EIKON Technology

logo Eikon
Menu

BigQuery.

Info

Gemini Kini Tersedia di BigQuery, Bisa Apa Saja?

Akhir Agustus ini, Google mengumumkan ketersediaan umum beberapa fitur Gemini di BigQuery, termasuk pembuatan dan penjelasan kode SQL, pembuatan kode Python, partisi data, serta rekomendasi pengelompokan. Mari simak ulasannya berikut ini! What makes Gemini in BigQuery different? Gemini di BigQuery menghadirkan kemampuan terbaik Google di seluruh manajemen data dan infrastruktur AI dengan model canggih yang dioptimalkan untuk kebutuhan bisnis Anda. Context aware: mengartikan maksud Anda, memahami tujuan Anda, dan terlibat secara proaktif dengan Anda untuk mempercepat alur kerja. Grounded in your data: terus belajar dan beradaptasi dengan data Anda untuk mengungkap peluang baru dan mengantisipasi masalah. Integrated experience: dapat diakses langsung dalam antarmuka BigQuery. Baca juga:  Pengalaman Terpadu Log Gmail di BigQuery, Seperti Apa? Memulai dengan data insights Photo Credit: Google Cloud Blog Analisis data biasanya dimulai dengan penemuan data dan penilaian insight mana yang nantinya bisa didapat dari aset data. Data Insights dari Gemini memiliki database mendalam yang akan membantu Anda mengeliminasi dugaan dengan kueri yang telah divalidasi sebelumnya. Kueri yang dapat ditindaklanjuti tersebut disertakan dalam BigQuery Studio, menyediakan wawasan, tepat di tempat yang dibutuhkan, untuk mengolah analisis data Anda cukup dengan satu klik saja. Tingkatkan produktivitas dengan bantuan kode SQL dan Python Gemini for BigQuery membantu Anda menulis dan memodifikasi kode SQL atau Python menggunakan perintah natural language yang mudah dipahami. Ini akan membantu mengurangi kesalahan dan inkonsistensi dalam kode Anda. Photo Credit: Google Cloud Blog Gemini di BigQuery memahami struktur dan hubungan dalam data, sehingga Anda dapat menerima saran kode yang disesuaikan dari perintah natural language yang mudah dipahami. Photo Credit: Google Cloud Blog Gemini di BigQuery juga dapat memberikan penjelasan untuk membantu Anda memahami kueri SQL dan Python yang kompleks, sehingga memudahkan pengguna dari seluruh tingkat keterampilan dalam memahami logika di balik kode. Baca juga: Mengoptimalkan Penggunaan BigQuery BI Engine Alur kerja analitik yang ditata ulang dengan natural language Gemini di BigQuery mencakup data canvas, antarmuka berbasis natural language yang inovatif untuk eksplorasi, kurasi, pengolahan, analisis, dan visualisasi data. Data canvas memungkinkan Anda untuk mengeksplorasi dan menyusun perjalanan data melalui alur kerja grafis, untuk eksplorasi dan analisis data yang lancar dan intuitif. Optimalkan analitik  untuk performa dan kecepatan Seiring bertambahnya volume data, Anda kemungkinan besar akan menghadapi tantangan dalam mengelola kapasitas secara efektif dan meningkatkan performa kueri. Untuk mengatasi tantangan ini, Gemini di BigQuery menawarkan rekomendasi yang didukung AI untuk mempartisi dan mengelompokkan tabel. Rekomendasi ini bertujuan untuk mengoptimalkan tabel untuk hasil yang lebih cepat dan biaya kueri yang lebih rendah tanpa memerlukan modifikasi apa pun pada kueri. Baca juga: Mengenal Fitur Data Praprocessing dari BigQuery ML Ketersediaan umum Gemini di BigQuery akan diluncurkan secara bertahap selama beberapa bulan ke depan. Saat ini, fitur yang tersedia untuk umum tersedia bagi seluruh pelanggan Google Cloud tanpa biaya tambahan. Belum menggunakan Cloud sebagai solusi komputasi awan Anda? Dapatkan segera melalui EIKON Technology dan nikmati kemudahan Gemini di BigQuery! Untuk informasi lebih lanjut, silakan hubungi kami di sini.

Info

Kini Log Audit Ekspor Workspace di BigQuery Dilengkapi dengan Label Metadata Drive, Apa Bedanya?

Log audit Google Workspace di BigQuery memungkinkan administrator mengetahui aktivitas data mereka (misalnya, saat data dibagikan atau diunduh oleh user), kapan aktivitas tersebut terjadi, dan siapa saja di dalam domain yang melakukan aktivitas tersebut. Kabar baik bagi administrator BigQuery, kini seluruh aktivitas tersebut telah dilengkapi dengan label metadata Google Drive. Mari simak ulasan lengkapnya berikut ini! Log audit Workspace di BigQuery Adanya log audit Workspace di BigQuery membantu administrator mendapatkan visibilitas yang lebih baik terkait data mereka—utamanya yang berhubungan dengan Google Workspace. Ini juga mencakup visibilitas terhadap seluruh aktivitas di Google Drive, mulai dari konten yang dibuat oleh user di Docs, Sheets, Slides, hingga konten yang diunggah oleh user ke Drive (seperti file PDF dan Microsoft Word). Baca juga: Meningkatkan Konsistensi Data Gmail di Security Investigation Tool dan BigQuery Label metadata Drive di BigQuery Dalam update terbaru BigQuery pada bulan Maret 2024, seluruh log audit Workspace akan dilengkapi dengan label metadata Drive. Dengan label Drive ini, administrator dapat menerapkan metadata deskriptif, seperti sensitivitas file ke item Google Drive yang ada di BigQuery. Selain itu, dengan pengayaan label metadata pada log events, administrator kini dapat memfokuskan analisis mereka pada aktivitas yang terjadi di file terpenting mereka dengan memfilter kondisi label. Baca juga: Mengoptimalkan Penggunaan BigQuery BI Engine Mulai menggunakan fitur Photo Credit: Freepik Label metadata Drive ini akan muncul dengan sendirinya setelah update diluncurkan. Namun pastikan Anda sudah mengatur konfigurasi ekspor BigQuery dengan langkah-langkah berikut ini: Masuk ke konsol Google Admin dengan akun super administrator. Di konsol Admin, buka Menu > Reporting > Data integrations. Pilih BigQuery Export dan klik Edit. Untuk mengaktifkan log BigQuery, beri tanda centang pada “Enable Google Workspace data export” di kotak Google BigQuery. Di bawah ID project BigQuery, pilih lokasi yang Anda inginkan untuk menyimpan logs. Pilih lokasi dengan akses edit. Di bawah dataset baru yang ada dalam project, masukkan nama dataset yang Anda gunakan untuk menyimpan logs. Klik Save. Ketersediaan Photo Credit: Freepik Fitur ini telah tersedia di BigQuery. Tersedia untuk seluruh pelanggan Google Workspace edisi Enterprise Essentials Plus, Enterprise Standard dan Enterprise Plus, serta Education Standard dan Education Plus. Baca juga: 5 Cara Mengatur Biaya BigQuery Anda Peningkatan kapabilitas log audit BigQuery ini telah tersedia untuk Google Workspace for Education yang bisa Anda dapatkan melalui EIKON Technology. Kami menyediakan solusi menyeluruh mulai dari tahap perencanaan hingga penerapan. Untuk informasi lebih lanjut mengenai berlangganan Workspace, silakan hubungi kami di sini!

Gmail

Meningkatkan Konsistensi Data Gmail di Security Investigation Tool dan BigQuery

 Pada bulan Agustus 2022 lalu, Google mengumumkan pemindahan log Gmail yang ada di BigQuery ke logs and reports Workspace di BigQuery. Pemindahan ini kemudian menciptakan satu ruang untuk mengakses semua peristiwa audit Google Workspace Anda. Baru-baru ini, Google meningkatkan ruang tersebut untuk menghadirkan konsistensi pelaporan. Untuk detail selengkapnya, mari simak ulasan berikut ini! Konsistensi data Gmail di Security Investigation Tool dan BigQuery Photo Credit: Freepik Setelah pemindahan log Gmail di BigQuery ke logs and reports Workspace, kali ini Google menyempurnakan pengalaman tersebut. Kini Anda akan melihat semua peristiwa log Gmail dari Security Investigation Tool (SIT) di logs and reports Google Workspace BigQuery. Ini mencakup jenis perangkat dan tindakan setelah pengiriman (misalnya buka, hapus, tautan yang diklik, dan unduhan lampiran). Perubahan ini akan memberi administrator gambaran yang lebih lengkap mengenai seluruh aktivitas Gmail yang terjadi di domain mereka, sekaligus menghadirkan konsistensi di seluruh alat pelaporan (reporting tools). Baca juga: Pengalaman Terpadu Log Gmail di BigQuery, Seperti Apa? Peningkatan ini juga menghadirkan beberapa kolom tambahan untuk memudahkan Anda saat memantau log Gmail. Simak tabel di bawah ini untuk mengetahui kolom apa saja yang baru ditambahkan ke alat pelaporan: Daftar kolom yang baru ditambahkan Deskripsi event_info.mail_event_type Jenis peristiwa sesuai dengan atribut Event di Gmail log events in Security Investigation Tool. event_info.client_context.client_type Jenis klien atau perangkat tempat tindakan terjadi, termasuk: WEB, IOS, ANDROID, IMAP, POP3, dan API. event_info.client_context.session_context.delegate_user_email Alamat email pengguna yang didelegasikan untuk melakukan tindakan atas nama pemilik akun. message_info.attachment.file_name Nama lampiran file. message_info.post_delivery_info Informasi mengenai peristiwa pasca pengiriman. message_info.post_delivery_info.action_type Jenis tindakan pasca pengiriman. message_info.post_delivery_info.interaction Informasi mengenai interaksi pengguna dengan link pesan, item Drive, atau lampiran. message_info.post_delivery_info.interaction.link_url URLa yang berhubungan dengan interaksi, yang disetel hanya untuk interaksi klik tautan. message_info.post_delivery_info.interaction.drive_id ID unik item Drive yang berhubungan dengan interaksi, digunakan untuk mengakses item di Drive. message_info.post_delivery_info.interaction.attachment Lampiran target interaksi, yang ditetapkan hanya untuk interaksi lampiran. message_info.post_delivery_info.interaction.attachment.file_extension_type Ekstensi file (bukan tipe bagian MIME), tidak termasuk titik. message_info.post_delivery_info.interaction.attachment.malware_family Jenis malware, jika malware terdeteksi saat penanganan pesan. message_info.post_delivery_info.interaction.attachment.file_name Nama file lampiran. message_info.post_delivery_info.interaction.attachment.sha256 Hash SHA256 dari lampiran. Untuk detail lebih lanjut mengenai tambahan kolom ini, Anda bisa mengakses halaman Pusat Bantuan Google Workspace di sini. Baca juga: Client-Side Encryption untuk Gmail Kini Tersedia bagi Umum, Ini Kegunaannya Mulai menggunakan fitur Photo Credit: rawpixel.com (Freepik) Fitur ini bisa langsung digunakan tanpa memerlukan pengaturan tambahan apa pun. Google telah menyediakan dokumentasi khusus mengenai logs and reports Workspace di BigQuery, skema untuk logs Gmail di BigQuery, serta log peristiwa Gmail yang bisa Anda pelajari lebih lanjut. Penting untuk diingat, update terbaru ini masih mengikuti harga standar BigQuery, Informasi lebih lanjut mengenai biaya, silakan klik di sini! Update terbaru untuk pengelolaan data Gmail ini telah tersedia, baik di domain rilis cepat maupun domain rilis terjadwal. Fitur tersedia untuk Google Workspace edisi Enterprise Essentials, Enterprise Standard, Enterprise Plus, Education Plus, dan Education Standard. Namun tidak tersedia untuk edisi Essentials, Business Starter, Business Standard, Business Plus, Frontline, Nonprofits, serta G Suite Basic dan G Suite Business. Baca juga: Mengenal Fitur Log Analytics dari Cloud Logging yang Telah Didukung oleh BigQuery Dengan hadirnya peningkatan fitur ini, diharapkan Anda dapat mengelola data Gmail lebih mudah dan cepat karena data akan jauh lebih konsisten dibanding sebelumnya. Update ini tersedia untuk Google Workspace for Education yang tersedia di EIKON Technology. Edisi Workspace yang satu ini dikhususkan untuk institusi pendidikan dan mendukung kegiatan belajar-mengajar. Untuk informasi lebih lanjut mengenai implementasi Google Workspace, silakan klik di sini!

Google Cloud

Membangun Pipeline Data Streaming di Google Cloud

Banyak pelanggan membangun saluran data streaming untuk menyerap, memproses, dan kemudian menyimpan data untuk dianalisis. Di Google Cloud, desain umum pipeline terdiri dari tiga langkah: Sumber data mengirim pesan dengan data ke topik Pub/Sub. Pub/Sub menyangga pesan dan meneruskannya ke komponen pemrosesan. Setelah diproses, komponen pemrosesan menyimpan data di BigQuery. Untuk komponen pemrosesan, terdapat tiga alternatif, mulai dari dasar hingga lanjutan: langganan BigQuery, layanan Cloud Run, dan pipeline Dataflow. Mari simak ulasannya berikut. Contoh penerapan Photo Credit: Google Cloud Blog Tiga alternatif pemrosesan Artikel ini akan membahas cara melakukan pemrosesan menggunakan tiga opsi berikut: Langganan BigQuery, solusi pass-through tanpa kode yang menyimpan pesan tidak berubah dalam set data BigQuery. Layanan Cloud Run, untuk pemrosesan pesan individual yang ringan tanpa agregasi. Pipeline Dataflow, untuk pemrosesan lanjutan. Mari simak pembahasan untuk masing-masing pendekatan di bawah ini: Menyimpan data tidak berubah menggunakan langganan BigQuery Photo Credit: Google Cloud Blog Pendekatan pertama adalah yang paling mudah. Anda dapat mengalirkan pesan dari topik Pub/Sub langsung ke set data BigQuery menggunakan langganan BigQuery. Gunakan saat Anda menyerap pesan dan tidak perlu melakukan pemrosesan apa pun sebelum menyimpan data. Saat menyiapkan langganan baru untuk suatu topik, pilih opsi Write to BigQuery, seperti yang ditampilkan di sini: Photo Credit: Google Cloud Blog Detail tentang bagaimana langganan ini diimplementasikan sepenuhnya dipisahkan dari pengguna. Artinya, tidak ada cara untuk mengeksekusi kode apa pun pada data yang masuk. Ini adalah solusi tanpa kode, Anda tidak dapat menerapkan pemfilteran pada data sebelum disimpan. Baca juga: Mengintip Layanan Baru Google Cloud: Tawarkan Fleksibilitas Tinggi bagi Pengguna Memproses pesan satu per satu menggunakan Cloud Run Gunakan Cloud Run jika Anda memang perlu melakukan beberapa pemrosesan ringan pada masing-masing pesan sebelum menyimpannya. Misalnya, mengkanonikalisasi format data, di mana setiap sumber data menggunakan format dan bidangnya sendiri, tapi Anda ingin menyimpan data dalam satu format data. Photo Credit: Google Cloud Blog Pertimbangkan untuk menggunakan Cloud Run sebagai komponen pemrosesan dalam pipeline, jika: Anda dapat memproses pesan satu per satu, tanpa memerlukan pengelompokan dan penggabungan pesan. Anda lebih suka menggunakan model pemrograman umum daripada menggunakan SDK khusus. Anda sudah menggunakan Cloud Run untuk melayani aplikasi web dan lebih memilih arsitektur solusi yang konsisten dan simpel. Baca juga: Melihat Contoh Penerapan Google Distributed Cloud Edge Appliance Pemrosesan lanjutan dan agregasi pesan menggunakan Dataflow Cloud Dataflow, layanan yang terkelola sepenuhnya untuk mengeksekusi pipeline Apache Beam di Google Cloud, telah lama menjadi landasan pembangunan pipeline streaming di Google Cloud. Ini adalah pilihan yang baik bagi pipeline yang menggabungkan kelompok data untuk mengurangi data dan yang memiliki beberapa langkah pemrosesan. Dalam aliran data, pengelompokan dilakukan dengan menggunakan windowing. Fungsi windowing mengelompokkan koleksi tak terbatas berdasarkan time stamp. Ada beberapa strategi windowing yang tersedia, yaitu fixed, sliding, dan session windowing. Dataflow memiliki dukungan bawaan untuk menangani data yang terlambat. Data terlambat masuk saat jendela telah ditutup, dan Anda mungkin ingin membuang data tersebut atau memulai penghitungan ulang. Pendekatan mana yang sebaiknya dipilih? Photo Credit: Google Cloud Blog Ketiga pendekatan di atas memiliki kemampuan dan tingkat kerumitan yang berbeda. Dataflow adalah opsi paling andal dan paling kompleks, yang mengharuskan pengguna menggunakan SDK khusus (Apache Beam) untuk membangun pipeline mereka. Di sisi lain, langganan BigQuery tidak mengizinkan logika pemrosesan apa pun dan dapat dikonfigurasi menggunakan konsol web. Memilih alat yang paling sesuai dengan kebutuhan akan membantu Anda mendapatkan hasil yang lebih baik dengan lebih cepat. Baca juga: Mengoptimalkan Penggunaan BigQuery BI Engine Untuk pipeline besar (Skala Spotify), atau saat Anda perlu mengurangi data menggunakan windowing, atau memiliki multi-step pipeline yang rumit, pilih Dataflow. Dalam semua kasus lainnya, memulai dengan Cloud Run adalah yang terbaik, kecuali jika Anda sedang mencari solusi tanpa kode untuk menghubungkan Pub/Sub ke BigQuery. Dalam hal ini, pilih langganan BigQuery. Biaya adalah faktor lain yang perlu dipertimbangkan. Cloud Dataflow menerapkan penskalaan otomatis, tetapi tidak akan menskalakan ke instance nol jika tidak ada data yang masuk. Untuk beberapa tim, ini adalah alasan memilih Cloud Run daripada Dataflow. Untuk rangkuman dari ketiga pendekatan tersebut, Anda bisa melihat tabel berikut: Photo Credit: Google Cloud Blog Google Cloud menyediakan solusi menyeluruh untuk membangun pipeline data streaming yang dapat Anda sesuaikan dengan kebutuhan dan bujet. Mulai nikmati berbagai kemudahan Cloud dengan berlangganan melalui EIKON Technology. Sebagai partner resmi Google Cloud Indonesia, kami menyediakan solusi bergaransi disertai dengan implementasi menyeluruh. Untuk informasi lebih lanjut, silakan klik di sini!

