Přehled datových sítí

Datová síť představuje nový způsob pohledu na informace. Zrodí se z rostoucího konceptu, že data jsou ve skutečnosti sama o sobě produktem, nástrojem, prostředkem ke konci – ne prostě něčím, co podniky shromažďují a analyzují později v zaostalém pokusu porozumět věcem, které se již staly.

Definice datové sítě

Datová síť je přístup ke správě dat, který používá distribuovaný architektonický rámec. Jinými slovy, šíří vlastnictví a odpovědnost za konkrétní datové soubory v celém podniku na uživatele s odbornými znalostmi, aby pochopili, co to data znamenají a jak je co nejlépe využít.

Architektura datových sítí propojuje a čerpá data z různých zdrojů, jako jsou datová jezera a sklady. Poté distribuuje relevantní datové soubory příslušným lidským odborníkům a doménovým týmům napříč podnikem. V podstatě je objemný jumble dat v centrálním datovém jezeře tříděn a distribuován do zvládnutelných bloků těm, které se nejlépe hodí k jejich pochopení a využití.

Původy datových sítí

Datová síť vznikla kolem roku 2009 v reakci na výzvy škálování datových architektur ve velkých, složitých organizacích. Hlavní myšlenkou datové sítě je decentralizovat vlastnictví dat a architekturu, zacházet s daty jako s produktem a přiřazovat odpovědnost týmům orientovaným na doménu. Datová síť kombinuje principy z doménového designu, produktového myšlení a samoobslužné infrastruktury, což organizacím umožňuje škálovat datové systémy bez vytváření monolitických úzkých míst.

Centralizované modely správy dat často selhávají ve velkých organizacích kvůli:

• Kritická místa v dodávce: Jeden centrální tým je přetížen, což zpomaluje přístup k datům a analýzy.
• Nedostatky ve vlastnictví: Žádná jasná odpovědnost za kvalitu dat napříč doménami nezpůsobuje nekonzistentní standardy a problémy s důvěrou.
• Problémy s škálovatelností: S rostoucím objemem a složitostí dat se centralizované systémy snaží škálovat bez masivních režijních nákladů.
• Špatné znalosti o doménách: Centrální týmy nemají hluboké znalosti podnikových domén, což vede k nekvalitním nebo nesprávně sladěným datovým produktům.
• Omezená agilita: Změny vyžadující koordinaci prostřednictvím jednoho týmu zpomalují schopnost reagovat na vyvíjející se obchodní potřeby.

Výhody datové sítě

Starší databáze a omezené infrastruktury pro správu dat přispěly k pocitu, že data jsou něco, co je třeba uchovávat v jediném trezoru a podle uvážení několika správců dat. Nyní jsou data pohonnou hmotou, která řídí váš podnik; měla by být volně poskytována těm odborníkům, kteří nejlépe vědí, jak to udělat, aby fungovala a zvyšovala zisk v konkurenčních dobách.

Hlavní výhody architektury datových sítí lze shrnout do tří kategorií:

Škálovatelnost a agilita

Zvýšená přístupnost dat: Datová síť zajišťuje, že všichni lidé ve vaší organizaci mají přístup k datům, která potřebují – aby byli na svých pracovních pozicích naprosto nejlepší.

Přizpůsobitelné datové kanály a procesy: Mnoho nejlepších a potenciálně nejziskovějších projektů je odloženo kvůli obrovským potížím se zakřivením jedinečných a přizpůsobených datových souborů potřebných k dosažení úspěchu. S datovou sítí mohou týmy rychle přistupovat a testovat nové modely projektů bez tradiční ztráty času nebo zdrojů.

Snížená úzká místa: To je zřejmá výhra / výhra jak pro IT týmy, tak pro vlastníky dat. Navíc snížením zdroje frustrace a podráždění mohou podniky pomoci odbourat sila, která stojí v cestě zdravému rozvoji podnikání.

