Nessun risultato trovato

La tua ricerca non ha prodotto risultati

È consigliabile provare quanto segue per riuscire a trovare quello che stai cercando:

  • Controlla l'ortografia della ricerca per parola chiave.
  • Utilizza sinonimi per la parola chiave digitata, ad esempio prova “applicazione” anziché “software”.
  • Prova una delle ricerche popolari mostrate di seguito.
  • Inizia una nuova ricerca.

 

Domande di tendenza

Che cos'è il data management?

Il data management è la pratica che consente di raccogliere, conservare e utilizzare i dati in modo sicuro, efficiente ed economico. L'obiettivo del data management è quello di aiutare persone, organizzazioni e oggetti connessi a ottimizzare l'uso dei dati nel rispetto di policy e regolamenti, consentendo di prendere decisioni e intraprendere azioni che massimizzino i vantaggi per l'organizzazione. Una solida strategia di data management sta diventando più importante che mai dal momento che le organizzazioni fanno sempre più affidamento su asset immateriali per creare valore.

Il capitale dei dati è capitale aziendale

Nell'ambito dell'economia digitale dei nostri giorni, i dati rappresentano una specie di capitale, un fattore economico di produzione di beni e servizi digitali. Una casa automobilistica non può produrre un nuovo modello se non ha il capitale finanziario necessario. Allo stesso modo, non può rendere le sue auto autonome se mancano i dati per alimentare gli algoritmi integrati. Questo nuovo ruolo dei dati ha impatto sulla strategia competitiva e sul futuro dell'informatica.

Poiché questo ruolo dei dati è centrale e mission-critical, complesse pratiche di gestione e un solido sistema di gestione sono essenziali per ogni organizzazione, indipendentemente dalle dimensioni o dal tipo.

Scopri di più su L'ascesa del capitale dei dati (PDF)

La gestione dei dati digitali in un'organizzazione implica una vasta gamma di attività, policy, procedure e pratiche. L'attività di data management ha una vasta portata, che copre fattori come:

  • Creazione, accesso e aggiornamento dei dati su un livello di dati diversificato
  • Archiviazione di dati su più cloud e on-premise
  • Disponibilità elevata e disaster recovery
  • Utilizzo di dati in una crescente varietà di app, strumenti di analisi e algoritmi
  • Garanzia di sicurezza e privacy dei dati
  • Archiviazione ed eliminazione dei dati in base ai programmi retention e ai requisiti di compliance

Una strategia di data management formale riguarda l'attività di utenti e amministratori, le funzionalità delle tecnologie di data management, le disposizioni dei requisiti normativi e le esigenze dell'organizzazione al fine di ottenere valore dai dati.

Sistemi di data management odierni

Oggigiorno le organizzazioni hanno bisogno di una soluzione di data management che fornisca un modo efficiente per gestire i dati attraverso un livello di dati diversificato, ma unificato. I sistemi di data management sono basati su piattaforme di data management e possono includere database, data lake e data warehouse, sistemi di gestione dei big data, analisi dei dati e altro ancora.

Tutti questi componenti interagiscono sotto forma di “utilità di dati ” per fornire le funzionalità di data management di cui un'organizzazione ha bisogno per le app di cui dispone, così come per l'analisi e gli algoritmi che utilizzano i dati che hanno origine da tali app. Sebbene gli strumenti correnti consentano agli amministratori di database (DBA) di automatizzare molte delle attività di gestione tradizionali, l'intervento manuale è comunque spesso richiesto a causa delle dimensioni e della complessità della maggior parte delle implementazioni di database. Ogni volta che è richiesto un intervento manuale, la possibilità di errore aumenta. La riduzione della necessità della gestione manuale dei dati è uno degli obiettivi chiave di una nuova tecnologia di data management: il database autonomo.

Una piattaforma di data management è il sistema di base per la raccolta e l'analisi di grandi volumi di dati all'interno di un'organizzazione. Le piattaforme di dati commerciali includono in genere strumenti software per la gestione, sviluppati dal fornitore del database o da fornitori di terze parti. Queste soluzioni di data management aiutano i team IT e i DBA a svolgere attività tipiche, tra cui:

  • Identificazione, avviso, diagnostica e risoluzione di errori nel sistema di database o nell'infrastruttura sottostante
  • Allocazione di risorse di storage e memoria del database
  • Modifica alla progettazione del database
  • Ottimizzazione delle risposte alle query del database per ottimizzare le performance dell'applicazione

Le piattaforme data cloud, sempre più diffuse, consentono alle aziende di attuare ampliamenti e riduzioni in modo rapido ed economico. Alcune sono disponibili come servizio, consentendo alle organizzazioni di risparmiare ulteriormente.

Basato sul cloud, un database autonomo utilizza l'intelligenza artificiale (AI) e il machine learning per automatizzare numerose attività di data management eseguite dai DBS, tra cui la gestione dei backup dei database, la sicurezza e il tuning delle performance.

