EIKON Technology

logo Eikon
Menu

BigQuery.

Google Cloud

Material Security: Perusahaan Keamanan Email yang Didukung Skalabilitas BigQuery

Email kini bukan sekadar alat komunikasi elektronik. Banyak perusahaan yang mengandalkan email sebagai sebuah sistem penyimpanan untuk laporan keuangan, dokumen hukum, dan bahkan catatan personalia. Dari operasi sehari-hari hingga komunikasi klien dan karyawan, email masih tetap relevan sebagai komunikasi digital. Namun sayangnya email juga punya kelemahan. Bisa dibilang, email adalah sumber risiko yang paling umum dan target yang disukai oleh penjahat siber. Banyak pendekatan keamanan email yang berusaha membuatnya lebih aman dengan memblokir email berbahaya, tapi masih membiarkan data di kotak surat tidak terjaga saat muncul pelanggaran. Material Security mengambil pendekatan berbeda. Dengan asumsi bahwa pelaku kejahatan sudah memiliki akses ke kotak surat, perusahaan keamanan email tersebut mencoba mengurangi tingkat pelanggaran dengan memberikan perlindungan tambahan untuk email sensitif. Seperti apa? Material: Solusi keamanan email yang dibangun dengan BigQuery Dengan fokus utama untuk meningkatkan keamanan email, Material Security terus mengembangkan solusi yang dapat mengurangi tingkat pelanggaran. Salah satunya bisa Anda rasakan pada fitur Leak Prevention yang ada di Material. Fitur tersebut menemukan dan menyunting konten sensitif dalam arsip email, tapi menyediakan opsi untuk dipulihkan dengan langkah autentikasi sederhana bila diperlukan. Fitur lainnya meliputi: ATO Prevention: menghentikan penyerang menyalahgunakan email pengaturan ulang kata sandi untuk membajak layanan lain. Phishing Herd Immunity: otomatisasi respons tim keamanan terhadap laporan phishing karyawan. Visibility and Control: menyediakan analisis risiko, pencarian real-time, dan alat lain untuk analisis dan manajemen keamanan. Produk Material dapat pada penyedia email cloud mana pun, dan memungkinkan pelanggan mempertahankan kontrol data dengan model penerapan penyewa tunggal. Baca juga: Update Google Workspace untuk Cegah Email Phishing Mendukung aplikasi SaaS berbasis data dengan Google BigQuery Email pada dasarnya merupakan kumpulan data besar yang tidak terstruktur. Itu berarti, untuk melindunginya perlu pemrosesan data dalam jumlah besar dengan cepat, suatu hal yang identik dengan data warehouse BigQuery dari Google Cloud. BigQuery sendiri dipilih karena dinilai sangat cepat dan sangat skalabel. Cara kerjanya pun sejalan dengan pendekatan keamanan Material. BigQuery menyediakan platform lengkap untuk analisis data skala besar di dalam Google Cloud, mulai dari penyerapan, pemrosesan dan penyimpanan data yang disederhanakan, analisis yang andal, AI/ML, serta kemampuan berbagi data. Bersama-sama, kemampuan ini menjadikan BigQuery sebagai platform analisis keamanan andal yang diaktifkan melalui model penerapan unik Material. Photo Credit: Rawpixel Setiap pelanggan mendapatkan proyek Google Cloud mereka sendiri, dilengkapi dengan data warehouse BigQuery yang penuh dengan data yang dinormalisasi di seluruh jejak email mereka. Tim keamanan dapat menanyakan warehouse secara langsung untuk mendukung penyelidikan internal dan membuat pelaporan kustom dan real-time, membangun dan memelihara infrastruktur skala besar tanpa beban. Solusi Material beresonansi dengan pelanggan dari berbagai bidang termasuk perusahaan terkemuka seperti Mars, Compass, Lyft, DoorDash, dan Flexport. Baca juga: 8 Tips Memilih Email Hosting yang Teraman dan Terpercaya Built with BigQuery Photo Credit: Rawpixel Material merupakan perusahaan keamanan yang mengedepankan pemikiran inovatif, desain yang terampil, dan eksekusi strategis. BigQuery merupakan bagian dasar dari kesuksesan Material. Meniru formula ini pun kini lebih mudah bagi ISV melalui layanan Built with BigQuery yang diumumkan pada event Google Data Cloud Summit April lalu. Dengan Built with BigQuery, Google membantu perusahaan teknologi seperti Material membangun aplikasi inovatif di cloud data Google dengan akses yang disederhanakan ke teknologi, dukungan teknis yang membantu dan berdedikasi, serta program go-to-market bersama. Perusahaan yang berpartisipasi dalam Built with BigQuery dapat: Mulai cepat dengan sandbox yang telah dikonfigurasi sebelumnya dari Google. Percepat desain dan arsitektur produk dengan akses ke pakar yang ditunjuk dari ISV Center of Excellence. Mereka akan memberikan wawasan tentang kasus penggunaan utama, pola arsitektur, dan bahkan praktik terbaik. Meningkatkan kesuksesan dengan program pemasaran bersama untuk mendorong kesadaran, menambah permintaan, dan meningkatkan adopsi. Baca juga: Membuat Email dengan Domain Sendiri? Begini Caranya! Selain Material Security, Google Cloud sendiri sebenarnya sudah memiliki sistem keamanan yang komprehensif. Untuk penggunaan skala besar, admin dapat mengatur keamanan, terutama dari segi akses melalui Google Cloud Console. Email native Google, Gmail pun telah dibekali dengan keamanan andal yang meminimalisir risiko kejahatan siber. Google memang menawarkan solusi yang komprehensif untuk aspek TI perusahaan. Bagi Anda yang ingin mengembangkan perusahaan dengan dukungan teknologi, Google adalah pilihan tepat. Misalnya untuk komputasi awan, Anda bisa mengandalkan Google Cloud. Solusi ini bisa Anda dapatkan melalui EIKON Technolgy, authorized reseller Google untuk Indonesia. Untuk informasi lebih lanjut, silakan klik di sini.

