومی کردن شکل‌های جدیدی از فناوری فروش دیجیتال هستند تا تجربه‌ی مشتری بهتری برای مصرف‌کنندگان بسازند.

تعریف فروش دیجیتال

خب، فروش دیجیتال دقیقا چیست؟ این اصطلاح به اندازه‌ای گسترده است که روش‌ها و استراتژی‌های مختلفی را در بر می‌گیرد که به سازمانهای خرده فروشی اجازه می‌دهند تا از فناوری به منظور کارآمدسازی و تنوع بخشیدن به تجربه‌های مشتری استفاده کنند. ولی فروش دیجیتال بیش از اتخاذ آخرین ابداعات و پلتفرم‌هاست. این اصطلاح همچنین شامل تصویرسازی مجدد از تجربه‌ی فروش، تهیه‌ی راه‌های جدید دستیابی به مشارکت برای مشتریان و کمک به سازمانهاست تا تولیدات و خدمات‌شان را از طریق کانال‌هایی که در چند سال گذشته وجود نداشته‌اند، تحویل دهند.

این انقلاب دیجیتال به دلیل تغییر سلایق و انتظارات مشتری به شدت مهم است. مشتریان امروزی دیگر حوصله‌ی رابط‌های پیچیده‌ی وبسایت یا تجربه‌های ناخوشایند داخل فروشگاه را ندارند. مشتریان از فروشندگان انتظار دارند که چندین بستر در اختیار آنها قرار دهند تا با مطابقت با برنامه‌هایشان، به شکل موثرتری به نیازهایشان پاسخ دهند.
اگر فروشندگان خواستار برنده شدن و حفظ مشتریان هستند، باید از استراتژی‌های فروش دیجیتالی استفاده کنند که به آنها اجازه می‌دهد تا تجربه‌های کاربری بسازند که افراد به دنبال آن هستند.

۱۰ نوآوری در فناوری فروش دیجیتال

در خط مقدم انقلاب فروش دیجیتال، فناوری‌های مهیجی وجود دارند. در اینجا ما به ذکر مهم‌ترین آنها می‌پردازیم.

۱. واقعیت افزوده

شاید که تمام سرفصل‌ها متعلق به واقعیت مجازی باشد ولی احتمال بیشتری وجود دارد که در دهه‌های اخیر واقعیت افزوده تاثیر مستقیمی بر زندگی مصرف کنندگان داشته است. واقعیت افزوده شامل همپوشانی دیجیتال عناصر گرافیکی تولید شده بر روی دنیای فیزیکی است. این عناصر معمولاً از طریق عینک‌های مخصوص یا دوربین گوشی هوشمند ایجاد می‌شوند.

مشتریان با ابزارهای واقعیت افزوده می‌توانند بفهمند که یک وسیله در منزل‌شان چگونه به نظر می‌رسد یا سریعاً قفسه‌ی یک فروشگاه را با موبایل‌شان اسکن کنند تا بفهمند چه مواردی برای فروش وجود دارد. فروشندگان متفکر تنها متوجه کارهای سطحی هستند که می‌توان با واقعیت افزوده انجام داد. به همین دلیل عدم سرمایه‌گذاری بر روی فناوری‌های امروزی می‌تواند سازمانها را در آینده دچار عقب‌افتادگی کند.

۲. کلان داده

به لطف فناوری اینترنت اشیا، سازمانها بیش از قبل در حال گردآوری اطلاعات در مورد مشتریان و رفتارهایشان هستند. آنها همچنین در حال ردیابی سنجه‌های اصلی کسب‌وکار هستند که از اتفاقات روز به روز بازار، تصویری جزئی ارائه می‌دهد. قطعاً حجم بالای داده‌ای که جمع‌آوری می‌کنند از پارازیت‌های بی‌معنی بیشتر است. خرده فروشان به منظور استخراج تمایلات و بینش‌های پرمعنی از این داده‌های بدون ساختار، به ابزارهای قدرتمند تجزیه و تحلیل کلان داده» روی آورده‌اند. این برنامه‌ها که توسط یادگیری ماشینی طراحی شده‌اند، قادرند که از تمام فعالیت‌های تجاری دیدگاهی جامع‌تر ارائه دهند، به سازمانها امکان برنامه‌ریزی بهتر دهند و برای پاسخگویی بهتر به نیازهای مشتریانشان، اقدامات استراتژیک بیشتری انجام دهند.

۳. سفارشات قابل پیش‌بینی

سفارشات قابل پیش‌بینی که یکی از استفاده‌های کلیدی از تجزیه و تحلیل کلان داده است، با یک بررسی اجمالی از عادات خرید مشتریان و مشخصه‌های جمعیت‌شناختی شروع شد.
این به خرده فروشان اجازه می‌دهد تا پیش‌بینی کنند که چه محصولات و خدماتی از طرف مشتریان درخواست می‌شود. با این کار پیشنهاد مناسب را در زمان مناسب به شخص مناسب ارائه می‌دهند تا احتمال خرید را به حداکثر برسانند.

۴. اتوماسیون زنجیره تأمین

حفظ جریان حرکت کالاها از زنجیره‌های تامین جهانی و ورودشان به قفسه‌های فروشگاه‌ها (یا درب منزل مشتریان) یک تعهد پیچیده است. یک تاخیر یا اخلال چند ساعته می‌تواند امواج کوچکی را وارد شبکه‌ی تحویل کند که اغلب بر روی خدمات ظاهراً نامرتبط تاثیر می‌گذارد.

به لطف گسترش اتوماسیون، ردیابی با امواج رادیویی و برنامه‌های حمل و نقل بهینه شده توسط الگوریتم‌های پیچیده، خرده فروشان از فناوری دیجیتال استفاده می‌کنند تا محصولات را سریع‌تر و کارآمدتر از قبل تحویل دهند تا زمان انتظار مشتریان را برای دریافت خرید یا یافتن محصول در قفسه‌ی فروشگاه کاهش دهند.

۵. یکپارچگی اینترنت اشیا

مصرف‌کنندگان هر سال دستگاه‌های بیشتری را وارد خانه‌هایشان می‌کنند که از طریق wifi به اینترنت متصل می‌شوند. این دستگاه‌ها نه تنها دسترسی به خدمات را برای مصرف‌کنندگان آسان‌تر می‌کنند بلکه داده‌های مختلفی را در اختیار سازمانها قرار می‌دهند تا به خرده فروشان نظرات بهتری بدهند، در مورد اینکه واقعا افراد چگونه از محصولاتشان استفاده می‌کنند.

آنها با مجهز شدن به این اطلاعات می‌توانند خدمات و محصولاتشان را طوری تنظیم کنند تا برای استفاده کنندگان شهودی‌تر و سودمندتر باشند. هرچه دستگاه‌های اینترنت اشیا بیشتری وارد خانه شود، می‌توانند با یکدیگر تعامل کنند تا عملکردشان را بهبود بخشند و سریع‌تر به نیازهای مصرف کنندگان پاسخ دهند.

۶. استراتژی‌های موقعیت جغرافیایی

فراگیری ابزارهای فناوری فرصت‌هایی در اختیارمان می‌گذارد تا از آنها به روش‌هایی جدید و مهیج استفاده کنیم. یکی از توسعه‌های هیجان‌انگیز، استفاده از استراتژی‌های موقعیت جغرافیایی بوده که نمایی جزئی از مشتریان، محیط و نیازهایشان تهیه می‌کند. تجربیات مشتری می‌توانند حول یک بازار بخصوص شکل بگیرند و کاربران به فروشگاه‌ها و کسب‌وکارهای محلی متصل شوند. آنها بر اساس موقعیت با دیگر خدمات هم می‌توانند ترکیب شوند.

دانستن اینکه شخصی در نزدیکی یک موقعیت جغرافیایی بخصوص است، فرصت‌های بازاریابی منحصر به فردی را به وجود می‌آورد. برای مثال کسانی که از خدمات اشتراک‌گذاری سواری استفاده می‌کنند می‌توانند درباره‌ی فروشندگان یا رستوران‌هایی که از وجودشان آگاه نبودند، آگهی دریافت کنند.

۷. کیف پول دیجیتال

این‌روزها پرداخت‌ها نیز دیجیتالی شده‌اند. با اینکه با جایگزینی پول نقد و کارت‌های اعتباری سنتی فاصله‌ی زیادی وجود دارد، با این حال برنامه‌های کیف پول دیجیتال به ویژگی محبوبی در گوشی‌های هوشمند و دستگاه‌های هوشمند پوشیدنی تبدیل شده‌اند. فروشندگان باهوش در حال پذیرش پرداخت‌های دیجیتال از ارائه دهندگان مختلف هستند تا برای مشتریان این قابلیت را فراهم کنند که به هر طریق و در هر زمانی که می‌خواهند هزینه‌ را پرداخت کنند.

۸. سالن نمایش (showrooming) وارونه

در روزهای اول ظهور خرید آنلاین، اکثر فروشندگان نگرانی موجهی در این باره داشتند که مشتریان به فروشگاه‌ها مراجعه می‌کنند ولی بعد به خانه برمی‌گردند تا با قیمت بهتری به صورت آنلاین خرید کنند. با این حال آنها به طور فزاینده‌ای قدم‌هایی را به منظور مع کردن این روند برداشتند تا دامنه‌ی گسترده‌تری از محصولات را برای انتخاب محلی پیشنهاد دهند. در حال حاضر مشتریان امروزی، کالاها را به صورت آنلاین ارزیابی می‌کنند و سپس برای انتخاب در همان روز و با قیمتی مقرون به صرفه به نزدیک‌ترین فروشگاه مراجعه می‌کنند.

۹. جستجوی صوتی

مشتریان در مواجه با ابزارهای جستجوی صوتی، بین فعال‌سازی صوتی گوشی‌های هوشمند و دستگاه‌های بلندگوی خانگی، گزینه‌‌های مختلفی پیش رو دارند.
فروشندگان از طریق بهینه‌سازی فروشگاه‌های آنلاین برای جستجوی صوتی و توسعه‌ی برنامه‌های صوتی محور برای استفاده از پلتفرم‌های اینترنت اشیا موجود، با این روند سازگار شدند. فناوری تشخیص صوتی که به خوبی طراحی شده است می‌تواند اصطکاک تجربه‌ی مشتری را از بین ببرد و اجازه دهد تا افراد آنچه را که واقعا به دنبال آنند، به سرعت و سادگی بیابند (و آن را بخرند).

