पिछले लगभग दो दशकों तक, डेटा आर्किटेक्चर को एक अनुगामी चिंता के रूप में देखा जाता रहा। एप्लिकेशन प्रक्रियाओं को चलाने के लिए खरीदे या बनाए जाते थे, और डेटा वही होता था जो ये एप्लिकेशन दर्ज कर लेते थे। रिपोर्टिंग को बाद में जोड़ दिया जाता था, एकीकरण को जरूरत पड़ने पर बिंदु से बिंदु तक संभाला जाता था, और डेटा के अर्थविज्ञान को अंतर्निहित छोड़ दिया जाता था, जो उन लोगों के दिमागों में संचित रहता था जो वहां सबसे लंबे समय से थे। जब तक सिस्टमों की संख्या कम थी और बदलाव की गति धीमी थी, तब तक यह सहनीय था।

वह सहनशीलता अब समाप्त हो चुकी है। आज एक विशिष्ट उद्यम software as a service एप्लिकेशनों का एक बड़ा समूह चलाता है, जिनमें से प्रत्येक के पास ग्राहक, उत्पाद और लेनदेन का अपना अलग मॉडल होता है, साथ ही ऐसे लेगेसी सिस्टम भी होते हैं जिन्हें हटाया नहीं जा सकता और एक डेटा प्लेटफॉर्म जिससे उन सबका मेल कराने की अपेक्षा की जाती है। हर विलय, हर नया चैनल और हर नियामकीय दायित्व एक ही चीज की एक और परिभाषा जोड़ देता है। अस्पष्टता की लागत, जो कभी चुपचाप सोख ली जाती थी, अब असफल माइग्रेशन, विवादित रिपोर्ट और ऐसे analytics के रूप में सामने आती है जिन पर कार्रवाई करने भर का भरोसा नहीं किया जा सकता।

विश्लेषणात्मक और generative workloads के आगमन ने दांव को और ऊंचा कर दिया है। असंगत, बिना लेबल वाले और खराब ढंग से समझे गए डेटा पर प्रशिक्षित एक मॉडल जोर-शोर से विफल नहीं होता। यह ऐसी नींवों पर आत्मविश्वासपूर्ण उत्तर तैयार करता है जिनकी किसी ने जांच नहीं की। जो संगठन इन तकनीकों से मूल्य प्राप्त कर रहे हैं, वे लगभग बिना किसी अपवाद के वही हैं जिन्होंने अपनी सूचना को स्पष्ट रूप से परिभाषित करने का यह अनाकर्षक काम पहले ही कर लिया था। अर्थ अब कोई दस्तावेजीकरण अभ्यास नहीं रह गया है। यह वह बाधा है जो यह तय करती है कि डेटा पर निर्मित किसी भी चीज पर भरोसा किया जा सकता है या नहीं, और यही कारण है कि सूचना और डेटा आर्किटेक्चर कतार के पीछे से आगे आ गया है।

डेटा आर्किटेक्चर का मूलभूत अनुशासन मॉडलिंग है, और मॉडलिंग को सही अर्थों में एक ही विषय के तीन अलग-अलग दृष्टिकोणों के रूप में समझा जाता है, जिनमें से प्रत्येक एक अलग वर्ग को सेवा देता है और प्रत्येक एक अलग प्रश्न का उत्तर देता है। इन्हें आपस में मिला देना, या ऊपरी दो को छोड़कर सीधे डेटाबेस से शुरू कर देना, इस क्षेत्र की सबसे आम संरचनात्मक गलती है।

वैचारिक मॉडल यह वर्णन करता है कि व्यवसाय का क्या अर्थ है, व्यवसाय की भाषा में। यह मूल इकाइयों, ग्राहक, अनुबंध, परिसंपत्ति, शिपमेंट, और उनके बीच के संबंधों का नामकरण करता है, इस बात के किसी संदर्भ के बिना कि उन्हें कैसे संग्रहीत किया जाता है। इसका उद्देश्य सहमति है। जब दो विभाग इस बात पर बहस करते हैं कि क्या एक संभावित ग्राहक वास्तव में ग्राहक है, तो वैचारिक मॉडल ही वह जगह है जहां वह बहस एक बार, रिकॉर्ड पर, सुलझाई जाती है। यह छोटा, स्थिर होता है और ऐसे शब्दों में व्यक्त होता है जिन्हें कोई गैर-तकनीकी अधिकारी पढ़ और स्वीकृत कर सके।

