Prehľad dátovej siete

Údajové siete predstavujú nový spôsob prezerania informácií. Z rastúceho konceptu vyplýva, že údaje sú vlastne sám o sebe produktom, nástrojom, prostriedkom na dosiahnutie cieľa – nie je to jednoducho niečo, čo podniky zhromažďujú a analyzujú neskôr v zaostalom pokuse pochopiť veci, ktoré sa už stali.

Definícia dátovej siete

Dátová sieť je prístup k správe údajov, ktorý využíva distribuovaný architektonický rámec. Inými slovami, rozširuje vlastníctvo a zodpovednosť za konkrétne množiny údajov v rámci podniku medzi používateľov s odbornými znalosťami, aby pochopili, čo tieto údaje znamenajú a ako ich čo najlepšie využiť.

Architektúra dátovej siete spája a čerpá údaje z rôznych zdrojov, ako sú dátové jazerá a sklady. Potom distribuuje relevantné množiny údajov príslušným odborníkom na ľudí a tímom domén v rámci celého podniku. V podstate je objemná skákačka údajov v centrálnom dátovom jazere zoradená a distribuovaná do ovládateľných blokov pre tých, ktorí sú najvhodnejší na ich pochopenie a využitie.

Pôvod dátovej siete

Dátová sieť vznikla okolo roku 2009 ako reakcia na výzvy škálovania dátových architektúr vo veľkých, komplexných organizáciách. Základnou myšlienkou siete údajov je decentralizácia vlastníctva a architektúry údajov, zaobchádzanie s údajmi ako s produktom a priradenie zodpovednosti tímom orientovaným na doménu. Dátová sieť kombinuje princípy z dizajnu riadeného doménou, produktového myslenia a vlastnej infraštruktúry, čo organizáciám umožňuje škálovať dátové systémy bez vytvárania monolitických prekážok.

Centralizované modely správy údajov často zlyhávajú vo veľkých organizáciách z dôvodu:

• Kritické miesta v dodávke: Jednotlivý centrálny tím sa preťaží, čím sa spomaľuje prístup k údajom a analýza.
• Medzery vo vlastníctve: Žiadna jasná zodpovednosť za kvalitu údajov naprieč doménami nespôsobuje nekonzistentné normy a problémy s dôverou.
• Problémy so škálovateľnosťou: S rastúcim objemom dát a komplexnosťou majú centralizované systémy problémy so škálovaním bez masívnych režijných nákladov.
• Nedostatočné znalosti o doméne: Centrálnym tímom chýba hlboké chápanie podnikových domén, čo vedie k nekvalitným alebo nesprávnym údajovým produktom.
• Obmedzená agilita: zmeny vyžadujúce koordináciu prostredníctvom jedného tímu spomaľujú schopnosť reagovať na vyvíjajúce sa potreby podniku.

Výhody dátového pletiva

Staré databázy a obmedzené infraštruktúry na správu údajov prispeli k tomu, že údaje sa majú uchovávať v jedinom trezore a podľa uváženia niekoľkých správcov údajov. Teraz sú údaje palivom, ktoré poháňa váš podnik; mali by byť poskytované slobodne tým odborníkom, ktorí najlepšie vedia, ako to urobiť, a dosiahnuť zisk v konkurenčných časoch.

Hlavné výhody architektúry dátového pletiva možno zhrnúť do troch kategórií:

Škálovateľnosť a agilita

Väčšia dostupnosť údajov: Sieť údajov zabezpečuje, aby všetci tí správni ľudia vo vašej organizácii mali prístup k údajom, ktoré potrebujú – aby boli na svojich pracovných miestach absolútne najlepší.

Prispôsobiteľné dátové kanály a procesy: Mnohé z najlepších a potenciálne najziskovejších projektov sa odstránia kvôli obrovským ťažkostiam s úpravou jedinečných a prispôsobených dátových súborov potrebných na dosiahnutie úspechu. S dátovou sieťou môžu tímy rýchlo pristupovať a testovať nové modely projektov bez tradičnej straty času alebo zdrojov.

