Geen resultaten gevonden

Uw zoekopdracht heeft geen resultaten opgeleverd

Wat is data management?

Data management is het op een veilige, efficiënt en kosteneffectieve manier verzamelen, bewaren en gebruiken van data. Het doel van data management is mensen, organisaties en aanverwante zaken te helpen het gebruik van data te optimaliseren binnen de grenzen van beleid en de regelgeving, zodat ze beslissingen kunnen nemen en actie kunnen ondernemen die de baten voor de organisatie maximaliseren. Een robuuste strategie voor data management wordt belangrijker dan ooit, omdat organisaties in toenemende mate afhankelijk zijn van immateriële bedrijfsmiddelen om toegevoegde waarde te creëren.

Datakapitaal is bedrijfskapitaal

In de hedendaagse digitale economie is data is een soort kapitaal, een economische factor van productie in digitale goederen en diensten. Net als een autofabrikant geen nieuwe modellen kan maken als hij niet over het nodige financiële kapitaal beschikt, kan hij zijn auto’s niet autonoom maken als de data om de on-board-algoritmen te voeden ontbreekt. Deze nieuwe rol voor data heeft implicaties voor de concurrentiestrategie, alsmede voor de toekomst van computergebruik.

Gezien deze centrale en bedrijfskritische rol van data zijn krachtige managementpraktijken en een robuust beheersysteem essentieel voor elke organisatie, ongeacht de grootte of het type.

Meer informatie over de opkomst van het datakapitaal (PDF)

Het beheren van digitale data in een organisatie omvat een breed scala van taken, beleidsregels, procedures en praktijken. De werkzaamheden in het kader van data management hebben een breed bereik en bestrijken factoren als:

  • het maken, raadplegen en bijwerken van data binnen een gevarieerde datalaag
  • het opslaan van data in verschillende clouds en on-premises
  • Het bieden van hoge beschikbaarheid en calamiteitenherstel
  • het gebruik van data in een groeiende verscheidenheid van apps, analyses en algoritmen
  • de zorg voor dataprivacy en beveiliging
  • het archiveren en vernietigen van data overeenkomstig bewaarschema's en compliancevereisten

In een formele strategie voor data management wordt rekening gehouden met de activiteiten van gebruikers en beheerders, de mogelijkheden van technologieën voor data management, regulatieve vereisten en de behoeften van de organisatie om waarde te verkrijgen uit de data.

Data management systemen van vandaag

Hedendaagse organisaties hebben behoefte aan een oplossing voor data management die een efficiënte manier biedt om data te beheren binnen een diverse maar geïntegreerde datalaag. Data management systemen zijn gebouwd op data management platforms en kunnen databases, data-lakes en -warehouses, systemen voor het beheer van big data, data-analyse en meer omvatten.

Al deze componenten werken samen als een “datahulpprogramma” voor het leveren van de functies voor data management die een organisatie nodig heeft voor haar apps, en van de analyses en algoritmen die gebruikmaken van de data die uit deze apps zijn voortgekomen. Hoewel de huidige hulpprogramma's databasebeheerders (DBA's) helpen veel van de traditionele beheertaken te automatiseren, is handmatige tussenkomst vaak nog steeds vereist vanwege de omvang en complexiteit van de meeste database-implementaties. Wanneer handmatige tussenkomst is vereist, neemt de kans op fouten toe. Het terugdringen van de noodzaak van handmatig data management is een hoofddoel van een nieuwe technologie voor data management, de autonomous database.

Een data management platform vormt het fundament voor het verzamelen en analyseren van grote hoeveelheden data binnen een organisatie. Commerciële dataplatforms bevatten meestal softwaretools voor beheer, ontwikkeld door de databaseleverancier of door externe leveranciers. Deze oplossingen voor data management helpen IT-teams en DBA's om gangbare taken uit te voeren, zoals:

  • het identificeren, signaleren, diagnosticeren en oplossen van fouten in het databasesysteem of de onderliggende infrastructuur
  • het toewijzen van databasegeheugen en opslagbronnen
  • het aanbrengen van wijzigingen in het databaseontwerp
  • het optimaliseren van reacties op databasezoekopdrachten voor snellere applicatieprestaties

De steeds populairdere clouddataplatforms stellen bedrijven in staat om de schaal snel en kosteneffectief te verhogen of te verlagen. Sommige zijn beschikbaar in de vorm van een service, waardoor organisaties nog meer kunnen besparen.

Een autonomous database in de cloud maakt gebruik van kunstmatige intelligentie (AI) en zelflerende systemen voor het automatiseren van vele taken voor data management die worden uitgevoerd door DBA's, waaronder het beheren van databaseback-ups, beveiliging en afstemming van prestaties.

