Hva er datanett?
Datanett er en tilnærming til dataadministrasjon som bruker et distribuert arkitektonisk rammeverk.
Oversikt over datanett
Datanett representerer en ny måte å se på informasjon på. Det er født av det voksende konseptet at data faktisk er et produkt, et verktøy, et middel til en slutt - ikke bare noe bedrifter samler og analyserer senere i et bakoverrettet forsøk på å forstå ting som allerede har skjedd.
Datasammedefinisjon
Datanett er en tilnærming til dataadministrasjon som bruker et distribuert arkitektonisk rammeverk. Med andre ord: Det sprer eierskap og ansvar for spesifikke datasett på tvers av virksomheten, til de brukerne som har spesialistekspertisen til å forstå hva dataene betyr og hvordan de skal utnytte dem på best mulig måte.
Datanettarkitektur kobler sammen og henter data fra ulike kilder, for eksempel datasjøer og lagre, og distribuerer de relevante datasettene til de aktuelle menneskelige ekspertene og domeneteamene i hele bedriften. I hovedsak sorteres og distribueres en voluminøs datastrøm i en sentral datasjø og distribueres i håndterbare biter til de som er best egnet til å forstå og utnytte den.
Datasjøprinsipper for datasjøutfordringer
Når vi snakker om datasjøer og datanett, snakker vi i hovedsak om Big Data. Det som gjør data “Big” er ikke bare det store volumet. Blant andre kriterier er Big Data også definert ved å være kompleks, variabel, raskt generert og ustrukturert.
En lineær database er som et regneark: Den har kolonner og rader og uforanderlige kategorier som alle datakomponentene må passe inn i. Noen av dataene generert fra maskiner, sensorer og industrielle kilder er strukturert og passer pent inn i en lineær database. Uansett hvor mye datavolum du må håndtere, hvis det er 100 % strukturert, oppfyller det ikke Big Data-kriteriene og kan plasseres i en lineær database, noe som gjør det relativt enkelt å filtrere og trekke ut.
Men i økende grad er moderne Big Data ustrukturert og består av visuelle komponenter, åpen tekst og til og med video og rike medier. Disse viktige dataene kan omfatte tusenvis av terabyte med informasjon for mange selskaper, og de kan ganske enkelt ikke lagres i en standard lineær database.
Oppgi datasjøen. Etter hvert som Big Data-volumene begynte å øke, ble datasjøer utviklet som et sted hvor komplekse data kunne lagres i og aksesseres fra et sentralt lager i sitt råformat. Mens datasjøer representerer en utmerket løsning på Big Data-problemet, har de likevel svakheter. Datasjøer mangler visse analysefunksjoner, noe som gjør dem avhengige av andre tjenester for henting, indeksering, transformasjon, spørring og analysefunksjonalitet. Og fra et forretningsmessig ledelsessynspunkt presenterer datasjøer også tre ekstra utfordringer:
1. Kompleks eierskap Eierskap i datasjøer er komplekst å definere når for mange spillere genererer og får tilgang til data. I fravær av klart definerte roller og ansvarsområder, kan det samme settet med data håndteres forskjellig av ulike parter, noe som skaper inkonsistenser som gjør det vanskelig å bruke. På samme måte ender andre data opp med å bli neglisjert når de ikke aktivt forvaltes av de som til slutt vil bruke den. Datasammenslåingsarkitektur sikrer at datastyring er tydelig distribuert etter domene, slik at hvert team eller domeneekspert styrer dataene de produserer og bruker. For å sikkerhetskopiere dette bruker datamaskene også en sammensluttet styringsstruktur for også å tillate sentral kontroll av datamodellering, sikkerhetsretningslinjer og konformitet.
