Omvänd ETL ger datateam möjlighet att enkelt förbereda massdata, flytta den utanför molndatalagret och operationalisera den för sin organisation. Data är användbara, men dess faktiska värde realiseras först när de kan åtgärdas.
I åratal har organisationer använt dataomvandling för att rensa och förbereda data för business intelligence och rapportering. När organisationer övergår till en molnbaserad metod för analys har många börjat utforska sina första data vetenskapsprojekt för att söka en konkurrensfördel, sticka ut från mängden och hitta den unika, tidigare inte exploaterbara affärsinsikten för att hitta förlorad skatt.
Inom nuvarande datapraxis börjar vi se den sista milen av analys som operativ analys, där “insikt möter handling”.
Få operativa insikter
Det är vanligt att ladda data från vilken källa som helst med ett par klick nu när vi ser företagens efterfrågan för att lösa problemet med “användbara insikter. Slutmålet för företag handlar inte längre bara om att få data till en BI-instrumentpanel, och nu handlar det mer om att utveckla insikter som kan skjutas tillbaka till affärsapplikationerna varifrån de kom.
Dataplattformens analysklara data, när de synkroniseras tillbaka till affärslagret, driver snabbt en revolution i hur vi använder ETL och går från ett verktygstänkande till ett plattformstänkande, där en enda investering i en datapipeline kan ge mer än ett resultat.
Extrahera transformeringsbelastning
Dataprocesser som de som utför ETL-funktioner (Extract Transform, Load) bryter ner datasilos och gör det möjligt för data forskare att lättare komma åt och analysera data och i slutändan omvandla dessa data till handlingsbara affärsresultat. ETL har länge varit det nödvändiga första steget i datalagringsprocessen som låter dig göra ändringar och beslut i realtid.
Transformering av extralast
Processen Extract Load Transform (EL(T)) är den process som en datapipeline använder för att replikera data från ett källsystem till ett mål system, till exempel ett moln data lager eller data lake som ska omvandlas för att skapa en vy över en viss data till gång: vare sig det är kund, produkt, kontrakt, anställd eller patient.
Men även med ELT har många företag stött på en barriär med sina väsentliga data som fastnat i datalager, så de behöver en annan utveckling av processen för att bryta cykeln.
ETL- eller ELT-processen har avancerat igen för att göra data operativa och uppnå det större affärsmålet.
Omvänd ELT
Termen “omvänd ETL” – operativ dataanalys handlar om att skicka kuraterade datamängder från analysmiljön tillbaka till operativsystem för realtidsåtgärd eller kundupplevelse.
Den operativa analysprocessen gör det möjligt för beslutsfattare att uppnå verkligt handlingsbara data, interagera med kunder och göra ändringar som omedelbart förbättrar deras verksamhet. När berikade analysdata synkroniseras tillbaka till driftsystem är utsugs-, belastnings- och omvandlingsprocesserna inte bara “omvända”.
Genom att möjliggöra flödet av data från dataplattformen till de personer som behöver det kommer alla i en organisation att ha möjlighet att fatta bättre affärsbeslut för tillfället.
En restaurangkedja kan till exempel få mer information om en kund än någonsin tidigare, inklusive deras vanor och matpreferenser. Denna innovation kan hjälpa dem att förnya kundserviceinsatser och tillgodose kundernas önskemål, generera mer upprepa affärer och slå ut sina konkurrenter.
Så här kommer du igång med omvänd ELT
Eftersom implementering av synkronisering liknar implementering av ETL eller ELT behöver organisationer inte börja från början. befintliga ETL-verktyg stöder redan omladdning av data också – vilket gör övergången så mycket enklare. Många områden i organisationen drar nytta av handlingsbara data:
Försäljning: Att flytta kunddata tillbaka till ett CRM-system kan ge större insikt för att förstärka försäljningskampanjer.
Marknadsföring: E-postkampanjer bör automatiseras för att möjliggöra mer personlig åtkomst till kunddata. Det kommer att ge företag bättre tillgång till abonnentpreferenser, göra ändringar i realtid av kampanjer och generera meningsfulla resultat.
Kundservice: Att hämta information från ett datalager för att göra det handlingsbart kan hjälpa kundtjänstteamet att erbjuda bättre kundservice vid varje givet tillfälle och prioritera supportärenden bättre.
Slutsats
När världens personalstyrka backas upp av aktuella, uppdaterade data kan de leverera en mer sömlös och personlig kundupplevelse. Oavsett vilken molndataplattform eller leverantörsorganisation som använder kan de alla dra nytta av en dubbelriktad ETL-metod för att få datainsikter från molndatalager snabbare och tillbaka i händerna på företagsledare och beslutsfattare.
Leave a Reply