Google Cloud

Memantau dan Menganalisis Performa BigQuery dengan Information Schema

Saat ini, kebutuhan akan ruang penyimpanan data bertumbuh dengan pesat. Penting untuk bisa menangkap, memproses, sekaligus menganalisis metadata dan metrik pekerjaan/kueri untuk keperluan audit, pelacakan, penyesuaian kinerja, hingga perencanaan kapasitas. Untuk memberikan akses dan visibilitas yang mudah terhadap metadata dan metrik BigQuery, Google Cloud meluncurkan Information Schema pada tahun 2020 lalu. Layanan ini memberi pelanggan “lensa” untuk bisa menggunakan metadata dan indikator performa untuk setiap tugas/kueri/API BigQuery. Penyimpanan yang terkait dengan Information Schema Views gratis. Pengguna cukup membayar biaya Compute yang terkait. Ada beberapa faktor yang berkontribusi terhadap pembelanjaan BigQuery. Dua yang paling umum adalah penyimpanan dan pemrosesan. Ulasan kali ini akan membahas tentang cara mudah untuk menganalisis dan menguraikan metrik kunci BigQuery menggunakan Information Schema. Analisis dan visualisasi titik konsumsi slot waktu dan konkurensi Tujuan dari kueri ini adalah untuk mengumpulkan informasi semua pekerjaan yang berjalan selama rentang waktu dan kemudian dipecah menjadi interval yang lebih kecil hingga satuan detik (Point in Time). Tutorial ini menggunakan skrip SQL yang bisa Anda akses di sini. Salin dan tempelkan pada BigQuery UI untuk memulai. Sebelumnya, tutorial ini mendeklarasikan 5 jenis variabel yang berhubungan dengan waktu, yaitu:     DECLARE _RANGE_START_TS_LOCAL timestamp; DECLARE _RANGE_END_TS_LOCAL timestamp; DECLARE _RANGE_INTERVAL_SECONDS int64; DECLARE _UTC_OFFSET INT64; DECLARE _RANGE_START_TS_UTC timestamp; Atur nilai untuk 5 variabel yang dideklarasikan. Empat variabel pertama perlu diatur secara manual oleh individu yang menjalankan kueri. Variabel pertama (_TIMEZONE) harus mewakili waktu lokal Anda. Variabel kedua (_RANGE_START_TS_LOCAL) dan ketiga (_RANGE_END_TS_LOCAL) akan menggunakan Zona Waktu lokal yang ingin Anda analisis. Variabel keempat (_RANGE_INTERVAL_SECONDS) mewakili ukuran interval waktu yang Anda inginkan. Point in Tima akan dikumpulkan di sini. Untuk menganalisis apa yang terjadi selama rentang waktu 5 menit, akan tepat untuk mengatur _RANGE_INTERVAL_SECONDS = ‘1’. Ini akan menghasilkan 300 titik data pada X-Axis. Untuk menganalisis apa yang terjadi untuk rentang waktu 1 jam, akan tepat untuk mengatur _RANGE_INTERVAL_SECONDS = ’10’. Ini akan menghasilkan 360 titik data pada X-Axis. Ada baiknya Anda mengorbankan “akurasi” untuk rentang waktu yang lebih besar guna menghasilkan bagan yang lebih mudah dibaca. Variabel kelima (UTC_OFFSET) mewakili offset antara zona waktu Anda dengan UTC yang ditentukan secara lokal. Baca juga: BigQuery BI Engine Kini Tersedia untuk Publik, Apa Saja Fitur yang Tersedia? Tabel turunan ‘kunci’ Tabel turunan ‘kunci’ membuat satu set hasil kolom dengan satu baris untuk setiap interval (_RANGE_INTERVAL_SECONDS) yang ada dalam rentang waktu yang ingin Anda analisis. Tahapan ini dapat dilakukan dengan beberapa fungsi array yang sangat rapi. Pertama, Anda dapat memanfaatkan fungsi GENERATE_TIMESTAMP_ARRAY yang akan menghasilkan baris (alias sebagai POINT_IN_TIME) timestamp antara variabel _RANGE_START_TS_UTC dan _RANGE_END_TS_UTC untuk setiap interval waktu yang ditentukan dalam _RANGE_INTERVAL_SECONDS. Photo Credit: Google Cloud Blog Dengan sedikit proses slicing (mengiris) dan dicing (memotong), Anda juga dapat membuat Stacked Area Chart yang berdasarkan pengguna dalam slot detik. Photo Credit: Google Cloud Blog Baca juga: Fitur Penelusuran BigQuery: Bantu Tentukan Elemen Unik Data dengan Mudah Tutorial ini jelas belum bisa merangkum seluruh kapabilitas yang mampu dijalankan oleh Information Schema. Namun Anda tidak perlu khawatir karena Google Cloud sebenarnya telah memberikan beberapa resources untuk dipelajari yang bisa Anda akses melalui blog resmi mereka. Di sana Anda juga bisa menemukan pendapat dan persepsi dari para pakar komputasi awan. Semuanya bisa diakses secara gratis, kapan saja dan di mana saja. Ekosistem Google Cloud memang menawarkan solusi komputasi awan yang komprehensif. Selain kapabilitas untuk menganalisis dan memvisualisasikan data dari BigQuery, Cloud juga masih memiliki beragam fitur serta layanan yang bisa Anda eksplorasi lebih jauh. Belum menggunakan Google Cloud? Anda bisa mendapatkan solusi komputasi awan dari Google ini melalui EIKON Technology. Kami siap menyediakan solusi yang disesuaikan dengan kebutuhan perusahaan Anda. Untuk informasi selengkapnya, silakan klik di sini.

Google Cloud

BigQuery BI Engine Kini Tersedia untuk Publik, Apa Saja Fitur yang Tersedia?

