![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/10\/Data-platform-2.0-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NACHRICHTEN \/ DATENBERATUNG<\/p>\n<\/div>
28. Oktober 2020
\nData-Plattformen haben die Art und Weise revolutioniert, wie Marken data speichern, analysieren und nutzen - aber um sie effizienter zu nutzen, m\u00fcssen sie damit beginnen, data governance als Code einzubetten, schreiben Justine Nerce, Data Consulting Director, und Jean-Baptiste Charruey, Manager Data Engineering, bei Artefact.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
W\u00e4hrend sich die globale Wirtschaft von dem ersten Schock des Coronavirus zu erholen beginnt, k\u00f6nnen wir eine Phase der Konsolidierung und Neubewertung durch die Unternehmen erwarten. Der Bedarf an Innovationen ist jedoch ungebrochen, auch wenn die Budgets knapp sind. Die Einf\u00fchrung neuer Produkte und Dienstleistungen ist nach wie vor<\/span> mehr als 25% der Gesamteinnahmen und Gewinne ausmacht<\/span><\/a>.<\/span><\/p>\n \u00a0<\/span><\/p>\n Innovation muss von pr\u00e4zisen, hochwertigen data<\/strong>. Damit dies m\u00f6glich ist, ben\u00f6tigen Unternehmen jedoch eine Grundlage von leicht zug\u00e4ngliches, dokumentiertes und standardisiertes data, auf das Sie zur\u00fcckgreifen k\u00f6nnen<\/strong>. Die Entwicklungszyklen f\u00fcr neue Produkte und Dienstleistungen werden immer k\u00fcrzer und wettbewerbsf\u00e4higer, so dass Unternehmen ihren Ansatz f\u00fcr data weiterentwickeln m\u00fcssen, um mithalten zu k\u00f6nnen.<\/span><\/p>\n \u00a0<\/span><\/p>\n Der Aufstieg des data platform hat den Unternehmen bei der Beschleunigung des Zugangs zum data gute Dienste geleistet, insbesondere denjenigen, die die n\u00e4chste Generation von KI-L\u00f6sungen entwickeln wollen. Es ist jedoch klar, dass Marken heute einen robusteren, effizienteren und qualitativ besseren Ansatz ben\u00f6tigen, um ihre data platforms-F\u00e4lle agnostisch zu machen - wartbar, betriebsbereit und skalierbar f\u00fcr jede cloud-, On-Premise- oder Hybrid-Infrastruktur.<\/strong>.<\/span><\/p>\n \u00a0<\/span><\/p>\n \u00a0<\/span>Unternehmen revolutionieren st\u00e4ndig ihren Umgang mit data, um sich einen Marktvorteil zu verschaffen. Im Laufe der Jahrzehnte sind data-Lagerh\u00e4user - gro\u00dfe Lagerst\u00e4tten mit gefiltertem data - data-Seen gewichen - riesige, zentralisierte Lager mit unraffiniertem rohem data. Doch diese riesigen data-Lager haben sich als unhandlich und schwer zu verwalten erwiesen. Die Vorlaufzeiten verl\u00e4ngerten sich, da es keinen klaren, agilen Prozess gab, um die Entwicklung zu rationalisieren.\u00a0<\/span><\/p>\n Infolgedessen bewegen wir uns von den monolithischen Umgebungen der Vergangenheit hin zu einer st\u00e4rker verteilten data-Architektur, die auf mehreren data platforms basiert. Dabei handelt es sich um eine Reihe von Software und Diensten, die einen data-See umgeben und dazu beitragen, dass der data besser genutzt werden kann. Unternehmen bauen oft mehrere data platforms f\u00fcr jeden Gesch\u00e4ftsbereich und f\u00fcr jedes neue Projekt auf. Dies bietet Entwicklungsteams folgende M\u00f6glichkeiten schnellen Zugang zu den data und den Erkenntnissen, die sie ben\u00f6tigen, um einen neuen Gesch\u00e4ftswert zu schaffen, der ihren aktuellen Bed\u00fcrfnissen gerecht wird<\/strong>.<\/span><\/p>\n Allerdings mit Dezentralisierung f\u00fchrt zu Fragmentierung und Doppelarbeit<\/strong>. Viele Unternehmen investieren viel Zeit und Ressourcen in die Erstellung eines data platform f\u00fcr eine bestimmte Umgebung. F\u00fcr das n\u00e4chste Projekt oder den n\u00e4chsten Anwendungsfall m\u00fcssen sie dann wieder von vorne anfangen, wobei es je nach den technischen Kenntnissen des Teams zu erheblichen Diskrepanzen kommt. Die Kosten multiplizieren sich um ein Vielfaches, da die Teams bei jedem neuen Projekt praktisch bei Null anfangen.<\/span><\/p>\n Ein Gro\u00dfteil der wertvollsten Arbeit, die Unternehmen heute leisten - auch im Zusammenhang mit artificial intelligence - ist abteilungs- und bereichs\u00fcbergreifend. Qualitativ hochwertiges data muss von Teams und verschiedenen data platforms gemeinsam genutzt werden, um sein volles Potenzial auszusch\u00f6pfen. Aber wie k\u00f6nnen Sie die Qualit\u00e4t aufrechterhalten, wenn data einer Reihe von widerspr\u00fcchlichen Richtlinien unterworfen ist? Es muss ein Kompromiss gefunden werden zwischen der M\u00f6glichkeit f\u00fcr die Teams, das data vor Ort anzupassen und zu gestalten, und der Standardisierung des Ansatzes, um eine solide technologische Basis zu schaffen.<\/strong>.\u00a0\u00a0\u00a0<\/span><\/p>\n Ohne ein Bindegewebe zwischen den verschiedenen Bereichen wird data platforms nicht die Qualit\u00e4t data und die Kosteneffizienz liefern, die Marken f\u00fcr eine schnelle Entwicklung ben\u00f6tigen. Zum Gl\u00fcck gibt es einen Weg, ihren Ansatz weiterzuentwickeln. Sie sollten ihre data-Architektur von einer disparaten Ansammlung von data platforms zu dem weiterentwickeln, was <\/strong><\/span>Zhamak Dehghani definiert als \u2018data-Netz\u2019.\u2019<\/a><\/strong>.\u00a0<\/span><\/p>\n Ein data-Netz ist eine Architektur, in der verteilte data platforms, die sich im Besitz unabh\u00e4ngiger funktions\u00fcbergreifender Teams befinden, \u00fcber ein \u2018Netz\u2019 gemeinsamer Richtlinien, Governance und Tools miteinander verbunden sind. Dieser Ansatz bringt Flexibilit\u00e4t und Widerstandsf\u00e4higkeit von data platforms durch die Festlegung einer gemeinsamen Basis, w\u00e4hrend den Teams gleichzeitig die Freiheit gegeben wird, ihre eigene Domain anzupassen<\/strong>.<\/span><\/p>\n \u00a0<\/span><\/p>\n Dieser Ansatz macht aus einem data platform von einem einmaligen Projekt zu einem langfristigen Verm\u00f6genswert<\/strong>, Dadurch werden doppelte Arbeit und unn\u00f6tige Ressourcenverschwendung vermieden. Der Nachteil des data-Netzes ist jedoch, dass die einzelnen Teams viel Arbeit leisten m\u00fcssen, um die Industrialisierung abzuschlie\u00dfen. Das kann zeitaufwendig sein und zu einem Ergebnis f\u00fchren, das alles andere als perfekt ist. Eine Vorlage, die alle Anforderungen an eine produktionsreife L\u00f6sung erf\u00fcllt, ist der Schl\u00fcssel. Doch welche Form sollte diese Vorlage haben?\u00a0<\/span><\/p>\n Die Hauptkomponente ist eine Reihe von gemeinsamen Codes, die f\u00fcr alle data platforms gelten. Dieser \u2018data-Sentinel\u2019 ist eine Mischung aus L\u00f6sungen, die die Behandlung und Analyse des data und den \u00dcbergang zur Industrialisierung erleichtern. Seine Aufgabe ist es, alle data-Fl\u00fcsse - wie die Sammlung von Metadata und die Bereinigung - durch die Entwicklung von Modulen rund um die data-Qualit\u00e4t und -Dokumentation zu \u00fcberwachen und zu rationalisieren.<\/strong>.<\/span><\/p>\n Ein data Sentinel befreit data-Teams und -Spezialisten von den allt\u00e4glichen und sich wiederholenden Aufgaben der data-Verwaltung. Stattdessen k\u00f6nnen sie Konzentration auf strategischere und innovativere Aufgaben, die neue Werte f\u00fcr das Unternehmen schaffen<\/strong>.\u00a0<\/span><\/p>\n Das Herzst\u00fcck von data Sentinel, data governance als Code, sollte fest in das Plattformdesign eingebettet und bei jedem neuen Anwendungsfall weitergef\u00fchrt werden. Dank data governance als Code ist data von Anfang an \u201cEigentum\u201d, von hoher Qualit\u00e4t, dokumentiert, gesichert und konform sowie \u00fcber data-Modelle im gesamten Unternehmen leicht zug\u00e4nglich.<\/strong>.<\/span><\/p>\n Data-Plattformen sollten sein sich entwickelnde Produkte<\/strong>, gedacht f\u00fcr data-Aktivierung und schnellen Gesch\u00e4ftswert<\/strong>. Wenn sie f\u00fcr verschiedene Anwendungsf\u00e4lle und Anforderungen gemeinsam genutzt werden, sie machen Innovationen und Erfindungen schneller und kosteng\u00fcnstiger<\/strong>. In der Tat kann die Gegenseitigkeit von Diensten die Implementierungsgeschwindigkeit um 40% senken und den Abteilungen helfen, Mehrwert zu schaffen, indem sie die data Qualit\u00e4t und Vielfalt bieten, die sie f\u00fcr ihre Anwendungsf\u00e4lle ben\u00f6tigen.<\/strong>.<\/span><\/p>\n Unternehmen m\u00fcssen st\u00e4ndig neue Anwendungsf\u00e4lle und Produkte entwickeln, vor allem in der gegenw\u00e4rtigen Situation. Ein auf Gegenseitigkeit beruhender data governance-als-Code-Ansatz bietet einen End-to-End-Prozess, mit dem sie diese Anwendungsf\u00e4lle wirklich industrialisieren k\u00f6nnen. Qualitativ hochwertige, genaue data k\u00f6nnen \u00fcber eine robuste, hochgradig schablonenhafte L\u00f6sung problemlos zwischen Projekten und Teams ausgetauscht werden. Es wird keine Zeit verschwendet, wenn ein neuer Einblick in ein neues Produkt ben\u00f6tigt wird.<\/strong>.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n Technologie allein ist nicht genug. Damit das data platform funktioniert, m\u00fcssen Sie einen Ansatz w\u00e4hlen, der iterativ und transversal ist. Nur so wird Innovation in Ihrem Unternehmen zum Alltag.<\/strong><\/p>\n Erstmals ver\u00f6ffentlicht von ITPortal.de<\/a><\/p>\n<\/div><\/div><\/div><\/div><\/div>Der Aufstieg und Fall des data platform<\/b><\/h4>\n
Geben Sie das Netz data ein\u00a0<\/b><\/h4>\n
Innovation allt\u00e4glich machen<\/b><\/h4>\n
![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/06\/Global-Newsletter-Data-Digest_LinkedIn_600x315_april-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>