امروزه، حجم عظیمی از داده‌ها به طور مداوم از منابع متعدد مانند دستگاه‌های IoT، رسانه‌های اجتماعی و سایر برنامه‌های شخص ثالث جریان می‌یابند. روش‌های سنتی ذخیره‌سازی داده با حجم، سرعت و تنوع این داده‌های ورودی دست و پنجه نرم می‌کنند. دریاچه‌های داده این چالش‌ها را با ذخیره‌سازی داده در فرمت بومی و در هر مقیاسی برطرف می‌کنند، در حالی که نوآوری‌های مدرن آن‌ها را از مخازن ذخیره‌سازی ساده به پلتفرم‌های تحلیلی پیچیده تبدیل کرده‌اند.
در زیر، مرور کاملی ارائه شده که توضیح می‌دهد دریاچه‌های داده چیستند، مزایا و کاربردهای آن‌ها، نوآوری‌های معماری اخیر، بهترین شیوه‌های پیاده‌سازی، پلتفرم‌های محبوب و نحوه بارگذاری کارآمد داده با استفاده از ابزارهای یکپارچگی مدرن.
نگاهی به دریاچه‌های داده
دریاچه‌های داده مخازن مرکزی هستند که به شما اجازه می‌دهند مقادیر زیادی از داده‌ها—ساخت‌یافته، نیمه‌ساخت‌یافته و غیرساخت‌یافته—را در فرمت خام و بومی خود ذخیره کنید. منابع می‌توانند شامل رسانه‌های اجتماعی، سیستم‌های تراکنشی، پلتفرم‌های جمع‌آوری شخص ثالث و بیشتر باشند؛ فرمت‌ها می‌توانند از تصاویر و ویدیوها تا متن و فایل‌های لاگ متغیر باشند. پردازش می‌تواند تا زمانی که داده واقعاً مورد نیاز است، به تعویق بیفتد.
دریاچه‌های داده مدرن فراتر از ذخیره‌سازی ساده تکامل یافته‌اند تا به پایه معماری‌های lakehouse تبدیل شوند که انعطاف‌پذیری دریاچه‌های داده را با قابلیت اطمینان و عملکرد انبارهای داده ترکیب می‌کنند. این تکامل چالش‌های قبلی مانند باتلاق‌های داده و مسائل حاکمیت را برطرف می‌کند در حالی که مزایای اصلی که دریاچه‌های داده را محبوب کرد، حفظ می‌شود.
تمایز کلیدی دریاچه‌های داده در رویکرد schema-on-read آن‌ها نهفته است، جایی که ساختار داده هنگام دسترسی به داده اعمال می‌شود نه هنگام ذخیره‌سازی آن. این انعطاف‌پذیری به سازمان‌ها اجازه می‌دهد داده را بدون schemaهای از پیش تعریف‌شده به سرعت ضبط کنند و آن‌ها را برای تحلیل‌های اکتشافی و بارهای کاری یادگیری ماشین ایده‌آل می‌سازد که الزامات داده ممکن است در طول زمان تکامل یابد.
مزایای کلیدی دریاچه داده برای سازمان‌های مدرن چیست؟
مزایای دریاچه داده فراتر از قابلیت‌های ذخیره‌سازی ساده گسترش می‌یابد و مزیت استراتژیک برای مدیریت بارهای کاری داده متنوع به سازمان‌ها ارائه می‌دهد:
انعطاف‌پذیری: نیازی به تحول داده قبل از بارگذاری نیست، که ingesting سریع داده‌های streaming با سرعت بالا را امکان‌پذیر می‌سازد. دریاچه‌های داده مدرن از تکامل schema و versioning پشتیبانی می‌کنند و به سازمان‌ها اجازه می‌دهند به الزامات کسب‌وکاری در حال تغییر بدون اختلال در workflowهای موجود تطبیق یابند.
مقیاس‌پذیری: معماری محاسبات توزیع‌شده به شما اجازه می‌دهد مجموعه داده‌های در حال رشد را بر اساس تقاضا ذخیره و پردازش کنید. پیاده‌سازی‌های بومی ابر قابلیت‌های مقیاس‌بندی خودکار ارائه می‌دهند که بارهای کاری در مقیاس petabyte را مدیریت می‌کنند در حالی که هزینه‌ها را از طریق tiering داده هوشمند بهینه می‌کنند.