Google Cloud, Info

Mengoptimalkan Penggunaan BigQuery BI Engine

BigQuery BI Engine adalah sebuah sistem analisis in-memory untuk BigQuery yang saat ini memproses lebih dari 2 miliar kueri per bulan dan akan terus bertambah. Penggunaan BI Engine sangatlah mudah, Anda cukup membuat reservasi memori pada project yang menjalankan BigQuery, dan itu akan meng-cache data serta menggunakan optimalisasi. Artikel kali ini akan membahas bagaimana BI Engine memberikan performa yang sangat cepat untuk kueri BigQuery Anda dan apa yang dapat dilakukan pengguna untuk memanfaatkan potensinya. Optimalisasi BI Engine Dua pilar utama BI Engine adalah in-memory data caching dan pemrosesan vektor. Optimalisasi lainnya termasuk pemangkasan metadata CMETA, pemrosesan simpul tunggal, dan optimalisasi gabungan untuk tabel yang lebih kecil. Baca juga: Penyempurnaan Facet Google Cloud Search, Seperti Apa? Bantu BigQuery dalam pengelolaan data BI Engine menggunakan filter kueri untuk mempersempit sekumpulan blok yang akan dibaca. Oleh karenanya, mempartisi dan mengelompokkan data Anda akan mengurangi jumlah data yang akan dibaca, latensi, dan penggunaan slot. Kedalaman kueri BI Engine saat ini mempercepat tahapan kueri yang membaca data dari tabel, yang biasanya merupakan bagian dari eksekusi kueri. Artinya, hampir setiap kueri akan menggunakan beberapa slot BigQuery. Untuk memitigasi hal ini, BI Engine mencoba mendorong komputasi sebanyak mungkin ke tahap pertama. Misalnya, Query1 dari benchmark TPCH 10G relatif sederhana. Kedalamannya 3 tahap dengan filter dan agregasi efisien yang memproses 30 juta baris, namun hanya menghasilkan 1. Photo Credit: Google Cloud Blog Menjalankan kueri ini di BI Engine, Anda dapat melihat bahwa kueri lengkap membutuhkan waktu 215 ms dengan tahap “S00: Input” yang dipercepat oleh BI Engine hingga menjadi 26 ms saja. Photo Credit: Google Cloud Blog Menjalankan kueri yang sama di BigQuery menghasilkan 583 md, dengan “S00: Input” membutuhkan waktu 229 md saja. Photo Credit: Google Cloud Blog Itu artinya, waktu proses tahap “S00: Input” turun hingga 8x, tapi kueri keseluruhan tidak menjadi 8x lebih cepat. Sebab, dua tahap lainnya tidak dipercepat dan waktu prosesnya tetap kurang lebih sama. Berikut gambaran perincian antar tahapannya: Photo Credit: Google Cloud Blog Joins BI mempercepat tahapan “leaf” kueri. Namun, ada satu pola yang sangat umum digunakan dalam alat BI yang dioptimalkan oleh BI Engine. Saat itulah, satu tabel “fact” besar digabungkan dengan satu atau lebih tabel “dimension” yang lebih kecil. Kemudian BI Engine dapat melakukan banyak gabungan, semuanya dalam satu tahap “leaf”, menggunakan apa yang disebut sebagai strategi eksekusi gabungan “broadcast”. Baca juga: Storage Transfer Service Google Cloud Kini Mendukung Kapabilitas Replikasi Real- Time Selama broadcast join, tabel fakta dipecah untuk dieksekusi secara paralel pada beberapa node, sedangkan tabel dimensi dibaca pada setiap node secara keseluruhan. Misalnya, Anda menjalankan Query 3 dari benchmark TPC-DS 1G. Tabel faktanya adalah store_sales dan tabel dimensinya adalah date_dim dan item. Di BigQuery, tabel dimensi akan dimuat ke pengacakan terlebih dahulu, lalu ke tahap “S03: Join+”. Untuk setiap bagian paralel store_sales, akan membaca semua kolom yang diperlukan dari tabel dua dimensi untuk digabungkan. Photo Credit: Google Cloud Blog Dengan BI Engine, katakanlah dua node akan memproses kueri karena tabel store_sales terlalu besar untuk pemrosesan satu node. Pada gambar di bawah, Anda dapat melihat bahwa kedua node akan memiliki operasi yang serupa—membaca data, memfilter, membuat tabel pencarian, dan kemudian melakukan penggabungan. Meski hanya sebagian data untuk tabel store_sales, yang diproses pada masing-masing tabel, semua operasi pada tabel dimensi akan diulang. Photo Credit: Google Cloud Blog Baca juga: Melihat Contoh Penerapan Google Distributed Cloud Edge Appliance Bisa disimpulkan bahwa untuk mengoptimalkan penggunaan BI Engine, pastikan untuk memfilter dan mengagregasi data sebanyak mungkin di awal kueri. Dorong filter dan komputasi ke dalam BI Engine. Kueri dengan jumlah tahapan yang sedikit akan mendapat akselerasi terbaik. Penggunaan join terkadang mahal, namun BI Engine mungkin akan sangat efisien dalam mengoptimalkan kueri skema biasa. Mempartisi dan/atau mengelompokkan tabel bermanfaat untuk membatasi jumlah data yang akan dibaca. BigQuery BI Engine merupakan mesin analitik data untuk menjalankan data yang disimpan di BigQuery. Mesin ini berjalan di ekosistem Google Cloud, menawarkan pengalaman yang lebih seamless, cepat, dan tentunya aman. Dapatkan layanan komputasi awan Google Cloud melalui EIKON Technology. Kami merupakan partner resmi Google Cloud Indonesia, yang menghadirkan produk berlisensi dengan layanan konsultasi penerapan komprehensif. Untuk informasi lebih lanjut, hubungi kami di sini!

