Egyre népszerűbb a „data lake” koncepció, ahol a nyers, strukturálatlan, korábban fel nem dolgozható adatok lelnek átmeneti otthonra, majd innen, a korszerű keresési és feldolgozási technológiáknak köszönhetőn könnyebben válnak elérhetővé az üzlet számára. Az adattó azonban nem feneketlen, így a belekerülő adatok gyorsan növekvő tömege hamar hozzájárul az elmocsarasodáshoz. Hogyan lehet a data lake-et jól és eredményesen használni? Elmerültünk a kérdésben.
A „tó” kifejezés hallatán akarva akaratlanul egy szelíden hullámzó, homokos aljú, kéken ringatózó víztömeg ugrik be, szitakötőkkel, vízipókokkal, halakkal, gémekkel, komplett és sokszínű ökoszisztémával. A data lake is hasonló, csak éppen a tómedret egy virtuális tároló, az ökoszisztémát pedig a különféle adatok adják – a koncepció pedig egyre népszerűbb az informatikában.
Mindenre is jók az adatok
A data lake-ben tárolt adatok nagyban megkönnyítik a vállalati adatvagyon maximális kiaknázását, főképp abban az esetben nyújt pluszt, hogyha a szervezet amúgy is elemzi, és használja a saját adatait.
„A Szerencsejáték Zrt. a vállalati adatvagyont több területen használja, ezek közül kiemelném a kereskedelmi célú, például CRM-típusú felhasználást, a marketing célú elemzési, kutatási adatfelhasználást és természetesen a hagyományos operatív működést. A fő cél természetesen az üzleti eredményesség biztosítása, illetve magának az adatvagyonnak mint vállalati értéknek a növelése. Fontos, hogy az adatvezérelt döntéshozatal beépült a mindennapokba és folyamatosan szélesítjük a mérhető információk körét, legyen az játékosok viselkedési mintája, értékesítési adatok, vagy éppen az IT-rendszereinek belső adatai, logok”, osztotta meg Tompits László, a Szerencsejáték Zrt. informatikai igazgatója.
A vezető bepillantást engedett vállalati tapasztalataiba is, mint elmondta, az adatvagyon-menedzsment jelenleg centralizált adatmodellel valósul meg, a felépítése erősen IT-fókuszú. „Az üzleti területek egyre inkább bevonódnak magának az adatvagyonnak a kezelésébe, hogy közösen egyre magasabb értéket tudjunk teremteni. Ahhoz, hogy ezt elősegítsük, külön projektet indítottunk. E projekt egyik célja, hogy a vállalat szervezeti kultúrájába szervesen beépüljön a Chief Data Officer fogalom, hasonló irányelvek mentén, amelyeket a Magyar Nemzeti Bank megfogalmazott a bankszektor részére”, folytatta Tompits László.
A banki környezetben is előszeretettel használják az adatokat. A Raiffeisen Bank Data Asset Development vezetője, Csite László szerint ezen a területen adatvagyon aktív használata szinte természetes, így a Raiffeisennél is széles a felhasználói réteg. „Az ATM-ek feltöltésének vezérlésétől a teljes banki likviditásmenedzsmentig, scoring motoroktól az ingatlanbecslő algoritmusokig, jelentésszolgálattól a kontrolling prognózisaiig, ügyfél kampányoktól azok visszaméréséig, legyen szó akár a múlt megértéséről, akár a jövőbe tekintésről a bank szinte minden része használja a közös adatplatformot”, mondta.
Hozzátette, minden szervezet számára más, és időben is változik, hogy mi a leghatékonyabb adatvagyon-kezelési stratégia. „A Raiffeisennél arra törekszünk, hogy a döntésközeli, kiaknázási funkciók és képességek a szervezet minél több pontján jelen legyenek, és csak az általános vagy többeket kiszolgáló data engineering, data quality management és data governance funkciókat központosítjuk az azokat legjobban ellátni képes területekre”, tette hozzá.
Silók kontra data lake és a demokratizálódás
A data lake teljesen szembe megy a silók nyújtotta megoldással. A jövőt tekintve adódhat a kérdés, hogy a fejlesztések tekintetében milyen irányok lehetnek a meghatározóak.
„A független silók rekonciliálási (egyesítési – a szerk.) problémájának feloldásán évtizedek óda dolgozik a szakma, első válaszként születtek az adattárházak, majd azok problémáira reagálva az adattavak. Az igazán erőforrás-igényes feladat soha nem maga a transzformációt vagy töltést végző kód megírása, hanem az adatok információtartalmának teljes és kontextusba helyezett megértése. Ez a munka nem kerülhető meg, és esete válogatja, hogy az adott helyzetben melyik architektúra adja az optimális megoldást”, foglalta össze Csite László.
„A Szerencsejáték Zrt. adatvagyonának jelentős része néhány nagyobb forrásrendszerből származik, amelyeket egy központi adattárházban dolgoz fel. Ebből tudjuk a felhasználókat kiszolgálni, illetve ebben tesszük elérhetővé az adatokat. A fő fejlesztési irány, hogy az adatelemző rendszereink továbbra is korszerűek legyenek, illetve az adattárház-stratégiánk megvalósításával törekszünk piacvezető megoldások és tudás elterjesztésére a cégen belül. Jelenleg is használunk bizonyos célokra mintázatelemző, mesterséges intelligenciával rendelkező megoldásokat, ezen a téren látunk jó lehetőségeket a továbblépésre”, mondta Tompits László.
A data lake koncepcióval kézen fogva jár az adatok elérésnek demokratizálása. Az adatvagyon-hasznosító cégek pedig akár elgondolkozhatnak ezen az irányon is. Csite László ezzel kapcsolatban azt mondta, hogy ha egy szervezet hangsúlyt fektet az adatalapú döntéshozatalra, a technikától függetlenül az adatainak belső széles körben elérhetővé tétele elengedhetetlen lépés, természetesen csak a megfelelő jogosultsági kontrollok alkalmazása mellett. Az adatok demokratizálása csak az első lépés, a Raiffeisenben csoportszinten stratégiai cél a vállalati data literacy növelése.
„Az adatelérés demokratizálása többsebességes modellen keresztül valósul meg. Az adattárház- és BI-terület mint az IT része, egyrészt szakmai támogatást nyújt a professzionális felhasználóknak, másrészt előkészíti a kevésbé gyakorlott felhasználók részére az adatlekéréseket. Eltérő a területek IT-érettsége, illetve különböző az adathasználati intenzitásuk, amit ezzel a modellel jól lehet kezelni. Fontos, hogy az adattárházban az adatokról felhalmozott tudást is minél szélesebb felhasználói körrel tudjuk megosztani. Erre vonatkozóan folyamatban van az adatvagyon-menedzsment vállalati szintű kiépítése”, részletezte kérdésünkre Tompits László.
Kiss Franciska
