Waarom gevolgtrekking de sleutel is tot het realiseren van het volledige potentieel van gegevens

Digitale transformatie is een rage, en in de meeste gevallen is het doel van digitale transformatie om gegevens als een asset te behandelen. In sommige gevallen betekent dat geld verdienen met gegevens, en in andere gevallen is het doel om gegevens efficiënter te gebruiken om inzicht te verkrijgen om betere beslissingen te nemen. In werkelijkheid zijn beide echter moeilijk te bereiken. Digitale transformatie vereist snelle inzichten van steeds meer hybride, gevarieerde en veranderende data, maar traditionele data-integratieplatforms zijn niet ontworpen voor de huidige omgeving. Als gevolg hiervan kunnen organisaties de groeiende complexiteit van data niet langer bijbenen, noch kunnen ze verborgen relaties en verbanden tussen de data identificeren om nieuwe kansen te ontdekken. Wat steeds vaker nodig is, is een inferentievermogen waarmee bedrijven verschillende datasets kunnen samenbrengen en analyseren om inzichten te verkrijgen.

Groei en innovatie stimuleren in de huidige complexe wereld van oneindige gegevensverzameling is alleen mogelijk wanneer IT-teams los kunnen komen van starre gegevensstructuren en verouderde integratiestijlen.

Wendbaarheid is de sleutel tot zakelijk succes, en ondernemingen zijn wanhopig om gegevens bruikbaar te maken wanneer het telt, niet voor antwoorden morgen of volgende week, maar voor nu.

Maar om onaangeboorde waarde af te leiden, moet je gegevens kunnen verbinden op basis van de zakelijke betekenis ervan, ongeacht het formaat, de bron of de onderliggende technologie. De enorme hoeveelheid gegevens die is afgeleid van machine learning en andere bronnen, vereist de mogelijkheid om gerelateerde informatie die is opgeslagen in ongelijksoortige bronnen te associëren en vervolgens een rijk web van relaties toe te passen om nieuwe associaties te ontdekken. Dit is essentieel om de belofte van digitale transformatie waar te maken. Maar hoe pak je dit aan?

Verhuizen van gebouwen naar logische consequenties:hoe datafabrics de benodigde inferentie leveren

Organisaties passen tegenwoordig moderne integratiebenaderingen toe, zoals datafabrics, om collaboratieve, cross-functionele projecten en producten mogelijk te maken en te ontsnappen aan reactieve workflows. Door gegevens uit interne silo's en externe bronnen samen te voegen, creëren ze een netwerk van informatie om de bedrijfsapplicaties, Al en analyses aan te sturen. Simpel gezegd ondersteunen ze de volledige breedte van de complexe onderneming van vandaag door verbindingen te creëren tussen informatie die is opgeslagen in ongelijksoortige bronnen.

Kennisgrafieken zijn een integraal onderdeel van een effectieve datafabric omdat ze een herbruikbaar netwerk van informatie creëren, gegevens van verschillende structuren vertegenwoordigen en meerdere schema's ondersteunen. Door het semantische begrip van bedrijfsgegevens en gegevens van derden te creëren, dienen kennisgrafieken als de kern van de gegevensstructuur:ze verrijken en versnellen bestaande investeringen en bieden essentiële toegang tot bedrijfsinzichten. Wat nog belangrijker is, kennisgrafieken zetten gegevens om in machine-begrijpelijke, real-world kennis die situationele veranderingen ondersteunt, zodat de betekenis verandert afhankelijk van de omstandigheden. Eenmaal vastgesteld, gebruikt de kennisgrafiek ook dit rijke web van relaties om nieuwe associaties binnen de gegevens te ontdekken. Deze afgeleide relaties creëren een rijker, nauwkeuriger beeld van de gegevens van een onderneming.

Door gelaagde associaties tussen concepten te bieden, bieden kennisgrafieken genuanceerd begrip, zodat kennisgestuurde organisaties nieuwe ontdekkingen kunnen identificeren. Ze bieden ook de context die vaak ontbreekt in gegevens, omdat de kennisgrafiek speciaal is gebouwd om de fluctuerende aard van kennis te ondersteunen. Het resultaat is een flexibelere basis voor digitale operaties, aangezien de technologie gemakkelijk nieuwe gegevens, definities en vereisten accepteert.

Het datamodel van de kennisgrafiek, vaak een ontologie of vocabulaire genoemd, legt algemene relaties tussen entiteiten vast en stelt bedrijven in staat complexe domeinen te beschrijven. Neem als voorbeeld de geneeskunde. Om een ​​nieuwe therapie te ontwikkelen, moeten farmaceutische bedrijven toegang hebben tot meerdere feiten, modelleerconstructies en bedrijfsregels, die allemaal met elkaar moeten interageren om nieuwe verbanden te leggen. Deze mogelijkheid tot gevolgtrekking maakt het voor fabrikanten mogelijk om mensen aan de infrastructuur te koppelen via de applicaties die ze gebruiken. bij studies. En de lijst gaat maar door.

