Hvad er en Data Fabric?

Ofte associeret med kunstig intelligens (AI) og maskinlæring (ML), er en data fabric en af de vigtigste værktøjer til at konvertere rå data til forretningsintelligens.

Men hvad er en data fabric nøjagtig?

En data fabric er en arkitektur og software, der tilbyder en samlet samling af dataaktiver, databaser og databasearkitekturer inden for en virksomhed. Den faciliterer slut-i-slut-integrationen af forskellige datapipelines og cloud-miljøer gennem brugen af intelligente og automatiserede systemer.

Data fabriker er blevet mere vigtige, da store udviklinger fortsætter med at finde sted med hybrid cloud, internet of things (IoT), AI og edge computing. Dette har medført en massiv øgning i big data, hvilket betyder, at organisationer har endnu mere at håndtere.

For at tackle denne big data, må virksomhederne fokusere på samlingen og styringen af data-miljøer, hvilket har medført flere udfordringer som data-silier, sikkerhedsrisici og flaskeshals i beslutningstagningen. Disse udfordringer er det, der har ført til, at datastyreamer har adopteret data fabric-løsninger, der hjælper med at samle data-systemer, styrke privatliv og sikkerhed, forbedre styre og give mere adgang til data for medarbejderne.

Data-integration fører til mere data-dreven beslutningstagning, og selvom virksomheder historisk set har brugt forskellige data-platforme til bestemte aspekter af forretningen, gør data fabriker det muligt at se data mere samlet. Alt dette fører til en bedre forståelse af kunde-livscyklussen og hjælper med at etablere forbindelser mellem data.

Hvad er formålet med en Data Fabric?

Data fabriker bruges til at etablere en samlet visning af den tilknyttede data, hvilket faciliterer adgang til information uanset dens placering, database-forbindelse eller struktur. Data fabriker simplificerer også analyse med AI og maskinlæring.

Et andet formål med en data fabric er at facilitere applikationsudvikling, da den skaber en fælles model for adgang til information, adskilt fra de traditionelle applikations- og database-silier. Disse modeller giver bedre adgang til information, men de forbedrer også effektiviteten ved at etablere en enkelt lag, hvor data-adgang kan styres på tværs af alle ressourcer.

Selv om der ikke er en enkelt data-arkitektur for en data fabric, siges det ofte, at der er seks grundlæggende komponenter i denne type data-ramme:

1. Data Management: Ansvarlig for data-styre og sikkerhed af data.

2. Data Ingestion: Samler cloud-data sammen og identificerer forbindelser mellem struktureret og ustruktureret data.

3. Data Processing: Raffinerer data for at sikre, at kun relevant data vises for data-udtrækning.

4. Data Orchestration: En meget vigtig lag i rammen, ansvarlig for at transformere, integrere og rense data, så det kan bruges på tværs af forretningen.

5. Data Discovery: Viser nye måder at integrere data-kilder på.

6. Data Access: Gør det muligt at forbruge data, sikrer de rette tilladelser for bestemte hold til at overholde reguleringer og hjælper med at vise relevant data gennem brugen af dashboards og andre data-visualisering-værktøjer.

Fordele ved en Data Fabric

Der er mange forretnings- og tekniske fordele ved data fabriker, såsom:

• Bryd Data Silier: Moderne virksomheder lider ofte under data-silier, da moderne databaser er forbundet med grupper af applikationer og ofte vokser, når nye tilføjes til virksomheden. Data-silier indeholder data af forskellige strukturer og formater, men data fabriker kan forbedre adgangen til virksomhedsinformation og bruge samlet data til at forbedre driftseffektiviteten.

• Sammenlign Databaser: Data fabriker hjælper også virksomheder med at samle databaser, der er spredt over et stort område. De sikrer, at placeringens forskelle ikke resulterer i barrierer for adgang. Data fabriker simplificerer applikationsudvikling og kan bruges til at optimere bestemt applikationsdata-brug uden at gøre data mindre tilgængelig for andre applikationer. De kan også samle data, der allerede er flyttet ind i silier.

