Che i dati rivestano oggi il ruolo di asset aziendale è un fatto ormai appurato. Come ogni risorsa, tuttavia, anche i dati devono essere gestiti nel modo giusto per poter essere utilizzati con vantaggio e messi a profitto. Il Data Management nasce come disciplina di organizzazione, gestione e valorizzazione dei dati, attraverso l’uso di strumenti tecnologici dedicati.
La definizione di Data Management
Il Data Management gestisce e valorizza il patrimonio informativo aziendale tramite figure dedicate, tecnologie efficienti e la responsabilizzazione dell’intera organizzazione.
In termini più ampi, il Data Management è una componente della Data Architecture, cioè il framework con cui l’infrastruttura IT contribuisce al raggiungimento della Data Strategy aziendale. Nel dettaglio, l’obiettivo del Data Management è di supportare le azioni di acquisizione, elaborazione, archiviazione, protezione e interrogazione dati in linea con esigenze e obiettivi aziendali. Negli ultimi anni è diventato un aspetto di fondamentale rilevanza per le aziende, in quanto la mole di dati e la loro complessità sono aumentate in modo esponenziale. Questo determina la necessità di dotarsi di architetture dati e relative tecnologie aggiornate per garantire la loro corretta gestione.
L’evoluzione del Data Management
In questi anni l’approccio al Data Management è cambiato: da un interesse limitato a pochi reparti dell’azienda, per esempio IT e Finance, è diventato un tema che coinvolge tutti i reparti. Nella gestione dei dati veri e propri, l’evoluzione è avvenuta in tre step:
- approccio a silos costituiti da basi dati separate, spesso correlate a specifici processi o applicazioni aziendali;
- data Warehouse, un’architettura centralizzata con approccio IT-Driven per la gestione di dati transazionali strutturati;
- data Lake, un’architettura flessibile con approccio data-driven per la gestione dei Big Data, quindi di dati strutturati e non strutturati.
Oggi, secondo uno studio condotto dall’osservatorio Big Data & Business Analytics del Politecnico di Milano, solo il 3% delle grandi aziende usa ancora una architettura a silos, mentre il 61 % dispone di un data Warehouse. Il 10% utilizza un data Lake, mentre il 26% ha implementato sia data Warehouse sia data Lake.
Obiettivi e finalità del Data Management
I principali obiettivi del Data Management si inseriscono nel contesto di una Data Architecture moderna ed efficace, che risponde a queste specifiche caratteristiche per progettazione e implementazione:
- centralità dell’azienda. L’architettura deve essere costruita a partire dalle esigenze del business;
- adattabilità e flessibilità. Capacità di gestire le diverse esigenze del business presenti e future riuscendo a evolvere a costi accettabili;
- elasticità. Capacità di scalare per gestire mole dati e complessità crescenti;
- collaborazione. Fruibilità da parte del business in modo sempre più indipendente dall’IT;
- sicurezza. Minimizzazione rischi informatici attraverso l’adozione di best practice.
Nell’ambito di un uso efficace e profittevole dei dati, una Data Architecture moderna deve inoltre disporre di soluzioni tecnologiche che permettano di automatizzare i processi e la risoluzione delle anomalie, e di strumenti basati su Intelligenza Artificiale per aumentare efficienza ed efficacia nella gestione dei dati.
Data Management, un nuovo approccio alla gestione dei dati
Un settore in rapida evoluzione che richiede risposte, anche implementative, altrettanto rapide. Alla luce di questo bisogno, si stanno diffondendo nuove architetture e approcci al Data Management. Di seguito alcuni esempi.
DataLakehouse
Un’architettura che combina la struttura dati e le funzionalità del data warehouse alla flessibilità del data lake.
Data Fabric
Si presenta con un approccio simile al data lakehouse ma, invece di centralizzare i dati aziendali in un unico repository, ne gestisce l’integrazione lasciandoli dove si trovano: ambienti multi-cloud, data center o persino sistemi edge (per esempio dispositivi IoT, server locali e dispositivi mobili). Questa soluzione permette di gestire centralmente un ambiente federato attraverso sistemi intelligenti e automatizzati.
Data Mesh
Considera i dati come prodotti e ne decentralizza la gestione organizzandoli in base agli specifici domini aziendali.
I principali player tecnologici offrono diverse soluzioni per gestire approcci e architetture emergenti. In ambito SAP è nata di recente SAP Datasphere: evoluzione di SAP Data Warehouse Cloud, SAP Datasphere è la base tecnologica che abilita una business data fabric. Si tratta di un’architettura di data management che semplifica la delivery di un data layer integrato, dotato della semantica nativa, senza duplicazione di dati.
Anche Google, all’interno della Google Cloud Platform, mette a disposizione diversi servizi per l’implementazione di architetture dati moderne. Citiamo per esempio Google BigLake, un motore di archiviazione che unifica data warehouse e data lake costruito sul potente data warehouse in cloud BigQuery, o DataPlex, una data fabric intelligente per la gestione, il monitoraggio e la governance dei dati in modo centralizzato.
Come scegliere la strategia e gli strumenti di Data Management
Vista la vastità di soluzioni e strategie, per un’azienda è sempre più difficile riuscire ad orientarsi ed effettuare scelte in linea con i propri obiettivi: è necessario disporre di personale competente che si mantiene costantemente aggiornato alle continue innovazioni tecnologiche.
Qintesi investe costantemente nell’innovazione tramite i QI-Innovation Labs, laboratori di ricerca e sviluppo in cui si progettano, implementano e verificano soluzioni innovative anche di data management. Le competenze nate e sviluppate all’interno dei QI-Innovation Labs sono a disposizione delle aziende per supportarle nella realizzazione di una data strategy su misura.
