Dela via

Integrera analys i molnskala i din strategi för molnimplementering

  • Artikel

Skapa en enda, centraliserad molnimplementeringsstrategi för din organisation med hjälp av strategimetoden i Azures Cloud Adoption Framework. Om du inte redan har registrerat din strategi för molnimplementering använder du strategi- och planmallen för att göra det.

Den här artikeln innehåller överväganden för analysscenarier i molnskala som påverkar din bredare strategi.

Innan du implementerar analys i molnskala måste du ha en plan för din datastrategi. Du kan börja litet med ett enskilt användningsfall, eller så kan du ha en mycket större uppsättning användningsfall som kräver prioritering. Genom att ha en strategi kan du upprätta dina processer och starta inledande konversationer om pelare som du behöver fokusera på.

Prioritera affärsresultat för din datastrategi

Genom att ha en lyckad datastrategi får du en konkurrensfördel. Du bör alltid anpassa din datastrategi till önskade affärsresultat. De flesta affärsresultat kan klassificeras i någon av följande fyra kategorier:

  • Ge dina anställda: Ge personalen realtidskunskaper om kunder, enheter och datorer. Den här kunskapen hjälper dem att effektivt samarbeta för att möta kundernas eller företagens behov med flexibilitet.

  • Kontakta kunder: Leverera en rik, personlig och ansluten upplevelse inspirerad av ditt varumärke. Utnyttja kraften i data och insikter för att öka kundlojaliteten under varje steg i en kundresa.

  • Optimera åtgärder: Öka informationsflödet i hela organisationen. Synkronisera dina affärsprocesser och använd en datadriven metod för att göra varje interaktion värdefull.

  • Transformera dina produkter och utvecklingslivscykel: Samla in telemetridata om dina tjänster och erbjudanden. Använd telemetridata för att prioritera en version eller skapa en ny funktion och utvärdera effektiviteten och implementeringen kontinuerligt.

När du har prioriterat dina affärsresultat undersöker du dina aktuella projekt och långsiktiga strategiska initiativ och klassificerar dem därefter. Överväg att kombinera de fyra kategorierna av affärsresultat i ett matrisformat som baseras på komplexitet och påverkan. Överväg också att lägga till arkitekturpelare som hjälper dig att fördjupa dig i ditt scenario.

Låsa upp strategiskt värde

Att skapa en datadriven kultur som driver verksamheten framåt på ett konsekvent, framåtblickande, agilt och välinformerat sätt har vissa inneboende komplexiteter och grundrealiteter. Innan du går in i distributionsfasen fokuserar du arbetet på att skapa en sammanhängande datastrategi som kan hjälpa dig att uppnå önskade affärsresultat.

Analys i molnskala är anpassade till innovationsfokuserade motiv. Följande vanliga faktorer motiverar kunderna att integrera det här scenariot i sin strategi för molnimplementering:

  • Ett skalbart analysramverk som gör att du kan skapa en företagsdataplattform
  • Självbetjäning, som ger användare möjlighet att utforska data, skapa datatillgång och produktutveckling
  • En dataledd kultur med återanvändbara datatillgångar, datagrupper, säkert utbyte från tredje part och delning på plats
  • Dela data med förtroende, använda principer, gemensam identitet, konfidentialitet och kryptering
  • Förbättrade kundupplevelser och engagemang
  • Omvandling av produkter eller tjänster
  • Marknadsstörningar med nya produkter eller tjänster

Följande diagram innehåller viktiga teman som hjälper dig att förverkliga dessa motiv i din egen strategi. Analysera dessa teman noggrant och hur de bidrar till en sammanhängande datastrategi. Tänk också på hur de kan låsa upp dina datas strategiska värde, vilket möjliggör konsekvent affärstillväxt.

Diagram som visar de viktigaste temana för ökad effektivitet, datademokratisering och styrning.

"En datastrategi är grunden för att använda data som en tillgång och driva verksamheten framåt. Det är inte ett korrigeringsjobb för dataproblem. Det är en långsiktig, vägledande plan som definierar de personer, processer och teknik som ska införas för att lösa datautmaningar."

Att skapa din strategi är ett steg. Att köra din strategi i företagsskala är en stor utmaning för din organisations befintliga kultur, människor, processer och teknikval. Körningen kräver åtagande och tydligt ägarskap på alla nivåer i din organisation.

