Hva er en Data Fabric?

Ofte assosiert med kunstig intelligens (AI) og maskinlæring (ML), er en data fabric en av de viktigste verktøyene for å konvertere rådata til bedriftsintelligens.

Men hva er egentlig en data fabric?

En data fabric er en arkitektur og programvare som tilbyr en samlet samling av data-aktiva, databaser og database-arkitekturer innen en bedrift. Den muliggjør sluttpunkt-integrasjon av forskjellige data-pipelines og sky-miljøer gjennom bruk av intelligente og automatiserte systemer.

Data fabrikkene har blitt mer viktige ettersom store utviklingsprosesser fortsatt skjer med hybrid-sky, internett av ting (IoT), AI og edge-computing. Dette har ført til en massiv økning i stor data, noe som betyr at organisasjonene har enda mer å håndtere.

For å håndtere denne store datamengden, må bedriftene fokusere på samlingen og styringen av data-miljøer, noe som har ført til flere utfordringer som data-siloer, sikkerhetsrisiko og bottleneck i beslutningsprosessen. Disse utfordringene er det som har ført til at data-styringsteamene har tatt i bruk data fabric-løsninger, som hjelper til å samle data-systemer, styrke personvern og sikkerhet, forbedre styring og gi mer data-tilgjengelighet til arbeidere.

Data-integrasjon fører til mer data-drevne beslutninger, og mens bedriftene historisk har brukt forskjellige data-plattformer for spesifikke aspekter av bedriften, muliggjør data fabrikkene at dataene kan sees mer sammenhengende. Alt dette fører til en bedre forståelse av kunde-livssyklusen og hjelper med å etablere forbindelser mellom data.

Hva er formålet med en Data Fabric?

Data fabrikkene brukes til å etablere en samlet visning av tilknyttede data, som muliggjør tilgang til informasjon uavhengig av dens plassering, database-tilknytning eller struktur. Data fabrikkene forenkler også analyse med AI og maskinlæring.

Et annet formål med en data fabric er å muliggjøre applikasjonsutvikling, siden den skaper en felles modell for å få tilgang til informasjon adskilt fra tradisjonelle applikasjons- og database-siloer. Disse modellene gir bedre tilgang til informasjon, men de forbedrer også effektiviteten ved å etablere ett enkelt lag der data-tilgang kan håndteres over alle ressurser.

Selv om det ikke finnes en enkelt data-arkitektur for en data fabric, sies det ofte at det finnes seks grunnleggende komponenter i denne type data-ramme:

1. Data-styring: Ansvarlig for data-styring og sikkerhet av data.

2. Data-innsamling: Samler sky-data sammen og identifiserer forbindelser mellom strukturerte og ustrukturerte data.

3. Data-behandling: Raffinerer dataene for å sikre at bare relevante data vises for data-utvinning.

4. Data-orkesstrasjon: Et viktig lag i rammen som er ansvarlig for å transformere, integrere og rense data så det kan brukes over hele bedriften.

5. Data-oppdagelse: Viser nye måter å integrere data-kilder på.

6. Data-tilgang: Muliggjør forbruk av data, sikrer riktige tillatelser for bestemte team for å være i samsvar med reguleringer og hjelper med å vise relevante data gjennom bruk av dashboards og andre data-visningsverktøy.

Fordelene med en Data Fabric

Det finnes mange forretnings- og tekniske fordeler med data fabrikkene, som:

• Bryt data-siloer: Moderne bedrifter lider ofte under data-siloer, da moderne databaser er tilknyttet grupper av applikasjoner og ofte vokser når nye blir lagt til bedriften. Data-siloer holder data av forskjellige strukturer og formater, men data fabrikkene kan forbedre tilgangen til bedriftsinformasjon og bruke samlet data til å forbedre operasjonell effektivitet.

• Samle databaser: Data fabrikkene hjelper også bedrifter med å samle databaser som er spredt over et stort område. De sikrer at plasseringsforskjellene ikke resulterer i barrierer for tilgang. Data fabrikkene forenkler applikasjonsutvikling og kan brukes til å optimalisere bestemt applikasjonsdata-bruk uten å gjøre data mindre tilgjengelig for andre applikasjoner. De kan også samle data som allerede er flyttet inn i siloer.

