Adatok demokratizálása digitális találmánysal

A szén, az olaj és az emberi potenciál az ipari forradalom három legkövetkezményesebb eszköze volt. Ezek az eszközök vállalatokat építettek, piacokat toltak el, és végül megváltoztatták a nemzeteket. A digitális gazdaságban három ugyanilyen fontos eszköz áll rendelkezésre az innovációhoz: az adatok, az eszközök és az emberi potenciál. Ezek az eszközök nagy innovációs potenciállal bírnak. A modern korszakban az adatok az új olaj.

Minden vállalatnál vannak olyan adatok, amelyek segítségével megtalálhatja és kielégítheti az ügyfelek igényeit. Sajnos az adatoknak az innovációt hajtó bányászatának folyamata költséges és időigényes lehet, így az igények nem fedezhetők fel, és nem jönnek létre megoldások. Az adatdemokratizálás megoldhatja ezt a problémát.

Mi az az adatdemokratizálás? Az adatok megfelelő kezekbe kerülésének folyamata az innováció elősegítése érdekében. Ez a demokratizálási folyamat többféle formában is megvalósulhat, de általában megoldást kínálnak a nyers adatok betöltésére vagy integrált kezelésére, az adatok központosítására, az adatok megosztására és az adatok védelmére. Ha az adatok demokratizálva lesznek, a vállalat szakértői felhasználhatják azokat hipotézisek létrehozásához és teszteléséhez. A felhőbevezetési csapatok sok esetben csak adatok használatával építhetnek az ügyfelek empátiával , hogy gyorsan megfeleljenek az ügyfelek igényeinek.

Az adatok demokratizálásának módjai

Az adatok demokratizálásának különböző módjai vannak, de a legtöbb esetben az adatok gyűjtésére, központosítására, szabályozására és megosztására szolgáló módszereket is magukban foglalják. A következő szakaszok néhány ilyen módszert ismertetnek. Amikor egy ügyfélhipotézisre hoz létre megoldást, fel kell mérnie, hogy demokratizálni kell-e az adatokat, milyen mértékben és hogyan.

Adatok megosztása

Amikor az ügyfél-empátiával épít, az ügyfélnek útmutatásra van szüksége a megoldáshoz. Ha adatokra van szükség, a megoldás lehetővé teszi az ügyfél számára, hogy közvetlenül, az informatikai személyzet támogatása nélkül kikérdezze, elemezze és jelentse az adatokat.

Számos sikeres innováció minimális működőképességű termékként (MVP) indul, amely adatokat szolgáltat az ügyfélnek. Az MVP a termék olyan verziója, amely elegendő funkcióval rendelkezik ahhoz, hogy az ügyfél használhassa. Megmutatja a termék lehetséges potenciálját, hogy visszajelzést gyűjtsön az ügyféltől. Ebben a concierge-modellben az alkalmazott az adatfelhasználó. Az alkalmazott adatokat használ az ügyfél támogatásához. Minden alkalommal, amikor az ügyfél manuális támogatást vesz igénybe, egy hipotézis tesztelhető és ellenőrizhető. Ez a megközelítés gyakran költséghatékony eszköz az ügyfélközpontú hipotézis tesztelésére, mielőtt jelentős mértékben integrálható megoldásokba fektet be.

Az adatoknak az adatfelhasználókkal való közvetlen megosztására szolgáló elsődleges eszközök közé tartoznak az önkiszolgáló jelentéskészítés vagy más szolgáltatásokba ágyazott adatok, például a Power BI-hoz hasonló eszközök használatával.

Megjegyzés

Mielőtt megosztaná az adatokat, olvassa el a következő szakaszokat. Az adatok megosztásához szabályozásra lehet szükség az adatok védelmének biztosításához. Ha az adatok több felhőre is kiterjednek, központosításra lehet szükség. Ha az adatok az alkalmazásokon belül találhatók, a megosztásukhoz össze kell gyűjtenie azokat.

Adatszabályozás

Az adatok megosztása gyorsan létrehozhat egy minimális működőképes terméket, amelyet az ügyfélbeszélgetésekben használhat. Ahhoz azonban, hogy ezeket a megosztott adatokat hasznos és hasznosítható ismeretekké alakítsa, általában többre van szükség.

A hipotézis adatmegosztással történő ellenőrzése után a fejlesztés következő fázisa általában az adatszabályozás.

Az adatszabályozás egy széles körű témakör, amely saját, dedikált keretrendszert igényelhet, amely kívül esik a felhőadaptálási keretrendszer hatókörén.

Az adatszabályozásnak több aspektusát is figyelembe kell venni, amint érvényesíti az ügyfélhipotézist. Például:

• Bizalmasak a megosztott adatok?Az adatokat az ügyfelek és a vállalat érdekeinek védelme érdekében a nyilvános megosztás előtt osztályozni kell.
• Ha az adatok bizalmasak, biztonságban vannak? A bizalmas adatok védelme elengedhetetlen a demokratizált adatokhoz. Az adatmegoldások biztonságossá tételével kapcsolatos példában ismertetett számítási feladat néhány referenciát tartalmaz az adatok biztonságossá tételéhez.
• Az adatok katalogizálva van? A megosztott adatok jellegének azonosítása a hosszú távú adatkezelésben. Az adatok dokumentálására szolgáló eszközök, például az Azure Data Catalog, megkönnyítik ezt a folyamatot a felhőben. Az adatok megjegyzésekkel való ellátásával és az adatforrások dokumentációjával kapcsolatos útmutatás felgyorsíthatja a folyamatot.

