Vad är datahantering?
Denna webbsida har maskinöversatts för att underlätta för dig. SAP ger inga garantier angående korrektheten eller fullständigheten av maskinöversättningen. Den ursprungliga engelska webbsidan hittar du genom att använda världskartan i det övre högra hörnet på denna sida.
Data är avgörande för hur ett företag fungerar och fungerar. Företagen måste känna till data och hitta relevans i det buller som skapas av olika system och tekniker som stöder dagens starkt sammankopplade globala ekonomier. I detta avseende tar data ett centralt steg. På egen hand är data meningslösa – företagen behöver en effektiv strategi, styrning och datahanteringsmodell för att utnyttja alla former av data för praktisk och effektiv användning i alla försörjningskedjor, nätverk av anställda, kunders och partners ekosystem … och mycket mer.
Så vad är datahantering? Datahantering är praxis att samla in, organisera och få tillgång till data för att stödja produktivitet, effektivitet och beslutsfattande. Med tanke på den centrala roll som data spelar i dagens affärsverksamhet är en solid datahanteringsstrategi och ett modernt datahanteringssystem avgörande för alla företag – oavsett storlek eller bransch.
De viktigaste inslagen i datahanteringen
Datahanteringsprocessen omfattar ett brett spektrum av uppgifter och förfaranden, till exempel:
- Samla in, bearbeta, validera och lagra data
- Integrering av olika typer av data från olika källor, inklusive strukturerade och ostrukturerade data
- Säkerställa hög datatillgänglighet och katastrofåterställning
- Reglera hur data används och nås av personer och appar
- Skydd och säkring av data och säkerställande av datasekretess
Varför är datahanteringen viktig?
Alla applikationer, analyslösningar och algoritmer som används i ett företag (regler och tillhörande processer som gör att datorer kan lösa problem och slutföra uppgifter) är beroende av sömlös dataåtkomst. Ett datahanteringssystem är centralt och bidrar till att säkerställa att data är säkra, tillgängliga och korrekta. Men fördelarna med datahantering slutar inte där.
Omvandla stordata till en affärstillgång med högt värde
För mycket data kan vara överväldigande – och värdelösa – om de inte hanteras på rätt sätt. Men med rätt verktyg kan Big Data utnyttjas för att ge företag goda insikter och mer exakta prognoser. Det kan ge företag en bättre förståelse för vad kunderna vill ha och hjälpa företag att leverera enastående kundupplevelser baserat på studiedata. Det kan också bidra till att driva nya datadrivna affärsmodeller – till exempel tjänsteerbjudanden baserade på IoT (Internet of Things) i realtid och sensordata – som inte skulle vara uppenbara eller uppenbara utan möjlighet att analysera och tolka stordata.
Stordata är extremt stora dataset som ofta karaktäriseras av de fem V:erna: den mängd data som samlas in, mångfalden av datatyper, den hastighet vid vilken data genereras, uppgifternas sanningshalt och dess värde.
Det är ingen hemlighet att datadrivna organisationer har en stor konkurrensfördel. Med avancerade verktyg kan företag hantera mer data från fler källor än någonsin tidigare. De kan också dra nytta av många olika typer av data, strukturerade och ostrukturerade, i realtid – inklusive IoT-enhetsdata, video- och ljudfiler, internetklickströmsdata och kommentarer från sociala medier – vilket öppnar fler möjligheter att monetarisera data och använda dem som en tillgång.
Bygger dataunderlaget för digital transformation
Det sägs ofta att data är livsnerven i den digitala omvandlingen – och det är sant. Artificiell intelligens (AI), maskininlärning, Industry 4.0, avancerad analys, Internet of Things och intelligent automatisering kräver alla mängder av lägliga, korrekta och säkra data för att göra det de gör.
Vikten av data och datadriven teknik har bara ökat sedan covid-19-utbrottet. Många företag känner ett starkt tryck att använda sina data bättre nu – och använder dem för att förutse framtida händelser, snabbt pivotera och bygga in motståndskraft i planer och affärsmodeller.