Ökad effektivitet

Molnets flexibilitet kräver att organisationer anpassar sig snabbt och ger effektivitet till alla verksamhetsområden. Enligt rapporten om nya risker från Gartner, trots att organisationer fortsätter att fokusera på och investera i digitala initiativ, visar två tredjedelar av dessa organisationer företagsbrister och misslyckas med att uppfylla förväntningarna, även om de fortsätter att fokusera på och investera i digitala initiativ,

Operationalisera datahantering

Många organisationer har långsamt decentraliserat central IT för att möjliggöra flexibilitet. Organisationer vill förnya sig snabbt, och att ha åtkomst till företagsomfattande enhetliga data på ett självbetjäningssätt hjälper dem att uppfylla utmanande affärskrav.

Det finns många orsaker till varför företag inte kan utnyttja datas fulla potential. Det kan bero på att affärsfunktioner fungerar i silor, där varje team använder olika verktyg och standarder för dataanalys. Eller så kan det bero på att det inte går att koppla viktiga prestandaindikatorer till övergripande affärsmål.

Datademokratisering hjälper dig att leverera värde tillbaka till verksamheten och uppnå utmanande affärstillväxtmål.

  • Förstå och prioritera dina LOB-behov.
  • Distribuera dina data mellan domäner för att möjliggöra ägarskap och föra data närmare användarna.
  • Distribuera dataprodukter med självbetjäning för att skapa insikter och affärsvärde.

För datastyrning måste du hitta en lämplig balans i den decentraliserade världen av en datademokratisering. Om du tillämpar styrningen för strikt kan du kväva innovationen. Men om du inte har åtminstone några grundläggande principer och processer på plats kommer du sannolikt att få datasilor. Dessa silor kan skada organisationens rykte och potentiella intäkter. En holistisk datastyrningsmetod är grundläggande för att du ska kunna låsa upp det strategiska värdet av dina data på ett konsekvent sätt.

Avsaknaden av en genomtänkt datastrategi leder till ett behov av att bara "komma igång" och snabbt börja ge värde till din organisation. Åtgärda aktuella affärsproblem genom att agera på de tidigare nämnda huvudteman eller använda dem som strategiska principer inom en ram. Med hjälp av dessa viktiga teman kan du också skapa en holistisk datastrategi som är iterativ med validering, men ändå ge resultat i tid. Företags- och teknikledare måste utveckla de strategier och tankesätt som krävs för att generera värde från data och snabbt skala på ett förenklat och strukturerat sätt

Mer information finns i Vad är datastyrning?.

Utveckla en datadriven kultur

För att skapa en lyckad datastrategi behöver du en datadriven kultur. Utveckla en kultur som konsekvent främjar ett öppet och samarbetsinriktat deltagande. I den här typen av kultur kan hela personalen lära sig, kommunicera och förbättra organisationens affärsresultat. Att utveckla en datadriven kultur förbättrar också varje medarbetares förmåga att generera påverkan eller påverkan som backas upp av data.

Resans startpunkt beror på din organisation, din bransch och din aktuella plats längs mognadskurvan. Följande diagram visar ett exempel på en mognadsmodell som beskriver mognadsnivåerna för en organisations AI-användning:

Diagram över en organisations mognad som utvecklas.

Nivå 0

Data utnyttjas inte programmatiskt och konsekvent. Organisationens datafokus är ur ett programutvecklingsperspektiv.

På nivå 0 har organisationen ofta oplanerade analysprojekt. Varje program är mycket specialiserat på unika data och intressentbehov. Varje program har också betydande kodbaser och ingenjörsteam, med många tekniker utanför IT. Användningsfallsaktivering och analys är siloade.

Nivå 1

På nivå 1 håller team på att bildas och strategi skapas, men analyserna är fortfarande avdelningsbaserade. Organisationen brukar vara bra på traditionell datainsamling och analys. Det kan ha en viss nivå av engagemang för en molnskalningsmetod. Den kanske till exempel redan har åtkomst till data från molnet.

Nivå 2

Organisationens innovationsplattform är nästan klar. Arbetsflöden finns på plats för att hantera datakvaliteten. Organisationen kan besvara några "varför"-frågor.

