✨ 操作数据存储(层):

• 与 Data Fabric、Operational Data Hub 相同
• 现有数据源和消费者之间的一层
• 无需替换遗留系统
• 将来自多个系统的数据合并到单一枢纽

🔍 从不同系统收集数据集

• 提供数据的完整图景

🔥 特设分析工具

• 实时分析
• 全面业务的分秒必争视角
• 不干扰操作工作负载

💡 示例:

• 日常职责
• 所需的服务级别协议 (SLA)

🏗️ 重建的基础

• 数字化转型的迭代方法
• 与遗留和新系统并行
• 遗留系统继续无中断运行

🚀 遗留系统现代化:

• 更快地构建新的业务功能
• 扩展到数百万用户
• 数据消费者访问操作数据层 (ODL)

💎 好处:

• 访问整个数据集
• 客户单一视图
• 人工智能流程

💻 数据即服务:

• 操作数据层将所有重要数据聚集在一处
• 应用程序和分析获得企业数据的全貌

☁️ 操作数据层的云部署:

• 部署在同一云提供商
• 与其使用系统相同的区域
• 渐进式、无中断的云迁移方法

🔍 挑战:

• 70 个不同系统分散在 15 个不同屏幕上

🔑 解决方案:

• 单一视图
• 仅使用一个屏幕访问所有信息
• 实时表示
• 360 度客户视图
• 产品、金融资产、业务相关实体的单一视图
• 来自多个源的数据

🚀 更快的客户服务时间

• 分析客户数据以进行交叉销售和促销

📋 用例:

• 客户服务代表
• 欺诈和风险系统
• 销售和营销人员
• 定量分析师
• 用户在线账户

💪 主机卸载:

• 单点故障
• 需离线维护
• 更轻松地将主机数据提供给新的数字渠道,而不会给遗留系统带来压力

🤔 挑战:

• 需要企业数据的完整视图
• 数据仓库或 Hadoop 基础的分析
• 无法满足当今对实时分析的需求
• 每日或每周批量加载
• 查询耗时长达数小时

🔍 解决方案:

• 针对实时决策
• 数据状态的分秒必争
• 低延迟分析查询
• 特设问题
• 示例:
  • 为客户提供推荐
  • 根据用户信息个性化内容
  • 在企业数据上使用机器学习提取新见解
  • 提高运营效率

🚀 现代化:

• 将现有数据暴露给新应用程序
• 不会对遗留系统产生潜在影响

💼 数据管理员:

• 从应用程序数据库获取数据,然后存储到操作数据层
• 使用 ETL (提取、转换、加载)、CDC (变更数据捕获)
• 数据必须满足要求
• 数据传输频率
• 不影响当前生产和消费应用程序

🤖 Reference:

https://www.mongodb.com/resources/basics/implementing-an-operational-data-layer
Implementing an Operational Data Layer

https://www.mongodb.com/resources/solutions/use-cases/mainframe-modernization-reference-architecture
Mainframe Modernization Reference Architecture

Editor

Danny Chan, specialty of FSI and Serverless

Kenny Chan, specialty of FSI and Machine Learning