Data Fabric

image featured from : unsplash.com

Mengapa Data fabric

Pantau dan kelola data dan aplikasi Anda, di mana pun mereka berada. Struktur data, pada intinya, adalah arsitektur data terintegrasi yang adaptif, fleksibel, dan aman. Dalam banyak hal, struktur data adalah pendekatan strategis baru untuk operasi penyimpanan perusahaan Anda, pendekatan yang memanfaatkan cloud, core, dan edge terbaik. Itu dapat menjangkau di mana saja, termasuk di tempat, cloud publik dan pribadi, serta perangkat edge dan IoT, sambil tetap diatur secara terpusat.

Data fabric

Data fabric aarsitektur yang memfasilitasi integrasi end-to-end berbagai jaringan pipa data dan lingkungan cloud melalui penggunaan sistem cerdas dan otomatis. Selama dekade terakhir, perkembangan dalam hybrid cloud , kecerdasan buatan , internet of things (IoT), dan edge computing telah menyebabkan pertumbuhan eksponensial data besar, menciptakan lebih banyak kerumitan untuk dikelola oleh perusahaan. Hal ini membuat penyatuan dan tata kelola lingkungan data menjadi prioritas yang semakin meningkat karena pertumbuhan ini telah menciptakan tantangan yang signifikan, seperti silo data, risiko keamanan, dan kemacetan umum dalam pengambilan keputusan. Tim manajemen data menangani tantangan ini secara langsung dengan solusi struktur data. Mereka memanfaatkannya untuk menyatukan sistem data mereka yang berbeda, menyematkan tata kelola, memperkuat tindakan keamanan dan privasi, dan memberikan lebih banyak aksesibilitas data kepada pekerja, khususnya pengguna bisnis mereka.

Upaya integrasi data ini melalui struktur data memungkinkan pengambilan keputusan yang lebih holistik dan berpusat pada data. Secara historis, suatu perusahaan mungkin memiliki platform data yang berbeda yang diselaraskan dengan lini bisnis tertentu. Misalnya, Anda mungkin memiliki platform data SDM, platform data rantai pasokan, dan platform data pelanggan, yang menyimpan data di lingkungan yang berbeda dan terpisah meskipun berpotensi tumpang tindih. Namun, struktur data dapat memungkinkan pembuat keputusan untuk melihat data ini secara lebih kohesif untuk lebih memahami siklus hidup pelanggan, membuat koneksi antara data yang sebelumnya tidak ada. Dengan menutup kesenjangan dalam pemahaman tentang pelanggan, produk, dan proses, data fabric mempercepat transformasi digital dan inisiatif otomasi di seluruh bisnis.

Arsitektur Data fabric

Dengan memanfaatkan layanan data dan API, struktur data menyatukan data dari sistem lama, data lake , gudang data , database sql , dan aplikasi, memberikan pandangan holistik ke dalam kinerja bisnis. Berbeda dengan sistem penyimpanan data individu ini, ini bertujuan untuk menciptakan lebih banyak fluiditas di seluruh lingkungan data, mencoba untuk mengatasi masalah gravitasi data—yaitu gagasan bahwa data menjadi lebih sulit untuk dipindahkan seiring bertambahnya ukuran. Data fabric mengabstraksi kompleksitas teknologi yang digunakan untuk pergerakan, transformasi, dan integrasi data, membuat semua data tersedia di seluruh perusahaan.

Arsitektur struktur data beroperasi di sekitar gagasan menggabungkan data secara longgar di platform dengan aplikasi yang membutuhkannya. Salah satu contoh arsitektur struktur data di lingkungan multi-cloud mungkin terlihat seperti di bawah ini, di mana satu cloud, seperti AWS, mengelola penyerapan data dan platform lain, seperti Azure, mengawasi transformasi dan konsumsi data. Kemudian, Anda mungkin memiliki vendor ketiga, seperti IBM Cloud Pak® for Data, yang menyediakan layanan analitik. Arsitektur struktur data menyatukan lingkungan ini untuk membuat tampilan data terpadu.