تحلیل‌های پیشرفته: پشتیبانی از تحلیل‌های زمان واقعی، پردازش batch، AI و یادگیری ماشین بینش‌های عمیق‌تری را باز می‌کند. یکپارچگی با frameworkهای مدرن همه چیز را از هوش تجاری سنتی تا آموزش مدل‌های AI پیشرفته مستقیماً روی داده‌های خام امکان‌پذیر می‌سازد.
پشتیبانی چندزبانه: با SQL، R، Scala، Python و بیشتر کار کنید. موتورهای پرس‌وجوی مدرن دسترسی federated در سراسر منابع داده متعدد ارائه می‌دهند و به تحلیل‌گران اجازه می‌دهند از ابزارهای ترجیحی خود در حالی که به مجموعه داده‌های یکپارچه دسترسی دارند، استفاده کنند.
اقتصادی بودن: قیمت‌گذاری مبتنی بر ابر و pay-as-you-go هزینه‌های زیرساختی اولیه را حذف می‌کند. مدیریت چرخه حیات داده هوشمند به طور خودکار داده‌های به ندرت دسترسی‌شده را به tierهای ذخیره‌سازی کم‌هزینه منتقل می‌کند و هزینه‌ها را بدون قربانی کردن دسترسی بهینه می‌کند.
حاکمیت و امنیت: دریاچه‌های داده مدرن ویژگی‌های امنیتی سطح سازمانی را شامل می‌شوند، از جمله رمزنگاری، کنترل‌های دسترسی و قابلیت‌های رعایت. مدیریت metadata خودکار و ردیابی خط سلسله‌مراتب داده الزامات حاکمیت داده سازمانی را بدون قربانی کردن چابکی برآورده می‌کنند.
نوآوری‌های معماری اخیر در فناوری دریاچه داده چیست؟
منظره دریاچه داده تحول قابل توجهی را با ظهور معماری‌های lakehouse و فرمت‌های جدول باز تجربه کرده که محدودیت‌های سنتی را برطرف می‌کنند در حالی که مزایای انعطاف‌پذیری اصلی را حفظ می‌کنند.
مدل‌های Lakehouse و پلتفرم‌های یکپارچه
بزرگ‌ترین نوآوری مدل lakehouse است که مقیاس‌پذیری دریاچه داده را با قابلیت اطمینان انبار داده ترکیب می‌کند. این معماری هیبریدی تراکنش‌های ACID، اجرای schema و مدیریت metadata را مستقیماً در محیط‌های دریاچه داده معرفی می‌کند. پیاده‌سازی‌های مدرن از فرمت‌های جدول باز مانند Apache Iceberg، Delta Lake و Apache Hudi استفاده می‌کنند تا عملکرد database-like را در حالی که انعطاف‌پذیری ذخیره‌سازی انواع داده متنوع حفظ می‌شود، امکان‌پذیر سازند.
این پلتفرم‌های یکپارچه نیاز به زیرساخت‌های جداگانه دریاچه داده و انبار را حذف می‌کنند و پیچیدگی و هزینه‌ها را کاهش می‌دهند در حالی که سازگاری داده را بهبود می‌بخشند. سازمان‌ها اکنون می‌توانند هم تحلیل‌های اکتشافی روی داده‌های خام و هم پرس‌وجوهای هوش تجاری تولیدی را در همان محیط انجام دهند و workflowهای داده را ساده‌سازی کرده و حرکت داده را کاهش دهند.
استانداردهای باز و قابلیت همکاری
فرمت‌های جدول باز مدیریت دریاچه داده را با فراهم کردن سازگاری metadata در سراسر موتورهای پردازش مختلف متحول کرده‌اند. Apache Iceberg از تکامل schema و پرس‌وجوهای time travel پشتیبانی می‌کند و به سازمان‌ها اجازه می‌دهد تغییرات داده را در طول زمان پیگیری کنند و از خطاها بازیابی نمایند. Delta Lake تراکنش‌های ACID و عملیات read/write همزمان را فراهم می‌کند و سازگاری داده را در محیط‌های multi-user تضمین می‌نماید.
این استانداردها از vendor lock-in جلوگیری می‌کنند با امکان‌پذیر ساختن portability داده در سراسر پلتفرم‌های ابر و موتورهای پردازش مختلف. سازمان‌ها می‌توانند از ابزارهای best-of-breed بهره ببرند در حالی که دسترسی داده را حفظ کرده و از محدودیت‌های فرمت‌های proprietary اجتناب می‌ورزند.