Noto anche come database self-driving, un database autonomo offre vantaggi significativi per il data management, tra cui:

  • Complessità ridotta
  • Possibilità di potenziale errore umano ridotta
  • Maggiore affidabilità e sicurezza del database
    • Efficienza operativa migliore
  • Costi ridotti

Le piattaforme data cloud, sempre più diffuse, consentono alle aziende di attuare ampliamenti e riduzioni in modo rapido ed economico. Alcune sono disponibili come servizio, consentendo alle organizzazioni di risparmiare ulteriormente.


Sistemi di gestione dei big data

In qualche modo, i big data corrispondono al significato della parola stessa, ovvero grandi quantità di dati. Rispetto ai dati tradizionali, esistono però tantissimi tipi di big data, che vengono inoltre raccolti a un'altissima velocità. Si pensi a tutti i dati che arrivano ogni giorno, o ogni minuto, da un social media come Facebook. La quantità, la varietà e la velocità sono gli aspetti che rendono tali dati così preziosi per le aziende, ma anche particolarmente complessi da gestire.

Poiché viene raccolto un numero sempre più elevato di dati da origini diverse, ad esempio videocamere, social media, registrazioni audio e dispositivi Internet of Things (IoT), sono stati creati sistemi di gestione dei big data, specializzati in tre aree generali.

  • Integrazione di big data: recupera diversi tipi di dati, da quelli batch a quelli in streaming, e li trasforma in modo da poterli utilizzare.
  • Gestione dei big data: archivia ed elabora i dati in un data lake o in un data warehouse in modo efficiente, sicuro e affidabile, spesso utilizzando lo storage degli oggetti.
  • Analisi dei big data: scopre nuovi insight con l'analisi e usa machine learning e AI per creare modelli.

Le aziende utilizzano i big data per migliorare e accelerare lo sviluppo del prodotto, la manutenzione predittiva, la Customer Experience, la sicurezza, l'efficienza operativa e molto altro ancora. Con l'aumentare dei big data, aumenteranno anche le opportunità.

 

Sfide per il data management

Principi di data management e privacy dei dati

Il Regolamento sulla protezione dei dati europeo - GDPR emanato dall'Unione europea e attuato a maggio 2018 comprende sette principi chiave per la gestione e il trattamento dei dati personali, tra cui liceità, correttezza e trasparenza, limitazione della finalità, accuratezza, limitazione dello storage, integrità, riservatezza e altro ancora.

Il GDPR e altre leggi che seguono le sue orme, come il California Consumer Privacy Act (CCPA), stanno cambiando il volto del data management. Questi requisiti forniscono leggi per la protezione dei dati standardizzate che consentono agli individui di controllare i propri dati personali e il modo in cui vengono utilizzati. I consumatori vengono in pratica trasformati in soggetti interessati ai dati con un vero e proprio strumento legale laddove le organizzazioni non riescono a ottenere il consenso informato all'acquisizione dei dati, esercitano uno scarso controllo sull'uso o sulla posizione dei dati o non rispettano i requisiti di cancellazione o portabilità dei dati.

Scopri di più su GDPR e data management

La maggior parte delle sfide nella gestione dei dati oggi deriva dal ritmo più rapido delle attività e dalla crescente proliferazione dei dati. La varietà, la velocità e il volume in continua espansione dei dati disponibili spingono le organizzazioni a cercare strumenti di gestione più efficaci. Ecco alcune delle principali sfide che vengono affrontate dalle organizzazioni:

  • Non conoscono i dati a loro disposizione. I dati provenienti da un numero crescente di origini di ogni tipo, ad esempio dispositivi intelligenti, social media e videocamere, vengono raccolti e archiviati. Nessuno di tali dati risulta tuttavia utile se l'organizzazione non sa di averli a disposizione, dove si trovano e come usarli.
  • Devono mantenere i livelli performance man mano che si espande il livello dei dati. Le organizzazioni acquisiscono, archiviano e utilizzano sempre più dati. Per garantire tempi di risposta ottimali con un tale livello di espansione, le organizzazioni devono monitorare continuamente il tipo di domanda a cui risponde il database e modificare gli indici man mano che le query cambiano, senza alcun impatto sulle performance.
  • Devono soddisfare i requisiti di compliance in costante cambiamento. Le normative di compliance sono complesse e multi-giurisdizionali. Inoltre, cambiano costantemente. Le organizzazioni devono essere in grado di esaminare con facilità i propri dati, nonché di identificare qualsiasi elemento rientri nei requisiti nuovi o modificati. In particolare, le informazioni personali devono essere rilevate, tracciate e monitorate per compliance con le normative sulla privacy globali sempre più severe.
  • Non sanno come rivalutare i dati in modo da poterli riutilizzare in modi. La raccolta e l'identificazione dei dati stessi non forniscono alcun valore: l'organizzazione deve eseguirne l'elaborazione. Se la conversione dei dati in elementi necessari per l'analisi richiede tempi lunghi, l'analisi non verrà eseguita. Di conseguenza, il valore potenziale di tali dati viene perso.
  • Devono stare al passo con i cambiamenti in termini di storage dei dati. Nel nuovo mondo del data management, le organizzazioni archiviano i dati in più sistemi, inclusi data warehouse e data lake non strutturati che archiviano i dati in qualsiasi formato in un singolo repository. I data scientist di un'organizzazione hanno bisogno di un modo per trasformare rapidamente e semplicemente il formato originale dei dati in termini di forma, formato o modello di cui hanno bisogno in una vasta gamma di analisi.