Google Cloud

Mengenal Fitur Log Analytics dari Cloud Logging yang Telah Didukung oleh BigQuery

Logging adalah bagian penting dari siklus pengembangan software yang memungkinkan developer untuk men-debug aplikasi mereka, tim DevOps/SRE untuk memecahkan masalah, dan admin keamanan untuk menganalisis akses. Cloud Logging menyediakan saluran yang kuat untuk menyerap log secara andal dalam skala besar dan menemukan log Anda dengan cepat. Baru-baru ini, Google Cloud meluncurkan Log Analytics, serangkaian fitur baru di Cloud Logging yang telah memiliki dukungan BigQuery sehingga memungkinkan Anda mendapatkan lebih banyak wawasan dan nilai dari log Anda. Apa itu Log Analytics Log Analytics menghadirkan kemampuan baru untuk menelusuri, menggabungkan, atau mengubah log pada waktu kueri langsung ke Cloud Logging dengan pengalaman pengguna baru yang dioptimalkan untuk menganalisis data log melalui kecanggihan BigQuery. Nah, BigQuery sendiri merupakan data warehouse multi cloud yang hemat biaya, tanpa server, untuk mendukung inovasi berbasis data. Photo Credit: Google Cloud Blog Dengan Log Analytics, kini Anda dapat memanfaatkan SQL dan kemampuan BigQuery lainnya untuk menganalisis log. Sekarang, Cloud Logging menawarkan fungsionalitas yang Anda miliki di masa lalu dan kemampuan analitis melalui fitur Log Analytics. Berikut adalah beberapa kapabilitas yang mampu dijalankan oleh Log Analytics: Pipeline penyerapan logging yang aman, patuh, dan skalabel melalui Logs Router. Solusi logging-as-a-service terkelola dengan antarmuka pengguna khusus untuk analisis log. Dukungan untuk logging terpusat di seluruh Google Cloud, cloud lain, dan penyimpanan di lokasi. Wawasan dan saran otomatis seperti Error Reporting. Metrik dan peringatan berbasis log untuk agregasi, visualisasi, dan peringatan log secara real-time. Pembayaran fleksibel sesuai harga. BARU – Mesin BigQuery andal dan opsi SQL untuk pemrosesan ad hoc log. BARU – Akses read only otomatis ke semua log analisis log di BigQuery. BARU – Visualisasi data log yang kaya (dalam pratinjau). Baca juga: Memanfaatkan Google Cloud sebagai Pengamanan Tambahan bagi Developer Keunggulan Log Analytics Photo Credit: Google Cloud Blog Log Analytics memanfaatkan kekuatan BigQuery untuk memungkinkan pengguna Cloud Logging melakukan analisis pada data log. Logging terpusat: Dengan mengumpulkan dan menyimpan data log secara terpusat di Log Bucket khusus, ini memungkinkan banyak pemangku kepentingan untuk memanipulasi data mereka dari sumber data yang sama. Anda pun tidak perlu lagi membuat duplikat salinan data. Mengurangi biaya dan kompleksitas: Log Analytics memungkinkan penggunaan kembali data di seluruh perusahaan, sehingga menghemat biaya dan mengurangi kerumitan secara efektif. Analisis log ad hoc: Memungkinkan analisis log waktu kueri ad-hoc tanpa memerlukan pra-pemrosesan yang rumit. Platform yang dapat diskalakan: Log Analytics dapat disesuaikan untuk meningkatkan observabilitas dengan memanfaatkan platform BQ tanpa server dan melakukan agregasi pada skala petabyte secara efisien. Log Analytics juga dirancang untuk beberapa pengguna dalam satu perusahaan dan bertujuan untuk memecah silo. Berikut adalah beberapa kategori yang dapat memanfaatkan fitur ini: Developer & DevOps: Menggunakannya untuk pemecahan masalah Infrastruktur dan Aplikasi Tim Keamanan: Menggunakannya untuk Audit Log Analysis. Profesional jaringan: Menggunakannya untuk melakukan analisis log jaringan. Tim Operasi Bisnis: Menggunakannya untuk keperluan manipulasi data, membuat KPI, dan membuat dasbor (setelah pengembangan fitur). Baca juga: Melindungi Jaringan Cloud Anda di Masa Mendatang dengan Keamanan Data Otonom Harga Log Analytics termasuk dalam paket Cloud Logging standar. Kueri yang dikirimkan melalui antarmuka pengguna Log Analytics tidak dikenakan biaya tambahan apa pun. Mengaktifkan analisis di BigQuery bersifat opsional dan, jika diaktifkan, kueri yang dikirimkan terhadap kumpulan data tertaut BigQuery termasuk Data Studio, Looker, dan via BigQuery API, dikenakan biaya kueri BigQuery standar. Baca juga: Google Cloud Backup and DR, Apa Keunggulannya? Untuk mencoba fitur baru ini, kunjungi halaman Log Analytics di Cloud Console dan tingkatkan Log Bucket yang ada atau buat Log Bucket baru. Anda juga bisa melihat contoh kueri dari Google Cloud ini untuk memulai. Bagan di Log Analytics sekarang tersedia sebagai Private Preview (daftar di sini). Cloud Logging merupakan salah satu layanan andalan dari Google Cloud yang akan membantu Anda dalam manajemen dan analisis log. Layanan ini tentu saja sudah menerapkan ekosistem cloud yang fleksibel dan efisien. Untuk mulai berlangganan Google Cloud, Anda dapat menghubungi EIKON Technology. Kami akan membantu Anda memilih paket solusi yang paling sesuai dengan kebutuhan perusahaan Anda. Untuk informasi lebih lanjut, klik di sini.