Dulu, ketika harus menjalankan BI (business intelligence) pada kumpulan data besar, pelanggan yang menggunakan data warehouse mau tak mau harus memilih latensi rendah dan mengorbankan kemutakhiran data. Namun kini dengan adanya BigQuery BI Engine, mereka dapat mempercepat dashboard dan laporan yang terhubung ke BigQuery tanpa harus melakukan hal tersebut. Sebenarnya, bagaimana teknologi BigQuery BI Engine ini bekerja? Hasil pengembangan dari versi preview tahun lalu Menggunakan insight terbaru data akan membantu para pengguna data warehouse dalam membuat keputusan yang lebih baik untuk bisnis mereka. BI Engine memungkinkan pelanggan mendapatkan performa tercepat untuk kueri mereka di seluruh alat BI yang terhubung dengan BigQuery. Sebenarnya, layanan ini telah diluncurkan tahun 2021 lalu. Hanya saja, saat itu masih menggunakan format pratinjau yang terbatas. BigQuery BI Engine sendiri merupakan sebuah layanan analisis in-memory yang mempercepat dan memberikan performa kueri dalam hitungan sub-detik untuk dasbor dan laporan yang terhubung ke BigQuery. Layanan ini bekerja dengan banyak tools BI atau dasbor khusus. BI Engine dirancang untuk membantu analis data mengidentifikasi tren lebih cepat, mengurangi risiko, menyesuaikan laju permintaan pelanggan, dan meningkatkan efisiensi operasional dalam iklim bisnis yang terus berubah seperti sekarang ini. Format baru yang tersedia untuk publik ini memungkinkan pelanggan untuk membuat dasbor interaktif cepat menggunakan tools populer seperti Looker, Tableau, Spreadsheet, PowerBI, Qlik atau bahkan aplikasi khusus perusahaan. Baca juga: Fitur Penelusuran BigQuery: Bantu Tentukan Elemen Unik Data dengan Mudah BI Engine Acceleration terintegrasi BigQuery  Integrasi Native dengan BigQuery API BI Engine terintegrasi secara native dengan BigQuery API. Itu artinya, ketika dasbor Anda menggunakan antarmuka standar seperti SQL, BigQuery API atau driver JDBC/ODBC untuk terhubung ke BigQuery, maka dukungan untuk BI Engine akan muncul secara otomatis. Tidak ada pengaturan tambahan yang harus dilakukan pada aplikasi atau dasbor untuk mengaktifkan dan menjalankan dasbor sub-detik yang dapat diskalakan. Jika Anda menjalankan kueri yang dapat dipercepat dengan BigQuery, maka bisa langsung menggunakan BI Engine. Photo Credit: Google Cloud Blog Penskalaan Cerdas Pelanggan umumnya tak perlu khawatir lagi tentang efisiensi penggunaan memori, BI Engine melakukannya untuk Anda berdasarkan pola akses. Layanan ini telah dibekali teknik canggih seperti pemrosesan vektor, pengkodean data tingkat lanjut, dan caching adaptif untuk membantu memaksimalkan kinerja sekaligus mengoptimalkan penggunaan memori. BI Engine juga dapat membuat replika data yang sama untuk mengaktifkan akses bersamaan dengan cepat dan cermat. Konfigurasi Sederhana Satu-satunya konfigurasi yang diperlukan saat menggunakan BI Engine adalah menyiapkan reservasi memori. Layanan ini telah menyediakan sebuah peningkatan fine-grained masing-masing 1GB. Visibilitas Penuh Pemantauan dan pencatatan sangat penting untuk menjalankan aplikasi di cloud dan juga untuk mendapatkan wawasan tentang kinerja serta peluang optimalisasi. BI Engine telah terintegrasi dengan tools yang sudah dikenal seperti Information Schema untuk detail pekerjaan (rasio pencapaian cache, latensi kueri, dan lain-lain) serta Stackdriver untuk memantau penggunaan. Baca juga: Mengelola BigQuery Lebih Mudah dengan Resource Charts dan Slot Estimator Mulai menggunakan BigQuery BI Engine Photo Credit: Google Cloud Blog BI Engine kini telah tersedia di seluruh wilayah operasional BigQuery, termasuk Indonesia. Untuk mulai menggunakannya, Anda cukup mendaftar ke sandbox BigQuery. Setelah itu, bisa langsung mengaktifkan BI Engine untuk proyek Anda. BigQuery juga telah menyediakan panduan penggunaan layanan, termasuk panduan memulai cepat tools BI populer. Anda juga dapat menonton demo dari Data Cloud Summit untuk melihat tutorial penggunaan BI Engine dengan tools seperti Looker, Data Studio, dan Tableau. Jika telah menerapkan integrasi dengan BigQuery, tersedia program inisiatif Google Cloud Ready – BigQuery. Detail mengenai program tersebut bisa Anda akses di sini. Baca juga: Mengenal BigQuery Write API dalam Google Cloud BigQuery BI Engine hadir untuk memudahkan Anda dalam mengoperasikan BI, terutama saat harus mengelola data dalam skala besar. Selain itu, BigQuery juga merupakan bagian dari Google Cloud Platform sehingga telah terintegrasi dengan berbagai tools dan layanan yang ada di GCP. Optimalkan kinerja data perusahaan Anda dengan menggunakan solusi komputasi awan dari Google Cloud. Kini Anda bahkan dapat memilih paket berlangganan yang paling sesuai dengan kondisi perusahaan. EIKON Technology sebagai authorized partner siap membantu Anda dalam penerapan Google Cloud, mulai dari perencanaan hingga manajemen pasca-implementasi. Untuk informasi selengkapnya, silakan hubungi kami di sini.

Google Cloud

Fitur Penelusuran BigQuery: Bantu Tentukan Elemen Unik Data dengan Mudah

BigQuery baru saja memperkenalkan kapabilitas baru yang memungkinkan Anda untuk bisa menemukan elemen data unik dalam teks tak terstruktur dan JSON yang semi-terstruktur, tanpa harus mengetahui skema tabel terlebih dulu. Pembaruan ini akan membantu Anda meningkatkan kinerja dan biaya saat harus menemukan baris data alih-alih agregasi. Misalnya, mengidentifikasi baris data yang terkait dengan pengguna untuk pelaporan GDPR (General Data Protection Regulation). Indeks penelusuran ini sepenuhnya tanpa server dan dikelola oleh BigQuery. Contoh penggunaan fungsi dan indeks penelusuran BigQuery   Kasus Contoh Penggunaan Dasbor yang perlu filter selektif Mengiris dan memotong data berdasarkan item inventaris yang berbeda Identifikasi subset data yang ditargetkan dalam set data besar Buat kohort pasien dengan mutasi gen yang tepat Proses regulasi yang memerlukan pencarian elemen data spesifik Temukan dan hapus catatan pengguna untuk GDPR Pemecahan masalah pengembang Identifikasi entri log aplikasi yang terkait dengan kode kesalahan tertentu Audit keamanan Tinjau semua aktivitas jaringan dari alamat IP tertentu Bagaimana indeks penelusuran BigQuery bekerja Indeks penelusuran adalah indeks terbalik yang berada di samping data BigQuery utama Anda. Fungsinya adalah untuk mempercepat pencarian titik dengan memberikan insight mengenai lokasi elemen data tertentu di penyimpanan dasar tabel. Berikut adalah beberapa kemudahan yang ditawarkan fitur penelusuran BigQuery: Pencarian skala besar Indeks penelusuran BigQuery menawarkan skala petabyte untuk menyimpan semua log real-time dan historis. Sehingga sesuai untuk analitik keamanan, ancaman sistem yang tidak spesifik dan lokal, beberapa cloud, dan Kubernetes. Misalnya, jika seorang peretas masuk ke GCP, mereka kemungkinan juga akan masuk ke komponen lain dan Anda ingin melacaknya di satu lokasi. Dengan BigQuery, Anda memiliki skalabilitas tanpa batas dan performa kueri yang sangat cepat. Pengguna bahkan dapat mencari di beberapa kolom sekaligus dan tidak perlu khawatir tentang di mana elemen yang mereka cari disimpan. Baca juga: Alasan Mengapa BigQuery Connector For SAP Dapat Memperkuat Strategi Analitis Data Tidak ada harga tambahan Photo Credit: Freepik BigQuery memberikan solusi yang hemat biaya. Anda hanya perlu membayar untuk penyimpanan indeks yang diperlukan, sedangkan biaya pemeliharaan gratis. Ketika digunakan secara efektif, kueri memindai lebih sedikit data yang menghasilkan penghematan biaya. Katakanlah Anda harus menghapus semua data untuk pengguna bernama ‘Ade’ yang muncul hanya dalam 10 catatan petabyte data Anda untuk GDPR. Secara historis, Anda perlu memindai semua tabel tersebut dan membayar pemrosesannya (yang ukurannya bisa beberapa terabyte). Namun dengan indeks BigQuery, hanya perlu memerhatikan sub-kumpulan baris data yang disentuh sehingga mengurangi biaya secara signifikan. Integrasi JSON Log keamanan memiliki skema variabel, jenis, dan berasal dari berbagai sumber yang membuat data tidak dapat diprediksi. Kini Anda dapat memiliki fleksibilitas untuk menyimpan data sebagai JSON yang dilengkapi kemudahan penggunaan SQL untuk kueri. Ini menghilangkan kebutuhan akan pipeline kompleks untuk mempertahankan penghematan biaya dan resources data. Menggunakan penelusuran untuk meningkatkan analisis log di BigQuery Photo Credit: luis_molinero (Freepik) Kemampuan penelusuran ini adalah salah satu dari banyak cara pelanggan untuk meningkatkan analisis log mereka di BigQuery. Dengan adanya proliferasi layanan digital, aplikasi SaaS, dan perangkat IoT, banyak pengguna yang kesulitan untuk menganalisis petabyte log yang mereka kumpulkan. Ini membuat pengidentifikasian ancaman keamanan dari log menjadi rumit dan mahal. Fitur penelusuran ini adalah salah satu fitur yang menjadikan BigQuery sebagai solusi ideal untuk analisis log dan analisis keamanan terpusat. Pelanggan telah menemukan bahwa menggunakan BigQuery sebagai platform analisis terpusat dapat membantu menjawab berbagai skenario pemecahan masalah. Baru-baru ini, Google Cloud telah merilis Community Security Analytics (CSA), yang merupakan kumpulan kueri dan aturan open source untuk membantu Anda mendeteksi ancaman umum berbasis cloud dengan memanfaatkan BigQuery. Baca juga: Mengenal BigQuery Write API dalam Google Cloud Untuk pelanggan yang ingin memulai analisis log mereka menggunakan BigQuery, fitur penelusuran Log Analytics ini adalah fitur Cloud Logging yang belum diluncurkan secara resmi dan sekarang masih dalam masa preview (Anda bisa mengajukan pendaftaran di sini) Antarmuka baru ini menghadirkan kecanggihan BigQuery dan SQL ke log Anda. Dengan antarmuka pengguna yang dioptimalkan untuk analisis log, Log Analytics menyediakan cara yang mulus untuk menggabungkan dan menganalisis log Anda di Cloud Logging. Kemudahan dari BigQuery ini akan semakin seamless jika Anda bekerja dengan ekosistem Google Cloud. Bagi Anda yang belum berlangganan, EIKON Technology siap membantu Anda menemukan solusi Google Cloud. Di samping produk yang terjamin keasliannya, kami juga menyediakan pendampingan mulai dari persiapan, pemasangan, hingga penerapan. Mulai pilih paket langganan Google Cloud Anda di sini!

