Paradise Found Roadshow 2017

Transkript

1 Paradise Found Roadshow 2017 Von Daten zu wertvollen Informationen Wie Sie datenschutzkonform und agil ihre Daten für maschinelles Lernen aufbereiten

2 Wie wichtig ist heute Data Preparation für Data Discovery und Advanced Analytics? Heute gar nicht wichtig nicht sehr wichtig wichtig sehr wichtig unverzichtbar In Zukunft

3 Aktuelle Marktsituation Trends Datenprofis verbringen 50-80% ihrer Zeit mit Datenaufbereitung, anstatt Einblicke zu sammeln. Immer mehr externe Datenquellen und steigende Anforderungen an die IT Data Preparation entwickelt sich zu einem neuen Bestandteil des Data Integration Marktes, der 2015 auf 500 Mio. US-Dollar geschätzt wurde (1 Mrd. US- Dollar bis 2019) und laut Gartner jährlich um 16,6% wächst.

4 Data Preparation Warum es wichtig ist! Hinter jedem großen Analytics-Prozess... steht ein noch größerer Daten-Aufbereitungs-Prozess

5 Definition da ta pre pa ra tion Prozess zur Aufbereitung und Bereitstellung von Daten für Data Discovery und Analytics

6 Was ist Data Preparation? Data Preparation für Analytics Advanced Analytics Approachable Analytics Streaming Analytics Decisions at Scale Integration mit Open Source Data Preparation Datenquellen Unstrukturiert Prozessdaten Web Internet der Dinge

7 Gründe für den hohen Aufwand bei Data Preparation Herkömmliche Datenstrategien sind nicht in der Lage, neue Businessmodelle zu unterstützen. - Compliance, Umsatzsteigerung, operative Effizienz. Zu viele Daten an zu vielen Orten Schlechte Qualität der man nicht trauen kann Widersprüchliche Daten aus verschiedenen Quellen Begrenzter Datenzugang Kein Self-Service Unpassende Werkzeuge für Data Scientist Data Preparation ist eine der schwierigsten und zeitaufwändigsten Herausforderungen für Business-Anwender von BI, Data Discovery und Advanced Analytics. Rita Sallam, Research Vice President bei Gartner

8 Data Integration vs. Data Preparation Eigenschaften Data Integration Data Preparation Benutzertyp IT, ETL Developer Business Analyst, Citizen Data Scientist, Data Scientist Benutzererfahrung GUI oder menügesteuert; Scripting für komplexe Modellierung Spreadsheet UI, Drag and Drop, Search keine Codierung Data Integration Ziele Data Marts, Data Warehouse oder Daten Lake Data mashup für Data Discovery, Advanced Analytics oder Data Lakes Datentyp Meist strukturiert Verschiedene Quellen; multi-structured, offene, angekaufte oder cloud-basierte Daten Datenquellen Hauptsächlich interne Systeme, aber zunehmend auch extern und cloud-basiert Überwiegend interne Systeme, aber auch externe, Big Data, personal und cloud-basiert Data Modeling Rigid und Advanced Ad hoc und iterativ Zeit Tage/Wochen/Monate je nach IT-Backlog Stunden oder weniger Zweck Verschiedene Data Integration Anwendungen Wird meist für Analytics verwendet Source: Gartner, August 2016

9 Herausforderungen mit Data Integration Zusammenführen von Daten aus verschiedenen Quellen Eingehende Datenqualität ist nicht gut genug Zugriff/Integration von Daten über verschiedene Systeme hinweg Mangelnde Geschwindigkeit bei Data-Pre-Processing Aufgaben Zunehmende Geschwindigkeit, Vielfalt und Volumen der Daten Mangel an einfach zu bedienenden Data Integration Tools für Business Analytics Modifizierung von bereits existierenden Data Integration Prozessen Self-Service-Zugang beeinträchtigt die Einheitlichkeit der Kennzahlen Suchen/Identifizieren von Daten für Analytics Fehlende Tools für Data Discovery/Analytics Zugriff/Management von cloud-basierten, externen oder offenen Daten Sonstiges

10 Wesentliche Herausforderungen von Data Preparation Unterschiedliche Quellen, Datenqualität und Zugriffe Fehlender Fokus für Data Preparation durch das Management In der Vergangenheit war Data Preparation nur Aufgabe der IT Unzureichende Fähigkeiten und Know-How Mangelndes Bewusstsein für neue Data Preparation Technologien

11 Herausforderungen Data Preparation Zugriff Untersuchen Säubern Umwandeln Analyse 80% 20%

12 Data Preparation sichert schnellen Erfolg Nutzen Sie Ihr Datenpotenzial Verbessern Sie die Kommunikation zwischen IT und Business Optimieren Sie Ihren analytischen Prozess Gewinnen Sie Flexibilität und Effizienz

13 Data Management Klassisches Data Management Modernes Data Management Data Integration & Quality Data Governance Data Preparation Extraktion, Transformation, Laden Verwalten Überwachen Glossar Überwachen Herkunft Self-service Wrangling Blending kontrolliert, strukturiert Ad-hoc, Sehr flexibel Benutzer: ETL Developer IT Users Data Steward Benutzer: Business User

14 Zusammenarbeit zwischen IT & Fachabteilungen Data Preparation erfordert ein hohes Maß an Zusammenarbeit zwischen IT und Business. Data Preparation, ist für Data Governance Anforderungen von entscheidender Bedeutung. Ein geeignetes Data Preparation Regelwerk ist sehr wichtig Ein vereinheitlichter Governance-Ansatz, kann nicht die Forderung nach Flexibilität und Sicherheit für alle Anwendungsfälle unterstützen. Es ist fast unmöglich, die richtige Balance zwischen Agilität und effektiver Data Governance zu finden. Data Governance ist ein wesentliches Hindernis bei dem Versuch, die analytische Effizienz und Flexibilität zu verbessern. Data Preparation stellt ein großes Risiko für Data-Governance-Standards dar.

15 Die Rolle von Data Governance Koordination von abteilungsübergreifender Zusammenarbeit Data Stewards Verwalten & Überwachen Business Users Erstellen & Konsumieren IT Implementieren, Anpassen & Erweitern Definieren von unternehmensweiten Datenqualitätsstandards Datenqualität entdecken und analysieren Datenqualität auswerten und überwachen Verwalten des Daten- Bereinigungsprozesses

16 Vorteile durch Data Preparation Ein Hebel für die Kommunikation zwischen Business und IT, sowie anderen Abteilungen, wenn Daten gemeinsam genutzt werden. Data Preparation versorgt Business Data User mit neuen Technologien und Methoden Datenprobleme in Quellsystemen schneller finden Erleichtert Data Governance

17 Vorteile durch Data Preparation Verbesserte datenbasierte Entscheidungsfindung Einfacher Datenzugang Verbesserte analytische Effizienz und Flexibilität Verbesserte Time-to-Insight Vollständigen Überblick über relevante Daten Verbesserte operative Effizienz Schnellere und flexiblere Data Integrationen Prozesse Reduzierte analytische Silos Daten-Demokratisierung Verbesserte Reaktionsfähigkeit auf Business Konditionen Verbesserte Zusammenarbeit Verbesserte Kosteneffizienz Entlastung der IT Umsatzsteigerung Sonstiges erhoffte Vorteile erreichte Vorteile Keinerlei Vorteile

18 Data Preparation Möglichkeit zur optimalen Nutzung Ihres Datenbestands Ist ein Business- Thema Flexibel und effizient Enthält Data Quality Schritt 0 im analytischen Prozess Neue Technologien TAKE-AWAYS Data Governance wird benötigt

19 sas.de/paradisefound