Data Science: Mit DataOps alles aus den Daten holen

Datenanalysten müssen mit dem IT-Betrieb in Unternehmen verzahnt sein. DataOps bringt Fachbereiche einander näher, um Produktivität und Qualität zu steigern.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht
Lesezeit: 9 Min.
Von
  • Ramon Wartala
Inhaltsverzeichnis

Hinter DataOps steckt eine Sammlung bewährter Praktiken, die sich aus der agilen Softwareentwicklung, DevOps und dem statistischen Prozesscontrolling speist. Bereits 2014 prägte Lenny Liebmann, Redakteur der InformationWeek, den Begriff in einem Blog-Post für den IBM-eigenen Big Data & Analytics Hub "3 reasons why DataOps is essential for big data success".

Er weist auf das Problem der "Wall of Confusion" hin, dessen Auflösung ebenso das DevOps-Umfeld prägt. Sie steht zwischen den fachlich und organisatorisch oft getrennten Bereichen der Datenanalyse und -haltung.

Datenanalysten und Business-Intelligence-Mitarbeiter wollen Anfragen der Fachabteilungen schnell beantworten. Die für den Produktivbetrieb der die Daten speichernden Systeme zuständigen IT-Kollegen stellen Stabilität und Sicherheit in den Vordergrund. Ständige Veränderungen an Systemen sind aufwendig und provozieren Ausfälle. Analog zu DevOps will DataOps einen Paradigmenwechsel auslösen. Auf dem Weg dorthin will DataOps bekannte Herausforderungen bei der Datenanalyse bewältigen:

Das war die Leseprobe unseres heise-Plus-Artikels "Data Science: Mit DataOps alles aus den Daten holen". Mit einem heise-Plus-Abo können sie den ganzen Artikel lesen und anhören.