Pourquoi la prochaine génération de gestion des données commence avec les Data Fabrics

Cliquez pour en savoir plus sur l'auteur Kendal Clark.

Le mandat de l'informatique de fournir de la valeur commerciale n'a jamais été aussi fort. En réalité, 76% des cadres croient que l'informatique doit être un partenaire actif dans le développement de la stratégie commerciale. L'agilité est la clé du succès ici. Cependant, la plupart des entreprises sont gênées par des stratégies de données qui laissent les équipes sur le carreau lorsque le marché évolue ou que de nouveaux défis surgissent.

Prenez par exemple les systèmes structurés de gestion des données. Cette option fonctionnait bien lorsque le paysage des données d'entreprise était lui-même principalement structuré. Mais le monde est différent maintenant, et le paysage des données d'entreprise est désormais dominé par des données hybrides, variées et changeantes. L'émergence de l'Internet des objets (IoT), l'augmentation du volume de données non structurées, la pertinence croissante des sources de données externes et la tendance vers des environnements multi-cloud hybrides sont des obstacles à la satisfaction de chaque nouvelle demande de données. La ancienne stratégie de données, centré autour de systèmes de données relationnels, est fondamentalement brisé. Alors, comment les entreprises peuvent-elles passer d'une stratégie de données réactive à une stratégie de données réactive ?

Enterprise Data Fabrics : la voie à suivre

Aujourd'hui, les organisations cherchent à créer un tissu de données pour alimenter des projets et des produits collaboratifs et interfonctionnels et pour échapper aux flux de travail réactifs avec une base numérique résiliente - aucun remplacement requis. Les Data Fabrics tissent ensemble des données provenant de silos de données internes et de sources externes et créent un réseau d'informations pour alimenter les applications, l'IA et l'analyse. Tout simplement, ils prennent en charge l'ensemble des défis liés aux données dans l'entreprise complexe et connectée d'aujourd'hui.

Contrairement aux anciennes techniques d'intégration de données statiques, les principes clés des data fabrics sont qu'ils peuvent :

• Répondre aux questions imprévues et s'adapter aux nouvelles exigences
• Donner du sens aux données, ce qui conduit à une meilleure compréhension
• Activer les requêtes sur les silos de données et les sources externes, quelle que soit la structure des données
• Modernisez les systèmes existants afin qu'aucun remplacement ne soit nécessaire
• Connectez les données au niveau de la couche de calcul, et non au niveau de la couche de stockage, afin que les silos de données puissent être connectés sans créer de silos supplémentaires

Les structures de données prennent également en charge les connexions de données interfonctionnelles qui sont essentielles pour créer et défendre un avantage concurrentiel et permettre la collaboration au sein de l'entreprise et avec des partenaires externes. Prenons comme exemple les défis liés à l'innovation de la chaîne d'approvisionnement. Les systèmes de données conventionnels de la chaîne d'approvisionnement sont une course de relais, fonctionnant avec des transferts linéaires et des liens peer-to-peer cloisonnés entre les systèmes. Nous avons vu les résultats prévisibles lorsque le COVID-19 a frappé et que les chaînes d'approvisionnement mondiales se sont effondrées. Une certaine tension ou même un effondrement partiel était inévitable, mais les conséquences ont été aggravées par des stratégies de données inadéquates qui traitaient la chaîne d'approvisionnement comme un système rigide. En réalité, la chaîne d'approvisionnement est un réseau complexe d'acteurs qui doivent être parfaitement synchronisés pour s'adapter au besoin.

Avec un réseau d'approvisionnement numérique alimenté par une structure de données, les entreprises peuvent répondre à des questions complexes auxquelles elles étaient auparavant aveugles, telles que "montrez-moi tous les lots de matières premières et les fournisseurs associés impliqués dans la production du produit fini lot 123". Ou "comment le COGS du produit A se compare-t-il entre ces deux régions ?" Ou "quels fabricants ont fourni les matières premières impliquées dans cette plainte client ?"

Assembler une structure de données réussie commence par comprendre ses matériaux

Contrairement à d'autres approches, les structures de données tissent ensemble des systèmes et des applications de gestion de données existants. Il n'est donc pas étonnant que les data fabrics soient rapidement considérés comme la prochaine étape dans la maturation de l'espace d'intégration de données. Cela se produit parce que les structures de données peuvent :

1. Découvrez le sens caché : Les data fabrics modifient le statu quo en fournissant du sens, et pas seulement des données, à l'ensemble de l'entreprise. Cette signification est tissée à partir de nombreuses sources : données et métadonnées, sources internes et externes, et systèmes cloud et sur site. La signification est capturée dans et par des modèles de données extensibles alimentés par des graphes de connaissances, avec tout le contexte de chaque actif de données entièrement présent et disponible, sous une forme compréhensible par la machine. Avec une structure de données, les personnes et les algorithmes peuvent prendre de meilleures décisions, tout en réduisant la probabilité et le risque d'une mauvaise utilisation ou d'une mauvaise interprétation des données.

