Få mest muligt ud af din datadrevne transformation: 10 nøgleprincipper

Leveret af Hewlett Packard Enterprise

Betydningen af ​​data for nutidens virksomheder kan ikke overvurderes. Det viser undersøgelser datadrevne virksomheder er 58 % mere tilbøjelige til at slå omsætningsmål end ikke-datadrevne virksomheder og 162 % mere tilbøjelige til at klare sig markant bedre end efternøler. Dataanalyse hjælper næsten halvdelen af ​​alle virksomheder træffe bedre beslutninger om alt, lige fra de produkter, de leverer til de markeder, de målretter mod. Data bliver kritiske i enhver branche, uanset om det er at hjælpe gårde øge værdien af ​​de afgrøder, de producerer eller grundlæggende at ændre basketballspillet .

Brugt optimalt er data intet mindre end et kritisk vigtigt aktiv. Problemet er, at det ikke altid er let at få data til at fungere. Det Seagate Rethink Data-rapport , med forskning og analyse fra IDC, fandt det ud af, at kun 32 % af de data, der er tilgængelige for virksomheder, nogensinde bliver brugt, og de resterende 68 % forbliver ugearet. Ledere er ikke helt sikre i deres nuværende evne – heller ikke i deres langsigtede planer – til at vride optimale værdiniveauer ud af de data, de producerer, erhverver, administrerer og bruger.

Hvad er afbrydelsen? Hvis data er så vigtige for en virksomheds sundhed, hvorfor er det så svært at mestre?

I de bedst drevne virksomheder er de systemer, der forbinder dataproducenter og dataforbrugere, sikre og nemme at implementere. Men det er de normalt ikke. Virksomheder er udfordret med at finde data og udnytte dem til strategiske formål. Datakilder er svære at identificere og endnu sværere at evaluere. Datasæt, der bruges til at træne AI-modeller til automatisering af opgaver, kan være svære at validere. Hackere søger altid at stjæle eller kompromittere data. Og at finde kvalitetsdata er en udfordring for selv de dygtigste dataforskere.

Manglen på et ende-til-ende-system til at sikre data af høj kvalitet og dele dem effektivt har indirekte forsinket indførelsen af ​​AI .

Kommunikationshuller kan også afspore processen med at levere effektfuld indsigt. Ledere, der finansierer dataprojekter, og de dataingeniører og videnskabsmænd, der udfører dem, forstår ikke altid hinanden. Disse datapraktikere kan lave en detaljeret plan, men hvis praktikeren ikke rammer resultaterne ordentligt, kan den virksomhedsleder, der anmodede dem, sige, at de ledte efter noget andet. Projektet vil blive stemplet som en fiasko, og chancen for at skabe værdi ud af indsatsen forsvinder.

Virksomheder støder på dataproblemer, uanset hvor de er med hensyn til datamodenhed. De forsøger at finde ud af måder at gøre data til en vigtig del af deres fremtid, men de kæmper for at føre planer ud i livet.

Hvis du er i denne position, hvad gør du så?

Virksomheder befandt sig på et lignende omdrejningspunkt tilbage i 2010'erne og forsøgte at sortere deres pladser i skyen. De tog årevis med at udvikle deres cloud-strategier, planlægge deres cloud-migreringer, vælge platforme, skabe Cloud Business-kontorer og strukturere deres organisationer for bedst muligt at drage fordel af cloud-baserede muligheder. I dag høster de fordelene: Deres flytninger til skyen har gjort dem i stand til at modernisere deres apps og it-systemer.

Virksomheder skal nu træffe lignende beslutninger om data. De skal overveje mange faktorer for at sikre, at data danner grundlaget for deres forretning fremover. De bør stille spørgsmål som:

• Er de data, virksomheden har brug for, let tilgængelige?
• Hvilke typer datakilder er nødvendige? Er der distribuerede og forskellige datasæt, du ikke kender til?
• Er dataene rene, aktuelle, pålidelige og i stand til at integreres med eksisterende systemer?
• Er resten af ​​C-niveau med på den dataansvarliges tilgang?
• Kommunikerer dataforskere og slutbrugere effektivt om, hvad der er behov for, og hvad der leveres?
• Hvordan deles data?
• Hvordan kan jeg stole på mine data?
• Har enhver person og organisation, der har brug for adgang til dataene, ret til at bruge dem?

Dette handler om mere end blot business intelligence. Det handler om at udnytte en mulighed, der er ved at tage form. Databrugen eksploderer, værktøjer til at udnytte den bliver mere effektive, og dataforskeres ekspertise vokser. Men data er svære at mestre. Mange virksomheder er ikke sat op til at udnytte de data, de har ved hånden bedst muligt. Virksomheder skal foretage investeringer i de mennesker, processer og teknologier, der vil drive deres datastrategier .