तार्किक मॉडल उन सहमत अवधारणाओं को लेकर उन्हें सटीक बनाता है। यह विशेषताओं, पहचानकर्ताओं, कार्डिनैलिटी और उन्हें नियंत्रित करने वाले नियमों को परिभाषित करता है: एक अनुबंध के पास ठीक एक स्वामी पक्ष होना चाहिए, एक चालान लाइन ऐसे उत्पाद का संदर्भ देती है जिसका अस्तित्व होना चाहिए। यह किसी विशेष तकनीक से स्वतंत्र होता है, इसलिए वही तार्किक मॉडल एक रिलेशनल डेटाबेस, एक डॉक्यूमेंट स्टोर या एक event stream में साकार किया जा सकता है। यही वह परत है जहां कठोरता निवास करती है, और यही वह परत है जो अक्सर पूरी तरह अनुपस्थित होती है।

भौतिक मॉडल कार्यान्वयन है: टेबल, कॉलम, इंडेक्स, विभाजन, फ़ाइल प्रारूप और प्रदर्शन तथा लागत के लिए किए गए समझौते। यह जानबूझकर सबसे निचली परत है, क्योंकि यही वह परत है जो सबसे अधिक बदलाव के अधीन होती है। जब भौतिक निर्णयों को तार्किक और वैचारिक समझ को संचालित करने की अनुमति दी जाती है, न कि इसके विपरीत, तो उद्यम अपने ही व्यवसाय को उसी के अनुसार परिभाषित करने लगता है जो उसके डेटाबेस विक्रेता को सुविधाजनक लगा। अनुशासन यह है कि अर्थ को संरचना में नीचे की ओर प्रवाहित होने दिया जाए, और संरचना को कभी चुपचाप अर्थ को पुनर्परिभाषित न करने दिया जाए।

कई विकास इस काम के करने के तरीके को नया रूप दे रहे हैं, और इसके इर्द-गिर्द के विपणन से वास्तविक बदलावों को अलग करना उचित है। सबसे महत्वपूर्ण है पूरी तरह केंद्रीकृत डेटा स्वामित्व से संघीय मॉडलों की ओर बढ़ना, जिनमें data mesh सबसे प्रसिद्ध अभिव्यक्ति है। अंतर्दृष्टि सही है: जो लोग किसी क्षेत्र को समझते हैं, उन्हें उसके डेटा की गुणवत्ता और अर्थ के लिए जवाबदेह होना चाहिए, और डेटा को एक नामित स्वामी, एक अनुबंध और एक उपभोक्ता वाले उत्पाद के रूप में मानना दोनों को बेहतर बनाता है। जोखिम, जो अक्सर सच साबित होता है, यह है कि साझा अर्थविज्ञान के बिना संघीकरण अस्पष्टता को सुलझाने के बजाय बस उसे वितरित कर देता है। संघीय स्वामित्व केवल उद्यम-व्यापी परिभाषाओं के ऊपर काम करता है, उनके स्थान पर नहीं।

दूसरा बदलाव है semantic layer का उदय और metadata को लेकर नई गंभीरता। सक्रिय metadata, डेटा कैटलॉग और स्वचालित lineage कैप्चर ने बड़े पैमाने पर यह जानना संभव बना दिया है कि कौन सा डेटा मौजूद है, उसका क्या अर्थ है और वह कहां से आया, बजाय इसके कि पारंपरिक ज्ञान पर निर्भर रहा जाए। यह वास्तविक प्रगति है, बशर्ते कैटलॉग को एक शासित कलाकृति के रूप में माना जाए न कि एक ऐसा कूड़ाघर जो एक साल के भीतर अप्रासंगिक होकर पुराना पड़ जाए।

तीसरा, विश्लेषणात्मक और generative workloads की मांगों ने डेटा गुणवत्ता और lineage को स्वच्छता के बजाय व्यावसायिक अनिवार्यताएं बना दिया है। जब किसी संगठन को किसी नियामक को, या स्वयं को, यह समझाना होता है कि किसी मॉडल ने कोई विशेष निर्णय क्यों लिया, तो उसे उत्तर को हर परिवर्तन के माध्यम से वापस उसके स्रोत तक खोजने की जरूरत होती है। Lineage एक अच्छे आरेख से बढ़कर एक ऑडिट-योग्य आवश्यकता बन गई है। डेटा के इर्द-गिर्द नियमन का लगातार कसना, गोपनीयता कानून से लेकर क्षेत्र-विशिष्ट दायित्वों तक, इसी बिंदु को पुष्ट करता है: किसी उद्यम से बढ़ती हुई अपेक्षा की जाती है कि वह ठीक-ठीक जाने कि उसके पास कौन सा डेटा है, उसका क्या अर्थ है और वह कैसे गति करता है, और इसे सिद्ध करे।

