Data Management Moderne Datenverwaltung mit der Data-Fabric-Architektur

Anbieter zum Thema

Precisely Software GmbH

netfiles GmbH

Cloudgermany.de GmbH

STACKIT GmbH & Co. KG

Mit dem exponenziellen Wachstum von Daten steigt die Komplexität der Verwaltung und Nutzung dieser für KI und Analysen. In den meisten Unternehmen werden Daten in verschiedenen Systemen und Formaten gesammelt, was zu einer Isolierung und Unzugänglichkeit der Daten führt. Dies erschwert einen effizienten Datenzugriff und eine effiziente Datenverwaltung sowie verwertbare Erkenntnisse.

Was ist Data Fabric?

Data Fabric ist eine moderne Datenarchitektur, die den nahtlosen Datenzugriff, die gemeinsame Nutzung und die Verwaltung von Daten in Unternehmen ermöglicht. Data Fabric ist keine eigenständige Lösung, sondern besteht aus Komponenten, die zusammenarbeiten, um Empfehlungen für die Datenverwaltung zu geben. Mithilfe einer Kombination aus Datenintegrationstechniken, Metadatenverwaltungspraktiken und anderen spezialisierten Datenverwaltungstools werden Empfehlungen und Datenprodukte durch Automatisierung, Aktivierung und KI/ML-Analyse von Metadaten dynamisch durch die Data Fabric generiert.

Ein Datenprodukt ist ein wiederverwendbarer Satz von Daten, Metadaten, Semantik und Vorlagen, die so kuratiert und gepflegt werden, dass sie für bestimmte Geschäftsziele unmittelbar nützlich sind. Eine Data Fabric bietet mehrere wichtige Vorteile für das Datenmanagement:

• Beschleunigung von Analysen und Entscheidungsfindungsprozessen durch Verbesserung der Datenverfügbarkeit durch nahtlose Datenintegration und -abfrage in unterschiedlichen Umgebungen.

• Sicherstellen von konsistenten, qualitativ hochwertigen Daten, um Innovationen zu fördern und Unternehmen durch fortschrittliche Analysen und maschinelles Lernen einen Wettbewerbsvorteil in ihren Märkten zu ermöglichen.

• Erhebliche Verbesserung der Datenverwaltung und -sicherheit durch einen einheitlichen Rahmen für die Verwaltung von Datenrichtlinien, Compliance und Qualität über alle Datenpunkte hinweg.

Herausforderungen der Data Fabric

Eine Data Fabric ermöglicht es, schneller auf Marktveränderungen und Kundenbedürfnisse zu reagieren, und fördert so eine größere geschäftliche Flexibilität. Laut Gartner verfügen jedoch weniger als 10 bis 15 Prozent der Unternehmen über die nötige Metadatenreife, um eine Architektur erfolgreich zu implementieren.

Folgende Herausforderungen müssen bewältigt werden, um den Erfolg einer Data-Fabric-Architektur zu beschleunigen:

Mangel an automatisierter Datenintegration: Um eine moderne Data-Fabric-Architektur aufzubauen, benötigen Unternehmen Zugriff auf Daten aus ihrer gesamten Unternehmenslandschaft, einschließlich Daten aus lokalen Legacy-Systemen und Daten, die in einem logischen Data Warehouse oder Data Lake gespeichert sind. Ohne Zugriff auf alle kritischen und relevanten Daten weisen die Daten, die aus einer Data Fabric hervorgehen, Lücken auf, die die für Innovationen, Risikominderung oder die Verbesserung der betrieblichen Effizienz erforderlichen Geschäftseinblicke verzögern.

Mangelnde Reife von Metadaten: Metadaten sind die Art und Weise, wie Menschen mit Maschinen sprechen und wie Maschinen mit Maschinen sprechen. Jedes Mal, wenn Daten berührt werden, entstehen weitere Metadaten, was eine zeitnahe und umfassende Verwaltung in einem komplexen Datenökosystem erschwert. Im Gegensatz zu herkömmlichen Metadaten, die in der Regel statische Attribute und Eigenschaften von Daten beschreiben (zum Beispiel Datentyp, Größe und Erstellungsdatum), gehen aktive Metadaten einen Schritt weiter, indem sie aktiv an Datenverwaltungsprozessen und -workflows teilnehmen und deren Verhalten beeinflussen – und so Erkenntnisse in Echtzeit liefern und betriebliche Entscheidungen beeinflussen. Ohne einen automatisierten und KI-gesteuerten Ansatz zum Sammeln, Profilieren, Markieren und Beobachten von Metadaten wird die Aktivierung von Metadaten unvollständige, veraltete oder falsche Datenempfehlungen hervorbringen – was zu einem Mangel an Vertrauen bei den Datenkonsumenten und zu einem Mangel an Akzeptanz und Vertrauen in den Ansatz selbst führt.