Kvalita a důvěra

Vylepšené analytické funkce: Když organizace vidí data jako produkt, který se má používat každý den, týmy začnou k plánování a strategii přistupovat jako první data. To vede ke snížení počtu chyb a k objektivnějšímu přístupu k rozvoji podnikání, který je méně motivován stanoviskem.

Spolupráce mezi doménami a opakované použití

Snížená zátěž centrálních týmů pro správu dat: To znamená nejen snížit nedodělky a frustraci, ale také uvolnit nespočet hodin pro vaše talentované IT týmy, aby se věnovaly specializovanějším, zajímavějším a ziskovějším snahám.

Decentralizací vlastnictví a zacházením s daty jako s produktem umožňuje datová síť organizacím rychlejší pohyb, budování důvěry v přehledy a bezproblémové škálování napříč doménami.

Základní principy datové sítě

Když mluvíme o datových jezerech a datové síti, hovoříme v podstatě o velkých datech. To, co dělá data „velkými“, není prostě jeho obrovský objem. Kromě jiných kritérií jsou data velkého objemu také definována jako komplexní, variabilní, rychle generovaná a nestrukturovaná.

Lineární databáze je jako tabulka: má sloupce a řádky a neměnné kategorie, do kterých se musí vejít všechny datové komponenty. Některá data generovaná ze strojů, senzorů a průmyslových zdrojů jsou strukturována a úhledně zapadají do lineární databáze. Bez ohledu na to, kolik objemu dat musíte řešit, pokud je 100% strukturovaný, nesplňuje kritéria big data a může být uložen v lineární databázi, takže je relativně jednoduché filtrovat a extrahovat.

Moderní big data jsou však stále více nestrukturovaná a skládají se z vizuálních komponent, otevřeného textu, a dokonce i videa a bohatých médií. Tato zásadní data mohou zahrnovat tisíce terabajtů informací pro mnoho společností a jednoduše je nelze uložit do standardní lineární databáze.

Zadejte datové jezero. Vzhledem k tomu, že objemy velkých dat začaly narůstat, byla datová jezera vyvíjena jako místo, kde bylo možné ukládat komplexní data a přistupovat k nim z centrálního úložiště ve svém syrovém formátu. Zatímco datová jezera představují vynikající řešení problému velkých objemů dat, přesto mají slabiny. Datovým jezerům chybí určité analytické funkce, díky nimž jsou závislé na jiných službách pro vyhledávání, indexování, transformaci, dotazování a analytické funkce.

Čtyři zásady datových sítí se zabývají výzvami, které představují datová jezera:

1. Vlastnictví domény

Vlastnictví v datových jezerech je složité definovat, když příliš mnoho hráčů generuje a přistupuje k datům. Při absenci jasně definovaných rolí a odpovědností mohou různé strany spravovat stejný soubor údajů různě, což vede k nekonzistencím, které ztěžují jejich používání. Stejně tak ostatní data nakonec zanedbávají, když je nebudou aktivně spravovat ti, kteří je nakonec budou používat.

Architektura datových sítí to řeší decentralizací vlastnictví. Zajišťuje, aby správa dat byla jasně distribuována po jednotlivých doménách, takže každý tým nebo odborník na doménu řídí data, která vytvářejí a používají. K zálohování tohoto cíle používají datové sítě také federovanou řídicí strukturu, která také umožňuje centrální řízení modelování dat, bezpečnostní politiky a shodu. Vlastnictví datových sítí vytváří odpovědnost a zlepšuje použitelnost dat.

2. Údaje jako produkt

Datová jezera mohou selhat v zajištění kvality dat, když je objem dat příliš velký nebo když to centrální správci dat sami nechápou. Datová síťová architektura zásadně nakládá s daty jako s cenným produktem, který staví kvalitu a úplnost dat do popředí správy dat. Pravděpodobně každý tým zná nejdůležitější kritéria a otázky, které si přeje extrapolovat z údajů, které shromažďuje. Začleněním těchto kritérií a priorit do architektury může datová síť pomoci zajistit nepřetržité a prioritní poskytování čistých, čerstvých a úplných dat, a to i v případě, že jsou zapojeny větší datové sady. A samozřejmě, když se používají algoritmy strojového učení, jsou tato kritéria a výsledné množiny dat stále přesnější a užitečnější v průběhu času.

