Agar berfungsi sebagai produk, set data umumnya harus memenuhi standar kegunaan tertentu (sering kali berasal dari prinsip data mesh). File yang hanya ada di bucket penyimpanan tidak memenuhi syarat. Karakteristik utamanya meliputi:

• Dapat ditemukan: Konsumen harus dapat menemukan data dengan mudah, biasanya melalui katalog terpusat atau mesin telusur.
• Dapat diakses: Data harus memiliki alamat (URI) yang unik dan permanen sehingga developer dapat mengaksesnya secara terprogram.
• Tepercaya: Data harus dapat diandalkan. Hal ini sering kali diberlakukan melalui perjanjian tingkat layanan (SLA) terkait keaktualan dan akurasi data.
• Deskripsi mandiri: Data harus membawa metadata yang menjelaskan skema, asal, dan penggunaan yang dimaksudkan, sehingga mengurangi kebutuhan konsumen untuk mengajukan pertanyaan kepada pemilik.
• Aman: Kebijakan akses harus dilampirkan langsung ke produk data, sehingga keamanan diterapkan secara otomatis terlepas dari siapa yang mengaksesnya.
• Dapat dioperasikan: Data harus mematuhi standar global, sehingga dapat digabungkan atau dianalisis bersama produk data dari domain lain.

Untuk membantu memahami DaaP dengan lebih baik, mari kita ilustrasikan bagaimana konsep teoritis DaaP dapat diimplementasikan secara praktis menggunakan Knowledge Catalog (sebelumnya dikenal sebagai Dataplex) dan BigQuery sebagai substrat teknologi.

Skenario: Seorang developer perlu membangun sistem rekomendasi dan memerlukan set data yang andal terkait histori aktivitas melihat dari pengguna.

Di lingkungan DaaP, developer menghindari permintaan manual. Mereka menggunakan Knowledge Catalog, yang berfungsi sebagai platform pusat untuk tata kelola data ke AI. Dengan menelusuri katalog untuk "tayangan halaman pengguna", mereka menemukan aset terdaftar bernama ecommerce-user-activity. Hal ini memenuhi persyaratan agar dapat ditemukan.

Sebelum menulis kode, developer meninjau entri tersebut. Mereka melihat:

• Skema: Kolom yang ditentukan (seperti, user_id, item_id, timestamp).
• Silsilah: Informasi yang menunjukkan asal data.
• Metrik kualitas: Skor yang dihasilkan oleh pemindaian otomatis (misalnya, AutoDQ Knowledge Catalog) yang mengonfirmasi bahwa 99,9% baris memenuhi aturan kualitas yang ditentukan. Hal ini memenuhi persyaratan yang dapat dipercaya dan deskripsi mandiri.

Developer meminta akses melalui antarmuka katalog. Pemilik data (tim domain tertentu) menyetujui permintaan tersebut, sehingga memberikan peran "penampil data" untuk resource tertentu. Hal ini memenuhi persyaratan keamanan.

Setelah akses diberikan, developer akan mengkueri produk data secara langsung di BigQuery.

Karena data diperlakukan sebagai produk, developer mengandalkan skema yang tetap stabil (atau diberi tahu tentang perubahan versi), sehingga aplikasi dapat berjalan dengan andal.

Bagi developer yang ingin beralih dari pembuatan data ad-hoc ke pembuatan produk data terkelola, Knowledge Catalog menyediakan layanan khusus untuk mengemas, mengatur, dan membagikan aset. Alur kerja berikut memberikan dasar pengukuran untuk siklus proses terkelola.

1. Mengidentifikasi dan mengelola aset: Pilih referensi teknis—seperti tabel BigQuery, tampilan yang diotorisasi, atau model AI—yang mengatasi kebutuhan konsumen tertentu. Aset ini harus didaftarkan di Knowledge Catalog.
2. Membuat produk data: Gunakan konsol Knowledge Catalog untuk membuat resource Produk Data baru. Hal ini bertindak sebagai container logis yang mengemas aset pilihan Anda menjadi satu unit untuk penemuan dan berbagi.
3. Melampirkan konteks bisnis (Aspek): Memperkaya produk Anda melalui metadata dengan melampirkan Aspek. Gunakan Template Produk Data untuk menentukan nama produk, tujuan bisnis, kepemilikan, dan penggunaan yang dimaksudkan, sehingga memastikan deskripsi mandiri produk kepada konsumen.
4. Menentukan tata kelola dan akses: Mengonfigurasi alur kerja persetujuan dan peran yang diperlukan untuk produk. Dengan cara ini, Anda dapat mengelola permintaan akses secara terpusat, sehingga hanya pengguna yang diotorisasi yang dapat berlangganan dan mengkueri produk.
5. Memublikasikan dan berbagi: Setelah dipublikasikan, produk data dapat ditemukan di katalog untuk AI. Konsumen dapat menelusuri produk, meninjau dokumentasi dan metrik kualitasnya, serta meminta akses untuk mulai membuat kueri data secara langsung di BigQuery.