Med alt dette i tankerne er her 10 principper, som virksomheder bør følge, når de udvikler deres datastrategier:

1. Forstå, hvor værdifulde dine data virkelig er

Hvor meget er dine data værd for dig? Dette kan måles på flere måder. Der er traditionelle målinger at overveje, såsom omkostningerne ved at erhverve data, omkostningerne ved at gemme og overføre dem, det unikke ved de data, der erhverves, og muligheden for at bruge dem til at generere yderligere indtægter. Markedspladsmålinger påvirker værdien af ​​dataene, såsom datakvalitet, dataens alder og et dataprodukts popularitet.

Dine data kan også være værdifulde for andre. Antag for eksempel, at et hospital indsamler patientdatasæt, der kan generere værdi for dine data. I så fald kan disse data være af interesse for sygdomsforskere, lægemiddelproducenter, forsikringsselskaber og andre potentielle købere. Er der en mekanisme på plads til at anonymisere, samle, kontrollere og identificere potentielle brugere af dine data?

Mulighed, afbalanceret med de omkostninger, det tager at levere på dem, er en måde at bestemme den potentielle værdi af dine data.

2. Bestem, hvad der gør data værdifulde

Selvom det kan være svært at sætte en faktisk dollarværdi på dine data, er det nemmere at definere de elementer, der bidrager til, at data har en høj grad af værdi. Det kan reduceres til en simpel tankeligning:

Fuldstændighed + Validitet = Kvalitet

Kvalitet + Format = Brugervenlighed

Brugbare data + en datapraktiker, der bruger dem godt = VÆRDI

Dit dataprojekt kan ikke fortsætte uden gode data. Er kvaliteten af ​​dine data høj nok til at være umagen værd? Det vil til dels afhænge af, hvor komplet prøven er, som du har indsamlet. Mangler datafelter? Kvalitet afhænger også af, hvor valid informationen er. Blev det indsamlet fra en pålidelig kilde? Er dataene aktuelle, eller har tiden forringet deres gyldighed? Indsamler og opbevarer du dine data i overensstemmelse med industri- og sektorontologier og standarder?

Dine data skal være brugbare for at være investeringsværdige. Opsætning af systemer til datapraktikere til at bruge og analysere dataene godt og forbinde dem med virksomhedsledere, der kan udnytte indsigten, lukker sløjfen.

3. Fastslå, hvor du er på din datarejse

At positionere en virksomhed til at drage fuld fordel af cloud computing er en rejse. Den samme tankegang bør gælde for data.

De beslutninger, virksomheder træffer om deres datastrategier, afhænger i høj grad af, hvor de tilfældigvis er på deres datarejser. Hvor langt er du på din datarejse? Vurderingsværktøjer og tegninger kan hjælpe virksomheder med at finde deres positioner. Vurderinger bør gå ud over at identificere, hvilke værktøjer der er i en virksomheds teknologistak. De bør se på, hvordan data behandles på tværs af en organisation på mange måder, under hensyntagen til styring, livscyklusstyring, sikkerhed, indtagelse og behandling, dataarkitekturer, forbrug og distribution, dataviden og dataindtægtsgenerering.

Forbrug og distribution alene kan måles i form af en organisations evne til at anvende tjenester lige fra business intelligence til streaming af data til selvbetjeningsapplikationer af dataanalyse. Har virksomheden implementeret support til databrug af individuelle personas? Understøtter det individuelle API'er? Ser vi på dataviden som en kategori, hvor avancerede er virksomhedens dataordbøger, forretningsordlister, kataloger og masterdatastyringsplaner?

At score hvert sæt af kapaciteter afslører en virksomheds styrker og svagheder med hensyn til databeredskab. Indtil virksomheden ser nærmere på, er den måske ikke klar over, hvor tæt eller langt den er fra, hvor den har brug for eller ønsker at være.

4. Lær at håndtere data fra forskellige kilder

Data kommer ind i organisationer fra alle retninger – inde fra virksomheden, IoT-enheder og videoovervågningssystemer på kanten, partnere, kunder, sociale medier og nettet. De hundredvis af zettabytes af verdensomspændende data skal selektivt administreres, beskyttes og optimeres til bekvem, produktiv brug.

Dette er en udfordring for virksomheder, der ikke har udviklet systemer til dataindsamling og datastyring. Uanset hvor dataene kommer fra, skal der være en mekanisme til at standardisere dem, så dataene kan bruges til en større fordel.

Forskellige virksomheder og forskellige lande pålægger forskellige regler for, hvad og hvordan information kan deles. Selv individuelle afdelinger inden for samme virksomhed kan støde på corporate governance-regler, der udpeger de stier, som visse datasæt skal følge. Det betyder at håndhæve dataadgangs- og distributionspolitikker. For at gribe disse datamuligheder er virksomheder nødt til at udvikle veje til at opdage nye datasæt og påtvinge styringsregler for at administrere dem.