بهینه‌سازی مبتنی بر AI و پردازش زمان واقعی
دریاچه‌های داده مدرن هوش مصنوعی را برای حاکمیت خودکار، طبقه‌بندی داده و نظارت کیفیت ادغام می‌کنند. الگوریتم‌های یادگیری ماشین به طور خودکار داده‌های حساس را تشخیص می‌دهند، استراتژی‌های پارتیشن‌بندی بهینه پیشنهاد می‌کنند و مسائل کیفیت داده را قبل از تأثیر بر تحلیل‌های downstream شناسایی می‌نمایند.
قابلیت‌های پردازش زمان واقعی تکامل یافته‌اند تا تحلیل‌های streaming را مستقیماً در محیط‌های دریاچه داده پشتیبانی کنند. یکپارچگی با پلتفرم‌های streaming رویداد به سازمان‌ها اجازه می‌دهد داده را در حین ورود پردازش و تحلیل کنند و موارد استفاده‌ای مانند تشخیص تقلب، موتورهای recommendation و نظارت عملیاتی را بدون تأخیر پردازش batch سنتی پشتیبانی نمایند.
دریاچه‌های داده در صنایع مختلف برای چه استفاده می‌شوند؟
تحلیل‌های بهداشتی
رکوردهای پزشکی، نتایج آزمایشگاهی و داده‌های تحقیق بالینی را تجمیع کنید تا شیوع بیماری‌ها را پیگیری کنید یا برنامه‌های درمانی شخصی‌سازی‌شده تدوین نمایید. دریاچه‌های داده بهداشتی مدرن از ابزارهای تشخیصی مبتنی بر AI پشتیبانی می‌کنند که داده‌های تصویربرداری پزشکی را همراه با رکوردهای بالینی ساخت‌یافته تحلیل می‌کنند و رویکردهای پزشکی دقیق را امکان‌پذیر می‌سازند که نتایج بیمار را بهبود بخشیده و هزینه‌ها را کاهش می‌دهند.
تحلیل‌های مالی
حجم عظیمی از داده‌های تراکنشی و مشتری را ذخیره و تحلیل کنید تا تقلب را تشخیص دهید، ریسک را مدیریت کنید و خدمات را شخصی‌سازی نمایید. قابلیت‌های تحلیل پیشرفته تشخیص تقلب زمان واقعی را با استفاده از مدل‌های یادگیری ماشین که داده‌های تراکنش streaming را همراه با الگوهای تاریخی و شاخص‌های ریسک خارجی پردازش می‌کنند، امکان‌پذیر می‌سازد.
آموزش
داده‌ها از سیستم‌های مدیریت یادگیری، ارزیابی‌ها و تحقیقات آموزشی را ترکیب کنید تا تجربیات یادگیری را بهبود بخشید، پشتیبانی را شخصی‌سازی کنید و عملکرد را نظارت نمایید. دریاچه‌های داده به مؤسسات آموزشی اجازه می‌دهند الگوهای یادگیری را در سراسر پلتفرم‌های متعدد تحلیل کنند و فناوری‌های یادگیری adaptive و تحلیل‌های پیش‌بینی‌کننده برای موفقیت دانش‌آموز را پشتیبانی نمایند.
حمل و نقل و لجستیک
داده‌های GPS trackers و سنسورهای ترافیک را تحلیل کنید تا مسیرهای تحویل را بهینه کنید، تأخیرها را کاهش دهید و هزینه‌های حمل و نقل را کم کنید. یکپارچگی با سنسورهای IoT و داده‌های ترافیک زمان واقعی بهینه‌سازی مسیر پویا را امکان‌پذیر می‌سازد که به شرایط در حال تغییر پاسخ می‌دهد و کارایی و رضایت مشتری را بهبود می‌بخشد.
چالش‌های پیاده‌سازی رایج دریاچه داده چیست و چگونه از آن‌ها اجتناب کنید؟
سازمان‌ها اغلب با pitfalls قابل پیش‌بینی هنگام پیاده‌سازی دریاچه‌های داده مواجه می‌شوند، اما درک این چالش‌ها استراتژی‌های mitigation proactive را امکان‌پذیر می‌سازد که نتایج موفق را تضمین می‌کنند.
