Data Fusion & KMS

01 · PLATFORMEN

Se den i brug

Dette er EY's officielle præsentation af Data Fusion. Den gennemgår platformens vigtigste moduler: dataforberedelse, governance, datakvalitet, dataopdagelse og drift.

Afspil video · 6:07

02 · KONTEKST

Hvad er Data Fusion?

Det er en cloudbaseret, AI-drevet multi-tenant-platform bygget på Databricks. Én platform betjener mange kunder, hver i sit eget isolerede rum, og en low-code / no-code-brugerflade lader forretnings- og tekniske teams arbejde med data uden at skrive kode.

Hvad platformen gør

• 01

  Data Preparation

  Upload filer, analyser dem for mønstre og anomalier, tilføj nye datakilder og map rå data til kuraterede datasæt.

• 02

  Data Governance

  Definer og håndhæv hver kundes regler, og følg resultaterne i Data Quality Insights.

• 03

  Data Discovery

  Udforsk rå og kuraterede data med SQL-forespørgsler i Data Explorer.

• 04

  Data Operations

  Følg status og kørselshistorik for hvert datajob.

• 05

  Configurations

  Forespørg platformens metadata via Metadata Explorer.

• 06

  App Gallery

  AI- og machine learning-apps, der udvider platformen, fra anomalidetektion til intelligent dokumentbehandling.

AI som en del af arbejdsgangen

• AI

  Data Mapping Agent

  Opretter eller forbedrer en datamapping ud fra en forespørgsel skrevet i almindeligt sprog.

• AI

  Rule Agent

  Skriver automatisk SQL'en til en datakvalitetsregel, og brugeren kan stadig redigere den.

• AI

  Registrering af følsomme data

  Finder personlige og følsomme oplysninger i dataene.

• AI

  AI-drevet datakvalitet

  Opdager anomalier og afvigere, før de bliver til problemer.

Skærme fra videoen

03 · MIN ROLLE

Platformens ledende designer

Jeg træffer designbeslutningerne for Data Fusion, og jeg udfører dem: fra at forstå et krav sammen med udviklerne, over flowet, til de endelige high-fidelity-skærme, der går i udvikling. Jeg designer også platformens varianter, som KMS og de micro frontend-apps, der kommer til.

• 01

  Designbeslutninger

  Jeg bestemmer, hvordan hver funktion virker og ser ud, og jeg står på mål for beslutningerne over for stakeholders og tech leads.

• 02

  Udførelse fra start til slut

  Flows, wireframes, prototyper og high-fidelity-skærme, bygget med Motif, EY's designsystem.

• 03

  At oversætte kompleksitet

  Jeg gør data engineering-krav til brugerflader, som forretningsbrugere kan forstå og bruge.

• 04

  Kvalitet efter overlevering

  Jeg sammenligner det byggede med designet og påpeger afvigelser, før de når produktion.

Dem, jeg arbejder med hver dag

Én platform, flere produkter

• Data Fusion

  Kerneplatformen: indlæsning, governance, datakvalitet, dataopdagelse og drift.

• KMS Fusion

  En ny app bygget oven på Data Fusion, der gør ustrukturerede dokumenter til et søgbart vidensbibliotek.

• Micro frontend-apps

  En navigationsmodel, der lader uafhængige apps leve inde i Data Fusion som én samlet oplevelse.

04 · UDFORDRINGEN

At lære datas sprog

Min største udfordring var ikke brugerfladen, men domænet. Data engineering er fuld af begreber, der er usynlige for de fleste, og jeg kunne ikke designe gode skærme til noget, jeg ikke forstod.

Sådan lukkede jeg hullet

1. 01

   Stillede mange spørgsmål

   Daglig kontakt med data engineers og tech leads. Jeg blev ved med at spørge, til jeg kunne forklare hvert begreb med mine egne ord.

2. 02

   Research

   Jeg studerede ETL, datakvalitet, governance, ontologier og forskellen på strukturerede og ustrukturerede data.

3. 03

   Skrev det ned

   Guidedokumenter og flowcharts, der forklarer nøglebegreberne, valideret med stakeholders. De blev også en reference for teamet.

4. 04

   Designede til ikke-eksperter

   Fordi jeg selv havde været nybegynder, vidste jeg, hvor sproget var for teknisk, og kæmpede for tydeligere tekster og guidede flows.

Nogle af de ord, jeg skulle lære

ETL

Extract, Transform, Load. At hente data fra en kilde, give dem den rette form og gemme dem, hvor de er nyttige.

Data profiling

At gennemgå et datasæt for at forstå det: struktur, værdifordeling, tomme felter og afvigere.

Data mapping

At definere, hvordan felterne i en rå kilde bliver til felter i en kurateret standardmodel.

Data quality rule

Et tjek, som dataene skal bestå, fx "alle konti har en ejer". Skrives typisk i SQL.

PII / PCI

Personoplysninger og betalingskortdata. Følsomme data, der skal findes og beskyttes.

Tenant

En kundes isolerede rum på en platform, der deles af mange kunder.

Ontology

Et kort over begreber og hvordan de hænger sammen, fx "Lasagne indeholder Ost".

Unstructured data

Information, der ikke ligger i tabeller, som PDF'er, formularer og rapporter.