Uno dei concetti che oggi viene considerato critico per le imprese è quello dell'
agilità. Le esigenze del mercato possono cambiare molto velocemente e le aziende devono essere
in grado di reagire rapidamente per soddisfarle. Questo è il concetto generale, poi l'agilità si declina in molti modi che vanno dalla flessibilità della supply chain sino all'elasticità del rapporto con i clienti finali. Per molte imprese questa agilità richiede anche lo
sviluppo rapido di nuovi servizi e applicazioni, motivo per cui ci si è ormai abituati a considerare le metodologie agili alla
DevOps come un tassello chiave della nuova flessibilità dell'IT.
In realtà esiste anche un fenomeno parallelo altrettanto indiscutibile che impatta sulla ricerca di agilità. Le aziende sono sempre più
orientate ai dati, cioè una quota sempre maggiore delle loro decisioni tattiche e strategiche si basa sull'analisi delle informazioni che l'azienda stessa raccoglie. I temi sono quelli di cui si parla già da tempo: Big Data, analytics, machine learning, Business Intelligence estesa e via dicendo. In questo senso diversi osservatori vedono il
rischio di una "data friction" nelle imprese: essere agili serve a poco se poi la gestione di un elemento chiave come i dati conserva eccessive rigidità. Il concetto che nello sviluppo software è espresso dalle
metodologie DevOps dovrebbe quindi applicarsi anche ai dati. Da cui il filone
DataOps, analogo nella visione ma molto meno conosciuto.
Il tema DataOps in sé non è nuovissimo come d'altronde non lo era nemmeno quello dello sviluppo agile. Ha assunto ora una importanza molto maggiore che in passato perché i processi di
trasformazione digitale sono strettamente legati alla gestione e all'analisi dei dati. E se questi dati non sono
rapidamente disponibili, la trasformazione rallenta e l'innovazione frena.
Il successo di DevOps in questo senso ha
messo in maggiore evidenza il problema e non rappresenta la sua soluzione. Si tratta di un dominio parallelo: creare velocemente nuovi servizi in cloud o nuove applicazioni mobili per i clienti è un vantaggio, certo, ma se poi i dati che devono alimentare tutto questo non ci sono, il vantaggio diventa un punto debole.
Come DevOps, anche DataOps è un termine-ombrello che
non identifica una particolare tecnologia ma un approccio complessivo. In questo caso un approccio alla gestione dei dati aziendali pensato per fare in modo che questi siano corretti, consistenti lungo i vari processi aziendali e soprattutto
disponibili in breve tempo alle applicazioni e ai servizi che devono consumarli. E ancora come DevOps, il mondo DataOps è
scomponibile in vari sotto-segmenti che possono avere soluzioni mirate.
DataOps ha infatti molte
implicazioni tecniche che impattano sulle strategie e sulle soluzioni di data management. Per avere una gestione trasversale e il più possibile automatizzata delle informazioni servono ad esempio livelli di
astrazione semantica per garantire che il significato dei dati e dei metadati
sia condiviso. Analogamente, servono anche prcedure e policy ben precise nella gestione dei flussi di dati per garantire che sia sempre possibile controllare la correttezza delle informazioni, in particolare il "data lineage" per seguire il dato lungo il suo cliclo di vita.