Accueil🇫🇷Chercher

DataOps

Le DataOps est une méthodologie automatisée et orientée processus, utilisée par les équipes d'analyse et de données, pour améliorer la qualité et réduire le temps de cycle de l'analyse des données . Alors que le DataOps a commencé comme un ensemble de bonnes pratiques, c'est maintenant devenu une approche nouvelle et indépendante de l'analyse des données[1]. Le DataOps s'applique à l'ensemble du cycle de vie des données [2], du pré-traitement des données au reporting, et intègre le lien entre l'équipe d'analyse des données et les opérations informatiques (ops)[3].

Le DataOps intègre la méthodologie agile pour raccourcir le temps de cycle de développement en fonction des objectifs de l'entreprise[2].

Le DevOps se concentre sur la livraison continue en tirant parti des ressources informatiques à la demande et en automatisant les tests et le déploiement de logiciels. Cette fusion du développement de logiciels et des opérations informatiques a amélioré la vitesse, la qualité et la prédictibilité. Empruntant des méthodes au DevOps, le DataOps cherche à apporter ces mêmes améliorations à l'analyse de données[3].

Le DataOps n'est pas lié à une technologie, une architecture, un outil, un langage ou un framework particulier. Les outils qui prennent en charge le DataOps favorisent la collaboration, l'orchestration, la qualité, la sécurité, l'accès et la facilité d'utilisation[4].

Histoire

Le DataOps a Ă©tĂ© prĂ©sentĂ© pour la première fois par Lenny Liebmann, contributeur au InformationWeek, dans un article de blog sur IBM Big Data & Analytics Hub intitulĂ© "3 raisons pour lesquelles DataOps est essentiel pour le succès du Big Data" le 19 juin 2014[5]. Le terme DataOps a ensuite Ă©tĂ© popularisĂ© par Andy Palmer chez Tamr[3]. DataOps est un surnom pour « opĂ©rations de donnĂ©es Â»[2]. 2017 a Ă©tĂ© une annĂ©e importante pour le DataOps avec un dĂ©veloppement important de l'Ă©cosystème, une augmentation de l'intĂ©rĂŞt sur les moteurs de recherches, des publications et des projets open source[6]. Gartner a mentionnĂ© DataOps sur le Hype Cycle for Data Management en 2018[7].

Héritage du DataOps venant du DevOps, de la méthode Agile et du lean manufacturing

Articles connexes

Notes et références

  1. (en) « DataOps – It’s a Secret », www.datasciencecentral.com (consulté le )
  2. (en-US) « What is DataOps (data operations)? - Definition from WhatIs.com », SearchDataManagement,‎ (lire en ligne, consulté le )
  3. (en-US) « From DevOps to DataOps, By Andy Palmer - Tamr Inc. », Tamr Inc.,‎ (lire en ligne, consulté le )
  4. (en-US) « What is DataOps? | Nexla: Scalable Data Operations Platform for the Machine Learning Age », www.nexla.com (consulté le )
  5. (en) « 3 reasons why DataOps is essential for big data success »(Archive.org • Wikiwix • Archive.is • Google • Que faire ?), IBM Big Data & Analytics Hub (consulté le )
  6. DataKitchen, « 2017: The Year of DataOps », data-ops, (consulté le )
  7. (en) « Gartner Hype Cycle for Data Management Positions Three Technologies in the Innovation Trigger Phase in 2018 », Gartner (consulté le )
Cet article est issu de wikipedia. Text licence: CC BY-SA 4.0, Des conditions supplémentaires peuvent s’appliquer aux fichiers multimédias.