برای داده محور شدن باید 5 مرحله را طی کرد:

1- مقاومت در برابر داده ها:
در ابتدا سازمان در برابر داده ها مقاومت می کند. اغلب می گویند: "ما همیش ه این کار را انجام داده ایم" - این یک امتناع دردناک هر یک از مدیران اجرایی است.

2- کنجکاوری در مورد داده ها:
در این مرحله سازمان از وجود داده ها اطلاع دارد و می داند که داده ها دارای ارزش ذاتی هستند ، حتی اگر ارزش آنها واضح نباشد. در این سازمان ها روی جمع آوری داده ها تمرکز می کنند و اغلب از ارزش بالقوه داده ها از طریق بررسی تامین کنندگان و سیستم های سازمانی آگاه می شوند

3- آگاهی از داده ها:
در مرحله آگاهی استخراج هر نوع ارز شی از داده ها رخ می دهد. شرکتهای آگاه در زمینه داده ها روی تجزیه و تحلیل تمرکز می کنند.

4- درک داده ها
در این مرحله سازمان متوجه می شود که داده ها صرفا دارای ارزش تاکتیکی نیستند؛ داده ها می توانند یک دارایی استراتژیک باشند. برای توسعه این ارزش استراتژیک ، سازمان بجای چیستی توجه خود را به چرایی معطوف می کند و به سمت توسعه بینش و بصیرت سوق می دهد.

5- داده محوری
سازمان های داده محور، تجزیه و تحلیل داده ها و بینش ها را برای پاسخ به سؤال "Waht Next" بکار می گیرند. سازمان هایی در این مرحله، در هر سطح و در هر قسمت از سازمان، داده ها را به عنوان یک منبع استراتژیک می شناسند.

#data #datadriven #data_driven #data_aware #data_resistant #data_guided

#data center #storage - #implementation and #management

#linux #datacenter #cost
#book
https://t.iss.one/unixmens

داده ها عنصر اصلی . دنیای امروز هستند . از داده ها و kpi ها در دواپس گرفته تا مارکتینگ مبتنی بر داده یا data driven . در همه اینها داده ها حرف میزنند .

در این بین سازمان ها به این راحتی سمت داده نمیروند . و در این maturity یا بلوغ مرتبه و مرحله هایی را داریم تا به data driven برسیم .

(خوشحالم در جهانی زندگی میکنم . که فکت و آمار و تحلیل و داده ها اهمیت دارند -- ایران هم میرسه به این روند . نگران نباشید . ما در گذر هستیم . و البته در بسیاری از جاها هم رسیدن و خوشحال بودم من نیز نقشی در این روند داده محور شدن داشتم . )

خب عزیزان گفتیم مراحلی برای رسیدن و بلوغی برای رسیدن آن وجود دارد :

برای داده محور شدن باید 5 مرحله را طی کرد:

1- مقاومت در برابر داده ها:
در ابتدا سازمان در برابر داده ها مقاومت می کند. اغلب می گویند: "ما همیش ه این کار را انجام داده ایم" - این یک امتناع دردناک هر یک از مدیران اجرایی است.

2- کنجکاوری در مورد داده ها:
در این مرحله سازمان از وجود داده ها اطلاع دارد و می داند که داده ها دارای ارزش ذاتی هستند ، حتی اگر ارزش آنها واضح نباشد. در این سازمان ها روی جمع آوری داده ها تمرکز می کنند و اغلب از ارزش بالقوه داده ها از طریق بررسی تامین کنندگان و سیستم های سازمانی آگاه می شوند

3- آگاهی از داده ها:
در مرحله آگاهی استخراج هر نوع ارز شی از داده ها رخ می دهد. شرکتهای آگاه در زمینه داده ها روی تجزیه و تحلیل تمرکز می کنند.

4- درک داده ها
در این مرحله سازمان متوجه می شود که داده ها صرفا دارای ارزش تاکتیکی نیستند؛ داده ها می توانند یک دارایی استراتژیک باشند. برای توسعه این ارزش استراتژیک ، سازمان بجای چیستی توجه خود را به چرایی معطوف می کند و به سمت توسعه بینش و بصیرت سوق می دهد.

5- داده محوری
سازمان های داده محور، تجزیه و تحلیل داده ها و بینش ها را برای پاسخ به سؤال "Waht Next" بکار می گیرند. سازمان هایی در این مرحله، در هر سطح و در هر قسمت از سازمان، داده ها را به عنوان یک منبع استراتژیک می شناسند.

#data #datadriven #data_driven #data_aware #data_resistant #data_guided
#devops #linux #culture #organization
https://t.iss.one/unixmens
unixmens

از کجا میتوانیم یک معماری استاندارد برای storage داشته باشیم ؟


آیا یک رگوراتی وجود داره مثل حوزه امنیت (gdr و ... ) در حوزه storage ؟


باید گفت : بلی .


ساختاری داریم به مفهوم SNIA

درواقع SNIA (Storage Networking Industry Association) یک سازمان غیرانتفاعی است که در سال 2000 تأسیس شد و هدف آن ترویج و توسعه فناوری‌های ذخیره‌سازی و شبکه‌های ذخیره‌سازی اطلاعات است. این سازمان شامل اعضای مختلفی از جمله تولیدکنندگان سخت‌افزار، نرم‌افزار، و ارائه‌دهندگان خدمات است که در زمینه‌های مختلف ذخیره‌سازی و مدیریت داده‌ها فعالیت می‌کنند.

اهداف و فعالیت‌ها

توسعه استانداردها: SNIA به توسعه استانداردهای صنعتی برای فناوری‌های ذخیره‌سازی و شبکه‌های ذخیره‌سازی کمک می‌کند تا تعامل و سازگاری بین محصولات مختلف را تسهیل کند.

آموزش و منابع: این سازمان منابع آموزشی و دوره‌های آموزشی برای متخصصان و شرکت‌ها فراهم می‌کند تا دانش و مهارت‌های لازم در زمینه ذخیره‌سازی و مدیریت داده‌ها را افزایش دهند.

تحقیقات و نوآوری: SNIA به تحقیق و توسعه در زمینه فناوری‌های نوین ذخیره‌سازی و شبکه‌های ذخیره‌سازی پرداخته و به نوآوری در این حوزه‌ها کمک می‌کند.

همکاری با دیگر سازمان‌ها: SNIA با دیگر سازمان‌ها و نهادهای صنعتی همکاری می‌کند تا بهترین شیوه‌ها و استانداردها را در صنعت ذخیره‌سازی ترویج دهد.

اهمیت SNIA

ا SNIA به عنوان یک مرجع معتبر در صنعت ذخیره‌سازی شناخته می‌شود و نقش مهمی در شکل‌گیری آینده فناوری‌های ذخیره‌سازی و شبکه‌های ذخیره‌سازی ایفا می‌کند. این سازمان به شرکت‌ها کمک می‌کند تا با استفاده از استانداردها و بهترین شیوه‌ها، محصولات و خدمات بهتری ارائه دهند.


#snia #storage #data #security #standard #regulatory

unixmens

https://t.iss.one/unixmens

This image is a creative and symbolic representation of the importance of SQL (Structured Query Language) across various tech roles. It’s styled like the Knights of the Round Table, where each character represents a different profession in the tech industry. They all have their swords pointed towards the center, symbolizing SQL as a shared, unifying tool or "power" they all rely on.

Here’s a breakdown of what each character symbolizes:
🔁 Roles Around the Table:

Software Engineer

Data Analyst

BI Analyst (Business Intelligence Analyst)

Database Administrator

Cybersecurity Analyst

Full Stack Developer

AI/ML Engineer

ETL Developer

Cloud Engineer

Data Engineer

Data Scientist

💡 Meaning and Message:

Central Role of SQL: Despite the diversity in roles—from data-centric ones (like Data Analyst, Data Scientist) to infrastructure roles (like Cloud Engineer, Cybersecurity Analyst)—SQL is portrayed as a foundational skill that all of them must wield.

Unity Through Data: The image shows that in today’s data-driven world, SQL is not just for database admins—everyone in tech needs to know it, at least to a basic level.