Google Cloud

5 Cara Mengatur Biaya BigQuery Anda

Apakah Anda pernah merasa khawatir tentang pengendalian biaya BigQuery di beberapa proyek? Ulasan kali ini akan membahas tentang beberapa trik untuk membatasi biaya dan juga memantau konsumsi BigQuery. Anda juga dapat menemukan cara melakukan partisi yang tepat agar biaya yang dikeluarkan tetap sesuai bujet. Mari simak penjelasan lengkapnya bersama. Mengatur kuota tingkat pengguna dan kuota tingkat proyek untuk menetapkan batas penggunaan Photo Credit: Google Cloud Blog Jika Anda memiliki beberapa proyek dan pengguna BigQuery, Anda dapat mengelola biaya dengan meminta kuota khusus yang menentukan batas jumlah data kueri yang diproses per hari. Membuat kuota khusus pada data kueri memungkinkan Anda mengontrol biaya di tingkat proyek atau di tingkat pengguna. Kuota khusus tingkat proyek membatasi penggunaan agregat semua pengguna dalam proyek tersebut. Kuota khusus tingkat pengguna diterapkan secara terpisah ke semua pengguna dan akun layanan dalam suatu proyek. Namun perlu diingat, Anda tidak akan bisa menetapkan kuota khusus untuk pengguna atau akun layanan tertentu. Baca juga: Pengalaman Terpadu Log Gmail di BigQuery, Seperti Apa? Membatasi biaya kueri dengan membatasi jumlah byte yang ditagih Photo Credit: katemangostar (Freepik) Anda dapat membatasi jumlah byte yang ditagih untuk kueri menggunakan setelan byte maksimum yang ditagih. Saat Anda menetapkan byte maksimum yang ditagih, jumlah byte yang akan dibaca kueri bisa diprediksi sebelum eksekusi kueri. Jika jumlah byte yang diperkirakan melebihi batas, maka kueri akan gagal tanpa dikenakan biaya. Jika kueri gagal karena setelan tagihan byte maksimum, pesan error seperti berikut akan ditampilkan: Error: Query exceeded limit for bytes billed 1000000. 10485760 or higher required. Buat anggaran Cloud Billing Hindari tagihan yang membengkak dengan membuat anggaran Cloud Billing untuk memantau semua tagihan Google Cloud Anda di satu tempat. Anggaran memungkinkan Anda melacak pembelanjaan Google Cloud aktual terhadap pembelanjaan yang direncanakan. Setelah menetapkan jumlah anggaran, Anda dapat menetapkan aturan ambang batas peringatan anggaran yang digunakan untuk memicu pemberitahuan email. Email peringatan anggaran membantu Anda mendapat informasi mengenai kesesuaian pembelanjaan dengan anggaran yang sudah ditetapkan sebelumnya. Menulis kueri yang bagus Photo Credit: pressfoto (Freepik) Sebisa mungkin, hindari memilih opsi tambahan (*). Penting untuk diingat juga, menerapkan klausa LIMIT ke kueri tidak akan memengaruhi jumlah data yang dibaca. Selain itu, jangan pernah menjalankan kueri untuk menjelajahi atau melihat pratinjau data tabel. Anda juga disarankan untuk melakukan dry run dan selalu memperkirakan biayanya sebelum menjalankan kueri. Terakhir, selalu pilih data yang Anda butuhkan saja. Baca juga: 3 Fitur Rahasia BigQuery untuk Kelola Data Lebih Baik Partisi tabel sehingga pengguna BigQuery terpaksa menentukan klausa WHERE Tabel yang dipartisi adalah tabel khusus yang dibagi menjadi beberapa segmen. Cara ini akan memudahkan pengelolaan dan kueri data Anda. Dengan membagi tabel besar menjadi partisi yang lebih kecil, Anda dapat meningkatkan kinerja kueri. Anda pun dapat mengontrol biaya dengan mengurangi jumlah byte yang dibaca oleh kueri. Dengan tabel yang dipartisi, pelanggan dipaksa untuk menentukan klausa WHERE dan itu akan memberlakukan limit untuk membatasi pemindaian tabel penuh. Jika kueri menggunakan filter yang memenuhi syarat pada nilai kolom partisi, BigQuery dapat memindai partisi yang cocok dengan filter dan melewati partisi yang tersisa. Proses ini disebut pemangkasan partisi. Pemangkasan partisi adalah mekanisme yang digunakan BigQuery untuk menghilangkan partisi tidak perlu dari pemindaian input. Partisi yang dipangkas tidak disertakan saat menghitung byte yang dipindai oleh kueri. Secara umum, pemangkasan partisi membantu mengurangi biaya kueri. Baca juga: Percepat Migrasi Data BigQuery dengan Penerjemah SQL Otomatis Dengan menerapkan  cara di atas, Anda akan memiliki kontrol penuh atas biaya yang dihabiskan dalam pemanfaatan BigQuery. Namun Anda tak perlu khawatir karena penggunaan BigQuery secara umum dapat diatur untuk bisa menyesuaikan bujet dan kebutuhan. Untuk pemanfaatan BigQuery yang lebih optimal, gunakan solusi komputasi awan Google Cloud. Solusi ini tersedia untuk penggunaan perusahaan, baik itu skala besar, menengah, maupun kecil. Google Cloud resmi dan berlisensi bisa Anda dapatkan melalui EIKON Technology, authorized reseller untuk produk-produk Google. Informasi selengkapnya, silakan klik di sini!

Gmail, Google Cloud

Pengalaman Terpadu Log Gmail di BigQuery, Seperti Apa?

Sebelumnya, Google menyimpan log Gmail langsung ke lokasi tersendiri di BigQuery. Namun mulai 10 Agustus 2022, penyimpanan log Gmail secara bertahap dipindahkan ke log dan laporan Google Workspace di BigQuery. Untuk lebih memahami tentang transisi ini, mari simak ulasan berikut. Perpindahan ke log dan laporan Google Workspace Photo Credit: Google Workspace Updates Melalui update di blog resminya, Google Workspace mengumumkan bahwa kini log Gmail akan dipindahkan ke log dan laporan Google Workspace di BigQuery. Sebelumnya, log Gmail diletakkan di tempat terpisah di BigQuery. Namun perubahan ini hanya akan memengaruhi pelanggan Google Workspace yang mengaktifkan BigQuery Export. Sedangkan pelanggan baru akan dipandu dalam menyiapkan proyek BigQuery Workspace untuk log Gmail. Photo Credit: Google Workspace Updates Saat perubahan ini terjadi, data Gmail akan diekspor ke log Gmail dan log Workspace dalam waktu singkat. Pelanggan Google Workspace lama yang terpengaruh akan menerima pemberitahuan email dengan informasi lebih lanjut dalam beberapa minggu mendatang. Mengapa perpindahan ini penting? Perubahan ini akan membuat satu ruang untuk mengakses semua peristiwa audit Google Workspace Anda. Dengan begitu, Anda tidak perlu berpindah-pindah lokasi untuk mengecek log Gmail. Semuanya telah tersimpan dalam satu tempat dan saling terintegrasi. Setelah penggabungan ini selesai, Anda tidak bisa lagi menggunakan log Gmail di BigQuery melalui konsol Admin. Untuk informasi lebih lanjut, silakan kunjungi Help Center. Google telah menyediakan dokumentasi khusus membahas perubahan ini, termasuk petunjuk langkah demi langkah terperinci tentang penanganan perubahan ini. Baca juga: 3 Fitur Rahasia BigQuery untuk Kelola Data Lebih Baik Periode ekspor ganda sementara dan persyaratan penyimpanan BigQuery Setelah log Gmail disetel untuk diekspor ke log Workspace, data ini akan diekspor untuk sementara ke dua tujuan: Proyek BigQuery khusus Gmail Anda sebelumnya Proyek BigQuery Workspace baru atau yang sudah ada, yang menyimpan data untuk semua aplikasi Google Workspace Hal ini juga akan memengaruhi batas kuota BigQuery Anda dan seberapa sering kuota tersebut harus diperbarui, serta biaya yang terkait dengan mengekspor log ke BigQuery. Untuk menghindari dampak pada kuota dan data duplikat, sebaiknya nonaktifkan ekspor log Gmail ke proyek BigQuery khusus Gmail Anda. Baca juga: Percepat Migrasi Data BigQuery dengan Penerjemah SQL Otomatis Mulai menerapkan transisi Perubahan ini memerlukan konfigurasi dari administrator, end-user tidak perlu melakukan pengaturan sendiri. Detail mengenai konfigurasi tersebut bisa Anda simak di sini. Transisi akan dimulai pada tanggal 10 Agustus 2022 baik untuk domain rilis cepat maupun domain rilis terjadwal melalui metode extended rollout (ada kemungkinan peluncuran lebih lama dari 15 untuk visibilitas keseluruhan fitur). Tersedia untuk pelanggan Google Workspace Enterprise Essentials, Enterprise Standard, Enterprise Plus, Education Plus, dan Education Standard  Namun tidak tersedia bagi pengguna Google Workspace Essentials, Business Starter, Business Standard, Business Plus, Frontline, dan Nonprofits, termasuk pelanggan G Suite Basic dan G Suite Business (rangkaian produktivitas pendahulu Google Workspace).  Baca juga: Memantau dan Menganalisis Performa BigQuery dengan Information Schema Transisi baru BigQuery tersebut tersedia untuk Google Workspace for Education yang bisa Anda dapatkan melalui EIKON Technology. Sebagai authorized reseller Google, EIKON Technology menyediakan produk Google resmi dan bergaransi. Di samping itu, kami juga menyediakan layanan konsultasi untuk memudahkan Anda mulai dari tahap perencanaan hingga penerapan. EIKON Technology juga menyediakan Google Workspace for Business yang dirancang untuk memenuhi kebutuhan produktivitas bisnsi. Informasi selengkapnya, silakan klik di sini!

