Downloaden Sie, um offline zu lesen
Hochgeladen vonTorsten Glunde
Data Quadrant - Daten Management Methode
Das Dokument beschreibt die Entwicklung einer datenzentrierten Strategie im Kontext von Agile BI, Data Warehouse (DWH), Automatisierung und Big Data. Es thematisiert die Bedeutung von Datenarchitektur und Governance sowie die Integration von Geschäftsprozessen, um effektives Datenmanagement und strategische Ziele zu erreichen. Zudem wird zwischen 'Push'- und 'Pull'-Systemen unterschieden, um unterschiedliche Ansätze zur Datenlieferung und -verwaltung zu analysieren und zu optimieren.
Weitere ähnliche Inhalte
Data Quadrant - Daten Management Methode
- 1. DATEN QUADRANT STRATEGIE UND ORGANISATIONIM ZEITALTER VON AGILEBI, DWH, AUTOMATION UND BIGDATA
- 2. EINLEITUNG • Quellen • Datenquadrantvon 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
- 3. DATENSTRATEGIE Strategie Ziele und Vorhaben Datenmanagement Systemeund Applikationen Network / Infrastructure Strategie Ziele und Vorhaben Systeme und Applikationen Network / Infrastructure Datenmanagement Datengetrieben Applikationsgetrieben
- 4. • Datenassets werden durchdie 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 Technologie Technology Assets Datenmanagement Daten Assets Informiert ErstelltKontext
- 5. INFORMATIONEN LIEFERN Geschäftsprozesse Ziele undVorhabenPersonen und Organisation Technologie Technology Assets Informationsfluss Anforderungen Datenmanagement Strategie Architektur Governance Qualität Integration Plattformen BI I n f o r m Produkt
- 6.
- 7.
- 8. WIE KOMMEN PRODUKTE AUFDEN MARKT 3FolieFolieAWF Arbeitsgemeinschaft “Pull-Systeme” – Dipl.-Ing. O. Völker und Dipl.-Ing. S. Binner Einleitung „Push“ und „Pull“ In OutBestand in der Fertigung Ziehlogik (PullZiehlogik (Pull--Prinzip)Prinzip) Bestand in der Fertigung In Out Schiebelogik (PushSchiebelogik (Push--Prinzip)Prinzip) Quelle: Ruhr-Universität Bochum, AWF AG Pull-Systeme, Dipl.Ing. O. Völker und Dipl. Ing. S. Binner
- 9. PULL VERSUS PUSH PRODUKTE BekannteAnforderungen Geringe Personalisierung Skaleneffekte Gleichförmige Produktion Geringe Änderungskosten Geringe Vorbereitungszeit Variable Anforderungen Hohe Personalisierung Geringer Verkaufsaufwand Variabilität in der Produktion Hohe Anpassungskosten Größere Vorbereitungszeit Push Pull
- 10. PULL VERSUS PUSH DATEN PUSH/SUPPLY/SOURC E •Fakten, historisiert • Massendeployment • Kontrolle>Agilität • Wiederholbare & vorhersagbare Prozesse • Standardisierung • Automation • Deklarativ > Prozedural • Metadaten, Modell getrieben • IT und Datenexpertiese PULL/DEMAND/PRODU CT • Interpretation & Kontext • Einzeldeployment • Agilität > Kontrolle • Nutzerfreundlichkeit • Weniger IT-Expertise • Hohes Fachwissen • Prozedural > Deklarativ
- 11. UNTERSCHEIDUNG LIEFERMODUS Systematisch • Nutzer undEntwickler 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 Produktion Opportunistisch Development Style
- 12. 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 Development Style Systematic Opportunistic
- 13. 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 Development Style Systematic Opportunistic EDWH Star OLAP Report Dashboard Self- Service BI Analytics Predictive Machine Learning BPMN KontextEIM
- 14. 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
- 15. 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
- 16. 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
- 17. ZENTRALISIEREN - DEZENTRALISIEREN I • Facts II •Context III • Shadow IT • Incubation • Ad-hoc • Once off IV • Research • Innovation • Design
- 18. PRODUKTION I • Facts II • Context III •Shadow IT • Incubation • Ad-hoc • Once off IV • Research • Innovation • Design Produktionslinie Data Product Information Product Data Access Analytics Processing Power
- 19. AUTOMATION I DATA DELIVERY R.D.Damhof– Prudenza BV - Copyright - 22 mei 2014R.D.Damhof - May 2014 - DWH Automation How we produce… II AGILE BI – AUTOMATED SDLC R.D.Damhof – Prudenza BV - Copyright - 22 mei 2014R.D.Damhof - May 2014 - DWH Automation How we do projects… I • Facts II • Context IV • Shadow IT • Incubation • Ad-hoc • Once off III • Research • Innovation • Design Bekannte Anforderungen Geringe Personalisierung Skaleneffekte Gleichförmige Produktion Geringe Änderungskosten Geringe Vorbereitungszeit Push
- 20. AUTOMATION – MODELLIERUNG Strategie undArchitektur Modellierung eines EIM Fact-Based Modeling Conecptual -> Logical Ontology –> Facts -> Relational Transformation 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
- 21. TECHNOLOGIE I • Facts II • Context III •Shadow IT • Incubation • Ad-hoc • Once off IV • Research • Innovation • Design MPP BigData NoSQL Blending R-Programming Map/Reduce Python Analytics “Traditional BI”Ensemble Modeling Self-Service BI
- 22. 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
- 23. TAKE-AWAY • Kommunikation derRealisierung 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
- 24. DANKESCHÖN • Owner, ManagingConsultant bei Alligator Company • 10+ Jahre Erfahrung in BI • Certified Data Vault 2.0 Practitioner • Member of the Boulder BI Brain Trust Torsten Glunde mailto:t.glunde(at)alligator-company.de Weitere Netzwerke: https://www.xing.com/profile/Torsten_Glunde https://www.linkedin.com/pub/torsten-glunde/8/aba/97 tglunde