Data Management / Data Architecture

Moderne Datenarchitekturen

Die Agilität und Dezentralisierung treffen disruptiv die Architektur der analytischen Systeme. Von einem modernen Analytics System werden die folgenden Eigenschaften erwartet: Flexibilität, Elastizität, Automatisierung und Self Service, Entkoppelung der einzelnen Applikationen, sowie Real-time Fähigkeiten. Die Cloud und containerbasierte Architekturen bieten den optimalen Rahmen dafür an.

Die Treiber der Dezentralisierung

Die wichtigsten Treiber der modernen dezentralen Architektur-Konzepte sind Domain-driven Design (DDD) und Microservice Architekturen. DDD bringt eine dezentralisierte Architektur bestehend aus Domänen (häufig IT-Systemen) mit klar definierten fachlichen Einsatzbereichen (Bounded Context) und verständlichen visualisierten Abhängigkeiten und Interaktionen (Context Maps). Es gilt eine einheitliche für alle Personen verständliche, ubiquitäre Sprache. Microservice Architekturen, die Methoden der Dekomposition, Entkopplung, sowie Isolierung der einzelnen Services umfassen, verändern und definieren die Software-Entwicklung neu.

Data & Analytics neu entworfen

Die möglichen Ausprägungen der modernen Architekturen sind vielfältig. Architecutre follows Use Case.

Klassische Data Warehouse mit Data Marts nach Inmon- oder Kimball-Prinzipen für die strukturierten Daten unterstützen klar definierte fachliche Use Cases mit Top-Down Methoden optimal. Die Data Lakes mit zusätzlichem Speicher für die teil- und unstrukturierten Daten dienen den Data Scientisten für die Exploration und Bildung der Bottom-Up Use Cases.

Data Mesh wendet die Idee von dezentralen Domänen mit eigener Data Ownership und Architektur an. Die Daten werden als Produkt einer Domäne durch Microservices erstellt und anderen Domänen mit Self-Service Daten-Infrastruktur angeboten. Eine domänen-übergreifende Governance Organisation sorgt für die globalen Entscheidungen, definiert die globale ubiquitäre Sprache und die Domänengrenzen.

Data Fabric ist eine Daten Architektur, welche mit unterschiedlichen Technologien und Services mehrere Domänen verbindet. Die Daten können basierend auf den intelligenten metadaten-gestützten Pipelines ausgetauscht werden. Der Anwender kann einfach durch Self Service auf alle Daten zugreifen und diese beliebig konsumieren. AI und ML unterstützen die Data Governance, Datenqualität und ‑Aufbereitung.

Unsere größten Vorteile

saracus unterstützt den Aufbau und die Modernisierung der Datenarchitekturen mit unterschiedlichen Technologien und in verschiedensten Umgebungen (On-Premises, Cloud, Hybrid und Multi Cloud).

Use-Case Konfiguration

Beim Entwickeln einer Datenarchitektur ist es wichtig klare Use Cases zu definieren. saracus unterstützt Sie dabei, notwendige Daten aus internen und externen Domänen zu identifizieren, die richtigen Technologien zu wählen, und beim Projektmanagement mit zielorientierter Roadmap-Planung.

Architektur Blueprint

Abhängig davon, wie die neue Architektur in Ihre bestehenden Systeme integriert werden soll, muss entschieden werden ob diese On-premises, in der Cloud, oder Hybrid designt werden soll. Durch die Durchführung von PoCs und Piloten inklusive Unterstützung bei der Toolauswahl, Systemintegration und Entwicklung einer logischen Architektur garantiert saracus, dass sich Ihre neuen Systeme nahtlos in bestehende einfügen.

Data Governance

Die Implementierung einer Data Governance unterstützt Sie dabei die Standards Ihrer Datenarchitektur zu wahren. Durch eine klare Verteilung von Rollen und Verantwortlichkeiten wird sichergestellt, dass Geschäftsprozesse workflow-gestützt standardisiert ablaufen und Ihre Mitarbeiter durch Business Glossare und Datenkataloge den Überblick behalten und somit ihre Data Literacy verbessern.

Datenmodellierung

Durch generische Branchen- und Use-Case-Modelle kann saracus Ihnen agile Datenmodellierungskonzepte bieten. Mit fertigen Data Marts und Data Product Strukturen für unterschiedlichste Use-Cases, inklusive Data Vault und Anker-Modellierung, stellt saracus sicher, dass Ihre neue Datenarchitektur Best Practices verkörpert und Branchenstandards gerecht wird.

Datenqualität und ‑aufbereitung

Im Zuge der Entwicklung einer Datenarchitektur ist es auch wichtig einen Blick auf die Datenqualität und ‑aufbereitung zu werfen. Die Definition von Data Quality KPIs, sowie deren Messung und Visualisierung hilft Ihnen dabei ein hohes Maß an Datenqualität zu wahren. Die Konzeption und Implementierung automatisierter Data Pipelines, sowie verschiedensten Integrationsmustern (CDC, synchron, asynchron, Bulk, ETL/ELT, Streaming, etc.) sorgt dafür, dass diese Standards eingehalten werden.