Znížené prekážky: Toto je zjavná výhra pre IT tímy aj pre vlastníkov údajov. Okrem toho, znížením zdroja frustrácie a podráždenia môžu podniky pomôcť rozbiť silá, ktoré stoja v ceste zdravému rozvoju podnikania.

Kvalita a dôvera

Zlepšené analytické funkcie: Keď organizácie vidia údaje ako produkt, ktorý sa má používať každý deň, tímy začnú pristupovať k plánovaniu a stratégii ako prvý prístup k údajom. To vedie k zníženiu chybovosti a objektívnejšiemu prístupu k rozvoju podnikania, ktorý je menej založený na názoroch.

Spolupráca medzi doménami a opätovné použitie

Znížený tlak na tímy centrálnej správy dát: To znamená nielen zníženie nevybavenosti a frustrácie, ale aj uvoľnenie nespočetných hodín pre vaše talentované IT tímy, aby sa venovali špecializovanejším, zaujímavejším a výnosnejším snahám.

Decentralizáciou vlastníctva a zaobchádzaním s údajmi ako s produktom umožňuje sieť údajov organizáciám rýchlejšie sa pohybovať, budovať dôveru v prehľady a plynulo škálovať naprieč doménami.

Základné zásady dátovej siete

Keď hovoríme o dátových jazerách a dátovej sieti, hovoríme v podstate o veľkých dátach. To, čo robí dáta „veľkými“, nie je len ich obrovský objem. Okrem iných kritérií sú veľké dáta definované aj tým, že sú zložité, variabilné, rýchlo generované a neštruktúrované.

Lineárna databáza je ako tabuľka: obsahuje stĺpce a riadky a nemenné kategórie, do ktorých sa musia zmestiť všetky údajové komponenty. Niektoré údaje získané zo strojových zariadení, senzorov a priemyselných zdrojov sú štruktúrované a priamo zapadajú do lineárnej databázy. Bez ohľadu na to, s akým objemom dát sa musíte zaoberať, ak sú 100% štruktúrované, nespĺňajú kritériá veľkých dát a môžu byť umiestnené v lineárnej databáze, takže je pomerne jednoduché filtrovať a extrahovať.

Moderné veľké dáta sú však stále viac neštruktúrované a pozostávajú z vizuálnych komponentov, otvoreného textu a dokonca aj videa a bohatých médií. Tieto kľúčové údaje môžu obsahovať tisíce terabajtov informácií pre mnohé spoločnosti a jednoducho sa nedajú uložiť do štandardnej lineárnej databázy.

Zadajte údajové jazero. Keďže objemy veľkých dát sa začali zväčšovať, boli vyvinuté dátové jazerá ako miesto, na ktorom bolo možné ukladať komplexné dáta a pristupovať k nim z centrálneho úložiska v jeho nespracovanom formáte. Hoci dátové jazerá predstavujú vynikajúce riešenie problému s veľkými dátami, napriek tomu majú slabé stránky. Údajovým jazerám chýbajú určité analytické funkcie, čo ich robí závislými od iných služieb pre vyhľadávanie, indexovanie, transformáciu, dopytovanie a analytické funkcie.

Štyri zásady siete údajov sa zaoberajú výzvami, ktoré predstavujú dátové jazerá:

1. Vlastníctvo domény

Vlastníctvo v dátových jazerách je zložité definovať, keď príliš veľa hráčov generuje a pristupuje k údajom. Pri absencii jasne definovaných rolí a zodpovedností môžu rovnakú množinu dát rôzne spravovať rôzne strany, čím vznikajú nezrovnalosti, ktoré sťažujú ich používanie. Podobne sa zanedbávajú aj ostatné údaje, keď ich aktívne nespravujú tí, ktorí ich nakoniec budú používať.

