Geen resultaten gevonden

Uw zoekopdracht heeft geen resultaten opgeleverd.

We raden u aan het volgende te proberen om te vinden wat u zoekt:

  • Controleer de spelling van het trefwoord in uw zoekopdracht.
  • Gebruik synoniemen voor het trefwoord dat u hebt getypt. Probeer bijvoorbeeld “applicatie” in plaats van “software”.
  • Probeer een van de onderstaande populaire zoekopdrachten.
  • Start een nieuwe zoekopdracht.
Populaire vragen

Wat is databeheer?

Databeheer omvat het op een veilige, efficiënte en kosteneffectieve wijze verzamelen, bewaren en gebruiken van data. Het doel van databeheer is mensen, organisaties en aanverwante zaken te helpen het gebruik van data te optimaliseren binnen de grenzen van beleid en regelgeving, zodat ze beslissingen kunnen nemen en acties kunnen ondernemen die het voordeel voor de organisatie maximaliseren. Een robuuste strategie voor databeheer is belangrijker dan ooit, omdat organisaties in toenemende mate afhankelijk zijn van immateriële activa om toegevoegde waarde te creëren.

Datakapitaal is bedrijfskapitaal

In de moderne digitale economie is data een soort kapitaal, een economische factor in de productie van digitale goederen en diensten.’ Net als een autofabrikant geen nieuw model kan maken als hij niet over het benodigde financiële kapitaal beschikt, kan hij zijn auto's ook niet autonoom maken als het hem ontbreekt aan de data om de onboard-algoritmen te voeden.’’ Deze nieuwe rol voor data heeft zowel gevolgen voor de concurrentiestrategie als voor de toekomst van computing.

Gezien deze centrale en cruciale rol van data, zijn krachtige beheerprocessen en een robuust beheersysteem essentieel voor elke organisatie, ongeacht grootte of type.

Meer informatie over de opkomst van datakapitaal (pdf)

Het beheren van digitale data binnen een organisatie omvat een breed scala aan taken, beleid, procedures en werkwijzen. Databeheer heeft een breed bereik, waarbij allerlei factoren meespelen, zoals

  • Hoe je data kunt creëren, gebruiken en bijwerken binnen een diverse data tier
  • Hoe je data kunt opslaan binnen meerdere clouds en on-premises
  • Hoe je hoge beschikbaarheid en herstel na rampen kunt bieden
  • Hoe je data kunt gebruiken binnen een toenemende verscheidenheid aan apps, analytics en algoritmen
  • Hoe je de privacy en veiligheid van data kunt waarborgen
  • Hoe je data kunt archiveren en vernietigen overeenkomstig retentieschema's en compliancevereisten

Een formele databeheerstrategie richt zich op de activiteit van gebruikers en beheerders, de mogelijkheden van databeheertechnologieën, de eisen van reglementaire vereisten en de behoeften van de organisatie om waarde uit data te halen.

Moderne databeheersystemen

Moderne organisaties hebben een databeheeroplossing nodig die een efficiënte manier biedt om data te beheren in een diverse maar geïntegreerde data tier.’ Databeheersystemen worden gebouwd op databeheerplatforms en kunnen databases, data lakes en datawarehouses, big data-beheersystemen, data-analytics en meer omvatten.

Al deze componenten werken samen als een “datahulpprogramma” om de databeheerfuncties te leveren die een organisatie nodig heeft voor zijn apps, en de analytics en algoritmen die de data voortgebracht uit die apps gebruiken. Hoewel huidige tools databasebeheerders (DBA's) helpen veel van de traditionele beheertaken te automatiseren, is handmatige tussenkomst vaak nog nodig vanwege de omvang en complexiteit van de meeste database-implementaties. Wanneer handmatige tussenkomst nodig is, neemt de kans op fouten toe. Het beperken van de noodzaak van handmatig databeheer is een hoofddoel van een nieuwe databeheertechnologie, de autonome database.

