Seit es kommerzielle Datenverarbeitung gibt, wurde immer viel Wert auf die Verbesserung und Beschleunigung der Leistung von Datenbankabfragen gelegt. Mit der Zunahme des Datenvolumens und der Komplexität der Abfragen ist dies noch wichtiger geworden.
Von den Anfängen indizierter Dateisysteme und Netzwerkdatenbanken über relationale Systeme und multidimensionale OLAP-Engines bis hin zu den heutigen In-Memory-Analytics-Modellen gibt es eine ganze Reihe von Technologien, die darauf ausgelegt sind, die Reaktionsfähigkeit von Datenbanksystemen für komplexe analytische Abfragen zu beschleunigen.
Wir sehen also, dass In-Memory-Analytics der neueste und letzte in einer langen Reihe von verschiedenen Ansätzen zur Lösung desselben Problems ist. Dieser Ansatz war in den letzten zehn bis fünfzehn Jahren Mainstream. Jetzt hat er aber vielleicht ausgedient und wird vielleicht schon bald in eine eigene spezifische Nische verbannt.
Mit dem Aufkommen von Cloud-Computing gibt es praktisch unbegrenzte Ressourcen, die für die Verarbeitung von analytischen Abfragen genutzt werden können. Es stellt sich also die Frage, wie kann das gleiche Maß an analytischer Leistung mit völlig unterschiedlichen zugrunde liegenden Speicheroptionen genutzt werden?
Durch das Loslösen der Analytics-Funktionen von den zugrundeliegenden Speichersystemen bietet Pyramid eine skalierbare Analytics-Umgebung, die auf die von Einzelpersonen oder Benutzergruppen benötigte Funktionalität zugeschnitten und ohne Beeinträchtigung der Analytics-Performance von verschiedenen Engines betrieben werden kann. Pyramid bietet somit ultimative In-Place-Analytics.
