Mengapa Generasi Berikutnya Manajemen Data Dimulai dengan Data Fabrics

Klik untuk mempelajari lebih lanjut tentang penulis Kendall Clark.

Mandat bagi TI untuk memberikan nilai bisnis tidak pernah sekuat ini. Nyatanya, 76% eksekutif percaya TI harus menjadi mitra aktif dalam mengembangkan strategi bisnis. Kelincahan adalah kunci sukses di sini. Namun, sebagian besar perusahaan terhambat oleh strategi data yang membuat tim tidak bergerak ketika pasar bergeser atau tantangan baru muncul.

Ambil sistem Manajemen Data terstruktur, misalnya. Opsi ini bekerja dengan baik ketika lanskap data perusahaan itu sendiri sebagian besar terstruktur. Tetapi dunia sekarang berbeda, dan lanskap data perusahaan sekarang didominasi oleh data hibrid, bervariasi, dan berubah. Munculnya Internet of Things (IoT), peningkatan volume data yang tidak terstruktur, peningkatan relevansi sumber data eksternal, dan tren menuju lingkungan multi-cloud hybrid merupakan hambatan untuk memenuhi setiap permintaan data baru. Itu Strategi Data lama, berpusat di sekitar sistem data relasional, pada dasarnya rusak. Jadi bagaimana perusahaan dapat beralih dari Strategi Data yang reaktif menjadi responsif?

Kain Data Perusahaan: Jalan ke Depan

Organisasi saat ini sedang mencari untuk membangun a kain data untuk memberdayakan proyek dan produk lintas fungsi yang kolaboratif dan untuk keluar dari alur kerja reaktif dengan fondasi digital yang tangguh – tidak perlu rip-and-replace. Data fabric menyatukan data dari silo data internal dan sumber eksternal serta membuat jaringan informasi untuk mendukung aplikasi, AI, dan analitik. Sederhananya, mereka mendukung sepenuhnya tantangan data di perusahaan yang kompleks dan terhubung saat ini.

Tidak seperti teknik integrasi data statis yang lebih lama, prinsip utama dari struktur data adalah bahwa mereka dapat:

• Jawab pertanyaan tak terduga dan sesuaikan dengan persyaratan baru
• Bawa makna ke data, yang mengarah ke wawasan yang lebih baik
• Aktifkan kueri di seluruh silo data dan sumber eksternal, apa pun struktur datanya
• Memodernisasi sistem yang ada sehingga tidak diperlukan rip-and-replace
• Sambungkan data pada lapisan komputasi, bukan pada lapisan penyimpanan, sehingga silo data dapat dihubungkan tanpa membuat silo tambahan

Kain data juga mendukung koneksi data lintas fungsi yang merupakan kunci untuk menciptakan dan mempertahankan keunggulan kompetitif dan memungkinkan kolaborasi di seluruh perusahaan dan dengan mitra eksternal. Ambil contoh tantangan seputar inovasi rantai pasokan. Sistem data rantai suplai konvensional adalah perlombaan estafet, yang beroperasi dengan handoff linier dan silo, tautan peer-to-peer antar sistem. Kami melihat hasil yang dapat diprediksi ketika COVID-19 melanda, dan rantai pasokan global runtuh. Beberapa ketegangan atau bahkan keruntuhan sebagian tidak dapat dihindari, tetapi konsekuensinya diperburuk oleh strategi data yang tidak memadai yang memperlakukan rantai pasokan sebagai sistem yang kaku. Pada kenyataannya, rantai pasok adalah jaringan kompleks para pelaku yang harus sepenuhnya sinkron untuk menyesuaikan sesuai kebutuhan.

Dengan jaringan pasokan digital yang didukung oleh struktur data, perusahaan dapat menjawab pertanyaan rumit yang sebelumnya tidak mereka ketahui, seperti "tunjukkan semua bahan mentah dan pemasok terkait yang terlibat dalam produksi barang jadi 123". Atau "bagaimana COGS untuk produk A membandingkan antara kedua wilayah ini?" Atau "produsen mana yang memasok bahan mentah yang terlibat dalam keluhan pelanggan ini?"

Menjahit Bersama Kain Data yang Sukses Dimulai dengan Memahami Bahannya

Tidak seperti pendekatan lain, struktur data menyatukan sistem dan aplikasi Manajemen Data yang ada. Jadi, tidak heran jika struktur data dengan cepat dilihat sebagai langkah maju selanjutnya dalam pematangan ruang integrasi data. Ini terjadi karena struktur data dapat:

1. Temukan Makna Tersembunyi: Struktur data mengubah status quo dengan menyampaikan makna, bukan hanya data, ke seluruh perusahaan. Makna ini terjalin bersama dari banyak sumber: data dan metadata, sumber internal dan eksternal, serta sistem cloud dan lokal. Makna ditangkap di dalam dan oleh model data bertenaga grafik pengetahuan yang dapat diperluas, dengan semua konteks pada setiap aset data hadir dan tersedia sepenuhnya, dalam bentuk yang dapat dimengerti mesin. Dengan struktur data, orang dan algoritme dapat membuat keputusan yang lebih baik, sekaligus mengurangi kemungkinan dan risiko penyalahgunaan atau salah tafsir data.