Een databeheerplatform is het fundamentele systeem voor het verzamelen en analyseren van grote volumes data binnen een organisatie. Commerciële dataplatforms bevatten meestal softwaretools voor beheer, ontwikkeld door de databaseleverancier of door externe leveranciers. Deze databeheeroplossingen helpen IT-teams en DBA's bij het uitvoeren van specifieke taken, zoals

  • het identificeren, signaleren, diagnosticeren en oplossen van fouten in het databasesysteem of de onderliggende infrastructuur
  • het toewijzen van database-geheugen en opslagbronnen
  • het aanbrengen van wijzigingen in het databaseontwerp
  • het optimaliseren van reacties op databasequery's voor snellere applicatieprestaties

De steeds populairdere clouddataplatforms stellen bedrijven in staat om snel en kosteneffectief op of af te schalen. Sommige zijn beschikbaar als service, waardoor organisaties nog meer kunnen besparen.

Een autonome database in de cloud maakt gebruik van kunstmatige intelligentie (AI) en machine learning voor het automatiseren van vele databeheertaken die worden uitgevoerd door DBA's. Voorbeelden hiervan zijn het beheren van databaseback-ups, beveiliging en afstemming van prestaties.

Een autonome database, ook wel een zelfsturende database genoemd, biedt aanzienlijke voordelen voor databeheer, waaronder

  • Minder complexiteit
  • Minder kans op menselijke fouten
  • Hogere databasebetrouwbaarheid en betere beveiliging
    • Verbeterde operationele efficiëntie
  • Lagere kosten

De steeds populairdere clouddataplatforms stellen bedrijven in staat om snel en kosteneffectief op of af te schalen. Sommige zijn beschikbaar als service, waardoor organisaties nog meer kunnen besparen.


Big data-beheersystemen

In sommige opzichten is big data precies wat het woord doet vermoeden—een grote hoeveelheid data. Maar big data kent een grotere verscheidenheid aan vormen dan traditionele data en wordt met een hogere snelheid verzameld.’ Denk aan alle data die elke dag of elke minuut binnenkomt uit een sociale media-bron zoals Facebook. De hoeveelheid, verscheidenheid en snelheid van die data maken het zo waardevol voor bedrijven. Tegelijkertijd is het beheren van die data uiterst complex.

Nu er steeds meer data wordt verzameld uit bronnen die zo uiteenlopend zijn als videocamera's, sociale media, audio-opnamen en Internet of Things (IoT) -apparaten, zijn er big-databeheersystemen ontstaan. Deze systemen zijn gespecialiseerd in drie algemene gebieden.

  • Big data-integratie brengt verschillende soorten data binnen (van batch tot streaming) en transformeert deze zodat de data kan worden gebruikt.——
  • Big data-beheer slaat data op en verwerkt deze efficiënt, veilig en betrouwbaar in een data lake of datawarehouse, vaak door objectopslag te gebruiken.
  • Big data-analyse onthult nieuwe inzichten met analytics en gebruikt machine learning en AI-visualisatie om modellen te bouwen.

Bedrijven gebruiken big data om productontwikkeling, voorspellend onderhoud, de klantervaring, beveiliging, operationele efficiëntie en nog veel meer te verbeteren en te versnellen. Hoe groter big data wordt, hoe groter ook de kansen worden.

 

Uitdagingen in databeheer

Databeheerprincipes en dataprivacy

De algemene verordening gegevensbescherming (GDPR), uitgevaardigd door de Europese Unie en geïmplementeerd in mei 2018, omvat zeven belangrijke principes voor het beheer en de verwerking van persoonsgegevens. Deze principes omvatten wettigheid, eerlijkheid en transparantie; doelbeperking; nauwkeurigheid; opslagbeperking; integriteit en vertrouwelijkheid, en meer.