• En måte å få tilgang til informasjon: Data fabrikkene forbedrer applikasjons-portabilitet og fungerer som en enkelt måte å få tilgang til informasjon både i skyen og data-senteret.

• Generer innsikt på en akselerert måte: Data fabric-løsningene kan lett håndtere komplekse datasett, noe som akselerer tiden til innsikt. Deres arkitektur muliggjør forhåndsbygde analytiske modeller og kognitive algoritmer til å prosessere data i skala og hastighet.

• Brukes av tekniske og ikke-tekniske brukere: Data fabrikkene er ikke bare rettet mot tekniske brukere. Arkitekturen er fleksibel og kan brukes med en rekke brukergrensesnitt. De kan hjelpe med å bygge dashboards som kan forstås av bedriftsledere, eller deres avanserte verktøy kan brukes for data-utforskning av data-vitenskapsmenn.

Beste praksis for implementering av Data Fabrikkene

Den globale data-markedet utvider seg konstant, og det finnes en sterk etterspørsel i markedet. Mange bedrifter søker å implementere en data-arkitektur for å optimalisere sin bedriftsdata, og de følger noen felles beste praksiser.

En slik praksis er å omfavne en DataOps-prosessmodell. Data fabric og DataOps er ikke identiske, men ifølge en DataOps-modell, finnes det en tett tilknytning mellom data-prosesser, verktøy og brukere. Ved å tilpasse brukerne til å stole på data, kan de utnytte verktøyene og anvende innsikt. Uten en DataOps-modell, kan brukerne slite med å trekke ut nok fra data fabrikken.

En annen beste praksis er å unngå å gjøre data fabrikken til bare en annen data-sjø, noe som er en vanlig hendelse. For eksempel, kan en ekte data fabric ikke oppnås hvis du har alle de arkitektoniske komponentene, som data-kilder og analyser, men ingen av API-ene og SDK-ene. Data fabric henviser til arkitektur-designet, ikke en enkelt teknologi. Og noen av de avgjørende trekkene ved arkitekturen er samarbeid mellom komponenter og integreringsklarhet.

Det er også kritisk for organisasjonen å forstå sine krav til etterlevelse og reguleringer. En data fabric-arkitektur kan forbedre sikkerhet, styring og reguleringer.

Ettersom data ikke er spredt over systemer, er det en mindre trussel mot sensitive data-eksponering. Med det sagt, er det viktig å forstå kravene til etterlevelse og reguleringer før implementering av en data fabric. Forskjellige data-typer kan falle under forskjellige reguleringer. En løsning er å bruke automatiserte etterlevelse-politikker som sikrer at data-transformasjonen er i samsvar med lover.

Data Fabric Bruksområder

Det finnes mange forskjellige bruksområder for en data fabric, men noen er svært vanlige. Et vanlig eksempel er den virtuelle/logiske samlingen av geografisk spredte data-aktiva for å muliggjøre tilgang og analyse. Data fabrikken brukes vanligvis for sentral forretningsstyring i dette tilfelle. Fordi de distribuerte linje-operasjonene som samler inn og bruker dataene støttes gjennom tradisjonelle applikasjons- og data-tilgang/spørings-grensesnitt, er det mye å vinne for organisasjonene som har regionale eller nasjonale segmenteringer av sine aktiviteter. Disse organisasjonene trenger ofte sentral styring og koordinering.

Et annet større bruksområde for data fabrikkene er etableringen av en samlet data-modell etter en fusjon eller oppkjøp. Når disse skjer, endrer database- og data-styringspolitikken til den tidligere uavhengige organisasjonen ofte, noe som gjør det vanskeligere å samle informasjon over organisatoriske grenser. En data fabric kan overvinne dette ved å skape en samlet visning av data som muliggjør at den kombinerte enheten kan harmonisere på en enkelt data-modell.