• Enkelt Måde at Adgang til Information: Data fabriker forbedrer applikations-portabilitet og fungerer som en enkelt måde at adgang til information i både cloud og datacenter.

• Generer Indsigt på en Accelereret Måde: Data fabric-løsninger kan let håndtere komplekse datasets, hvilket accelererer tiden til indsigt. Deres arkitektur muliggør forudbyggede analytics-modeller og kognitive algoritmer til at behandle data i skala og hastighed.

• Bruges af Tekniske og Ikke-Tekniske Brugere: Data fabriker er ikke kun rettet mod tekniske brugere. Arkitekturen er fleksibel og kan bruges med en bred vifte af brugergrænseflader. De kan hjælpe med at bygge dashboards, der kan forstås af forretningschefer, eller deres avancerede værktøjer kan bruges til data-udforskning af data-videnskabsmænd.

Bedste Praksis for Implementering af Data Fabriker

Det globale data-marked udvider sig konstant, og der er stærk efterspørgsel i rummet. Mange virksomheder søger at implementere en data-arkitektur for at optimere deres virksomhedsdata, og de følger nogle fælles bedste praksis.

En sådan praksis er at omfavne en DataOps-procesmodel. Data fabric og DataOps er ikke identiske, men ifølge en DataOps-model er der tæt tilknytning mellem data-processer, værktøjer og brugerne. Ved at tilpasse brugerne til at afhænge af data kan de udnytte værktøjerne og anvende indsigt. Uden en DataOps-model kan brugerne have svært ved at trække nok ud af data fabriken.

En anden bedste praksis er at undgå at omdanne data fabriken til bare endnu en data-sø, hvilket er en almindelig forekomst. For eksempel kan en rigtig data fabric ikke opnås, hvis du har alle de arkitektoniske komponenter, såsom data-kilder og analytics, men ingen af API’erne og SDK’erne. Data fabric refererer til arkitektur-designet, ikke en enkelt teknologi. Og nogle af de definerende træk ved arkitekturen er interoperabilitet mellem komponenter og integrationsklarhed.

Det er også kritisk for organisationen at forstå sine compliance- og reguleringsskrav. En data fabric-arkitektur kan forbedre sikkerhed, styre og reguleringssamstemmelse.

Da data ikke er spredt over systemer, er der en mindre trussel om følsom data-eksponering. Med det sagt er det vigtigt at forstå compliance- og reguleringsskravene, før du implementerer en data fabric. Forskellige data-typer kan falde under forskellige reguleringssammenhænge. En løsning er at bruge automatiserede compliance-politikker, der sikrer, at data-transformation overholder love.

Data Fabric BrugsEksempler

Der er mange forskellige brugsområder for en data fabric, men nogle er meget almindelige. Et sådant almindeligt eksempel er den virtuelle/logiske samling af geografisk forskellige data-aktiver for at facilere adgang og analyse. Data fabriken bruges normalt til central forretningsstyring i dette tilfælde. Fordi de distribuerede linjeoperationer, der indsamler og bruger data, understøttes gennem traditionelle applikations- og data-adgang/spørgningssammenfletninger, er der meget at vinde for organisationer, der har regional eller national segmentering af deres aktiviteter. Disse organisationer kræver ofte central styring og koordination.

Et andet stort brugsområde for data fabriker er etableringen af en samlet data-model efter en fusion eller overtagelse. Når disse finder sted, ændrer database- og data-styrepolitikkerne for den tidligere uafhængige organisation ofte, hvilket betyder, at det bliver sværere at indsamle information på tværs af organisationsgrænser. En data fabric kan overvinde dette ved at skabe en samlet visning af data, der giver den kombinerede enhed mulighed for at harmonisere på en enkelt data-model.