Verwaltung von Metadaten: Der Ansatz von Informatica

Informatica Metadata Management

Der Ansatz von Informatica zur Verwaltung von Metadaten unterstützt Unternehmen dabei, den Mehrwert ihrer Daten mithilfe aktiver Metadaten voll auszuschöpfen. Informatica Metadata Management ermöglicht es Unternehmen, zunächst vier wichtige Kategorien von Metadaten zu nutzen:

• Technische Metadaten: Datenbank-Schemata, Mappings und Code, Umwandlungen, Qualitätsüberprüfungen
• Betriebliche Metadaten: Glossareinträge, Governance-Prozesse, Anwendungs- und Geschäftskontext
• Operationelle und Infrastruktur-Metadaten: Statistiken zur Laufzeit, Zeitstempel, Volumenmetrik, Protokollinformationen, System- und Standortinformationen
• Metadaten zur Nutzung: Bewertungen, Kommentare und Zugriffsmuster von Anwendern

Mithilfe der Metadaten dieser vier Kategorien wird eine gemeinsame Grundlage erstellt. Informatica Metadata Management nutzt umfassende Funktionen zur Erstellung dieser gemeinsamen Grundlage:

• Erfassen: Metadaten werden über alle Unternehmenssysteme hinweg gesammelt, sowohl in der Cloud als auch On-Premise, darunter auch Datenbanken und Dateisysteme, Integrationstools und Prozesse sowie Analytics und Data Science Tools, wobei die Zuverlässigkeit extrem hoch ist.
• Verwalten: Die Datenansicht wird samt Glossarbegriffen, Konzepten, Beziehungen und Prozessen dokumentiert. Die gesammelten Metadaten werden in diesem Geschäftskontext optimal genutzt. Feedback von Anwendern wird in Form von Bewertungen, Überprüfungen und Zertifizierungen erfasst, um einzuschätzen, wie hilfreich die Datenbestände für andere Anwender sind.
• Ermitteln: Mithilfe von Business Intelligence werden Beziehungen abgeleitet, die in den erfassten Metadaten nicht offensichtlich sind, darunter Data Lineage, Ähnlichkeit von Daten und das Ranking der nützlichsten Datensätze für unterschiedliche Anwendergruppen.

Die Vorteile einer einheitlichen Metadaten-Plattform

Durch die Erfassung technischer, betrieblicher, operationeller und nutzungsbasierter Metadaten erstellt Informatica ein Wissensdiagramm der Datenbestände eines Unternehmens und ihrer Beziehungen. Wir wandeln es in ein aktives Metadaten-Diagramm um, indem wir KI und Machine Learning darauf anwenden und es in unsere vier Lösungen zum Data Management integrieren.

Aktive Metadaten bilden die einheitliche Grundlage für die Intelligent Data Platform von Informatica, eine integrierte und modulare Plattform, die es Ihrem Unternehmen ermöglicht, sich in dem für Sie angemessenen Tempo weiterzuentwickeln, wobei Sie in der Lage sind, allen Anforderungen an das Data Management gerecht zu werden. Die Erkenntnisse fließen in die CLAIRE™ Engine ein, die erste KI-Lösung, die auf Metadaten basiert, damit wichtige Data Management-Prozesse und Governance-Prozesse beschleunigt und automatisiert werden können. CLAIRE nutzt Metadaten, um Datendomänen automatisch zu ermitteln, Daten zu klassifizieren, ähnliche Daten und andere Datenbeziehungen zu erkennen, nächste Schritte zu empfehlen und Geschäftsbegriffe mit physikalischen Datensätzen zu verbinden.

Wenn Sie einen intelligenten Datenkatalog zum Hauptbestandteil Ihrer Dateninfrastruktur machen, können Sie sicherstellen, dass aktive Metadaten in all Ihre Data Management-Prozesse integriert werden. Informatica Enterprise Data Catalog unterstützt Sie dabei, Metadaten im gesamten Unternehmen zu erfassen und in aktive Metadaten umzuwandeln. Dies ist mithilfe umfassender Konnektoren möglich, die Metadaten, angereichert mit Erkenntnissen aus CLAIRE, scannen und indizieren. Aktive Metadaten unterstützen die Automatisierung und sorgen dafür, dass Nutzer Data Management-Anwendungen für Analytics, Data Science, Governance und andere wichtige, datenbasierte Prioritäten erstellen, umsetzen und betreiben können.

Vorteile der aktiven Metadatenverwaltung

Der Ansatz von Informatica für das aktive Metadaten-Management bietet während der gesamten Dauer des Data Managements zahlreiche Vorteile:

• Analytics der nächsten Generation
  • Bereitstellung von Self-Service-Funktionen durch einfache Suchvorgänge, Ermittlung und Empfehlungen für relevante Daten
  • Bereitstellung einer umfassenden Datenansicht mit Data Lineage, Beziehungen und Datenqualität, um die Zuverlässigkeit von Daten und das Vertrauen in Daten für Analytics-Zwecke zu erhöhen
  • Schnellere Abwicklung von KI-/ML-Projekten mit besserer Datentransparenz für die agile Vorbereitung und Analyse von Daten und die Entwicklung von ML-Modellen für KI-Anwendungen
• Datenqualität und Data Governance
  • Ermittlung, Klassifizierung und Dokumentation von wichtigen Datenelementen, um Data Governance-Aktivitäten zu priorisieren
  • Bereitstellung umfassender Metadaten und Data Lineage, um technischen Kontext und Geschäftskontext für Data Governance darzustellen
  • Dokumentation der Datenqualität im Kontext von Geschäftssystemen und Prozessen, um besser zu erkennen, wo genau es zu Problemen mit der Datenqualität kommt
• Datenschutz
  • Korrelation von Beziehungen zwischen einzelnen Datensubjekten und personenbezogenen Daten über strukturierte und unstrukturierte Quellen hinweg, um Zugangsanfragen von Datensubjekten zu automatisieren
  • Nachverfolgung von Schutzstatus, Zugriff, Verbreitung und Risiko sensibler Daten, um transparente Compliance sicherzustellen
• Master Data Management
  • Ermittlung und Beschleunigung der Integration neuer Datenquellen, die Teil der Stammdaten sein sollten
  • Ableitung und Empfehlung zusätzlicher Attribute und Hierarchie-Strukturen, um die Anreicherung von Stammdaten zu vereinfachen
• Cloud-Modernisierung
  • Umfassendes Verständnis der Datenlandschaft, um Datensätze und Workloads für die Cloud-Migration zu priorisieren
  • Bereitstellung detaillierter Data Lineage und Auswirkungsanalysen, um eine möglichst unterbrechungsfreie Cloud-Migration zu unterstützen
• Datenintegration
  • Schnellere Erstellung von Pipelines zur Datenintegration dank Empfehlungen für Mappings, um Daten zu extrahieren, umzuwandeln und bereitzustellen
  • Automatische Ableitung der Struktur aus unübersichtlichen Geräte- und Protokolldateien, so dass sie verständlicher sind und besser genutzt werden können
• DevOps für das Data Management
  • Bereitstellung von Predictive Analytics und Empfehlungen für die Planung zukünftiger Kapazitäten
  • Effektive Verwaltung von Änderungen mit einem umfassenden Überblick über Data Lineage und Geschäftslogik, die Auswirkungsanalysen („was wäre, wenn“) unterstützen