introduktion
databehandling är en metod för manipulation av data. Det innebär omvandling av rådata till meningsfullt och maskinläsbart innehåll. Det är i grunden en process för att konvertera rådata till meningsfull information. ”Det kan hänvisa till användningen av automatiserade metoder för att bearbeta kommersiell data.”Vanligtvis använder detta relativt enkla, repetitiva aktiviteter för att bearbeta stora volymer av liknande information. Rådata är inmatningen som går in i någon form av bearbetning för att generera meningsfull produktion.
typer av databehandling
det finns olika typer av databehandlingstekniker, beroende på vad uppgifterna behövs för. I den här artikeln kommer vi att diskutera de fem huvudtyperna av databehandling.
1.Kommersiell databehandling
kommersiell databehandling innebär en metod för att tillämpa standard relationsdatabaser, och det inkluderar användning av batchbehandling. Det handlar om att tillhandahålla enorma data som inmatning i systemet och skapa en stor volym av produktionen men med mindre beräkningsoperationer. Det kombinerar i princip handel och datorer för att göra det användbart för ett företag. Data som behandlas genom detta system är vanligtvis standardiserade och har därför en mycket lägre risk för fel.
många manuella arbeten automatiseras med hjälp av datorer för att göra det enkelt och felsäkert. Datorer används i affärer för att ta rådata och bearbeta den till en form av information som är användbar för verksamheten. Redovisningsprogram är prototypiska exempel på databehandlingsapplikationer. Ett informationssystem (IS) är det område som studerar såsom organisatoriska datorsystem.
2.Vetenskaplig databehandling
till skillnad från kommersiell databehandling innebär vetenskaplig databehandling en stor användning av beräkningsoperationer men lägre volymer av in-och utgångar. Beräkningsoperationerna inkluderar aritmetiska och jämförelseoperationer. I denna typ av bearbetning är eventuella risker för fel inte acceptabla eftersom det skulle leda till felaktigt beslutsfattande. Därför processen att validera, sortering, och standardisera data görs mycket noggrant, och en mängd olika vetenskapliga metoder används för att säkerställa inga felaktiga relationer och slutsatser nås.
detta tar längre tid än i kommersiell databehandling. De vanliga exemplen på vetenskaplig databehandling inkluderar bearbetning, hantera och distribuera vetenskapliga dataprodukter och underlätta vetenskaplig analys av algoritmer, kalibreringsdata och dataprodukter samt upprätthålla all programvara, kalibreringsdata, under strikt konfigurationskontroll.
3. Batchbehandling
batchbehandling innebär en typ av databehandling där ett antal fall behandlas samtidigt. Uppgifterna samlas in och bearbetas i satser och används mest när uppgifterna är homogena och i stora mängder. Batchbehandling kan definieras som samtidig, samtidig eller sekventiell exekvering av en aktivitet. Samtidig batchbehandling sker när de körs av samma resurs för alla fall samtidigt. Sekventiell batchbehandling sker när de körs av samma resurs för olika fall antingen omedelbart eller omedelbart efter varandra.
samtidig batchbehandling betyder när de körs av samma resurser men delvis överlappar i tid. Det används mest i finansiella applikationer eller på de platser där ytterligare säkerhetsnivåer krävs. I denna bearbetning är beräkningstiden relativt mindre eftersom genom att tillämpa en funktion på hela data extraherar utmatningen helt och hållet. Det kan slutföra arbetet med en mycket mindre mängd mänsklig intervention.
4. Online-bearbetning
i dagens databassystem, ” online ”som betyder” interaktiv”, inom tålamodets gränser.”Online-bearbetning är motsatsen till” batch ” – bearbetning. Online-bearbetning kan byggas av ett antal relativt enklare operatörer, mycket som traditionella frågebehandlingsmotorer byggs. Analysoperationer på nätet involverar vanligtvis stora fraktioner av stora databaser. Det bör därför vara förvånande att dagens online analytiska system ger interaktiv prestanda. Hemligheten till deras framgång är precomputation.
i de flesta online analytiska bearbetningssystem beräknas svaret på varje punkt och klick långt innan användaren ens startar applikationen. Faktum är att många onlinebehandlingssystem gör den beräkningen relativt ineffektivt, men eftersom behandlingen görs i förväg ser slutanvändaren inte prestandaproblemet. Denna typ av bearbetning används när data ska behandlas kontinuerligt och matas in i systemet automatiskt.
5. Realtidsbehandling
det nuvarande datahanteringssystemet begränsar vanligtvis kapaciteten att bearbeta data när och när, eftersom det här systemet alltid är baserat på periodiska uppdateringar av partier på grund av vilka det finns en tidsfördröjning med många timmar i händelse av en händelse och inspelning eller uppdatering av den. Detta medförde ett behov av ett system som skulle kunna registrera, uppdatera och bearbeta data när och när, dvs. i realtid vilket skulle bidra till att minska tidsfördröjningen mellan förekomst och bearbetning till nästan noll. Stora bitar av data hälls i system utanför organisationer, varför lagring och bearbetning av det i en realtidsmiljö skulle förändra scenariot.
de flesta organisationer vill ha realtidsinsikter i data för att förstå miljön inom eller utanför deras organisation fullt ut. Det är här behovet av ett system uppstår som skulle kunna hantera databehandling och analys i realtid. Denna typ av bearbetning ger resultat när och när det händer. Den vanligaste metoden är att ta data direkt från källan, som också kan kallas ström, och dra slutsatser utan att faktiskt överföra eller ladda ner den. En annan viktig teknik i realtidsbehandling är datavirtualiseringstekniker där meningsfull information dras för behoven av databehandling medan data förblir i sin källform.
slutsats
Detta är en grundläggande introduktion till begreppet databehandling och dess fem huvudtyper. Alla typer har diskuterats kortfattat, och alla dessa metoder har sin relevans inom sina respektive områden, men det verkar i dagens dynamiska miljö, realtids-och onlinebehandlingssystem kommer att vara de mest använda.
om du är intresserad av att göra en karriär inom Data Science-domänen, kan vår 11-månaders personliga Postgraduate Certificate Diploma in Data Science kurs hjälpa dig oerhört att bli en framgångsrik Data Science professional.
Läs också
- Vad är statistisk analys?