2. Datakvalitet Datasjøer kan ikke sikre datakvalitet når datavolumet blir for stort, eller når sentrale databehandlere selv ikke forstår det. Data mesh arkitektur behandler fundamentalt data som et verdifullt produkt, som setter kvaliteten og fullstendigheten av data i forkant av databehandling. Antagelig kjenner hvert team de viktigste kriteriene og problemene som de ønsker å ekstrapolere fra dataene de samler inn. Ved å integrere disse kriteriene og prioriteringene i arkitekturen, kan datanett bidra til å sikre kontinuerlig og prioritert levering av rene, friske og komplette data, selv når større datasett er involvert. Og selvfølgelig, når maskinlæringsalgoritmer brukes, blir disse kriteriene og resulterende datasett stadig mer nøyaktige og nyttige over tid.
3. Flaskehalser Datasjøer kan skape flaskehalser på grunn av deres sentraliserte arkitektur og tradisjonelt vanskelige datainnhentingsprosesser og -protokoller. Dette betyr vanligvis at kontrollen av en stor mengde konsoliderte data kommer ned til en enkelt IT- eller dataadministrasjonsteam. Og etter hvert som datamengden (og etterspørselen etter gjenfinning) øker, blir disse IT-teamene overbeskattet.
Videre må dataene gjennomgås og struktureres på riktig måte for å sikre overholdelse og overholdelse av prinsipper for datastyring. Når man står overfor unødig press, kan det være en tendens til å skynde seg gjennom disse samsvarstrinnene, noe som genererer potensiell risiko og tap for selskapet. Datasammensettarkitektur gir på den annen side tilgang og kontroll til autoriserte spesialiserte brukere som har større interesse for dataene – alt mens de bruker strenge, innbakte sikkerhetsprotokoller.
Data mesh prinsipper oppsto i direkte respons på disse voksende datasjøutfordringene. Desentralisert og demokratisert datahåndteringsarkitektur har gjort bedrifter smartere, mer smidige og mer nøyaktige ved å sikre at de riktige dataene umiddelbart er tilgjengelige for de riktige menneskene, hvor og når de trenger det. Datanett gjør data som et produkt til en reell virkelighet, reduserer barrierer og prioriterer verdien av informasjon slik at teamene kan få raskere, uhindret tilgang til viktige data.
Forklaring av datanettarkitektur
Vi har diskutert hvordan datanett er en desentralisert form for dataarkitektur som behandler data som et viktig forretningsstyringsverktøy. Og viktigst av alt, uavhengige team er ansvarlig for å håndtere data innenfor sine domener av arbeid og kompetanse, samtidig som de sikrer overholdelse av sentralisert fastsatt datahåndtering praksis. Denne endring i tankegangen er ved kjernen av datamasken.
For bedre å forstå hvordan dette er oppnådd, kan vi se datanettverksarkitekturen som å ha tre hovedkomponenter:
1. Datakilder representerer registeret (som en datasjø) som de primære rådataene mates inn i. Enten det er samlet inn fra sky IIoT-nettverk, kundetilbakemeldingsskjemaer eller skrapte webdata, er dette rådataene som vil bli referert og behandlet etter behov av brukere over hele nettverket. Selv om en datasjøtilnærming ville trekke alle disse dataene til ett sentralt sted, distribuerer datanettingmetodikken i stedet ansvaret for inntak, lagring, prosessering og ekstraksjon av disse rådataene innenfor en rekke ansvarlige domener.
2. Data mesh infrastruktur betyr at denne informasjonen ikke bare er isolert innenfor individuelle avdelingsdomener, men kan også deles på vilje over hele organisasjonens operasjonelle nettverk, samtidig som den fortsatt er i samsvar med etablerte retningslinjer for datastyring. Dette er et direkte resultat av to av hovedpilarene i datanettverket: En selvbetjent dataplattform og føderert styring. Den selvbetjente dataplattformen gir verktøyet og infrastrukturen som trengs for hvert domene for å overføre, transformere, behandle og betjene dataene sine universelt. Samtidig sikrer de fødererte styringsprinsippene standardisering på tvers av en organisasjon, noe som gir enkel interoperabilitet av data mellom alle domenelag.
3. Dataeiere er den endelige komponenten i et datanett og er ansvarlig for å bruke samsvars-, styrings- og kategoriseringsprotokollene for avdelingenes data. HR-filer må for eksempel lagres ved hjelp av visse sikkerhetsprotokoller, de må ikke brukes til dette eller dette formålet, de må bare frigis til en slik person. Selvfølgelig vil hver avdeling ha kategorier og typer data som er unike for sin avdeling eller formål. I et datasjøsystem må IT-teamene gripe med alle disse forskjellige protokollene og kategoriene for alle de forskjellige dataeierne som har dumpet ting inn i sjøen. Mens datanettarkitektur gir domeneeiere full autoritet og kontroll over disse sakene fordi igjen, som bedre enn fagområde-eksperter til å administrere sine egne data og sikre at det oppfyller kvalitetsstandarder.
Data mesh i praksis: Hvem bruker det og hvorfor
For at datahåndteringsløsninger skal utvikle seg og bli mer vellykkede, må de være brukbare og relevante for et bredt spekter av applikasjoner og operasjoner. Etter hvert som arkitekturen og brukervennligheten forbedres, ser vi et økt utvalg av bedriftsfunksjoner som kan forbedres med en sikker og distribuert tilnærming til data som et produkt og et verktøy.
Her er noen vanlige forretningsbrukstilfeller:
Salg: For salgsteam gjelder det å anskaffe, pleie og avslutte leads. Jo mer tid salgsteammedlemmene bruker på skrivebordet med administrative oppgaver, jo mindre tid må de bygge relasjoner med nye kunder. Med datanettverksarkitektur trenger ikke salgsteambrukere å være databehandlings- og innhentingseksperter for å ha de kraftigste og mest relevante datasettene og kombinasjonene lett tilgjengelig. Når salgsavdelingene har alle de riktige dataene å analysere, oversettes de til mer praktisk innsikt og strategier.
Forsyningskjede og logistikk: Moderne forsyningskjeder er sårbare for et enormt utvalg av forstyrrelser. Et konkurransefortrinn kommer når bedrifter kan svinge raskt og reagere på både trusler og muligheter med like smidighet. Dagens globale forsyningskjededata kommer tykt og raskt – fra tilbakemeldinger fra kunder, til IIoT-nettverk og digitale tvillinger. Når erfarne og kunnskapsrike forsyningskjedeledere selv er i stand til å kuratere og drille inn i noen av disse datasettene i sanntid, får bedrifter en kraftig kilde til innsikt og skarphet.
Produksjon: Som en del av forsyningskjeden er et selskaps produksjonsoperasjoner like sårbare for raske markedsendringer og flyktige kundebehov. Tidligere, design og FoU team ville måtte stole på historiske kundedata, matet til dem fra andre avdelinger. I dag gir datanettet live datatilgang til brukere bak tegnebordet, på R&D og testing team, og hele veien til produksjonsgulvet. Tilbakemeldinger fra kunder i sanntid kan informere produktutvikling på et øyeblikk, og oppdatert informasjon fra IIoT-nettverk og digitale simuleringer kan hjelpe fabrikkene med å kjøre sikrere, raskere og mer effektivt.
Markedsføring: I dag former kundenes krav og forventninger fremtiden og endrer seg og vokser i et enestående tempo. En enkelt merkevare har vanligvis utallige forbrukerkontaktpunkter på tvers av sosiale medier, målrettede digitale annonser og online og omnichannel shopping portaler. Det nåværende markedet ser et økende ønske om rask tilpasning, kortere produktlivssyklus og enorme valg- og konkurransenivåer. For å forstå og utnytte disse trendene må moderne markedsførere ha sanntids- og samtidig tilgang til et bredt utvalg av datasett. Tidligere har dette betydd å be om (og vente på) disse dataene fra andre avdelinger. Med et datasammeoppsett kan imidlertid markedsførere kuratere og få tilgang til disse dataene i øyeblikket, på egne premisser.
