Programmering

Forståelse af applikationsdatastyring

Med alle de oplysninger, der findes - 2,5 quintillion byte om dagen, med et antal - er det ikke overraskende, at nutidens virksomheder kæmper med at klassificere, organisere og styre data. Uanset om de har brug for dataene eller bare ender med det (digital udstødning), skal de have det praktisk. Skarp datastyring er grundlaget for at omdanne information til omsætning.

For nylig har virksomheder genstuderet deres datastyringsstrategi ved at fokusere på den større arkitektur i datahub. Datahubben forbinder alle data i en virksomhed, hvilket i sidste ende giver alle forretningsbrugere 360 ​​graders visning af de data, de har brug for til at udføre deres job. Ideelt set ville dette ske i sammenhæng med de forretningsapplikationer, de allerede bruger; gør dette gennemsigtigt og effektivt, samtidig med at datastyring muliggøres på et samarbejde på tværs af virksomheden.

I min sidste kolonne skrev jeg om at tage datahubben et skridt videre for at gøre det intelligent. Denne gang vil jeg gå dybere ned på en kritisk komponent i datahubben: ADM (application data management).

Definition og mastering af applikationsdatastyring

Som analytiker og forskning VP Andrew White hos Gartner har påpeget, er ADM en slags nyt underfelt, der eksisterer både ved siden af ​​og inden for masterdatastyring (MDM). Administration af applikationsdata (ADM) mestrer data, der deles (almindeligt) mellem flere applikationer, men ikke nødvendigvis hele virksomheden.

For eksempel kan en typisk virksomhed i dag have supply chain management, et CRM-system (Customer Relationship Management) og faktureringssoftware. Hvert system kører en anden del af virksomheden. Alligevel har alle disse systemer data, der er almindelige på tværs af dem, såsom kundenavne, adresser, fakturerings- og forsendelsesadresser og fakturaer.

Hvert system har også andre data. I forsyningskædesystemet er der logistiske oplysninger, oplysninger om forsendelse, skatter og afgifter. CRM har kundeemner og muligheder, yderligere kontakter, tidligere ordrer og forhandlinger, mens regnskabssoftware indeholder bankkonto- og routingnumre - information, der har brug for høj sikkerhed, og som kun ses af få medarbejdere i hele organisationen.

De fælles data er forskellige. Det er det, der ofte omtales som "langsomt skiftende dimensioner." I løbet af dit liv ændres meget langsomt din adresse, telefon og e-mail, men du er stadig den samme person. Det samme gælder, hvis du arbejder for en virksomhed, men bliver forfremmet eller overfører kontorer; nogle tal og bogstaver, der tilskrives dig, vil ændre sig, men andre ikke.

Oplysninger, der langsomt ændrer dimensioner, betragtes som stamdata og opbevares i en separat database med information om disse små, langsomme ændringer over tid. De hurtigere skiftende applikationsdata er transaktionsoplysninger som f.eks. En persons indkomst eller en virksomheds indtægter. Det ændrer sig hele tiden (som hvert kvartal) og opbevares ved siden af ​​kundeoplysninger. Selvom det ikke er stamdata, vil en virksomhed stadig beherske dem.

Administration af applikationsdata i praksis

I løbet af en hverdag opdaterer forskellige personer i en organisation disse informationsgrupper. Afhængigt af deres rolle og tilladelser kan de opdatere eller godkende eller indsende til godkendelse til en datastyrer bit dele af applikationsdata. De opdateres ved forskellige hastigheder med forskellige niveauer af specificitet og nøjagtighed. Da ændringerne vedtages, reflekteres de delte data med det samme i alle applikationer. Så ADM gør alt, hvad MDM gør, men tjener i sidste ende en anden sag: delt på tværs af flere applikationer.

Hvad forbinder alt sammen? Det er datahubben. Datahubet inkluderer datastyring, datakvalitet og berigelse samt arbejdsgange (såsom godkendelser og iterative processer) De afspejler, hvordan data ændrer sig over tid og giver krystalklarhed for sporbarhed, afstamning og hørbarhed.

Kunstig intelligens: nøglekomponenten

Indtil for nylig er evnen til at bruge en datahubstrategi blevet hindret af det besværlige behov for integration og kravet om at samle flere softwareplatforme og tjenester til et funktionelt system. Kunstig intelligens og maskinindlæringsteknologier bringer "den sidste mil" af automatisering og korrelation for at gøre datahubben mulig.

Dette sidste lag er det "intelligente" datahub - som overvejer de ovennævnte datafunktioner, herunder AI og maskinindlæring, hvilket fører til en intuitiv brugervenlig forretningsgrænseflade, der gør dataprocesser let forbrugte for enhver medarbejder i organisationen.

Virksomhedsslutbrugere er dem, der i sidste ende skal have beføjelse til at opbygge kundeloyalitet og udforske kryds-salg og upsell-muligheder. Data kan hjælpe dem, men kun hvis de opbevares på det rigtige sted og forvaltes fra den rigtige applikation til den rigtige person på det rigtige tidspunkt.

At bringe det sammen

Dataindustrien har gjort sig selv en bjørnetjeneste ved at have mange komponenter i software til segmenterede dele af det større krav. Dette blev født ud af et ønske om at eje en niche inden for et overfyldt marked. Måden at levere den værdi, der er så desperat behov for, er i stigende grad ved at bringe den sammen i en enkelt platform og strømline kompleksiteten med et intuitivt design. Se dette rum.