Inden for fremstilling måler virksomheder i en forsyningskæde kvaliteten af ​​deres dele og leverandører. Ofte ejes maskineriet og robotten, de bruger, af leverandørerne. Leverandører ønsker måske at oprette kontrakter for at se, hvem der har ret til at bruge data til at beskytte deres egne forretningsinteresser, og producenter bør definere deres krav til datadeling med deres partnere og leverandører på forhånd.

5. Få et strategisk engagement fra C-suiten

Data gavner mange niveauer i en organisation, og personas på hvert af de berørte niveauer vil lobbye for et bestemt aspekt af dataværdiprocessen. Dataforskere ønsker mere kraftfuld, brugervenlig teknologi. Brancheledere presser på for bedre og hurtigere indsigt. I toppen af ​​pyramiden er C-suiten, som prioriterer kanalisering af data til forretningsværdi.

Det er afgørende at få ledere på C-niveau med på banen med en holistisk datastrategi. At gøre det rigtigt kan trods alt være forstyrrende. Udvinding af maksimal værdi fra data kræver, at en organisation ansætter personale med nye færdigheder, tilpasser sin kultur, omstrukturerer gamle processer og ombygger den gamle dataplatform. Det er et transformationsprojekt, der ikke kan gennemføres uden at få buy-in fra de øverste niveauer i en virksomhed.

C-suiten er i stigende grad åben for at udvide organisationers brug af data. Ved siden af ​​kundeengagement er det næsthøjeste strategiske interesseområde på bestyrelsesniveau at udnytte data og forbedre beslutningstagningen for at forblive konkurrencedygtig og udnytte skiftende markedsforhold, ifølge IDC-rapporten 'Market Analysis Perspective: Worldwide Data Integration and Intelligence Software, 2021.' I samme rapport formulerede 83 % af lederne behovet for at være mere datadrevet end før pandemien.

Hvordan skal organisationer sikre, at C-suiten kommer ombord? Hvis du er en interessent uden en titel på C-niveau, er dit job at arbejde sammen med dine jævnaldrende for at finde en administrerende sponsor til at bringe budskabet videre til ledere, der kontrollerer beslutningsprocessen. Data er et strategisk aktiv, der vil afgøre en virksomheds succes i det lange løb, men det vil ikke ske uden påtegninger på højeste niveau.

6. På data, vi stoler på: Sørg for, at dine data er upåklagelige

Efterhånden som AI udvides til næsten alle aspekter af det moderne liv, øges risikoen for korrupte eller defekte AI-praksis eksponentielt. Dette kommer ned til kvaliteten af ​​de data, der bruges til at træne AI-modellerne. Hvordan blev data produceret? Var det baseret på en defekt sensor? Blev der genereret en skæv dataoprindelse i datasættet? Kom valget af data fra ét sted i stedet for et statistisk gyldigt sæt data?

Troværdig AI afhænger af at have pålidelige data, der kan bruges til at bygge gennemsigtige, troværdige, upartiske og robuste modeller. Hvis du ved, hvordan en model trænes, og du har mistanke om, at du får defekte resultater, kan du stoppe processen og genoptræne modellen. Eller, hvis nogen stiller spørgsmålstegn ved modellen, kan du gå tilbage og forklare, hvorfor en bestemt beslutning blev truffet, men du skal have rene, validerede data til reference.

Regeringer bliver ofte bedt af politiske vagthunde om at støtte, hvordan de bruger kunstig intelligens og om at bevise, at deres analyser ikke er bygget på forudindtaget data. Gyldigheden af ​​de anvendte algoritmer har udløst debatter om bestræbelser på at stole på maskinlæring til at vejlede domsafgørelser og træffe beslutninger om krav på velfærdsydelser eller andre offentlige aktiviteter.

Træningen af ​​modellen foregår i trin. Du bygger en model baseret på data. Derefter tester du modellen og indsamler yderligere data for at teste den igen. Hvis det går igennem, gør du det til en mere robust produktionsmodel. Rejsen fortsætter ved at tilføje flere data, massere dem og over tid fastslå, om din model kan tåle en undersøgelse.

Manglen på et ende-til-ende-system til at sikre data af høj kvalitet og dele dem effektivt har indirekte forsinket indførelsen af ​​kunstig intelligens. Ifølge IDC 52 % af de adspurgte i undersøgelsen mener, at datakvalitet, kvantitet og adgangsudfordringer holder AI-implementeringer op.

7. Udnyt metadatamuligheden

Metadata er defineret elliptisk som 'data, der giver information om andre data.' Det er det, der giver data den kontekst, som brugerne har brug for for at forstå en del af informationens karakteristika, så de kan bestemme, hvad de skal gøre med dem i fremtiden.

Metadatastandarder bruges almindeligvis til nicheformål, f.eks. specifikke industriapplikationer astronomiske kataloger , eller datatyper som f.eks XML-filer . Men der skal også argumenteres for en stærkere metadataramme, hvor vi ikke kun kan definere data på almindelige måder, men også mærke nyttige dataartefakter på deres rejse. Hvor stammer dette stykke data fra? Hvem har set den? Hvem har brugt det? Hvad er det blevet brugt til? Hvem har tilføjet hvilken del af datasættet? Er dataene blevet verificeret? Er det forbudt at bruge det i visse situationer?

Udvikling af denne form for metadatamekanisme kræver et teknologilag, der er åbent for bidrag fra dem, der ser og rører ved et bestemt stykke data. Det kræver også et engagement fra brede sæt af interessenter, som ser værdien af ​​at kunne dele data strategisk og gennemsigtigt.

Oprettelse af et ekstra åbent metadatalag ville være et vigtigt skridt hen imod muliggør demokratisering af adgangen til dataene ved at muliggøre gennemsigtig deling af nøgledataattributter, der er nødvendige for adgang, styring, tillid og afstamning. Hewlett Packard Enterprise tilgang til datarum er at åbne op for en universel metadatastandard, der ville fjerne den nuværende kompleksitet forbundet med deling af forskellige datasæt.

8. Omfavn vigtigheden af ​​kultur

Organisationer vil sikre sig, at de får mest muligt ud af de ressourcer, de nærer – og for at gøre det skal de skabe kulturer, der fremmer bedste praksis for informationsdeling.

Har du siloer? Er der kulturelle barrierer inde i din organisation, der står i vejen for korrekt formidling af information til de rigtige kilder på de rigtige tidspunkter? Føler forskellige afdelinger, at de ejer deres data og ikke behøver at dele dem med andre i organisationen? Gemmer enkeltpersoner værdifulde data? Har du oprettet kanaler og procedurer, der fremmer friktionsfri datadeling? Har du demokratiseret adgang til data, hvilket giver forretningsinteressenter mulighed for ikke kun at anmode om data, men at deltage i forespørgsler og delingspraksis?

Hvis nogen af ​​disse faktorer blokerer det frie flow af dataudveksling, skal din organisation gennemgå en forandringsledelsesvurdering med fokus på dens behov på tværs af mennesker, processer og teknologi.

9. Åbn tingene op, men stol på ingen

I alle aspekter af forretningen balancerer organisationer de ofte modstridende koncepter om at fremme fri og åben deling af ressourcer og stramt kontrolleret sikkerhed. At opnå denne balance er særligt vigtigt, når man beskæftiger sig med data.

Data skal deles, men mange dataproducenter er utilpas med at gøre det, fordi de frygter tab af kontrol, og hvordan deres data kan blive brugt mod dem, eller hvordan deres data kan blive ændret eller brugt uhensigtsmæssigt.

Sikkerhed skal have topprioritet. Data kommer fra så mange kilder – nogle kontrollerer du, andre gør du ikke – og bliver sendt gennem så mange hænder. Det betyder, at sikkerhedspolitikker omkring data skal designes med en nul-tillid-model gennem hvert trin i processen. Tillid skal etableres gennem hele stakken, fra din infrastruktur og operativsystemer til de arbejdsbelastninger, der sidder på toppen af ​​disse systemer, helt ned til siliciumniveauet.

10. Opret en fuldt fungerende dataservicepipeline

Flytning af data mellem systemer kræver mange trin, herunder flytning af data til skyen, omformatering af dem og sammenkædning med andre datakilder. Hvert af disse trin kræver normalt separat software.

Automatisering af datapipelines er en vigtig best practice i datarejsen. En fuldt automatiseret datapipeline giver organisationer mulighed for at udtrække data ved kilden, transformere dem til en brugbar form og integrere dem med andre kilder.

Datapipelinen er summen af ​​alle disse trin, og dens opgave er at sikre, at disse trin sker pålideligt for alle data. Disse processer bør automatiseres, men de fleste organisationer har brug for mindst en eller to ingeniører til at vedligeholde systemerne, reparere fejl og opdatere i overensstemmelse med virksomhedens skiftende behov.

Begynd datarejsen i dag

Hvor godt virksomheder udnytter deres data – uanset hvor de bor – vil afgøre deres succes i de kommende år. Konstellationsforskning projekter 90 % af det nuværende Fortune 500 vil blive fusioneret, opkøbt eller konkurs i 2050. Hvis de ikke starter nu, vil de blive efterladt. Uret tikker.

Læs den originale artikel vedr Enterprise.nxt .

Dette indhold er produceret af Hewlett Packard Enterprise. Det er ikke skrevet af MIT Technology Reviews redaktion.

skjule