Google Cloud

Kelola Administrasi BigQuery Lebih Mudah dengan Fitur Resource Charts dan Slot Estimator

BigQuery pada mulanya diperkenalkan sebagai sebuah data warehouse. Seiring perkembangannya, platform tersebut merambah ke bidang analitik data dan juga business intelligence. Bukan hanya itu, BigQuery kemudian juga dirancang untuk dapat bekerja tanpa server pada skala yang fleksibel, baik kecil maupun besar. Dengan berbagai kemampuan tersebut tidak mengherankan jika BigQuery kemudian begitu diandalkan untuk menangani berbagai macam beban kerja analitik. Namun ketika pelanggan meningkatkan beban kerja di BigQuery, otomatis persyaratan pemantauan dan pengelolaan mereka pun akan ikut berkembang. Anda tidak perlu khawatir, karena kini telah tersedia beberapa fitur dan kapabilitas untuk mengelola administrasi BigQuery dalam skala besar. Simak ulasan berikut untuk mengetahui penjelasan lengkapnya. Fitur Resource Charts Untuk mengelola administrasi, BigQuery (BQ) telah menyediakan suatu kapabilitas spesifik bernama Administrator Hub. Di dalam kapabilitas tersebut Anda bisa menemukan fitur baru bernama Resource Charts. Fitur ini akan membantu para administrator lebih mudah memahami lingkungan BQ mereka. Photo Credit: Google Cloud Blog Resource Charts membantu administrator mengelola administrasi dengan pengalaman bawaan untuk memantau penggunaan slot mereka, mengelola kapasitas berdasarkan konsumsi historis, memecahkan masalah kinerja pekerjaan, queries yang mampu melakukan diagnosis mandiri, dan mengambil tindakan perbaikan sesuai kebutuhan. Fitur ini juga memberikan visibilitas menuju metrik utama seperti konsumsi slot, kinerja pekerjaan, konkurensi, jumlah byte yang diproses, dan pekerjaan yang gagal. Resource Charts dibuat menggunakan tabel-tabel INFORMATION_SCHEMA, sehingga memungkinkan pelanggan memahami data melalui dashboard yang dibuat khusus. Baca juga: Mengenal BigQuery Explainable AI, Alat Interpretasi Model Machine Learning Fitur Slot Estimator Slot Estimator merupakan sebuah tool BigQuery yang berfungsi sebagai pengelola kapasitas interaktif. Dengan tool ini, administrator dapat memperkirakan dan mengoptimalkan kapasitas BQ berdasarkan performa dan data penggunaan historis. Menggunakan Slot Estimator, pengguna juga dapat menghitung, memprediksi sekaligus menyesuaikan kapasitas berdasarkan beban kerja mereka. Jadi, Anda bisa mengambil keputusan yang tepat dalam hal perencanaan kapasitas. Cara kerja Resource Charts dan Slot Estimator Kedua fitur tersebut bisa Anda temukan pada BigQuery Administrator Hub yang merupakan kontrol pusat untuk memahami, mengelola, dan memantau query, kapasitas, serta keseluruhan lingkungan BQ Anda. Katakanlah saat melakukan pemantauan lingkungan BQ secara real-time di Resource Charts, tampak bahwa penggunaan slot mengalami penurunan selama beberapa jam. Anda pun memutuskan untuk menyelidiki lebih jauh. Photo Credit: Google Cloud Blog Anda bisa melihat pada bagan Errors yang baru. Jika misalnya terlihat peningkatan tajam pada izin ditolak atau kesalahan yang tidak valid, Anda bisa gunakan filter seperti proyek, reservasi, serta pengguna dan prioritas pekerjaan untuk memahami apa saja yang sudah berubah. Jadi, Anda bisa langsung memperbaikinya. Photo Credit: Google Cloud Blog Tak lama, seorang data analis perusahaan mendatangi Anda dan mengungkapkan bahwa ia merasa alur kerja terasa melambat secara bertahap selama satu minggu terakhir. Untuk menyelesaikan masalah ini, Anda juga bisa memanfaatkan Resource Charts. Dari fitur tersebut akan langsung tampak apa yang bisa menyebabkan alur kerja melambat, misalnya, pemanfaatan slot telah mencapai kapasitas maksimal. Setelah ditelusuri lebih lanjut, ternyata problem tersebut bisa diatasi dengan meningkatkan workload baru. Saat workload naik maka kapasitas slot pun akan lebih stabil dan penggunaannya bisa lebih optimal. Photo Credit: Google Cloud Blog Setelah mendeteksi penyebab melalui Resource Charts, Anda bisa beralih ke Slot Estimator. Di situ akan tampak pemanfaatan slot yang penuh dan bagaimana penggunaan slot meningkat selama seminggu terakhir. Anda dapat melihat data reservasi dan menganalisis peluang untuk meningkatkan kinerja dengan menambahkan jumlah slot. Photo Credit: Google Cloud Blog BigQuery merupakan suatu data warehouse dengan berbagai kapabilitas mulai dari machine learning, analisis geospasial, hingga business intelligence. Arsitekturnya yang tanpa server memungkinkan Anda sebagai pengguna untuk bisa menemukan jawaban atas berbagai permasalahan terkait pengelolaan data perusahaan. Baca juga: Mengenal BigQuery Write API dalam Google Cloud Dengan adanya fitur Resource Charts dan Slot Estimator, pengelolaan lingkungan BigQuery pun menjadi semakin mudah. Selain memanfaatkan BQ dan berbagai fitur di dalamnya, untuk penyimpanan data perusahaan dalam skala besar, layanan komputasi awan Google Cloud adalah solusi terbaik. Menggunakan Google Cloud, Anda tidak perlu bingung lagi dengan masalah penyimpanan dan pengelolaan data perusahaan. Dapatkan produk Google Cloud berlisensi resmi dan dapat disesuaikan dengan kebutuhan perusahaan lewat EIKON Technology. Untuk langsung terhubung dengan tim EIKON Technology, silakan klik di sini!

