White paper

Intelligenza artificiale per la digital disruption guidata dai datiUn salto in avanti nella produttività dei dati grazie alle innovazioni basate sul machine learning di CLAIRE

Questo documento contiene informazioni riservate, proprietarie e coperte da segreto commerciale ("Informazioni riservate") di Informatica che non possono essere copiate, distribuite, duplicate o altrimenti riprodotte in alcun modo, previa autorizzazione scritta di Informatica.

Nonostante siano state adottate tutte le precauzioni necessarie a garantire la precisione e la completezza delle informazioni contenute nel presente documento, non si può escludere la presenza di errori tipografici o imprecisioni tecniche. Informatica declina qualsiasi responsabilità in relazione a perdite di qualsiasi natura derivanti dall'utilizzo delle informazioni contenute in questo documento. Le informazioni contenute in questo documento sono soggette a modifica senza preavviso.

L'integrazione delle caratteristiche di prodotto descritte nel presente documento in qualsiasi versione o upgrade dei prodotti software Informatica (oltre ai tempi di rilascio di tali versioni o upgrade) è interamente a discrezione di Informatica.

Protetto da uno o più dei seguenti brevetti USA: 6,032,158; 5,794,246; 6,014,670; 6,339,775; 6,044,374; 6,208,990; 6,208,990; 6,850,947; 6,895,471; o dai seguenti brevetti USA in attesa di registrazione: 09/644,280; 10/966,046; 10/727,700.

Questa edizione è stata pubblicata nel maggio 2017.

1

White paper

Indice

Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

I trend del Data Management . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

Cosa vuol dire tutto ciò per i leader IT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

Cosa vuol dire tutto ciò per i business leader . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

Che cos'è il machine learning? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

Perché il machine learning per la gestione dei dati? . . . . . . . . . . . . . . . . . . . . . . . . . . 5

La base del machine learning nella gestione dei dati . . . . . . . . . . . . . . . . . . . . . . . . . 5

Informatica CLAIRE: l'"Intelligenza" dell'Intelligent Data Platform . . . . . . . . . . . . . . . . 6

CLAIRE in azione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

Identificazione intelligente della somiglianza tra dati . . . . . . . . . . . . . . . . . . . . . . . . . 7

Discovery intelligente dei domini con i tag . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

Discovery intelligente delle entità . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

Consigli intelligenti sui dati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

Discovery intelligente della struttura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

Rilevamento intelligente delle anomalie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

Conclusione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2

IntroduzioneLa digital transformation è reale ed è alle porte. Si tratta di scegliere se innovare o subire la digital disruption. Le organizzazioni stanno promuovendo iniziative di trasformazione per migliorare le performance finanziare e la posizione competitiva nei rispettivi settori. Esempi di tali iniziative comprendono l'approfondimento delle relazioni con i clienti, l'ottimizzazione delle attività, la personalizzazione dei servizi sanitari e la prevenzione delle frodi.

Il fattore principale che guida il successo di queste iniziative è la capacità di alimentarle con dati affidabili e puntuali. La questione è semplice: le strategie digitali di successo sono costruite sui dati. Dalle competenze sviluppate in termini di gestione dei dati dipenderà il successo delle strategie digitali. In altri termini, le strategie digitali saranno efficaci quanto i dati sui quali si basano.

Tuttavia, è probabile che la gestione dei dati così come è sempre stata affrontata non sarà sufficiente. I leader IT stanno cercando modi per rafforzare la produttività della gestione dei dati per rendere disponibili dati migliori a tutti, in modo più rapido.

Informatica offre l'engine CLAIRETM (Cloud-scale AI-powered Real-time Engine, ovvero engine in tempo reale alimentato da AI sul Cloud), che utilizza l'intelligenza artificiale (AI) e le tecniche di machine learning alimentate da dati e metadati di livello enterprise. CLAIRE rafforzerà notevolmente la produttività di tutti i manager e gli utenti dei dati in tutta l'organizzazione.

3

I trend del Data Management È giunto il momento di pensare ai dati e all'architettura dati in modo differente. Per decenni, ci si è concentrati su sistemi e processi di business. Si tratta di elementi tuttora importanti, ma la capacità di garantire dati migliori, più completi e più tempestivi per le iniziative di business sarà ciò che distinguerà maggiormente le organizzazioni sul mercato. Tuttavia, nella maggior dei casi i budget dell'IT crescono lentamente ed è pertanto necessario pensare di fare di più con le risorse esistenti.

La sfida della gestione dei dati di livello enterprise non è mai stata più grande. Per liberare il potenziale dei dati, l'organizzazione IT deve essere in grado di gestire:

1. Più dati:

• Volume dei dati: 15.3 zettabyte all'anno di traffico globale dei data center.

• Complessità e varietà dei dati: esistono molti nuovi tipi e fonti di dati, all'interno e all'esterno dell'azienda.

• Velocità dei dati: l'ascesa dell'Internet of Things (IoT), con 20 miliardi di dispositivi connessi, comporta un flusso di dati "always-on".

2. Più utenti: con 325 milioni di utenti di dati business, un numero in crescita costante, tutti, dai business analyst ai citizen data scientist ai data steward, vogliono avere accesso diretto e tempestivo ai dati.

3. Più pattern di integrazione:

• Passaggio al Cloud: le suite ERP stanno cambiando e stanno passando al Cloud.

• Tecnologia degli analytics: il settore sta passando a nuove tecnologie come ad esempio Big Data, NoSQL e analytics predittivi per integrare il data warehousing.

• Sperimentazione: oggi gli utenti vogliono utilizzare i dati velocemente per formulare un'ipotesi, provarla, verificare se funziona o meno e attuare rapidamente l'iterazione. Prediligono la velocità alla precisione, fino a quando dimostrano che un'ipotesi ha valore.

4

Cosa vuol dire tutto ciò per i leader ITTutti questi trend si combinano creando un processo di gestione dei dati più complesso proprio mentre le organizzazioni comprendono che i dati sono il carburante della loro digital transformation.

Si tratta di un'opportunità ideale per garantire una leadership data-driven che contribuisca al successo dell'organizzazione. In che modo i leader IT soddisfano l'esigenza di business di contare su dati migliori in modo più rapido senza necessità, ad esempio, di avere un esercito di sviluppatori a costi molto elevati?

Con la crescita lenta, se non ferma, dei budget dell'IT, per conseguire questo obiettivo esistono tre modi principali:

• Aumentare l'automazione e l'efficienza delle attività e dei progetti di gestione dei dati

• Aumentare la capacità di rendere possibile il self-service del business

• Aumentare la collaborazione per promuovere l'allineamento tra team business e team tecnici

Cosa vuol dire tutto ciò per i business leaderI business leader ritengono di avere il potere di promuovere iniziative rivoluzionarie e porre domande che in passato non era possibile fare per ragioni economiche. Tuttavia, i risultati delle loro iniziative digitali dipenderanno dalla qualità dei dati sui quali si basano.

La priorità n. 1 deve essere quindi creare un piano per liberare il potenziale di tutti i dati.

È fondamentale creare competenze di gestione dei dati quale base di tutte le iniziative digitali. È necessario gestire i dati come un asset che sia visibile e utilizzabile da parte di qualsiasi utente all'interno di tutta l'organizzazione. I dati devono inoltre avere un livello di qualità adatto al loro scopo: qualità elevata per le decisioni e le interazioni importanti e qualità sufficiente per consentire l'innovazione rapida e l'iterazione. In termini di tecnologia, la scrittura manuale del codice o una serie di tool di gestione dei dati non integrati non saranno in grado di scalare in funzione delle esigenze del business.

5

Che cos'è il machine learning?Il machine learning è una tecnica attraverso la quale i programmi apprendono in modo iterativo dai dati anziché restare statici. I sistemi di machine learning vengono utilizzati per creare un modello input-based che può essere utilizzato per fare previsioni o prendere decisioni. Tali sistemi apprendono dai dati e possono autoregolarsi di conseguenza, producendo risultati migliori. Più sono i dati a loro disposizione, più appren-deranno rapidamente e più accurati saranno i risultati.

Perché il machine learning per la gestione dei dati?Per scalare la velocità con cui si forniscono dati per iniziative business-critical, è necessario aumentare l'automazione. Ecco dove entra in gioco il machine learning. Con la visibilità dei metadati di livello enterprise e il machine learning, i tool di gestione dei dati possono "imparare" a proporre consigli intelligenti e automatizzare molte attività di gestione dei dati. Il machine learning non sostituisce i data analyst e gli altri utenti; al contrario, è fondamentale per aumentare la produttività e l'efficienza dello staff di gestione dei dati all'interno di un'organizzazione.

