Virtualisation des données avec les modèles sémantiques Oracle Enterprise / Blogs / Perficient

Un symptôme courant des organisations fonctionnant avec des performances sous-optimales est la difficulté courante de gérer la fragmentation des données. Le fait que les données de l’entreprise soient cloisonnées au sein de systèmes métiers et opérationnels disparates n’est pas le problème à résoudre, car il y aura toujours plusieurs systèmes. En fait, les entreprises doivent s’adapter à un besoin toujours croissant de sources de données supplémentaires. Cependant, cela pose le défi de regrouper les données entre les systèmes pour fournir une vue globale de l’entreprise. C’est le cas par exemple d’une vue client à 360° qui donne un aperçu de tous les aspects des interactions client, quelle que soit la provenance de ces informations, ou qu’elles soient financières, opérationnelles ou liées à l’expérience client. De plus, les mouvements de données sont complexes et coûteux. Les organisations ont besoin de l’agilité nécessaire pour s’adapter rapidement aux sources supplémentaires, tout en conservant une vision commerciale unifiée.

La virtualisation des données en tant que composant clé d’un Data Fabric

C’est là que le concept de virtualisation des données apporte une solution adéquate. Les données restent là où elles se trouvent, mais nous en faisons rapport comme si elles étaient stockées ensemble. Ce concept joue un rôle clé dans une architecture Data Fabric qui vise à isoler la complexité de la gestion des données et à minimiser les perturbations pour les consommateurs de données. Outre les activités gourmandes en données telles que la gestion du stockage et la transformation des données, une structure de données robuste nécessite une couche de virtualisation des données comme seule couche logique d’interface qui intègre toutes les données de l’entreprise dans diverses applications sources. Alors que les activités complexes de gestion des données peuvent être décentralisées entre divers systèmes cloud et sur site gérés par diverses équipes, la couche virtuelle fournit une couche de métadonnées centralisée avec une gouvernance et une sécurité bien définies.

Quel est le rapport avec un maillage de données ?

Ce que je décris ici est également compatible avec une approche de maillage de données dans laquelle une équipe informatique centrale est complétée par des propriétaires de produits de diverses ressources de données liées à divers domaines d’activité. Il s’agit d’un modèle en étoile dans lequel les propriétaires de domaines commerciaux sont les rayons, mais les plates-formes et les normes de données sont gérées par une équipe centrale du pôle informatique. Encore une fois, le maillage de données décentralise les actifs de données entre différents experts en la matière, mais centralise les normes d’analyse d’entreprise. En règle générale, un maillage de données s’applique aux entreprises à grande échelle comptant plusieurs équipes travaillant sur différentes ressources de données. Dans ce cas, une couche sémantique d’entreprise commune avancée est nécessaire pour prendre en charge la collaboration entre les différentes équipes tout en maintenant des propriétés séparées. Par exemple, des dimensions communes sont partagées par tous les propriétaires de produits, ce qui leur permet de créer des rapports sur les données de base de l’entreprise, telles que les hiérarchies de produits et les regroupements d’organisations. Mais il incombe aux différents propriétaires de produits d’exploiter ces dimensions communes et de fournir les liens appropriés au sein de leurs actifs de données spécifiques à leur domaine, comme les transactions financières ou les demandes d’assistance client.

Oracle Analytics pour la virtualisation des données

La virtualisation des données est réalisée avec le modèle sémantique Oracle Analytics Enterprise. La version Cloud, Oracle Analytics Cloud (OAC) et la version sur site, Oracle Analytics Server (OAS), permettent le déploiement du modèle sémantique. Le modèle sémantique virtualise les magasins de données sous-jacents pour simplifier l’accès aux données par les consommateurs. En outre, il définit des métadonnées pour les liens entre les sources de données et les normes d’entreprise telles que les dimensions communes, les KPI et les définitions d’attributs/métriques. Vous trouverez ci-dessous un schéma du fonctionnement du modèle sémantique Oracle avec ses trois couches.

Résultats de la mise en œuvre du modèle sémantique Oracle

Que vous ayez une initiative ciblée de data intelligence ou un programme à grande échelle couvrant des sources de données multi-cloud et sur site, le modèle sémantique commun présente des avantages dans tous les cas, tant pour l’entreprise que pour l’informatique.

• Expérience commerciale améliorée

Avec la virtualisation des données Oracle, les utilisateurs professionnels accèdent à une source unique de vérité pour leurs données d’entreprise. Les informations disponibles à partir de la couche de présentation sont fiables et font l’objet de rapports fiables, quel que soit l’outil de reporting frontal utilisé : comme la visualisation des données en libre-service, les tableaux de bord, MS Excel, les modèles de prédiction d’apprentissage automatique, l’IA générative ou MS Power. BI.

Une autre valeur ajoutée pour l’entreprise est qu’elle peut accéder à de nouvelles sources de données plus rapidement et en temps réel, désormais que la couche sémantique ne nécessite aucun déplacement ni réplication des données. Le service informatique peut exploiter le modèle sémantique pour fournir cet accès à l’entreprise de manière rapide et rentable.

Les trois couches qui constituent le modèle sémantique Oracle fournissent une abstraction des systèmes sources de la couche de présentation accessible aux consommateurs de données. Par conséquent, à mesure que les systèmes sources font l’objet d’initiatives de modernisation, telles que des migrations vers le cloud, des mises à niveau et même un remplacement par des systèmes totalement nouveaux, les artefacts consommateurs de données, tels que les tableaux de bord, les alertes et les modèles d’IA, ne sont pas affectés. Il s’agit d’un excellent moyen pour le service informatique de garantir que la durée de vie de tout investissement analytique se prolonge au-delà de n’importe quel système source.

• Standardisation au niveau de l’entreprise

Le modèle sémantique permet au service informatique d’appliquer la gouvernance lorsqu’il s’agit de données d’entreprise partagées entre plusieurs départements et entités au sein d’une organisation. De plus, des configurations de sécurité très fines au niveau des objets et des données sont appliquées pour répondre à différents niveaux d’accès et différents types de personnalités analytiques.

Connectez-vous avec nous pour une consultation sur vos initiatives de data intelligence et d’analyse commerciale.