अच्छा सूचना आर्किटेक्चर कुछ थोड़े से सिद्धांतों पर टिका होता है जिन्हें कहना सरल है और जिन्हें बनाए रखना कठिन। पहला है प्रत्येक मूल अवधारणा के लिए एक एकल विश्वसनीय अर्थ। इसका मतलब डेटा की एक भौतिक प्रति नहीं है, जो न तो प्राप्य है और न ही वांछनीय। इसका मतलब है एक आधिकारिक परिभाषा जिसके अनुरूप हर प्रति होती है, और यह स्पष्ट निर्धारण कि प्रत्येक इकाई के लिए कौन सा सिस्टम सत्य का स्रोत है। मास्टर डेटा प्रबंधन इस सिद्धांत की व्यावहारिक अभिव्यक्ति है: यह पहचानना कि ग्राहक और उत्पाद पूरे उद्यम में साझा किए जाते हैं, और उनके golden records को जानबूझकर प्रबंधित करना बजाय इसके कि प्रत्येक एप्लिकेशन अपना खुद का गढ़ ले।

दूसरा सिद्धांत है संदर्भ डेटा को मास्टर और लेनदेन डेटा से स्पष्ट रूप से अलग करना। संदर्भ डेटा, देश कोड, मुद्राओं, स्थितियों और वर्गीकरणों की नियंत्रित सूचियां, छोटा, धीमी गति से बदलने वाला और व्यापक होता है, और जब यह बहककर हट जाता है तो असंगत रूप से अधिक नुकसान पहुंचाता है। इसे केंद्रीय रूप से, स्वामित्व वाली कोड सूचियों और प्रबंधित बदलाव के साथ नियंत्रित करना, एकीकरण की मौन विफलताओं की एक बड़ी श्रेणी को रोकता है।

तीसरा सिद्धांत यह है कि डेटा को एक बार मॉडल किया जाना चाहिए और भौतिक रूप से कई बार साकार किया जाना चाहिए, जिसमें lineage प्रतियों को जोड़े। वही तार्किक इकाई एक परिचालन स्टोर, एक warehouse और एक cache में रह सकती है, लेकिन प्रत्येक एक समझी हुई परिभाषा का प्रक्षेपण है, और उनके बीच के परिवर्तन दस्तावेजित और अनुरेखणीय होते हैं। चौथा सिद्धांत यह है कि स्वामित्व को पहले से डिज़ाइन किया जाता है, बाद में सौंपा नहीं जाता। प्रत्येक महत्वपूर्ण डेटा क्षेत्र का एक नामित प्रबंधक होता है जो उसकी परिभाषा और गुणवत्ता के लिए जवाबदेह होता है, और वह जवाबदेही वास्तविक होती है, विवादों को सुलझाने के अधिकार के साथ। अंत में, गुणवत्ता को अर्थ के विरुद्ध मापा जाता है, भंडारण के विरुद्ध नहीं। डेटा तब उपयुक्त होता है जब वह ईमानदारी से उसका प्रतिनिधित्व करता है जो वैचारिक मॉडल कहता है कि उसे करना चाहिए, और जो गुणवत्ता नियम परिभाषित अर्थविज्ञान से जुड़े नहीं हैं वे किसी विशेष चीज को नहीं मापते।

इस अनुशासन में विफलता के तरीके इतने सुसंगत हैं कि उनका नाम लिया जा सकता है। भौतिक परत से शुरू करना सबसे आम है। एक टीम एक warehouse या एक lakehouse खड़ा करती है, सीधे टेबलों में मॉडल बनाती है और अठारह महीने बाद पता लगाती है कि उसने अपने स्रोत सिस्टमों की हर असंगति को ईमानदारी से पुनरुत्पादित कर लिया है, अधिक पैमाने पर और अधिक लागत पर। अर्थ पर सहमति बनने से पहले संरचना बना दी गई, और कितना भी tooling उस अनुपस्थित सहमति को वापस नहीं ला सकता।

परिभाषाओं का प्रसार दूसरा है। राजस्व का वित्त के लिए एक अर्थ है, बिक्री के लिए दूसरा और बोर्ड के लिए तीसरा, और क्योंकि कोई भी कलम नहीं थामता, तीनों बने रहते हैं। हर रिपोर्ट एक बातचीत बन जाती है, और संख्याओं में भरोसा तब तक क्षीण होता जाता है जब तक लोग चुपचाप अपनी खुद की स्प्रेडशीट नहीं रखने लगते, जो इस बात का सबसे पक्का संकेत है कि आर्किटेक्चर विफल हो गया है।

अशासित मास्टर डेटा की विफलता इसके ठीक पीछे आती है। एक प्रबंधित golden record के बिना, वही ग्राहक चार रिकॉर्ड के रूप में मौजूद होता है, डुप्लिकेट गिनतियों को फुला देते हैं, और सामंजस्य बैठाना एक स्थायी मैनुअल कर बन जाता है। एक संबंधित पैटर्न है ऐसा कैटलॉग जिसे कोई बनाए नहीं रखता: एक metadata पहल उत्साह के साथ शुरू होती है, समूह को एक बार कैप्चर करती है, और फिर कभी अद्यतन नहीं होती, इसलिए एक साल के भीतर यह एक ऐसे सिस्टम का वर्णन करती है जो अब मौजूद नहीं है और जिस पर कोई भरोसा नहीं करता।

फिर है सजावट के रूप में lineage, जहां प्रवाह आरेख किसी ऑडिट के लिए बनाए जाते हैं और कभी वास्तविक परिवर्तनों को प्रतिबिंबित नहीं करते, इसलिए जब किसी आंकड़े पर सवाल उठता है तो उसे फिर भी अनुरेखित नहीं किया जा सकता। अंत में, और सबसे चुपचाप हानिकारक, है अधिकार के बिना शासन: एक शासन बोर्ड जो बैठक करता है, नीति बनाता है और जिसके पास किसी भी टीम से कुछ भी बदलवाने की कोई शक्ति नहीं होती। इनमें से प्रत्येक विफलता की एक ही जड़ है। किसी ने सूचना को एक स्वामी, एक परिभाषा और एक जीवनचक्र वाली प्रबंधित परिसंपत्ति के बजाय एक तकनीकी उपोत्पाद के रूप में देखा।

Nashua तकनीक से नहीं, अर्थ से शुरू करता है। किसी भी प्लेटफॉर्म की सिफारिश करने से पहले, हम वैचारिक मॉडल स्थापित करने के लिए व्यवसाय के साथ काम करते हैं: वे मुट्ठी भर मूल इकाइयां जिन्हें उद्यम सचमुच साझा करता है, और वे परिभाषाएं जिन पर सहमति बननी चाहिए और जिनका स्वामित्व होना चाहिए। यह जानबूझकर व्यावसायिक हितधारकों की उपस्थिति में किया जाता है, क्योंकि ग्राहक की ऐसी परिभाषा जिसे वाणिज्यिक और वित्त दोनों ने स्वीकृत नहीं किया है, परिभाषा नहीं है, वह एक प्रस्ताव है। अर्थ के स्थिर हो जाने के बाद ही हम तार्किक और भौतिक डिज़ाइन में उतरते हैं।

वहां से हम वास्तविक स्थिति का मानचित्रण करते हैं: कौन से सिस्टम कौन सी इकाइयां रखते हैं, प्रत्येक के लिए आधिकारिक स्रोत कौन सा है, और आज डेटा वास्तव में उनके बीच कैसे गति करता है, जिसमें वे अप्रलेखित प्रवाह भी शामिल हैं जो हर संगठन में होते हैं। यह lineage की और इस बात की एक ईमानदार तस्वीर देता है कि अर्थ कहां खोया या दोहराया जा रहा है। उस तस्वीर के विरुद्ध हम लक्ष्य डिज़ाइन करते हैं: मास्टर और संदर्भ डेटा को कहां नियंत्रित किया जाएगा, golden records कैसे बनते और बनाए रखे जाते हैं, और गुणवत्ता को सुविधाजनक विकल्पों के बजाय सहमत अर्थविज्ञान के विरुद्ध कैसे मापा जाएगा।