2. Répondez aux questions difficiles : Les data fabrics fournissent des réponses via de puissantes capacités de requête, de recherche et d'apprentissage. Plutôt qu'une entité statique basée sur le déplacement ou la copie de données, une plate-forme de structure de données fournit une couche de données dynamique «interrogeable» qui rassemble des réponses de partout. silos de données. Les stratégies d'intégration de données précédentes reposaient sur la création d'un nouveau modèle de données pour prendre en charge chaque nouveau cas d'utilisation, puis sur le déplacement ou la copie de données pour remplir ce modèle de données. Avec une structure de données, les modèles de données sont réutilisables. Ainsi, lorsque des questions imprévues se posent, il est facile pour les équipes de s'adapter pour répondre aux besoins de l'entreprise.

3. Soutenir les projets de gestion de données interfonctionnelles : Les data fabrics tissent ensemble les systèmes de gestion de données existants, enrichissant toutes les applications connectées. Ils remplacent les systèmes plus anciens qui collectaient ou cataloguaient les actifs d'une entreprise mais ne rendaient pas les données utilisables. Les solutions précédentes ont également échoué en partie en raison de leur incapacité à gérer des données hybrides, variées et changeantes, mais aussi en raison d'un refoulement organisationnel. Les structures de données, cependant, sont conçues pour la collaboration, en tirant parti et en connectant les actifs existants, et en pilotant une nouvelle génération de projets de gestion de données interfonctionnels.

Moderniser les investissements existants

La plupart d'entre nous se rappelleront comment les lacs de données tenaient autrefois la promesse de centraliser les actifs de données d'une entreprise. Mais de nombreux lacs de données ne parviennent pas à tenir leur engouement précisément parce qu'ils colocalisent les données au niveau de la couche de stockage plutôt que de les connecter au niveau de la couche de calcul. Ils exploitent les données en fonction de leur emplacement plutôt qu'en fonction de leur signification commerciale. Toute la prémisse derrière une structure de données est que la colocalisation physique des données n'effectue pas en elle-même la connexion des données ou ne fournit pas de sens ou de contexte. Les anciennes générations de systèmes d'intégration basés sur le stockage tels que l'entrepôt de données sont, en fait, encore moins capables que les lacs de données, car ils ne gèrent facilement que les données structurées pour commencer, laissant les silos de données semi-structurés et non structurés complètement sans adresse et déconnectés. Les entreprises se sont rapidement tournées vers les catalogues de données pour tenter de répondre à la diversité déconcertante de leurs paysages de données, pour découvrir que le catalogage seul ne mène pas à une entreprise connectée.

Alors que ces technologies promettaient de mettre fin aux silos de données, la vérité est qu'elles sont inévitables et existent pour de très bonnes raisons. Ils permettent un contrôle et une gouvernance locaux lorsque cela est important pour une partie particulière de l'entreprise, car certaines données doivent être stockées séparément des autres données pour se conformer à la réglementation légale ou simplement pour des raisons commerciales héritées. Intégration de données conventionnelle axée sur l'élimination
ng silos grâce à la maîtrise, la migration, la consolidation ou la gouvernance. Mais les data fabrics offrent une alternative pratique. Plutôt que de travailler contre des silos de données, une structure de données les exploite sans nécessiter d'autres copies de données. Au lieu de remplacer les technologies héritées, une structure de données fonctionne parallèlement aux investissements existants et améliore leur utilité. En effet, une structure de données est une conception architecturale qui fonctionne au niveau de la couche de calcul et se concentre sur la connexion des données où qu'elles se trouvent et, par conséquent, améliore réellement les actifs de stockage de données physiquement consolidés existants tels que les lacs de données, les catalogues de données, les entrepôts, le MDM et autres.

Knowledge Graphs : le point manquant pour une Data Fabric réussie

Les graphes de connaissances sont capables de représenter toute la diversité et la complexité des données d'entreprise car ils servent de format universel pour la signification, indépendamment de la structure, de l'emplacement ou du format de la source des données. Un graphe de connaissances remplace le processus laborieux actuel d'intégration des données d'entreprise, qui implique généralement l'extraction, la traduction, la modélisation, la cartographie, puis en mouvement données entre différentes applications. Le code personnalisé requis pour la modélisation et la cartographie devient rapidement difficile à manier à grande échelle, ce qui ralentit le rythme de l'innovation et de la perspicacité.

Les graphes de connaissances font partie intégrante d'un tissu de données efficace, car ils créent un réseau réutilisable de connaissances et représentent facilement des données de diverses structures et prennent en charge plusieurs schémas. Créant une compréhension sémantique interrogeable et réutilisable des données d'entreprise et tierces, les graphes de connaissances constituent le cœur de la structure de données : ils enrichissent et accélèrent les investissements existants et fournissent un accès essentiel aux informations commerciales.

Tout comme un tissu ordinaire qui se conforme à tout ce qu'il enveloppe, un tissu de données d'entreprise repose sur des actifs de données existants et s'y connecte via des threads individuels et tisse ces sources ensemble dans une couche unifiée. Ce faisant, les data fabrics augmentent en fait la valeur commerciale des investissements existants.

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