Hvorfor den næste generation af Data Management begynder med Data Fabrics

Klik for at lære mere om forfatteren Kendall Clark.

Mandatet for IT til at levere forretningsværdi har aldrig været stærkere. Faktisk, 76% af ledere mener, at IT skal være en aktiv partner i udviklingen af ​​forretningsstrategi. Agility er nøglen til succes her. De fleste virksomheder er dog hæmmet af datastrategier, der efterlader teams fladfodet, når markedet skifter eller nye udfordringer opstår.

Tag for eksempel strukturerede datastyringssystemer. Denne mulighed fungerede godt, når virksomhedens datalandskab i sig selv overvejende var struktureret. Men verden er anderledes nu, og virksomhedsdatalandskabet er nu domineret af hybride, varierede og skiftende data. Fremkomsten af ​​Internet of Things (IoT), stigningen i ustruktureret datamængde, stigende relevans af eksterne datakilder og tendensen til hybride multi-cloud-miljøer er hindringer for at tilfredsstille hver ny dataanmodning. Det gammel datastrategi, centreret omkring relationelle datasystemer, er fundamentalt brudt. Så hvordan kan virksomheder skifte fra en reaktiv til en responsiv datastrategi?

Enterprise Data Fabrics: The Path Forward

Organisationer i dag søger at bygge en datastof at drive samarbejdende, tværgående projekter og produkter og at undslippe reaktive arbejdsgange med et robust digitalt fundament – ​​ingen rip-and-replace nødvendig. Datastrukturer væver data fra interne datasiloer og eksterne kilder sammen og skaber et netværk af information til at drive apps, AI og analyser. Ganske enkelt understøtter de hele bredden af ​​dataudfordringer i nutidens komplekse, forbundne virksomhed.

I modsætning til ældre, statiske dataintegrationsteknikker er nøgleprincipperne for datastrukturer, at de kan:

• Besvar uforudsete spørgsmål og tilpas dig nye krav
• Giv data mening, hvilket fører til bedre indsigt
• Aktiver forespørgsler på tværs af datasiloer og eksterne kilder, uanset datastruktur
• Moderniser eksisterende systemer, så der ikke kræves rip-and-replace
• Forbind data på computerlaget, ikke på lagerlaget, så datasiloer kan forbindes uden at oprette yderligere siloer

Datastrukturer understøtter også de tværfunktionelle dataforbindelser, der er nøglen til at skabe og forsvare konkurrencefordele og muliggøre samarbejde på tværs af virksomheden og med eksterne partnere. Tag som eksempel udfordringerne omkring innovation i supply chain. Konventionelle forsyningskædedatasystemer er et stafetløb, der opererer med lineære overdragelser og siloed peer-to-peer links mellem systemer. Vi så de forudsigelige resultater, da COVID-19 ramte, og globale forsyningskæder kollapsede. En vis belastning eller endda delvist kollaps var uundgåelig, men konsekvenserne blev forværret af utilstrækkelige datastrategier, der behandlede forsyningskæden som et stift system. I virkeligheden er forsyningskæden et komplekst netværk af aktører, der skal være fuldt synkroniserede for at justere efter behov.

Med et digitalt forsyningsnetværk drevet af et datastof kan virksomheder besvare komplekse spørgsmål, de tidligere var blinde for, såsom "vis mig alle de masser af råvarer og tilknyttede leverandører, der er involveret i produktionen af ​​det færdige vareparti 123." Eller "hvordan sammenligner COGS for produkt A mellem disse to regioner?" Eller "hvilke producenter leverede de rå ingredienser, der var involveret i denne kundeklage?"

At sy et vellykket datastof sammen starter med at forstå dets materialer

I modsætning til andre tilgange væver datavæv sammen eksisterende datastyringssystemer og applikationer. Så det er ikke underligt, at datastrukturer hurtigt bliver set som det næste skridt fremad i modningen af ​​dataintegrationsrummet. Dette sker, fordi datastrukturer kan:

1. Afdække skjult betydning: Datastrukturer ændrer status quo ved at levere mening, ikke kun data, på tværs af virksomheden. Denne betydning er vævet sammen fra mange kilder: data og metadata, interne og eksterne kilder og cloud- og on-prem-systemer. Betydning er fanget i og af udvidelige, videngrafdrevne datamodeller, med al kontekst på hvert dataaktiv fuldt ud til stede og tilgængelig, i maskinforståelig form. Med et datastof kan mennesker og algoritmer træffe bedre beslutninger, samtidig med at de reducerer sandsynligheden og risikoen for datamisbrug eller fejlfortolkning.