Maskininlärning behöver till exempel mycket stora och olika dataset för att ”lära sig”, identifiera komplexa mönster, lösa problem och hålla sina modeller och algoritmer uppdaterade och effektiva. Avancerade analyser (som ofta drar nytta av maskininlärning) är också beroende av stora mängder högkvalitativa data för att skapa relevanta och användbara insikter som man kan agera på med tillförsikt. Och IoT och Industrial IoT körs på en jämn ström av maskin- och sensordata, flödar på en miljon mil i minuten.
Den gemensamma nämnaren i alla digitala omvandlingsprojekt är data. Innan företag kan omvandla processer, dra nytta av ny teknik och bli intelligenta företag behöver de ett gediget dataunderlag. De behöver kort sagt ett modernt datahanteringssystem.
Ett företags fortsatta överlevnad kommer att vara beroende av en agil, datacentrerad arkitektur som svarar mot den konstanta förändringstakten.
Donald Feinberg, vice vd på Gartner
Säkerställa efterlevnad av dataskyddslagar
God datahantering är också viktigt för att säkerställa efterlevnad av nationella och internationella lagar om datasekretess – som den allmänna dataskyddsförordningen (GDPR) och California Consumer Privacy Act i USA – samt branschspecifika integritets- och säkerhetskrav. Och när dessa skydd ska bevisas eller granskas är det viktigt att ha en solid policy och förfaranden för datahantering.
System och komponenter för datahantering
Datahanteringssystem bygger på datahanteringsplattformar och innehåller en rad komponenter och processer som samverkar för att hjälpa dig att extrahera värde från dina data. Det kan till exempel vara databashanteringssystem, datalager och sjöar, dataintegrationsverktyg, analyser med mera.
Databashanteringssystem (DBMS)
Det finns många olika typer av databashanteringssystem. De vanligaste är relationsdatabashanteringssystem (RDBMS), objektorienterade databashanteringssystem (OODMBS), minnesbaserade databaser och kolumndatabaser.
Olika datahanteringssystem
- Relationsdatabashanteringssystem (RDBMS): Ett RDBMS är ett databashanteringssystem som innehåller datadefinitioner så att program och hämtningssystem kan referera dataobjekt efter namn, i stället för att beskriva strukturen och platsen för data varje gång. Baserat på relationsmodellen upprätthåller RDBMS-systemen även relationer mellan dataelement som ökar åtkomsten och undviker dubbelarbete. En artikels grundläggande definition och egenskaper lagras till exempel en gång och länkas till detaljrader och prissättningstabeller för kundorder.
- Objektorienterat databashanteringssystem (OODBMS): Ett OODBMS är ett annat sätt att definiera och lagra data, utvecklat och använt av objektorienterade programsystemutvecklare (OOPS). Data lagras som objekt, fristående och självbeskrivna entiteter, snarare än i tabeller som i en RDBMS.
- Minnesbaserad databas: En databas med minnesbaserad lagring (IMDB) lagrar data i en dators huvudminne (RAM), istället för på en diskenhet. Hämtning från minne är mycket snabbare än hämtning från ett diskbaserat system, varför in-memory-databaser ofta används av applikationer som kräver snabba svarstider. Det som till exempel tog dagar att sammanställa till en rapport kan nu nås och analyseras i minuter, om inte sekunder.
- Kolumndatabas: En kolumndatabas lagrar grupper av relaterade data (en ”kolumn” av information) tillsammans för snabb åtkomst. Det används i moderna tillämpningar för minnesbaserad affärsverksamhet och för många fristående datalagringstillämpningar där hämtningshastighet (av ett begränsat datavärde) är viktigt.
Datalager och sjöar
- Datalager: Ett datalager är ett centralt arkiv med data som ackumulerats från många olika källor för rapportering och analys.
- Datasjö: En datasjö är en stor pool av data som lagras i rått eller naturligt format. Datasjöar används vanligtvis för att lagra Big Data, inklusive strukturerade, ostrukturerade och halvstrukturerade data.
Basdatahantering (MDM)
Basdatahantering är disciplinen att skapa en betrodd basdatareferens (en enda version av sanningen) för alla viktiga affärsdata, till exempel produktdata, kunddata, tillgångsdata, finansdata med mera. MDM säkerställer att verksamheter inte använder flera, potentiellt inkonsistenta versioner av data i olika delar av verksamheten, inklusive processer, operationer, analys och rapportering. De tre viktigaste pelarna för en effektiv MDM är datakonsolidering, datastyrning och hantering av datakvalitet.
En teknikbaserad disciplin där företag och IT-organisationer samarbetar för att säkerställa enhetlighet, noggrannhet, styrning, semantisk konsistens och ansvarsskyldighet för företagets officiella, delade basdatatillgångar.
Gartnerdefinition för MDM
Big Data Management
Nya typer av databaser och verktyg har utvecklats för att hantera stordata – massiva volymer av strukturerade, ostrukturerade och halvstrukturerade datafunknande företag idag. Förutom högeffektiva bearbetningstekniker och molnbaserade faciliteter för att hantera volym och hastighet har nya metoder för att tolka och hantera datavolkningen skapats. För att datahanteringsverktygen ska kunna förstå och arbeta med olika typer av ostrukturerade data används till exempel nya förbearbetningsprocesser för att identifiera och klassificera dataobjekt för att underlätta lagring och hämtning.
Dataintegration
Dataintegration är praxis att samla in, transformera, kombinera och sammanställa data där och när det behövs. Denna integration sker i företaget och i andra sammanhang – både mellan partner och tredjepartsdatakällor och användningsfall – för att uppfylla dataförbrukningskraven för alla applikationer och verksamhetsflöden. Tekniker inkluderar mass-/batch-datarörelser, extraktion, transformering, inläsning (ETL), ändringsdataregistrering, datareplikering, datavirtualisering, strömningsdataintegration, dataorkestrering med mera.
Datastyrning, säkerhet och efterlevnad
Datastyrning är en samling regler och ansvarsområden för att säkerställa datatillgänglighet, kvalitet, konformitet och säkerhet i hela organisationen. Datastyrning upprättar infrastrukturen och namnger de individer (eller befattningar) inom en organisation som har både behörighet och ansvar för hantering och skydd av specifika typer av data. Datastyrning är en viktig del av efterlevnaden. Systemen kommer att ta hand om mekanismerna för lagring, hantering och säkerhet – det är folket, styressidan, som ser till att data är korrekta att börja med och hanteras och skyddas korrekt innan de förs in i systemet, medan de används och när de hämtas från systemet för användning eller lagring någon annanstans. Styrning anger hur ansvariga individer använder processer och teknologier för att hantera och skydda data.
Datasäkerhet är naturligtvis ett stort problem i dagens värld av hackare, virus, cyberattacker och dataintrång. Säkerheten är inbyggd i system och tillämpningar, men datastyrningen är till för att säkerställa att dessa system inrättas och förvaltas korrekt för att skydda uppgifterna, och att förfaranden och ansvar upprätthålls för att skydda data utanför systemen och databasen.
Business intelligence och analys
De flesta, om inte alla, datahanteringssystem inkluderar grundläggande verktyg för datainsamling och rapportering, och många omfattar eller är kombinerade med kraftfulla applikationer för hämtning, analys och rapportering. Rapporterings- och analysapplikationer är också tillgängliga från tredjepartsutvecklare och kommer nästan säkert att inkluderas i applikationspaketet som en standardfunktion eller som en valfri addon-modul för mer avancerade funktioner.
Styrkan hos dagens datahanteringssystem ligger i stor utsträckning i de ad hoc-hämtningsverktyg som gör det möjligt för användare med en minimimängd utbildning att skapa egna datainhämtningar på skärmen och skriva ut rapporter med överraskande flexibilitet i formatering, beräkningar, sorteringar och sammanfattningar. Dessutom kan yrkesverksamma använda samma verktyg eller mer sofistikerade analysverktygsuppsättningar för att göra ännu mer i form av beräkningar, jämförelser, högre matematik och formatering. Nya analysapplikationer kan överbrygga traditionella databaser, datalager och datasjöar för att integrera Big Data med affärsapplikationsdata för bättre prognostisering, analys och planering.
Vad är en företagsdatastrategi och varför ska du ha en?