Visual Metaphor: The round table evokes equality and cooperation, symbolizing how all these roles collaborate with a common language: SQL.

🧠 Deeper Insight:

Symbolic Leadership: The person labeled Software Engineer is placed centrally (like a king), which could imply the pivotal or initiating role of software engineering in tech development, though it’s arguable depending on context.

Shared Knowledge Culture: It’s a humorous but poignant reminder that, like a sword for a knight, SQL is a key tool in the arsenal of nearly every modern tech professional.

#sql #devops #linux #database #data #dba

https://t.iss.one/unixmens

ZFS (Zettabyte File System) offers several RAID-like configurations, including ZRAID and DRAID, which provide different advantages for data storage and redundancy.
ZRAID
ZRAID is a term often used to describe the traditional RAID configurations available in ZFS, such as RAID-Z1, RAID-Z2, and RAID-Z3. These configurations allow for:
Data Redundancy: Protects against data loss due to disk failures. RAID-Z1 can tolerate one disk failure, RAID-Z2 can tolerate two, and RAID-Z3 can tolerate three.
Efficient Storage: Unlike traditional RAID, ZFS uses variable block sizes and can efficiently utilize disk space.
Self-Healing: ZFS checksums all data and can automatically repair corrupted data using redundant copies.
DRAID
DRAID (Distributed RAID) is a newer feature in ZFS that enhances the traditional RAID configurations by distributing parity and data across all disks in a pool. Key benefits include:
Improved Performance: DRAID can offer better performance during rebuilds and normal operations by distributing the workload across all disks.
Scalability: It allows for easier expansion of storage pools by adding new disks without significant performance degradation.
Reduced Rebuild Times: Since data and parity are distributed, the time taken to rebuild a failed disk is generally shorter compared to traditional RAID configurations.

ZRAID (RAID-Z)

ZRAID encompasses the various RAID-Z configurations in ZFS, which include:

RAID-Z1:
Configuration: Similar to RAID 5, it uses one parity block.
Fault Tolerance: Can withstand one disk failure.
Use Case: Suitable for environments where data redundancy is important but cost needs to be managed.

RAID-Z2:
Configuration: Similar to RAID 6, it uses two parity blocks.
Fault Tolerance: Can withstand two disk failures.
Use Case: Ideal for critical data storage where higher redundancy is required.

RAID-Z3:
Configuration: Uses three parity blocks.
Fault Tolerance: Can withstand three disk failures.
Use Case: Best for environments with very high data availability requirements.

Advantages of ZRAID:

Data Integrity: ZFS checksums all data, ensuring that any corruption can be detected and repaired.
Snapshots and Clones: ZFS allows for efficient snapshots and clones, which can be useful for backups and testing.
Compression: ZFS supports data compression, which can save space and improve performance.

Considerations for ZRAID:

Rebuild Times: In traditional RAID configurations, rebuilding a failed disk can take a significant amount of time, during which the system may be vulnerable to additional failures.
Performance: Write performance can be impacted due to the overhead of calculating parity.

DRAID (Distributed RAID)

DRAID is a more recent addition to ZFS, designed to address some of the limitations of traditional RAID configurations.
Key Features of DRAID:

Distributed Parity: Unlike ZRAID, where parity is concentrated, DRAID distributes parity across all disks, which can lead to improved performance.
Dynamic Resiliency: DRAID can adapt to changes in the storage pool, such as adding or removing disks, without significant performance penalties.
Faster Rebuilds: The distributed nature of DRAID allows for faster rebuild times since the workload is shared across multiple disks.

Advantages of DRAID:

Performance: DRAID can provide better read and write performance, especially in environments with high I/O demands.
Scalability: It is easier to scale storage by adding disks, as the system can dynamically adjust to the new configuration.



Conclusion


Both ZRAID and DRAID provide robust solutions for data storage, with ZRAID being more traditional and widely used, while DRAID offers modern enhancements for performance and scalability. The choice between them depends on specific use cases, performance requirements, and the desired level of redundancy.