3. Samoobslužná datová platforma

Datová jezera mohou vytvářet úzká místa kvůli jejich centralizované architektuře a tradičně obtížným procesům a protokolům načítání dat. To obvykle znamená, že kontrola velkého množství konsolidovaných dat připadá na jeden IT nebo tým pro správu dat. S rostoucími objemy dat (a poptávkou po jejich získávání) se tyto IT týmy zdaňují nadměrně.

Kromě toho musí být údaje řádně přezkoumány a strukturovány, aby se zajistilo dodržování zásad správy údajů a jejich dodržování. Při nepřiměřeném tlaku může dojít k tendenci spěchat těmito fázemi dodržování předpisů, což vytváří potenciální riziko a ztrátu pro společnost. Zásady datové sítě to řeší tím, že umožňují samoobslužnou datovou platformu. Poskytuje přístup a kontrolu autorizovaným specializovaným uživatelům, kteří mají větší zájem o data – to vše při použití přísných, zapečených bezpečnostních protokolů. To snižuje počet kritických míst a urychluje doručování dat.

4. Federované řízení

I když je decentralizace klíčová, organizace nemohou od řízení upustit. Datová síť používá federovaný model řízení k vyvážení autonomie s konzistencí. To znamená, že domény spravují své vlastní datové produkty, ale musí dodržovat sdílené standardy pro zabezpečení, shodu a interoperabilitu v celé organizaci. Tento hybridní přístup správy datových sítí zajišťuje agilitu, aniž by byla obětována důvěra nebo dodržování právních předpisů.

Zatímco existují problémy v oblasti datových sítí, decentralizovaná a demokratizovaná architektura správy dat učinila podniky chytřejšími, agilnějšími a přesnějšími. Jak? Tím, že zajistí, aby byly správné údaje okamžitě dostupné správným lidem, kdekoli a kdykoli je potřebují. Datová síť činí z dat jako produkt skutečnou realitu, snižuje bariéry a upřednostňuje hodnotu informací tak, aby týmy mohly získat rychlejší, neomezený přístup k základním datům.

Architektura a rámce datových sítí

Diskutovali jsme o tom, jak je datová síť decentralizovanou formou datové architektury, která nakládá s daty jako se základním nástrojem pro řízení podniku. A co je důležité, jak nezávislé týmy odpovídají za zpracování údajů v rámci svých oblastí práce a odborných znalostí a zároveň zajišťují soulad s centrálně určenými postupy správy dat. Tato změna myšlení je jádrem datové sítě.

Ptačí pohled na architekturu datových sítí

V datové síti jsou hlavními výrobci a spotřebiteli údajů oblasti, z nichž každý vlastní svá data jako produkt, aby zajistil kvalitu a relevanci. Samoobslužná platforma poskytuje infrastrukturu pro publikování, objevování a používání těchto datových produktů spolu s automatizovanými funkcemi zabezpečení a shody. Řízení funguje ve federovaném modelu, který vyvažuje globální standardy pro interoperabilitu a bezpečnost s místní autonomií, takže domény mohou inovovat při zachování důvěry a konzistence v celé organizaci.

Abychom lépe pochopili, jak k sobě architektura datových sítí zapadá, ponořme se do jejích tří hlavních komponent.

Zdroje dat

Ty představují úložiště – podobně jako datové jezero – do kterého jsou dodávána primární nezpracovaná data. Ať už jsou shromažďovány z cloudových sítí IIoT, formulářů zpětné vazby zákazníků nebo z vyřazených webových dat, jedná se o nezpracovaná vstupní data, která budou uživatelé odkazovat a zpracovávat podle potřeby v celé síti. Zatímco přístup k datovému jezeru by tahal všechna tato data na jedno centrální místo, metodika datových sítí namísto toho rozděluje odpovědnost za příjem, ukládání, zpracování a extrakci těchto nezpracovaných dat do řady odpovědných domén.

