DataOps er et relativt nytt begrep, men vil fremover få stor betydning for mange når man skal dra mer nytte av dataanalyse i hele virksomheten.
Vi har DevOps, OpsDev og DevSecOps, uttrykk som mange har hørt, men som ikke nødvendigvis er velkjent utenfor sine egne sfærer, og som heller ikke nødvendigvis betyr det samme for alle. Men så kommer DataOps inn, som et helt nytt uttrykk for mange – man vet hverken innhold eller bruksområde.
DataOps er en måte å bringe de samme fordelene til dataanalyse, som DevOps har brakt til programvareutvikling. Både det å kunne levere inkrementelle forbedringer løpende, og å kunne knytte dataanalysen tettere sammen med drift/produksjon. For også når det gjelder analyse er det ofte for langt mellom design av analysen til at den blir en del av normal drift. Og det er først da man får de rapporter og beslutningsunderlag som man er ute etter.
Bedre kvalitet og raskere beslutninger
DataOps er en strukturert, prosessorientert metode som legger opp til stor grad av automatisering når det gjelder dataanalyse. Med DataOps skal man forbedre kvaliteten og redusere «syklustiden» for dataanalyse. Med syklustiden, mener man tiden fra man ser behovet for analysen til analysens resultater er klare og man kan ta relevante beslutninger eller iverksette aksjoner.
DataOps begynte med at man dokumenterte «beste praksis» innen området, men har siden utviklet seg til å bli en ny og uavhengig tilnærming til dataanalyse. DataOps gjelder hele data livssyklusen fra preparering av data til rapportering, og knytter dataanalytikere og drift sammen. Fra et prosess- og metodologiperspektiv bygger DataOps på såvel Agile programvareutvikling, som DevOps og den statistiske prosesskontrollen som brukes i Lean produksjon.
Iterativ prosjektmetodikk
I DataOps er utviklingen av nye analyser strømlinjeformet, med en iterativ prosjektmetodikk som erstatter den tradisjonelle fossefallsmetoden. Studier viser at programvareutviklingsprosjekter fullføres betydelig raskere og med langt færre feil når Agile Development brukes. Agile-metoden er spesielt effektiv i miljøer hvor kravene utvikles raskt – en situasjon som er kjent for velkjent for dataanalysepersonell.
DevOps fokuserer på kontinuerlig leveranse av ny/oppdatert funksjonalitet, ved å utnytte on-demand IT ressurser og ved å automatisere test og distribusjon av programvare. Denne sammenslåingen av programvareutvikling og IT-drift har forbedret hastighet, kvalitet, forutsigbarhet og omfanget av programvareutvikling og distribusjon. Gjennom å «låne» metoder fra DevOps, søker DataOps å bringe de samme forbedringene til dataanalyser.
Automatisering og selvbetjening
Med de strukturerte metodene som DataOps innebærer, legger man til rette for å kunne automatisere hele eller deler av analyseprosessen. Da får virksomheten får «mer analyse for pengene» over tid. DataOps gjør det også enklere å tilrettelegge for selvbetjent analyse innen visse grenser, slik at den enkelte analysebruker blir mindre avhengig av analyseeksperter. Dette er også en metode for å sikre mer analyse for pengene. Både selvbetjening og automatisering kan knyttes til effektiv bruk av resultatene, inklusive å igangsette hel- eller halvautomatiske aksjoner på grunnlag av analysen.
I likhet med Lean produksjon bruker DataOps statistisk prosesskontroll (SPC) til å overvåke og kontrollere dataanalyseetterspørsel og -utvikling. Med SPC på plass overvåkes dataene som strømmer gjennom et miljø kontinuerlig og verifiseres for å sikre at analyser vil fungere. Hvis et avvik oppstår, kan dataanalyseteamet bli varslet automatisk.
Programvare fra Micro Focus
DataOps er ikke knyttet til en bestemt leverandør, teknologi, arkitektur, verktøy, språk eller rammeverk. Verktøy som støtter DataOps fremmer samarbeid, automatisering, smidighet, kvalitet, sikkerhet, tilgang og brukervennlighet. Men verktøy som Micro Focus Vertica, en analysedatabase med innebygget maskinlæring, er et veldig godt fundament for en effektiv DataOps implementasjon.
For mer informasjon om DataOps generelt, eller Vertica spesielt, kontakt salg@managenordic.no.
Du er kanskje også interessert i:
