Reverse ETL giver datateams mulighed for nemt at forberede massedata, flytte dem uden for clouddatalageret og operationalisere dem til deres organisation. Data er nyttige, men dens faktiske værdi realiseres først, når de gøres handlingsrettede.
I årevis har organisationer brugt datatransformation til at rense og forberede data til business intelligence og rapportering. Efterhånden som organisationer overgår til en cloud-first-tilgang til analyse, er mange begyndt at udforske deres første data science-projekter for at søge en konkurrencefordel, skille sig ud fra mængden og finde den unikke, hidtil ikke-udnyttelige forretningsindsigt for at finde tabt skat.
Inden for de nuværende datapraksisser begynder vi at se den sidste kilometer analyse som operationel analyse, hvor “indsigt møder handling”.
Sådan får du operationel indsigt
Den nemme indlæsning af data fra enhver kilde i et par klik er hverdagskost nu ser vi virksomhedens efterspørgsel for at løse ‘handlingsrettede indsigt problem. Slutmålet for virksomheder handler ikke længere kun om at få dataene ind i et BI-dashboard, og nu bliver det mere om at udvikle indsigter, der kan skubbes tilbage i forretningsapplikationerne, hvorfra de kom.
Dataplatformens analyseklare data, når de synkroniseres tilbage i forretningslaget, driver hurtigt en revolution i den måde, vi bruger ETL på, og bevæger sig fra et værktøjstankegang til en platform mindset, hvor en enkelt investering i en datapipeline kan levere mere end ét resultat.
Udpak transformeringsbelastning
Dataprocesser som dem, der udfører ETL-funktioner (Extract Transform, Load) nedbryder datasiloer og gør det lettere for dataforskere at få adgang til og analysere data og i sidste ende gøre disse data til handlingsrettede forretningsresultater. ETL har længe været det nødvendige første skridt i datalagerprocessen, der giver dig mulighed for at foretage ændringer og beslutninger i realtid.
Udtræksindlæsningstransformation
Processen Extract Load Transform (EL(T)) er den proces, som en datapipeline bruger til at replikere data fra et kildesystem til et målsystem, f.eks.
Men selv med ELT har mange virksomheder ramt en barriere med deres væsentlige data, der sidder fast i data warehouses, så de har brug for en anden udvikling af processen for at bryde cyklussen.
ETL- eller ELT-processen er rykket frem igen for at gøre data operationelle og nå det større forretningsmål.
Omvendt ELT
Udtrykket “omvendt ETL” – operationel dataanalyse handler om at skubbe kuraterede datasæt fra analysemiljøet tilbage til operativsystemer for realtidshandling eller kundeoplevelse.
Den operationelle analyseproces gør det muligt for beslutningstagere at opnå virkelig handlingsrettede data, interagere med kunder og foretage ændringer, der øjeblikkeligt vil forbedre deres forretning. Når berigede analysedata synkroniseres tilbage til operationelle systemer, er ekstrakt-, belastnings- og transformationsprocesserne ikke bare “omvendt”.
Ved at aktivere strømmen af data fra dataplatformen til de mennesker, der har brug for det, vil alle i en organisation være bemyndiget til at træffe bedre forretningsbeslutninger i øjeblikket.
For eksempel kan en restaurantkæde indsamle mere information om en kunde end nogensinde før, herunder deres vaner og madpræferencer. Denne innovation kan hjælpe dem med at forny kundeserviceindsatsen og imødekomme kundernes ønsker, generere mere gentage forretning og slå deres konkurrenter.
Sådan kommer du i gang med omvendt ELT
Da implementering af synkronisering tilbage svarer til at implementere ETL eller ELT, behøver organisationer ikke at starte fra bunden; eksisterende ETL-værktøjer understøtter allerede genindlæsning af data – hvilket gør overgangen så meget lettere. Mange områder af organisationen drager fordel af handlingsrettede data:
Salg: Hvis du flytter kundedata tilbage til et CRM-system, kan det give større indsigt til at forstærke salgskampagner.
Markedsføring: E-mail-kampagner bør automatiseres for at give mere personlig adgang til kundedata. Det vil give virksomhederne bedre adgang til abonnentpræferencer, foretage ændringer i realtid af kampagner og skabe meningsfulde resultater.
Kundeservice: Hvis du trækker oplysninger ud af et data warehouse for at gøre det handlingsrettede, kan det hjælpe kundeserviceteamet med at tilbyde bedre kundeservice på et givet tidspunkt og prioritere supportbilletter bedre.
Konklusion
Når verdens arbejdsstyrke bakkes op med aktuelle, opdaterede data, kan de levere en mere problemfri og personlig kundeoplevelse. Uanset hvilken cloud-dataplatform eller leverandørorganisationer der bruger, kan de alle drage fordel af en tovejs ETL-tilgang for at få dataindsigt ud af cloud-datalagre hurtigere og tilbage i hænderne på virksomhedsledere og beslutningstagere.
Leave a Reply