Google Cloud

Alasan Mengapa BigQuery Connector for SAP Dapat Memperkuat Strategi Analitis Data Cloud Anda

BigQuery Connector for SAP merupakan sebuah data warehouse yang dirancang Google Cloud untuk mengintegrasikan data SAP dengan BigQuery. Merupakan sebuah solusi tanpa server, skalabel, dan hemat biaya. Bagaimana cara menggunakan BigQuery Connector for SAP ini untuk memperkuat strategi analitis data cloud? Solusi untuk integrasi data yang disederhanakan Para pelanggan SAP tentu ingin membuka peluang dalam penyimpanan data untuk mengembangkan bisnis mereka. Namun, sayangnya banyak yang menemukan betapa sulitnya mengambil langkah pertama dalam strategi analitis data modern yang diaktifkan cloud. Menurut studi yang dilakukan SAPInsider 2020, lebih dari setengah pelanggan SAP yang disurvei merasa bahwa integrasi data termasuk dalam hambatan teratas mereka. Photo Credit: Piqsels BigQuery Connector for SAP menawarkan sebuah solusi untuk membuat data SAP dapat diakses sepenuhnya dalam BigQuery dengan memanfaatkan perangkat dan skill SAP Landscape Transformation Replication Server (SLT) milik pelanggan. Platform ni merupakan penghubung SAP SLT langsung yang mendekati real-time pertama untuk BIgQuery. Dengan memanfaatkan BigQuery Connector for SAP, Anda tidak perlu lagi menyiapkan infrastruktur tambahan atau middleware pihak ketiga dan dapat diterapkan menggunakan berbagai opsi penerapan yang disematkan atau berdiri sendiri. Baca juga: Kemudahan Analisis Data Multicloud dengan BigQuery Omni Selain itu, BigQuery Connector for SAP tidak dibatasi untuk pelanggan yang telah menerapkan aplikasi SAP mereka di Google Cloud. Pelanggan yang menjalankan aplikasi SAP  on-premise atau di cloud apa pun, juga dapat menerapkan dan menyadari manfaat analitis dari solusi tersebut. Merancang solusi yang fokus pada kebutuhan pelanggan dan investasi jangka panjang Photo Credit: Piqsels BigQuery Connector for SAP dirancang untuk menghadirkan solusi atas permasalahan yang umum terjadi, di antaranya: Kebutuhan performa real-time dengan delta yang direplikasi dalam milidetik. Kemampuan untuk mengintegrasikan data dari hampir semua aplikasi berbasis SAP Netweaver yang berjalan saat ini, terlepas dari lokasi penerapannya (baik untuk on-premises, Google Cloud atau cloud apa pun). Pemetaan jenis data BigQuery otomatis dengan transformasi minimal. Pembuatan tabel target di BigQuery yang langsung dari sumber, jika diperlukan. Integrasi lapisan aplikasi yang menghindari masalah akses database langsung. Memanfaatkan skill sets SAP milik pelanggan, mengubah pengambilan data dan infrastruktur. Untuk mengatasi permasalahan tersebut,, BigQuery Connector for SAP memanfaatkan SAP SLT sebagai dasar untuk mengembangkan replikasi data langsung antara SAP dan BigQuery untuk lanskap perusahaan internalnya. SLT sebagai bagian dari strategi Business Technology Platform SAP mendukung replikasi data SAP atau sistem pihak ketiga ke SAP HANA secara real-time. Baca juga: Mengenal BigQuery Explainable AI, Alat Interpretasi Model Machine Learning Integrasi data SAP dengan BigQuery  Dengan memanfaatkan SAP SLT, BigQuery Connector for SAP dapat mengintegrasikan aliran data real-time dari sistem SAP mana pun sambil memanfaatkan investasi dan skill sets SAP yang sudah dimiliki pelanggan. Di waktu yang sama, BigQuery Connector for SAP melakukan banyak pekerjaan berat sendiri. Misalnya, secara otomatis menangani proses multi-langkah yang kompleks untuk mengubah tipe data SAP untuk digunakan di BigQuery, memetakan transisi jenis data antara lingkungan SAP dan BigQuery, membuat skema tabel target di BigQuery untuk jenis data yang diubah, membangun tabel BigQuery, dan bahkan beradaptasi saat tipe data baru muncul di lingkungan SAP Anda. Photo Credit: Piqsels Bagi Anda yang ingin menyempurnakan rekomendasi otomatis BigQuery Connector for SAP, konektor ini mendukung tingkat penyesuaian dan pilihan tambahan. Namun jika Anda hanya ingin menyelesaikan pekerjaan dan memberikan dukungan yang lebih besar kepada tim analisis, BigQuery Connector for SAP telah menyediakan fitur untuk mengubah data integrasi yang rumit menjadi lebih sederhana. BigQuery Connector for SAP merupakan tool yang memungkinkan penggunanya untuk mengangkut dan mengubah data SAP menjadi solusi analisis daya yang diaktifkan oleh akselerator seperti Google Cloud Cortex Framework, seperangkat arsitektur referensi yang komprehensif, akselerator penerapan, dan layanan integrasi yang dirancang untuk memberikan jalur cepat dan mulus bagi pelanggan. Baca juga: Mengenal BigQuery Write API dalam Google Cloud BigQuery Connector for SAP akan bekerja dengan optimal dalam ekosistem Google Cloud. Belum menggunakan solusi komputasi awan dari Google? Anda bisa mendapatkan Google Cloud dengan lisensi resmi hanya di EIKON Technology. Bingung menentukan mana paket yang paling tepat untuk Anda? Tim EIKON Technology siap membantu Anda mulai dari konsultasi hingga penerapan produk. Klik di sini untuk langsung terhubung dengan tim EIKON Technology.

