Hvorfor neste generasjon av datastyring begynner med datastoffer

Klikk for å lære mer om forfatter Kendall Clark.

Mandatet for IT til å levere forretningsverdi har aldri vært sterkere. Faktisk, 76% av ledere mener IT må være en aktiv partner i utviklingen av forretningsstrategi. Agility er nøkkelen til suksess her. Imidlertid er de fleste bedrifter hemmet av datastrategier som lar teamene stå på flatfot når markedet endrer seg eller nye utfordringer dukker opp.

Ta strukturerte datastyringssystemer, for eksempel. Dette alternativet fungerte bra når bedriftsdatalandskapet i seg selv hovedsakelig var strukturert. Men verden er annerledes nå, og bedriftsdatalandskapet er nå dominert av hybride, varierte og skiftende data. Fremveksten av tingenes internett (IoT), økningen i ustrukturert datavolum, økende relevans av eksterne datakilder og trenden mot hybride multi-skymiljøer er hindringer for å tilfredsstille hver ny dataforespørsel. De gammel datastrategi, sentrert rundt relasjonsdatasystemer, er fundamentalt ødelagt. Så hvordan kan bedrifter skifte fra en reaktiv til en responsiv datastrategi?

Enterprise Data Fabrics: The Path Forward

Organisasjoner i dag er ute etter å bygge en datastoff for å drive samarbeidende, tverrfunksjonelle prosjekter og produkter og for å unnslippe reaktive arbeidsflyter med et spenstig digitalt fundament – ​​ingen rip-and-replace nødvendig. Datastoffer vever sammen data fra interne datasiloer og eksterne kilder og skaper et nettverk av informasjon for å drive apper, AI og analyser. Ganske enkelt støtter de hele bredden av datautfordringer i dagens komplekse, tilkoblede virksomhet.

I motsetning til eldre, statiske dataintegreringsteknikker, er nøkkelprinsippene for datastrukturer at de kan:

• Svar på uventede spørsmål og tilpass nye krav
• Gi data mening, noe som fører til bedre innsikt
• Aktiver spørringer på tvers av datasiloer og eksterne kilder, uavhengig av datastruktur
• Moderniser eksisterende systemer slik at det ikke er nødvendig med rip-and-replace
• Koble data på datalaget, ikke på lagringslaget, slik at datasiloer kan kobles sammen uten å opprette ekstra siloer

Datastrukturer støtter også de tverrfunksjonelle dataforbindelsene som er nøkkelen til å skape og forsvare konkurransefortrinn og muliggjøre samarbeid på tvers av bedriften og med eksterne partnere. Ta som eksempel utfordringene rundt innovasjon i forsyningskjeden. Konvensjonelle forsyningskjededatasystemer er et stafettløp, som opererer med lineære overleveringer og siloer, peer-to-peer-koblinger mellom systemer. Vi så de forutsigbare resultatene da COVID-19 rammet, og globale forsyningskjeder kollapset. En viss belastning eller til og med delvis kollaps var uunngåelig, men konsekvensene ble forverret av utilstrekkelige datastrategier som behandlet forsyningskjeden som et rigid system. I virkeligheten er forsyningskjeden et komplekst nettverk av aktører som må være helt synkronisert for å justere etter behov.

Med et digitalt forsyningsnettverk drevet av en datastruktur, kan bedrifter svare på komplekse spørsmål de tidligere var blinde for, for eksempel "vis meg alle massene av råvarer og tilknyttede leverandører som er involvert i produksjonen av ferdig godsparti 123." Eller "hvordan sammenligner COGS for produkt A mellom disse to regionene?" Eller "hvilke produsenter leverte råvarene involvert i denne kundeklagen?"

Å sy sammen et vellykket datastoff starter med å forstå materialene

I motsetning til andre tilnærminger, vever datastrukturer sammen eksisterende databehandlingssystemer og applikasjoner. Så det er ikke rart at datastrukturer raskt blir sett på som neste skritt fremover i modningen av dataintegrasjonsområdet. Dette skjer fordi datastrukturer kan:

1. Avdekke skjult betydning: Datastrukturer endrer status quo ved å levere mening, ikke bare data, på tvers av bedriften. Denne betydningen er vevd sammen fra mange kilder: data og metadata, interne og eksterne kilder, og sky- og lokale systemer. Betydningen fanges opp i og av utvidbare, kunnskapsgrafdrevne datamodeller, med all kontekst på hvert dataelement fullt tilstede og tilgjengelig, i maskinforståelig form. Med en datastruktur kan mennesker og algoritmer ta bedre beslutninger, samtidig som de reduserer sannsynligheten og risikoen for datamisbruk eller feiltolkning.

