SlideShare ist ein Scribd-Unternehmen logo
1 von 24
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
Strategie
Ziele und Vorhaben
Datenmanagement
Systeme und
Applikationen
Network /
Infrastructure
Strategie
Ziele und Vorhaben
Systeme und
Applikationen
Network /
Infrastructure
Datenmanagement
Datengetrieben
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
Technologie
Technology Assets
Datenmanagement
Daten Assets
Informiert
ErstelltKontext
INFORMATIONEN
LIEFERN
Geschäftsprozesse Ziele und VorhabenPersonen und
Organisation
Technologie
Technology Assets
Informationsfluss Anforderungen
Datenmanagement
Strategie Architektur Governance
Qualität Integration Plattformen
BI
I
n
f
o
r
m
Produkt
PROBLEMSTELLUNG
KOMMUNIKATION
BI/IT
CIO/CTO/CDO
Fachabteilung
CEO/COO/CFO
NoSQL
BigData
MPP
Data
Vault
Analytics
???
AgileBI
Self
Service
Predictive
ANALOGIE: LOGISTIK
UND PRODUKTION
WIE KOMMEN PRODUKTE
AUF DEN 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
PULL VERSUS PUSH
PRODUKTE
Bekannte Anforderungen
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
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
UNTERSCHEIDUNG
LIEFERMODUS
Systematisch
• 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 Produktion
Opportunistisch
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
Development
Style
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
Development
Style
Systematic
Opportunistic
EDWH
Star
OLAP
Report
Dashboard
Self-
Service BI
Analytics
Predictive
Machine
Learning
BPMN
KontextEIM
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
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 Access
Analytics
Processing
Power
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
AUTOMATION –
MODELLIERUNG
Strategie und Architektur
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
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
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 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

Weitere ähnliche Inhalte

Was ist angesagt?

Hif 3 d information center 0.7
Hif 3 d information center 0.7Hif 3 d information center 0.7
Hif 3 d information center 0.7Sascha Oehl
 
Storage economics 2009
Storage economics 2009Storage economics 2009
Storage economics 2009Sascha Oehl
 
Geänderte Anforderungen an eine Data-Warehouse-Landschaft
Geänderte Anforderungen an eine Data-Warehouse-LandschaftGeänderte Anforderungen an eine Data-Warehouse-Landschaft
Geänderte Anforderungen an eine Data-Warehouse-LandschaftISR Information Products AG
 
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...Business Intelligence Research
 
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...Business Intelligence Research
 
RDBMS oder NoSQL – warum nicht beides?
RDBMS oder NoSQL – warum nicht beides?RDBMS oder NoSQL – warum nicht beides?
RDBMS oder NoSQL – warum nicht beides?Capgemini
 
Data lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesData lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesComsysto Reply GmbH
 
Hitachi marktforum it beschaffung 2012 0.2
Hitachi   marktforum it beschaffung 2012 0.2Hitachi   marktforum it beschaffung 2012 0.2
Hitachi marktforum it beschaffung 2012 0.2Sascha Oehl
 
CDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
CDC und Data Vault für den Aufbau eines DWH in der AutomobilindustrieCDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
CDC und Data Vault für den Aufbau eines DWH in der AutomobilindustrieAndreas Buckenhofer
 
Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!Harald Erb
 
Hif 2012 storage economics strategy services
Hif 2012 storage economics strategy servicesHif 2012 storage economics strategy services
Hif 2012 storage economics strategy servicesSascha Oehl
 
Transform the Infrastructure
Transform the InfrastructureTransform the Infrastructure
Transform the InfrastructureSascha Oehl
 
Caching: In-Memory Column Store oder im BI Server
Caching: In-Memory Column Store oder im BI ServerCaching: In-Memory Column Store oder im BI Server
Caching: In-Memory Column Store oder im BI ServerAndreas Buckenhofer
 

Was ist angesagt? (20)

Moderne & flexible Architektur mit BW/4HANA
Moderne & flexible Architektur mit BW/4HANAModerne & flexible Architektur mit BW/4HANA
Moderne & flexible Architektur mit BW/4HANA
 
