What is Data Ops

Was ist DataOps?

Warum Sie es jetzt brauchen und wie Sie es umsetzen können.

Was ist DataOps? Das hängt davon ab, wen man fragt. Das Konzept entwickelt sich weiter, ist in aller Munde und jeder hat seine eigene Meinung dazu. Die Tendenz geht dazu, sich auf Tools und Abläufe zu konzentrieren. DataOps ist jedoch weit mehr als das. Wenn man sich in Buzzwords verliert, kann man leicht die wahre Bedeutung eines Begriffs verlieren.

Was also ist DataOps? Es handelt sich nicht um eine Software oder ein Tool, das man kaufen kann, aber Technologie ist definitiv ein Teil davon. Ich bin der Meinung, man muss ganzheitlicher denken. Bei DataOps geht es in erster Linie um Menschen und Prozesse – diejenigen, die Daten erzeugen, diejenigen, die sie verwenden, wie sie miteinander kommunizieren und wie Sie die Daten verfügbar machen. Es kann agile Verfahren und DevOps sowie Prinzipien des umfassenden Qualitätsmanagements und der schlanken Produktion einbeziehen und all dies auf die Analysen anwenden.

Wir bei Rackspace Technology definieren DataOps als ein „Prozess-Framework für den gesamten Daten-Lebenszyklus, das Implementierungen im DevOps-Stil, agile Entwicklung und statistische Prozesskontrollen sowie Governance zur Anwendung in Bezug auf Menschen, Prozesse und Technologie umfasst.“ Wenn ich das in einer Kernaussage zusammenfassen müsste, wäre es folgende: Bei DataOps geht es darum, wie man Daten möglichst effizient für diejenigen, die sie verwenden, verfügbar macht. Es ist die Orchestrierung von Menschen, Prozessen und Technologie, um vertrauenswürdige, hochwertige Daten zu liefern, wo und wann sie benötigt werden.

Warum wir DataOps jetzt brauchen

DataOps bietet Antworten auf die zentralen Herausforderungen im Datenmanagement mit Data Warehouses und Data Lakes, Business Intelligence mit Dashboards und Reporting sowie Data Science mit Datenaufbereitung und Pipelines. Es strafft Prozesse, verbessert die Zusammenarbeit, erhöht Agilität und Geschwindigkeit und etabliert eine Kultur der kontinuierlichen Verbesserung. Es schließt die Lücke zwischen Datentechnik, IT und Unternehmen, stellt durch kurze Entwicklungszyklen die Relevanz sicher und führt zur Erstellung von Analysepipelines, durch die der Data-Science-Prozess flexibel bleibt.

Eine deutlich kürzere Antwort darauf, warum wir DataOps jetzt brauchen, ist folgende: wegen COVID-19.

Die Pandemie hat jedes Modell und jede Prognose, die IT-Unternehmen einmal hatten, auf den Kopf gestellt. Sie hat uns deutlich vor Augen geführt, dass sich die Dinge schnell ändern können – und dass man sich ohne sofort und einfach zugängliche Daten nicht schnell genug anpassen kann, um mit der Realität Schritt zu halten. Im vergangenen Jahr haben viele Unternehmen festgestellt, dass sie die benötigten Daten zwar irgendwo haben, aber ihre Systeme es ihnen nicht ermöglichten, sie zu nutzen.

Unternehmen brauchen Wochen oder Monate, um die benötigten Daten zu erhalten und anschließend zu analysieren. Das ist nicht gut genug. Wir müssen herausfinden, wie man aus einigen Monaten einen Tag machen kann. Darin liegt die große Herausforderung. Anderenfalls sind die Daten zu dem Zeitpunkt, an dem sie zu einem Benutzer oder Stakeholder zurückkommen, nicht mehr nützlich und relevant. Der ursprüngliche Zweck, der hinter dem Wunsch nach den Daten steht, ist verfehlt.

Die Kombination aus Menschen, Prozessen und Technologie kann dazu beitragen, diese Dinge zu lösen. Ziel muss die Umstellung auf Self-Service sein, bei dem die Daten sofort verfügbar sind. Auch hierbei handelt es sich um DataOps nicht als Tool oder Technologie, sondern als Konzept. Es geht darum, Daten von den Quellsystemen zu den Zielbenutzern zu bringen, und das in kürzester Zeit, während sie relevant sind, und auf eine gut verwertbare Weise.

Wie man DataOps Wirklichkeit werden lässt

Auch wenn einige Unternehmen das Gegenteil behaupten, entsteht DataOps nicht wie von Zauberhand. Es müssen wesentliche Herausforderungen bewältigt werden. Folgende Schritte sind entscheidend:

1. Legen Sie eine Strategie fest

Das erscheint offensichtlich, aber viele Unternehmen verfügen nicht über eine DataOps-Strategie. Tatsächlich haben sie nicht einmal die Vision, über DataOps nachzudenken. Ohne eine festgelegte Strategie und die Zustimmung der Geschäftsleitung riskiert ein Unternehmen, eher auf einen Hype als auf Unternehmensanforderungen zu reagieren. Für Unternehmen ist es von entscheidender Bedeutung, einen ganzheitlichen Ansatz zu verfolgen und eine DataOps-Strategie zu definieren, die speziell für das jeweilige Unternehmen funktioniert.

2. Verwalten Sie Änderungen effizient

DataOps erfordert die Fähigkeit, Veränderungen schnell vorzunehmen und bei diesen auf dem neuesten Stand zu bleiben. Das können Sie nur, wenn Sie über ein angemessenes Änderungsmanagement für Daten verfügen. Selbst bei Unternehmen, die tief in die Automatisierung eingestiegen sind, sind eine Änderungsmanagement-Praktik und CI/CD-Pipelines für Analysen noch relativ neu. Stellen Sie also sicher, dass ein effektives Änderungsmanagement in Ihrem Unternehmen etabliert ist – und zwar von der Geschäftsleitung an.

3. Integrieren Sie die Sicherheit von Anfang an

Sie können nicht zulassen, dass die falschen Personen Zugriff auf Daten erhalten und diese überwachen. Sie müssen also herausfinden, ob Ihre Daten sicher sind, wie sie gesichert werden, wo und wie sie verfügbar sind und ob die richtigen Personen die richtigen Zugriffsrechte haben. All dies muss von Anfang an integriert werden.

4. Stellen Sie sicher, dass Sie über hochwertige Daten verfügen

Es ist von entscheidender Bedeutung, Daten zu beobachten und bei Änderungen mit Problemen umzugehen. Dafür sind zahlreiche Instrumente erforderlich und es kommt Automatisierung ins Spiel. Sie müssen sicherstellen, dass die Datenqualität nicht sinkt und dass nicht verschiedene Personen widersprüchliche Interpretationen derselben Daten erzeugen. Sie müssen diesbezüglich auf einer grundlegenden organisatorischen Ebene diszipliniert vorgehen und Richtlinien und Definitionen erstellen, um Fehler zu reduzieren und ständig danach zu streben, die Zykluszeit zu verringern. Dadurch werden Ihre Bemühungen gestrafft und beschleunigt.

5. Ermitteln Sie Ihren DataOps-Reifegrad

Wenige Unternehmen sind in diesem Bereich ausgereift. Einige sind weiter als andere. Wenn man es aufschlüsselt, ist jedes Unternehmen in Bezug auf Automatisierung, Management, Zusammenarbeit und andere Faktoren an einem individuellen Punkt. Im Großen und Ganzen sind die meisten bei der Automatisierung fortgeschritten; viele sind bei der übergreifenden Zusammenarbeit im Rückstand, bei der es darum geht, sicherzustellen, dass die Daten im gesamten Unternehmen geteilt werden und dass die richtigen Personen Zugriff darauf haben. Finden Sie heraus, wo die Defizite Ihres Unternehmens liegen und konzentrieren Sie sich darauf, diese zu beheben.

Verschaffen Sie sich einen Vorsprung bei DataOps

Was sind die wichtigsten Erkenntnisse, damit DataOps für Sie funktioniert? Welche Ratschläge sollten Sie befolgen, um dieses Konzept und diese Kultur in all Ihre Abläufe zu integrieren?

Schaffen Sie ein Bewusstsein. Beginnen Sie mit den vorhandenen Daten und ermutigen Sie alle in Ihrem Unternehmen, nicht nur die Wirtschaftsanalytiker, die Daten zu nutzen. Das ist der erste Schritt. Nutzen Sie dann Plattform-Automatisierung, um die Zeit für die Bereitstellung dieser Daten zu verringern.

Stellen Sie durchgängig sicher, dass die Benutzer die Daten und den Wert der Daten verstehen. Setzen Sie Ihr Vorhaben dann in die Tat um, damit sie dies selbst tun können. Überwinden Sie diese anfänglichen Hürden und Ihr Unternehmen ist auf einem guten Weg.

Vergessen Sie vor allem den Hype um DataOps und die vielen Buzzwords, mit denen um sich geworfen wird. Setzen Sie stattdessen alles mit der zentralen Idee in Verbindung, Daten zu Ihren Endbenutzern zu bringen. Konzentrieren Sie sich auf Ergebnisse. Fragen Sie sich: Welche geschäftlichen Zwecke möchten wir erreichen? Alles andere wird sich von selbst ergeben, wenn Sie eine gute Vorstellung davon haben, wie Sie die Daten nutzen möchten.

 

Join the Conversation: Find Solve on Twitter and LinkedIn, or follow along via RSS.

Stay on top of what's next in technology

Learn about tech trends, innovations and how technologists are working today.

Subscribe
DataOps

Fünf Schritte für eine erfolgreiche Datenmodernisierung

About the Authors

Nirmal Ranganathan

Chief Architect - Data & AI

Nirmal Ranganathan

Nirmal Ranganathan is the Chief Architect – Data & AI at Rackspace Technology and responsible for technology strategy and roadmap for Rackspace's Public Cloud Data & AI solutions portfolio, working closely with customers, alliances and partners. Nirmal has worked with data over the past 2 decades, solving distributed systems challenges dealing with large volumes of data, being a customer advocate and helping customers solve their data challenges. Nirmal consults with customers around large-scale databases, data processing, data analytics and data warehousing in the cloud, providing solutions for innovative use cases across industries leveraging AI and Machine Learning.

Read more about Nirmal Ranganathan