DATEN

QUADRANT

STRATEGIE UND ORGANISATION IM

ZEITALTER VON AGILEBI, DWH,

AUTOMATION UND BIGDATA

EINLEITUNG

• Quellen

• Datenquadrant von R.D. Damhof Mai 2014 – DWH Automation

• Whitepaper “Building A Data-Centric Strategy and Roadmap” – datablueprint.com, Peter Aiken und Lewis Broome

• Daten als untrennbarer Verbund und/oder Bestandteil von den Produkten und Dienstleistungen die verkauft werden.

• Strategie

• “Your data strategy must align to your organizational business strategy and operating model.”

• Architektur

• “Data Architecture represents the common vocabulary, expressing integrated requirements ensuring that data assets are stored, arranged, managed and used in support of organizational strategy.”

• Governance

• “Data Governance is the exercise of authority and control over the management of your mission- critical data assets.”

• Technical Practices: Qualität, Integration, Plattformen, BI

• Der Datenquadrant als Kommunikationsmittel für Strategie und Technik

DATENSTRATEGIE

Strategie

Ziele und Vorhaben

Datenmanagement

Systeme und Applikationen

Network / Infrastructure

Strategie

Ziele und Vorhaben

Systeme und Applikationen

Network / Infrastructure

Datenmanagement

Date

nge

trie

ben

Applik

atio

nsgetrie

ben

• Datenassets werdendurch die Geschäftsprozesseerstellt, die Ziele und Vorhaben liefern

• DatenmanagementermöglichtGeschäftsprozesse, Zieleund Vorhaben zunehmenddirekt durch eigeneWertbeiträge

• Personen, Organisationund Geschäftsprozesseliefern Kontext für das Datenmanagement

• Datenmanagementinformiert die Personenund Organisation

DATENSTRATEGIE

Personen und

Organisation

Geschäftsprozesse Ziele und

Vorhaben

Technologie

Technology Assets

Datenmanagement

Daten AssetsInformiert

ErstelltKontext

INFORMATIONEN

LIEFERN

Geschäftsprozesse Ziele und VorhabenPersonen und

Organisation

Technologie

Technology Assets

Informationsfluss Anforderungen

Datenmanagement

Strategie Architektur Governance

Qualität Integration Plattformen

BI

I

n

f

o

r

m

Produkt

PROBLEMSTELLUNG

KOMMUNIKATION

BI/IT

CIO/CTO/CDO

Fachabteilung

CEO/COO/CFO

NoSQL

BigData

MPP

Data

Vault

Analytics

???

AgileBI

Self

Service

Predictive

ANALOGIE: LOGISTIK

UND PRODUKTION

WIE KOMMEN PRODUKTE

AUF DEN MARKT

3FolieFolieAWF Arbeitsgemeinschaft “Pull-Systeme” – Dipl.-Ing. O. Völker und Dipl.-Ing. S. Binner

Einleitung „Push“ und „Pull“

In OutBestand in der Fertigung

Ziehlogik (PullZiehlogik (Pull--Prinzip)Prinzip)

Bestand in der FertigungIn Out

Schiebelogik (PushSchiebelogik (Push--Prinzip)Prinzip)

Quelle: Ruhr-Universität Bochum, AWF AG Pull-Systeme, Dipl.Ing. O. Völker und Dipl. Ing. S. Binner

