Batchbehandling håndterer data i store grupper til planlagte tider. I stedet for å behandle hver transaksjon etter hvert som den ankommer, samler systemet dem inn og kjører dem sammen. Banker brukte batchbehandling i flere tiår for å klarere sjekker over natten. Lønnssystemer kjører batcher for å beregne lønn og fradrag. Modellen fungerer når punktlighet er mindre viktig enn effektivitet.

Avveiningen er latens. En batchjobb som kjører klokken 02.00 betyr at data fra dagen før ikke er tilgjengelige før morgenen. For lønn og fakturering er det greit. For svindeldeteksjon eller prissetting i sanntid er det ikke det. Strømmebehandling håndterer disse sakene ved å analysere data etter hvert som de ankommer. Mange moderne arkitekturer bruker begge deler. Strømming håndterer hastehendelser. Batch håndterer historisk analyse, avstemming og rapportering. De to utfyller hverandre. Batchjobber er også billigere å kjøre fordi de kan planlegges i lavtrafikkperioder når dataressursene er inaktive. Hadoop og Spark populariserte storskala batchbehandling på tvers av distribuerte klynger. Teknologien utviklet seg, men mønsteret er gammelt: samle inn, planlegge, behandle, levere.

Egenskaper for batchbehandling

• Planlagt — kjører med definerte intervaller, ofte over natten
• Høyt volum – behandler store datasett effektivt
• Latenstolerant – resultater er ikke nødvendige umiddelbart
• Ressurseffektiv – bruker datakapasitet utenom rushtid
• Deterministisk – samme inngang gir samme utgang

Batchbehandling er ikke utdatert. Det er det riktige verktøyet når gjennomstrømning er viktigere enn hastighet.