2. Svar på vanskelige spørsmål: Datastrukturer leverer svar via kraftige søke-, søk- og læringsfunksjoner. I stedet for en statisk enhet basert på flytting eller kopiering av data, gir en datastrukturplattform et dynamisk "søkbart" datalag som samler svar fra hele verden datasiloer. Tidligere dataintegrasjonsstrategier var avhengige av å lage en ny datamodell for å støtte hvert nytt brukstilfelle og deretter flytte eller kopiere data for å fylle ut den datamodellen. Med en datastruktur kan datamodeller gjenbrukes, så når uforutsette spørsmål dukker opp, er det enkelt for team å tilpasse seg for å møte virksomhetens behov.

3. Støtt tverrfunksjonelle dataadministrasjonsprosjekter: Datastoffer vever sammen eksisterende dataadministrasjonssystemer, og beriker alle tilkoblede apper. De erstatter eldre systemer som samlet inn eller katalogiserte en virksomhets eiendeler, men som ikke klarte å gjøre dataene brukbare. Tidligere løsninger mislyktes også delvis på grunn av deres manglende evne til å håndtere hybride, varierte og skiftende data, men også på grunn av organisatorisk pushback. Datastrukturer er imidlertid bygget for samarbeid, utnyttelse og tilkobling av eksisterende eiendeler, og drive en ny type tverrfunksjonelle dataadministrasjonsprosjekter.

Modernisere eksisterende investeringer

De fleste av oss vil huske hvordan datainnsjøer en gang holdt løftet om å sentralisere en bedrifts dataressurser. Men mange datainnsjøer klarer ikke å levere på hypen sin nettopp fordi de samler data på lagringslaget i stedet for å koble dem til datalaget. De utnytter data basert på beliggenheten i stedet for basert på forretningsbetydningen. Hele premisset bak en datastruktur er at fysisk samlokalisering av data ikke i seg selv oppnår dataforbindelse eller gir mening eller kontekst. Eldre generasjoner av lagringsbaserte integrasjonssystemer som datavarehuset er faktisk enda mindre kapable enn datainnsjøer, siden de kun enkelt administrerer strukturerte data til å begynne med, og etterlater de semistrukturerte og ustrukturerte datasiloene fullstendig uadresserte og frakoblet. Bedrifter henvendte seg raskt til datakataloger for å prøve å adressere det forvirrende mangfoldet i datalandskapet deres, bare for å finne ut at katalogisering alene ikke fører til en tilkoblet bedrift.

Selv om disse teknologiene lovet å avslutte datasiloer, er sannheten at de er uunngåelige og eksisterer av veldig gode grunner. De åpner for lokal kontroll og styring når det er viktig for en bestemt del av virksomheten, ettersom noen data må lagres bortsett fra andre data for å overholde lovbestemmelser eller rett og slett av eldre forretningsårsaker. Konvensjonell dataintegrasjon fokusert på eliminering
ng siloer gjennom mastering, migrering, konsolidering eller styring. Men datastoffer tilbyr et praktisk alternativ. I stedet for å jobbe mot datasiloer, utnytter en datastruktur dem uten å kreve ytterligere kopier av data. I stedet for å erstatte eldre teknologier, fungerer en datastruktur sammen med eksisterende investeringer og forbedrer deres nytte. Dette er fordi en datastruktur er en arkitektonisk design som opererer på datalaget og fokuserer på å koble data uansett hvor den befinner seg, og dermed faktisk forbedrer eksisterende fysisk konsoliderte datalagringsressurser som datainnsjøer, datakataloger, varehus, MDM og andre.

Kunnskapsgrafer: The Missing Stitch to a Successful Data Fabric

Kunnskapsgrafer kan representere hele mangfoldet og kompleksiteten til bedriftsdata fordi de fungerer som et universelt format for mening, uavhengig av datakildestruktur, plassering eller format. En kunnskapsgraf erstatter den nåværende arbeidskrevende prosessen for integrering av bedriftsdata, som vanligvis involverer utvinning, oversettelse, modellering, kartlegging og deretter flytting data mellom ulike applikasjoner. Den tilpassede koden som kreves for modellering og kartlegging blir raskt uhåndterlig i stor skala, noe som reduserer tempoet for innovasjon og innsikt.

Kunnskapsgrafer er en integrert del av en effektiv datastruktur, ettersom de skaper et gjenbrukbart nettverk av kunnskap og enkelt representerer data fra ulike strukturer og støtter flere skjemaer. Kunnskapsgrafer skaper en spørrebar, gjenbrukbar semantisk forståelse av bedrifts- og tredjepartsdata, og fungerer som kjernen i datastoffet: beriker og akselererer eksisterende investeringer og gir kritisk tilgang til forretningsinnsikt.

Akkurat som et vanlig stoff som er i samsvar med hva det omslutter, legger et bedriftsdatastoff over eksisterende dataressurser og kobles til dem via individuelle tråder og vever disse kildene sammen til et enhetlig lag. Ved å gjøre det forsterker datastrukturer faktisk forretningsverdien av eksisterende investeringer.

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