`

СПЕЦИАЛЬНЫЕ
ПАРТНЕРЫ
ПРОЕКТА

Архив номеров

Что для вас является метрикой простоя серверной инфраструктуры?

Best CIO

Определение наиболее профессиональных ИТ-управленцев, лидеров и экспертов в своих отраслях

Человек года

Кто внес наибольший вклад в развитие украинского ИТ-рынка.

Продукт года

Награды «Продукт года» еженедельника «Компьютерное обозрение» за наиболее выдающиеся ИТ-товары

 

Ирина Рундель

Чем хорош DataOps и зачем его внедрять?

+11
голос

Известная стратегия DevOps (сокр. от англ. Development and Operations) нацелена на тесное взаимодействие разработчиков с другими специалистами компании. Ее задачи очевидны — сократить время выхода продукта на рынок, обеспечить его гибкость и непрерывную доставку, повысить качество сервисов да и в целом принимать обоснованные операционные решения. Мотивы применения нового подхода — DataOps — приблизительно такие же. Только здесь речь идет не о разработке ПО, а об аналитике данных. DataOps призван оптимизировать рабочие процессы, связанные с излечением инсайтов (ценных наблюдений) из проанализированных данных. Он также предусматривает налаживание продуктивного сотрудничества между командой data-аналитиков и другими отделами.

Для чего нужен DataOps?

Применение подхода DataOps позволяет руководителям более эффективно управлять своим бизнесом. С его помощью собранные и изученные данные превращаются в основу для принятия объективных решений. В этом процессе трудно переоценить роль технических специалистов, так как основное внимание нацелено на развитие практики управления данными, в том числе правами доступа, контроль качества анализируемой информации, повышение скорости и точности аналитики, автоматизацию и интеграцию необходимых операций.

Для внедрения DataOps могут потребоваться сразу несколько команд: например, команды разработчиков, операционистов, специалистов по безопасности и data-аналитиков. Разработчики продумывают логику и архитектуру приложений, операционисты выполняют их развертывание и мониторинг. Специалисты по безопасности определяют и контролируют политику доступа к данным, data-аналитики и инженеры готовят наборы данных, создают и тестируют модели машинного обучения для поиска ценной информации.

В целом компании ожидают от практики DataOps несколько весомых преимуществ:

  • улучшение сотрудничества между различными командами;
  • возможность быстро и эффективно реагировать на новые запросы;
  • обеспечение более качественной работы и поддержки;
  • мониторинг достижения целей компании в режиме реального времени;
  • возможность избежать аварий и неполадок, заранее прогнозируя их с помощью анализа данных;
  • повышение эффективности работы благодаря статистическому контролю процессов;
  • сокращение времени исправления ошибок.

Однако несмотря на ту выгоду, которую предлагает подход DataOps, компании все еще сталкиваются с некоторыми трудностями при его запуске.

На что обращать внимание?

Исследование NewVantage Partners, проведенное среди топ-менеджеров и технических директоров показало, что только 37% компаний, применяющих data-driven подход, могут похвастаться хорошими результатами. Наиболее распространенные проблемы — непонимание таких инициатив со стороны исполнительного руководства, проблемы комплаенса и общее сопротивление изменениям в компании. Тем не менее, для успешного внедрения DataOps-стратегии одного устранения этих трудностей недостаточно. Важно учитывать еще несколько, на первый взгляд не очевидных, но важных моментов.

1. Навыки data science и общие цели

В рамках подхода DataOps аналитики по сути сопоставляют бизнес-метрики с существующей информацией, на основании чего создают отчеты, которыми делятся с руководством. В этой профессии важны знания математики, в особенности линейной алгебры, статистики и теории вероятностей. Они незаменимы для построения моделей обучения и подбора алгоритмов, поэтому большинству техспециалистов для аналитических целей нужно развивать новый набор навыков. Хотя роль data-специалиста является одной из ключевых в реализации DataOps, другие подразделения бизнеса также должны вносить вклад в успешное внедрение этой стратегии и сосредотачиваться на общих целях компании, не ограничиваясь лишь стремлениями своих отделов.

2. Правильная и четкая интерпретация результатов

Тщательный отбор и анализ данных являются залогом успешной имплементации DataOps. Однако этого мало. Все полученные результаты должны быть приведены в понятный и удобочитаемый формат, который потом могут использовать менеджеры других отделов и руководители. Применяемые инструменты должны позволить всем сотрудникам осуществлять собственный анализ и создавать визуализации, чтобы потом делиться инсайтами с коллегами.

3. Соответствие нормативным требованиям

Важно, чтобы собранные и проанализированные данные соответствовали применимому законодательству и политике компании. Хотя грамотное использование информации является значительным преимуществом для бизнеса, сбор конфиденциальных, в том числе персональных данных, на обработку которых накладывается ряд ограничений, может стать источником дополнительных проблем.

4. Регулярный обмен знаниями

Как уже говорилось выше, DataOps подразумевает сотрудничество между подразделениями компании. По мере разработки метрик и в процессе анализа данных обмен знаниями и навыками между отделами поможет улучшить политику взаимодействия с данными на предприятии. В этом случае аналитика рассматривается с разных перспектив и позиций, что позволяет увидеть новые возможности для использования ее результатов. Это делает подход DataOps еще более практичным и полезным.

Отметим, что сейчас инструменты для анализа огромных массивов данных упрощаются и совершенствуются, что существенно уменьшает затраты компании. В связи с этим, определенным упущением было бы игнорирование пользы от бизнес-анализа данных для добавления ценности своему продукту. Примером хорошей реализации DataOps-подхода в этом контексте становятся популярные приложения, обрабатывающие большое количество данных в режиме реального времени, в основе которых лежат алгоритмы машинного обучения.

Заключение

С каждым годом появляется все больше организаций, использующих подход, ориентированный на данные. Однако для большинства из них процесс извлечения, преобразования, моделирования, форматирования и перемещения информации является труднореализуемым — слишком много ручных операций, ошибок и несоответствий. DataOps применяет концепции и принципы DevOps к обработке и аналитике данных. Результатом этого становится более гибкая, точная и автоматизированная работа с информацией, которая сводит к минимуму потерю времени и ресурсов компании.

Чем хорош DataOps и зачем его внедрять?


Вы можете подписаться на наш Telegram-канал для получения наиболее интересной информации

+11
голос

Напечатать Отправить другу

Читайте также

 
 
IDC
Реклама

  •  Home  •  Рынок  •  ИТ-директор  •  CloudComputing  •  Hard  •  Soft  •  Сети  •  Безопасность  •  Наука  •  IoT