MLTV now live! New videos, new content hub.

Wie lassen sich die MarkLogic-Produkte vergleichen?

Mit diesen Vergleichen möchten wir einen Rahmen bieten, um zu sehen, wie man Datenmanagement-Lösungen miteinander vergleichen kann, aber auch um hervorzuheben, wie MarkLogic-Produkte in Ihre bestehende Architektur passen. Es gibt keine perfekte Lösung für alle Use Cases. Deshalb ist es wichtig, Kompromisse zuzulassen und zu überlegen, wie sich Ihre Architektur im Laufe der Zeit entwickeln wird.

Wichtige Vergleiche

Zu Beginn haben wir einige der wichtigsten Vergleiche herausgegriffen, die sich häufig bei Kundengesprächen ergeben. Bedenken Sie beim Lesen der Vergleiche die folgende Schlüsselfrage: „Was ist Ihr Geschäftsziel?“. Wenn Sie so anfange,n anstatt mit einer vorbereiteten Liste von Merkmalen, die Sie vergleichen wollen, sind wir der Meinung, dass sie die Anforderungen besser erkennen, und diese eher auf die Lösung sowohl Ihrer Daten- als auch Ihrer Geschäftsprobleme ausgerichtet sind.

Wie schneidet der MarkLogic Data Hub Service im Vergleich dazu ab?

Die nachstehende Tabelle bietet einen hervorragenden Überblick über die Merkmale des MarkLogic Data Hub Service. Da er viele Technologien in einer Datenplattform vereint, vergleichen unsere Kunden ihn oft mit der Kombination anderer Technologien, die nötig wären, um eine ähnliche Funktionalität zu erreichen. Es gibt auch kein entweder/oder – viele Kunden nutzen einen Data Hub neben anderen Technologien. Die zentrale Frage, die Sie sich bei Betrachtung Ihrer Gesamtarchitektur stellen sollten ist, ob alles einfacher oder komplizierter wird?

MarkLogic Data Hub-Service Data Warehouse + ETL Verwaltete Cloud-Dienste Data Lake + Open-Source-Komponenten
Cloud Data Hub mit flexibler Datenintegration, -verwaltung und -suche für alle Unternehmensdaten Von MarkLogic Server. Traditionelles Enterprise Data Warehouse (EDW) wie Oracle integriert mit einem traditionellen ETL-Tool wie Informatica Kundenspezifische Cloud Data Hub-Architektur, die mit verwalteten Cloud-Service-Komponenten von großen Cloud-Anbietern arbeitet.

AWS bietet zum Beispiel DynamoDB (Dokumente), NeptuneDB (Graph), Elasticsearch Service (Suche), Amazon S3 (Objektspeicherung), Glue (ETL) und Athena (Abfragedienst)

Data Lake mit Hadoop und verschiedenen datenmodellspezifischen Datenbanken, einer Suchmaschine und einem ETL-Tool.

Es gibt viele Variationen, aber ein Beispiel könnte Cloudera mit MongoDB (Dokumente), Lucene (Suche), Neo4j (Graph) und Talend (ETL) sein

Vereinheitlicht

Sind Transaktionen und Analysen möglich? Ist es Multi-Modell?

Ja

Nachgewiesene Ergebnisse

Vielleicht

Nicht für OLTP. Kein echtes Multi-Modell. Ungeeignet für nicht relationale Daten (langsam, teuer)

Nein

Jede Komponente muss individuell bereitgestellt, integriert, überwacht, gesichert und bezahlt werden

Nein

Für Datenwissenschaftler optimierte Patchwork-Architektur. Ähnliche Probleme, weil jedes Werkzeug separat verwaltet und integriert werden muss

Flexibel

Wie lange dauert es bis zum Projektschluss?

Ja

10-mal schnellere Datenintegration als Alternativen

Nicht agil

Lange ETL-Zeiten, alles muss im Voraus modelliert werden

Vielleicht

Nur schnell bei kleinen Projekten. Unverhältnismäßig kompliziert bei großen Projekten

Nein

Lange Implementierungszeitpläne, auch für datenwissenschaftliche Arbeiten

Für den Einsatz in Unternehmen

Sicher? Zuverlässig? Bewährt?

Ja

Bewährte Zuverlässigkeit und erweiterte Sicherheit für missionskritische Umgebungen

Ja

Auf einem guten Weg

Einzelne Komponenten sind sicher. Probleme entstehen, wenn sie integriert werden

Nein

Kann nicht bedarfsgerecht gesteuert werden

Cloud-nativ

Wird es vollständig verwaltet? Welche Clouds?

Ja

Cloud-nativ, Multi-Cloud

Vielleicht

Komplexe Cloud-Implementierungen. Ist vielleicht kein echtes SaaS-Angebot

Nicht cloud-neutral

Cloud-nativ, aber nicht cloud-neutral

Komplex

Management ist komplex und kostspielig

Wie schneidet MarkLogic Server im Vergleich ab?

Die Tabelle unten gibt einen Überblick darüber, wie MarkLogic Server – unsere Multi-Modell-Datenbank – im direkten Vergleich mit anderen gängigen Datenbanktechnologien eine Data Hub-Architektur betreiben kann.

MarkLogic Server Oracle DynamoDB MongoDB
Multi-Modell

Ja

Bewährte Multi-Modell-Flexibilität

Vielleicht

Unterstützt branchenübliche nicht relationale Typen, aber nicht ausreichend

Nein

AWS hat ein unterschiedliches DBMS pro Datenmodell

Nein

Nur Dokument, speichert Dokumente als Nicht-Standard-BSON

Sicherheit

Ja

Zertifizierte Sicherheitskontrollen und anerkannter Ruf

Ja

Vielleicht

Begrenzte Detailgenauigkeit und Abstammungsverfolgung. Verantwortung wird Entwicklern übergeben

Vielleicht

Begrenzte Detailgenauigkeit und Abstammungsverfolgung. Verantwortung wird Entwicklern übergeben

Verteilte Transaktionen

Ja

Bedarfsgerechte ACID-Transaktionen nachgewiesen. Alle ANSI-Ebenen werden unterstützt

Ja

Vielleicht

Einfache ACID-Transaktionen, nicht nachgewiesen

Nein

MongoDB 4.2.6 schnitt schlecht in unabhängigen Tests zur ACID-Konformität ab: Leseschräglauf, zyklischer Informationsfluss, doppelte Schreibvorgänge und Verletzungen der internen Konsistenz

Skalierbarkeit

Ja

Bewährte Skalierbarkeit und Elastizität bei überlegenem Preis-Leistungs-Verhältnis

Vielleicht

Bei der Skalierung von Oracle müssen die Daten häufig in ein neues Silo umgeleitet werden. Scale-out ist teuer

Ja

Vielleicht

Schwierig, aber kostengünstiger als relational, viele Ausfallzeiten und Refactoring

Cloud-neutral

Ja

Bewährte Cloud-Neutralität

Ja

Obwohl möglicherweise erneute Lizenzierung erforderlich

Nein

Läuft nur auf AWS

Ja

Anmeldung zu unserer Live-Demo

Erfahren Sie, wie MarkLogic Daten schneller integriert, Kosten reduziert und einen sicheren Datenaustausch ermöglicht.

Jetzt Registrieren

Auf dieser Website werden Cookies verwendet.

Mit der Nutzung dieser Webseite stimmen Sie der Verwendung von Cookies gemäß der MarkLogic Datenschutzrichtlinie zu.