چرا نسل بعدی مدیریت داده با پارچه های داده آغاز می شود؟

برای اطلاعات بیشتر در مورد نویسنده کلیک کنید کندال کلارک.

الزام IT برای ارائه ارزش تجاری هرگز قوی تر از این نبوده است. در حقیقت، 76٪ مدیران معتقدند فناوری اطلاعات باید یک شریک فعال در توسعه استراتژی کسب و کار باشد. در اینجا چابکی کلید موفقیت است. با این حال، بسیاری از شرکت‌ها با استراتژی‌های داده‌ای که تیم‌ها را در زمان تغییر بازار یا ایجاد چالش‌های جدید، پای صاف می‌گذارند، با مشکل مواجه می‌شوند.

به عنوان مثال، سیستم های مدیریت داده ساختاریافته را در نظر بگیرید. این گزینه زمانی که چشم انداز داده های سازمانی عمدتاً ساختار یافته بود به خوبی کار می کرد. اما جهان اکنون متفاوت است و چشم انداز داده های سازمانی اکنون تحت سلطه داده های ترکیبی، متنوع و در حال تغییر است. ظهور اینترنت اشیا (IoT)، افزایش حجم داده های بدون ساختار، افزایش ارتباط منابع داده خارجی، و گرایش به سمت محیط های چند ابری ترکیبی، موانعی برای برآورده کردن هر درخواست داده جدید هستند. را استراتژی داده قدیمی، متمرکز بر سیستم های داده رابطه ای، اساساً شکسته شده است. بنابراین چگونه شرکت ها می توانند از یک استراتژی داده واکنشی به یک استراتژی داده پاسخگو تغییر کنند؟

Enterprise Data Fabrics: The Path Forward

امروزه سازمان ها به دنبال ایجاد یک پارچه داده برای نیرو بخشیدن به پروژه‌ها و محصولات مشترک و متقابل و فرار از جریان‌های کاری واکنشی با یک پایه دیجیتالی انعطاف‌پذیر – بدون نیاز به ریپ و تعویض. پارچه های داده داده ها را از سیلوهای داده داخلی و منابع خارجی به هم می پیوندند و شبکه ای از اطلاعات را برای تقویت برنامه ها، هوش مصنوعی و تجزیه و تحلیل ایجاد می کنند. به سادگی، آنها از وسعت کامل چالش های داده در شرکت پیچیده و متصل امروزی پشتیبانی می کنند.

بر خلاف تکنیک های قدیمی تر یکپارچه سازی داده های ایستا، اصول کلیدی بافت های داده این است که می توانند:

• به سوالات پیش بینی نشده پاسخ دهید و با نیازهای جدید سازگار شوید
• به داده ها معنا بیاورید، که منجر به بینش بهتر می شود
• بدون در نظر گرفتن ساختار داده، پرس و جوها را در سیلوهای داده و منابع خارجی فعال کنید
• سیستم های موجود را مدرن کنید تا نیازی به ریپ و تعویض نباشد
• داده ها را در لایه محاسباتی وصل کنید، نه در لایه ذخیره سازی، به طوری که سیلوهای داده بدون ایجاد سیلوهای اضافی به هم متصل شوند

پارچه های داده همچنین از اتصالات داده متقابل عملکردی پشتیبانی می کنند که برای ایجاد و دفاع از مزیت رقابتی و امکان همکاری در سراسر شرکت و با شرکای خارجی کلیدی هستند. به عنوان مثال چالش های پیرامون نوآوری زنجیره تامین را در نظر بگیرید. سیستم‌های داده زنجیره تامین متعارف یک مسابقه رله هستند که با انتقال خطی و پیوندهای همتا به همتا بین سیستم‌ها کار می‌کنند. ما نتایج قابل پیش بینی را زمانی دیدیم که کووید-19 شیوع پیدا کرد و زنجیره های تامین جهانی از بین رفت. برخی فشارها یا حتی فروپاشی نسبی اجتناب ناپذیر بود، اما پیامدها با استراتژی های داده ناکافی که زنجیره تامین را به عنوان یک سیستم سفت و سخت تلقی می کرد، بدتر شد. در واقع، زنجیره تامین شبکه پیچیده ای از بازیگران است که باید به طور کامل هماهنگ باشند تا در صورت نیاز تنظیم شوند.

با یک شبکه تامین دیجیتال که توسط یک پارچه داده نیرو می‌گیرد، شرکت‌ها می‌توانند به سؤالات پیچیده‌ای که قبلاً نسبت به آنها نابینا بودند، پاسخ دهند، مانند «تمام مواد خام و تأمین‌کنندگان مرتبط درگیر در تولید کالای نهایی 123 را به من نشان دهید». یا "چگونه COGS برای محصول A بین این دو منطقه مقایسه می شود؟" یا "کدام تولید کنندگان مواد اولیه مورد نظر در این شکایت مشتری را تامین کردند؟"

دوخت یک پارچه داده موفق با درک مواد آن شروع می شود

بر خلاف سایر رویکردها، پارچه‌های داده سیستم‌ها و برنامه‌های مدیریت داده موجود را به هم می‌پیوندند. بنابراین، جای تعجب نیست که پارچه های داده به سرعت به عنوان گام بعدی رو به جلو در بلوغ فضای یکپارچه سازی داده ها دیده می شوند. این اتفاق می افتد زیرا پارچه های داده می توانند:

1. معنای پنهان را کشف کنید: پارچه های داده با ارائه معنا، نه فقط داده، در سراسر سازمان، وضعیت موجود را تغییر می دهند. این معنا از منابع بسیاری با هم ترکیب شده است: داده ها و ابرداده ها، منابع داخلی و خارجی، و سیستم های ابری و اولیه. معنا در داخل و توسط مدل‌های داده مبتنی بر گراف دانش قابل توسعه، با تمام زمینه‌های هر دارایی داده کاملاً موجود و در دسترس، به شکل قابل فهم ماشینی، به دست می‌آید. با ساختار داده، افراد و الگوریتم‌ها می‌توانند تصمیمات بهتری بگیرند، در حالی که احتمال و خطر سوءاستفاده یا تفسیر نادرست داده‌ها را نیز کاهش می‌دهند.

2. به سوالات سخت پاسخ دهید: پارچه های داده پاسخ ها را از طریق پرس و جو، جستجو و قابلیت های یادگیری قدرتمند ارائه می دهند. به جای یک موجودیت ثابت مبتنی بر جابجایی یا کپی کردن داده ها، یک پلت فرم داده فابریک یک لایه داده پویا "قابل پرس و جو" را ارائه می دهد که پاسخ ها را از سراسر جهان جمع آوری می کند. سیلوهای داده. استراتژی‌های یکپارچه‌سازی داده‌های قبلی بر ایجاد یک مدل داده جدید برای پشتیبانی از هر مورد جدید و سپس انتقال یا کپی داده‌ها برای تکمیل آن مدل داده تکیه داشتند. با یک پارچه داده، مدل‌های داده قابل استفاده مجدد هستند، بنابراین وقتی سؤالات پیش‌بینی نشده مطرح می‌شود، تیم‌ها به راحتی می‌توانند با نیازهای کسب‌وکار سازگار شوند.

3. پشتیبانی از پروژه های مدیریت داده های متقابل: پارچه های داده سیستم های مدیریت داده موجود را به هم می پیوندند و همه برنامه های متصل را غنی می کنند. آن‌ها جایگزین سیستم‌های قدیمی‌تری می‌شوند که دارایی‌های یک شرکت را جمع‌آوری یا فهرست‌بندی می‌کردند، اما نتوانستند داده‌ها را قابل استفاده کنند. راه‌حل‌های قبلی نیز تا حدی به دلیل ناتوانی در مدیریت داده‌های ترکیبی، متنوع و متغیر و همچنین به دلیل فشار سازمانی شکست خوردند. با این حال، بافت‌های داده برای همکاری، استفاده از اهرم و اتصال دارایی‌های موجود، و هدایت نسل جدیدی از پروژه‌های مدیریت داده‌های متقابل ساخته شده‌اند.