Google Cloud

3 Fitur Rahasia BigQuery untuk Kelola Data Lebih Baik

BigQuery merupakan sebuah tool yang disediakan Google Cloud untuk mengelola dan menganalisis data Anda dengan fitur bawaan seperti analisis geospasial, business intelligence, hingga machine learning. Tool ini memiliki banyak sekali fitur, yang beberapa masih belum banyak diketahui pengguna. Berikut 3 fitur “rahasia” di BigQuery yang bisa Anda manfaatkan untuk mengelola data berskala besar lebih baik lagi. AUTO column  Photo Credit: DCStudio (Freepik) Bisa dibilang, fitur yang satu ini adalah “hidden gem” BigQuery, Pasalnya, fitur AUTO column ini tidak tercantum di dokumentasi resmi BigQuery. Bagaimana cara kerjanya? Katakanlah Anda memasukkan beberapa data ke BigQuery, lalu sistem lain ingin menjalankan tugas terjadwal untuk memproses data yang baru datang. Misalnya, sistem dirancang untuk menarik data dari BigQuery ke penyimpanan lain atau menjalankan laporan per jam berdasarkan data. Dalam setiap kasus tersebut, disarankan menghindari pemrosesan catatan yang sama beberapa kali. Namun itu berarti Anda harus tahu catatan mana yang sudah diproses dan mana yang baru ditambahkan setelah pemrosesan berlangsung. Tidak seperti OLTP DB tradisional, BigQuery tidak mendukung kolom kenaikan otomatis atau kolom yang secara otomatis diisi dengan tanggal-waktu terkini (kecuali Anda menggunakan API Streaming) Dengan fitur AUTO column, Anda cukup menambahkan kolom TIMESTAMP ke skema tabel dan menetapkan “AUTO” di payload JSON. Hal ini memungkinkan BigQuery mengisi kolom yang disebutkan dengan waktu yang menunjukkan kapan data masuk secara otomatis. Baca juga: Fitur Penelusuran BigQuery: Bantu Tentukan Elemen Unik Data dengan Mudah Transaksi multi-statement Meski bukan OLTP DB, BigQuery mendukung transaksi multi-statement. Per bulan Agustus 2022, fitur ini masih dalam preview. Namun Google Cloud akan segera mengubah ketersediaannya menjadi general availability (GA). Tidak banyak yang bisa dibahas tentang transaksi dan cara penggunaannya. Google telah menyediakan dokumentasi resmi khusus untuk hal itu. Namun ada beberapa hal menarik yang perlu Anda perhatikan: Jika transaksi mengubah (memperbarui atau menghapus) baris dalam tabel, maka transaksi lain atau pernyataan DML yang mengubah baris dalam satu tabel sama tidak dapat berjalan secara bersamaan. Transaksi yang bertentangan dibatalkan. Transaksi tidak dapat menggunakan pernyataan DDL yang memengaruhi entitas permanen. Fungsi CURRENT_TIMESTAMP, CURRENT_DATE, dan CURRENT_TIME mengembalikan time stamp waktu mulai transaksi. Anda tidak dapat menggunakan klausa FOR SYSTEM_TIME AS OF untuk membaca tabel di luar time stamp waktu mulai transaksi. Melakukannya akan mengembalikan kesalahan. Dalam sebuah transaksi, views yang terwujud diinterpretasikan sebagai pandangan logis. Anda masih dapat menanyakan tampilan terwujud di dalam transaksi, tetapi tidak menghasilkan peningkatan kinerja atau pengurangan biaya dibandingkan dengan tampilan logis yang setara. Baca juga: Percepat Migrasi Data BigQuery dengan Penerjemah SQL Otomatis Clustering Photo Credit: Freepik Bicara tentang pengoptimalan kueri di BigQuery (sebagian besar adalah tentang optimalisasi biaya), pendekatan pertama yang terlintas dalam pikiran adalah partisi tabel (table partitioning). Namun sebenarnya partitioning bukanlah satu-satunya pilihan yang tersedia. Ada juga clustering atau pengelompokan. Sementara partitioning membagi data menjadi beberapa partisi (memungkinkan kueri untuk membaca hanya partisi tertentu bila diperlukan), clustering bekerja dengan menempatkan data terkait dan mengizinkan kueri mengakses segmen data tertentu jika filter untuk kolom pengelompokan digunakan. Baca juga: Memantau dan Menganalisis Performa BigQuery dengan Information Schema Dari ketiga fitur “rahasia” BigQuery di atas, adakah yang sudah pernah Anda gunakan? Dengan memngoptimalkan berbagai fitur serta kapabilitas yang ada dalam tool milik Google Cloud ini, Anda dapat mengelola sekaligus menganalisis data jauh lebih mudah dan optimal, terutama dari segi biaya. Tool ini bisa Anda akses dengan mudah jika menggunakan solusi komputasi awan dari Google Cloud. Dapatkan segera melalui EIKON Technology, authorized reseller yang menyediakan Google Cloud resmi untuk penggunaan skala besar. Kami juga menyediakan layanan konsultasi untuk mendampingi Anda mulai dari tahap perencanaan hingga penerapan solusi. Informasi selengkapnya mengenai implementasi Google Cloud, silakan klik di sini!

