Di Mary Shacklett
Gli strumenti di sviluppo low-code mirano a ridurre i tempi di sviluppo delle applicazioni sul mercato. Lo fanno utilizzando interfacce utente grafiche con strumenti drag and drop per mettere insieme le applicazioni, semplificando lo sviluppo di app per gli utenti finali "citizen developer" senza alcuna conoscenza di programmazione. Gli strumenti low-code consentono inoltre al personale tecnico IT di inserire codice personalizzato per dotare le app di funzionalità che gli strumenti low-code non possono generare da soli.
Gli strumenti di sviluppo low-code stanno guadagnando popolarità nelle aziende perché gli utenti li vedono come modi per aggirare gli imprevisti IT che impediscono loro di fare le cose.
Il mercato è d'accordo. Entro il 2024, Gartner prevede che il 65% di tutto lo sviluppo di applicazioni verrà eseguito con piattaforme low-code e che il 66% delle grandi aziende utilizzerà almeno quattro diverse piattaforme di creazione di applicazioni low-code.
Tuttavia, il low-code ha i suoi limiti. Ad esempio, è progettato per funzionare con dati transazionali in lunghezze di record fisse. Questo rende il Low-Code un non-starter quando si tratta di lavorare con big data non strutturati, o no? Esistono modi per utilizzare il low-code con i big data se il valore aziendale è sufficiente per giustificare lo sviluppo della metodologia per agevolarlo.
Ecco come può funzionare. Poiché lo sviluppo low-code deve funzionare con record fissi contenenti campi dati chiaramente delineati al loro interno, l'attività principale è la formattazione di big data non strutturati in record fissi.
Ecco i passaggi:
1. Definisci i tuoi requisiti aziendali
Gli utenti IT e aziendali dovrebbero identificare il problema aziendale specifico o l'uso che l'applicazione intende affrontare, insieme ai tipi di big data che saranno necessari. Durante questa fase, gli utenti aziendali, l'IT e la scienza dei dati (se esiste un reparto DS separato) dovrebbero anche identificare i big data che non saranno necessari all'applicazione perché non si desidera importare più big data di quanto non sia necessario, poiché crea overhead inutili e impantana l'elaborazione.
2. Usa l'intelligenza artificiale per eliminare i dati non necessari
Questo è un compito per i data scientist, a cui verrà chiesto di sviluppare un filtro di dati sotto forma di un algoritmo di intelligenza artificiale (AI) che eliminerà i big data non necessari prima che i dati vengano inoltrati all'applicazione low-code.
Ad esempio, se stai utilizzando previsioni meteorologiche per big data per il Midwest, ma non hai bisogno di conoscere il tempo in Australia, il filtro algoritmo può escludere tutti i dati che non riguardano il Midwest. Ciò riduce la dimensione del file di big data.
3. Sviluppare le API necessarie
Gli strumenti low-code vengono forniti con API predefinite (application programming interface) per i principali pacchetti software, ma non hanno API per ogni sistema.
In questa fase, l'IT analizza a quali sistemi deve accedere l'app low-code e determina se sono presenti API mancanti. Se un'API non esiste, potrebbe essere necessario codificarne una.
4. Convertire i dati non strutturati in record fissi
In questa fase, l'IT seleziona i dati dai big data non strutturati necessari per l'app, analizza i dati non strutturati in blocchi di campi dati e quindi formatta i dati in campi fissi all'interno di un record fisso
5. Utilizzare uno strumento ETL per normalizzare e spostare i big data in altri sistemi
I big data che sono stati formattati in record fissi devono essere in grado di corrispondere ai record di dati in altri sistemi a cui è necessario accedere.
Uno strumento di estrazione-trasformazione-carico (ETL), informato dalle regole aziendali che l'IT definisce in esso, può eseguire questo passaggio automaticamente.
6. Testare e perfezionare
Il passaggio finale è l'esecuzione dell'app low-code per vedere se raccoglie i dati giusti, elabora correttamente e restituisce i risultati che l'azienda si aspetta.
La conversione di big data per l'esecuzione con applicazioni low-code richiede tempo, ma ne vale la pena se ci sono abbastanza app low-code che possono essere sviluppate dai big data convertiti che possono essere continuamente riutilizzate, fornendo un elevato valore di business all'azienda.
Il valore aziendale è la chiave, perché la linea di fondo è sempre se vale la pena di convertire i dati.