Infrastruktura datových sítí

Informace nejsou izolovány pouze v rámci jednotlivých oblastí oddělení, ale mohou být také sdíleny podle libosti napříč operační sítí organizace, přičemž zůstávají v souladu se zavedenými pokyny pro správu dat. Je to přímý výsledek dvou klíčových pilířů datové sítě: samoobslužné datové platformy a federované správy. Samoobslužná datová platforma poskytuje nástroje a infrastrukturu, které každá doména potřebuje k univerzálnímu příjmu, transformaci, zpracování a obsluze svých dat. Mezitím federované principy řízení zajišťují standardizaci napříč organizací, což umožňuje snadnou interoperabilitu dat mezi všemi týmy domén.

Vlastníci dat

Vlastníci dat jsou jako konečná komponenta sítě dat odpovědní za použití protokolů shody, správy a kategorizace pro data svých oddělení. Například HR soubory musí být uloženy pomocí určitých bezpečnostních protokolů, nesmí být použity k tomu nebo k tomuto účelu, musí být uvolněny pouze pro takovou osobu. Samozřejmě, že každé oddělení bude mít kategorie a typy dat jedinečné pro své oddělení nebo účely. V systému datového jezera se musí IT týmy potýkat se všemi těmito různými protokoly a kategoriemi pro všechny různé vlastníky dat, kteří do jezera upustili věci. Zatímco architektura datových sítí dává vlastníkům domén plnou autoritu a kontrolu nad těmito záležitostmi, protože opět, kdo je lepší než odborníci v předmětné oblasti, aby spravovali svá vlastní data a zajistili, aby splňovali kvalitativní standardy?

Operační model sítě dat

Operační model datové sítě sdružuje lidi, procesy a technologie, aby umožnil decentralizovanou správu dat v potřebném rozsahu. Tato spolupráce zajišťuje hladký tok dat v celé organizaci, posiluje důvěru, agilitu a opakované používání bez spoléhání na jediný centralizovaný tým. Datová síť umožňuje interoperabilitu a objevitelnost prosazováním sdílených standardů a poskytováním společné platformy, konzistentních formátů a hledaných termínů a pravidel řízení pro publikování a používání datových produktů. Nástroje datových sítí, jako jsou datové katalogy a registry, umožňují týmům rychle najít, bezpečně přistupovat a používat datové produkty v celé organizaci.

Myslete na datovou síť jako na moderní město: Každá čtvrť (doména) spravuje své vlastní sítě a služby, jako je voda, elektřina a odpad, protože nejlépe znají své místní potřeby. Město poskytuje sdílenou infrastrukturu, jako jsou silnice a veřejná doprava (samoobslužná platforma) a bezpečnostní standardy (správa), takže čtvrti mohou propojit, přistupovat k městským zdrojům a spolupracovat bez chaosu. Tímto způsobem plynou zdroje volně po celém městě, každý se řídí společnými pravidly a inovace prosperují lokálně, zatímco celé město funguje hladce.

Datová síť v praxi: Příklady a případy použití

Aby se řešení pro správu dat vyvíjela a byla úspěšnější, musí být použitelná a relevantní pro širokou škálu aplikací a operací. S tím, jak se architektura datových sítí a uživatelská přívětivost zlepšují, vidíme, že větší počet podnikových funkcí může organizace zlepšit bezpečným a distribuovaným přístupem k datům jako produktu a nástroji.

Pojďme se seznámit s běžnými případy použití datových sítí.

Prodej

Pro prodejní týmy je to vše na získávání, péči a uzavírání tipů. Čím více času stráví členové vašeho prodejního týmu na svých pracovištích administrativními úkoly, tím méně času budou muset budovat vztahy s novými zákazníky. S architekturou datových sítí nemusí být uživatelé prodejního týmu experti na správu dat a vyhledávání dat, aby měli nejvýkonnější a nejrelevantnější datové sady a kombinace na dosah ruky. Pokud mají prodejní oddělení k dispozici všechna správná data k analýze, převádí se to do praktičtějších analýz a strategií.