۱۰. فروش بی‌واسطه

با فراگیری کووید-۱۹ که احتمالا تاثیرگذاری آن بر خرده‌فروشی تا پایان سال ۲۰۲۰ و بعد از آن ادامه دارد، اکثر فروشندگان بر روی فروش بی‌واسطه سرمایه‌گذاری‌های سنگینی کرده‌اند تا مشتریان و کارمندان‌شان را ایمن نگه‌دارند. تمام دستگاه‌ها، از اسکنرهای بدون تماس پایانه فروش تا صفحات جدید و خلاقانه‌ی بدون لمس که از سنسورها و الگوریتم‌های پیچیده استفاده می‌کنند تا رفتار کاربر را پیش‌بینی کنند، همگی اینها زیرساخت بازمانده را، که اگر به خاطر اختلال ایجاد شده توسط این بیماری همه‌گیر نبود در جای خود محکم باقی می‌ماند، کنار زده‌اند.

سازمانها از مدت‌ها پیش متوجه شده‌اند که اطلاعات برای تصمیم‌گیری مناسب حیاتی‌اند. اما این قضیه در حوزه‌ی کلان داده، بسیار مهم‌تر از قبل است. روش جمع‌آوری و تجزیه و تحلیل داده‌ها توسط شرکت‌ها با پیشرفت در هوش مصنوعی، محاسبه‌ی ابری و دستگاه‌های اینترنت اشیا، اساساً تغییر کرده است.
طبقه‌بندی سرراست داده‌های جمع‌آوری شده، مرتب‌سازی دستی را برای انسان‌ها غیر ممکن می‌کند. آنها مجبورند به منظور شناسایی الگوها، گرایش‌ها و بینش‌های فوق‌العاده‌ای که شکل دهنده‌ی تصمیمات تجاری‌اند، به الگوریتم‌هایی پیشرفته روی آورند.
پیاده‌سازی نیازهای سیستم به جمع‌آوری و تجزیه و تحلیل کلان داده یکی از بزرگ‌ترین چالش‌هایی است که شرکت‌ها امروزه با آن روبه‌رو هستند. به دلیل مزایای قابل توجه به دست آمده از یک استراتژی کلان داده خوب، بیشتر صنایع سعی در انجام این کار دارند. در اینجا تعدادی نمونه‌ی کلان داده در کسب و کار امروزی بیان شده است.

مراقبت‌های بهداشتی

صنعت مراقبت‌های بهداشتی هرگز از نظر داده کسری نداشته است. مشکل اینجاست که سازمان‌های مراقبت بهداشتی برای استفاده‌ی موثر از این داده‌ها در پیکار بوده‌اند.
قسمتی از این چالش به طبیعت بدون ساختار داده‌ها برمی‌گردد.
ترکیب سنجه‌های ساختار یافته مانند هزینه‌های سربار و میزان داروهای تجویز شده در یک الگوریتم، واقعا ساده است ولی توجیه داده‌های ارزشمند موجود در منابعی مانند نمودارهای پزشکی (که برخی از آنها هنوز هم به صورت دست نوشته‌اند) بسیار سخت‌تر است و حتی قبل از مسائل مربوط به انطباق با حریم خصوصی بیمار، که یکی از چالش‌های اصلی کلان داده در مراقبت‌های بهداشتی است، مورد توجه قرار می‌گرفتند.
همانطور که بهبود تجزیه و تحلیل کلان‌ داده‌ها با استفاده از هوش مصنوعی و یادگیری ماشینی ادامه دارد، با این حال سازمان‌های مراقبت‌های بهداشتی در حال یافتن راه‌های متعددی هستند تا از این مجموعه داده‌ها سود ببرند.
نمونه‌های مختلفی از کلان داده در مراقبت‌های بهداشتی وجود دارد که ارزش اشاره دارند. تجزیه و تحلیل طولانی مدت روال تشخیص بیماری، درمان و نتایج سلامتی می‌تواند در نهایت هزینه‌ی مراقبت را از طریق حذف عادات بی‌فایده یا زائد، به طور قابل ملاحظه‌ای کاهش دهد.
متخصصان مراقبت‌های بهداشتی نیز می‌توانند مدل‌های پیش‌بینی دقیق‌تری برای انواع مختلف شرایط و درمان‌ها ایجاد کنند که به آنها اجازه می‌دهد در زمان مراقبت از بیمار، تصمیماتی آگاهانه‌تر بگیرند.
با افزایش دستگاه‌های پزشکی اینترنت اشیا که قابلیت پوشیدن دارند، سازمانها قادر خواهند بود که حتی داده‌های بیشتری از بیماران جمع‌آوری کنند تا تجزیه و تحلیل کلان داده‌هایشان را به طور مداوم بهبود بخشند.

رسانه و سرگرمی

دیجیتالی کردن محتوای سرگرمی در مسیر توسعه‌ی شرکت‌ها و خرید و فروش تولیدات و خدمات آنها تحولی عظیم به بار آورده است. با این حال تجارت الکترونیک تنها ۱۴.۳ درصد خرده فروشان آمریکا را شامل می‌شود. این رقم نمی‌تواند از چگونگی عملکرد مردم به عنوان مشتری یا تاثیر کل نمونه‌های کلان داده در خرده فروشی، تصویری کلی برساند.
بر طبق داده‌های نیلسن (Nielsen)، جوانان (افراد بین سنین ۱۸-۳۴ سال) ۴۳ درصد از وقتی را که صرف رسانه‌ها می‌کنند، در پلتفورم‌های دیجیتال به سر می‌برند که تقریبا به یک سوم این رسانه‌ها از طریق گوشی‌های هوشمندشان دسترسی دارند.
این تعاملات یک صف طولانی از سطوح داده می‌سازد که می‌تواند به شرکت‌ها کمک کند تا تولیدات و خدمات‌شان را در موقعیت موثرتری قرار دهند.
با تحلیل کلان داده‌ها که قابلیت یافتن الگو در این داده‌ها را میسر می‌سازد، تولیدکنندگان محتوا می‌توانند علایق و تقاضاهای مخاطبان را خیلی دقیق‌تر از قبل پیش‌بینی کنند. آنها به جای اینکه محتوایشان را در رابطه با یک سری از گروه‌های تمرکز بسازند که ممکن است نشانی از مخاطبان واقعی نداشته باشند، می‌توانند از روند داده‌ها استفاده کنند تا محتوای بخصوصی را برای جمعیت خاصی هدف قرار دهند.
شرکت‌ها با درک اینکه کاربران چگونه وقت‌شان را صرف رسانه و سرگرمی می‌کنند، همچنین می‌توانند از سیستم عامل‌های توزیع‌شان حداکثر استفاده را ببرند تا مشتریان‌شان را همانجایی که هستند ملاقات کنند.

حمل و نقل

ترکیب تگ‌های هوشمند بازشناسی با امواج رادیویی، ردیابی GPS و سنسورهای اینترنت اشیا شهر هوشمند» در حال تغییر روشی است که شرکت‌ها و برنامه‌ریزان شهری از زیرساخت‌های حمل و نقل استفاده می‌کنند.
این دستگاه‌ها حجم عظیمی از داده تولید می‌کنند که از نحوه‌ی استفاده‌ی مردم از این زیرساخت‌ها و نحوه‌ی تاثیرگذاری متغیرهایی مانند آب و هوا، تصادفات و تعمیرات بر روی الگوهای ترافیک، تصویری واضح ارائه می‌دهد.
با اتومبیل‌های خودران که در شرف وقوع هستند، کارایی بالقوه‌ی این داده‌ها در سال‌های پیش رو به طور قابل توجهی افزایش می‌یابد. برنامه‌ریزان شهری می‌توانند از داده‌های دقیق جمع‌آوری شده از سنسورهای اینترنت اشیا استفاده کنند تا بزرگراه‌های بهتری طراحی کنند و زیرساخت موجود را بهینه کنند تا حمل و نقل را به یکی از ساده‌ترین نمونه‌های تجسم کلان داده تبدیل کنند.
الگوریتم‌های پیشرفته‌ی محاسبه‌ی ابری می‌توانند داده‌های جمع‌آوری شده توسط سنسورها و رفت و آمدهای مکرر را تجزیه و تحلیل کنند تا افراد را از اینکه چگونه می‌توانند مقرون به صرفه‌تر به مقصد برسند آگاه کنند و از مناطق پرترافیک دور بمانند.
قدرت پیش‌بینی ناشی از تجزیه و تحلیل کلان داده‌ها همچنین می‌تواند خطرات بالقوه را قبل از اینکه تبدیل به تهدید شوند، شناسایی کند و به رانندگان یا مهندسان شهری هشدار دهد که وسیله‌ی نقلیه یا پلی نیاز به تعمیر دارد.

خدمات مالی

جای تعجب ندارد که صنایع بانکداری و خدمات مالی در استفاده از تجزیه و تحلیل کلان داده سریع عمل کرده‌اند. چه این داده‌های مالی از مشتریان جمع‌آوری شده باشند یا گزارشاتی از بازارهای مختلف سرمایه‌گذاری باشند، این سازمانها حجم بالایی از داده را در اختیار دارند.
سرعت بالای کوچک‌سازی سخت‌افزارهای پردازش و رشد محاسبات ابری منجر شده تا شرکت‌های خدمات مالی دیگر نیازی نداشته باشند تا بر ابر رایانه‌های قدیمی تکیه کنند. در عوض با استفاده از جدیدترین امکانات در محاسبات عملکرد بالا، به غربال کردن کوهی از داد‌ه‌هایی که روزانه گردآوری می‌کنند، می‌پردازند.
جنبه‌های مختلف صنعت مالی این را به مثال خوبی از کلان داده تبدیل می‌کند. اکثر معاملات سهام جهان در حال حاضر توسط الگوریتم‌های معاملات بسامد بالا (HFT) مدیریت می‌شوند که سیگنال‌های بازار را از منابع مختلف دریافت می‌کنند و برای خرید یا فروش در چند صدم ثانیه تصمیم می‌گیرند.
شرکت‌های بانکداری و کارت‌های اعتباری همچنین می‌توانند با استفاده از تحلیل کلان داده، فعالیت‌های مربوط به خرید را کنترل و مدیریت کنند و با شناسایی ان به طور بالقوه از هزاران دلار پس‌انداز مشتریان حفاظت کنند. همین روش می‌تواند برای اقدامات امنیت سایبری نیز به کار گرفته شود.