حاکمیت و مدیریت کیفیت داده
حیاتی‌ترین چالش جلوگیری از تبدیل دریاچه‌های داده به باتلاق‌های داده از طریق frameworkهای حاکمیت ناکافی است. بدون مدیریت metadata مناسب و cataloging داده، سازمان‌ها خط سلسله‌مراتب و کیفیت داده را از دست می‌دهند و اعتماد به خروجی‌های تحلیلی را دشوار می‌سازد.
پیاده‌سازی‌های موفق جمع‌آوری metadata خودکار و نظارت کیفیت داده را از ابتدا برقرار می‌کنند. ابزارهای مدرن profiling داده خودکار، کشف schema و ردیابی lineage ارائه می‌دهند که حاکمیت داده را بدون محدودیت انعطاف‌پذیری ingesting حفظ می‌کنند. پیاده‌سازی کنترل‌های دسترسی مبتنی بر نقش و سیاست‌های طبقه‌بندی داده الزامات رعایت را برآورده می‌کند در حالی که تحلیل‌های self-service را امکان‌پذیر می‌سازد.
پیچیدگی امنیت و رعایت
دریاچه‌های داده اغلب اطلاعات حساس در فرمت‌ها و منابع متعدد را شامل می‌شوند و الزامات امنیتی پیچیده ایجاد می‌کنند. سازمان‌ها باید دسترسی داده را با حفاظت حریم خصوصی تعادل بخشند، به ویژه هنگام عمل تحت مقرراتی مانند GDPR یا HIPAA.
استراتژی‌های امنیتی مؤثر رمزنگاری در حالت استراحت و در حال انتقال را همراه با کنترل‌های دسترسی fine-grained پیاده‌سازی می‌کنند که دسترسی داده را بر اساس نقش‌های کاربر و حساسیت داده محدود می‌کنند. پلتفرم‌های مدرن قابلیت‌های تشخیص و masking PII خودکار ارائه می‌دهند که اطلاعات حساس را محافظت می‌کنند در حالی که کاربرد داده برای تحلیل حفظ می‌شود.
بهینه‌سازی هزینه و مدیریت عملکرد
رشد داده کنترل‌نشده می‌تواند منجر به هزینه‌های ذخیره‌سازی escalating و عملکرد پرس‌وجوی degraded شود. سازمان‌ها اغلب هزینه‌های مداوم ذخیره‌سازی، پردازش و مدیریت داده را هنگام برنامه‌ریزی پیاده‌سازی‌های دریاچه داده دست‌کم می‌گیرند.
مدیریت هزینه موفق نیازمند پیاده‌سازی سیاست‌های چرخه حیات داده است که به طور خودکار داده‌های به ندرت دسترسی‌شده را به tierهای ذخیره‌سازی کم‌هزینه منتقل می‌کنند. بهینه‌سازی پرس‌وجو از طریق پارتیشن‌بندی داده مناسب و انتخاب فرمت هزینه‌های پردازش را به طور قابل توجهی کاهش می‌دهد در حالی که عملکرد را بهبود می‌بخشد. حسابرسی داده منظم به شناسایی مجموعه داده‌های obsolete کمک می‌کند که می‌توانند archived یا deleted شوند تا رشد ذخیره‌سازی کنترل شود.
پیچیدگی یکپارچگی و بدهی فنی
بسیاری از سازمان‌ها با پیچیدگی یکپارچگی منابع داده متنوع و حفظ پایپ‌لاین‌های داده قابل اطمینان دست و پنجه نرم می‌کنند. توسعه یکپارچگی سفارشی می‌تواند منابع مهندسی قابل توجهی مصرف کند در حالی که بدهی فنی ایجاد می‌کند که نگهداری آن دشوار می‌شود.
پلتفرم‌های یکپارچگی داده مدرن کانکتورهای pre-built و مدیریت پایپ‌لاین خودکار ارائه می‌دهند که overhead توسعه را کاهش می‌دهند در حالی که قابلیت اطمینان را تضمین می‌کنند. اتخاذ الگوهای یکپارچگی استاندارد و ابزارهای نظارت به سازمان‌ها اجازه می‌دهد ingesting داده را مقیاس کنند بدون افزایش متناسب الزامات نگهداری.
