Daten in Rohform erfassen und für die Verwendung in fortgeschrittenen Analysen und KI strukturieren
/Landing%20Pages/Step-1.png?width=1080&height=1080&name=Step-1.png)
Verlagerung der Daten in die Cloud erwägen
/Landing%20Pages/Step-2.png?width=1080&height=1080&name=Step-2.png)
Mehrstufigen Ansatz in Betracht ziehen
/Landing%20Pages/Step-3.png?width=1080&height=1080&name=Step-3.png)
Metadaten-gesteuerte Methode nutzen
/Landing%20Pages/Step-4.png?width=1080&height=1080&name=Step-4.png)
Automatisierung vorantreiben
/Landing%20Pages/Step-5.png?width=1080&height=1080&name=Step-5.png)
Einhaltung von Vorschriften beachten
Erwägen Sie die Verlagerung Ihrer Daten in die Cloud
Unternehmen müssen ihre heutigen Entscheidungen mit Blick auf die Zukunft treffen. Viel zu lange haben Unternehmen IT-Initiativen gestartet, um dann festzustellen, dass die neuen Entwicklungen schon am ersten Tag veraltet sind. Der Gedanke der Zukunftssicherheit und die Ungewissheit, den Bedarf an Datenvolumen und technologischem Fortschritt vorhersagen zu können, treibt Unternehmen in die Cloud. Die Umstellung auf die Cloud hilft Unternehmen auch dabei, ihr modernes Toolset mit ihrem Ansatz in Einklang zu bringen.
TIPP:
Entwickeln Sie einen Lake in der Cloud, fügen Sie ein paar Tools hinzu, testen und experimentieren Sie. Vergewissern Sie sich, dass das, was Sie entwickeln, für die Produktion geeignet ist. Azure eignet sich hervorragend für den Aufbau einer kleinen Umgebung in der Cloud, die für die Produktion geeignet ist.
/Landing%20Pages/5%20steps%20-%20cloud.png?width=533&height=800&name=5%20steps%20-%20cloud.png)
Ziehen Sie einen mehrstufigen Ansatz in Betracht
Analyse- und KI-Daten müssen für verschiedene Arten von Nutzern auch auf unterschiedlicher Weise zur Verfügung gestellt werden. So benötigen Data Scientists in der Regel nicht bereinigte Rohdaten, während Data Analysts mit konsolidierten, rationalisierten und bereinigten Daten arbeiten möchten. Geschäftsanwender von Visualisierungstools benötigen geregelte semantische Modelle mit dokumentierten Datensätzen.
TIPP:
Ein mehrstufiger Ansatz bedeutet, dass ein Data Lake aus einer Vielzahl von Datenquellen erstellt und dann ein oder mehrere Data Warehouses aus dem Data Lake aufgebaut werden. Semantische Modelle können entweder aus dem Data Lake oder den Data Warehouses für Self-Service-Analysen erstellt werden. Durch diesen mehrschichtigen Ansatz stellen Sie sicher, dass alle, die mit Analysen oder KI arbeiten, dieselben Daten verwenden.
/Landing%20Pages/5%20steps%20-%20layers.png?width=1000&height=1500&name=5%20steps%20-%20layers.png)
Verwenden Sie eine metadatengesteuerte Methode
In einem Bericht von Gartner - "Predicts 2019: Data Management Solutions" - ermutigen die Autoren die Leser zu der strategischen Planungsannahme, dass "bis 2022 Unternehmen, die aktive Metadaten nutzen, um Datenintegrationsprozesse dynamisch zu verbinden, zu optimieren und zu automatisieren, die Zeit bis zur Datenbereitstellung um 30 % reduzieren werden." Gartner erklärt: "Die meisten Unternehmen kämpfen weiterhin mit der Bereitstellung integrierter und kuratierter Daten aus heterogenen Datenquellen für Datenkonsumenten, um ihre Daten- und Analyseanwendungen zu unterstützen."
TIPP:
Das Schreiben von Code zur Extraktion von Daten aus operativen Systemen ist zeitaufwändig, fehleranfällig und bietet außer dem Code keine weitere Dokumentation. Metadatengestützte Methoden generieren automatisch SQL-Code für strukturierte Daten und dokumentieren, woher die Daten stammen. Wenn die Daten bereinigt, zusammengeführt oder in irgendeiner Weise verändert wurden, wird dies ebenfalls dokumentiert.
/Landing%20Pages/5%20steps%20-%20meta.png?width=533&height=800&name=5%20steps%20-%20meta.png)
Automatisierung vorantreiben
Unternehmen erkennen die Vorteile der Datenautomatisierung und gehen dazu über, alles zu automatisieren, was innerhalb des Datenlebenszyklus automatisiert werden kann. Es besteht eine Diskrepanz zwischen den verfügbaren Ressourcen und der Anzahl der Projekte, die die IT-Abteilung zu bewältigen hat. Hinzu kommt die Tatsache, dass Projekte, insbesondere Datenprojekte, immer komplexer werden, und es ist klar, dass sich Unternehmen in einer Zwangslage befinden. Die Automatisierung hilft, das Problem des Ressourcenmangels zu lösen.
TIPP:
Es ist an der Zeit, Worten Taten folgen zu lassen. Unternehmen müssen nicht erst einen vollständigen Business Case und eine ROI-Berechnung für den Einsatz von Analysen und den Aufbau einer unterstützenden Infrastruktur aufstellen, bevor sie loslegen. Sie werden nicht immer im Voraus wissen, welche nützlichen Informationen Sie finden werden, und Sie wissen sicherlich nicht, welche Probleme Sie mit der Datenqualität haben werden. Entscheiden Sie sich für die Automatisierung komplexer, zeitaufwändiger und redundanter Aufgaben.
/Landing%20Pages/5%20steps%20-%20automation.png?width=533&height=800&name=5%20steps%20-%20automation.png)
Beachten Sie die Einhaltung von Vorschriften
Wenn Sie keine Angst (vor Compliance-Problemen für Ihre Daten) haben, werden Sie es bald. Die GDPR gilt in der Europäischen Union seit Mai 2018. Es ist anzunehmen, dass Ende 2018 50 % oder mehr der in der EU ansässigen Unternehmen noch immer nicht konform sind. Datenschutz- und Sicherheitsvorschriften wie HIPAA oder PCI können sich je nach Branche auf Ihre Daten auswirken, und viele erwarten, dass GDPR-ähnliche Vorschriften auf der ganzen Welt eingeführt werden.
TIPP:
Compliance bedeutet heute, dass Sie in der Lage sein müssen, die Datenabfolge und die Zugriffsregeln in Metadaten über die Daten zu dokumentieren, die Sie in Data Lakes und Warehouses zur Verwendung in Analysen und KI abgelegt haben. Der bereits erwähnte mehrstufige vereinfacht dies.
/Landing%20Pages/5%20steps%20-%20compliance.png?width=534&height=800&name=5%20steps%20-%20compliance.png)