Architektúra údajového pletiva to rieši decentralizáciou vlastníctva. Zaisťuje, aby správa údajov bola jasne distribuovaná doménou tak, aby každý tím alebo expert na domény riadil údaje, ktoré produkujú a používajú. Na podporu toho používajú dátové siete aj federovanú štruktúru riadenia, ktorá umožňuje aj centrálnu kontrolu modelovania údajov, politík zabezpečenia a súladu. Vlastníctvo dátovej siete vytvára zodpovednosť a zlepšuje použiteľnosť dát.

2. Údaje ako produkt

Dátové jazerá môžu zlyhať pri zabezpečovaní kvality dát, keď je objem dát príliš veľký, alebo keď to nepochopia samotní centrálni správcovia dát. Architektúra dátovej siete zásadne považuje dáta za cenný produkt, ktorý stavia kvalitu a úplnosť dát do popredia správy dát. Predpokladá sa, že každý tím pozná najdôležitejšie kritériá a problémy, ktoré chcú extrapolovať z údajov, ktoré zhromažďujú. Začlenením týchto kritérií a priorít do architektúry môže dátová sieť pomôcť zabezpečiť nepretržité a prioritné poskytovanie čistých, čerstvých a úplných údajov, aj keď sú do nej zapojené väčšie súbory údajov. A samozrejme, keď sa používajú algoritmy strojového učenia, tieto kritériá a výsledné množiny údajov sa časom stávajú čoraz presnejšími a užitočnejšími.

3. Vlastná dátová platforma

Dátové jazerá môžu vytvoriť úzke miesta vďaka svojej centralizovanej architektúre a tradične náročným procesom a protokolom získavania údajov. To zvyčajne znamená, že kontrola veľkého množstva konsolidovaných dát prichádza na jeden tím IT alebo správy dát. A keďže objemy dát (a dopyt po ich načítaní) narastajú, tieto IT tímy dostávajú nadmernú daň.

Okrem toho musia byť údaje riadne preskúmané a štruktúrované, aby sa zabezpečil súlad a dodržiavanie zásad správy údajov. Ak čelíme neprimeranému tlaku, môže existovať tendencia ponáhľať sa cez tieto štádiá dodržiavania predpisov, čo vytvára potenciálne riziko a stratu pre spoločnosť. Princípy dátovej siete to riešia tým, že umožňujú vlastnú dátovú platformu. Poskytuje prístup a kontrolu autorizovaným špecializovaným používateľom, ktorí majú väčší záujem o údaje – a to všetko pri používaní prísnych, upečených bezpečnostných protokolov. Tým sa znižujú prekážky a urýchľuje sa dodávanie údajov.

4. Federatívne riadenie

Aj keď je decentralizácia kľúčová, organizácie nemôžu upustiť od riadenia. Sieť údajov používa federovaný model riadenia na vyváženie autonómie s konzistentnosťou. To znamená, že domény spravujú svoje vlastné údajové produkty, ale musia dodržiavať zdieľané štandardy zabezpečenia, súladu a interoperability v celej organizácii. Tento hybridný prístup správy dátových sietí zabezpečuje agilitu bez toho, aby sa obetovala dôvera alebo dodržiavanie právnych predpisov.

Zatiaľ čo existujú výzvy týkajúce sa dátových sietí, decentralizovaná a demokratizovaná architektúra správy údajov spôsobila, že podniky sú inteligentnejšie, agilnejšie a presnejšie. Ako? Zabezpečením toho, aby správne údaje boli okamžite k dispozícii správnym ľuďom, kdekoľvek a kedykoľvek ich potrebujú. Vďaka dátovej sieti je dátový produkt skutočnou realitou, čím sa znižujú bariéry a uprednostňuje sa hodnota informácií, aby mohli tímy získať rýchlejší a neobmedzený prístup k základným údajom.