2. Besvar svære spørgsmål: Datastrukturer leverer svar via kraftfulde forespørgsler, søgninger og indlæringsmuligheder. I stedet for en statisk enhed baseret på flytning eller kopiering af data, giver en datastofplatform et dynamisk "forespørgeligt" datalag, der samler svar på tværs datasiloer. Tidligere dataintegrationsstrategier var afhængige af at skabe en ny datamodel til at understøtte hver ny use case og derefter flytte eller kopiere data for at udfylde denne datamodel. Med et datastof kan datamodeller genbruges, så når uforudsete spørgsmål opstår, er det nemt for teams at tilpasse sig for at imødekomme virksomhedens behov.

3. Støt tværfunktionelle datastyringsprojekter: Datavæv væver eksisterende datastyringssystemer sammen og beriger alle tilsluttede apps. De erstatter ældre systemer, der indsamlede eller katalogiserede en virksomheds aktiver, men som ikke gjorde dataene brugbare. Tidligere løsninger fejlede også delvist på grund af deres manglende evne til at håndtere hybride, varierede og skiftende data, men også på grund af organisatorisk pushback. Datastrukturer er imidlertid bygget til samarbejde, udnyttelse og forbindelse af eksisterende aktiver og til at drive en ny race af tværgående datastyringsprojekter.

Modernisere eksisterende investeringer

De fleste af os vil huske, hvordan datasøer engang havde løftet om at centralisere en virksomheds dataaktiver. Men mange datasøer formår ikke at levere på deres hype, netop fordi de samler data på lagerlaget i stedet for at forbinde dem på datalaget. De udnytter data baseret på dens placering snarere end baseret på dens forretningsmæssige betydning. Hele præmissen bag en datastruktur er, at fysisk samlokalisering af data ikke i sig selv opnår dataforbindelse eller giver mening eller kontekst. Ældre generationer af storage-baserede integrationssystemer såsom data warehouse er faktisk endnu mindre kapable end data lakes, da de kun nemt administrerer strukturerede data til at begynde med, hvilket efterlader de semistrukturerede og ustrukturerede datasiloer fuldstændig uadresserede og afbrudte. Virksomheder henvendte sig hurtigt til datakataloger for at forsøge at adressere den forvirrende mangfoldighed af deres datalandskaber kun for at erfare, at katalogisering alene ikke fører til en forbundet virksomhed.

Selvom disse teknologier lovede at afslutte datasiloer, er sandheden, at de er uundgåelige og eksisterer af meget gode grunde. De giver mulighed for lokal kontrol og styring, når det er vigtigt for en bestemt del af virksomheden, da nogle data skal opbevares adskilt fra andre data for at overholde lovbestemmelser eller blot af ældre forretningsmæssige årsager. Konventionel dataintegration fokuseret på eliminati
ng siloer gennem mastering, migration, konsolidering eller styring. Men datavæv tilbyder et praktisk alternativ. I stedet for at arbejde mod datasiloer, udnytter et datastof dem uden at kræve yderligere kopier af data. I stedet for at erstatte ældre teknologier fungerer et datastof sammen med eksisterende investeringer og forbedrer deres nytte. Dette skyldes, at et datastof er et arkitektonisk design, der opererer på computerlaget og fokuserer på at forbinde data, uanset hvor det befinder sig, og dermed faktisk forbedrer eksisterende fysisk konsoliderede datalagringsaktiver som datasøer, datakataloger, varehuse, MDM og andre.

Vidensgrafer: Det manglende sting til et vellykket datastof

Vidensgrafer er i stand til at repræsentere den fulde mangfoldighed og kompleksitet af virksomhedsdata, fordi de fungerer som et universelt format for mening, uanset datas kildestruktur, placering eller format. En vidensgraf erstatter den nuværende besværlige proces til integration af virksomhedsdata, som typisk involverer udtræk, oversættelse, modellering, kortlægning og derefter flytning data mellem forskellige applikationer. Den tilpassede kode, der kræves til modellering og kortlægning, bliver hurtigt uhåndterlig i stor skala, hvilket sænker tempoet for innovation og indsigt.

Vidensgrafer er en integreret del af et effektivt datastof, da de skaber et genanvendeligt netværk af viden og nemt repræsenterer data af forskellige strukturer og understøtter flere skemaer. Ved at skabe en forespørgelig, genanvendelig semantisk forståelse af virksomheds- og tredjepartsdata, tjener videngrafer som kernen i datastrukturen: beriger og accelererer eksisterende investeringer og giver kritisk adgang til forretningsindsigt.

Ligesom et almindeligt stof, der er i overensstemmelse med, hvad det end omslutter, lægger et virksomhedsdatastof over eksisterende dataaktiver og forbinder til dem via individuelle tråde og væver disse kilder sammen til et samlet lag. Ved at gøre det forstærker datastrukturer faktisk forretningsværdien af ​​eksisterende investeringer.

Kilde: https://www.dataversity.net/why-the-next-generation-of-data-management-begins-with-data-fabrics/