Door meerdere datamodellen tegelijkertijd op een datafabric toe te passen, kunnen organisaties meerdere applicaties ondersteunen die verschillende interpretaties van dezelfde data vereisen. Traditionele benaderingen voor data-integratie, zoals data lakes of datawarehouses, zijn beperkt in deze hoedanigheid, omdat ze het moeilijk maken om meer dan één schema te ondersteunen. Dit is een van de redenen waarom ondernemingen voortdurend nieuwe gegevenssilo's moeten creëren voor elke nieuwe toepassing, elk nieuw project of elke nieuwe analyse. Een dergelijke benadering vermindert het vermogen om gevolgtrekkingsanalyses uit te voeren.

De verbonden enterprise-extra componenten van een succesvolle datafabric mogelijk maken

Door gebruik te maken van de inferentiemogelijkheden van kennisgrafieken, extrapoleren organisaties niet alleen nieuwe gegevensverbindingen, maar leggen ze ook elke nieuwe verbinding uit. In tegenstelling tot black box-aanbevelingssystemen, die geen verklaring of reden voor hun resultaten kunnen geven, kan de kennisgrafiek alle gevolgtrekkingen en resultaten verklaren in termen van gegevens, schema en bedrijfsregels. Deze verklarende transparantie stelt gebruikers in staat om te bekijken hoe de kennisgrafiek tot een antwoord is gekomen en de bedrijfslogica waarnaar wordt verwezen om dit te doen. Dit is niet alleen essentieel voor het leveren van betrouwbare resultaten en verantwoording binnen een organisatie, maar is ook noodzakelijk voor bepaalde wettelijke en regelgevende vereisten.

Hoewel een kennisgrafiek het belangrijkste ingrediënt van de datafabric is, is het niet het enige dat een organisatie nodig heeft om succesvol te zijn. Een effectieve datafabric vereist het benutten en verbinden van bestaande bronsystemen. Het vereist ook de mogelijkheid om verbinding te maken met bestaande datacatalogi, datameren, databases en andere datamanagementplatforms. Voor datafabric-implementaties is het gebruik van voltooide indata-catalogi van cruciaal belang voor het versnellen van data-ontdekking en semantische verrijking. Door de datacatalogus als invoer te gebruiken, bouwt de kennisgrafiek een datakaart op van de data-assets van anenterprise die het maken van datafabric verder versnelt door gedeeltelijk geautomatiseerd leren en automatisch -mapping van bestaande bronnen.

Het creëren van een bedrijfsbreed datamodel is een andere veelvoorkomende vraag met betrekking tot het implementeren van een datafabric. Velen denken dat dit een potentieel dure en tijdrovende voorwaarde voor het initiatief is, maar in werkelijkheid hoeven ze slechts zo veel concepten te definiëren als nodig zijn voor hun eerste gebruik. Begin met het identificeren van een kritiek bedrijfsprobleem om het bredere datafabric-initiatief te leiden. Benader de datafabric met een MVP-mentaliteit en focus alleen op de minimale hoeveelheid werk die nodig is om de eerste bedrijfsdoelstelling te bereiken.

Organisaties van elke omvang besteden nog meer aandacht en investeringen aan digitale transformatie. Ondanks deze hernieuwde aandacht blijven fundamentele data-uitdagingen een primair obstakel. Digitale transformatie vereist databeheersing en dankzij de erfenis van IT is dit niet eenvoudig te realiseren. Er zijn gewoon te veel dingen om te beheren:dataformaten, standaarden, datatypes, snelheden, schema's, systemen, databases, silo's, methodologieën, modellen, enz. De enorme diversiteit van het moderne enterprise IT-landschap is ontmoedigend.

Door gebruik te maken van de moderne benadering van kennisgrafieken, kunnen organisaties niet alleen hun interne gegevenssilo's op een betekenisvolle nieuwe manier verbinden, maar kunnen ze ook verborgen feiten en relaties ontdekken door middel van gevolgtrekkingen die anders niet op grote schaal zouden kunnen worden begrepen. Door de genuanceerde betekenis vast te leggen die verschillende bedrijfseenheden voor dezelfde entiteit kunnen hebben, kunnen organisaties een herbruikbare digitale basis creëren die ruimte houdt met voortdurende verschuivingen in de markt en voorbereid zijn op alles wat daarna komt.