Architektúra a rámce údajových sietí

Diskutovali sme o tom, ako je dátové siete decentralizovanou formou dátovej architektúry, ktorá považuje údaje za základný nástroj na riadenie podniku. A čo je dôležité, ako nezávislé tímy zodpovedajú za manipuláciu s údajmi v rámci svojich oblastí práce a odbornosti a zároveň zaisťujú súlad s centrálne určenými postupmi správy údajov. Táto zmena myslenia je jadrom dátovej siete.

Vtáčí pohľad na architektúru dátovej siete

V dátovej sieti sú doménami hlavní výrobcovia a spotrebitelia údajov, z ktorých každý vlastní svoje údaje ako produkt, aby sa zabezpečila kvalita a relevantnosť. Samoobslužná platforma poskytuje infraštruktúru na publikovanie, objavovanie a spotrebu týchto údajových produktov spolu s automatizovanými funkciami zabezpečenia a súladu. Riadenie funguje vo federovanom modeli, ktorý vyvažuje globálne štandardy interoperability a bezpečnosti s lokálnou autonómiou, takže domény môžu inovovať a zároveň zachovávať dôveru a konzistentnosť v celej organizácii.

Aby sme lepšie pochopili, ako architektúra dátovej siete zapadá dohromady, ponorme sa do jej troch hlavných komponentov.

Zdroje údajov

Predstavujú úložisko, ako napríklad dátové jazero, do ktorého sa vkladajú primárne nespracované údaje. Či už sa zhromažďujú z cloudových IIoT sietí, formulárov spätnej väzby zákazníkov alebo zošrotovaných webových údajov, ide o nespracované vstupné údaje, ktoré budú používatelia odkazovať a spracovávať podľa potreby v celej sieti. Zatiaľ čo prístup Data Lake by všetky tieto údaje rozšíril na jedno centrálne miesto, metodika dátového siete namiesto toho rozdeľuje zodpovednosť za príjem, skladovanie, spracovanie a extrakciu týchto nespracovaných údajov v rámci série zodpovedných domén.

Infraštruktúra dátovej siete

Informácie nie sú izolované len v rámci jednotlivých domén oddelení, ale môžu sa tiež zdieľať podľa ľubovôle v rámci prevádzkovej siete organizácie, pričom sú v súlade so zavedenými smernicami pre správu údajov. Je to priamy výsledok dvoch kľúčových pilierov dátového siete: samoobslužnej dátovej platformy a federovaného riadenia. Vlastná dátová platforma poskytuje nástroje a infraštruktúru potrebnú pre každú doménu na univerzálne prijímanie, transformáciu, spracovanie a poskytovanie svojich údajov. Medzitým princípy federovaného dozoru zabezpečujú štandardizáciu v celej organizácii, čo umožňuje jednoduchú interoperabilitu dát medzi všetkými doménovými tímami.

Vlastníci dát

Ako konečný komponent údajovej siete sú vlastníci údajov zodpovední za uplatňovanie protokolov o zhode, riadení a kategorizácii pre údaje svojich oddelení. Napríklad súbory HR musia byť uložené pomocou určitých bezpečnostných protokolov, nesmú byť použité na tento alebo tento účel, musia byť uvoľnené len pre takú a takú osobu. Samozrejme, každé oddelenie bude mať kategórie a typy údajov jedinečné pre svoje oddelenie alebo účely. V systéme Data Lake sa IT tímy musia zaoberať všetkými týmito rôznymi protokolmi a kategóriami pre všetkých rôznych vlastníkov údajov, ktorí vyhadzovali veci do jazera. Zatiaľ čo architektúra dátového pletiva dáva vlastníkom domén plnú autoritu a kontrolu nad týmito záležitosťami, pretože kto je lepšie ako odborníci na predmetné oblasti spravovať svoje vlastné údaje a zabezpečiť, aby spĺňali normy kvality?