محبوب‌ترین پلتفرم‌های دریاچه داده چیست؟
Google Cloud Storage
Google Cloud Storage (GCS) ذخیره‌سازی object مقیاس‌پذیر و مقرون‌به‌صرفه ارائه می‌دهد که به عنوان پایه راه‌حل‌های دریاچه داده Google عمل می‌کند. BigLake قابلیت‌های GCS را با امکان‌پذیر ساختن تحلیل‌های multi-cloud و حاکمیت یکپارچه در سراسر پلتفرم‌های ذخیره‌سازی مختلف گسترش می‌دهد.
ویژگی‌های کلیدی:
امنیت robust:
رمزنگاری و کنترل دسترسی fine-grained داده‌های حساس را با طبقه‌بندی خودکار و اجرای policy محافظت می‌کنند.
یکپارچگی پیشرفته:
پشتیبانی native برای جداول Apache Iceberg عملکرد lakehouse را امکان‌پذیر می‌سازد، در حالی که یکپارچگی tight با Dataflow، BigQuery و Vertex AI workflowهای پردازش داده و یادگیری ماشین را ساده‌سازی می‌کند.
سازگاری multi-cloud:
BigLake امکان پرس‌وجوی داده‌های ذخیره‌شده در AWS S3 و Azure Blob Storage را همراه با GCS فراهم می‌کند و انعطاف‌پذیری برای سازمان‌های با زیرساخت توزیع‌شده ارائه می‌دهد.
Amazon S3
Amazon S3 پرکاربردترین سرویس ذخیره‌سازی object برای پیاده‌سازی‌های دریاچه داده باقی مانده و به عنوان پایه اکوسیستم جامع دریاچه داده AWS عمل می‌کند. AWS Lake Formation حاکمیت و مدیریت امنیتی خودکار را روی ذخیره‌سازی S3 فراهم می‌کند.
ویژگی‌های کلیدی:
مقیاس‌پذیری بی‌نهایت:
ذخیره‌سازی را به طور خودکار بر اساس تقاضا مقیاس می‌کند با tiering هوشمند که هزینه‌ها را بر اساس الگوهای دسترسی بهینه می‌کند.
یکپارچگی جامع:
اتصال seamless با سرویس‌های AWS، شامل Lake Formation برای حاکمیت، Athena برای پرس‌وجوهای serverless، Redshift Spectrum برای یکپارچگی انبار و SageMaker برای workflowهای یادگیری ماشین.
حاکمیت پیشرفته:
Lake Formation cataloging داده خودکار، کنترل‌های دسترسی fine-grained و مدیریت رعایت ارائه می‌دهد که S3 را به پلتفرم دریاچه داده آماده سازمانی تبدیل می‌کند.
Cloudera Data Lake
Cloudera پلتفرم داده جامع ارائه می‌دهد که چالش‌های مدیریت داده در مقیاس سازمانی را با قابلیت‌های built-in حاکمیت، امنیت و تحلیل برطرف می‌کند. پلتفرم از استقرارهای بومی ابر و hybrid پشتیبانی می‌کند و برای سازمان‌های با الزامات زیرساختی پیچیده مناسب است.
ویژگی‌های کلیدی:
حاکمیت سازمانی:
قابلیت‌های حاکمیت و رعایت built-in، شامل طبقه‌بندی داده خودکار، ردیابی lineage و مدیریت policy که الزامات نظارتی در صنایع مختلف را برآورده می‌کنند.
تحلیل جامع:
پشتیبانی native برای Apache Spark، Hive و سایر frameworkهای محبوب workflowهای تحلیل پیچیده را امکان‌پذیر می‌سازد، در حالی که کتابخانه‌های یادگیری ماشین تحلیل‌های پیشرفته و توسعه مدل AI را پشتیبانی می‌کنند.
انعطاف‌پذیری hybrid:
استقرار در سراسر محیط‌های ابر و زیرساخت on-premises را پشتیبانی می‌کند و به سازمان‌ها اجازه می‌دهد sovereignty داده را حفظ کنند در حالی که از قابلیت‌های بومی ابر بهره می‌برند.
