E-Book von BigData-Insider DataOps für IoT Analytics

Das E-Book „DataOps für IoT Analytics“ von BigData-Insider stellt einen wachsenden Markt vor, der an Bedeutung gewinnt, weil Unternehmen und andere Organisationen zunehmend Daten für ihr Geschäft nutzen wollen und dafür auf eine optimale Qualität und Bereitstellung von Daten angewiesen sind.

Anbieter zum Thema

Vogel IT-Medien GmbH

INFOMOTION GmbH

BigData-Insider

DataOps ist ein neuer Markt und ein zunehmend klar abgegrenztes Betätigungsfeld, das bereits von IDC und anderen Analystenhäusern beschrieben wurde. Das Beratungshaus 451 Research hat in einer Umfrage mehrere Vorteile von DataOps herausgefunden, darunter den, dass Unternehmen, die DataOps strategisch nutzen, auf ihrer Reise zur digitalen Transformation viel weiter gekommen sind als andere – und daher einen Wettbewerbsvorteil errungen haben.

Warum und wozu DataOps?

Vor der eigentlichen Analyse von Daten befassen sich viele Mitarbeiter im Unternehmen mit der Suche danach. Genauso geht es Data Scientists und Analytikern sowie App-Entwicklern, die auf aktuelle, konsistente und geschützte Daten angewiesen sind. Sie brauchen die Prozesse, die mit dem Begriff „Data Operations“ bzw. DataOps zusammengefasst werden und die ihnen zeitraubende Arbeiten abnehmen. Alle DataOps-Prozesse sollten automatisiert sein. Sie sind Teil einer Strategie zur digitalen Transformation.

DataOps bedeutet zu Deutsch „Datenoperationen“ und steht für das moderne Management von Unternehmensdaten im KI-Zeitalter. Mit DataOps können Unternehmen Datenkonsumenten und -ersteller nahtlos miteinander verbinden, um Daten jeder Art schnell zu finden und ihren Wert auszuschöpfen. Das E-Book „DataOps für IoT Analytics“ fokussiert auf Daten, die aus Edge-Geräten eintreffen und möglichst rasch, also in „Echtzeit“, verarbeitet werden müssen.

Eine Methodik

Bei DataOps handelt sich weder um eine Lösung oder ein Produkt noch um einen Service, sondern um eine Methodik, damit Datenkonsumenten wie Analytiker, Data Scientists oder Business Manager schnell, leicht, zuverlässig und sicher an die gewünschten Daten gelangen bzw. regelmäßig und automatisch damit versorgt werden. Denn besonders in der Nutzung von IoT-Datenströmen ist die Lieferung und Auswertung von Daten in Echtzeit wichtig. Weil sich die Datenströme und ihre Verwendung permanent ändern, haben die DataOps-Designer das DevOps-Modell mit CI/CD (Continuous Integration / Continuous Development) übernommen. Es führt einen Kreislauf aus Arbeitsschritten ein, der zur ständigen Aktualisierung und Optimierung beiträgt sowie Datenqualität sicherstellt.

gesponserteBook

DataOps für IoT Analytics

Eine Frage der Kultur

Damit DataOps erfolgreich funktionieren kann, müssen Grenzen zwischen Datensilos abgebaut und alle Datennutzer auf die Vorstellung ausgerichtet sein, dass die Daten allen Mitarbeitern gehören und von allen entsprechend gepflegt und geschützt sein müssen. Erst wenn diese Kultur in der Organisation verankert worden ist, stellen sich die Vorteile von DataOps ein. Dazu gehören mehr Datenzuverlässigkeit und -sicherheit, kürzere Zykluszeiten für die Bereitstellung von Erkenntnissen und Apps sowie ein insgesamt kosteneffektiveres Datenmanagement. Statistikverfahren bzw. entsprechende Tools messen diese Effektivität.

Das E-Book zeigt daher, dass eine DataOps-Plattform über viel mehr als Technologie verfügt, die aus bestimmten Bausteinen besteht, sei es aus ETL, CI/CD oder Workflow-Steuerung. Damit eine aus diesen Bausteinen zusammengestellte IT-Umgebung entstehen kann, müssen erst die Rechte und Pflichten der Mitarbeiter hinsichtlich der Handhabung von Daten in einem Workflow-basierten Prozess festgelegt und freigegeben sein. Das wird Data Governance genannt. Technologien, Prozesse, Organisation und Mitarbeiter sind entscheidend, um messbare Erfolge mit DataOps zu erzielen. Data Governance ist indes nicht der Fokus des E-Books.

Kaufen oder bauen?

Eine DataOps-Plattform kann anhand von mehreren maßgeblichen Faktoren ganz individuell zusammengestellt und aufgebaut werden – in einem kleinen Praxiskapitel demonstriert das ein kleiner Workshop, dessen vollständige Version online zu finden ist. Da sich eine derart komplexe Lösung kosteneffizient eigentlich (aber nicht nur!) in der Cloud betreiben lässt, findet der Interessent heute eine Reihe solcher Plattformen bereits als SaaS-Lösung oder als Public-Cloud-Services, meist als Baukasten oder Framework. Denn weil jedes Unternehmen anders aufgebaut ist, muss auch jede DataOps-Lösung anders zusammengebaut werden. Weil der nächste Schritt meist der Einsatz von Machine Learning Modellen ist, geht das E-Book auch auf den analogen Prozess des ModelOps ein.

DataOps für IoT Analytics

Neben Big Data erzeugt das Internet der Dinge (IoT) die größte und bunteste Vielfalt an Datentypen. Von Audio- und Videodaten über Logdateien bis hin zu Ergebnissen von Analyse-Apps am Edge kann das IoT alle Datentypen liefern. Die Datenmengen sind enorm, kommen häufig regelmäßig (in relativer Echtzeit) ins System und müssen am Edge gefiltert, transformiert und verteilt werden. Ist das nicht realisierbar, hat die zentrale Analyse-Plattform Schwerstarbeit zu leisten, und für den Datentransport fallen hohe Kosten an.

Eine DataOps-Architektur, die dazwischen geschaltet ist, würde für die ETL-Vorgänge ebenso sorgen wie für die Workflow-basierte Weiterleitung der aufbereiteten Datenpakete an die passenden Datenkonsumenten und Endgeräte, beispielsweise Tablets oder Smartphones. Ein gesondertes Kapitel des E-Books befasst sich mit dem Zusammenspiel von DataOps-Prozessen und IoT Analytics. Abschließend stellt das E-Book eine kleine Auswahl von Lösungsangeboten vor.

Von DataOps und ModelOps dürfte der Interessent künftig noch viel mehr hören und lesen, denn der gerade entstandene Markt weist bereits beachtliche Wachstumsraten auf. Das E-Book stellt ein Angebot dar, sich frühzeitig über die aktuelle Lage in diesem Zukunftsmarkt zu informieren.

(ID:47890468)