Prevádzkový model údajového pletiva

Prevádzkový model dátovej siete spája ľudí, procesy a technológie, ktoré umožňujú decentralizovanú správu dát v rozsahu. Táto spolupráca zaisťuje bezproblémové toky údajov v celej organizácii, podporuje dôveru, agilitu a opätovné použitie bez spoliehania sa na jeden centralizovaný tím. Sieť údajov umožňuje interoperabilitu a objaviteľnosť presadzovaním spoločných noriem a poskytovaním spoločnej platformy, konzistentných formátov a hľadaných výrazov a pravidiel riadenia pre publikovanie a spotrebu údajových produktov. Nástroje dátovej siete, ako sú katalógy údajov a registre, umožňujú tímom rýchlo nájsť dátové produkty v celej organizácii, bezpečne k nim získať prístup a používať ich.

Myslite na dátové siete ako na moderné mesto: Každá štvrť (doména) spravuje svoje vlastné inžinierske siete a služby, ako je voda, elektrina a odpad, pretože najlepšie poznajú svoje miestne potreby. Mesto poskytuje spoločnú infraštruktúru, ako sú cesty a verejná doprava (samoobslužná platforma) a bezpečnostné normy (riadenie), takže štvrte sa môžu spojiť, pristupovať k mestským zdrojom a spolupracovať bez chaosu. Týmto spôsobom zdroje plynú voľne po celom meste, každý sa riadi spoločnými pravidlami a inováciám sa darí lokálne, zatiaľ čo celé mesto funguje hladko.

Dátová sieť v praxi: Príklady a prípady použitia

Aby sa riešenia správy dát vyvíjali a stali sa úspešnejšími, musia byť použiteľné a relevantné pre širokú škálu aplikácií a operácií. Keďže sa architektúra dátovej siete a používateľská prívetivosť zlepšujú, vidíme, že sa rozšírila škála podnikových funkcií, ktoré môžu organizácie vylepšiť bezpečným a distribuovaným prístupom k dátam ako produktu a nástroja.

Pozrime sa na niektoré bežné obchodné prípady použitia údajovej siete.

Predaj

V prípade tímov predaja to všetko závisí od získavania, rozvíjania a uzatvárania potenciálnych zákazníkov. Čím viac času trávia vaši členovia odbytového tímu na svojich stoloch vykonávajúcich administratívne úlohy, tým menej času musia budovať vzťahy s novými zákazníkmi. S architektúrou údajovej siete nemusia byť používatelia tímu predaja odborníkmi na správu údajov a vyhľadávanie, aby mali na dosah ruky najvýkonnejšie a najrelevantnejšie množiny údajov a kombinácie. Keď obchodné oddelenia majú všetky správne údaje na analýzu, premietnu sa do praktickejších prehľadov a stratégií.

Príklad siete údajov o predaji: Regionálne alebo produktové tímy predaja môžu vlastniť svoje domény CRM a údajov kanálov, čo umožňuje presné prognózovanie a dashboardy v reálnom čase bez čakania v centrálnom IT tíme.

Logistický reťazec a logistika

Moderné dodávateľské reťazce sú zraniteľné voči obrovskému množstvu narušení. Konkurenčná výhoda nastáva vtedy, keď sa spoločnosti môžu rýchlo inšpirovať a rovnako agilne reagovať na hrozby aj príležitosti. Dnešné globálne údaje o dodávateľskom reťazci prichádzajú v hrubom a rýchlom čase – od spätnej väzby od zákazníkov až po siete IIoT a digitálne dvojčatá. Keď skúsení a zdatní manažéri dodávateľského reťazca sami dokážu v reálnom čase zorientovať a vŕtať do ktoréhokoľvek z týchto súborov údajov, podniky získajú silný zdroj prehľadu a schopnosti.

Príklad siete údajov dodávateľského reťazca: Optimalizácia dodávateľského reťazca vyžaduje prehľad o úrovniach zásob, výkone dodávateľa a logistických údajoch v reálnom čase. Dátové siete poskytujú každej doméne – obstarávanie, skladovanie, doprava – vlastníctvo svojich údajových produktov, čo umožňuje rýchlejšie rozhodovanie a nákladovo efektívne operácie.

