【数据架构】数据架构最佳实践 -- dataversity

术语数据架构是指管理数据的收集、存储、准备、共享和分发的可实施标准和协议的集合。 这套预定义的标准和协议旨在扩大繁忙业务环境中数据分析的范围和目的。

传统数据管理系统的一个主要问题是，虽然许多通用功能由技术供应商出售，但自定义组件通常是后来零零碎碎地开发的，作为临时解决方案。 因此，这些“创可贴”系统的数据架构缺乏整体控制，而这可以在企业数据管理项目的一开始就规定。 没有可靠的数据架构最佳实践的海量数据就像一个数据沼泽——随时准备淹没无知的业务用户。

在现代数据架构中，这个问题已经得到很好的解决，目前组织内的技术团队遵循标准化的蓝图来开发和实施企业数据架构。

在存储成本高昂的前云时代，许多数据管理最佳实践很难实施。 现在，随着闪电般快速的服务器、增加的存储和降低的成本，组织发现实施这些困难的最佳实践变得更加容易。

一个例子是数据质量，它最好作为一种整体架构方法来解决——集成为数据架构的核心组件。

为什么需要有效的数据架构最佳实践？

随着数据即服务 (DaaS) 的兴起成为云业务战略的核心组成部分，有效的数据架构变得势在必行。 此数据架构可确保业务用户的数据治理、数据准确性和按需数据可用性。

现代数据架构的主要层次包括物理层，即硬件组件和数据准备技术； 定义架构框架内不同数据类型之间关系的逻辑层； 数据共享层定义了数据如何在用户和进程之间共享。

最近，企业已经完全摆脱了他们的遗留系统，为实时产品推荐、定制报价和多个客户沟通渠道让路。

智能技术和更新的数据平台的出现使数据架构变得非常复杂，常常会影响效率。 三到五年生命周期的传统数据架构模型正面临越来越大的风险。

现在是考虑架构驱动、以数据为中心的业务的好时机。 随着更新更好的数据技术不断发展，技术专家将不得不探索和设计最佳实践，以将这些新技术应用到新的数据架构模型中，该模型不仅敏捷、有弹性，而且面向未来。

什么使数据架构最佳实践有效？

现代数据架构的目标是提供一个框架来管理跨多个数据平台的任何数据。 为此，TechTarget 提出了精心设计的数据架构的 5 条原则。

为了进一步讨论，回顾一下现代数据架构的一些基本特征：

• 精确的业务目标：从历史上看，受数据影响的业务决策的可用性决定了决策者需要什么。 使用现代数据架构，游戏规则已经改变。 现在，决策者可以定义精确的业务目标并操纵数据集以满足数据分析的确切要求。
• 数据共享：良好的数据架构可消除数据孤岛并促进协作。 在这种架构中，来自不同业务部门和多个来源的数据被收集、整理并存储在一个位置以消除重复。 数据共享是这种环境中的关键要素。
• 自动化：由于自动化，不同业务流程和系统之间的数据管道变得精简。 基于云的数据架构促进了跨不同系统的敏捷数据集成和数据共享。
• 智能架构：随着复杂的人工智能和机器学习（智能）工具的轻松使用，现代数据架构能够进行按需调整以消除数据质量错误和数据识别错误，并发现新的见解。
• 弹性(Elasticity)：在过去的十年中，数据架构已经从数据仓库转移到数据湖，然后再回到数据仓库——完全不确定如何满足业务不断增长的需求。 最近，企业所有者和运营商意识到，随着企业不断变化的需求而扩展的数据架构是数据架构可持续性的答案。 现在，得益于云和人工智能技术，企业可以选择与可扩展性相关的按需服务。
• 安全性：所有现代数据架构都需要符合数据隐私和安全标准。 在开发架构模型时，需要严格遵守通用数据保护条例 (GDPR) 等数据法规。 元数据管理最佳实践讨论了大多数业务运营商如何表达在高度数据监管的世界中从“数据中获取价值”的重要性。

数据管理的未来

福布斯记录了客户对数据未来的看法。 大多数行业领导者都认为获取大量数据和有效使用这些数据是两种完全不同的活动。

企业要以数据取胜，企业运营者需要以有效的数据架构为出发点。 以数据为中心的组织的主要特征之一是一个集中的、数据丰富的平台，该平台可以与开源解决方案相结合，以进行深入分析和及时决策。 拥有基于云的中央数据存储库的在线零售商 Wayfair 就是一个很好的例子。

在以数据为中心的组织中，创新的步伐已经改变了游戏规则。 每天都有新的数据技术和工具出现在市场上，企业几乎不可能跟上当今提供给数据团队的技术选择。

虽然一方面，数据质量和元数据管理仍然是主要挑战，但市场上可用的无限技术解决方案进一步增加了这一挑战。 最近的一次网络研讨会讨论了如何将可用技术与数据架构最佳实践相结合，以帮助企业从数据分析中获得即时价值，同时密切关注数据架构的长期可持续性。

尾注

当没有可靠的数据架构时，数据用户不可避免地要花时间提取和组织数据，而不是分析数据。 全球组织需要提高数据意识并构建数据架构最佳实践，以牢牢掌握所有数据活动。

现在，有了先进的数据存储和数据处理技术，可以进行初始时间和成本投资来开发更敏捷、更健壮和更高效的数据架构。 通过这些高效的数据管理流程取代陈旧的数据管理系统，高薪数据专业人员可以专注于从他们的数据中提取价值。