Många företag har varit passiva i sin strategi för data: att acceptera vad deras leverantör av affärsapplikationer har byggt in i sina system. Men nu är det inte tillräckligt bra. Med dagens explosion av data och dess betydelse för verksamheten i alla företag blir det allt viktigare att inta en mer proaktiv och övergripande strategi för datahantering. Ur praktisk synvinkel innebär detta att man förbereder och fastställer en datastrategi som
- Identifierar de specifika typer av data som ditt företag behöver och använder,
- Allokerar ansvar för varje typ av data, och
- Fastställer förfaranden för insamling, insamling och hantering av dessa uppgifter.
En av de viktigaste fördelarna med en strategi och infrastruktur för hantering av företagsdata är att den sammanför organisationen – som samordnar alla aktiviteter och beslut till stöd för företagets syfte, nämligen att effektivt och ändamålsenligt leverera kvalitetsprodukter och tjänster till kunderna. En heltäckande datastrategi och sömlös dataintegrering eliminerar silos av information. Detta gör att varje avdelning, chef och anställd kan se och förstå hur de bidrar till företagets framgång – och hålla sina beslut och åtgärder i linje med dessa mål.
Utveckla en datastrategi för ditt företag
Se moduler från vår resultatstyrda basdataklass för datastrategi – gratis online.
Utvecklingen av datahanteringen
Effektiv datahantering har varit avgörande för verksamhetens framgång i över 50 år – från att hjälpa företag att förbättra noggrannheten i informationsrapportering, upptäcka trender och fatta bättre beslut för att underblåsa digital transformation och driva fram ny teknik och nya affärsmodeller idag. Data har blivit ett nytt slags kapital, och framtidstänkande organisationer är alltid på jakt efter nya och bättre sätt att använda data till sin fördel. Här är de senaste trenderna inom modern datahantering som är viktiga för att hålla ett öga på och utforska deras relevans för din verksamhet och bransch:
- Datastruktur: De flesta organisationer har idag en mängd olika typer av data som distribueras på plats och i molnet – och de använder flera databashanteringssystem, bearbetningstekniker och verktyg. En datastruktur, som är en anpassad kombination av arkitektur och teknik, använder dynamisk dataintegration och orkestrering för att möjliggöra friktionslös tillgång till och delning av data i en distribuerad miljö.
- Datahantering i molnet: Många företag flyttar en del eller hela sin datahanteringsplattform till molnet. Hantering av molndata drar nytta av alla fördelar som molnet har att erbjuda – inklusive skalbarhet, avancerad datasäkerhet, förbättrad dataåtkomst, automatiska säkerhetskopior och återställning vid katastrofer, kostnadsbesparingar med mera. Molndatabaser och databas-as-a-service-lösningar (DBaaS), molndatalager och molndatasjöar ökar i popularitet.
- Förstärkt datahantering: En av de nyare trenderna kallas ”utökad datahantering.” Gartner har identifierat att det finns en betydande omvälvande potential fram till 2022, och utökad datahantering använder AI och maskininlärning för att göra datahanteringsprocesser till självkonfigurering och självanpassning. Utökad datahantering automatiserar allt från datakvalitet och basdatahantering till dataintegration – vilket frigör skicklig teknisk personal att fokusera på högre värde.
Fram till 2022 kommer datahanteringsmanuella uppgifter att minskas med 45 procent genom tillägg av maskininlärning och automatiserad servicenivåhantering.
- Förstärkta analyser: Förstärkta analyser – en annan toppteknologitrend identifierad av Gartner – finns redan här. Utökade analyser använder artificiell intelligens, maskininlärning och naturlig språkbearbetning (NLP) för att inte bara hitta de viktigaste insikterna automatiskt, utan för att demokratisera tillgången till avancerade analyser så att alla, inte bara datavetare, kan ställa frågor om sina data och få svar på ett naturligt, konversationellt sätt.
Sammanfattning
Vi vet att information kommer från uppgifter. Och om information är makt kan effektiv hantering och utnyttjande av dina data mycket väl vara ditt företags supermakt. Datahanteringsansvar och rollen för databasanalytiker utvecklas till förändringsagenter – för att driva på molntillämpning, dra nytta av nya trender och tekniker och leverera strategiskt värde till verksamheten.
Lösningar
för databas- och datahantering
SAP kan hjälpa dig att hantera, styra och integrera dina företagsdata.
Mer i den här serien
SAP Insights nyhetsbrev
Prenumerera idag
Få viktiga insikter genom att prenumerera på vårt nyhetsbrev.