#zfs #raid #linux #storage #kernel #data

https://t.iss.one/unixmens

مدیریت داده‌محور و بازتعریف نقش عملیات، فنی و فرایندی

مقدمه

در دنیای امروز، دیگر سازمان‌ها نمی‌توانند تنها بر اساس تجربه، روابط یا کنترل‌های سنتی اداره شوند. تغییرات محیطی، رقابت شدید و دسترسی روزافزون به داده‌ها، شرکت‌ها را ناگزیر کرده تا به سمت data-driven management حرکت کنند. در این مسیر، سه مفهوم کلیدی ــ عملیات، فنی و فرایندی ــ به عنوان ستون‌های اصلی هر سازمان نقش تعیین‌کننده‌ای ایفا می‌کنند.

سه ستون سازمان: عملیات، فنی، فرایندی

1. عملیات
قلب تپنده‌ی سازمان است. شامل فعالیت‌های روزمره، تولید، ارائه خدمات و تعامل مستقیم با مشتری یا ذی‌نفعان می‌شود. هر تصمیم مدیریتی در نهایت باید خودش را در عملکرد عملیاتی نشان دهد.


2. فنی
زیرساخت‌ها، ابزارها، تکنولوژی‌ها و مهارت‌هایی هستند که امکان اجرای عملیات را فراهم می‌کنند. اگر عملیات «چه کار می‌کنیم» باشد، فنی «چگونه انجام می‌دهیم» را مشخص می‌کند.


3. فرایندی
همان بستری است که عملیات و فنی را به هم متصل می‌کند. طراحی فرایندها، تعیین استانداردها، شفاف‌سازی وظایف و اندازه‌گیری عملکرد در این لایه شکل می‌گیرد. بدون فرایند، فعالیت‌ها پراکنده می‌شوند و داده‌ها معنا پیدا نمی‌کنند.



چالش اصلی: مدیریت و فرهنگ سازمانی

امروز مشکل بسیاری از سازمان‌ها فقدان دانش فنی یا ضعف عملیاتی نیست؛ بلکه مسئله در مدیریت و فرهنگ حاکم بر آن‌هاست. بسیاری از مدیران هنوز به شفافیت تن نمی‌دهند. ترجیح می‌دهند واقعیت‌ها پنهان بماند، آمارسازی کنند یا پیشرفت را به تأخیر بیندازند.

اما این مدل دیگر پایدار نیست. ورود به عصر داده‌محوری یعنی هر فعالیتی قابل ثبت، مقایسه و تحلیل است. داده‌ها از منابع مختلف به یکدیگر متصل می‌شوند و دروغ یا پنهان‌کاری جایی برای بقا پیدا نمی‌کند.

نقش داده‌محوری در سازمان

سازمان‌های داده‌محور بر اساس سه اصل حرکت می‌کنند:

شفافیت: تصمیم‌ها باید بر مبنای داده‌ی واقعی باشد، نه برداشت‌های شخصی یا آمار دستکاری‌شده.

یکپارچگی داده‌ها: داده‌های عملیاتی، فنی و فرایندی باید با هم هم‌خوانی داشته باشند.

اقدام‌پذیری: داده‌ها نه برای نمایش، بلکه برای تصمیم‌گیری و اصلاح مسیر به‌کار می‌روند.


در این شرایط، پرسش کلیدی مدیران دیگر «چه چیزی را بگوییم یا پنهان کنیم» نیست؛ بلکه «حال که داده‌ها همه‌چیز را روشن کرده‌اند، چه اقدامی باید انجام دهیم؟» است.

پیوند داده و انگیزه کارکنان (Employee Engagement)

یکی از ابعاد کمتر دیده‌شده در مدیریت داده‌محور، مشارکت و انگیزه کارکنان است. داده‌ها صرفاً ابزار هستند؛ نیروی انسانی است که داده را تولید و تفسیر می‌کند.
وقتی کارکنان حس کنند دیده می‌شوند، نقششان در نتایج سازمان شفاف است و داده‌ها به جای سرکوب، برای بهبود استفاده می‌شوند، سطح engagement به شکل چشمگیری افزایش می‌یابد.

