Zero Latency

A számítógép sokkal jobb a “gondolkodásban”, mint az agyunk, ha sok dolgot egyszerre kell megvizsgálni. A valós idejű döntést sokkal gyorsabban és sokkal pontosabban tudja végrehajtani és az óriási memóriakapcitásával nem csak a vezető ismereteit, hanem az egész iparág koponyáinak tudását fel tudja használni. Az viszont nagyon fontos, hogy nem csak a múlt adatait kell látnia, hanem az éppen aktuális adatokat, hiszen egy adatnak annál nagyobb a jelentősége minél közelebb van az aktuális időponthoz.

A vállalatok jelenleg egyfajta szoftveres nagyítóként használják a BI rendszereket, amelyek segítségével a folyamataikat, értékláncaikat elemzik és folyamatosan finomhangolják ezek működését. A jelenlegi architektúrák viszont csak arra adnak lehetőséget, hogy a mai napon a tegnapi adataimat tudom teljes körűen elemezni. Ennek oka az eddigi paradigma: az ERP tranzakciós adatbázisba (OLTP) menti az adatokat, míg a BI csak adatkockákból (OLAP) tud táplálkozni,  ezért – rendszerint éjszakánkénti – szinkronizáció (extract-transform-load – ETL) viszi át a tranzakciós rendszerekből az adatokat a BI adatkockáiba. Alternatívaként használják memóriában tárolt adatbázist, de ez csak kis adatmennyiségeknél nyújt megoldást a problémára és ez sem valós idejű. Még az üzleti felhasználók sem mindig látják, hogy mennyi korlátot okoz az jelenleg, hogy az ERP-ben tárolt információk csak bizonyos feldolgozás után tudnak a BI-ban megjelenni.

A múltat feldolgozó rendszerekből ugyanazért nem lehet vállalatot vezetni, mint amiért nem lehet autót vezetni csak a visszapillantó tükörbe nézve. A vállalati döntéshozó így csak azt látja, hogy mit kellett volna tegnap csinálni, hogy a vállalat működése hatékonyabb legyen, de a valós idejű folyamatok szabályozásában nincs hathatós segítsége. Tehát az a rendszer, ami a vezetésben hivatott segíteni bennünket, jelenleg egy visszapillantó tükör – pusztán abban tud segíteni, hogy mi mellett mentem el, abban nem, hogy éppen mire kell figyeljek.

SingleStoreDB feloldja ezt a problémát, azaz valós időben lehet készletforgás chartokat elemezni, de sokkal fontosabb eredmény, hogy a mesterséges intelligencia gépi tanuló algoritmusai is a valós adatokon tudnak futni és valós idejű kontrollt adnak az üzleti folyamatokhoz (hiszen a gépi tanulásnak is általában adatkockákra van szüksége nem tranzakciós adatbázisra). Ez lehetővé teszi a vállalatok gyorsabb reagálását a változásokra, amely egy a jelenlegi nagyon változó világban létfontosságú, valós döntési segítséget tud adni az üzleti szoftver a középvezetőknek