Elaborazione batch
Elaborare grandi volumi di dati in esecuzioni delimitate invece che evento per evento. Il più antico modello di elaborazione dei dati esistente (i job a schede perforate erano batch) e ancora la spina dorsale della maggior parte delle piattaforme dati.
L'archetipo è il job notturno: le transazioni della giornata vengono lette, trasformate e scritte in un data warehouse. I vantaggi sono concreti: throughput elevato perché l'overhead si ammortizza su milioni di righe, gestione degli errori semplice perché un job fallito si rilancia, e risultati deterministici e riproducibili. Il prezzo è la latenza: la risposta è fresca quanto l'ultima esecuzione. Gli strumenti sono MapReduce, Spark, dbt e orchestratori come Airflow. Il contrario è l'elaborazione a flusso con Kafka e Flink. L'architettura Lambda combinava i due approcci, mentre la pratica moderna ricorre più spesso a micro-batch, finché qualcuno non dimostra che i secondi contano davvero.