حلقه تجزیه و تحلیل عملیاتی: از داده های خام به مدل ها تا برنامه ها و دوباره برگردید

در حدود دهه آینده ، ما شاهد تحولی باورنکردنی در نحوه جمع آوری ، پردازش ، تبدیل و استفاده از داده ها توسط شرکت ها خواهیم بود. اگرچه خسته کردن نقل قول از جمله “نرم افزار دنیا را خواهد خورد” مارک آندرسن خسته است ، اما من همیشه به این نتیجه اعتقاد داشتم: “عملکرد نرم افزار تجارت را می خورد”. این کار با اقدامات داده شروع می شود.

برای درک DataOps مدرن ، می توانیم به اصول DevOps نگاه کنیم. DevOps کاملاً شیوه ها و فلسفه های مهندسی مانند ادغام مداوم و استقرار مداوم را تغییر داده تا فاصله بین عملیات و توسعه را کاهش دهد. امروز ، ما شروع به دیدن DataOps در دنیای تجزیه و تحلیل می کنیم ، آن را به سمت همان نوع تکرارپذیری ، انعطاف پذیری و سرعت در عملیات داده ها و فرایندها سوق می دهیم. با این حال ، DataOps برای یک عنصر حیاتی حل نمی کند: چرخه درخواست و انتظار.

متأسفانه ، DataOps نتوانسته است موفقیت DevOps را کاملاً موازی کند. در مواردی که DevOps از یک حلقه پیوسته و کاربردی استقرار کد بین تیم ها استفاده می کند ، DataOps همیشه با شکافی بین ذینفعان داده که از داده استفاده می کنند (به عنوان مثال RevOps) و تیم داده که آن را ارائه می دهد ، مشکل داشته است.

این همان چیزی بود که قبل از ورود ابزارهای معکوس ETL به بازار انجام شد.

معکوس ETL …