महत्वपूर्ण बात यह है कि Nashua शासन को एक दस्तावेज के बजाय एक परिचालन क्षमता के रूप में मानता है। हम ऐसा डेटा स्वामित्व स्थापित करने में मदद करते हैं जिसके पास वास्तविक अधिकार हो, प्रबंधन की ऐसी भूमिकाएं जो उन क्षेत्रों के पास हों जो डेटा को समझते हैं, और एक ऐसा कैटलॉग जिसे एक जीवंत कलाकृति के रूप में बनाए रखा जाता है क्योंकि यह इस बात में जुड़ा होता है कि बदलाव कैसे किया जाता है, न कि किनारे पर संजोया जाता है। हम क्रमिक रूप से काम करते हैं, एक या दो उच्च-मूल्य वाले क्षेत्रों पर इस दृष्टिकोण को सिद्ध करते हैं जहां अस्पष्टता व्यवसाय को वास्तविक धन की कीमत चुका रही है, और फिर इस पैटर्न को विस्तारित करते हैं। पूरे समय लक्ष्य यह होता है कि संगठन स्वयं इस अनुशासन को चलाने में सक्षम बना रहे, जिसमें मॉडल, स्वामित्व और शासन इस बात में अंतर्निहित हों कि वह कैसे काम करता है, बजाय इसके कि इसे एक साथ बांधे रखने के लिए हम पर निर्भर रहे।

इस काम में जो चीज Nashua को अलग करती है वह है किसी tooling निर्णय को अर्थ के कठिन अनुशासन का स्थान लेने देने से इनकार करना। कई प्रदाता खुशी-खुशी एक कैटलॉग, एक मास्टर डेटा प्लेटफॉर्म या एक lakehouse लागू कर देंगे और डेटा समस्या को हल घोषित कर देंगे। हमने ऐसे पर्याप्त कार्यों को देखा है कि हम जानते हैं कि अनसुलझे अर्थविज्ञान के ऊपर बिछाई गई तकनीक बस भ्रम को स्वचालित कर देती है। हमारा योगदान यह है कि परिभाषा, स्वामित्व और lineage का कठिन, अनाकर्षक काम पहले किया जाए, और तकनीक को उसकी सेवा में लगाया जाए, ताकि एकल विश्वसनीय अर्थ आकांक्षापूर्ण के बजाय वास्तविक और टिकाऊ हो।

इसका एक व्यावहारिक परिणाम भी है जो बदल देता है कि इस काम को क्या मान लेने की अनुमति है। जब किसी कार्य में ऐसी क्षमता की आवश्यकता होती है जो अभी मौजूद नहीं है, तो उसे किसी खरीद चक्र या किसी विक्रेता के रोडमैप का इंतजार नहीं करना पड़ता। enterprise platform को इस तरह बनाया गया है कि यह लगभग किसी भी सुविधा को तेज गति से समायोजित कर सके, agentic engineering के माध्यम से: जो चाहिए उसका सरल भाषा में वर्णन किया जाता है और तेजी से उत्पन्न किया जाता है, लेकिन हमेशा दृढ़ आर्किटेक्चर सिद्धांतों के भीतर और कठोर गुणवत्ता आश्वासन के अधीन, ताकि गति कभी सुसंगति, सुरक्षा या नियंत्रण की कीमत पर न आए। इसका प्रभाव मात्र सुविधाजनक होने के बजाय रणनीतिक है। यह बनाओ-या-खरीदो रेखा को स्थानांतरित करता है, विकल्पों को सस्ता बनाए रखता है, और आर्किटेक्चर को रणनीति का अनुसरण करने देता है बजाय इसके कि रणनीति उसी के आगे झुके जो संयोगवश शेल्फ पर उपलब्ध था।

वह संयोजन, डेटा के अर्थविज्ञान और गति पर गहरी आर्किटेक्चरल कठोरता, एक ऐसे प्लेटफॉर्म के साथ जो परिणामी परिभाषाओं, स्वामित्व और lineage को दैनिक परिचालन में ले जाता है, वही किसी संगठन को रिकॉर्ड जमा करने से आगे बढ़कर वास्तव में अपने बारे में तर्क करने में सक्षम बनाता है। सफलता का माप शांत और ठोस है। व्यवसाय के दो हिस्सों में पूछा गया वही प्रश्न वही उत्तर लौटाता है, किसी रिपोर्ट के आंकड़े को बिना बैठक के अनुरेखित किया जा सकता है, और नया विश्लेषणात्मक या generative काम ऐसे डेटा पर बनाया जा सकता है जिसका अर्थ समझा और भरोसा किया जाता है। Nashua का अस्तित्व संगठनों को उस स्थिति तक पहुंचाने के लिए है, और उन्हें इसे बनाए रखने में सक्षम छोड़ने के लिए है।