Cloud Computing, Google Cloud

Mengenal BigQuery Write API dalam Google Cloud

Google BigQuery Write API resmi diluncurkan tahun 2021 lalu. Write API sendiri merupakan jalur penyerapan data pilihan BigQuery yang menawarkan batching dan streaming dengan performa tinggi dalam satu API terpadu. Apa saja keunggulannya? Mengenal fitur BigQuery Write API Sejak pertama diperkenalkan, BigQuery Write API terus melakukan penyempurnaan untuk meningkatkan performa dan kemampuan. Dengan begitu, pengguna pun lebih mudah menyerap data secara langsung ke BigQuery. Beberapa fitur tersebut di antaranya: Menyerap data langsung ke BigQuery tanpa harus menyusunnya di Google Cloud Storage terlebih dahulu sehingga menyederhanakan alur kerja. Menyalurkan pemrosesan data dan langsung membacanya, memungkinkan Anda membangun aplikasi data dengan latensi rendah dan respons cepat. Menjamin pengiriman tepat satu kali, yang memastikan Anda tidak perlu menulis logika deduplikasi khusus. Mendukung transaksi baris batch-level, memungkinkan percobaan ulang yang aman dan deteksi pembaruan skema. Menyerap data ke BigQuery Ada beberapa cara untuk menyerap data ke dalam penyimpanan terkelola BigQuery. Metode penyerapan spesifik akan tergantung pada workload Anda. Umumnya, disesuaikan untuk tugas pemuatan satu kali dan tugas batch berulang (karena latensi batch tidak menjadi masalah). Anda dapat menggunakan BigQuery Data Transfer Service atau BigQuery Load Jobs. Di samping itu, Anda juga bisa menggunakan BigQuery Write API. Baca juga: Mengelola BigQuery Lebih Mudah Dengan Resource Charts dan Slot Estimator Photo Credit: Google Cloud Blog Membandingkan BigQuery Write API dengan BigQuery Load Job Sebelum BigQuery Write API diperkenalkan, penyerapan data bisa dilakukan melalui BigQuery Load Job atau Streaming API. Di manakah letak perbedaannya? Jika dibandingkan, ada beberapa perbandingan utama antara BigQuery Write API dengan BigQuery Load Jobs, yakni: Transaksi tingkat aliran: Pada BigQuery Write API, satu aliran hanya dapat dilakukan sekali, memungkinkan Anda melakukan percobaan ulang yang aman. Alur kerja yang lebih sederhana: Dengan menulis langsung ke penyimpanan BigQuery, Anda dapat menghindari mengekspor data ke Google Cloud Storage dan kemudian memuatnya ke BigQuery. Hal ini tidak bisa dilakukan pada BigQuery Load Jobs. SLO: BigQuery Write API memiliki tingkat SLO yang sama dengan BigQuery API lain yang ada seperti Query Jobs dan legacy Streaming API. Membandingkan BigQuery Write API dengan legacy Streaming API Jika poin sebelumnya membandingkan BigQuery Write API dengan BigQuery Load Jobs, kali ini mari simak perbandingannya dengan legacy Streaming API. Beberapa perbandingan yang paling mudah dikenali di antaranya: Menulis idempotency: Streaming API lawas hanya mendukung deduplikasi pada periode waktu yang singkat (urutan beberapa menit). Namun, BigQuery Write API memastikan bahwa satu penambahan hanya dapat terjadi sekali pada offset tertentu pada aliran yang sama, sehingga menjamin idempotency penulisan. Throughput yang lebih tinggi: Write API memiliki kuota default tiga kali lebih banyak (3GB/detik) dibandingkan dengan legacy Streaming API (1GB/detik), menghasilkan throughput yang lebih tinggi dalam proses penyerapan data. Kuota tambahan dapat diberikan berdasarkan permintaan pengguna. Biaya lebih rendah: Biaya Write API per GB 50% lebih hemat dibandingkan dengan Streaming API lawas. Selain itu, karena BigQuery Write API telah mendukung proses batch sekaligus streaming terpadu, Anda tidak perlu lagi menggunakan API terpisah untuk menangani semua workloads dalam skala besar. Batch dan Streaming API terpadu Photo Credit: Piqsels Write API didukung oleh streaming backend baru. Dukungan tersebut membuat Write API dapat menangani throughput yang jauh lebih besar dengan keandalan data lebih baik dari backend lama. Backend baru tersebut merupakan adalah sistem penyimpanan terstruktur berskala exabyte di belakang BigQuery. Sistem tersebut dibuat untuk mendukung pemrosesan berbasis streaming, tepatnya untuk analisis streaming yang skalabel di semua mesin analitis di GCP. Tidak seperti pendahulunya yang dioptimalkan untuk pemrosesan batch mode, streaming backend baru ini memperlakukan streaming sebagai beban kerja kelas satu. Di samping itu, backend ini juga telah mendukung streaming dan pemrosesan real-time dengan tingkat throughput yang tinggi. Baca juga: Jenis Pemrosesan Data Perusahaan Bagi Anda yang memerlukan penyerapan data dengan proses batching dan streaming berperforma tinggi dalam satu API terpadu, BigQuery Write API bisa dijadikan pilihan. BigQuery akan bekerja lebih baik jika berada dalam ekosistem Google. Untuk itu, ada baiknya juga jika Anda menggunakan layanan komputasi awan dari Google saat menggunakanWrite API. Dapatkan layanan cloud yang didukung ekosistem Google lewat Google Cloud. Sekarang, Anda bisa mengelola Google Cloud yang dipersonalisasi sesuai kebutuhan Anda. Tim EIKON Technology yang merupakan authorized reseller Google di Indonesia, siap menyediakannya untuk Anda. Untuk informasi lebih lanjut, klik di siniv!

