Cos'è un data fabric?

Utilizzando efficacemente i servizi di dati e le API, i data fabric raccolgono i dati da sistemi legacy, data lake, data warehouse, database sql e app, fornendo una visione olistica delle prestazioni aziendali. A differenza di questi singoli sistemi di storage di dati, punta a creare una maggiore fluidità tra gli ambienti di dati provando a contrastare il problema della complessità dei dati, ovvero il concetto che risulti più difficoltoso spostare i dati man mano che aumentano le dimensioni. Un data fabric elimina le complessità tecnologiche interessate dalle operazioni di spostamento, trasformazione e integrazione dei dati, rendendo tutti i dati disponibili per tutta l'azienda.

Le architetture data fabric ruotano intorno all'idea di associare liberamente i dati nelle piattaforme con le applicazioni che ne hanno bisogno. Un esempio di architettura data fabric in un ambiente multicloud può essere simile a quello presentato di seguito, in cui un cloud come AWS gestisce l'inserimento dei dati mentre un'altra piattaforma come Azure supervisiona la trasformazione e l'utilizzo dei dati. Pertanto, potresti aver bisogno di un terzo vendor, come IBM® Cloud Pak for Data, che fornisce servizi analitici. L'architettura data fabric raggruppa questi ambienti per creare una vista unificata dei dati.

Ciò nonostante, questo è solo un esempio. Non esiste una singola architettura di dati per un data fabric poiché aziende diverse hanno esigenze diverse. Il diverso numero di provider cloud e di implementazioni dell'infrastruttura dati garantisce una variazione tra le diverse aziende. Tuttavia, le aziende che utilizzano questo tipo di framework di dati presentano degli elementi in comune nelle loro architetture che sono peculiari di un data fabric. In particolare, si avvalgono di sei componenti fondamentali, che Forrester (link esterno a ibm.com) descrive nel report "Enterprise Data Fabric Enables DataOps". Questi sei livelli includono:

1. Livello di gestione dei dati: questo livello è responsabile della governance dei dati e della sicurezza dei dati.
   
2. Livello di inserimento dei dati: in questo livello si iniziano a raccogliere i dati del cloud, individuando le connessioni tra i dati strutturati e i dati non strutturati.
   
3. Elaborazione dei dati: il livello di elaborazione dei dati ottimizza i dati per garantire che siano visibili solo i dati pertinenti per l'estrazione dei dati.
4. Orchestrazione dei dati: questo livello critico svolge alcune dei lavori più importanti per il data fabric, tra cui la trasformazione, l'integrazione e la pulizia dei dati, mettendoli a disposizione dei team di tutta l'azienda.
   
5. Rilevamento dei dati: questo livello offre nuove opportunità per integrare le origini dati eterogenee. Ad esempio, questo livello può individuare soluzioni per collegare i dati in un data mart della supply chain di un sistema di dati per la gestione delle relazioni con i clienti (CRM, Customer Relationship Management), fornendo nuove opportunità di prodotti da offrire ai clienti o soluzioni per aumentare il loro livello di soddisfazione.
   
6. Accesso ai dati: questo livello consente l'utilizzo dei dati e garantisce le giuste autorizzazioni a determinati team in modo da soddisfare le normative governative. Inoltre, questo livello aiuta a far emergere i dati pertinenti tramite l'utilizzo di dashboard e altri strumenti di visualizzazione dei dati. 
   

Poiché le aziende più importanti presenti sul mercato scelgono i provider di data fabric, Gartner (link esterno a ibm.com) ha osservato miglioramenti specifici in termini di efficienza, sostenendo che è possibile ridurre il "tempo per la progettazione dell'integrazione del 30%, l'implementazione del 30% e la manutenzione del 70%." Sebbene sia chiaro che i data fabric possono migliorare la produttività complessiva, i seguenti vantaggi hanno anche dimostrato un valore aziendale per coloro che li hanno scelti:

• Integrazione intelligente: I data fabric utilizzano i grafi di conoscenza (knowledge graph) semantici, la gestione dei metadati e il machine learning per unificare i dati tra vari tipi di dati ed endpoint. Ciò aiuta i team di gestione dei dati a raggruppare dataset correlati e a integrare nuove origini dati nette nell'ecosistema di dati di un'azienda. Questa funzionalità non solo automatizza gli aspetti della gestione del carico di lavoro dei dati, con il conseguente miglioramento in termini di efficienza sopraindicato, ma aiuta anche a eliminare i silos nei sistemi di dati, centralizzare le pratiche di governance dei dati e migliorare la qualità complessiva dei dati.
• Democratizzazione dei dati: Le architetture data fabric semplificano le applicazioni self-service ampliando l'accesso ai dati oltre le risorse più tecniche, come gli ingegneri dei dati, gli sviluppatori e i team di analytics dei dati. La riduzione dei colli di bottiglia dei dati favorisce quindi una maggiore produttività, consentendo agli utenti aziendali di prendere decisioni di business più rapide e agli utenti tecnici di assegnare le priorità alle attività che sfruttano al meglio le loro competenze.
  
• Migliore protezione dei dati: L'ampliamento dell'accesso ai dati non vuol dire compromettere anche le misure di privacy e sicurezza dei dati. In realtà, ciò significa che vengono introdotte ulteriori misure di sicurezza della governance dei dati sui controlli di accesso garantendo che i dati specifici siano disponibili solo per determinati ruoli. Inoltre, le architetture data fabric consentono ai team tecnici e di sicurezza di implementare il mascheramento e la crittografia dei dati su dati sensibili e proprietari, riducendo i rischi legati alla condivisione dei dati e alle violazioni del sistema. 
  

In termini di adozione, i data fabric sono ancora agli albori, ma le relative funzionalità di integrazione dei dati aiutano le aziende nell'attività di rilevamento dei dati, consentendo loro di affrontare un'ampia serie di casi d'utilizzo. Se da un lato i casi d'utilizzo che un data fabric può gestire potrebbero non essere estremamente diversi rispetto ad altri prodotti di dati, dall'altro si differenzia per l'ambito e le proporzioni che è in grado di gestire, in quanto elimina i silos di dati. Eseguendo l'integrazione su diverse origini dati, le aziende insieme ai loro data scientist possono creare una visione olistica dei propri clienti, un aspetto che si è rivelato particolarmente utile con i clienti del settore bancario. I data fabric sono stati utilizzati in modo più specifico per:

• Profili dei clienti,
  
• Rilevamento delle frodi,
  
• Analisi della manutenzione preventiva,
  
• Modelli di rischio per il ritorno al lavoro e molto altro.