Příklad sítě prodejních dat: Regionální nebo produktově specifické prodejní týmy mohou vlastnit své domény CRM a pipeline dat, což umožňuje přesné prognózy a řídicí panely v reálném čase bez čekání na centrální IT tým.

Dodavatelský řetězec a logistika

Moderní dodavatelské řetězce jsou ohroženy obrovskou škálou narušení. Konkurenční výhoda přichází, když se společnosti mohou rychle otočit a reagovat na hrozby i příležitosti stejnou agilitou. Dnešní data globálního dodavatelského řetězce přicházejí hustě a rychle – od zpětné vazby zákazníků až po sítě IIoT a digitální dvojčata. Když jsou zkušení a šetrní manažeři dodavatelských řetězců sami schopni se v reálném čase zaměřit na kteroukoli z těchto množin dat, podniky získají silný zdroj přehledů a přehledu.

Příklad sítě dat dodavatelského řetězce: Optimalizace dodavatelského řetězce vyžaduje přehled o úrovních zásob, výkonnosti dodavatelů a logistických datech v reálném čase. Datová síť poskytuje každé doméně – nákup, skladování, přepravu – vlastnictví svých datových produktů, což umožňuje rychlejší rozhodování a nákladově efektivní operace.

Výroba

V rámci dodavatelského řetězce jsou výrobní operace společnosti stejně zranitelné vůči rychlým změnám na trhu a nestálým požadavkům zákazníků. V minulosti by se týmy v oblasti designu a výzkumu a vývoje musely spoléhat na historická data o zákaznících, která jim byla poskytnuta z jiných oddělení. Dnes síť dat přináší uživatelům přístup k živým datům za přípravnou tabulkou, k týmům výzkumu a vývoje a testování a až k podlaze výroby. Zpětná vazba zákazníků v reálném čase může okamžitě informovat o vývoji produktů a aktuální intel ze sítí IIoT a digitální simulace mohou továrnám pomoci fungovat bezpečněji, rychleji a efektivněji.

Příklad výrobní sítě dat: Týmy na úrovni závodu mohou vlastnit data o výkonu snímače a stroje, což umožňuje prediktivní údržbu a zkracuje prostoje prostřednictvím decentralizovaných analýz.

Marketing

Požadavky a očekávání zákazníků dnes utvářejí budoucnost a mění se a rostou nebývalým tempem. Jedna značka má typicky nesčetné spotřebitelské kontaktní body napříč sociálními médii, cílené digitální reklamy a online a všekanálové nákupní portály. Současný trh vidí rostoucí touhu po rychlém přizpůsobení, kratší životní cykly výrobků a obrovskou úroveň výběru a konkurence. Aby moderní marketéři pochopili tyto trendy a předstihli je, potřebují přístup v reálném čase a současný přístup k široké škále datových sad. V minulosti to znamenalo požadovat (a čekat) tato data z jiných oddělení. S nastavením datové sítě však marketéři mohou v tuto chvíli kurovat a přistupovat k těmto datům, a to za svých vlastních podmínek.

Příklad sítě marketingových dat: Vytvoření komplexního zobrazení zákazníka vyžaduje integraci dat z více kanálů, jako je e-mail, sociální síť a placené reklamy. Datová síť umožňuje každému kanálu vlastnit svůj datový produkt, což zajišťuje přesné přehledy v reálném čase pro personalizované kampaně a lepší zákaznickou zkušenost.

