Cos'è la data virtualization?

La data virtualization è la tecnica che permette di interrogare dati provenienti da fonti diverse, un database transazionale, un data warehouse, un'applicazione SaaS, come se fossero un'unica fonte, senza copiarli fisicamente in un repository centrale. Uno strato intermedio riceve la query, la traduce in tempo reale nel linguaggio di ciascuna fonte, interroga ogni sistema al momento della richiesta e ricompone il risultato in un'unica risposta. Chi scrive la query non deve sapere dove vive fisicamente ciascun dato, né gestire connessioni separate per ogni sistema: vede un unico schema logico, anche se dietro ci sono cinque sistemi diversi con formati e protocolli incompatibili tra loro. È l'approccio opposto a quello di ETL ed ELT, che copiano fisicamente i dati in un nuovo repository prima di renderli interrogabili: qui invece i dati restano dove sono nati, e la query li raggiunge al momento esatto in cui viene eseguita, senza passare da una copia intermedia.

La differenza chiave rispetto a ETL/ELT

L'ETL e l'ELT copiano fisicamente i dati in un nuovo posto, tipicamente un data warehouse, prima che siano interrogabili: i dati vengono duplicati, ma le query che seguono sono veloci e non dipendono dalla disponibilità della fonte originale nel momento in cui vengono eseguite. La virtualizzazione fa l'opposto: non copia nulla, i dati restano dove sono nati e vengono recuperati al momento esatto della query. Il vantaggio è zero duplicazione e un risultato sempre aggiornato in tempo reale, perché non esiste una copia che possa invecchiare tra un caricamento e l'altro. Il rovescio della medaglia è che le performance dipendono interamente dalla fonte originale: se in quel momento è lenta, sovraccarica o irraggiungibile, la query lo sarà altrettanto.

Quando ha senso

La virtualizzazione conviene quando i dati devono restare aggiornati in tempo reale senza il ritardo di una pipeline ETL che gira una volta al giorno o all'ora, quando serve un accesso rapido e temporaneo, magari per un'analisi una tantum, senza costruire un'infrastruttura di copia permanente per un bisogno che dura poche settimane, oppure quando copiare i dati non è proprio possibile, ad esempio per vincoli normativi sulla residenza dei dati che impediscono di spostarli fuori da una giurisdizione o da un sistema specifico.

Il limite onesto

La data virtualization non sostituisce un data warehouse per carichi di lavoro analitici pesanti e ripetuti. Interrogare la fonte originale ogni singola volta è più lento e più fragile, sensibile a cali di performance o a indisponibilità temporanee della fonte, di quanto lo sia interrogare una copia già ottimizzata per l'analisi. Su dashboard consultate centinaia di volte al giorno da decine di utenti, la copia vince quasi sempre: la virtualizzazione è pensata per l'accesso puntuale, non per il carico costante.

Il collegamento con il data fabric

Il data fabric moderno usa spesso la virtualizzazione come una delle tecnologie che automatizza sotto il cofano, insieme a metadati attivi e orchestrazione dell'accesso. Ma il data fabric è l'architettura complessiva che decide quando e come collegare le fonti; la virtualizzazione è solo una delle tecniche che la rende possibile, la stessa che si può adottare anche da sola, con uno strumento dedicato, senza costruire un fabric intero.

Perché conta per un'azienda

La scelta tra copiare i dati con ETL/ELT o interrogarli sul posto con la virtualizzazione non è ideologica: dipende da quanto conta la freschezza del dato rispetto alla velocità e alla stabilità delle query. Un'azienda che deve unire in fretta dati da un sistema appena acquisito, senza aspettare mesi di integrazione, guadagna dalla virtualizzazione; una che costruisce report ricorrenti su grandi volumi guadagna dalla copia. Le due tecniche non si escludono: spesso convivono nello stesso stack, ciascuna dove il compromesso tra freschezza e velocità la rende la scelta giusta.