Een autonomous database, ook wel een zelfsturende database genoemd, biedt aanzienlijke voordelen voor data management, waaronder:

  • verminderde complexiteit
  • verlaagd risico van menselijke fouten
  • hogere betrouwbaarheid en betere beveiliging van de database
    • hogere operationele efficiëntie
  • lagere kosten

De steeds populairdere clouddataplatforms stellen bedrijven in staat om de schaal snel en kosteneffectief te verhogen of te verlagen. Sommige zijn beschikbaar in de vorm van een service, waardoor organisaties nog meer kunnen besparen.


Systemen voor het beheer van big data

In sommige opzichten is big data precies wat de naam impliceert: heel veel data. Maar big data kent een grotere verscheidenheid van vormen dan traditionele data en wordt verzameld met een hoge snelheid. Denk maar eens aan alle data die elke dag of elke minuut binnenkomt via een sociale-mediabron als Facebook. De hoeveelheid, verscheidenheid en snelheid van de data maken de data zo waardevol voor bedrijven, maar ook erg complex om te beheren.

De groei van de hoeveelheid data die worden verzameld uit uiteenlopende bronnen als videocamera's, sociale media, geluidsopnamen en IoT-apparaten (Internet of Things), heeft geleid tot de opkomst van beheersystemen voor big data. Deze systemen zijn gespecialiseerd in drie algemene gebieden.

  • Integratie van big data brengt verschillende soorten data bijeen, van batch tot streaming, en transformeert deze zodat ze kunnen worden geconsumeerd.
  • Beheer van big data zorgt voor de efficiënte, veilige en betrouwbare opslag en verwerking van data in een data-lake of datawarehouse, vaak door gebruik te maken van objectopslag.
  • Analyse van big data brengt nieuwe inzichten aan het licht door middel van analyse en maakt gebruik van zelflerende systemen en AI-visualisatie voor het bouwen van modellen.

Bedrijven gebruiken big data voor het verbeteren en versnellen van productontwikkeling, voorspellend onderhoud, de klantbeleving, beveiliging, operationele efficiëntie en nog veel meer. Naarmate big data groter wordt, nemen ook de mogelijkheden toe.

 

Uitdagingen met betrekking tot data management

Beginselen voor data management en dataprivacy

De Algemene Verordening Gegevensbescherming (AVG), bekrachtigd door de Europese Unie en geïmplementeerd in mei 2018, bevat zeven sleutelprincipes voor het beheer en de verwerking van persoonsgegevens. Tot deze principes behoren wettigheid, rechtvaardigheid en transparantie; doelbeperking; nauwkeurigheid; opslagbeperking; integriteit en vertrouwelijkheid; en meer.

De AVG en andere wetten die in de voetsporen ervan zijn ingevoerd, zoals de California Consumer Privacy Act (CCPA), hebben het gezicht van data management veranderd. Deze gestandaardiseerde wetten voor gegevensbescherming bieden voorzieningen die privépersonen zeggenschap geven over hun persoonsgegevens en de wijze waarop deze worden gebruikt. Deze wetgeving zorgt er in feite voor dat consumenten belanghebbenden met betrekking tot de data worden, met echte wettelijk verhaalsmogelijkheden wanneer organisaties verzuimen geïnformeerde toestemming te verkrijgen voor het verzamelen van de data, onvoldoende toezicht houden op het gebruik of de opslag van data, of niet voldoen aan vereisten voor de verwijdering of portabiliteit van data.

Meer informatie over de AVG en data management

Tegenwoordig worden de meeste uitdagingen op het gebied van data management veroorzaakt door de hogere snelheid van de zakenwereld en de toename van de hoeveelheid data. De voortdurend groeiende verscheidenheid, snelheid en hoeveelheid van de data waarover organisaties beschikken, dwingt hen om effectievere beheertools te vinden om bij te blijven. Enkele van de grootste uitdagingen waarmee organisaties te maken hebben, zijn:

  • Ze weten niet welke data ze in huis hebben. Data uit een toenemend aantal en toenemende verscheidenheid van bronnen, zoals sensoren, slimme apparaten, sociale media en videocamera's worden verzameld en opgeslagen. Maar deze data zijn nutteloos als de organisatie niet weet welke data ze in huis heeft, waar de data zich bevinden en hoe de data kunnen worden gebruikt.
  • Ze moeten prestatieniveaus op peil houden terwijl de datalaag groeit. De hoeveelheid data die organisaties verzamelen, opslaan en gebruiken groeit voortdurend. Om de maximale responstijden voor deze groeiende laag te handhaven, moeten organisaties voortdurend in de gaten houden welk type vragen door de database worden beantwoord en de indexen aanpassen naarmate de zoekopdrachten veranderen, zonder de prestaties te beïnvloeden.
  • Ze moeten voldoen aan de voortdurend veranderende compliancevereisten. De compliancevoorschriften zijn complex en verspreid over meerdere jurisdicties, en ze veranderen voortdurend. Organisaties moeten in staat zijn om hun data gemakkelijk na te kijken en te bepalen wat onder nieuwe of aangepaste vereisten valt. Met name persoonsgegevens moeten worden gedetecteerd, gevolgd en gecontroleerd op compliance met steeds strengere wereldwijde privacyregels.
  • Ze weten niet hoe ze data kunnen gebruiken voor nieuwe doeleinden. Het verzamelen en identificeren van de data heeft geen waarde op zich. De organisatie moet deze data verwerken. Als het veel tijd en moeite kost om data om te zetten in wat nodig is voor analyse, zal die analyse nooit plaatsvinden. Als gevolg hiervan gaat de potentiële waarde van die data verloren.
  • Ze moeten de ontwikkelingen op het gebied van dataopslag bijhouden. In de nieuwe wereld van het data management slaan organisaties data op in meerdere systemen, waaronder datawarehouses en ongestructureerde datameren waarin data in welke indeling dan ook worden opgeslagen in één opslagplaats. De datawetenschappers van een organisatie hebben een manier nodig om data snel en gemakkelijk om te zetten van de oorspronkelijke indeling naar een vorm, indeling of model waarmee ze uit de voeten kunnen voor het uitvoeren van een grote verscheidenheid van analyses.

Best practices voor data management

Het aanpakken van uitdagingen op het gebied van data management vereist een uitgebreide, goed doordachte reeks best practices. Hoewel specifieke best practices variëren, afhankelijk van het type data in kwestie en de sector, kunnen de volgende best practices worden gebruikt voor het aanpakken van de grote uitdagingen op het gebied van data management waarmee organisaties tegenwoordig worden geconfronteerd:

De waarde van een datawetenschapsomgeving

Datawetenschappen 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 zijn vergaard via internet, smartphones, klanten, sensoren en andere bronnen.

Een datawetenschapsomgeving kan een organisatie helpen te weten welke data de organisatie in huis heeft en deze vervolgens bruikbaar te maken. Deze omgeving stelt datawetenschappers in staat om automatisch modellen te maken, te testen en te evalueren om data te vinden en deze vervolgens te transformeren zodat ze bruikbaar en waardevol worden 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 datawetenschappen Ontdek hoe u een grotere impact kunt maken met een datawetenschapsplatform
  • Een detectielaag maken om uw data te identificeren. Een detectielaag bovenop de datalaag van uw organisatie stelt analisten en datawetenschappers in staat om te zoeken en te bladeren naar datasets om uw data bruikbaar te maken.
  • Een datawetenschapsomgeving maken om uw data efficiënt voor nieuwe doeleinden te gebruiken. In een datawetenschapsomgeving wordt de datatransformatie zoveel mogelijk geautomatiseerd, waardoor het maken en evalueren van datamodellen wordt gestroomlijnd. Met een set tools die de noodzaak van handmatige transformatie van data elimineert, kan het opstellen en testen van nieuwe hypothetische modellen worden versneld.
  • Autonome technologie om de prestaties op niveau te houden binnen uw groeiende datalaag. Bij autonome datafunctionaliteit wordt gebruikgemaakt van AI en zelflerende systemen om databasezoekopdrachten continu te controleren en indexen af te stemmen op de veranderende zoekopdrachten. Hierdoor kunnen de responstijden voor de database kort worden gehouden en worden DBA's en datawetenschappers bevrijd van tijdrovende handmatige taken.
  • Detectie om bij te blijven met compliancevereisten. Nieuwe hulpprogramma's maken gebruik van datadetectie om de verbindingsketens te identificeren die moeten worden gedetecteerd, gevolgd en gecontroleerd voor compliance in meerdere jurisdicties. Omdat de compliancevereisten wereldwijd steeds uitgebreider worden, wordt deze functionaliteit steeds belangrijker voor risico- en beveiligingsbeheerders.
  • Een gemeenschappelijke zoekopdrachtlaag om meerdere en diverse vormen van dataopslag te beheren. Nieuwe technologieën maken het mogelijk om verschillende opslagplaatsen voor data management samen te laten werken, waardoor de verschillen ertussen verdwijnen. Een gemeenschappelijke zoekopdrachtlaag die zich uitstrekt over vele soorten dataopslag, maakt het mogelijk voor datawetenschappers, analisten en applicaties om data te raadplegen zonder te weten waar deze zijn opgeslagen en zonder deze handmatig te hoeven omzetten naar een bruikbare indeling.

De evolutie van data management

Door de nieuwe rol van data als bedrijfskapitaal, ontdekken organisaties wat digitale startups en revolutionaire bedrijven al lang weten: Data zijn een waardevol bezit om trends te identificeren, beslissingen te nemen en concurrenten te snel af te zijn. De nieuwe positie van data in de waardeketen leidt ertoe dat organisaties actief op zoek gaan naar betere manieren om waarde te halen uit dit nieuwe kapitaal.

Daarnaast zijn de verantwoordelijkheden van DBA's op het gebied van data management binnen het bedrijf ook in beweging. Het aantal routinetaken neemt af, zodat DBA's zich kunnen concentreren op meer strategische zaken, en essentiële ondersteuning voor data management kunnen bieden in cloudomgevingen met betrekking tot belangrijke initiatieven als datamodeling en databeveiliging.