Yang mengatakan, ini hanya satu contoh. Tidak ada satu arsitektur data tunggal untuk struktur data karena bisnis yang berbeda memiliki kebutuhan yang berbeda. Berbagai jumlah penyedia cloud dan implementasi infrastruktur data memastikan variasi di seluruh bisnis. Namun, bisnis yang menggunakan jenis kerangka data ini menunjukkan kesamaan di seluruh arsitektur mereka, yang unik untuk struktur data. Lebih khusus lagi, mereka memiliki enam komponen mendasar, yang dijelaskan oleh Forrester (tautan berada di luar ibm.com) dalam laporan “Enterprise Data Fabric Enables DataOps”. Keenam lapisan tersebut antara lain sebagai berikut:

Lapisan Manajemen Data: Ini bertanggung jawab atas tata kelola data dan keamanan data.
Lapisan Penyerapan Data: Lapisan ini mulai menyatukan data cloud, menemukan koneksi antara data terstruktur dan tidak terstruktur.
Pemrosesan Data: Lapisan pemrosesan data menyempurnakan data untuk memastikan bahwa hanya data relevan yang muncul untuk ekstraksi data.
Orkestrasi Data: Lapisan penting ini melakukan beberapa pekerjaan terpenting untuk struktur data—mengubah, mengintegrasikan, dan membersihkan data, membuatnya dapat digunakan untuk tim di seluruh bisnis.
Penemuan Data: Lapisan ini memunculkan peluang baru untuk mengintegrasikan sumber data yang berbeda. Misalnya, mungkin menemukan cara untuk menghubungkan data dalam data mart rantai pasokan dan sistem data manajemen hubungan pelanggan, memungkinkan peluang baru untuk penawaran produk kepada klien atau cara untuk meningkatkan kepuasan pelanggan.
Akses Data: Lapisan ini memungkinkan konsumsi data, memastikan izin yang tepat untuk tim tertentu untuk mematuhi peraturan pemerintah. Selain itu, lapisan ini membantu memunculkan data yang relevan melalui penggunaan dasbor dan alat visualisasi data lainnya.

Keuntungan dari arsitektur Data fabric

Karena penyedia struktur data mendapatkan lebih banyak adopsi dari bisnis di pasar, Gartner (tautan berada di luar ibm.com) telah mencatat peningkatan spesifik dalam efisiensi, menggembar-gemborkan bahwa hal itu dapat mengurangi “waktu untuk desain integrasi sebesar 30%, penerapan sebesar 30%, dan pemeliharaan sebesar 70%.” Meskipun jelas bahwa struktur data dapat meningkatkan produktivitas secara keseluruhan, manfaat berikut juga menunjukkan nilai bisnis bagi pengguna:

Integrasi cerdas: Struktur data memanfaatkan grafik pengetahuan semantik , manajemen metadata, dan pembelajaran mesin untuk menyatukan data di berbagai tipe data dan titik akhir. Ini membantu tim manajemen data dalam mengelompokkan kumpulan data terkait bersama-sama serta mengintegrasikan sumber data bersih baru ke dalam ekosistem data bisnis. Fungsionalitas ini mengotomatiskan aspek manajemen beban kerja data, yang mengarah pada peningkatan efisiensi yang disebutkan di atas, tetapi juga membantu menghilangkan silo di seluruh sistem data, memusatkan praktik tata kelola data, dan meningkatkan kualitas data secara keseluruhan.
Demokratisasi data: Arsitektur struktur data memfasilitasi aplikasi swalayan, memperluas akses data di luar sumber daya yang lebih teknis, seperti insinyur data, pengembang, dan tim analitik data. Pengurangan kemacetan data kemudian mendorong lebih banyak produktivitas, memungkinkan pengguna bisnis untuk membuat keputusan bisnis lebih cepat dan dengan membebaskan pengguna teknis untuk memprioritaskan tugas-tugas yang memanfaatkan keterampilan mereka dengan lebih baik.
Perlindungan data yang lebih baik: Perluasan akses data juga tidak berarti mengorbankan langkah-langkah keamanan dan privasi data. Faktanya, ini berarti bahwa lebih banyak pagar pembatas tata kelola data ditempatkan di sekitar kontrol akses, memastikan data spesifik hanya tersedia untuk peran tertentu. Arsitektur struktur data juga memungkinkan tim teknis dan keamanan menerapkan penyamaran dan enkripsi data seputar data sensitif dan hak milik, mengurangi risiko seputar berbagi data dan pelanggaran sistem.

Gunakan kasing dari struktur data

Struktur data masih dalam masa pertumbuhan dalam hal adopsi, tetapi kemampuan integrasi datanya membantu bisnis dalam penemuan data, memungkinkan mereka untuk menangani berbagai kasus penggunaan. Sementara kasus penggunaan yang dapat ditangani oleh struktur data mungkin tidak jauh berbeda dari produk data lainnya, ia membedakan dirinya dengan ruang lingkup dan skala yang dapat ditangani karena menghilangkan silo data. Dengan mengintegrasikan berbagai sumber data, perusahaan dan ilmuwan data mereka dapat membuat pandangan holistik tentang pelanggan mereka, yang sangat membantu klien perbankan . Kain data lebih khusus digunakan untuk: