Upload
torsten-glunde
View
307
Download
2
Embed Size (px)
Citation preview
DATEN QUADRANT STRATEGIE UND ORGANISATION IM ZEITALTER VON AGILEBI, DWH, AUTOMATION UND BIGDATA
EINLEITUNG• Quellen
• Datenquadrant von R.D. Damhof Mai 2014 – DWH Automation• Whitepaper “Building A Data-Centric Strategy and Roadmap” – datablueprint.com, Peter
Aiken und Lewis Broome• Daten als untrennbarer Verbund und/oder Bestandteil von den Produkten und
Dienstleistungen die verkauft werden.• Strategie
• “Your data strategy must align to your organizational business strategy and operating model.”
• Architektur• “Data Architecture represents the common vocabulary, expressing integrated requirements
ensuring that data assets are stored, arranged, managed and used in support of organizational strategy.”
• Governance• “Data Governance is the exercise of authority and control over the management of your
mission- critical data assets.” • Technical Practices: Qualität, Integration, Plattformen, BI• Der Datenquadrant als Kommunikationsmittel für Strategie und Technik
DATENSTRATEGIE
StrategieZiele und VorhabenDatenmanagementSysteme und ApplikationenNetwork / Infrastructure
StrategieZiele und VorhabenSysteme und ApplikationenNetwork / InfrastructureDatenmanagement
Dat
enge
trieb
en
Applikationsgetrieben
• Datenassets werden durch die Geschäftsprozesse erstellt, die Ziele und Vorhaben liefern
• Datenmanagement ermöglicht Geschäftsprozesse, Ziele und Vorhaben zunehmend direkt durch eigene Wertbeiträge
• Personen, Organisation und Geschäftsprozesse liefern Kontext für das Datenmanagement
• Datenmanagement informiert die Personen und Organisation
DATENSTRATEGIE
Personen und Organisation
Geschäftsprozesse Ziele und Vorhaben
TechnologieTechnology Assets
DatenmanagementDaten Assets
Informiert
ErstelltKontext
INFORMATIONEN LIEFERN
Geschäftsprozesse Ziele und VorhabenPersonen und Organisation
TechnologieTechnology Assets
Informationsfluss Anforderungen
Datenmanagement
Strategie Architektur Governance
Qualität Integration Plattformen
BI
Inform
Produkt
PROBLEMSTELLUNG KOMMUNIKATION
BI/ITCIO/CTO/CDO
FachabteilungCEO/COO/CFO
NoSQL
BigData
MPP
Data Vault
Analytics
???
AgileBI
Self Service
Predictive
ANALOGIE: LOGISTIK UND PRODUKTION
WIE KOMMEN PRODUKTE AUF DEN MARKT
Quelle: Ruhr-Universität Bochum, AWF AG Pull-Systeme, Dipl.Ing. O. Völker und Dipl. Ing. S. Binner
PULL VERSUS PUSH PRODUKTE
Bekannte AnforderungenGeringe PersonalisierungSkaleneffekteGleichförmige ProduktionGeringe ÄnderungskostenGeringe Vorbereitungszeit
Variable AnforderungenHohe PersonalisierungGeringer VerkaufsaufwandVariabilität in der ProduktionHohe AnpassungskostenGrößere Vorbereitungszeit
Pus
h
Pull
PULL VERSUS PUSH DATEN
PUSH/SUPPLY/SOURCE• Fakten, historisiert• Massendeployment• Kontrolle>Agilität• Wiederholbare &
vorhersagbare Prozesse• Standardisierung• Automation
• Deklarativ > Prozedural• Metadaten, Modell
getrieben• IT und Datenexpertiese
PULL/DEMAND/PRODUCT• Interpretation &
Kontext• Einzeldeployment• Agilität > Kontrolle• Nutzerfreundlichkeit• Weniger IT-Expertise• Hohes Fachwissen• Prozedural >
Deklarativ
UNTERSCHEIDUNG LIEFERMODUSSystematisch• Nutzer und Entwickler sind getrennt• Fokus auf Kontrolle und Compliance• Fokus auf Non-Functionals• Zentrale, unternehmensweite Informationsobjekte
• Nutzer und Entwickler sind eng verbunden• Offensive Governance – Fokus auf Agilität und Anpassbarkeit• dezentralisierte Informationsobjekte• Deployment direkt in ProduktionOpportunistisch
Development Style
DER DATENQUADRANT
I• Facts
II• Context
III• Shadow IT• Incubation• Ad-hoc• Once off
IV• Research• Innovation• Design
Pull / Demand / Product drivenPush / Supply / Source driven
Push/Pull Point
DevelopmentStyle
Systematic
Opportunistic
DER DATENQUADRANT
I• Facts
II• Context
III• Shadow IT• Incubation• Ad-hoc• Once off
IV• Research• Innovation• Design
Pull / Demand / Product drivenPush / Supply / Source driven
Push/Pull Point
DevelopmentStyle
Systematic
Opportunistic
EDWH
Star
OLAP
Report
Dashboard
Self-Service BI
Analytics
Predictive
Machine Learning
BPMNKontextEIM
STRATEGIE UND ARCHITEKTUR
I•Facts
II•Context
III•Shadow IT• Incubation•Ad-hoc•Once off
IV•Research• Innovation•Design
Datenmanagement
Strategie Architektur Governance
Qualität Integration Plattformen
BI
Standardisierung und Modellierung
GOVERNANCE
I• Facts
II• Context
III• Shadow IT• Incubation• Ad-hoc• Once off
IV• Research• Innovation• Design
Verantwortung beim Anforderer
Verantwortung beim Lieferanten
Verantwortung beim Data Scientist / Analyst / Researcher
TRANSITIONEN
I• Facts
II• Context
III• Shadow IT• Incubation• Ad-hoc• Once off
IV• Research• Innovation• Design
Auflösung von Produkten der Shadow-IT oder aus der Inkubation
Übergabe von Produkten aus der eigenverantwotlichen Produktion in die zentrale Verantwortung – Standardisierung von Entwicklungsmethoden
ZENTRALISIEREN - DEZENTRALISIEREN
I• Facts
II• Context
III• Shadow IT• Incubation• Ad-hoc• Once off
IV• Research• Innovation• Design
PRODUKTION
I• Facts
II• Context
III• Shadow IT• Incubation• Ad-hoc• Once off
IV• Research• Innovation• Design
Produktionslinie Data Product
Information Product
Data AccessAnalytics
Processing Power
AUTOMATIONI DATA DELIVERY
II AGILE BI – AUTOMATED SDLC
I• Facts
II• Context
IV• Shadow IT• Incubation• Ad-hoc• Once off
III• Research• Innovation• Design
Bekannte AnforderungenGeringe PersonalisierungSkaleneffekteGleichförmige ProduktionGeringe ÄnderungskostenGeringe Vorbereitungszeit
Pus
h
AUTOMATION – MODELLIERUNG
Strategie und Architektur
Modellierung eines EIMFact-Based ModelingConecptual -> LogicalOntology –> Facts -> RelationalTransformation von Datenmodellen (EIM/FCO-IM/ER/DataVault/AnchorModeling)Integration von BPMN und Datenmodellierung
Metadaten getriebene DWH Automation
Datenmanagement
Strategie Architektur Governance
Qualität Integration Plattformen
BI
I•Ensemble Modeling
II•Dimensional, hierarchical, flat
III•Shadow IT• Incubation•Ad-hoc•Once off
IV•Research• Innovation•Design
TECHNOLOGIE
I• Facts
II• Context
III• Shadow IT• Incubation• Ad-hoc• Once off
IV• Research• Innovation• Design
MPP
Big
Dat
aN
oSQ
L
Ble
ndin
g
R-Programming
Map/Reduce
Python
Analytics
“Traditional BI”Ensemble
Modeling
Self-Service BI
TECHNOLOGIE UND VORGEHEN
I•Storage: (R)DBMS•Processing: Automation
•DQ: Validation,Profiling•Dev: Data Modeling•Access: Virtualization
II•Storage: Pattern Based
•Processing: limited ETL
•DQ: Regeln, Dashboards
•Dev: Data Modeling•Access: BI Tools, Visualisation
III IV•Storage: Analytical•Processing: Preptools für Data Analst
•Access: Advanced Analytics, Data Visulisation
TAKE-AWAY• Kommunikation der Realisierung einer Datenstrategie auf der
Basis von verständlichen Kategorien
• Kategorisierung von Anforderungen für Anwendungen und Informationsquellen
• Automatisierung in der Datenversorgung ist eine Grundvoraussetzung• Sowohl die eigentliche Versorgung• … als auch die Steuerung der Versorgung• Für AgileBI• Metadaten und Modelle sollten die Automatisierung steuern, um
die Strategie und die Implementierung zu verbinden
DANKESCHÖN
• Owner, Managing Consultant bei Alligator Company• 10+ Jahre Erfahrung in BI• Certified Data Vault 2.0 Practitioner• Member of the Boulder BI Brain Trust
Torsten Glundemailto:t.glunde(at)alligator-company.de
Weitere Netzwerke:https://www.xing.com/profile/Torsten_Glundehttps://www.linkedin.com/pub/torsten-glunde/8/aba/97
tglunde