Hif 3 d information center 0.7
Hif 3 d information center 0.7Hif 3 d information center 0.7
Hif 3 d information center 0.7
 
Storage economics 2009
Storage economics 2009Storage economics 2009
Storage economics 2009
 
The cloud 2011
The cloud 2011The cloud 2011
The cloud 2011
 
Geänderte Anforderungen an eine Data-Warehouse-Landschaft
Geänderte Anforderungen an eine Data-Warehouse-LandschaftGeänderte Anforderungen an eine Data-Warehouse-Landschaft
Geänderte Anforderungen an eine Data-Warehouse-Landschaft
 
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
 
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
 
RDBMS oder NoSQL – warum nicht beides?
RDBMS oder NoSQL – warum nicht beides?RDBMS oder NoSQL – warum nicht beides?
RDBMS oder NoSQL – warum nicht beides?
 
Portfolio 2016
Portfolio 2016Portfolio 2016
Portfolio 2016
 
Lambdaarchitektur für BigData
Lambdaarchitektur für BigDataLambdaarchitektur für BigData
Lambdaarchitektur für BigData
 
Data lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesData lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid Architectures
 
Hitachi marktforum it beschaffung 2012 0.2
Hitachi   marktforum it beschaffung 2012 0.2Hitachi   marktforum it beschaffung 2012 0.2
Hitachi marktforum it beschaffung 2012 0.2
 
Warum sap hana sql data warehousing
Warum sap hana sql data warehousingWarum sap hana sql data warehousing
Warum sap hana sql data warehousing
 
CDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
CDC und Data Vault für den Aufbau eines DWH in der AutomobilindustrieCDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
CDC und Data Vault für den Aufbau eines DWH in der Automobilindustrie
 
Dlr v1.2
Dlr v1.2Dlr v1.2
Dlr v1.2
 
Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!
 
Hif 2012 storage economics strategy services
Hif 2012 storage economics strategy servicesHif 2012 storage economics strategy services
Hif 2012 storage economics strategy services
 
2010 09 30 11-30 thomas marx
2010 09 30 11-30 thomas marx2010 09 30 11-30 thomas marx
2010 09 30 11-30 thomas marx
 
Transform the Infrastructure
Transform the InfrastructureTransform the Infrastructure
Transform the Infrastructure
 
Caching: In-Memory Column Store oder im BI Server
Caching: In-Memory Column Store oder im BI ServerCaching: In-Memory Column Store oder im BI Server
Caching: In-Memory Column Store oder im BI Server
 

Andere mochten auch

Data Vault Architektur
Data Vault ArchitekturData Vault Architektur
Data Vault ArchitekturTorsten Glunde
 
MT AG Data Vault Generator
MT AG Data Vault GeneratorMT AG Data Vault Generator
MT AG Data Vault GeneratorMT AG
 
Data Vault Vor- und Nachteile
Data Vault Vor- und NachteileData Vault Vor- und Nachteile
Data Vault Vor- und NachteileTorsten Glunde
 
Modellierung agliler Data Warehouses mit Data Vault
Modellierung agliler Data Warehouses mit Data VaultModellierung agliler Data Warehouses mit Data Vault
Modellierung agliler Data Warehouses mit Data VaultTrivadis
 
Metadaten und Data Vault (Meta Vault)
Metadaten und Data Vault (Meta Vault)Metadaten und Data Vault (Meta Vault)
Metadaten und Data Vault (Meta Vault)Andreas Buckenhofer
 
Lymphatic and immune system
Lymphatic and immune systemLymphatic and immune system
Lymphatic and immune systememeredith2
 
Unloader Brace & clinical application
Unloader Brace & clinical applicationUnloader Brace & clinical application
Unloader Brace & clinical applicationLily Hung
 
The PCTT model explained
The PCTT model explainedThe PCTT model explained
The PCTT model explainedJochem Koole
 