PULL VERSUS PUSH

PRODUKTE

Bekannte Anforderungen

Geringe Personalisierung

Skaleneffekte

Gleichförmige Produktion

GeringeÄnderungskosten

Geringe Vorbereitungszeit

Variable Anforderungen

Hohe Personalisierung

GeringerVerkaufsaufwand

Variabilität in der Produktion

Hohe Anpassungskosten

GrößereVorbereitungszeit

Push

Pull

PULL VERSUS PUSH

DATEN

PUSH/SUPPLY/SOURC

E

• Fakten, historisiert

• Massendeployment

• Kontrolle>Agilität

• Wiederholbare & vorhersagbareProzesse

• Standardisierung

• Automation

• Deklarativ > Prozedural

• Metadaten, Modell getrieben

• IT und Datenexpertiese

PULL/DEMAND/PRODU

CT

• Interpretation & Kontext

• Einzeldeployment

• Agilität > Kontrolle

• Nutzerfreundlichkeit

• Weniger IT-Expertise

• Hohes Fachwissen

• Prozedural > Deklarativ

UNTERSCHEIDUNG

LIEFERMODUS

Systematisch

• Nutzer und Entwickler sind getrennt

• Fokus auf Kontrolle und Compliance

• Fokus auf Non-Functionals

• Zentrale, unternehmensweite Informationsobjekte

• Nutzer und Entwickler sind eng verbunden

• Offensive Governance – Fokus auf Agilität und Anpassbarkeit

• dezentralisierte Informationsobjekte

• Deployment direkt in Produktion

Opportunistisch

Development Style

DER

DATENQUADRANT

I

• Facts

II

• Context

III

• Shadow IT

• Incubation

• Ad-hoc

• Once off

IV

• Research

• Innovation

• Design

Pull / Demand / Product drivenPush / Supply / Source driven

Push/Pull Point

Development

Style

Systematic

Opportunistic

DER

DATENQUADRANT

I

• Facts

II

• Context

III

• Shadow IT

• Incubation

• Ad-hoc

• Once off

IV

• Research

• Innovation

• Design

Pull / Demand / Product drivenPush / Supply / Source driven

Push/Pull Point

Development

Style

Systematic

Opportunistic

EDWH

Star

OLAP

Report

Dashboard

Self-

Service BI

Analytics

Predictive

Machine

Learning

BPMN

KontextEIM

ZENRALISIEREN -

DEZENTRALISIEREN

I

• Facts

II

• Context

III

• Shadow IT

• Incubation

• Ad-hoc

• Once off

IV

• Research

• Innovation

• Design

TRANSITIONEN

I

• Facts

II

• Context

III

• Shadow IT

• Incubation

• Ad-hoc

• Once off

IV

• Research

• Innovation

• Design

Auflösung von Produkten der

Shadow-IT oder aus der

Inkubation

Übergabe von Produkten aus

der eigenverantwotlichen

Produktion in die zentrale

Verantwortung –

Standardisierung von

Entwicklungsmethoden

GOVERNANCE

I

• Facts

II

• Context

III

• Shadow IT

• Incubation

• Ad-hoc

• Once off

IV

• Research

• Innovation

• Design

Verantwortung beim

AnfordererVerantwortung beim Lieferanten

Verantwortung beim Data Scientist / Analyst / Researcher

PRODUKTION

I

• Facts

II

• Context

III

• Shadow IT

• Incubation

• Ad-hoc

• Once off

IV

• Research

• Innovation

• Design

Produktionslinie Data

Product

Information

Product

Data Access

Analytics

Processing

Power

AUTOMATION

I DATA DELIVERY

R.D.Damhof – Prudenza BV - Copyright - 22 mei 2014R.D.Damhof - May 2014 - DWH Automation

How we produce…

II AGILE BI –

AUTOMATED SDLC

R.D.Damhof – Prudenza BV - Copyright - 22 mei 2014R.D.Damhof - May 2014 - DWH Automation

How we do projects…

I

• Facts

II

• Context

IV

• Shadow IT

• Incubation

• Ad-hoc

• Once off

III

• Research

• Innovation

• Design

Bekannte Anforderungen

Geringe Personalisierung

Skaleneffekte

Gleichförmige Produktion

Geringe Änderungskosten

Geringe Vorbereitungszeit

Push

AUTOMATION –

MODELLIERUNG

Strategie und Architektur

Modellierung eines EIM

Fact-Based Modeling

Conecptual -> Logical

Ontology –> Facts -> Relational

Transformation von Datenmodellen (EIM/FCO-IM/ER/DataVault/AnchorModeling)

Integration von BPMN und Datenmodellierung

Metadaten DWH Automation

Datenmanagement

Strategie Architektur Governance

Qualität Integration Plattformen

BI

I

•Ensemble Modeling

II

•Dimensional, hierarchical, flat

III

•Shadow IT

• Incubation

•Ad-hoc

•Once off

IV

•Research

• Innovation

•Design

TECHNOLOGIE

I

• Facts

II

• Context

III

• Shadow IT

• Incubation

• Ad-hoc

• Once off

IV

• Research

• Innovation

• Design

MPP

Big

Data

No

SQ

L

Ble

nd

ing

R-Programming

Map/Reduce

Python

Analytics

“Traditional

BI”Ensemble

Modeling

Self-Service BI

TECHNOLOGIE

I

•Storage: (R)DBMS

•Processing: Automation

•DQ: Validation,Profiling

•Dev: Data Modeling

•Access: Virtualization

II

•Storage: Pattern Based

•Processing: limited ETL

•DQ: Regeln, Dashboards

•Dev: Data Modeling

•Access: BI Tools, Visualisation

III IV

•Storage: Analytical

•Processing: Preptoolsfür Data Analst

•Access: Advanced Analytics, Data Visulisation

TAKE-AWAY

• Kommunikation der Realisierung einer Datenstrategie auf der Basis von verständlichen Kategorien

• Kategorisierung von Anforderungen für Anwendungen und Informationsquellen

• Automatisierung in der Datenversorgung ist eineGrundvoraussetzung

• Sowohl die eigentliche Versorgung

• … als auch die Steuerung der Versorgung

• Für AgileBI

• Metadaten und Modelle sollten die Automatisierung steuern, um die Strategie und die Implementierung zu verbinden

DANKESCHÖN

• Owner, Managing Consultant bei Alligator Company

• 10+ Jahre Erfahrung in BI

• Certified Data Vault 2.0 Practitioner

• Member of the Boulder BI Brain Trust

Torsten Glundemailto:t.glunde(at)alligator-company.de

Weitere Netzwerke:

https://www.xing.com/profile/Torsten_Glunde

https://www.linkedin.com/pub/torsten-glunde/8/aba/97

tglunde