تولید

درکی که اغلب از صنعت تولید وجود داشت، بخشی بود که در حال زوال سریع است. ولی در دهه‌های اخیر به لطف خودکارسازی و دیگر فناوری‌های هوشمند که کارخانه‌ها را کارآمدتر و سودمندتر ساخته، این صنعت بازگشت لذت‌بخشی را تجربه کرده است.
ماشین‌آلات صنعتی امروزی با دستگاه‌های مختلف اینترنت اشیا تجهیز شده است که داده‌های ارزشمندی را برای شرکت‌ها تهیه می‌کند که می‌تواند جهت ساده‌سازی عملیات و کاهش چشمگیر هزینه‌ها مورد استفاده قرار گیرد.
گردآوری داده‌های بیشتر در هر سطح از روند تولید، دید بهتری در عملکرد و نحوه‌ی دریافت محصولات و استفاده توسط مصرف‌کنندگان تدارک می‌بیند که نمونه‌ای مهم از کلان داده است.
در تحلیل کلان داده‌ها می‌توان از این داده‌ها به منظور طراحی تولیدات بهتر که با نیازهای مشتریان هم‌ترازی بیشتری دارند، استفاده کرد.
به جای سرمایه‌گذاری در تحقیقات فشرده، گردآوری مداوم داده‌ها رویکردی تکراری را برای پاسخگویی سریع به نیازهای بازار طراحی می‌کند.
سازمانها با تجهیزات تولید مجهز شده به اینترنت اشیا، می‌توانند از داده‌های حاصل برای پیش‌بینی زمانی که ماشین‌آلات نیاز به تعمیر یا جایگزینی دارند استفاده کنند و به سمت برنامه‌ی تولید موثرتری بروند.
گردآوری داده‌ها در طی فرایند توزیع و ذخیره‌سازی کمک می‌کند تا زنجیره‌های تامین را به منظور جلوگیری از تاخیرهای هزینه‌بر و خطاهای انسانی بهبود بخشیم.
حوزه‌ی کلان داده در حال حاضر روی کار است. سازمانهایی که به منظور سرمایه‌گذاری بر روی فرصت‌های ارائه شده قدم برمی‌دارند، بدون شک از مزیت‌های رقابتی در سالهای آینده لذت خواهند برد.

منبع: گروه پژوهشی سلام علم 

معماری سیستم مدیریت پایگاه داده به طراحی ، توسعه ، پیاده سازی و نگهداری پایگاه کمک می کند. میدانیم که پایگاه داده اطلاعات مهم برای کسب و کار ها را ذخیره می کند. انتخاب معماری پایگاه” صحیح به دسترسی سریع و ایمن داده ها کمک می کند.

معماری یک سطحی:

ساده ترین معماری پایگاه داده یک سطحی است ،که مشتری ، سرور و پایگاه داده همه در یک ماشین قرار دارند. در هر زمان ، شما پایگاه را در سیستم خود نصب می کنید و در ان با زبان sql تمرین می کنید ، این معماری یک سطحی است. اما چنین معماری به ندرت در تولید استفاده می شود.

معماری دو سطحی:

معماری دو سطحی مدلی از معماری پایگاه داده است که در آن سطح نمایشی بر روی رایانه شخصی ، موبایل ، تبلت و غیره اجرا می شود و داده ها در یک سرور جدا ذخیره می شوند.
یک رابط برنامه در سمت مشتری به او امکان می دهد تا سیستم مدیریت پایگاه را فراخوانی کند. امروزه بیشتر سیستم های رابط کاربری مخصوص خود را ارائه می دهد. معماری دو سطحی امنیت بیشتری را به ایجاد می کند زیرا مستقیماً در معرض استفاده کاربر نهایی نیست.نمونه ای از معماری دوسطحی ، یک سیستم مدیریت تماس است که با استفاده از MS- Access ایجاد شده است.

در معماری دو سطحی تصویر می توان مشاهده کرد که یک سرور به کاربر های ۱ ،۲ و ۳ متصل است.

معماری سه سطحی:

طرح سه سطحی توسعه ی معماری دو سطحی است. این معماری دارای سطوح زیر است:

1. سطح نمایش که در رایانه شخصی ، رایانه لوحی ، تلفن همراه و غیره توسط کاربر دیده میشود.
2. سطح برنامه (سرور).
3. سطح سرور اطلاعات پایگاه داده.

