正如第一篇文章中提到的，数据是所有智能企业机器的重要组成部分。而且，对于任何类型的燃料，它都需要高质量才能保证最大的性能。
目前，据估计，高达80%的数据分析师的时间都花在寻找、格式化和整合数据上，而不是分析数据。
考虑到在大多数组织中，数据都是在数据库中获取、处理和存储的，这并不奇怪筒仓（部门、工作组等）。而且，通常情况下，这些筒仓都有自己的工具、流程、模型和规则，这些工具、流程、模型和规则可能与同一公司的其他组织完全不同。
这会产生大量的数据重复、不一致和不可重用的数据，这导致了低效的数据项目和一个由开销和冗余产生的隐藏成本的暗坑。到2020年，全球将有40 zettabytes的数据可供处理，到2025年，这个数字将增长到180 zettabytes。由于增长幅度如此之高，自动化数据处理的某些步骤是至关重要的，否则就不可能及时分析所有数据。
DataOps
DataOps旨在提供工具和流程，使组织能够应对数据的显著增长。
它受到DevOps的严重影响，DevOps开发团队试图自动化开发过程的许多步骤，使他们能够更快、更可靠地发布软件。DevOps还支持到目前为止一直在各自为政的团队之间的协作。
用TAMR的Andy Palmer的话来说，DataOps"承认数据工程、数据集成、，数据质量和数据安全/隐私-旨在帮助组织快速交付数据，加速分析并实现以前不可能实现的分析"。
因此，从DataOps的本质来看，所有学科都是相互关联的，为了实现所需的和谐，相互协作是必要的。
但仍然存在一个问题大件丢失。与DevOps一样，DataOps寻求自动化和监控数据相关的管道（ETL、清理、匿名化、质量检查、模型培训等）。这是交易的运营部分。
DataOps旨在通过改善数据科学/分析/数据工程和运营之间的协调，提高数据及其分析过程的速度、质量和可靠性。它认识到将有许多数据连接和管道需要管理，安娜尔返利机器人，而跟上需求、满足质量和可靠性要求的唯一方法是通过可重复和可测试的工作流。
SAP data Intelligence
SAP data Intelligence是一种云本地数据共享、管道化，以及协调解决方案，帮助公司加速和扩展跨其现代多样数据环境的数据流。
它提供了对广泛数据系统和资产的可见性和访问；允许轻松快速地创建强大的跨组织数据管道；并通过每一步都采用"下推"分布式处理方法。
此外，它还包含中央元数据和数据集管理功能，具有嵌入式数据准备和质量规则，允许整个组织在组织内部的任何地方搜索和利用质量数据，有效地帮助打破筒仓和数据复制。
SAP data Intelligence的管道配备了强大的操作员，能够执行和处理：
数据转换数据库和数据湖连接数据质量检查和匿名化流式处理工作流程
随着最近机器学习服务的加入，什么叫云服务，我的云，数据科学和机器学习建模可以扩展到企业范围的级别，允许数据科学家和业务团队之间的协作，同时使用管道自动化ML模型培训和发布。
它是企业范围内数据发现、编排和协作的一体化工具，除了强大的机器学习和数据科学能力之外，
SAP数据智能允许数据世界中所有不同学科（工程、安全、质量和集成）之间的无缝协作，同时增加了工作流和管道的调度、自动化和监控能力，将所有数据操作匹配在一起。
本文的目的不是作为SAP数据智能的教程。因此，有关教程、功能和特性的更多信息，请查看SAP其他同事在这里、这里和这里撰写的精彩文章。
-
通过这篇文章，我希望解释一下企业在数据呈指数级增长的情况下所面临的问题，DataOps如何帮助他们解决这个问题，大数据解决方案，大数据分析软件，充分利用他们获取的数据，以及SAP data Intelligence如何帮助他们达到在这样一个数据驱动的世界中蓬勃发展所需的协调和协作水平。
下次见！
卡西欧·宾考斯基高级企业架构师–SAP Business Transformation Services
请通过LinkedIn与我联系。
了解我们的创新和咨询服务如何帮助您和您的企业更好地运营。查看SAP Business Transformation Services页面。