HR: HR-team må håndtere store mengder ekstremt komplekse og sensitive data. Og med den voksende trenden mot eksterne og hybride arbeidsplasser, blir dataene mer kompliserte og geografisk mangfoldige hver dag. For ikke å nevne det stadig skiftende settet av samsvar og juridiske problemer som HR-team må så raskt holde seg på toppen av. Fra ansettelse til pensjonering må HR-ledere kunne validere, vurdere og analysere noen av de mest bredt forskjellige datasettene i en hvilken som helst organisasjon. Datasammensettarkitektur gir de riktige sikkerhetsprotokollene og tett begrenset tilgang – samtidig som det gjør det mulig for autoriserte HR-brukere å få tilgang til data og informasjon raskt og uten å være avhengig av komplekse interne protokoller og multiavdelingsbyråkrati.
Økonomi: I likhet med HR er også økonomi- og regnskapsteam ansvarlige for enormt viktige og sensitive data. Moderne ERP-systemer revolusjonerer økonomi ved hjelp av in-memory-databaseteknologi for å tilpasse oppdaterte rapporter, analyser og projeksjoner. Selv når økonomiteamene bruker de beste databasene og ERP-ene, står de ofte fortsatt overfor hindringer fordi de er plaget av langvarige og stive kulturer, tunge siloer og byråkratiske, gamle skoleprosesser. Datasammensatt arkitektur bringer et grunnleggende skifte i hvordan finansdata blir sett på og administrert – og kan til og med ryste opp stagnant tenkning som kan skje når teamene har mulighet til å eie og revidere sine egne aldrende dataprosesser.
Det er klart at datanett ikke bare er et annet buzzword og er en datastrategi som må tas på alvor. Bedrifter i alle størrelser og bransjer bruker datanett, og ser etter måter å bruke data på for å skape innsikt og verdi.
Fordeler med datanett
Tidligere har eldre databaser og begrensede datastyringsinfrastrukturer bidratt til at data er noe å holde i et enkelt hvelv og målt ut etter skjønn av noen få databehandlere. Nå er data drivstoffet som driver virksomheten din, og det bør gis fritt til de fagspesialister som best vet hvordan å få det til å fungere og drive fortjeneste i konkurransedyktige tider.
De viktigste fordelene med datanettarkitektur kan oppsummeres som:
Økt datatilgjengelighet. Datanettet sikrer at alle de riktige personene i organisasjonen kan få tilgang til dataene de trenger – for å være det absolutt beste på jobbene sine.
Forbedrede analysefunksjoner. Når data blir sett på som et produkt som skal brukes hver dag, begynner teamene å ta en data-først-tilnærming til planlegging og strategi. Dette fører til en reduksjon i feil og en mer objektiv, mindre opinion-drevet tilnærming til forretningsutvikling.
Tilpassbare datarørledninger og prosesser. Mange av de beste og potensielt mest lønnsomme prosjektene blir skrinlagt på grunn av det enorme stresset med å kurere de unike og tilpassede datasettene som trengs for å oppnå suksess. Med et datanett kan teamene raskt få tilgang til og teste nye prosjektmodeller uten det tradisjonelle tapet av tid eller ressurser.
Flaskehalser kan reduseres. Dette er en åpenbar gevinst for både IT-team og dataeiere. Videre, ved å redusere en kilde til frustrasjon og irritasjon bedrifter kan bidra til å bryte ned siloer som står i veien for sunn forretningsutvikling.
Redusert belastning på sentrale databehandlingsteam. Dette betyr ikke bare å redusere baklogger og frustrasjon, men også frigjøre utallige timer for dine talentfulle IT-team til å vie til mer spesialiserte, interessante og lønnsomme sysler
Ofte stilte spørsmål om datamaske
SAPs data- og analyseløsninger
Identifisere, analysere og transformere de mest relevante dataene i hele bedriften.
Ideer du ikke finner noe annet sted
Registrer deg for en dose Business Intelligence levert rett til innboksen din.