نوسازی سرمایه گذاری های موجود

بسیاری از ما به یاد می آوریم که چگونه دریاچه های داده زمانی وعده متمرکز کردن دارایی های داده یک شرکت را می دادند. اما بسیاری از دریاچه‌های داده دقیقاً به این دلیل که داده‌ها را در لایه ذخیره‌سازی جمع‌بندی می‌کنند به جای اتصال آن‌ها در لایه محاسباتی، نمی‌توانند تبلیغات خود را ارائه دهند. آنها داده ها را بر اساس موقعیت مکانی آن به جای بر اساس معنای تجاری آن اهرم می کنند. کل فرضیه پشت یک پارچه داده این است که تجمیع فیزیکی داده ها به خودی خود اتصال داده را انجام نمی دهد یا معنا یا زمینه را ارائه نمی دهد. نسل‌های قدیمی‌تر سیستم‌های یکپارچه‌سازی مبتنی بر ذخیره‌سازی مانند انبار داده، در واقع، حتی کمتر از دریاچه‌های داده توانایی دارند، زیرا آنها فقط در ابتدا به راحتی داده‌های ساختاریافته را مدیریت می‌کنند و سیلوهای داده نیمه‌ساختار یافته و بدون ساختار را کاملاً بدون آدرس و قطع ارتباط می‌گذارند. شرکت‌ها به سرعت به کاتالوگ‌های داده روی آوردند تا سعی کنند به تنوع گیج‌کننده مناظر داده‌هایشان رسیدگی کنند، تنها برای اینکه یاد بگیرند که فهرست‌نویسی به تنهایی منجر به یک شرکت متصل نمی‌شود.

در حالی که این فناوری ها وعده پایان دادن به سیلوهای داده را داده بودند، حقیقت این است که آنها اجتناب ناپذیر هستند و به دلایل بسیار خوبی وجود دارند. زمانی که برای بخش خاصی از کسب‌وکار مهم است، کنترل و حکومت محلی را امکان‌پذیر می‌کنند، زیرا برخی از داده‌ها باید جدا از سایر داده‌ها ذخیره شوند تا با مقررات قانونی مطابقت داشته باشند یا صرفاً به دلایل تجاری قدیمی. ادغام داده های مرسوم بر حذف متمرکز شده است
سیلوها از طریق تسلط، مهاجرت، تثبیت یا حاکمیت. اما پارچه های داده یک جایگزین عملی ارائه می دهند. به جای کار بر روی سیلوهای داده، یک پارچه داده از آنها بدون نیاز به کپی بیشتر از داده ها استفاده می کند. به جای جایگزینی فناوری‌های قدیمی، یک بافت داده در کنار سرمایه‌گذاری‌های موجود کار می‌کند و کاربرد آنها را بهبود می‌بخشد. این به این دلیل است که پارچه داده یک طرح معماری است که در لایه محاسباتی عمل می‌کند و بر اتصال داده‌ها در هر کجا که باشد تمرکز می‌کند و بنابراین، در واقع دارایی‌های ذخیره‌سازی داده‌های ادغام‌شده فیزیکی موجود مانند دریاچه‌های داده، کاتالوگ داده، انبارها، MDM و موارد دیگر را بهبود می‌بخشد.

نمودارهای دانش: کوک گمشده برای یک پارچه داده موفق

نمودارهای دانش می‌توانند تنوع و پیچیدگی کامل داده‌های سازمانی را نشان دهند، زیرا بدون در نظر گرفتن ساختار منبع، مکان یا قالب داده‌ها، به‌عنوان قالبی جهانی برای معنا عمل می‌کنند. یک نمودار دانش جایگزین فرآیند پرزحمت فعلی برای یکپارچه سازی داده های سازمانی می شود، که معمولاً شامل استخراج، ترجمه، مدل سازی، نقشه برداری و سپس متحرک داده ها بین برنامه های مختلف کد سفارشی مورد نیاز برای مدل‌سازی و نقشه‌برداری به سرعت در مقیاس بزرگ سخت می‌شود و سرعت نوآوری و بینش را کاهش می‌دهد.

نمودارهای دانش بخشی جدایی ناپذیر از یک بافت داده موثر هستند، زیرا آنها یک شبکه قابل استفاده مجدد از دانش ایجاد می کنند و به راحتی داده های ساختارهای مختلف را نشان می دهند و از طرحواره های متعدد پشتیبانی می کنند. ایجاد درک معنایی قابل پرس و جو و قابل استفاده مجدد از داده های سازمانی و شخص ثالث، نمودارهای دانش به عنوان هسته بافت داده عمل می کند: غنی سازی و تسریع سرمایه گذاری های موجود و ارائه دسترسی حیاتی به بینش تجاری.

درست مانند یک پارچه معمولی که مطابق با هر چیزی است که پوشش می دهد، یک پارچه داده سازمانی بر روی دارایی های داده موجود قرار می گیرد و از طریق رشته های جداگانه به آنها متصل می شود و این منابع را در یک لایه یکپارچه به هم می بافد. با انجام این کار، پارچه های داده در واقع ارزش تجاری سرمایه گذاری های موجود را ترکیب می کنند.

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