Durch die Nutzung von Datenservices und APIs führen Datenstrukturen die Daten aus Altsystemen, Data Lakes, Data Warehouses, SQL-Datenbanken und Anwendungen zusammen und bieten damit eine ganzheitliche Übersicht der betrieblichen Leistung. Im Gegensatz zu diesen individuellen Datenspeichersystemen zielt sie darauf ab, eine größere Fluidität zwischen Datenumgebungen zu schaffen und dem Problem der Datengravitation entgegenzuwirken, d. h. der Vorstellung, dass es immer schwieriger wird, Daten zu bewegen, je größer sie werden. Eine Datenstruktur abstrahiert die technologische Komplexität, die mit der Datenbewegung, -umwandlung und -integration verbunden ist, und macht alle Daten unternehmensweit verfügbar.

Datenstruktur-Architekturen basieren auf der Idee, Daten in Plattformen mit Anwendungen, die sie benötigen, zu koppeln. Ein Beispiel für eine Datenstruktur-Architektur in einer Multi-Cloud-Umgebung könnte wie folgt aussehen: Eine Cloud wie AWS verwaltet die Datenaufnahme, während eine andere Plattform wie Azure für die Datenumwandlung und -nutzung zuständig ist. Dann könnte ein dritter Anbieter, wie IBM Cloud Pak® for Data, Analysedienste bereitstellen. Die Datenstruktur-Architektur fügt diese Umgebungen zusammen, um eine einheitliche Datenansicht zu erstellen.

Dies ist jedoch nur ein Beispiel. Es gibt keine einheitliche Datenarchitektur für eine Datenstruktur, da verschiedene Unternehmen unterschiedliche Anforderungen haben. Die große Anzahl von Cloud-Anbietern und Dateninfrastruktur-Implementierungen sorgt für Unterschiede zwischen den Unternehmen. Unternehmen, die diese Art von Daten-Framework nutzen, weisen jedoch Gemeinsamkeiten in ihren Architekturen auf, die für eine Datenstruktur einzigartig sind. Genauer gesagt bestehen sie aus sechs grundlegenden Komponenten, die Forrester (Link befindet sich außerhalb von ibm.com) in dem Bericht „Enterprise Data Fabric Enables DataOps" beschreibt. Diese sechs Komponenten umfassen Folgendes:

1. Datenverwaltungskomponente: Diese ist für die Datenverwaltung und Datensicherheit verantwortlich.
   
2. Datenaufnahmekomponente: Diese fügt die Cloud-Daten zusammen und findet Verbindungen zwischen strukturierten und unstrukturierten Daten.
   
3. Datenverarbeitung: Die Datenverarbeitungskomponente verfeinert die Daten, um sicherzustellen, dass nur relevante Daten für die Datenextraktion angezeigt werden.
4. Datenorchestrierung: Diese kritische Komponente führt einige der wichtigsten Aufgaben für die Datenstruktur aus – die Transformation, Integration und Bereinigung der Daten, um sie für Teams im gesamten Unternehmen nutzbar zu machen.
   
5. Data Discovery: Diese Komponente eröffnet neue Möglichkeiten zur Integration unterschiedlicher Datenquellen. So können beispielsweise Daten in einem Data Mart für die Lieferkette und einem Datensystem für das Kundenbeziehungsmanagement miteinander verknüpft werden, was neue Möglichkeiten für Produktangebote an Kunden oder für die Verbesserung der Kundenzufriedenheit eröffnet.
   
6. Datenzugriff: Diese Komponente ermöglicht die Nutzung von Daten und stellt sicher, dass bestimmte Teams die richtigen Berechtigungen erhalten, um behördliche Vorschriften einzuhalten. Darüber hinaus hilft diese Komponente dabei, relevante Daten durch die Verwendung von Dashboards und anderen Data Virtualization-Tools sichtbar zu machen. 
   

Gartner (Link befindet sich außerhalb von ibm.com) hat festgestellt, dass die Anbieter von Data Fabric immer mehr Akzeptanz bei den Unternehmen auf dem Markt finden, und weist darauf hin, dass „die Zeit für das Integrationsdesign um 30 %, die Bereitstellung um 30 % und die Wartung um 70 % reduziert werden kann." Es liegt auf der Hand, dass Datenstrukturen die Gesamtproduktivität verbessern können, aber auch die folgenden Vorteile haben den Anwendern einen geschäftlichen Nutzen beschert:

• Intelligente Integration: Datenstrukturen nutzen semantische Wissensdiagramme, Metadatenverwaltung und maschinelles Lernen, um Daten über verschiedene Datentypen und Endpunkte hinweg zu vereinheitlichen. Dies hilft den Datenverwaltungsteams bei der Gruppierung verwandter Datensätze sowie bei der Integration neuer Datenquellen in das Datenökosystem eines Unternehmens. Diese Funktionalität automatisiert Aspekte des Daten-Workload-Managements, was zu den bereits erwähnten Effizienzsteigerungen führt, aber auch dazu beiträgt, Silos zwischen Datensystemen zu beseitigen, Data-Governance-Praktiken zu zentralisieren und die Datenqualität insgesamt zu verbessern.
• Demokratisierung von Daten: Datenstruktur-Architekturen erleichtern Self-Service-Anwendungen und erweitern den Zugang zu Daten über die eher technischen Ressourcen hinaus, z. B. Dateningenieure, Entwickler und Datenanalyseteams. Die Verringerung von Datenengpässen führt zu einer höheren Produktivität, da die geschäftlichen Nutzer schnellere Geschäftsentscheidungen treffen können und die technischen Nutzer die Möglichkeit haben, Aufgaben zu priorisieren, bei denen ihre Fähigkeiten besser genutzt werden.
  
• Besserer Datenschutz: Die Ausweitung des Datenzugriffs bedeutet auch keine Kompromisse hinsichtlich der Datensicherheit und Datenschutzmaßnahmen einzugehen. Tatsächlich bedeutet dies, dass mehr Data-Governance-Leitplanken für die Zugriffskontrolle eingerichtet werden, um sicherzustellen, dass bestimmte Daten nur für bestimmte Rollen verfügbar sind. Datenstruktur-Architekturen ermöglichen es Technik- und Sicherheitsteams, Datenmaskierung und Verschlüsselung für sensible und geschützte Daten zu implementieren und so die Risiken im Zusammenhang mit der gemeinsamen Nutzung von Daten und Systemverletzungen zu minimieren. 
  

Datenstrukturen stecken noch in den Kinderschuhen, aber ihre Datenintegrationsfunktionen unterstützen Unternehmen bei der Datenermittlung und ermöglichen ihnen eine Vielzahl von Anwendungsfällen. Auch wenn sich die Anwendungsfälle, die eine Datenstruktur verarbeiten kann, nicht wesentlich von anderen Datenprodukten unterscheiden, so unterscheidet sie sich doch durch den Umfang und die Größenordnung, die sie verarbeiten kann, da sie Datensilos beseitigt. Durch die Integration verschiedener Datenquellen können Unternehmen und ihre Data Scientists eine ganzheitliche Sicht auf ihre Kunden erstellen, was sich insbesondere bei Bankkunden als hilfreich erwiesen hat. Datenstrukturen wurden insbesondere für Folgendes verwendet:

• Kundenprofile,
  
• Betrugsaufdeckung,
  
• Präventive Wartungsanalyse,
  
• Risikomodelle für die Rückkehr an den Arbeitsplatz und mehr.