Perkembangan desain jersey tim nasional indonesia
Perkembangan desain jersey tim nasional indonesiaPerkembangan desain jersey tim nasional indonesia
Perkembangan desain jersey tim nasional indonesiaFyan Rachmadi
 
Enzyme Powerpoint
Enzyme PowerpointEnzyme Powerpoint
Enzyme PowerpointTierra Buck
 
Leadgeneratie via social media in kennisintensieve B2B-organisaties
Leadgeneratie via social media in kennisintensieve B2B-organisatiesLeadgeneratie via social media in kennisintensieve B2B-organisaties
Leadgeneratie via social media in kennisintensieve B2B-organisatiesJochem Koole
 
TelePresence MarketPlace Case Study
TelePresence MarketPlace Case StudyTelePresence MarketPlace Case Study
TelePresence MarketPlace Case StudyStefano Soliani
 
Perenatalnii center
Perenatalnii centerPerenatalnii center
Perenatalnii centerMedotrade
 
Composition presentation
Composition presentationComposition presentation
Composition presentationTjkoos
 
Science water
Science waterScience water
Science waterDen Ver
 
20082454 taekkyun nam radio
20082454 taekkyun nam   radio20082454 taekkyun nam   radio
20082454 taekkyun nam radioTaekkyun Nam
 
Osiagniecia gim1 2013
Osiagniecia gim1  2013Osiagniecia gim1  2013
Osiagniecia gim1 2013gim1mik
 

Andere mochten auch (20)

Data Vault Architektur
Data Vault ArchitekturData Vault Architektur
Data Vault Architektur
 
MT AG Data Vault Generator
MT AG Data Vault GeneratorMT AG Data Vault Generator
MT AG Data Vault Generator
 
Data Vault Vor- und Nachteile
Data Vault Vor- und NachteileData Vault Vor- und Nachteile
Data Vault Vor- und Nachteile
 
Modellierung agliler Data Warehouses mit Data Vault
Modellierung agliler Data Warehouses mit Data VaultModellierung agliler Data Warehouses mit Data Vault
Modellierung agliler Data Warehouses mit Data Vault
 
Metadaten und Data Vault (Meta Vault)
Metadaten und Data Vault (Meta Vault)Metadaten und Data Vault (Meta Vault)
Metadaten und Data Vault (Meta Vault)
 
Lymphatic and immune system
Lymphatic and immune systemLymphatic and immune system
Lymphatic and immune system
 
Unloader Brace & clinical application
Unloader Brace & clinical applicationUnloader Brace & clinical application
Unloader Brace & clinical application
 
The PCTT model explained
The PCTT model explainedThe PCTT model explained
The PCTT model explained
 
Perkembangan desain jersey tim nasional indonesia
Perkembangan desain jersey tim nasional indonesiaPerkembangan desain jersey tim nasional indonesia
Perkembangan desain jersey tim nasional indonesia
 
Enzyme Powerpoint
Enzyme PowerpointEnzyme Powerpoint
Enzyme Powerpoint
 
Leadgeneratie via social media in kennisintensieve B2B-organisaties
Leadgeneratie via social media in kennisintensieve B2B-organisatiesLeadgeneratie via social media in kennisintensieve B2B-organisaties
Leadgeneratie via social media in kennisintensieve B2B-organisaties
 
Ad testutjacob
Ad testutjacobAd testutjacob
Ad testutjacob
 
TelePresence MarketPlace Case Study
TelePresence MarketPlace Case StudyTelePresence MarketPlace Case Study
TelePresence MarketPlace Case Study
 
Perenatalnii center
Perenatalnii centerPerenatalnii center
Perenatalnii center
 
The uterus
The uterusThe uterus
The uterus
 
Composition presentation
Composition presentationComposition presentation
Composition presentation
 
Science water
Science waterScience water
Science water
 
20082454 taekkyun nam radio
20082454 taekkyun nam   radio20082454 taekkyun nam   radio
20082454 taekkyun nam radio
 
Hh 2
Hh 2Hh 2
Hh 2
 
Osiagniecia gim1 2013
Osiagniecia gim1  2013Osiagniecia gim1  2013
Osiagniecia gim1 2013
 

