Architektur von Datenmanagement der nächsten Generation
Dies ist Teil 2 unseres Gesprächs mit der Forrester-Analystin Michele Goetz. Bitte klicken Sie hier, um den ersten Beitrag zu lesen: Rethink Hybrid für das data driven Unternehmen.
Nach einem kürzlichen Actian-Webinar mit Forrester Research befragte John Bard, Senior Director of Product Marketing bei Actian, die Forrester-Hauptanalystin Michele Goetz zu den Datenmanagement der nächsten Generation. Hier ist der zweite Teil des Gesprächs (siehe Teil eins hier):
John Bard, Actian: Was sind die wichtigsten geschäftlichen Erfordernisse, die eine größere Priorität der Geschwindigkeit der abfragen für Systeme der Erkenntnis erzwingen?
Michele Goetz, Forrester: Immer mehr Unternehmen werden digital. Einzelhändler schaffen digitale Erlebnisse in ihren Ladengeschäften. Öl- und Gasunternehmen platzieren Tausende von Sensoren an Bohrlöchern, um Informationen über die Produktion und den Zustand der Anlagen in Echtzeit zu erhalten. Und der Wandel im mobilen Denken führt dazu, dass immer mehr Verbraucher und Unternehmen über mobile Anwendungen aktiv werden. Alles geschieht in Echtzeit, wird über ein Netz von Microservices bereitgestellt, und immer ausgefeiltere Analysen werden in Datenströme und Prozesse eingebettet . Dies stellt erhebliche Anforderungen an Systeme, die High-Performance auf massiv orchestrierten Datendiensten erreichen müssen, um Erkenntnis On Demand zu erhalten, schnell Entscheidungen zu treffen, schnell zu handeln und Ergebnisse zu erzielen, die Geschäftsziele kennenlernen .
JB: How important is it for operational data and systems of insight to be tightly linked? What are some applications/use cases driving that integration?
MG: Transaktionssysteme müssen mehr und mehr auf der Grundlage von Erkenntnis arbeiten und nicht nur als Eingangspunkte für die Erfassung von Transaktionsereignissen. Analysen laufen auf Datenströmen und einzelnen Transaktionen wie Käufen, Geschäftsprozessereignissen und Transaktionen. Diese Analysen liefern Vorschläge und Anweisungen zur Preisgestaltung, zu Angeboten, zur nächstbesten Aktion und zu Sicherheits-/Betrugsmustern sowie zur Automatisierung manueller Prozesse. Die moderne Datenplattform von heute muss analytische und operative Workloads nebeneinander ausführen, um nicht nur einen Prozess zu ermöglichen, sondern auch Chancen und Bedrohungen zu nutzen, sobald sie auftreten.
JB: Wie kann ein Unternehmen ein Gleichgewicht zwischen erstklassigen Lösungen, die oft eine Integration erfordern, und All-in-One-Plattformen, die oft Kompromisse erzwingen, finden?
MG: Für jeden Geschäftsprozess, jedes Kundenengagement, jeden automatisierten Prozess und jedes Partnerengagement gibt es unterschiedliche Service-Level-Anforderungen an Daten und Analysen. Daten und Datendienste müssen stärker auf die jeweiligen Aufgaben und gewünschten Ergebnisse zugeschnitten sein. Vorgelagerte, in der Entwicklung befindliche Anwendungen werden mit spezifischen Anforderungen an Daten, Erkenntnisse und die Kadenz, in der Daten und Erkenntnis benötigt werden, konzipiert. Diese Anforderungen manifestieren sich in den Daten- und Anwendungs-APIs, die Microservices und Geschäftsdienste steuern. Eine monolithische All-in-One-Plattform führt zu einem starren, zweckgebundenen System, das nicht flexibel auf geschäftliche Veränderungen reagieren kann. Die Kosten für Anschaffung und Wartung sind erheblich und wirken sich auf die Modernisierungsfähigkeit aus, wodurch technische Schulden entstehen. Darüber hinaus wird für jede neue Funktion ein neues Silo aufgebaut, was die Daten weiter fragmentiert und die Erkenntnis behindert. Unternehmen müssen zu einem hybriden Ansatz übergehen, der die Cloud, die Datenvielfalt, die Service-Levels, erstklassige Technologien und Open Source für Innovationen berücksichtigt. Hybride Systeme ermöglichen Flexibilität und Anpassungsfähigkeit, um serviceorientierte Daten in Richtung Geschäftswert zu lenken, ohne die Kosten- und Lieferengpässe, die durch Einheitslösungen entstehen.
JB: Welches ist der beste Designansatz, um die Entwicklung zu beschleunigen und eine schnellere Deployment für die Produktion und damit einen höheren Geschäftswert zu erreichen?
MG: Start with what the solution is supporting and the service levels it requires. Have an understanding of how that fits into specific data architecture patterns: data science for advanced analytics and visualization, intelligent transactional data, or analytic and BI workspaces. These patterns guide the choices for database, integration, and cloud while also helping to establish governance that guides trusted sources, repeatable and reusable data APIs and services, and the management of security policies.
JB: Welche Art von neuen Anwendungen und Diensten können aus diesen neuen hybriden Datenarchitekturen entstehen?
MG: Hybrid data management is about putting the right data services and systems to the task and outcome at hand. It provides more freedom to introduce modern data technologies to quickly take advantage of capabilities to scale, get to insights you couldn’t see because of lack of data access, and deliver data and insight in real time without the lag from nightly batch processing and reconciliation. Additionally, hybrid data management has better administrative layers to help manage the peaks and valleys across the ecosystem and avoid performance bottlenecks, as well as right cost data service levels between cloud and on-premises systems. Going hybrid means getting access to all the data to create customer 360s that take personalization to the next level. It allows analytics to mature toward machine learning, advanced visualizations, and AI by providing a better data infrastructure backbone. And apps and products become more intelligent as hybrid systems create engagement that is insightful and adaptive to the way the solutions are used.
Bleiben Sie in Verbindung
Datenanalysen direkt bei Ihnen.
(z. B. sales@..., support@...)