Výroba

V rámci dodávateľského reťazca sú výrobné prevádzky spoločnosti rovnako citlivé na rýchle zmeny na trhu a nestabilné požiadavky zákazníkov. V minulosti sa dizajnérske a výskumno-vývojové tímy museli spoliehať na historické údaje o zákazníkoch, ktoré im boli poskytnuté z iných oddelení. Dnešná dátová sieť prináša používateľom živý prístup k údajom za redakčným stolom, v tímoch výskumu a vývoja a testovania a až po výrobné priestory. Spätná väzba od zákazníkov v reálnom čase môže okamžite informovať o vývoji produktov a up-to-the-minute intel z IIoT sietí a digitálnych simulácií môže pomôcť továrňam fungovať bezpečnejšie, rýchlejšie a efektívnejšie.

Príklad siete výrobných dát: Tímy na úrovni závodu môžu vlastniť údaje o výkone snímačov a strojov, čo umožňuje prediktívnu údržbu a skracuje prestoje prostredníctvom decentralizovanej analýzy.

Marketing

Požiadavky a očakávania zákazníkov dnes formujú budúcnosť a menia sa a rastú bezprecedentným tempom. Jedna značka má zvyčajne nespočetné množstvo spotrebiteľských dotykových bodov naprieč sociálnymi médiami, cielenými digitálnymi reklamami a online a omnichannel nákupnými portálmi. Súčasný trh vidí rastúcu túžbu po rýchlom prispôsobení, kratších životných cykloch produktov a obrovskej úrovni výberu a konkurencie. Na pochopenie a náskok pred týmito trendmi potrebujú moderní obchodníci v reálnom čase a simultánny prístup k širokej škále množín údajov. V minulosti to znamenalo vyžiadanie (a čakanie) týchto údajov z iných oddelení. S nastavením dátovej siete však môžu marketéri tieto údaje v okamihu a za vlastných podmienok upravovať a pristupovať k nim.

Príklad siete marketingových údajov: Vytvorenie zobrazenia zákazníka 360 vyžaduje integráciu údajov z viacerých kanálov, ako sú e-maily, sociálne siete a platené reklamy. Sieťová sieť umožňuje každému kanálu vlastniť svoj dátový produkt a zaisťuje presné prehľady v reálnom čase pre prispôsobené kampane a lepšie skúsenosti zákazníkov.

Ľudské zdroje

Tímy ĽZ musia spravovať veľké množstvá mimoriadne komplexných a citlivých údajov. A s rastúcim trendom smerom k vzdialeným a hybridným pracoviskám sú tieto údaje každý deň komplikovanejšie a geograficky rozmanitejšie. Nehovoriac o neustále sa meniacom súbore dodržiavania predpisov a právnych otázkach, ktoré musia personálne tímy tak súrne držať na vrchole. Vedúci pracovníci v oblasti ľudských zdrojov musia byť schopní overiť, posúdiť a analyzovať niektoré z najrozšírenejších súborov údajov v každej organizácii. Architektúra dátovej siete umožňuje vhodné bezpečnostné protokoly a prísne obmedzený prístup. Zároveň umožňuje oprávneným používateľom HR prístup k dátam a informáciám rýchlo a bez závislosti od zložitých interných protokolov a viacrezortnej byrokracie.

Príklad siete údajov HR: Tímy pre nábor, mzdy a riadenie výkonu môžu riadiť svoje vlastné domény údajov, čím zlepšujú dodržiavanie predpisov a umožňujú analýzu pracovnej sily v reálnom čase pre strategické rozhodovanie.

Financie

Rovnako ako v prípade HR, aj finančné a účtovné tímy sú zodpovedné za nesmierne dôležité a citlivé údaje. Moderné ERP systémy prinášajú revolúciu v oblasti financií pomocou technológie in-memory databázy na prispôsobenie aktuálnych zostáv, analýz a projekcií. Aj keď finančné tímy používajú najlepšie databázy a ERP, často čelia prekážkam spôsobeným dlhoročnými a pevnými kultúrami, silnými silami a byrokratickými, staroškolskými procesmi. Architektúra dátového pletiva prináša zásadný posun v tom, ako sa na finančné údaje pozerá a spravuje. Môže dokonca zatriasť stagnujúcim myslením, ktoré sa môže stať, keď organizácie umožnia tímom vlastniť a revidovať svoje vlastné procesy starnutia dát.

Príklad štruktúry finančných údajov: tímy finančného plánovania môžu vlastniť domény výnosov, výdavkov a investičných údajov a zaisťovať presné prognózovanie a modelovanie agilných scenárov bez toho, aby sa spoliehali na jeden centrálny tím.

Je jasné, že dátové siete nie sú len ďalším heslom a sú trendom dátovej stratégie, ktorý treba brať vážne. Spoločnosti všetkých veľkostí a odvetví používajú dátové siete a hľadajú spôsoby, ako použiť údaje na vytváranie prehľadov a hodnoty.

Alternatívy dátovej siete

Hoci dátové siete ponúkajú decentralizovaný prístup k správe údajov, nie je to jediná možnosť. Tradičné architektúry, ako sú dátové jazerá a dátové sklady, zostávajú široko používané na centralizáciu a ukladanie veľkého objemu dát, často spárované s dátovými skladmi, ktoré kombinujú štruktúrované a neštruktúrované dátové schopnosti. Iné modely, ako napríklad údajová tkanina, sa zameriavajú na vytvorenie jednotnej vrstvy pre integráciu a orchestráciu údajov v rôznych systémoch. Každá alternatíva rieši škálovateľnosť, riadenie a prístupnosť odlišne, takže výber závisí od organizačných potrieb a zrelosti.

Pozrime sa na alternatívy dátovej siete a na ich porovnanie.

Dátové siete vs. data lake/lakehouse

Dátová sieť vs. sklad údajov

Údajová sieť vs. dátová tkanina

Implementačná dátová sieť

Implementácia dátovej siete si vyžaduje strategický prístup, ktorý vyvažuje decentralizáciu so spoločnými štandardmi. Tu sú kroky siete kľúčových údajov:

1. Identifikácia pilotných domén: Začnite malými výberom dvoch alebo troch domén s jasnou obchodnou hodnotou a silnou zrelosťou dát. Tieto tímy budú slúžiť ako skorí prijímatelia, ktorí preukážu model dátovej siete pred škálovaním v rámci celej organizácie.
2. Vytvorenie platformy: Zostavte vlastnú dátovú platformu, ktorá poskytuje spoločné nástroje na publikovanie, objavovanie a spotrebu údajových produktov. To zahŕňa katalógy údajov, API a automatizované funkcie zabezpečenia na zníženie trenia pre tímy domén.
3. Definujte federované riadenie: Vytvárajte politiky dozoru, ktoré presadzujú globálne štandardy pre zabezpečenie, súlad a interoperabilitu a zároveň povoľujú autonómiu domén. Riadenie by malo zahŕňať jasné úlohy, definície údajových produktov a očakávania v oblasti kvality.

Proti vzorom, aby sa zabránilo

Keď sa dátové siete vykonávajú nesprávne nedodržiavaním prirodzených organizačných vzorov, môže to viesť k zmätku a rozporu. Protivzorka v dátovej sieti je opakujúci sa prístup alebo prax, ktorá sa zdá byť užitočná, ale v konečnom dôsledku podkopáva základné princípy architektúry. Proti vzorom, aby sa zabránilo, patria:

• S dátovým sieťou sa zaobchádza ako s ďalším centralizovaným údajovým jazerom.
• Ignorovanie kultúrnej zmeny – samotná technológia nerieši problémy s vlastníctvom.
• Nadmerná konštrukcia platformy pred preukázaním obchodnej hodnoty.
• Nedostatočná jednoznačná zodpovednosť za kvalitu údajov.
• Odstupňovanie príliš rýchlo bez overenia modelu údajovej siete v pilotných doménach.