Ähnlich wie Data Quadrant - Daten Management Methode

effimag präsentation 05 short
effimag präsentation 05 shorteffimag präsentation 05 short
effimag präsentation 05 shortBrigitte Ilsanker
 
Data Mesh: "Daten als Produkt" weitergedacht
Data Mesh: "Daten als Produkt" weitergedachtData Mesh: "Daten als Produkt" weitergedacht
Data Mesh: "Daten als Produkt" weitergedachtIBsolution GmbH
 
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen KannBARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen KannDataValueTalk
 
YUNA - Data Science Plattform für Unternehmen
YUNA - Data Science Plattform für UnternehmenYUNA - Data Science Plattform für Unternehmen
YUNA - Data Science Plattform für Unternehmeneoda GmbH
 
BATbern52 SBB zu Data Products und Knacknüsse
BATbern52 SBB zu Data Products und KnacknüsseBATbern52 SBB zu Data Products und Knacknüsse
BATbern52 SBB zu Data Products und KnacknüsseBATbern
 
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...OPITZ CONSULTING Deutschland
 
Moderne Business Intelligence Systeme. Dr. Carsten Bange, BARC
Moderne Business Intelligence Systeme. Dr. Carsten Bange, BARCModerne Business Intelligence Systeme. Dr. Carsten Bange, BARC
Moderne Business Intelligence Systeme. Dr. Carsten Bange, BARCInboundLabs (ex mon.ki inc)
 
Enterpriseintegration mit Drupal und SAP
Enterpriseintegration mit Drupal und SAPEnterpriseintegration mit Drupal und SAP
Enterpriseintegration mit Drupal und SAPManuel Pistner
 
Verteilte Software-Systeme im Kontext von Industrie 4.0
Verteilte Software-Systeme im Kontext von Industrie 4.0Verteilte Software-Systeme im Kontext von Industrie 4.0
Verteilte Software-Systeme im Kontext von Industrie 4.0Peter Tröger
 
SeEF 2013 | Bring your own device (Andreas Spichiger)
SeEF 2013 | Bring your own device (Andreas Spichiger)SeEF 2013 | Bring your own device (Andreas Spichiger)
SeEF 2013 | Bring your own device (Andreas Spichiger)Swiss eEconomy Forum
 
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)Praxistage
 
SnT DataCenter Services
SnT DataCenter ServicesSnT DataCenter Services
SnT DataCenter ServicesS&T AG
 
Learning analytics for reflective learning
Learning analytics for reflective learningLearning analytics for reflective learning
Learning analytics for reflective learningMOVING Project
 
Learning Analytics forReflectiveLearning
Learning Analytics forReflectiveLearningLearning Analytics forReflectiveLearning
Learning Analytics forReflectiveLearningAngela Fessl
 
Leistungsportfolio der ICT
Leistungsportfolio der ICTLeistungsportfolio der ICT
Leistungsportfolio der ICTChris H. Leeb
 
Endress + Hauser: Echtzeit Performance Monitoring erfolgreich umgesetzt
Endress + Hauser: Echtzeit Performance Monitoring erfolgreich umgesetzt Endress + Hauser: Echtzeit Performance Monitoring erfolgreich umgesetzt
Endress + Hauser: Echtzeit Performance Monitoring erfolgreich umgesetzt Dynatrace
 
Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013
Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013
Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013luna-park GmbH
 

Ähnlich wie Data Quadrant - Daten Management Methode (20)

Effimag präsentation05
Effimag präsentation05Effimag präsentation05
Effimag präsentation05
 
effimag präsentation 05 short
effimag präsentation 05 shorteffimag präsentation 05 short
effimag präsentation 05 short
 
Data Mesh: "Daten als Produkt" weitergedacht
Data Mesh: "Daten als Produkt" weitergedachtData Mesh: "Daten als Produkt" weitergedacht
Data Mesh: "Daten als Produkt" weitergedacht
 