Fehlende Governance: Da die Datenstruktur auf Metadaten basiert, kann es schwierig sein, sie erfolgreich zu implementieren, wenn kein geschäftsfreundlicher Rahmen vorhanden ist, der die Bedeutung, das Eigentum und die Verantwortlichkeiten definiert und die Datenrichtlinien und -prozesse klar festlegt. Ohne dieses Verständnis ist die Verantwortung für die Prozesse, die mit dem Zustand, der Qualität und der Pflege der Daten in der Data Fabric zusammenhängen, unklar. Um das Risiko zu vermeiden, sensible Daten preiszugeben oder gegen Vorschriften oder Vereinbarungen zu verstoßen, die kostspielig und schädlich für ein Unternehmen wären, müssen Unternehmen die Datennutzung und die Einhaltung der Vorschriften genau überwachen.

Fehlender Self-Service-Zugriff auf Daten: Eine Data Fabric ermöglicht einen umfassenden, konsistenten Datenzugriff im gesamten Unternehmen - unabhängig davon, wo sich die Daten befinden. Dies erfüllt die Anforderungen von Dateneigentümern, die eine einfache Möglichkeit benötigen, Datenprodukte für Benutzer verfügbar zu machen und auf dem neuesten Stand zu halten, und von Datennutzern, die benutzerfreundliche Self-Service-Methoden für das Auffinden und den Zugriff auf vertrauenswürdige Daten verlangen.

Vorbereitungen für den Erfolg der Data Fabric

Um das für eine erfolgreiche Data-Fabric-Architektur erforderliche Maß an Datenintegrität zu erreichen, müssen Unternehmen ihre aktuelle Datenlandschaft umfassend bewerten.

Im Folgenden sind vier Aspekte eines Datenmanagement-Ansatzes gelistet, die Unternehmen berücksichtigen sollten, um den Erfolg einer Architektur zu steigern:

• Aufbrechen von Datensilos, indem Unternehmen die Integration wichtiger Daten - von älteren Mainframes und Midrange-Systemen, Datenbanken, Anwendungen und mehr - in ihr logisches Data Warehouse oder Data Lake automatisieren.

• Erhöhen der Reife von Metadaten. Unternehmen müssen in der Lage sein, die am häufigsten verwendeten Daten kontinuierlich zu katalogisieren, zu profilieren und zu identifizieren. Die Implementierung von Tools zur Datenbeobachtung, die maschinelles Lernen und proaktive Warnmeldungen nutzen, um Unternehmen über Metadatsänderungen zu informieren, die sich auf Dateneinblicke oder -ergebnisse auswirken könnten, ist unerlässlich.

• Etablieren robuster Data-Governance-Richtlinien und -Praktiken, um Datenqualität, Sicherheit und Compliance zu gewährleisten. Unternehmen müssen Sichtbarkeit, Verantwortlichkeit und Zuständigkeit für Datenzugriff, Richtlinien, Qualität und erweiterte Geschäftsmetadaten festlegen, um sicherzustellen, dass ihre Daten korrekt, konsistent und für den Zweck geeignet sind.

• Ebnen eines benutzerfreundlichen Weges, um Daten und Datenprodukte für Benutzer verfügbar zu machen und auf dem neuesten Stand zu halten. Und wenn ein Ziel der Data Fabric darin besteht, die Erstellung relevanter Datenprodukte zu unterstützen, müssen die Benutzer eine einfache Möglichkeit haben, vertrauenswürdige Daten für verwertbare Erkenntnisse und datengesteuerte Entscheidungen zu finden.

Mit diesen wichtigen Funktionen sind Unternehmen auf dem Weg zu einer erfolgreichen Data-Fabric-Architektur, die eine datenzentrierte Kultur in Unternehmen fördert und es ermöglicht, einen höheren Geschäftswert zu erzielen.

(ID:50242802)