Info

Mengenal BigQuery Explainable AI, Alat Interpretasi Model Machine Learning

BigQuery Explainable AI (XAI) adalah rangkaian tools dan framework yang dirancang untuk membantu Anda menginterpretasikan model machine learning dalam mengambil keputusan. BigQuery sendiri merupakan gudang penyimpanan data yang mendukung XAI dengan komprehensif, baik dari metodologi maupun jenis XAI. Dengan skala data BigQuery, Anda bisa mendapatkan jutaan penjelasan untuk suatu keputusan yang diambil machine learning dalam hitungan detik dan dengan satu query SQL saja. Mengenal Explainable AI Semakin hari, kebutuhan untuk mengetahui cara kerja bagian dalam model machine learning semakin tinggi. Terlebih kini permintaan terhadap artificial intelligence (AI) dan machine learning (ML) terus naik. Dalam sebuah studi yang dimuat di Forbes, diketahui bahwa 76% perusahaan kini menjadikan AI dan ML sebagai prioritas investasi utama untuk pengeluaran IT mereka. Di samping itu, sebuah survey yang dilakukan PwC menunjukkan bahwa 82% CEO perusahaan percaya bahwa setiap keputusan berbasis AI harus dapat dijelaskan model penalarannya agar dapat dipercaya. Baca juga: Mengelola BigQuery Lebih Mudah Dengan Resource Charts Dan Slot Estimator Selain BigQuery Explainable AI, Google Cloud juga menyediakan beberapa tools dan frameworks lain untuk membantu Anda menginterpretasikan model ML. Misalnya, Vertex Explainavle AI yang di dalamnya terdapat AutoML Tables, AutoML Vision, serta model-model yang telah dilatih khusus. Lalu, bagaimana sebenarnya Explainable AI bekerja dalam BigQuery? Untuk mengetahui jawabannya, mari simak penjelasannya dalam poin berikut. Dua jenis Explainable AI Photo Credit: Rawpixel  Jika dilihat dari fitur yang digunakan untuk melatih model AI, Explainable AI bisa dikelompokkan menjadi dua jenis explainability: global explainability dan local explainability. Apa perbedaan di antara keduanya? Untuk memudahkan Anda mempelajari perbedaannya, perhatikan studi kasus berikut ini. Katakanlah Anda memiliki sebuah model ML yang bisa memperkirakan harga rumah berdasarkan tiga pertimbangan: (1) jumlah ruang kamar, (2) jarak rumah ke pusat kota, dan (3) usia bangunan rumah. Pendekatan global explainability Jika menggunakan pendekatan global explainability maka bisa diketahui bahwa model ML yang Anda miliki akan memutuskan bahwa fitur (1) dan fitur (2) memiliki pengaruh yang lebih besar dalam memprediksi harga rumah dibanding fitur (3). Ini karena pendekatan global explainability menjelaskan pengaruh keseluruhan fitur yang ada pada model dan membantu Anda memahami apakah suatu fitur punya pengaruh yang lebih besar dibanding fitur lain dalam memprediksi model. Pendekatan ini akan sangat membantu jika Anda memiliki ratusan atau bahkan ribuan fitur dan ingin mengetahui manakah fitur yang paling besar kontribusinya terhadap model. Anda juga bisa mempertimbangkan global explainability untuk mengidentifikasi dan dan memangkas fitur yang dirasa kurang penting untuk meningkatkan kemampuan generalisasi model. Baca juga: Kemudahan Analisis Data Multicloud Dengan BigQuery Omni Pendekatan local explainability Kembali pada studi kasus. Jika harga rumah A diprediksi sebesar Rp700 juta, dengan pendekatan local explainability akan menjelaskan harga dasarnya (katakanlah Rp500 juta) dan bagaimana setiap fitur berkontribusi terhadap harga yang diprediksi. Misalnya, model ML Anda mengatakan bahwa fitur (1) akan menambahkan Rp100 juta dari harga dasar. Kemudian fitur (2) menambahkan Rp50 juta dan fitur (3) menambahkan Rp50 juta. Maka model bisa memprediksi bahwa harga rumah A adalah sekitar Rp700 juta. Intinya, pendekatan local explainability adalah tentang memahami porsi kontribusi yang tepat dari setiap fitur yang digunakan model dalam membuat setiap prediksi. Model ML apa yang diterapkan BigQuery Explainable AI? BigQuery Explainable AI berlaku untuk berbagai model ML, termasuk untuk model pembelajaran terawasi untuk data IID dan model deret waktu. Dokumentasi untuk BigQuery Explainable AI memberikan penjelasan singkat mengenai berbagai cara menerapkan kemampuan menjelaskan tiap model. Perhatikan bahwa setiap metode yang dapat dijelaskan pasti memiliki nilainya sendiri dan kemudian dibahas lebih dalam melalui dokumentasi.   Photo Credit: Google Cloud Blog Dengan adanya BigQuery Explainable AI, diharapkan Anda bisa lebih mudah menginterpretasikan bagaimana model ML mengambil keputusan. Tertarik untuk mulai menerapkan teknologi Explainable AI ini? BigQuery Explainable AI akan memberikan performa optimalnya jika Anda menggunakan  layanan Google Cloud. Dapatkan Google Cloud yang disesuaikan dengan kebutuhan Anda melalui EIKON Technology, distributor resmi produk-produk Google di Indonesia. Informasi selengkapnya, klik di sini!

Google Cloud

Mengelola BigQuery Lebih Mudah dengan Resource Charts dan Slot Estimator

Saat analitis workload dan footprint di BigQuery (BQ) meningkat, otomatis syarat pemantauan dan pengelolaan pun berkembang. Selain karena skala pengelolaan yang semakin besar, tapi manajemen kapasitas pun semakin kompleks. Pengguna jelas ingin mengoptimalkan lingkungan BigQuery mereka. Google Cloud menyediakan BigQuery Administrator Hub yang dapat dimanfaatkan untuk mengelola BigQuery dalam skala besar melalui dua fitur unggulannya, Resource Charts dan Slot Estimator. Keduanya dapat digunakan untuk membantu administrator memahami lingkungan  BQ mereka. Fitur Resource Charts Resource Charts membantu administrator dengan berbagai experience bawaan untuk memantau penggunaan slot, mengelola kapasitas bedasarkan konsumsi historis, memecahkan masalah kinerja pekerjaan, self-diagnose queries, dan mengambil tindakan korektif sesuai kebutuhan. Resource Charts memberikan visibilitas yang lebih baik terhadap metrik utama seperti konsumsi slot, performa job, konkurensi, byte yang diproses, dan job yang gagal. Fitur ini dibuat dan di-render menggunakan tabel INFORMATION_SCHEMA sehingga memungkinkan pelanggan memahami data melalui dashboard yang dibuat khusus hingga memudahkan proses pemantauan mereka sendiri. Fitur Slot Estimator Sedangkan Slot Estimator merupakan sebuah management tool untuk mengelola kapasitas interaktif. Dengan fitur ini, administrator dapat memperkirakan dan mengoptimalkan kapasitas BQ mereka berdasarkan performa. Di satu sisi, Slot Estimator juga memudahkan pelanggan untuk membuat keputusan yang tepat mengenai perencanaan kapasitas berdasarkan penggunaan historis. Fitur ini juga membantu pelanggan untuk memperkirakan dan mengoptimalkan kapasitas mereka berdasarkan workload serta kinerja. Mulai memanfaatkan Resource Charts Saat masuk ke UI BigQuery, Anda akan menemukan Administrator Hub yang merupakan pusat untuk memahami, mengelola, memantau queries, kapasitas, serta lingkungan BQ. Ketika memantau lingkungan BQ secara real-time menggunakan Resource Charts, Anda bisa melihat penurunan penggunaan slot selama beberapa saat ke depan dan memutuskan untuk menyelidiki lebih lanjut. Anda juga bisa melihat bagan Errors untuk melihat peningkatan tajam pada bagian izin yang ditolak dan kesalahan invalid. Kesalahan-kesalahan tersebut dapat diselidiki lebih lanjut menggunakan filter seperti projects, reservations, serta users and job priorities untuk memahami berbagai perubahan yang telah terjadi dan mengambil tindakan perbaikan. Dengan begitu, Anda dapat menggunakan slot secara efisien.   Baca juga: Model Deployment Google Cloud untuk Cloud Spanner Emulator Slot Estimator untuk optimalisasi kapasitas Ada kalanya pekerjaan berjalan lebih lambat dan hal tersebut berlangsung lama. Jika dibiarkan, gangguan semacam ini jelas akan menghambat produktivitas kerja. Untuk mengatasinya, Anda bisa mengandalkan Resource Charts dan Slot Estimator. Pertama, gunakan Resource Charts untuk mengetahui pemanfaatan slot. Biasanya, pekerjaan yang melambat disebabkan oleh pemanfaatan slot yang telah mencapai kapasitas maksimal. Jika ditelusuri lebih lanjut, Anda akan menemukan bahwa peningkatan alur kerja baru akan membantu terjadinya peningkatan slot yang stabil, bahkan semua slot dapat digunakan sepenuhnya secara konstan. Photo Credit: Google Cloud Blog Kedua, buka tab Slot Estimator. Pada tab tersebut Anda bisa melihat tampilan 100% untuk pemanfaatan slot penuh yang serupa. Selain itu, tab Slot Estimator juga menampilkan data peningkatan penggunaan slot selama satu minggu sebelumnya. Anda bisa melihat data reservasi kemudian menganalisis peluang untuk menambahkan jumlah slot yang berbeda. Terakhir, jika Anda sudah memutuskan untuk menambahkan slot dalam jumlah yang sesuai, bisa langsung melakukan pembelian slot untuk reservasi tertentu dalam konteks. Ketersediaan fitur Photo Credit: Google Cloud Guides Baik Resource Charts maupun Slot Estimator untuk saat ini baru tersedia dalam versi preview untuk pengguna Google Cloud melalui layanan Reservations. Manfaatkan layanan Reservations ini untuk mulai mencoba kedua fitur manajemen BQ tersebut. Dengan begitu, kompatibilitasnya dengan BigQuery Anda bisa dipastikan. Google juga menyediakan layanan feedback jika Anda ingin memberikan masukan untuk performa Resource Charts dan Slot Estimator. Baik fitur Resource Charts dan Slot Estimator akan sangat membantu dalam pengelolaan BQ, terutama yang berskala besar. Kedua fitur tersebut akan bekerja dengan baik dan lancar jika Anda menggunakan solusi dari Google Cloud. Dapatkan Google Cloud hanya melalui reseller resmi Google seperti EIKON Technology. Klik di sini untuk dapatkan informasi lebih lanjut!

