Das Ziel: ADE. Der Pfad: die Verwertbarkeit von Daten. Von DevOps für Daten bis zu MLOps: Der Weg zum autonomen digitalen Unternehmen

Anbieter zum Thema

BMC Software GmbH GB Remedy

Rittal GmbH & Co. KG

Fsas Technologies GmbH

Kentix GmbH

Wie wird ein Unternehmen zum „Autonomous Digital Enterprise“ (ADE)? Nahezu jedes Unternehmen arbeitet heutzutage mit Software und digitalisierten Prozessen. Doch dies ist nicht mehr ausreichend. In der heutigen digitalen Welt ist die Integration von Daten in allen Bereichen der Organisation ein wesentlicher Bestandteil, um ein ADE zu werden.

Ein ADE ist kundenorientiert, agil und leitet aus Daten verwertbare Erkenntnisse ab. Diese Einblicke werden aus der Analyse von Daten aus dem gesamten Betrieb eines Unternehmens abgeleitet und umfassen CI/CD-Produktionspipelines, interne Kommunikation und Daten von Kund*innen. Doch all diese Daten müssen nicht nur gesammelt, sondern auch zielführend analysiert und verwertet werden.

Ein datengesteuertes Unternehmen behandelt Daten im gesamten Geschäft als 'Vermögenswert'. Um die datengesteuerten Prozesse erfolgreich zu integrieren, sind DataOps – also 'DevOps für Daten' – hilfreich, bei dem der oder die Ersteller*in eines Datenprodukts die Verantwortung für dessen gesamten Lebenszyklus übernimmt.

Die Vorteile von DataOps

DataOps helfen Unternehmen dabei, Daten- und Analyseinitiativen zu optimieren, um einen möglichst hohen geschäftlichen Nutzen zu erzielen, indem eine umfassende Zusammenarbeit zwischen allen Interessengruppen bei Daten- und Analyseanwendungen und eine End-to-End-Automatisierung von Datenpipelines ermöglicht wird.

Im Gegenzug können Unternehmen sich anpassen, reagieren, vorhersagen und autonom handeln, basierend auf den jeweiligen Szenarien. Durch die Implementierung von DataOps-Prozessen können Unternehmen Erkenntnisse gewinnen, die die Entscheidungsfindung in nahezu Echtzeit vorantreibt.

Das Ziel ist es, bewährte DevOps-Praktiken in das Ökosystem der Datenverwaltung einzubinden. Wie bei jeder Best-in-Class-DevOps-Praxis steht auch bei DataOps das Gleichgewicht zwischen Geschwindigkeit und Qualität im Mittelpunkt.

Erfolgreiche Implementierung und Herausforderungen

Um DataOps erfolgreich zu implementieren, sollten Unternehmen eine vielschichtige Initiative mit einer Reihe von kleineren, gezielten Schritten beginnen. DataOps sollten zunächst in einem oder zwei analytischen Anwendungsfällen eingeführt werden. Basierend auf diesen Anwendungsfällen können Unternehmen DataOps dann auf weitere Geschäftsfunktionen anpassen und skalieren.

Im weiteren Verlauf des Implementierungs-Prozesses können anschließend immer wieder bestimmte Best Practices angewandt werden, bis ein stabiler Zustand erreicht ist. Über diese Zeiträume hinweg ist es von grundlegender Bedeutung, dass die Geschäftsleitung die Einführung von DataOps befürwortet und für die am Geschäftserfolg beteiligten Personen schnelle Erfolge liefert, damit sie zu Change Agents werden, die die Skalierung von DataOps im gesamten Unternehmen unterstützen.

Denn die Einführung von DataOps in großem Maßstab in einem Unternehmen kann schnell zu einer großen Herausforderung werden, insbesondere in Bezug auf die Akzeptanz und Unterstützung durch die Führungskräfte sowie die Zusammenarbeit im gesamten Ökosystem, denn das Engineering von Automatisierungstechnologien erfordert Disziplin und Ausdauer.

Ohne Disziplin und Ausdauer funktioniert es nicht

Zudem sollten die Anforderungen an DataOps realistisch gehalten werden. So garantiert die Implementierung von DataOps nicht automatisch bessere Ergebnisse bei der Datenanalyse.

Als nächster Schritt ist daher die Einführung von MLOps mit fortgeschrittener Analytik denkbar. MLOps ist ein agiler Ansatz für das Training und die Bereitstellung von ML-Modellen. Dies kann eine potenzielle Lösung für die erfolgreiche Operationalisierung neuer ML-Modelle sein und damit bessere Datenanalyseergebnisse liefern.

Durch eine durchgängige Automatisierung, die Orchestrierung, Bereitstellung, Konfiguration und Self-Service umfasst, hilft DataOps Unternehmen, ihre Daten zu nutzen und weiterzuentwickeln. Automatisierungstechnologien innerhalb von DataOps sowie eine umfassende geschäftsübergreifende Zusammenarbeit können die für erfolgreiche Daten- und Analysetransformationen erforderliche Lieferdisziplin sicherstellen.

Das Rückgrat der Automatisierung als Grundlage von DataOps ist die Orchestrierung der Datenpipeline. Die Orchestrierung ist erforderlich, um die einzelnen Daten-Management-Tools und -Funktionen zu koordinieren und die Automatisierung von der Quelle bis zu den vollständig operationalisierten Erkenntnissen zu gewährleisten. Dies ist besonders wichtig für jede Organisation mit dem Ziel, ein datengesteuertes Unternehmen und ein ADE zu werden.

* Ram Chakravarti ist CTO bei BMC Software.

(ID:48539312)