Päť najlepších postupov pre dátové siete

1. Spustiť malé a iteračné: Na spresnenie procesov pred škálovaním použite pilotné domény.
2. Považujte údaje za produkt: Definujte štandardy vlastníctva, SLA a použiteľnosti pre každú množinu údajov.
3. Investujte do zdieľaných nástrojov: Zjednodušte publikovanie a objavovanie pre tímy domén.
4. Vloženie včasného riadenia: Od začiatku vyváži autonómiu s dodržiavaním pravidiel.
5. Zameranie na obchodné výsledky: Zladenie údajových produktov s merateľnou hodnotou, nielen s technickými cieľmi.

Kombináciou vlastníctva domény, robustnej platformy a federálneho riadenia môžu organizácie zlepšiť agilitu, dôveru a spoluprácu medzi doménami – bez prekážok tradičných centralizovaných modelov.

Meranie a metriky

Hodnotenie úspechu vyžaduje metriky údajovej siete, ktoré sú v rovnováhe s technickým výkonom s podnikovými výstupmi. Tieto metriky môžu zahŕňať:

• Kvalita dátových produktov SLOs/SLA: Nevyhnutná, ale musí byť prispôsobená kontextu každej domény, a nie jednotne aplikovaná. Vzorové KPI dátového produktu sú:

  • Obnova dát: Percentuálny podiel dátových produktov aktualizovaných v rámci dohodnutého časového okna - napríklad hodinové alebo denné
  • Úplnosť: Percento povinných polí vyplnených naprieč množinami údajov
  • Dostupnosť: Doba prevádzky údajových produktov – napríklad 99,9 %

• Prijatie a opätovné použitie spotrebiteľmi: Môže byť silným ukazovateľom hodnoty, ale jeho presné meranie často zahŕňa sledovanie modelov používania a spätnej väzby v rámci tímov. Príklad prevzatia a opätovného použitia KPI spotrebiteľa je:

  • Počet jedinečných spotrebiteľov na dátový produkt
  • Miera opätovného použitia viacerých domén: Percentuálny podiel dátových produktov spotrebovaných viacerými doménami
  • Skóre spokojnosti spotrebiteľov z prieskumov alebo spätnej väzby

• Čas na prehľad a náklady na obsluhu: Zvýraznite zvýšenie efektívnosti v porovnaní s centralizovanými modelmi, ale tieto zlepšenia závisia od zrelosti organizácie a základných procesov. Príklad KPI času pre prehľad a náklady na obsluhu sú:

  • Priemerný čas od dátovej požiadavky po použiteľnú analýzu
  • Zníženie prevádzkových nákladov v porovnaní s centralizovaným modelom
  • Percento zníženia zostatku pre dátové požiadavky

• Spoločná medzera medzi konkurentmi, ktoré treba zachytiť: Zamerajte sa na oblasti, v ktorých konkurenti bojujú a využívajú zásady dátového pletiva, aby ich prekonali. Príklad rozdielu konkurenta na zaznamenanie KPI je:

  • Počet zistených nedostatkov konkurentov, ktoré sa riešia schopnosťami údajových produktov – napríklad lepšia zistiteľnosť, rýchlejší prístup k údajom
  • Výhoda na základe času na uvedenie nových údajových produktov na trh v porovnaní s konkurentmi
  • Zvýšenie miery samoobslužného osvojenia v porovnaní s odhadmi konkurentov

Tieto metriky spolu poskytujú smerový prehľad o tom, či sieť údajov poskytuje agilitu, dôveru a škálovateľnosť bez toho, aby predpokladala univerzálne referenčné hodnoty.

Často kladené otázky týkajúce sa údajovej siete