Lidské zdroje

Personální týmy musí spravovat velké množství extrémně složitých a citlivých dat. A s rostoucím trendem směřujícím ke vzdáleným a hybridním pracovištím se data každým dnem stávají komplikovanějšími a geograficky rozmanitějšími. Nemluvě o neustále se měnící sadě dodržování předpisů a právních otázkách, které musí personalistické týmy tak naléhavě držet na vrcholu. Od najmutí do důchodu musí být vedoucí personalisté schopni ověřovat, hodnotit a analyzovat některé z nejrozšířenějších datových sad v každé organizaci. Architektura datových sítí umožňuje vhodné bezpečnostní protokoly a úzce omezený přístup. Zároveň umožňuje autorizovaným uživatelům HR přístup k datům a informacím rychle a bez závislosti na složitých interních protokolech a víceresortní byrokracii.

Příklad HR data mesh: týmy pro nábor, mzdy a řízení výkonu mohou řídit své vlastní datové domény, zlepšovat dodržování předpisů a umožňovat analýzy pracovních sil v reálném čase pro strategické rozhodování.

Finance

Stejně jako personalistika, finanční a účetní týmy jsou také zodpovědné za nesmírně důležité a citlivé údaje. Moderní ERP systémy způsobují revoluci v oblasti financí a využívají technologii in-memory databází k přizpůsobení aktuálních výkazů, analýz a projekcí. I když finanční týmy používají nejlepší databáze a ERP, často stále čelí překážkám v důsledku dlouhodobých a rigidních kultur, těžkých sil a byrokratických procesů starých škol. Architektura datových sítí přináší zásadní posun v tom, jak jsou finanční data posuzována a spravována. Může dokonce setřást stagnující myšlení, které se může stát, když organizace umožní týmům vlastnit a revidovat své vlastní procesy stárnutí dat.

Příklad sítě finančních dat: Týmy finančního plánování mohou vlastnit domény dat o výnosech, nákladech a investicích, což zajišťuje přesné modelování prognóz a agilních scénářů bez spoléhání na jediný centrální tým.

Je jasné, že datové sítě nejsou jen dalším heslem a je trendem datové strategie, který je třeba brát vážně. Společnosti všech velikostí a odvětví používají datové sítě a hledají způsoby, jak použít data k vytvoření analýz a hodnot.

Alternativy datových sítí

Zatímco datová síť nabízí decentralizovaný přístup ke správě dat, není to jediná možnost. Tradiční architektury, jako jsou datová jezera a datové sklady, zůstávají široce používány pro centralizaci a ukládání velkých objemů dat, často spárovaných s datovými jezery, které kombinují strukturované a nestrukturované datové schopnosti. Jiné modely, například datová struktura, se zaměřují na vytvoření jednotné vrstvy pro integraci dat a orchestraci napříč různými systémy. Každá alternativa řeší škálovatelnost, správu a přístupnost jinak, takže volba závisí na organizačních potřebách a vyspělosti.

Podívejme se na alternativy datových sítí a na jejich porovnání.

Data mesh vs. data lake/lakehouse

Datová síť vs. datový sklad

Síť dat vs. datová struktura

Implementace sítě dat

Zavedení datové sítě vyžaduje strategický přístup, který vyvažuje decentralizaci se sdílenými standardy. Zde jsou kroky sítě klíčových dat:

1. Identifikace pilotních domén: Začněte s malým výběrem dvou nebo tří domén s jasnou obchodní hodnotou a silnou zralostí dat. Tyto týmy budou sloužit jako raní adoptoři, kteří prokáží model datové sítě před škálováním v celé organizaci.
2. Vytvořte platformu: Vytvořte samoobslužnou datovou platformu, která poskytuje společné nástroje pro publikování, objevování a používání datových produktů. To zahrnuje katalogy dat, rozhraní API a automatizované bezpečnostní funkce, aby se snížilo tření pro týmy domén.
3. Definujte federovanou správu: Vytvořte zásady správy a řízení, které vynucují globální standardy pro bezpečnost, dodržování předpisů a interoperabilitu a zároveň umožňují autonomii oblastí. Řízení by mělo zahrnovat jasné role, definice datových produktů a očekávání v oblasti kvality.