این معماری شامل سطح برنامه بین کاربر و سیستم مدیریت پایگاه است که وظیفه انتقال درخواست کاربر به سیستم و ارسال پاسخ از سیستم به کاربر را بر عهده دارد.
سطح برنامه ، منطق عملکردی ، محدودیت ها و قوانین را قبل از انتقال داده به کاربر را پردازش می کند.معماری سه لایه محبوب ترین معماری سیستم مدیریت پایگاه داده است.

اهداف معماری سه سطحی:

1. جدا کردن سطح برنامه کاربر و پایگاه داده فیزیکی
2. پشتیبانی از ویژگی های سیستم مدیریت پایگاه داده مطرح شده است.
3. استقلال برنامه و داده ها
4. پشتیبانی از نماهای انواع داده ها

نمونه ای از معماری سه سطحی را میتوان هر وبسایت بزرگی در اینترنت را نام برد.

در طی پانزده سال اخیر، شبکه‌های اجتماعی که چیزی بی‌سابقه بودند، به یک ویژگی همه‌گیر در دنیای مدرن تبدیل شده‌اند.
داده‌های نظرسنجی تحقیق پیو (Pew) بر روی استفاده از شبکه‌های اجتماعی نشان می‌دهد که این پلتفرم‌ها به چه میزان جهانی شده‌اند. گزارش شده است که میانگین بزرگسالان آمریکایی از بین هشت پلتفرم معروف، حداقل از سه تای آنها به‌طور منظم استفاده می‌کنند.
داده‌های تولید شده از طریق شبکه‌های اجتماعی، با وجود کاربران فراوان، فرصت‌های بسیاری را به شرکت‌هایی با استراتژی‌هایی در محل برای مدیریت کلان داده‌های بدون ساختار، ارائه می‌دهد.

داده‌های شبکه‌های اجتماعی

کاربران شبکه‌های اجتماعی همانند دیگر کاربران به طور مداوم با جنبه‌های مختلفی از هر پلتفرم مواجه می‌شوند. هرکس از این تعاملات یک مقدار داده‌ی قابل اندازه‌گیری می‌سازد که قابلیت پیگیری، تقسیم و تجزیه و تحلیل برای بینش‌ها را دارد.
داده‌های شبکه‌های اجتماعی مرتباً رفتار کاربر را ثبت می‌کنند. این امر به شرکت‌ها اجازه می‌دهد تا استراتژی‌های مشارکتی بسازند که به آنها در ارتقای تجارت‌شان کمک می‌کند.
یکی از مزایای اصلی این داده‌ها این است که به سادگی مقدار زیادی از آنها را بدست خواهید آورد. رقم سرسام‌آور ۲.۶۲ بیلیون کاربر که در سال ۲۰۱۸ از برخی از پلتفرم‌های شبکه‌های اجتماعی استفاده می‌کردند. انتظار می‌رود که این رقم تا سال ۲۰۲۱ به ۳ بیلیون برسد. فیس بوک، محبوب‌ترین پلتفرم شبکه‌ی اجتماعی تابه‌حال، به تنهایی کمی بیشتر از ۲ بیلیون کاربر فعال دارد.
داده‌های تولید شده با این پلتفرم‌ها نه تنها وسیع هستند بلکه یک نگاه اجمالی از آنچه کاربرها در حال انجام هستند، ارائه می‌دهند.
شرکت‌ها به جای اینکه منتظر گزارش‌های سالانه یا فصلی از رفتار مشتریان باشند می‌توانند گرایش‌ها و واکنش‌ها را به محض اتفاق دنبال کنند.

سنجه‌های عملکرد

به طور طبیعی، داده‌های شبکه‌های اجتماعی شامل سنجه‌های مختلفی می‌شوند که به راحتی قابلیت جمع‌آوری دارند:
·       پسندیدن‌ها (Likes)
·       به اشتراک‌گذاری‌ها (Shares)
·       نام بردن (Mentions)
·       اثرگذاری‌ها (impressions)
·       کلیک‌های URL
·       نظرات (comments)
·       استفاده از هشتگ
·       استفاده از کلمات کلیدی
قطعاً بسیاری از این مقادیر داده بدون انواعی از محتوا، بی‌معنی هستند. استراتژی‌های شبکه‌های اجتماعی اولیه بر روی سنجه‌های پوچی» تمرکز کرده بود؛ مانند تعداد دنبال کنندگان (follower) و مشارکت‌های سطحی در پسندیدن یا به اشتراک‌گذاری.
مشکل این سنجه‌ها این است که نتیجه‌گیری عملی از آنها بدون تحلیل و بررسی‌های اضافی سخت است. داشتن دنبال کنندگان زیاد در یک پلتفرم عملاً به معنای موفقیت در کسب‌وکار نیست.