På nivå 2 söker organisationen aktivt efter en datastrategi från slutpunkt till slutpunkt som använder centralt styrda datasjölager för att kontrollera datalagrets spridning och förbättra dataidentifieringen. Organisationen är redo för smarta program som för beräkning till centralt styrda datasjöar. Dessa smarta program minskar integritetsrisker, beräkningskostnader och behovet av federerade kopior av viktiga data.

På den här nivån är organisationen också redo att använda multitenanta, centralt värdbaserade, delade datatjänster för vanliga databehandlingsuppgifter. Dessa delade datatjänster möjliggör snabba insikter från datavetenskapsdrivna underrättelsetjänster.

Level 3

Organisationen använder en holistisk datametod. Projekt som rör data är integrerade i affärsresultat. Organisationen använder analysplattformar för att göra förutsägelser.

På nivå 3 låser organisationen upp digital innovation ur både dataegendoms- och programutvecklingssynpunkt. Grundläggande datatjänster finns på plats, inklusive datasjöar och delade datatjänster.

Flera team i organisationen levererar framgångsrikt på kritiska affärsarbetsbelastningar, viktiga affärsanvändningsfall och mätbara resultat. Nya delade datatjänster identifieras med hjälp av telemetri. IT är en betrodd rådgivare till team i hela företaget som använder en betrodd och ansluten datastrategi från slutpunkt till slutpunkt för att förbättra kritiska affärsprocesser.

Nivå 4

På nivå 4 använder hela organisationen ramverk, standardföretag och en datadriven kultur. Automatisering, datadrivna feedbackslingor och expertcenter kring analys eller automatisering kan observeras i praktiken.

Utveckla affärsanpassade mål

Att identifiera prioriteringar i linje med affärsvisionen och hålla en "tänk stor, börja litet och agera snabbt" ideologi är nycklar för framgång. Att plocka upp rätt användningsfall behöver inte alltid vara en tidskrävande, svår granskningsprocess. Det kan vara ett pågående problem i alla affärsenheter där det finns tillräckligt med data för att verifiera avkastningen på investeringar, mer aptit och enkelt inköp. Saker och ting kan gå snabbt, och det är där de flesta i organisationen kan kämpa för att komma igång.

Förstå dataattribut

Om du vill skapa en stark datastrategi måste du förstå hur data fungerar. Genom att känna till datas grundläggande egenskaper kan du skapa en principfast metod för att hantera data.

Data färdas snabbt, men dess hastighet kan inte trotsa fysikens lagar. Data måste överensstämma med lagstiftningen i marken och den bransch som skapade den.

Data ändras inte på egen hand, men de är känsliga för ändringar och oavsiktliga förluster om du inte inför åtgärder för att minimera sådana utmaningar. Vidta åtgärder mot korruption för kontroller, databaser och lagring så att du kan hantera oförutsedda ändringar. Se också till att du har konfigurerat övervakning, granskningar, aviseringar och underordnade processer.

På egen hand genererar inte data några insikter eller ger något värde. För att få insikter eller extrahera värde måste du placera de flesta eller alla dina data i fyra diskreta steg:

  1. Datainmatning
  2. Storage
  3. Bearbetar
  4. Analys

Vart och ett av dessa fyra steg har sina egna principer, processer, verktyg och tekniker.

Att undanhålla dina datatillgångar och relaterade insikter kan påverka socioekonomiska beslut, politiska beslut, forskning och investeringsbeslut. Det är viktigt att din organisation kan ge insikter på ett säkert och ansvarsfullt sätt. Alla data som du genererar eller hämtar måste genomgå en dataklassificeringsövning om inget annat uttryckligen anges. Kryptering är guldstandarden för hantering av konfidentiella data både i vila och under överföring.

Data, program och tjänster har alla sina egna gravitationskrafter, men datahämtningen är den största. Till skillnad från Sir Isaac Newtons legendariska äpple har data ingen fysisk massa som påverkar omgivande objekt. Den har i stället svarstid och dataflöde, som fungerar som acceleratorer för din analysprocess. Svarstid, dataflöde och enkel åtkomst kräver ofta att du duplicerar data, även om det inte är önskvärt. Konfigurera personer, processer, verktyg och tekniker på rätt sätt så att du kan balansera sådana krav med organisationens dataprinciper.

Arkitekturkonstruktioner styr hur snabbt du kan bearbeta data. Konstruktioner underlättas genom innovationer inom programvara, maskinvara och nätverk. Några arkitekturöverväganden är:

  • Konfigurera datadistribution
  • Partitionering
  • Cachetekniker
  • Batch- eller dataströmbearbetning
  • Balansera bearbetning på serversidan och klientsidan

Definiera din datastrategi

Att använda data som en konkurrensfördel för att skapa bättre produkter och tjänster med högre värde är inget nytt. Men volymen, hastigheten och variationen av data som molnbaserad databehandling har aktiverat är.

Utformningen av en modern dataanalysplattform i molnet består av säkerhet, styrning, övervakning, skalning på begäran, dataåtgärder och självbetjäning. Att förstå samspelet mellan dessa aspekter är det som skiljer en bra datastrategi från en bra strategi. Använd verktyg som Cloud Adoption Framework för att säkerställa arkitekturens sammanhållbarhet, integritet och bästa praxis.

För att vara effektiv måste din datastrategi innehålla bestämmelser för datastyrning. Följande diagram visar de viktigaste stegen i en datalivscykel med fokus på datastyrning:

Diagram över en datalivscykel.

I följande avsnitt beskrivs överväganden som du bör använda när du bestämmer dig för datastrategins lager för designprinciper. Fokusera på att leverera affärsresultat och värde från dina data.

Datainhämtning

Ett viktigt övervägande för datainmatning är din förmåga att snabbt skapa en datapipeline på ett säkert och kompatibelt sätt, från krav hela vägen till produktion. Viktiga element är metadatadrivna tekniker, självbetjäningstekniker och lågkodstekniker som återfuktar din datasjö.

När du skapar pipelines bör du överväga både design och din förmåga att omvandla data, distribuera data och skala beräkning. Du måste också se till att du har rätt DevOps-stöd för pipelinens kontinuerliga integrering och leverans.

Verktyg som Azure Data Factory stöder en mängd lokala datakällor, SaaS-datakällor (programvara som en tjänst) och andra datakällor från andra offentliga moln.

Storage

Tagga och organisera dina data i både fysiska och logiska lager. Datasjöar är en del av alla moderna dataanalysarkitekturer. Din organisation måste tillämpa lämpliga krav på datasekretess, säkerhet och efterlevnad som uppfyller alla krav på dataklassificering och branschefterlevnad som du arbetar under. Katalogisering och självbetjäning hjälper till att demokratisera data på organisationsnivå, vilket underblåser din innovation samtidigt som den styrs av lämplig åtkomstkontroll.

Välj rätt lagring för din arbetsbelastning. Även om du inte får lagringen exakt korrekt första gången kan du i molnet redundansväxla snabbt och starta om din resa. Använd dina programkrav för att välja den bästa databasen. Tänk på att du kan bearbeta batch- och strömmande data när du väljer din analysplattform.

Databearbetning

Dina databehandlingsbehov varierar för varje arbetsbelastning. De flesta storskaliga databearbetningar innehåller element av både realtids- och batchbearbetning. De flesta företag har också delar av tidsseriebearbetningskrav och ett behov av att bearbeta friformstext för företagssökningsfunktioner.

Online transaction processing (OLTP) tillhandahåller de mest populära kraven på organisationsbearbetning. Vissa arbetsbelastningar behöver specialiserad bearbetning som databehandling med höga prestanda (HPC), som ibland kallas "stor beräkning". Dessa arbetsbelastningar löser komplexa matematiska uppgifter med hjälp av många CPU- eller GPU-baserade datorer.

För vissa specialiserade arbetsbelastningar kan kunder skydda körningsmiljöer som konfidentiell databehandling i Azure, vilket hjälper användarna att skydda data medan data används på offentliga molnplattformar. Det här tillståndet krävs för effektiv bearbetning. Data skyddas i en betrodd körningsmiljö (TEE), även kallat en enklav. En TEE skyddar kod och data mot visning och modifiering utifrån. Med tees kan du träna AI-modeller utan att offra datakonfidentialitet, även om du använder datakällor från olika organisationer.

