Co je správa dat?

Správa dat je praxe shromažďování, uchovávání a používání dat bezpečně, efektivně a hospodárně. Cílem správy dat je pomoci lidem, organizacím a připojeným položkám optimalizovat využívání dat v rámci zásad a regulace tak, aby mohli přijímat rozhodnutí a činit kroky, které maximalizují přínos pro organizaci. Robustní strategie správy dat je důležitější než kdy jindy, protože organizace se při vytváření přidané hodnoty stále více spoléhají na nehmotná aktiva.

Správa digitálních dat v organizaci zahrnuje širokou škálu úkolů, zásad, postupů a praxe. Práce správy dat má širokou působnost, která zahrnuje faktory, jakými jsou například

• Vytvoření, přístup a aktualizace dat napříč různorodou datovou vrstvou
• Ukládání dat napříč více cloudy i místně
• Zajištění vysoké dostupnosti a zotavení po havárii
• Používání dat v rostoucí škále aplikací, analytik a algoritmů
• Zajištění soukromí a bezpečnosti dat
• Archivace a likvidace dat v souladu s plány uchovávání a požadavky na shodu

Formální strategie pro správu dat se zabývá činností uživatelů a správců, možnostmi technologií pro správu dat, nároky regulačních požadavků a potřebami organizace získávat hodnoty z jejích dat.

Dnešní systémy pro správu dat

Dnešní organizace potřebují řešení pro správu dat, které poskytuje efektivní způsob správy dat napříč různorodou, ale jednotnou datovou vrstvou. Systémy pro správu dat jsou postaveny na platformách pro správu dat a mohou zahrnovat databáze, datová jezera a sklady, systémy pro správu velkých dat, analýzu dat a další.

Všechny tyto komponenty pracují společně jako a “datový nástroj” pro poskytování funkcí správy dat, které organizace potřebuje pro své aplikace a pro analýzy a algoritmy, které využívají data pocházející z těchto aplikací. Ačkoli současné nástroje pomáhají správcům databází (DBA) automatizovat mnoho tradičních úkolů správy, ruční zásah je často vyžadován z důvodu velikosti a složitosti většiny databázových nasazení. Pokud je nutný ruční zásah, zvyšuje se pravděpodobnost chyb. Snížení potřeby ruční správy dat je klíčovým cílem nové technologie pro správu dat, autonomní databáze.

Systémy pro správu velkých dat

V některých ohledech jsou velká data to,o čem vypovídá jejich název – spousty dat. Ale velká data přicházejí také v širším rozsahu než tradiční data a jsou shromažďována vysokou rychlostí. Představte si všechna data, která přicházejí každý den, nebo každou minutu, ze sociální sítě, jako je Facebook. Množství, rozmanitost a rychlost těchto dat je to, co je pro firmy tak cenné, ale zároveň je velmi složité řídit.

Vzhledem k tomu, že se stále více dat shromažďuje ze zdrojů, jako jsou videokamery, sociální sítě, zvukové nahrávky a zařízení Internet of Things (IoT), objevily se velké systémy správy dat. Tyto systémy se specializují na tři obecné oblasti.

• Integrace velkých dat spojuje různé typy dat – z dávek ke streamování – a transformuje je tak, aby bylo možné je spotřebovávat.
• Správa velkých dat ukládá a zpracovává data v datovém jezeře nebo datovém skladu efektivně, bezpečně a spolehlivě, často pomocí ukládání objektů.
• Analýza velkých dat odhaluje nové pohledy na analytiku a využívá strojové učení a vizualizaci AI pro tvorbu modelů.

Společnosti používají velká data ke zlepšení a urychlení vývoje produktů, prediktivní údržby, zkušeností zákazníků, bezpečnosti, provozní efektivity a mnohem více. S tím, jak se velká data zvětšují, přicházejí i další příležitosti.

Výzvy v oblasti správy dat

Většina výzev v oblasti správy dat dnes vyplývá z rychlejšího tempa podnikání a rostoucího počtu dat. Stále se rozšiřující rozmanitost, rychlost a objem dat, které mají organizace k dispozici, je nutí k tomu, aby hledaly účinnější nástroje řízení, které by udržely krok. Mezi hlavní výzvy, kterým organizace čelí, patří:

• Nevědí, jaká data vlastní. Sbírají a ukládají se data ze stále většího počtu a různých zdrojů, jako jsou senzory, inteligentní zařízení, sociální sítě a videokamery. Ale žádná z těchto dat nejsou užitečná, pokud organizace neví, jaká má data, kde jsou a jak je používat.
• Při rozšiřování datové vrstvy musí udržovat úrovně výkonu. Organizace neustále pořizují, ukládají a používají více dat. Pro udržení špičkové doby odezvy v této rozšiřující se vrstvě musí organizace průběžně sledovat typ otázek, které databáze zodpovídá, a měnit indexy jako změny dotazů, aniž by to mělo vliv na výkon.
• Musí splňovat neustále se měnící požadavky na dodržování předpisů. Dodržování předpisů je složité, děje se ve více jurisdikcích a neustále se mění. Organizace musí být schopny snadno prohlížet svá data a identifikovat vše, co spadá pod nové nebo upravené požadavky. Zejména osobně identifikovatelné informace (PII) musí být detekovány, sledovány a sledovány z hlediska dodržování přísnějších globálních předpisů o ochraně osobních údajů.
• Nejsou si jisté, jak změnit účel dat, aby byla vhodná pro nové využití. Sběr a identifikace dat jako takových neposkytuje žádnou hodnotu – organizace je musí zpracovat. Pokud to zabere spoustu času a úsilí převést data na to, co potřebují pro analýzu, tato analýza se neuskuteční. Výsledkem je ztráta potenciální hodnoty těchto dat.
• Musí držet krok se změnami v uchovávání dat. V novém světě správy dat ukládají organizace data ve více systémech, včetně datových skladů a nestrukturovaných datových jezer, která ukládají data v libovolném formátu v jediném úložišti. Datoví vědci organizace potřebují způsob, jak rychle a snadno transformovat data z původního formátu do tvaru, formátu nebo modelu, který potřebují, aby se dostali k široké škále analýz.

Osvědčené postupy správy dat

Řešení výzev v oblasti správy dat vyžaduje komplexní, promyšlený soubor osvědčených postupů. Ačkoli se konkrétní osvědčené postupy liší v závislosti na typu dat a odvětví, následující osvědčené postupy se zabývají hlavními problémy, s nimiž se organizace pro správu dat potýkají dnes:

• Vytvořte vrstvu zjišťování, abyste identifikovali svá data. Vrstva zjišťování na vrcholu datové vrstvy organizace umožňuje analytikům a datovým vědcům vyhledávat a procházet datové sady, aby byla vaše data využitelná.
• Vyvíjejte prostředí pro datovou vědu, abyste efektivně repasovali svá data. Prostředí pro datovou vědu automatizuje co nejvíce práce na transformaci dat, což zefektivňuje tvorbu a vyhodnocování datových modelů. Soubor nástrojů, který eliminuje potřebu ruční transformace dat, může urychlit hypotézu a testování nových modelů.
• Používejte autonomní technologii pro udržení úrovně výkonu v rozšířené vrstvě dat. Autonomní datové možnosti využívají AI a strojové učení k průběžnému monitorování databázových dotazů a optimalizaci indexů při změně dotazů. To umožňuje databázi zachovat rychlou odezvu a osvobozuje DBA a datové vědce od časově náročných ručních úkolů.
• Použijte zjišťování pro zachování přehledu požadavků na dodržování předpisů. Nové nástroje využívají zjišťování dat ke kontrole dat a identifikaci řetězců spojení, které je třeba detekovat, sledovat a monitorovat z hlediska dodržování shody napříč jurisdikcemi. Vzhledem k tomu, že požadavky na dodržování předpisů rostou celosvětově, bude tato schopnost stále důležitější pro pracovníky v oblasti rizik a bezpečnosti.
• Použijte společnou vrstvu dotazů ke správě více a různých forem ukládání dat. Nové technologie umožňují úložištím pro správu dat spolupracovat a díky tomu rozdíly mezi nimi zmizí. Společná vrstva dotazů, která pokrývá mnoho druhů ukládání dat, umožňuje datovým vědcům, analytikům a aplikacím přístup k datům, aniž by museli vědět, kde jsou uložena a aniž by je museli ručně transformovat do použitelného formátu.

Správa dat se vyvíjí

S novou rolí dat jako obchodního kapitálu organizace objevují, co již začínající digitální uživatelé a narušitelé digitálního světa znají: Data jsou cenným přínosem pro identifikaci trendů, rozhodování a jednání pro udržení si náskoku před konkurenty. Nové postavení dat v hodnotovém řetězci vede organizace k tomu, aby aktivně hledaly lepší způsoby, jak z tohoto nového kapitálu získat hodnotu.

V rámci společností se zodpovědnosti DBA v oblasti správy dat také vyvíjejí, čímž se snižuje počet nudných úkolů, aby se správci databází mohli zaměřovat na strategičtější záležitosti a poskytovat podporu kritické správy dat v cloudových prostředích zahrnující klíčové iniciativy, jako je modelování dat a zabezpečení dat.