مدیریت داده‌های بدون ساختار

با وجود اینکه تجزیه و تحلیل‌های کلان داده اغلب با دیگر صنایع دارای داده‌های سنگین مانند مراقبت‌های بهداشتی مرتبط است، ولی این را برای شرکت‌ها ممکن ساخته است که بینش‌هایی بامعنی از سنجه‌های عملکرد شبکه‌های اجتماعی بیرون بکشند.
گرچه شبکه‌های اجتماعی داده‌ی ساختارمند فراوانی در ارتباط با کاربران تهیه می‌کنند (اطلاعات پایه‌ای مانند نام، آدرس الکترونیک، جنسیت و غیره) ولی اکثریت قریب به اتفاق آنها، بدون ساختارند. به این معنی که با هیچ نوع بخصوصی سازگار نیستند و تقریبا می‌توانند شامل هر اطلاعاتی باشند. از آنجا که حدود ۸۰ درصد همه‌ی داده‌های تولید شده بدون ساختارند، این نباید جای تعجب داشته باشد.
روش شناسی‌های کلان داده با استفاده از الگوریتم‌های قدرتمند به شرکت‌ها اجازه می‌دهد تا این داده‌ها را به شکلی موثرتر مدیریت کنند. اکثر پلتفرم‌های شبکه‌های اجتماعی شکلی از ابزارهای تجزیه و تحلیل ارائه می‌دهند که ایجاد محتوا برای دیگر کلان داده‌های بدون ساختار و گسترده را تسهیل می‌کند.
این امر برای توسعه و بهبود استراتژی شبکه‌ی اجتماعی کمک‌کننده است ولی تنها خراشی بر پوشش گنجینه‌ی بینش‌های پنهان در داده‌های شبکه‌های اجتماعی ایجاد می‌کند.

داده کاوی

داده‌های بدون ساختار فراتر از سنجه‌های عملکرد و مشارکت را در بر می‌گیرند. فایل‌ها، تصاویر، ویدیوها، فایل‌های صوتی، نظرات و پیام‌های به اشتراک گذاشته شده، همه نوعی داده‌ی بدون ساختار هستند. زمانی که کاربران در یک پلتفرم شبکه‌ی اجتماعی چیزی را منتشر می‌کنند، نگاهی اجمالی از زندگی‌شان را در معرض دید قرار می‌دهند.
این اطلاعات برای جستجوی سازمانها جهت توسعه‌ی تولیدات و خدماتی که پاسخگوی نیاز مشتریان‌اند و سطوح درد مخاطبان هدف را مورد توجه قرار می‌دهند، ارزشمندند.
در واقع مشخص کردن مخاطبان هدف هم چالشی است که امکان حل آن از طریق تجزیه و تحلیل رفتار کاربر در پلتفرم‌های شبکه‌های اجتماعی به صورت بالقوه وجود دارد.
ولی با بیش از دو بیلیون کاربر که از شبکه‌های اجتماعی استفاده می‌کنند، اطلاعات بسیار زیادی برای تجزیه و تحلیل وجود دارد. اوضاع زمانی بدتر می‌شود که درصد بالایی از این داده‌های بدون ساختار، پارازیت باشند.
اینجاست که ابزارهای تحلیل و بررسی کلان داده تغذیه شده توسط هوش مصنوعی و یادگیری ماشینی برای سازمانها ارزشمند می‌شوند. این برنامه‌ها می‌توانند بیلیون‌ها تکه‌ی اطلاعات را به منظور استخراج بینش‌های بامعنی در مورد مشتریان سازمانها تجزیه و تحلیل کنند.
به عنوان یک مثال قابل توجه کلان داده، مطالعه‌ی استفاده از توییتر در متروی لندن به مدت یک سال، محتوای توییت‌‌ها را در زمان‌های خاصی از روز تجزیه و تحلیل کردند و نتایج را با استفاده از ویژگی نشانه‌گذاری جغرافیایی (geotagging) پلتفورم، ارجاع متقابل دادند تا مشخص کنند کجا، کِی و کدام کاربران در این باره پست گذاشته‌اند. نتایج منجر به توصیه‌ای از سوی محققان شد که چه نوع تبلیغاتی باید بر روی بیلبوردهای دیجیتال گردان هر ایستگاه در ساعات مختلف روز نمایان شوند تا تاثیرگذاری‌شان به حداکثر برسند.
این تنها یکی از نمونه‌های کلان داده است که نشان می‌دهد داده‌های شبکه‌های اجتماعی چگونه می‌توانند اطلاعاتی عملی ارائه دهند. همین فناوری‌های داده کاوی می‌توانند به شرکت‌ها کمک کند تا محصولات و خدمات بهتری تولید کنند.
تقاضاهای ثابت برای ویژگی‌های جدید بر روی یک محصول یا شکایات از یک خدمت می‌توانند رهنمودی برای محققان و مهندسان باشند که با کار جدی‌تر تجربیات بهتری برای مشتری به ارمغان آورند.

راه‌حل‌های چندگانه

کلان داده به دلیل مقادیر عظیم ذخیره‌سازی و قدرت محاسباتی مورد نیاز برای اجرای برنامه‌های قدرتمند تجزیه و تحلیل، بیشتر شرکت‌ها را با چالش روبه‌رو کرده است.
خوشبختانه مراکز داده‌ی اشتراک فضا (colocation) از توانایی‌های ارتباطی برخوردارند تا برای ساخت شبکه‌های ابری چندگانه به شرکت‌ها کمک کنند تا سرورهای آنها را با قدرت محاسباتی مقیاس‌پذیر پلتفرم‌های خدمات ابری کامل کنند.
این خدمات به سازمانها اجازه می‌دهد تا انواع داده‌های بدون ساختارشان را موثرتر مدیریت کنند، امنیت و کنترلی را که برای زیرساخت‌هایشان نیاز است، حفظ کنند در حالی که ابزارهای قدرتمند تجزیه و تحلیل پیشنهاد شده توسط بسیاری از خدمات پایه‌ی ابری را در دسترس آنها قرار می‌دهند.
همانطور که داده‌های شبکه‌های اجتماعی پیچیده‌تر می‌شوند، شرکت‌ها نیاز پیدا می‌کنند تا راه‌های مدیریت این اطلاعات مختلف را بهبود بخشند. آنها با تنظیم شبکه‌هایی که می‌توانند تجزیه و تحلیل کلان داده را تسهیل کنند، می‌توانند بینش‌های عملی را سریع‌تر از قبل دریافت کنند. این امر به آنها اجازه می‌دهد تا استراتژی‌های انعطاف‌پذیر را به منظور بهبود پاسخگویی به نیازهای مشتری‌شان توسعه دهند.
مراکز داده می‌توانند به شرکت‌ها در ایجاد این شبکه‌ها کمک کنند و با گزینه‌های اتصال به هم و گسترش‌های مبتکرانه‌ی فضای ابری چندگانه، آنها را قادر به دگرگونی دیجیتال کنند.

 منبع: گروه پژوهشی سلام علم

قبل از یادگیری نرم افزار سیستم مدیریت پایگاه داده ، باید بدانیم:

پایگاه داده چیست؟

پایگاه داده مجموعه ای از داده های مرتبط است که نمایانگر برخی از جنبه های دنیای واقعی است. طراحی سیستم پایگاه داده  به گونه ایست که برای برای کار مخصوصی ساخته و با داده های مربوط پر می شود.

نرم افزاری برای ذخیره و بازیابی اطلاعات کاربران با در نظر گرفتن اقدامات امنیتی مناسب است. (این شامل یک گروه از برنامه ها است که پایگاه داده را دستکاری می کنند.) سیستم مدیریت پایگاه داده، درخواست  برنامه را می پذیرد و به سیستم عامل دستور می دهد تا داده های خاص را ارائه دهد. در سیستم های بزرگ ، این نرم افزار به کاربران و سایر نرم افزارها کمک می کند تا داده ها را ذخیره و بازیابی کنند. همچنین به کاربران اجازه می دهد پایگاه داده خود را بر اساس نیاز خود ایجاد کنند. اصطلاح سیستم مدیریت پایگاه داده” شامل کاربر پایگاه داده و سایر برنامه های کاربردی است واین رابطه  بین داده ها و برنامه نرم افزار فراهم می کند.

نمونه ای از پایگاه داده در دانشگاه:

یکی از نمونه های ساده پایگاه داده، در دانشگاه است. این پایگاه اطلاعات درمورد دانشجویان ، دوره ها و نمرات در محیط دانشگاه را حفظ می کند.

این پایگاه داده در پنج فایل سازمان یافته است:

• فایل”دانشجو” داده های هر دانش آموز را ذخیره می کند.
• فایل دوره” حاوی داده های مربوط به هر دوره است.
• فایل بخش” اطلاعات مربوط به بخشها را در یک دوره خاص ذخیره می کند.
• فایل”نمرات” نمرات دریافتی دانش آموزان در بخشهای مختلف ذخیره می شود.
• و در اخر فایل استاد”شامل اطلاعات مربوط به هر استاد است.

برای تعریف سیستم پایگاه داده باید په کرد؟

ما باید ساختار سوابق هر فایل را با تعریف انواع مختلف عناصر داده ای که باید در هر رکورد ذخیره شوند ، مشخص کنیم.ما همچنین می توانیم از کدگذاری برای نشان دادن مقادیریک مدل از  داده استفاده کنیم.اساساً ، پایگاه داده شما دارای پنج جدول است که یک کلید خارجی در میان جداول مختلف تعریف شده است.

ویژگی های سیستم مدیریت پایگاه داده:

1.  امنیت را فراهم می کند و افزونگی را برطرف می کند.
2. پشتیبانی از مدل های متعدد داده ها.
3. سیستم پایگاه داده ماهیت توصیف خودگر دارد.
4.  عایق بندی بین برنامه ها و انتزاعی بودن داده ها.
5. محیطی برای به اشتراک گذاری داده ها و پردازش معاملات چند کاربره.
6. به نهادها و روابط بین آنها اجازه می دهد جداول را تشکیل دهند.
7. از مفاهیم اتمی بودن ، سازگاری ، انزوا و ماندگاری پیروی می کند.
8. سیستم مدیریت پایگاه داده از محیط چند کاربره پشتیبانی می کند که به کاربران امکان دسترسی و دستکاری داده ها را به صورت موازی می دهد.