Google Cloud

Kemudahan Analisis Data Multicloud dengan BigQuery Omni

Penerapan strategi multicloud bukan lagi menjadi hal aneh, terlebih di era yang serba digital seperti sekarang ini. Laporan riset yang dilakukan Flexera menunjukkan bahwa dari 750 perusahaan korporat di Amerika Serikat, 92% persen di antaranya sudah menerapkan strategi multicloud. Strategi multicloud diterapkan karena perusahaan ingin mendapatkan yang terbaik dalam hal penyimpanan data mereka. Meski multicloud kemudian mengambil bagian terbaik dari tiap penyedia layanan cloud, strategi ini kemudian menimbulkan kompleksitas, baik itu dari segi integrasi, orkestrasi, hingga tata kelola data. Tantangannya tidak hanya berhenti di situ. Ketika perusahaan membangun dan menjalankan jaringan data mereka di cloud, dalam waktu yang bersamaan mereka juga mengelola analitik di seluruh penyedia cloud yang dipakai. Tanpa disadari, hal ini akan menimbulkan silo data yang menyebabkan gesekan bagi analis data. Sebagai solusi, perusahaan yang menerapkan strategi multicloud sebaiknya juga menerapkan analisis multicloud untuk memudahkan para analis data memecah silo data. Google Cloud menyediakan solusi atas permasalahan tersebut melalui BigQuery Omni. Seperti apa kemudahan analisis data multicloud dengan BigQuery Omni ini? Analisis data lintas cloud yang lebih mudah Photo Credit: Google Cloud Blog BigQuery Omni menawarkan kemudahan dalam melakukan analitik data, baik yang tersimpan dalam satu cloud maupun lintas cloud. Dalam versi general yang Q4 tahun 2021 ini, BigQuery memungkinkan Anda untuk melakukan analitik data lintas cloud mulai dari Google Cloud, Amazon Web Services (AWS), dan juga Microsoft Azure. Bahkan Google memastikan Anda akan mendapatkan koneksi yang aman untuk mengakses data S3 di AWS maupun data Azure Blob Storage milik Azure. Dengan begitu, analis data bisa membuat kueri data secara langsung cukup melalui interface BigQuery saja, tanpa harus membuka tempat data berada. Fungsionalitas dan integrasi tinggi BigQuery Omni tidak sekadar menyediakan layanan analitik lintas cloud biasa, tapi platform ini juga menyediakan lebih banyak fungsionalitas dan integrasi, bahkan di seluruh cloud. Katakanlah Anda ingin menggabungkan data kompetitor yang tersimpan di AWS dengan data engagement ads di Google Cloud agar lebih memahami efektivitas campaign yang sedang berjalan. Dengan BigQuery, Anda bisa langsung melakukannya hanya dengan membuka satu interface. Lebih simpel hemat biaya. Layanan multicloud yang seamless Photo Credit: Rawpixel BigQuery Omni menyediakan konsol pengoperasian satu panel kaca di semua cloud penyimpanan data. Hal ini kemudian memungkinkan tim analis untuk memperluas skill mereka dalam memaksimalkan potensi bisnis perusahaan tanpa harus mempelajari keterampilan baru. Perusahaan juga tidak perlu khawatir tentang lokasi data disimpan. Ini karena BigQuery Omni sendiri didesain menggunakan APIs (Application Programming Interface) yang sama dengan pendahulunya, Google BigQuery. Pada Google BigQuery, lokasi penyimpanan (baik itu AWS, Azure, maupun Cloud) begitu diperhatikan karena merupakan detail implementasi mereka. Pola keamanan yang konsisten Pada skala perusahaan, ada lebih banyak asset data yang dibuat. Maka dari itu, menerapkan pemberian akses yang tepat bisa menjadi tantangan tersendiri. Tim keamanan data perusahaan perlu kontrol menyeluruh terhadap akses data. Bukan hanya itu, mereka juga perlu detail sebanyak mungkin untuk keperluan sinkronisasi data yang aman. Dengan BigQuery, Anda tidak perlu khawatir dengan keamanan data lagi. Sebab, akses menuju data bisa dikontrol dengan mudah oleh tim keamanan namun tetap dengan pola keamanan yang konsisten. Mendorong terjadinya inovasi Photo Credit: Rawpixel Penerapan analisis data lintas cloud menjauhkan perusahaan dari potensi penimbunan data yang tidak konsisten. Dengan memanfaatkan layanan seperti BigQuery Omni, Anda bisa dengan mudah mendapatkan data yang tepat untuk pengambilan keputusan. Saat proses pengambilan keputusan bisa dilakukan dengan cepat maka perusahaan pun bisa lebih berkembang. Kemungkinan untuk melahirkan inovasi baru pun bukan hal mustahil. Jadi, mengapa tidak mulai menerapkan strategi multicloud dengan analitik BigQuery Omni dari sekarang? Baca juga:  Transformasi Digital Lebih Mudah dengan Google Cloud Dengan adanya layanan analitik data seperti BigQuery Omni maka penerapan strategi multicloud menjadi tidak terlalu rumit lagi. Perusahaan pun bisa menghemat banyak waktu dan tentunya biaya karena seluruh proses analitik bisa dilakukan dengan satu interface saja. Ingin mulai menerapkan strategi multicloud di perusahaan? Anda bisa mulai dengan menerapkan infrastruktur cloud seperti Google Cloud. Dengan menerapkan cloud computing, perusahaan pun bisa mencapai efisiensi bisnis. Google Cloud bisa Anda dapatkan melalui official partner Google seperti EIKON Technology. Klik di sini untuk informasi lengkap mengenai Google Cloud.

Scroll to Top