Analytisk bearbetning

Konstruktionen för extrahering, transformering, inläsning (ETL) relaterar till OLAP (Online Analytical Processing) och datalagerhanteringsbehov. En affärsanpassad datamodell och en semantisk modell som gör det möjligt för organisationer att implementera affärsregler och KPI:er (Key Performance Indicators) implementeras ofta som en del av analysprocessen. En användbar funktion är automatisk identifiering av schemaavvikelser.

Sammanfattning av datastrategi

Att ha en principfast metod för andra överväganden, till exempel datastyrning och ansvarsfull AI, ger utdelning senare.

På Microsoft följer vi fyra huvudprinciper: rättvisa, tillförlitlighet och säkerhet, sekretess och säkerhet samt inkludering. De två grundläggande principerna om öppenhet och ansvarsskyldighet ligger till grund för alla fyra huvudprinciperna.

Vi omsätter våra principer och ansvarsfull AI i praktiken genom att utveckla resurser och ett styrningssystem. Några av våra riktlinjer behandlar interaktion mellan människa och AI, konversations-AI, inkluderande design, en checklista för AI-rättvisa och ett datablad för datamängder.

Vi har också utvecklat en uppsättning verktyg som hjälper andra att förstå, skydda och kontrollera AI i alla skeden av innovationen. Dessa verktyg är ett resultat av tvärvetenskapliga samarbetsinsatser för att stärka och påskynda ansvarsfull AI. Samarbetet har omfattat programvaruutveckling, samhällsvetenskap, användarforskning, juridik och policy.

För att förbättra samarbetet har vi många verktyg med öppen källkod som InterpretML och Fairlearn. Andra kan bidra till och bygga vidare på dessa öppen källkod verktyg. Vi demokratiserade också verktyg via Azure Machine Learning.

Pivoten för att bli en datadriven organisation är grundläggande för att leverera konkurrensfördelar i det nya normala. Vi vill hjälpa våra kunder att gå från en programbaserad metod till ett program och en dataledd metod. En metod som fokuserar på program och data bidrar till att skapa en datastrategi från slutpunkt till slutpunkt som säkerställer repeterbarhet och skalbarhet i aktuella och framtida användningsfall som påverkar affärsresultat.

Diagram över upplåsning av digital innovation.

Främja engagemang, kommunikation och engagemang

Alla viktiga roller som ingår i att göra din datastrategi till en framgång måste tydligt förstå din antagna metod och vanliga affärsmål. Dina nyckelroller kan vara en ledningsgrupp (C-nivå), affärsenheter, IT, drift och leveransteam.

Kommunikation är en av de viktigaste delarna i det här ramverket. Din organisation måste utforma en process för effektiv kommunikation mellan roller. Kommunikation hjälper dig att leverera effektivt i samband med ditt aktuella projekt. Det upprättar också ett forum som hjälper alla inblandade att hålla sig i linje, uppdaterade och fokuserade på det övergripande målet att skapa en holistisk datastrategi för din framtid.

Engagemang är viktigt mellan följande två grupper:

  • Teammedlemmar som utformar och implementerar datastrategin
  • Teammedlemmar som bidrar till, förbrukar och utnyttjar data (till exempel affärsenheter som fattar beslut och skapar resultat baserat på data)

För att uttrycka det på ett annat sätt kan datastrategier och associerade dataplattformar som skapas utan användarengagemang riskera utmaningar i relevans och implementering.

Två strategiska processer hjälper dig att leverera framgångsrikt i det här ramverket:

  • Bildandet av ett centrum för excellens
  • Införande av en flexibel leveransmetod

Mer information finns i Utveckla en plan för analys i molnskala.

Leverera värde

När du levererar dataprodukter mot framgångskriterierna på ett standardiserat och strukturerat sätt validerar leveransen ditt iterativa ramverk. Genom att använda din inlärning för att kontinuerligt förnya kan du dessutom skapa affärsförtroende och bredda datastrategimålen. Den här processen ger en tydligare och snabbare implementering i hela organisationen.

Samma sak gäller för din dataplattform. När du har en konfiguration där flera team arbetar ganska självständigt bör du köra mot ett nät. Att komma dit är en iterativ process. I många fall kräver det betydande ändringar i organisationens konfiguration, beredskap och affärsanpassning

Nästa steg

Läs följande artiklar för att hitta vägledning för din molnimplementeringsresa och göra ditt molnimplementeringsscenario framgångsrikt: