Intelligente Entscheidungsfindung: Der beste Weg nach vorn Teil 2

Teil 2: Sie brauchen kompatible Daten und Analysen

In meinem ersten Blog zum Thema "Engineered Decision Intelligence" habe ich erläutert, was dieses Konzept bedeutet und warum Sie es brauchen, und dann bin ich auf die Empfehlung von Gartner eingegangen, Decision Intelligence-Tools mit einer gemeinsamen Datenstruktur zu verbinden. Aber es gab noch einen zweiten Ratschlag von Gartner: Sie brauchen kompatible Daten und Analysen. Das ist das Thema, das ich dieses Mal behandeln werde.

Was sind kompatible Daten und Analysen?

Bei der Kompatibilität geht es um die Verwendung von Komponenten, die zusammenarbeiten, obwohl sie aus verschiedenen Daten-, Analyse- und KI-Lösungen stammen.* Durch die Kombination von Komponenten können Sie laut Garner ein flexibles, Nutzer und Nutzer Erlebnis schaffen. Es gibt viele Arten von Analysetools, und der Zweck und der Wert, den sie liefern, ist sehr unterschiedlich. Die Kombinierbarkeit ermöglicht es Ihnen, deren Ergebnisse zu kombinieren, um neue, leistungsstarke Erkenntnisse zu gewinnen.

4 Wege, wie ein modernes Data Warehouse kompatible Daten und Analysen besser unterstützen kann

Ein modernes Data Warehouse sollte eine Plattform bieten, die es den verschiedenen Nutzern im Unternehmen ermöglicht, alles, überall und jederzeit zu analysieren und dabei jede beliebige Kombination von Komponenten zu verwenden. Hier sind ein paar Tipps für die "Anordnung".

1. Erweitern Sie das Data Warehouse mit transaktionalen und Edge Data Processing Funktionen

In der Vergangenheit gab es eine klare Unterscheidung zwischen einer Transaktionsdatenbank und einem Data Warehouse. Eine Transaktionsdatenbank verfolgte und verarbeitete Geschäftstransaktionen. Ein Data Warehouse hingegen analysierte historische Daten. Die modernen Anforderungen an Real-Time-Insights haben diese ehemals getrennten Welten jedoch immer näher zusammenrücken lassen - bis zu dem Punkt, an dem heute eine starke Nachfrage nach gemischten Workloads besteht, die Transaktionsverarbeitung und Analysen kombinieren. Dies zeigt sich in einer Reihe von Anwendungsfällen, von automatisierten personalisierten E-Commerce-Angeboten und Echtzeit-Angeboten für Versicherungen bis hin zu Kreditgenehmigungen und Portfoliomanagement, um nur einige zu nennen.

Ebenso suchen Entscheidungsträger nach Möglichkeiten, mit den Daten aus ihren Milliarden vernetzter mobiler und Internet-of-Things-GeräteIoT) schneller zu handeln. Vorausschauende Wartung, Bestandsmanagement in Echtzeit, Produktionseffizienz und Servicebereitstellung sind nur einige der vielen Bereiche, in denen Echtzeitanalysen zu IoT einem Unternehmen helfen können, Kosten zu senken und zusätzliche Einnahmen zu erzielen.

Echtzeit-Transaktionsanalysen und durch künstliche Intelligenz ermöglichte Erkenntnisse aus IoT werden in vielen Unternehmen wahrscheinlich eine immer wichtigere Rolle spielen. Was wir heute sehen, ist nur der Anfang der kommenden Nutzen . Die Realisierung größerer Vorteile wird von der Fähigkeit eines Unternehmens abhängen, verschiedene Daten für Lösungen zur Entscheidungsfindung bereitzustellen.

2. Jede Datenquelle jederzeit einbinden

Die Echtzeitanforderungen an die technische Entscheidungsfindung bedeuten, dass sich Analysetools nicht mehr ausschließlich auf historische Daten verlassen können, um Erkenntnisse zu gewinnen. Entscheider wünschen sich nach wie vor einen bedarfsgerechten Zugriff auf Daten aus herkömmlichen Stapelverarbeitungsquellen, aber sie möchten auch die Möglichkeit haben, auf aktuelle Trends und Verhaltensweisen in Echtzeit zu reagieren. Dies erfordert eine nahtlose Orchestrierung, Planung und Verwaltung von Streaming aus Systemen im gesamten Unternehmen und dem Internet, die diese Daten kontinuierlich erzeugen.

In einer Welt, die sich ständig weiterentwickelt, müssen Daten unabhängig von ihrem Standort für Analysen zur Verfügung stehen. Da die meisten Unternehmen eine Kombination aus Cloud und On-Premises Anwendungen haben, muss das Data Warehouse mit Systemen in beiden Umgebungen integriert werden. Außerdem muss es in der Lage sein, mit jeder Art von Daten in der Umgebung zu arbeiten. Entscheidungsträger in Unternehmen, die Erkenntnisse aus der Echtzeitanalyse von halbstrukturierten und unstrukturierten Daten gewinnen können, sind beispielsweise in der Lage, Chancen effizienter zu nutzen und die Wahrscheinlichkeit zu erhöhen, dass strategische Initiativen erfolgreich sind.**

3. Nutzen Sie die durch die Containerisierung ermöglichten Effizienzgewinne

Ein containerisierter Ansatz macht Analytics Funktionen komponierbarer, so dass sie flexibler in Anwendungen kombiniert werden können. Dies ist jedoch vorteilhafter, wenn die Data-Warehouse-Architektur selbst Container unterstützt. Diese Unterstützung ist der Schlüssel dazu, dass ein Unternehmen die Ressourcenanforderungen kennenlernen kann, die mit künstlicher Intelligenz, Maschinelles Lernen, Streaming und anderen ressourcenintensiven Entscheidungsintelligenzverarbeitungen verbunden sind. Diese Workloads belasten ältere Data-Warehouse-Architekturen.

Deployment Containern stellt im Vergleich zur virtualisierten Deployment eine portablere und ressourceneffizientere Methode zur Virtualisierung der Recheninfrastruktur dar. Da Container das Betriebssystem und nicht die zugrunde liegende Hardware virtualisieren, benötigen Anwendungen weniger virtuelle Maschinen und Betriebssysteme, um sie auszuführen.

4. Für jedes Werkzeug geeignet

Es ist schön und gut, wenn ein Data Warehouse seine eigenen Analysewerkzeuge anbietet - vorausgesetzt, es kann problemlos jedes andere Werkzeug aufnehmen, das Sie möglicherweise verwenden möchten. Wie bereits eingangs erwähnt, sind Zweck und Nutzen der verschiedenen Analysetools sehr unterschiedlich, und verschiedene Benutzer - darunter Dateningenieure, Datenwissenschaftler, Geschäftsanalysten und Geschäftsanwender - benötigen unterschiedliche Tools. Achten Sie auf die Flexibilität, Decision Intelligence problemlos in das Data Warehouse zu integrieren. Wenn Sie spezielle Anforderungen haben, die die Erstellung benutzerdefinierter Anwendungen erfordern, sollten Sie die von der Plattform unterstützten Entwicklungstools prüfen, damit Sie die Kompatibilität erreichen können, die eine moderne Analyseumgebung erfordert.

Mehr erfahren

Wenn Sie dieses Thema interessant finden, sollten Sie sich einige dieser Blogs ansehen, die sich mit den Vorteilen befassen, die Sie aus einer umfassenderen Zusammensetzung von Entscheidungsintelligenz ziehen können:

• Streamingin Echtzeit StreamingEinblicke fördern die Reaktionsfähigkeit des Unternehmens
• Es ist an der Zeit, dass Datenhistoriker zu ... Geschichte
• Semi-Strukturierte Daten: Was es ist und warum es wichtig ist
• Die 10 wichtigsten Vorteile eines operativen Data Warehouse für 2021

* Gartner Top 10 Daten- und Analysetrends für 2021

** Halbstrukturierte Daten sind Informationen, die sich nicht in einer relationalen Datenbank befinden, aber einige organisatorische Eigenschaften aufweisen, die ihre Analyse erleichtern (z. B. XML-Daten). Unstrukturierte Daten sind entweder nicht in einer vordefinierten Weise organisiert oder haben kein vordefiniertes Datenmodell (Beispiele sind Word-, PDF- und Textdateien sowie Medienprotokolle).

Dieser Artikel wurde von Lewis Carr mitverfasst.

Erfahrener Experte für strategische vertikale Branchen, horizontale Lösungen, Produktmarketing, Produktmanagement und Geschäftsentwicklung mit Schwerpunkt auf Unternehmenssoftware, einschließlich Datenmanagement und -analyse, Mobile und IoT sowie verteiltes Cloud Computing.

Über Teresa Wingfield

Teresa Wingfield ist Director of Product Marketing bei Actian. Sie ist verantwortlich für die Kommunikation des einzigartigen Wertes, den die Actian Data Platform bietet, einschließlich bewährter Datenintegration, Datenmanagement und Data Analytics. Sie verfügt über eine 20-jährige Erfahrung Aufzeichnung der Steigerung von Umsatz und Bekanntheitsgrad von Analytik-, Sicherheits- und Cloud . Bevor sie zu Actian kam, leitete Teresa das Produktmarketing bei branchenführenden Unternehmen wie Cisco, McAfee und VMware.