Il machine learning può essere utilizzato per migliorare le attività che risultano noiose o impossibili da realizzare in modo manuale. Di seguito sono elencati alcuni esempi:

1. Discovery e identificazione

• Regole di data quality e discovery delle entità di business

• Ricerca semantica, identificazione dei pattern e classificazione dei dati

• Rilevamento e notifica delle anomalie

2. Attività predittive

• Bursting per gestire i picchi di dati

• Assegnazione della priorità alle analisi dei problemi operativi

• Self-healing per gestire le modifiche degli ambienti

3. Passi da compiere e consigli

• Suggerimenti relativi a set di dati, trasformazioni e regole

• Mappatura automatica, bonifica e standardizzazione dalle fonti alle destinazioni

• Integrazione automatica di nuove fonti dati

La base del machine learning nella gestione dei dati Un machine learning efficace richiede grandi set di dati per l'apprendimento. Nel contesto della gestione dei dati, la migliore fonte dati è un catalogo di dati di livello enterprise. La maggior parte delle aziende dispone di migliaia di database, file di dati, applicazioni e sistemi di analytics. Raccogliendo i metadati da questi repository di dati, le aziende possono creare un catalogo arricchito. La combinazione tra machine learning e catalogo di dati con visibilità sui metadati di livello enterprise fornisce le basi per un'intelligenza che avrebbe un impatto significativo e positivo sulla produttività del data management.

Nell'attuale era del Cloud, è importante sottolineare come questo approccio sia valido anche per le applicazioni SaaS. I metadati possono essere raccolti da applicazioni SaaS come ad esempio Salesforce e Workday e successivamente aggiunti al catalogo di livello enterprise.

6

Informatica CLAIRE: l'"Intelligenza" dell'Intelligent Data PlatformL'approccio di Informatica alla promozione della produttività del data management con il machine learning è il seguente:

1. Intelligent Data Platform (IDP): abbiamo una piattaforma integrata per la gestione dei dati end-to-end che garantisce la massima produttività. Offrendo connettività unificata, metadati e gestione delle attività, la piattaforma unificata accelera lo sviluppo e l'implementazione dei nuovi progetti di gestione dei dati. La piattaforma offre una serie avanzata e coerente di funzionalità per la gestione dei dati tra fonti dati on-premise, Cloud e Big Data. Chiamiamo questa piattaforma unificata di gestione dei dati "Intelligent Data Platform".

La piattaforma è modulare: si può partire con qualsiasi tool individuale e crescere secondo il proprio ritmo.

2. Metadati: Informatica da tempo è nota quale leader per la gestione dei metadati tecnici e di business. Informatica ha oggi ampliato le sue funzionalità in questo settore raccogliendo uno spettro più ampio di metadati di tutta l'azienda, compresi:

• Metadati tecnici, come ad esempio tabelle di database, informazioni delle colonne e statistiche dei profili di dati

• Metadati di business, che acquisiscono il contesto dei dati, il relativo significato, la rilevanza e l'importanza per i diversi processi e funzioni di business

• Metadati operativi, riguardanti i sistemi e l'esecuzione di processi, come ad esempio l'ultimo aggiornamento dei dati o il momento in cui è stato eseguito per l'ultima volta il processo di caricamento oppure ancora i dati ai quali si accede di più

• Metadati sull'utilizzo, riguardanti l'attività degli utenti, inclusi i set di dati ai quali è stato effettuato l'accesso, i risultati delle ricerche che sono stati selezionati, le classificazioni o i commenti forniti

Soluzioni

Prodotti

IntelligenteData Platform

CLOUD BIG DATA IN TEMPO REALE/STREAMING TRADIZIONALE

METADATA INTELLIGENCE UNIFICATA DI LIVELLO ENTERPRISE

MONITORAGGIO E GESTIONE

CALCOLO

CONNETTIVITÀ

DATA INTEGRATION

GESTIONE DEI BIG DATA

DATA MANAGEMENT

NEL CLOUD

DATA QUALITY

MASTER DATA MANAGEMENT

SICUREZZA DEI DATI

CUSTOMER 360

PRODUCT 360

SUPPLIER 360

REFERENCE 360

INTELLIGENT DATA LAKE

CATALOGODI INFORMAZIONI

DI LIVELLO ENTERPRISE

DATA GOVERNANCE

SECURE@SOURCE

Enterprise Cloud Data Management

Figura 1: Intelligent Data Platform integra funzionalità di gestione dei dati con connettività condivisa, conoscenze operative, data intelligence e metadata intelligence.

7

Questa più ampia raccolta di metadati è fondamentale per il machine learning. Garantisce i set di dati utilizzati per "formare" gli algoritmi di machine learning e consente loro di adattarsi per dare risultati migliori.

3. Intelligenza: Informatica offre una combinazione integrata di metadati e AI/machine learning con CLAIRE.

I metadati raccolti da Intelligent Data Platform offrono un ampio bagaglio di informazioni che CLAIRE può utilizzare per conoscere il panorama dei dati di un'azienda. Queste conoscenze aiutano CLAIRE a offrire consigli intelligenti, automatizzare lo sviluppo e il monitoraggio dei progetti di gestione dei dati e adattarsi al cambiamento interno ed esterno dell'azienda. CLAIRE è ciò che guida l'intelligenza di tutte le funzionalità di gestione dei dati all'interno di Intelligent Data Platform.

CLAIRE in azione CLAIRE aiuta una vasta gamma di utenti:

• Gli sviluppatori di dati troveranno molte attività di implementazione in parte anche completamente automatizzate

• I data analyst potranno individuare e preparare in modo più semplice i dati a loro necessari

• Gli utenti business identificheranno più rapidamente i dati che devono essere sottoposti ai controlli di conformità e data governance stabiliti

• I data scientist comprenderanno dati in modo più rapido

• I data steward capiranno che è più semplice visualizzare la data quality

• I professionisti della sicurezza dei dati scopriranno che è più semplice rilevare l'uso improprio dei dati, proteggere quelli sensibili e dimostrare che sono in atto i controlli più appropriati

• Gli amministratori e gli operatori potranno contare sulla manutenzione predittiva e l'ottimizzazione delle performance dei processi di gestione dei dati.

Ecco alcuni esempi di come viene utilizzata oggi l'intelligenza di CLAIRE.

Identificazione intelligente della somiglianza tra datiCLAIRE utilizza tecniche di machine learning come il clustering per rilevare dati simili tra migliaia di database e insiemi di file. L'identificazione intelligente della somiglianza tra dati è una delle funzionalità chiave utilizzata per molteplici scopi, compresi l'identificazione dei dati, il rilevamento dei duplicati, la combinazione di singoli campi di dati in entità di business, la propagazione di tag tra i set di dati e i consigli sui set di dati agli utenti.

La somiglianza tra dati calcola quanto i dati di due colonne sono simili. Un approccio di tipo "brute force" per cercare di confrontare tutte le coppie di due colonne in un contesto enterprise (ad esempio in 100 milioni di colonne) sarebbe proibitivo dal punto di vista computazionale. Al contrario, la somiglianza dei dati utilizza tecniche di machine learning per raggruppare colonne simili e identificare le corrispondenze probabili.

Il processo si svolge in più fasi. In primo luogo, le colonne vengono raggruppate in cluster sulla base delle proprie caratteristiche. Successivamente, viene calcolata la sovrapposizione di dati in ciascun cluster. Infine, le coppie più promettenti vengono scelte per il calcolo della somiglianza dei dati utilizzando i coefficienti di Bray-Curtis e Jaccard.

8

Discovery intelligente dei domini con i tagCLAIRE è in grado di classificare i campi di dati applicando etichette semantiche a ciascuna colonna. Queste etichette semantiche sono dette domini di dati.

Di norma le etichette semantiche si applicano valutando le regole sulla base di espressioni regolari, tabelle di riferimento o altre logiche complesse tramite codice scritto a mano. La definizione e la gestione di migliaia di regole simili è un processo tedioso.

CLAIRE utilizza invece il concetto dei tag per semplificare drasticamente il processo di discovery e di etichetta-tura dei campi di dati. Per le colonne non ancora classificate, l'utente non deve fare altro che fornire un semplice tag (ad esempio, "Data pagamento reclamo") che indica il contenuto della colonna. Il sistema apprende per associazione, propagando quindi automaticamente questo tag a tutte le colonne simili. Il riconoscimento "facciale" per i dati è equivalente ai tag sui volti nelle foto di Facebook, con la differenza che gli stessi volti vengono taggati in milioni di altre foto.

Figura 3: Classificazione automatica dei dati.

Auto infer domains for columns based on data patterns

Deduzione automatica dei domini per le colonne in base ai pattern dei dati

Relationships link all data assets associated with the domain

Relazioni che collegano tutti gli asset dei dati associati al dominio

Nome dell'aziendaEmailNomeCAP

Numero di telefono

9

Discovery intelligente delle entitàUna volta identificati i domini delle colonne, CLAIRE può assemblare i singoli campi in entità di business di livello superiore. L'esempio che segue mostra un'entità relativa a un ordine di acquisto, creata combinando i campi identificati relativi al cliente e al prodotto. La discovery delle entità apprende il modo in cui gli utenti hanno assemblato campi di dati diversi nei propri processi di analytics o data integration e applica queste nozioni per derivare le entità in tutto l'ambiente dei dati di livello enterprise.

Figura 4: Combinazione dei domini di dati per rilevare le entità da tabelle e file.

Consigli intelligenti sui dati CLAIRE offre ai data analyst e data scientist i suggerimenti relativi ai set di dati da utilizzare nei propri progetti. Osserva i set di dati che gli utenti hanno selezionato e ne suggerisce di simili e meglio classificati o propone altri set di dati che possano integrare quelli che stanno utilizzando. I consigli intelligenti sui dati aiutano gli utenti a evitare di ripetere lo stesso lavoro che molti altri colleghi potrebbero aver già svolto. I consigli comprendono:

1. Una versione preparata degli stessi dati (dati sostituibili)

2. Un'altra tabella che contiene gli stessi tipi di record (dati che è possibile sottoporre a unione)

3. Una tabella che può essere sottoposta a join per arricchirla con attributi di dati aggiuntivi (dati che è possibile sottoporre a join)

I consigli sui dati utilizzano tecniche di filtraggio basate sul contenuto per fornire suggerimenti sui set di dati aggiuntivi. Le caratteristiche (termini) utilizzate per i set di dati comprendono informazioni su lineage, classificazione degli utenti e somiglianza dei dati. Si utilizzano numerose misure di somiglianza per assegnare il punteggio all'equivalenza di diversi set di dati. Tale punteggio viene poi impiegato per consigliare set di dati con proprietà simili. Gli elementi complementari sono consigliati eseguendo query nel grafico dei metadati per identificare i set di dati comunemente utilizzati insieme da diversi utenti.

10

Discovery intelligente della struttura CLAIRE può derivare la struttura da file di dispositivi e log in disordine, rendendoli più semplici da utilizzare. Attraverso un approccio basato sul contenuto per il parsing dei file, può adattarsi alle modifiche frequenti dei file senza alcun impatto sull'elaborazione degli stessi.

La discovery intelligente della struttura utilizza un algoritmo genetico per automatizzare il riconoscimento dei pattern all'interno dei file. In questo approccio, utilizza il concetto di "evoluzione" per migliorare i risultati. Ogni soluzione candidata dispone di un insieme di proprietà che possono essere modificate e successivamente testate per stabilire se forniscono una soluzione più adatta. Non richiede l'input dell'utente per definire la struttura del file e non è specifico per un set di formati di file di settore. Le strutture iniziali del file vengono derivate sulla base del parsing basato su delimitatori di base. A tali strutture viene quindi assegnato un punteggio in funzione di diversi fattori, come ad esempio la copertura dell'input e i domini derivati. Le strutture con il punteggio maggiore entrano in una fase di "mutazione" dove vengono apportate diverse modifiche alle strutture, ad esempio combinando le sottostrutture per verificare se il punteggio migliora. Il processo si conclude quando viene stabilita l'adeguatezza della struttura rispetto ai dati.

Figura 5: Rilevamento intelligente della struttura in file di dati non strutturati

11

Rilevamento intelligente delle anomalieCLAIRE utilizza approcci statistici e basati su machine learning per rilevare gli outlier e le anomalie dei dati. La funzionalità UBA (User Behavior Analytics) rileva i pattern di comportamento degli utenti che potrebbero essere rischiosi ed esporre un'organizzazione all'utilizzo improprio dei dati. UBA è in grado di rilevare attacchi di tipo impersonation, hijacking delle credenziali e privilege escalation.

UBA applica il machine learning non supervisionato a un modello multi-dimensionale di attività dell'utente, tra cui il numero di store di dati a cui accede l'utente, il numero di richieste eseguite e il numero di record coinvolti nei diversi sistemi. A questo modello viene applicata l'analisi dei componenti principali per la riduzione della dimensionalità. Per il clustering gerarchico non supervisionato viene applicata la tecnica BIRCH al fine di trovare gli utenti che hanno avuto un comportamento diverso durante un determinato periodo di tempo. Per convalidare il comportamento anomalo, vengono impiegati metodi di rilevamento degli outlier basati su distanza e densità e viene eseguito il test statistico di Grubbs per gli outlier al fine di confermare che gli oggetti indicati dai primi due metodi siano di fatto outlier nel sistema dei cluster.

Di seguito presentiamo alcuni esempi delle funzionalità di CLAIRE che saranno disponibili:

Data integration automatica: per integrare automaticamente i dati nei processi di data integration. Identifica-zione dei dati, rilevamento dei pattern di integrazione che elaborano dati simili, trasformazione automatica e spostamento dei dati con apprendimento basato su milioni di azioni degli utenti e mappature esistenti.

Assistenza allo sviluppo: per fornire consigli agli utenti e suggerire le azioni successive nel processo di sviluppo, ad esempio:

• Completamento automatico delle trasformazioni

• Consigli relativi ai template

• Suggerimenti sui tipi di mascheramento per i dati sensibili

• Consigli di data quality per la bonifica e la standardizzazione

• Ottimizzazioni automatiche delle performance

Mappatura automatica: per rilevare le entità di dati master in tutta l'azienda e mapparle automaticamente al modello di dati master applicando trasformazioni dei requisiti e regole di qualità

Self-healing: per gestire normalmente i problemi esterni dei sistemi come ad esempio bassi livelli di memoria o potenza di calcolo. Ad esempio, aggiungere potenza di calcolo ("Cloud bursting") per gestire i picchi di dati

Regolazione automatica: sulla base delle informazioni storiche, i volumi di dati correnti e le risorse di sistema disponibili prevedono e regolano le pianificazioni o le risorse di calcolo per rispettare i criteri relativi alle performance

Protezione automatica: per rilevare automaticamente i dati sensibili e mascherarli prima che lascino un'area sicura

Piazza della Repubblica 14/16 - 20124 Milano, Italia. Tel: +39 02 37 05 80 00 | Via Luca Gaurico 9/11 - 00143 Roma, Italia Tel: +39 06 54 83 21 34. informatica.com/it linkedin.com/company/informatica twitter.com/Informatica twitter.com/InformaticaITA© 2017 Informatica LLC. Tutti i diritti riservati. Informatica, il logo Informatica e CLAIRE™ sono marchi commerciali o marchi registrati di Informatica LLC negli Stati Uniti e in molte giurisdizioni in tutto il mondo. Un elenco aggiornato dei marchi commerciali di Informatica è disponibile sul Web all'indirizzo https://www.informatica.com/trademarks.html. Gli altri nomi di aziende e di prodotti potrebbero essere nomi commerciali o marchi commerciali dei rispettivi proprietari. IN09_0517_3328

Conclusione Le attuali strategie di business focalizzate sui dati sono create su una base composta da dati. Il successo richiede la creazione di competenze di gestione dei dati per liberare la loro potenzialità.

Con tutte le sfide che la gestione dei dati presenta in circostanze normali, gli approcci tradizionali non sono in grado di scalare per rispettare i requisiti di oggi, per non parlare di quelli di domani. Un metodo per utilizzare al meglio i dati e promuovere la digital disruption consiste nella standardizzazione di una piattaforma di gestione dei dati end-to-end che utilizzi il potere di dati, metadati e machine learning/AI per migliorare la produttività di tutti gli utenti della piattaforma: tecnici, operativi, business e in particolare self-service del business.

Contattaci per saperne di più su come utilizzare CLAIRE e Intelligent Data Platform per trarre il massimo dalla potenzialità dei dati.

Informazioni su InformaticaLa digital transformation sta cambiando il mondo. Quale leader nella gestione dei dati nel Cloud di livello enterprise, possiamo aiutarti a guidare il tuo processo di trasformazione. A garantirti la lungimiranza che ti consentirà di essere più agile, realizzare nuove opportunità di crescita o persino inventare nuove cose. Ti invitiamo a esplorare tutto ciò che Informatica offre, sprigionando il potenziale dei dati per promuovere la tua prossima intelligent disruption. Non solo una volta, ma più e più volte.