Best practice per il data management

Per affrontare le sfide di data management è necessario un set completo di best practice, elaborate in modo adeguato. Le best practice specifiche variano in base al tipo di dati e al settore in questione. Le best practice riportate di seguito riguardano le principali sfide di data management che le organizzazioni si trovano ad affrontare oggigiorno:

Valore di un ambiente di data science

La data science è un settore interdisciplinare che utilizza metodi scientifici, processi, algoritmi e sistemi per estrarre valore dai dati. I data scientist combinano le competenze in varie discipline, tra cui statistica, informatica ed economia aziendale, per analizzare i dati raccolti dal Web, dagli smartphone, dai clienti, dai sensori e da altre fonti.

Un ambiente di data science può aiutare un'organizzazione a sapere quali dati ha a disposizione e a renderli utilizzabili. Questo ambiente consente ai data scientist di creare, testare e valutare automaticamente i modelli utilizzati per trovare i dati e trasformarli per renderli utilizzabili e di valore per l'organizzazione. Una piattaforma centralizzata consente ai data scientist di lavorare in un ambiente collaborativo utilizzando gli strumenti open source preferiti. Inoltre, tutti i dati vengono sincronizzati da un sistema di controllo delle versioni.

Scopri di più sulla data science Scopri come creare una piattaforma di data science di maggior impatto
  • Crea un livello di discovery per identificare i tuoi dati. Un livello di discovery basato sul livello di dati dell'organizzazione consente ad analisti e data scientist di cercare e individuare i set di dati, per rendere i dati utilizzabili.
  • Sviluppa un ambiente di data science per reimpiegare in modo efficiente i tuoi dati. Un ambiente di data science automatizza il più possibile l'attività di trasformazione dei dati, semplificando la creazione e la valutazione di modelli di dati. Un set di strumenti che elimina la necessità della trasformazione manuale dei dati può accelerare lo sviluppo di ipotesi e il test in relazione ai nuovi modelli.
  • Utilizza la tecnologia autonoma per mantenere i livelli di performance durante l'espansione del livello di dati. Le funzionalità di dati autonomi utilizzano l'intelligenza artificiale e il machine learning per monitorare continuamente le query del database e ottimizzare gli indici man mano che le query cambiano. Ciò consente al database di mantenere tempi di risposta rapidi ed evita a DBA e data scientist di dover eseguire lunghe attività manuali.
  • Usa la discovery per rimanere al passo con i requisiti di compliance. I nuovi strumenti utilizzano la discovery per esaminare i dati e identificare le catene di connessione che devono essere rilevate, tracciate e monitorate ai fini della compliance multigiurisdizionale. Poiché le richieste di compliance aumentano a livello globale, questa capacità sarà sempre più importante per i funzionari addetti al rischio e alla sicurezza.
  • Utilizzare un livello di query comune per gestire numerose e variegate forme di storage dei dati. Le nuove tecnologie consentono l'interazione tra repository di data management, eliminando eventuali differenze esistenti tra loro. Un livello di query comune per diversi tipi di storage dei dati consente a data scientist, analisti e applicazioni di accedere ai dati senza sapere la posizione in cui sono archiviati e senza doverli trasformare manualmente in un formato utilizzabile.

Evoluzione del data management

Ora che i dati hanno assunto il ruolo principale in azienda, le organizzazioni stanno scoprendo disservizi e startup digitali già noti: i dati rappresentano un asset prezioso per identificare trend, prendere decisioni e agire prima dei concorrenti. La nuova posizione dei dati nella catena di valore spinge le organizzazioni a cercare attivamente modi migliori per ottenere valore da questo nuovo capitale.

All'interno delle aziende si assiste anche a un'evoluzione delle responsabilità di data management del DBA: il numero delle attività ordinarie viene ridotto consentendo ai DBA di concentrarsi su questioni più strategiche e fornire supporto di data management critico negli ambienti cloud, promuovendo iniziative chiave come la modellazione dei dati e la sicurezza dei dati.