根据最近Forrester Research的博客文章显示，只有20%的原始业务和运营数据进入到分析数据库和应用程序中。而另一个Forrester统计数据显示，只有7%的受访企业称自己具备先进的洞察力驱动的做法。

任何分析策略的成功都取决于访问相关数据的能力。在意识到这一点后，越来越多的公司开始部署DataOps架构。

什么是DataOps？

DataOps支持分布式数据架构，该架构包含一系列开源工具和框架。该架构旨在打破运营间的数据孤岛，并改善利益相关者与企业内数据专业人员之间的沟通。

与DevOps（在软件开发领域越来越流行）一样，DataOps的主要目标是使企业更加敏捷，这涉及更快更有效地将可用数据交到数据科学家、分析师和公民数据科学家手中。

按需提供数据并不是易事。数据必须处于可用状态，并围绕它具有所有适当防护，包括管理、合规性和安全性。

Gartner公司副总裁Nick Heudecker表示：“DataOps的目的是通过使用技术帮助自动化和编排，在数据、数据模型和其他工作中创建更可预测的交付和变更管理。但这也是以人为本的领域，这可能意味着要引入新角色以及重新调整组织架构，并就如何围绕数据进行协作和沟通。”

DataOps架构助力分析

数据质量和可用性直接影响数据分析的质量。但是，数据也必须受到监管，且符合合规和安全安全。DataOps将全面的数据工程和数据管理的严格要求与基于角色的快速数据访问相结合。

生物制药公司Amgen商业洞察副总监Rajesh Gill说，他每周有一半的工作是计划外的，因​​为企业中的人有很多特别的问题。例如，高管可能会询问患者第一次尝试使用某种药物、第二次尝试使用该药物或在使用另一种药物之后尝试使用该药物带来的市场份额影响。

Gill说：“这三个不同的问题通常会打乱我们的分析工作，因为我们需要开始制定计划、设定目标并朝着目标迈进。通过DataOps，你可以切换设备并进行分析。你可能无法产生100%的视图，但是至少你可以提供工作草案。”

快速生成工作草案有两个好处。首先，这表明分析人员正在积极研究该问题。更重要的是，这为高管和分析人员提供机会以在必要时完善和质疑分析。

谁应该参与DataOps？

我们开始看到DataOps工程师的出现，但Heudecker表示，这里的问题在于，数据工程师通常没有作为DataOps与数据使用者之间的接口。

Heudecker表示：“我们还看到数据产品经理的出现，而这个角色旨在与业务利益相关者合作，并将这些需求传达给数据工程团队。数据产品经理可以向首席数据官或类似角色报告。”

普华永道公司全球和美国地区数据与分析负责人Anand Rao认为还需要：了解数据湖中的数据到流数据的一切知识的人，以及构建模型的数据科学家。

尽管DataOps架构主要被认为是技术职能，但同样重要的是了解用例，包括谁将使用数据以及原因。这意味着要了解查询的范围以及回答这些查询所需的数据—用于报告、分析和机器学习目的。

DataOps挑战

从技术上讲，DataOps挑战可能来自未集成的工具。Heudecker表示，即使这些工具已经集成，它们也无法共享数据、性能信息和其他指标，这使得企业很难全面了解端到端流程。

Heudecker说，在DataOps架构中，流程可能很特别，以至于没有标准流程可将新数据资产载入数据管道。当数据被不一致地管理和部署时，则会导致数据可靠性问题。

Info-Tech Research Group公司数据和分析应用程序研究总监Rajesh Parab表示，很多企业都很难从分析中获得价值，因为他们并未优化他们的做法。他们只是部署工具来解决问题，并且对最终用户和分析师的期望过高。而最终用户往往并不精通数据。

Parab称：“文化和数据素养可能是团队面临的两个最大挑战。大多数企业都在考虑这些流行语，并部署DataOps做法，但你并没有构建数百份报告和数十个仪表板。你要解决什么问题，以及这对你的业务有何帮助？你如何将该数据解决方案转变为面向最终用户的数据产品或服务？”

总结

DataOps是一种新兴的做法，旨在创建数据管道，让用户、分析师和数据科学家可以更快更轻松地访问他们所需的受管理、合规和安全的信息。创建DataOps架构时应该考虑多种情况，包括如何在企业中收集、管理和使用数据，以及如何调整这些做法以满足未来业务目标。