2. Jawab Pertanyaan Sulit: Struktur data memberikan jawaban melalui kemampuan permintaan, pencarian, dan pembelajaran yang kuat. Alih-alih entitas statis yang didasarkan pada pemindahan atau penyalinan data, platform data fabric menyediakan lapisan data “queryable” dinamis yang mengumpulkan jawaban dari seluruh silo data. Strategi integrasi data sebelumnya mengandalkan pembuatan model data baru untuk mendukung setiap kasus penggunaan baru, lalu memindahkan atau menyalin data untuk mengisi model data tersebut. Dengan struktur data, model data dapat digunakan kembali, jadi ketika pertanyaan tak terduga muncul, mudah bagi tim untuk beradaptasi untuk memenuhi kebutuhan bisnis.

3. Mendukung Proyek Manajemen Data Lintas Fungsi: Struktur data menyatukan sistem Manajemen Data yang ada, memperkaya semua aplikasi yang terhubung. Mereka menggantikan sistem lama yang mengumpulkan atau membuat katalog aset perusahaan tetapi gagal membuat data dapat digunakan. Solusi sebelumnya juga gagal sebagian karena ketidakmampuannya menangani data hibrid, bervariasi, dan berubah, tetapi juga karena penolakan organisasi. Namun, struktur data dibangun untuk kolaborasi, memanfaatkan dan menghubungkan aset yang ada, dan mendorong generasi baru proyek Manajemen Data lintas fungsi.

Memodernisasi Investasi yang Ada

Sebagian besar dari kita akan mengingat bagaimana data lake pernah menjanjikan pemusatan aset data perusahaan. Tetapi banyak data lake gagal memberikan hype mereka justru karena mereka menempatkan data di lapisan penyimpanan daripada menghubungkannya di lapisan komputasi. Mereka memanfaatkan data berdasarkan lokasinya daripada berdasarkan makna bisnisnya. Seluruh premis di balik struktur data adalah bahwa kolokasi fisik data tidak dengan sendirinya menyelesaikan koneksi data atau memberikan makna atau konteks. Generasi lama dari sistem integrasi berbasis penyimpanan seperti gudang data, pada kenyataannya, bahkan kurang mampu daripada data lake, karena mereka hanya dengan mudah mengelola data terstruktur sejak awal, meninggalkan silo data semi-terstruktur dan tidak terstruktur sama sekali tidak tertangani dan terputus. Perusahaan dengan cepat beralih ke katalog data untuk mencoba mengatasi keragaman lanskap data mereka yang membingungkan hanya untuk mengetahui bahwa membuat katalog saja tidak mengarah pada perusahaan yang terhubung.

Sementara teknologi ini berjanji untuk mengakhiri silo data, kenyataannya mereka tidak dapat dihindari dan ada untuk alasan yang sangat bagus. Mereka mengizinkan kontrol dan tata kelola lokal ketika penting untuk bagian bisnis tertentu, karena beberapa data harus disimpan terpisah dari data lain untuk mematuhi peraturan hukum atau hanya untuk alasan bisnis warisan. Integrasi data konvensional difokuskan pada eliminati
silo melalui penguasaan, migrasi, konsolidasi, atau tata kelola. Tapi kain data menawarkan alternatif praktis. Daripada bekerja melawan silo data, struktur data memanfaatkannya tanpa memerlukan salinan data lebih lanjut. Alih-alih menggantikan teknologi lama, struktur data bekerja bersama investasi yang ada dan meningkatkan utilitasnya. Hal ini karena data fabric adalah desain arsitektur yang beroperasi pada lapisan komputasi dan berfokus pada menghubungkan data di mana pun data berada dan, dengan demikian, benar-benar meningkatkan aset penyimpanan data terkonsolidasi secara fisik seperti data lake, katalog data, gudang, MDM, dan lainnya.

Grafik Pengetahuan: Jahitan yang Hilang ke Data Fabric yang Berhasil

Grafik pengetahuan mampu mewakili keragaman dan kompleksitas penuh data perusahaan karena berfungsi sebagai format universal untuk makna, terlepas dari struktur, lokasi, atau format sumber data. Grafik pengetahuan menggantikan proses yang melelahkan saat ini untuk mengintegrasikan data perusahaan, yang biasanya melibatkan ekstraksi, penerjemahan, pemodelan, pemetaan, dan kemudian bergerak data antara berbagai aplikasi. Kode khusus yang diperlukan untuk pemodelan dan pemetaan dengan cepat menjadi berat dalam skala besar, memperlambat laju inovasi dan wawasan.

Grafik pengetahuan adalah bagian integral dari struktur data yang efektif, karena membuat jaringan pengetahuan yang dapat digunakan kembali dan dengan mudah merepresentasikan data dari berbagai struktur dan mendukung banyak skema. Membuat pemahaman semantik yang dapat di-query dan dapat digunakan kembali tentang data perusahaan dan pihak ketiga, grafik pengetahuan berfungsi sebagai inti dari struktur data: memperkaya dan mempercepat investasi yang ada dan memberikan akses penting ke wawasan bisnis.

Sama seperti struktur biasa yang sesuai dengan apa pun yang diselubunginya, struktur data perusahaan diletakkan di atas aset data yang ada dan terhubung ke aset tersebut melalui utas individual dan menjalin sumber-sumber ini bersama-sama menjadi lapisan terpadu. Dengan demikian, struktur data sebenarnya menambah nilai bisnis dari investasi yang ada.

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