Anti-vzory, aby se zabránilo

Pokud je datová síť nesprávně provedena tím, že se neřídí přirozenými organizačními vzory, může to vést k záměně a neshodě. Protidaktor v datových sítích je opakující se přístup nebo praxe, která se zdá být užitečná, ale v konečném důsledku podkopává základní principy architektury. Anti-vzory, které se mají vyhnout, zahrnují:

• Zacházení s datovou sítí jako s dalším centralizovaným datovým jezerem.
• Ignorování kulturních změn – samotná technologie problémy vlastnictví nevyřeší.
• Přepracujte platformu před tím, než prokážete obchodní hodnotu.
• Nedostatečná jasná odpovědnost za kvalitu údajů.
• Příliš rychlé škálování bez validace modelu datové sítě v pilotních doménách.

Pět osvědčených postupů pro datové sítě

1. Spustit malé a iterovat: Použijte pilotní domény k upřesnění procesů před škálováním.
2. Považujte data za produkt: Definujte standardy vlastnictví, SLA a použitelnosti pro každou množinu dat.
3. Investujte do sdílených nástrojů: Zjednodušte publikování a vyhledávání doménovým týmům.
4. Včasné vložení správy věcí veřejných: Od začátku vyvažujte autonomii s dodržováním předpisů.
5. Zaměření na obchodní výsledky: Slaďte datové produkty s měřitelnou hodnotou, nejen s technickými cíli.

Kombinací vlastnictví domén, robustní platformy a federální správy mohou organizace zlepšit agilitu, důvěru a spolupráci mezi doménami – bez překážek tradičních centralizovaných modelů.

Měření a metriky

Vyhodnocení úspěchu vyžaduje metriky datových sítí, které vyrovnávají technický výkon s obchodními výsledky. Tyto metriky mohou zahrnovat:

• SLOs/SLA kvality datového produktu: Základní, ale musí být přizpůsobeno kontextu každé domény, spíše než jednotně. Vzorové KPI datového produktu jsou:

  • Čerstvost dat: Procento datových produktů aktualizovaných v rámci dohodnutého časového okna – například hodinové nebo denní
  • Úplnost: Procento povinných polí vyplněných napříč množinami dat
  • Dostupnost: Produktivní doba datových produktů – například 99,9 %

• Přijetí a opakované použití pro spotřebitele: Může být silným ukazatelem hodnoty, ale její přesné měření často zahrnuje sledování vzorců používání a zpětnou vazbu napříč týmy. Příklady KPI přijetí spotřebitelem a opakovaného použití jsou:

  • Počet jedinečných spotřebitelů na datový produkt
  • Míra opakovaného použití napříč doménami: Procento datových produktů spotřebovaných více doménami
  • Skóre spokojenosti spotřebitelů z průzkumů nebo zpětné vazby

• Časový přehled a náklady k obsluze: Zvýrazněte zvýšení efektivity ve srovnání s centralizovanými modely, ale tato zlepšení závisí na vyspělosti organizace a základních procesech. Příklady KPI „doba do analýzy“ a „náklady na službu“ jsou:

  • Průměrná doba od požadavku na data do analýzy s možností akce
  • Snížení provozních nákladů v porovnání s centralizovaným modelem
  • Procento snížení nevyřízených požadavků na data

• Společný rozdíl mezi konkurenty: Zaměřte se na oblasti, kde konkurenti bojují a používají principy datových sítí k jejich překonání. Příkladem rozdílu mezi konkurentem a zachycením KPI jsou:

  • Počet zjištěných nedostatků konkurentů řešených prostřednictvím funkcí datového produktu – například lepší zjistitelnost, rychlejší přístup k datům
  • Výhoda „od času k uvedení na trh“ pro nové datové produkty oproti konkurentům
  • Zvýšení míry samoobsluhy v porovnání s odhady konkurentů

Tyto metriky společně poskytují směrový náhled na to, zda datové sítě poskytují agilitu, důvěru a škálovatelnost, aniž by se předpokládaly univerzální měřítka.

Časté dotazy k datové síti