Google Cloud

Percepat Migrasi Data BigQuery dengan Penerjemah SQL Otomatis

Teknologi komputasi awan memungkinkan Anda untuk dapat melahirkan inovasi tanpa batas dan menemukan kapabilitas yang tidak disadari sebelumnya. Google menawarkan teknologi ini dalam satu antarmuka terpadu. Memigrasikan ekosistem data ke Google Cloud akan membantu Anda untuk memecah silo data sekaligus memanfaatkan potensi data secara optimal. Sayangnya, memindahkan ekosistem data, terutama data warehouse bukanlah suatu hal yang mudah. Salah satu faktor penghambat terbesarnya adalah proses modernisasi logika bisnis sebelumnya, seperti kueri SQL dan prosedur yang sudah tersimpan sebelumnya. Proses ini biasanya akan melibatkan penulisan ulang dan verifikasi kueri manual yang substansial. Selain sangat memakan waktu, proses ini pun rawan kesalahan. Baru-baru ini, Google Cloud menghadirkan sebuah inovasi yang mampu menyederhanakan proses migrasi data warehouse dengan penerjemah SQL otomatis sebagai bagian dari BigQuery Migration Service (BQMS). Pelanggan kini bisa mendapat terjemahan yang benar secara semantik dan dapat dibaca manusia dari kueri SQL lama mereka, di berbagai data warehouse, hanya dengan menekan satu tombol saja. BQMS tersedia secara gratis dan secara signifikan mengurangi waktu, biaya, dan risiko migrasi gudang data ke BigQuery. Penerjemah SQL otomatis Photo Credit: Google Cloud Blog BigQuery Migration Service (BQMS) telah dimanfaatkan oleh perusahaan besar dunia seperti PayPal dalam migrasi data mereka. Kini, BQMS sudah meluncurkan ketersediaan umum sehingga diharapkan ada lebih banyak perusahaan yang bisa memanfaatkannya, termasuk untuk kapabilitas terjemahan SQL otomatis. BQMS telah mendukung kapabilitas untuk menerjemahkan SQL per batch untuk lebih dari 10 dialek ke BigQuery, di antaranya: Amazon Redshift SQL dan Teradata SQL di GA Apa Apache HiveQL, Apache Spark SQL, Azure Synapse T-SQL, Basic Teradata Query (BTEQ), Teradata SPL, IBM Netezza SQL/NZPLSQL, Oracle SQL / Exadata, PL/SQL, Snowflake SQL, dan Vertica SQL (dalam preview) Baca juga: Memantau dan Menganalisis Performa BigQuery dengan Information Schema Penerjemah interaktif Photo Credit: Google Cloud Blog Selain itu, Google Cloud telah mendesain agar kapabilitas terjemahan ini memberikan pengalaman yang mirip dengan Google Translate. Kemampuan ini disebut terjemah SQL interaktif yang menyediakan alat terjemahan SQL real-time dan langsung kepada pengguna sehingga memungkinkan terjemahan self-service. Hal ini tidak hanya akan mengurangi waktu dan upaya analis data dalam memigrasikan kueri mereka, tapi juga mampu meningkatkan seberapa cepat mereka belajar memanfaatkan kemampuan modern BigQuery. Baca juga: BigQuery BI Engine Kini Tersedia untuk Publik, Apa Saja Fitur yang Tersedia? Dilengkapi dengan tool pendukung Untuk membuat penggunaan terjemahan SQL lebih mudah dan akurat dalam migrasi data Anda, Google Cloud telah menyertakan rangkaian tools untuk pelanggan yang terbuka dan fleksibel. Rangkaian tools ini bisa Anda gunakan untuk membantu tugas-tugas umum seperti mengekstrak SQL dan skema dari warehouse sumber serta memetakan ulang penamaan skema sumber ke skema tujuan BigQuery. Alat-alat ini juga dapat membantu Anda melakukan otomatisasi pengalaman terjemahan end-to-end, mengurangi intervensi manual dan juga refactoring pasca-terjemahan. Ketika intervensi manual diperlukan, BQMS dengan jelas menggambarkan bagian mana yang perlu ditinjau untuk akurasi serta mana yang tidak dapat diterjemahkan secara otomatis dan harus ditangani di luar BQMS. Mulai menerapkan terjemahan SQL otomatis BQMS Photo Credit: Google Cloud Blog BigQuery Migration Service mempercepat sebagian besar proses migrasi data menyeluruh dengan alat yang terbuka dan canggih. Sekali lagi, kapabilitas terjemahan SQL otomatis BQMS kini telah tersedia untuk publik dan bisa digunakan secara gratis. Dengan memanfaatkan kapabilitas ini, Anda dapat mempercepat sekaligus menurunkan biaya migrasi data ke BigQuery. Jika Anda ingin memanfaatkan BQMS untuk bukti konsep atau migrasi data yang akan datang, Google Cloud telah menyediakan panduan gratis. Di samping itu, Anda juga bisa menghubungi partner resmi yang telah ditunjuk oleh Google Cloud seperti EIKON Technology untuk implementasi platform. Baca juga: Kelola Administrasi BigQuery Lebih Mudah dengan Fitur Resource Charts dan Slot Google Cloud telah terbukti kemampuannya dalam menyediakan solusi migrasi data, yang bukan hanya lengkap, tapi juga efisien. Kapabilitas terjemahan otomatis SQL dalam BigQuery Migration Service adalah salah satu dari beragam layanan yang dihadirkan Google Cloud untuk membantu Anda menguraikan problem umum dalam migrasi data. Dapatkan segera Google Cloud untuk mendukung transformasi data perusahaan Anda. EIKON Technology siap mendampingi Anda mulai dari tahap perencanaan hingga pasca-implementasi nanti. Untuk terhubung dengan EIKON Technology, silakan klik di sini!

Scroll to Top