Reverse ETL stelt datateams in staat om eenvoudig bulkgegevens voor te bereiden, deze buiten het clouddatawarehouse te verplaatsen en te operationaliseren voor hun organisatie. Gegevens zijn nuttig, maar de werkelijke waarde ervan wordt alleen gerealiseerd wanneer ze bruikbaar worden gemaakt.
Al jaren gebruiken organisaties datatransformatie om data op te schonen en voor te bereiden op business intelligence en rapportage. Terwijl organisaties overstappen op een cloud-first benadering voor analytics, zijn velen begonnen met het verkennen van hun eerste data science-projecten om een concurrentievoordeel te zoeken, zich te onderscheiden van de massa en dat unieke, voorheen niet-exploiteerbare zakelijke inzicht te vinden om verloren schatten te vinden.
Binnen de huidige datapraktijken beginnen we de laatste mijl van analytics te zien als operationele analytics, waarbij ‘inzicht en actie elkaar ontmoeten’.
Operationeel inzicht krijgen
Het gemak van het laden van gegevens uit elke bron in een paar klikken is gemeengoed nu we de vraag van bedrijven zien om het ‘actionable insights’-probleem op te lossen. Het einddoel voor bedrijven is niet langer alleen om de gegevens in een BI-dashboard te krijgen, maar nu gaat het meer om het ontwikkelen van inzichten die kunnen worden teruggedrongen in de bedrijfsapplicaties van waaruit het kwam.
De analytics-ready data van het dataplatform, wanneer gesynchroniseerd terug naar de business layer, zorgt snel voor een revolutie in de manier waarop we ETL gebruiken, van een tool mindset naar een platform mindset, waarbij een enkele investering in een data pipeline meer dan één resultaat kan opleveren.
Transformatiebelasting extraheren
Dataprocessen zoals die welke Extract Transform, Load (ETL) -mogelijkheden uitvoeren, breken gegevenssilo’s af en stellen datawetenschappers in staat om gemakkelijker toegang te krijgen tot gegevens en deze te analyseren en die gegevens uiteindelijk om te zetten in bruikbare bedrijfsresultaten. ETL is al lang de noodzakelijke eerste stap in het datawarehousingproces waarmee u real-time wijzigingen en beslissingen kunt nemen.
Extract Load Transform
Het proces Extract Load Transform (EL(T)) is het proces dat een gegevenspijplijn gebruikt om gegevens uit een bronsysteem te repliceren naar een doelsysteem zoals een clouddatawarehouse of data lake dat moet worden getransformeerd om een weergave van een bepaald gegevensasset te maken: of het nu klant, product, contract, werknemer of patiënt is.
Maar zelfs met ELT hebben veel bedrijven een barrière ondervonden omdat hun essentiële gegevens vastzitten in datawarehouses, dus ze hebben een andere evolutie van het proces nodig om de cyclus te doorbreken.
ETL- of ELT-proces is weer vooruitgegaan om gegevens operationeel te maken en dat grotere bedrijfsdoel te bereiken.
Omgekeerde ELT
De term “reverse ETL” – operationele data-analyse gaat over het pushen van samengestelde datasets uit de analyseomgeving terug naar besturingssystemen voor realtime actie of klantervaring.
Het operationele analyseproces stelt besluitvormers in staat om echt bruikbare gegevens te bereiken, met klanten te communiceren en wijzigingen aan te brengen die hun bedrijf onmiddellijk zullen verbeteren. Wanneer verrijkte analysegegevens worden gesynchroniseerd met operationele systemen, worden de extractie-, belastings- en transformatieprocessen niet alleen “omgekeerd”.
Door de gegevensstroom van het dataplatform naar de mensen die het nodig hebben mogelijk te maken, is iedereen in een organisatie in staat om op dit moment betere zakelijke beslissingen te nemen.
Een restaurantketen kan bijvoorbeeld meer informatie over een klant verzamelen dan ooit tevoren, inclusief hun gewoonten en voedselvoorkeuren. Deze innovatie kan hen helpen de klantenservice-inspanningen te vernieuwen en tegemoet te komen aan de wensen van de klant, meer terugkerende klanten te genereren en hun concurrenten te verslaan.
Aan de slag met reverse ELT
Omdat het implementeren van sync back vergelijkbaar is met het implementeren van ETL of ELT, hoeven organisaties niet helemaal opnieuw te beginnen; bestaande ETL-tools ondersteunen ook al het herladen van gegevens , waardoor de overgang veel gemakkelijker wordt. Veel gebieden van de organisatie profiteren van bruikbare gegevens:
Verkoop: Het terugzetten van klantgegevens naar een CRM-systeem kan meer inzicht bieden om verkoopcampagnes te versterken.
Marketing: E-mailcampagnes moeten worden geautomatiseerd om meer gepersonaliseerde toegang tot klantgegevens mogelijk te maken. Dat zal bedrijven betere toegang geven tot abonneevoorkeuren, realtime wijzigingen aanbrengen in campagnes en zinvolle resultaten genereren.
Klantenservice: Door informatie uit een datawarehouse te halen om het bruikbaar te maken, kan het klantenserviceteam op elk gewenst moment een betere klantenservice bieden en ondersteuningstickets beter prioriteren.
Conclusie
Wanneer het personeelsbestand van de wereld wordt ondersteund met actuele, bijgewerkte gegevens, kunnen ze een meer naadloze en gepersonaliseerde klantervaring bieden. Het maakt niet uit welk clouddataplatform of leveranciersorganisaties gebruiken, ze kunnen allemaal profiteren van een bidirectionele ETL-aanpak om gegevensinzichten sneller uit clouddatawarehouses te halen en weer in handen te krijgen van bedrijfsleiders en besluitvormers.
Leave a Reply