چگونه داده را به طور کارآمد به دریاچه داده منتقل کنید؟
دریاچه‌های داده حداکثر ارزش را زمانی به دست می‌آورند که داده‌های جامع از سراسر سازمان شما را شامل شوند. Airbyte پلتفرم یکپارچگی داده open-source robust ارائه می‌دهد که فرآیند تثبیت داده از منابع متنوع به مقاصدی مانند Snowflake، Amazon S3 یا Google Cloud Storage را ساده‌سازی می‌کند.
نتیجه‌گیری
دریاچه‌های داده پایه قدرتمندی برای ذخیره‌سازی، مدیریت و تحلیل petabyteهای داده متنوع فراهم می‌کنند. نوآوری‌های مدرن مانند معماری‌های lakehouse و فرمت‌های جدول باز آن‌ها را از مخازن ذخیره‌سازی ساده به پلتفرم‌های تحلیلی پیچیده تبدیل کرده‌اند که همه چیز را از هوش تجاری سنتی تا workflowهای پیشرفته AI و یادگیری ماشین پشتیبانی می‌کنند.
با درک نوآوری‌های معماری اخیر و اجتناب از pitfalls پیاده‌سازی رایج، سازمان‌ها می‌توانند دریاچه‌های داده را به عنوان دارایی‌های استراتژیک بهره ببرند که تصمیم‌گیری داده‌محور در مقیاس را امکان‌پذیر می‌سازد. با ساده‌سازی حرکت و حاکمیت داده توسط پلتفرم‌های یکپارچگی مدرن مانند Airbyte، تمرکز از مدیریت زیرساخت به استخراج ارزش کسب‌وکاری از دارایی‌های داده جامع منتقل می‌شود.
سوالات متداول
تفاوت بین دریاچه داده و انبار داده چیست؟
دریاچه‌های داده داده‌های خام را در فرمت بومی با رویکرد schema-on-read ذخیره می‌کنند، در حالی که انبارهای داده داده‌های ساخت‌یافته را با schemaهای از پیش تعریف‌شده ذخیره می‌کنند. معماری‌های lakehouse مدرن هر دو رویکرد را ترکیب می‌کنند و انعطاف‌پذیری دریاچه‌های داده را با قابلیت اطمینان و عملکرد انبارهای داده فراهم می‌نمایند.
چگونه از تبدیل دریاچه داده به باتلاق داده جلوگیری کنید؟
frameworkهای حاکمیت robust را از ابتدا پیاده‌سازی کنید، شامل مدیریت metadata خودکار، cataloging داده و نظارت کیفیت. سیاست‌های مالکیت داده واضح برقرار کنید و از ابزارهایی استفاده کنید که ردیابی lineage داده و طبقه‌بندی داده خودکار ارائه می‌دهند تا سازماندهی و دسترسی حفظ شود.
ملاحظات امنیتی اصلی برای دریاچه‌های داده چیست؟
اقدامات امنیتی کلیدی شامل رمزنگاری در حالت استراحت و در حال انتقال، کنترل‌های دسترسی fine-grained، تشخیص و masking PII خودکار، حسابرسی‌های امنیتی منظم و رعایت مقررات مربوطه است. پلتفرم‌های مدرن ویژگی‌های امنیتی built-in ارائه می‌دهند که داده‌های حساس را محافظت می‌کنند در حالی که دسترسی مجاز را امکان‌پذیر می‌سازند.
دریاچه‌های داده چگونه با زیرساخت داده موجود یکپارچه می‌شوند؟
دریاچه‌های داده از طریق الگوهای یکپارچگی مختلف مانند قابلیت‌های پرس‌وجوی مستقیم، پلتفرم‌های تحلیل federated و ابزارهای یکپارچگی داده مدرن در کنار سیستم‌های موجود کار می‌کنند. APIها و پروتکل‌های استاندارد اتصال seamless با پایگاه‌های داده، برنامه‌ها و ابزارهای تحلیل را امکان‌پذیر می‌سازند.
چه مهارت‌هایی برای مدیریت مؤثر دریاچه داده مورد نیاز است؟
مدیریت موفق دریاچه داده نیازمند تخصص در پلتفرم‌های ابر، مهندسی داده، حاکمیت امنیتی و ابزارهای تحلیل است. سازمان‌ها از تیم‌هایی سود می‌برند که هم پیاده‌سازی فنی و هم الزامات کسب‌وکاری را درک می‌کنند، اغلب با خدمات managed یا تخصص مشاوره در فازهای استقرار اولیه تکمیل می‌شود.