نتیجه‌گیری

جهان به سمت داده‌محوری حرکت کرده و این یک انتخاب نیست، بلکه اجبار تاریخی است. سازمان‌ها برای بقا باید سه ستون عملیات، فنی و فرایندی را هم‌زمان مدیریت کنند و مدیران باید زبان هر سه را بفهمند. اما بیش از همه، باید بپذیرند که داده‌ها شفافیت می‌آورند و تنها راه موفقیت در این دوران، ساختن فرهنگی مبتنی بر اعتماد، انگیزه و اقدام عملی بر اساس داده‌های واقعی است.
#data #driven #organization #hr #capital #intensity
#فرایند #عملیات #فنی

https://t.iss.one/unixmens

داده ها عنصر اصلی . دنیای امروز هستند . از داده ها و kpi ها در دواپس گرفته تا مارکتینگ مبتنی بر داده یا data driven . در همه اینها داده ها حرف میزنند .

در این بین سازمان ها به این راحتی سمت داده نمیروند . و در این maturity یا بلوغ مرتبه و مرحله هایی را داریم تا به data driven برسیم .

(خوشحالم در جهانی زندگی میکنم . که فکت و آمار و تحلیل و داده ها اهمیت دارند -- ایران هم میرسه به این روند . نگران نباشید . ما در گذر هستیم . و البته در بسیاری از جاها هم رسیدن و خوشحال بودم من نیز نقشی در این روند داده محور شدن داشتم . )

خب عزیزان گفتیم مراحلی برای رسیدن و بلوغی برای رسیدن آن وجود دارد :

برای داده محور شدن باید 5 مرحله را طی کرد:

1- مقاومت در برابر داده ها:
در ابتدا سازمان در برابر داده ها مقاومت می کند. اغلب می گویند: "ما همیش ه این کار را انجام داده ایم" - این یک امتناع دردناک هر یک از مدیران اجرایی است.

2- کنجکاوری در مورد داده ها:
در این مرحله سازمان از وجود داده ها اطلاع دارد و می داند که داده ها دارای ارزش ذاتی هستند ، حتی اگر ارزش آنها واضح نباشد. در این سازمان ها روی جمع آوری داده ها تمرکز می کنند و اغلب از ارزش بالقوه داده ها از طریق بررسی تامین کنندگان و سیستم های سازمانی آگاه می شوند

3- آگاهی از داده ها:
در مرحله آگاهی استخراج هر نوع ارز شی از داده ها رخ می دهد. شرکتهای آگاه در زمینه داده ها روی تجزیه و تحلیل تمرکز می کنند.

4- درک داده ها
در این مرحله سازمان متوجه می شود که داده ها صرفا دارای ارزش تاکتیکی نیستند؛ داده ها می توانند یک دارایی استراتژیک باشند. برای توسعه این ارزش استراتژیک ، سازمان بجای چیستی توجه خود را به چرایی معطوف می کند و به سمت توسعه بینش و بصیرت سوق می دهد.

5- داده محوری
سازمان های داده محور، تجزیه و تحلیل داده ها و بینش ها را برای پاسخ به سؤال "Waht Next" بکار می گیرند. سازمان هایی در این مرحله، در هر سطح و در هر قسمت از سازمان، داده ها را به عنوان یک منبع استراتژیک می شناسند.

#data #datadriven #data_driven #data_aware #data_resistant #data_guided
#devops #linux #culture #organization
https://t.iss.one/unixmens
unixmens

بررسی نرخ مربوط به داده و فرمول اختصاص محاسبه تقریبی رم

نسبت به نرخ داده در elasticsearch



بنده این فرمول را نسبت به ساختار های و معماری های مربوط به elasticsearch ، پردازش و تحلیل نموده که نرخ مربوطه حاصل گردیده است .


امید هست ، مورد استفاده ، جامعه It , devops , bigdata کشور قرار گیرد .





پذیرای هرگونه از پیشنهادات و نظرات و انتقادات شما عزیزان میباشم .


#data #elk #elasticsearch #linux #bigdata #log #etl

#yashar_esmaildokht

https://t.iss.one/unixmens