Nefos: Nefos Mobile iPad App
Nefos: Nefos Mobile iPad AppNefos: Nefos Mobile iPad App
Nefos: Nefos Mobile iPad App
 
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen KannBARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
 
YUNA - Data Science Plattform für Unternehmen
YUNA - Data Science Plattform für UnternehmenYUNA - Data Science Plattform für Unternehmen
YUNA - Data Science Plattform für Unternehmen
 
BATbern52 SBB zu Data Products und Knacknüsse
BATbern52 SBB zu Data Products und KnacknüsseBATbern52 SBB zu Data Products und Knacknüsse
BATbern52 SBB zu Data Products und Knacknüsse
 
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
 
Moderne Business Intelligence Systeme. Dr. Carsten Bange, BARC
Moderne Business Intelligence Systeme. Dr. Carsten Bange, BARCModerne Business Intelligence Systeme. Dr. Carsten Bange, BARC
Moderne Business Intelligence Systeme. Dr. Carsten Bange, BARC
 
Webinar big data für unternehmen
Webinar big data für unternehmenWebinar big data für unternehmen
Webinar big data für unternehmen
 
Enterpriseintegration mit Drupal und SAP
Enterpriseintegration mit Drupal und SAPEnterpriseintegration mit Drupal und SAP
Enterpriseintegration mit Drupal und SAP
 
Verteilte Software-Systeme im Kontext von Industrie 4.0
Verteilte Software-Systeme im Kontext von Industrie 4.0Verteilte Software-Systeme im Kontext von Industrie 4.0
Verteilte Software-Systeme im Kontext von Industrie 4.0
 
SeEF 2013 | Bring your own device (Andreas Spichiger)
SeEF 2013 | Bring your own device (Andreas Spichiger)SeEF 2013 | Bring your own device (Andreas Spichiger)
SeEF 2013 | Bring your own device (Andreas Spichiger)
 
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
 
SnT DataCenter Services
SnT DataCenter ServicesSnT DataCenter Services
SnT DataCenter Services
 
Learning analytics for reflective learning
Learning analytics for reflective learningLearning analytics for reflective learning
Learning analytics for reflective learning
 
Learning Analytics forReflectiveLearning
Learning Analytics forReflectiveLearningLearning Analytics forReflectiveLearning
Learning Analytics forReflectiveLearning
 
Leistungsportfolio der ICT
Leistungsportfolio der ICTLeistungsportfolio der ICT
Leistungsportfolio der ICT
 
Endress + Hauser: Echtzeit Performance Monitoring erfolgreich umgesetzt
Endress + Hauser: Echtzeit Performance Monitoring erfolgreich umgesetzt Endress + Hauser: Echtzeit Performance Monitoring erfolgreich umgesetzt
Endress + Hauser: Echtzeit Performance Monitoring erfolgreich umgesetzt
 
Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013
Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013
Matthias Bettag, DAALA Berlin: Veränderungen digital analytics in 2013
 

Data Quadrant - Daten Management Methode

  • 1. DATEN QUADRANT STRATEGIE UND ORGANISATION IM ZEITALTER VON AGILEBI, DWH, AUTOMATION UND BIGDATA
  • 2. 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
  • 3. DATENSTRATEGIE Strategie Ziele und Vorhaben Datenmanagement Systeme und Applikationen Network / Infrastructure Strategie Ziele und Vorhaben Systeme und Applikationen Network / Infrastructure Datenmanagement Datengetrieben Applikationsgetrieben
  • 4. • 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 Technologie Technology Assets Datenmanagement Daten Assets Informiert ErstelltKontext
  • 5. INFORMATIONEN LIEFERN Geschäftsprozesse Ziele und VorhabenPersonen und Organisation Technologie Technology Assets Informationsfluss Anforderungen Datenmanagement Strategie Architektur Governance Qualität Integration Plattformen BI I n f o r m Produkt
  • 8. WIE KOMMEN PRODUKTE AUF DEN 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 Bekannte Anforderungen 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 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 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 und Architektur 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 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
  • 24. 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 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