De GDPR en andere wetten die in de voetsporen ervan treden, zoals de California Consumer Privacy Act (CCPA), zorgen voor een radicale verandering in databeheer. Deze vereisten bieden gestandaardiseerde wetgeving op het gebied van gegevensbescherming, die individuen controle geven over hun persoonsgegevens en hoe deze worden gebruikt. In feite worden consumenten hierdoor data-stakeholders met echte rechtsmiddelen voor verhaal wanneer organisaties geen geïnformeerde toestemming krijgen voor gegevensvastlegging, slechte controle uitoefenen over datagebruik of lokaliteit, of niet voldoen aan vereisten voor het verwijderen van of de overdraagbaarheid van gegevens.

Meer informatie over de GDPR en databeheer

De meeste uitdagingen in databeheer zijn tegenwoordig het gevolg van het hogere tempo in het bedrijfsleven en de toenemende verspreiding van data. De steeds groter wordende variëteit, snelheid en volume van data beschikbaar voor organisaties dwingen hen om effectievere beheertools te zoeken om het te kunnen bijbenen. Enkele van de grootste uitdagingen voor organisaties zijn:

  • Ze weten niet over welke data ze beschikken.’ Data uit een toenemend aantal en verscheidenheid aan bronnen, zoals sensoren, slimme apparaten, sociale media en videocamera's wordt verzameld en opgeslagen. Maar geen van die data is bruikbaar als de organisatie niet weet over welke data ze beschikken, waar deze te vinden is en hoe ze deze kunnen gebruiken.’
  • Ze moeten prestatieniveaus vasthouden terwijl de data tier zich uitbreidt. Organisaties leggen steeds meer data vast, slaan steeds meer op en gebruiken steeds meer data. Om de maximale responstijden op dit groeiende niveau te behouden, moeten organisaties het type vragen dat de database beantwoordt voortdurend monitoren en de indexen wijzigen naarmate de vragen veranderen - zonder dat dit van invloed mag zijn op de prestaties.—
  • Ze moeten voldoen aan voortdurend veranderende compliance-vereisten. Compliance-voorschriften zijn complex en multi-jurisdictioneel en veranderen voortdurend. Organisaties moeten in staat zijn om hun data gemakkelijk te beoordelen en alles te identificeren wat onder nieuwe of gewijzigde vereisten valt. In het bijzonder moet persoonlijk identificeerbare informatie (PII) worden gedetecteerd, gevolgd en gemonitord op compliance met steeds striktere wereldwijde privacyregels.
  • Ze weten niet precies hoe data opnieuw kan worden gebruikt voor nieuwe doeleinden.’ Het verzamelen en identificeren van de data zelf biedt geen enkele waarde, de organisatie moet de data verwerken.’— Als het veel tijd en moeite kost om data om te zetten in wat ze nodig hebben voor analyse, zal die analyse niet plaatsvinden.’ Als gevolg hiervan gaat de potentiële waarde van die data verloren.
  • Ze moeten de veranderingen in dataopslag bijhouden. In de nieuwe wereld van databeheer slaan organisaties data op in meerdere systemen, waaronder datawarehouses en ongestructureerde data lakes, waarin alle data in elke indeling in één enkele opslagplaats wordt opgeslagen. De datawetenschappers van een organisatie hebben een snelle en makkelijke manier nodig om data om te zetten van de oorspronkelijke indeling in de vorm, indeling of het model dat ze nodig hebben om een breed scala aan analyses te kunnen uitvoeren.’

Best practices in databeheer

Voor het aanpakken van uitdagingen op het gebied van databeheer is een uitgebreide, goed doordachte set best practices nodig. Hoewel specifieke best practices variëren afhankelijk van het type data en de branche, zijn de volgende best practices gericht op de belangrijkste uitdagingen in databeheer waarmee organisaties tegenwoordig worden geconfronteerd:

De waarde van een data science-omgeving

Data science is een interdisciplinair vakgebied waarin wetenschappelijke methoden, processen, algoritmen en systemen worden gebruikt om waarde te genereren uit data. Datawetenschappers zetten hun kennis op uiteenlopende vlakken, zoals statistiek, informatica en bedrijfskunde, in om data te analyseren die is vergaard via internet, smartphones, klanten, sensoren en andere bronnen.——

Een data science-omgeving kan een organisatie helpen te zien over welke data ze beschikken en deze vervolgens bruikbaar te maken. Deze omgeving stelt datawetenschappers in staat om automatisch modellen te maken, testen en evalueren die worden gebruikt om data te vinden en deze vervolgens te transformeren zodat deze bruikbaar en waardevol wordt voor de organisatie. Een gecentraliseerd platform biedt datawetenschappers een op samenwerking gerichte omgeving waarin zij hun favoriete open source-tools kunnen gebruiken, terwijl al het werk automatisch wordt gesynchroniseerd via een versiebeheersysteem.

Meer informatie over data science Ontdek hoe u meer impact kunt maken met een data science-platform
  • Maak een detectielaag om uw data te identificeren. Een detectielaag boven op de data tier van uw organisatie stelt analisten en datawetenschappers in staat om te zoeken naar datasets om uw data bruikbaar te maken.’
  • Ontwikkel een data science-omgeving om uw data efficiënt opnieuw te gebruiken. Een data science-omgeving automatiseert zoveel mogelijk van het datatransformatiewerk, waardoor het maken en evalueren van datamodellen wordt gestroomlijnd. Een set tools die de handmatige transformatie van data overbodig maakt, kan het hypotheses stellen en testen van nieuwe modellen versnellen.
  • Gebruik autonome technologie om prestatieniveaus te behouden in uw groeiende data tier. Autonome datafuncties gebruiken AI en machine learning om databasequery's continu te monitoren en indexen te optimaliseren terwijl de query's veranderen. Hierdoor kan de database snelle responstijden handhaven en worden DBA's en datawetenschappers verlost van tijdrovende handmatige taken.
  • Gebruik detectie om aan compliance-vereisten te blijven voldoen. Nieuwe tools gebruiken datadetectie om data te controleren en de verbindingsketens te identificeren die moeten worden gedetecteerd, gevolgd en gemonitord op multi-jurisdictionele compliance. Omdat de compliance-eisen wereldwijd toenemen, zal deze functie steeds belangrijker worden voor risicobeheerders en beveiligingsmedewerkers.
  • Gebruik een gemeenschappelijke querylaag voor het beheren van meerdere en diverse vormen van dataopslag. Met nieuwe technologieën kunnen opslaglocaties voor databeheer samenwerken, waardoor de verschillen daartussen verdwijnen. Met een gemeenschappelijke querylaag die een brug slaat tussen de vele soorten dataopslag kunnen datawetenschappers, analisten en applicaties data gebruiken zonder te weten waar deze is opgeslagen en zonder de data handmatig in een bruikbare indeling te hoeven omzetten.

Databeheer in ontwikkeling

Nu data een nieuwe rol heeft als bedrijfskapitaal, ontdekken organisaties wat digitale start-ups en disruptors al weten:’ Data is een waardevolle asset voor het identificeren van trends, nemen van beslissingen en in actie komen voordat de concurrentie dat doet. De nieuwe positie van data binnen de waardeketen zorgt ervoor dat organisaties actief op zoek gaan naar betere manieren om waarde te ontlenen aan dit nieuwe kapitaal.

Binnen bedrijven veranderen de verantwoordelijkheden van DBA's voor databeheer ook, waardoor het aantal routinematige taken afneemt. Hierdoor kunnen DBA's zich concentreren op meer strategische kwesties en het bieden van cruciale ondersteuning voor databeheer in cloudomgevingen met belangrijke initiatieven zoals datamodellering en databeveiliging.