De functionele lagen uitgelegd

In het onderstaande overzicht ziet u per laag het doel en de omschrijving:

Functionele Zevenlagenmodel dataplatform

Figuur 2: Het functionele zevenlagenmodel van Motion10 met de functies per laag

Databronnen

De Datasource laag heeft tot doel om gegevens te verzamelen, op te slaan en waar nodig te bewerken ter ondersteuning van diverse processen. De datasources betreffen de interne en externe databronnen die dienen als databron voor het dataplatform. De bronnen zijn onder te verdelen in standaard- en maatwerkapplicaties, handmatige en geautomatiseerde bronnen en devices en sensoren.

Data-orchestratie

De data-orchestratielaag heeft tot doel om gecentraliseerd en eenduidig vast te leggen welke data-acties worden uitgevoerd en op basis van welke triggers deze acties worden uitgevoerd. daarnaast heeft deze laag tot doel om inzicht te geven in de mate waarin de data-acties succesvol zijn uitgevoerd. Vanuit het perspectief van het dataplatform zullen de meeste acties betrekking hebben op het extraheren van de data uit de bronsystemen zodat deze kunnen worden opgeslagen in het data reservoir. Vanuit het totale databeleid heeft deze laag ook betrekking op applicatie-integratievraagstukken en uitwisselingsvraagstukken op het gebied van data.

Data Reservoir

Het data reservoir heeft tot doel om als generieke databron te dienen voor alle niet-real-time datavragen die in het dataplatform spelen. In het data reservoir wordt de data in ruwe vorm opgeslagen, wat betekent dat het in de vorm wordt opgeslagen waarin het ook in de bron bestaat. Dit heeft tot gevolg dat het Data Reservoir meerdere dataopslagtechnologieën kent.

Door data op te (laten) slaan in het data reservoir wordt ook een belangrijk antwoord gegeven op de vraag eigenaarschap van de data. Vaak worden diensten verleend door derden waarbij de gegenereerde data niet, of niet tijdig wordt gedeeld.

Data Preparatie

Het doel van de data preparatielaag is om de data te schonen, te transformeren, te bewerken en samen te voegen tot bruikbare datasets die voldoen aan gestelde kwaliteitseisen. Vanuit het Data Reservoir is het vaak noodzakelijk om de ruwe data te bewerken tot bruikbare data. De mate waarin deze data bewerkt wordt is sterk afhankelijk van de complexiteit van de business logica die uitgevoerd moet worden.

Data Storage

De data storagelaag heeft tot doel om de bruikbare datasets op te slaan en aan te bieden aan de consument. Data wordt ter ondersteuning van performance en gebruikersvriendelijkheid opgeslagen in de data storagelaag. Uitgangspunt is dat alle business logica in de dataset is opgenomen en dat in de visualisatietools geen logica toegevoegd hoeft te worden om tot het gewenste overzicht te komen.

Data Delen

De Data Catalogus heeft tot doel om data op een veilige en gecontroleerde wijze (commercieel) beschikbaar te stellen binnen en buiten de organisatie. De datacatalogus is het koppelvlak tussen de backend van het dataplatform waarin data wordt geladen, bewerkt en opgeslagen en de frontend waarin interne en externe gebruikers data zoeken en gebruiken. Hierbij is het van belang dat de data op de juiste manier per doelgroep beschikbaar wordt gesteld.

Data delen kent 3 doelgroepen:

  1. Interne medewerkers:

Met behulp van de data catalogus kunt u datasets in een vriendelijke en functioneel beheerde omgeving aanbieden. In deze omgeving is het mogelijk om te zoeken naar onderwerpen en de beschikbare datasets te vinden en definities en documentatie vast te leggen.

  1. Ketenpartners

In de keten wordt steeds meer data uitgewisseld. Met behulp van API management wordt het mogelijk gemaakt om op vastgestelde condities data te delen met derden. Hier kunt u instellen wie toegang heeft tot de data, hoe vaak er een request gedaan mag worden etc.

  1. Publiek

In de datamarket is het mogelijk om data publiekelijk te delen. Voor de gebruikers van de datamarket is het mogelijk om eventueel tegen betaling een abonnement te nemen op een datastroom.

Data Gebruiken

De datavisualisatielaag heeft tot doelstelling om de data in de gewenste vorm aan te bieden aan de eindgebruikers. Datavisualisatie kent diverse vormen en is zowel afhankelijk van de tooling waarin de data zichtbaar wordt gemaakt als de reden waarom de data zichtbaar gemaakt moet worden.

De manier waarop de data uiteindelijk gebruikt wordt en in welke vorm dat gebeurt is afhankelijk van de doelgroep. Indien er data-uitwisseling plaatsvindt tussen ketenpartners zal de data waarschijnlijk in het dataplatform van de partner zichtbaar zijn als een databron. Bij datavisualisatie zal de data eindigen in dashboards en rapportages en zal er veel meer aandacht zijn voor de manier waarop de data gepresenteerd en geïnterpreteerd kan worden.

De whitepaper “Meer customer centric met data” vertelt u meer over hoe u uw organisatie klaarstoomt voor een nieuwe data-driven manier van werken en denken. Het functionele zevenlagenmodel is de architectuur waarmee u die denkwijze technisch kunt ondersteunen. In het derde en laatste deel van deze serie blogs plotten we het zevenlagenmodel op het Microsoft dataplatform.

2017-02-09T12:36:23+00:00