Ha az adatok demokratizálása fontos az ügyfélközpontú hipotézis szempontjából, győződjön meg arról, hogy a megosztott adatok szabályozása szerepel a kiadási tervben. Ez védi az ügyfeleket, az adatfogyasztókat és a vállalatot.

Adatok központosítása

Az adatközpontosítás értelmesebb jelentéskészítéshez vezet, biztosítja, hogy ugyanazok az adatok elérhetők a teljes szervezetben, és növeli a megtérülést. Ha az adatok eloszlanak egy informatikai környezetben, az újítási lehetőségek rendkívül korlátozottak, költségesek és időigényesek lehetnek. A felhő új lehetőségeket kínál az adatok központosítására. Ha több adatforrás központosítása szükséges az ügyfelek empátiával való kiépítéséhez, a felhő felgyorsíthatja a hipotézisek tesztelését.

Figyelemfelhívás

Az adatok központosítása minden innovációs folyamat kockázati pontját jelenti. Ha az adatok központosítása technikai csúcs, és nem az ügyfélérték forrása, javasoljuk, hogy késleltetje a központosítást, amíg az ügyfélhipotézisek ellenőrzése meg nem történik.

Központosításkor szüksége lesz egy megfelelő adattárra a központosított adatokhoz. Érdemes adattárházat létrehozni a felhőben. Ez a méretezhető beállítás központi helyet biztosít az összes adat számára. Ez a megoldástípus online elemzési feldolgozás (OLAP) vagy big data-beállításokban érhető el.

Az OLAP - és big data-megoldások referenciaarchitektúrái segíthetnek kiválasztani a legmegfelelőbb központosítási megoldást az Azure-ban. Ha hibrid megoldásra van szükség, a helyszíni adatok kiterjesztésére szolgáló referenciaarchitektúra is segíthet a megoldásfejlesztés felgyorsításában.

Fontos

Bizonyos ügyféligények és megoldások esetében elég lehet egy egyszerű megközelítés. A felhőmérnöknek meg kell vitatnia a csapatot, hogy fontolja meg az alacsony költségű megoldásokat az ügyfélhipotézis ellenőrzéséhez, különösen a korai fejlesztés során. Az adatgyűjtésről szóló szakasz olyan forgatókönyveket mutat be, amelyek más megoldást javasolhatnak az Ön helyzetére.

Adatok gyűjtése

Az adatgyűjtés két elsődleges formája az integráció és a betöltés.

Integráció: A meglévő adattárban található adatok hagyományos adatáthelyezési technikákkal integrálhatók a központosított adattárba. Ez különösen gyakori a többfelhős adattárolást igénylő forgatókönyvek esetében. Ezek a technikák magukban foglalják az adatok kinyerését a meglévő adattárból, majd betöltik őket a központi adattárba. A folyamat egy bizonyos pontján az adatok általában használhatóbbá és relevánsabbá lesznek alakítva a központi tárolóban.

A felhőalapú eszközök használatalapú fizetéses eszközökké alakították ezeket a technikákat, csökkentve az adatgyűjtés és a központosítás belépési akadályát. Az olyan eszközök, mint a Azure Database Migration Service és a Azure Data Factory, két példa. Az OLAP-adattárral rendelkező Data Factory referenciaarchitektúrája példa erre a megoldásra.

Lenyelés: Egyes adatok nem egy meglévő adattárban találhatók. Ha ezek az átmeneti adatok az innováció elsődleges forrásai, érdemes megfontolni az alternatív megközelítéseket. Az átmeneti adatok számos meglévő forrásból, például alkalmazásokból, API-kból, adatfolyamokból, IoT-eszközökből, blokkláncokból, alkalmazás-gyorsítótárakból, médiatartalmakból vagy akár egybesimított fájlokból is megtalálhatók.

Ezeket a különböző adatformákat integrálhatja egy központi adattárba egy OLAP- vagy big data-megoldásban. A build-measure-learn ciklus korai iterációihoz azonban elegendő lehet egy online tranzakciófeldolgozási (OLTP) megoldás az ügyfélhipotézis érvényesítéséhez. Az OLTP-megoldások nem a legjobb megoldás jelentéskészítési forgatókönyvekhez. Ha azonban az ügyfél-empátiával dolgozik, fontosabb, hogy az ügyfelek igényeire összpontosítson, mint a technikai eszközökkel kapcsolatos döntésekre. Az ügyfélhipotézis nagy léptékű ellenőrzése után szükség lehet egy megfelelőbb platformra. Az OLTP-adattárak referenciaarchitektúrája segíthet meghatározni, hogy melyik adattár a legmegfelelőbb a megoldáshoz.

Virtualizálás: Az adatok integrációja és betöltése néha lelassíthatja az innovációt. Ha már elérhető az adatvirtualizálási megoldás, az ésszerűbb megközelítést jelenthet. A betöltés és az integráció duplikálhatja a tárolási és fejlesztési követelményeket, adatkésést adhat hozzá, növelheti a támadási felületet, minőségi problémákat válthat ki, és növelheti a szabályozási erőfeszítéseket. Az adatvirtualizálás egy modernebb alternatíva, amely az eredeti adatokat egyetlen helyen hagyja, és átmenő vagy gyorsítótárazott lekérdezéseket hoz létre a forrásadatokról.

SQL Server 2017-ben és Azure SQL Data Warehouse egyaránt támogatja a PolyBase-t, amely az Azure-ban leggyakrabban használt adatvirtualizálás megközelítése.

Következő lépések

Az adatok demokratizálására vonatkozó stratégia bevezetése után érdemes lesz kiértékelni az alkalmazásfejlesztés megközelítéseit.

Alkalmazásfejlesztés innovatív alkalmazásokhoz