211service.com
Opbygning af en højtydende data- og AI-organisation
I forbindelse med Databricks
CxO'er og bestyrelser erkender, at deres organisations evne til at generere handlingsorienteret indsigt fra data, ofte i realtid, er af højeste strategisk betydning. Hvis der var nogen tvivl om denne score, har forbrugernes accelererede flyvning til digital i det seneste kriseår fjernet dem. For at hjælpe dem med at blive datadrevne implementerer virksomheder stadigt mere avancerede cloud-baserede teknologier, herunder analyseværktøjer med maskinlæringsfunktioner (ML). Hvad disse værktøjer leverer, vil dog være af begrænset værdi uden rigelige, højkvalitets og let tilgængelige data.
Opbygning af en højtydende data- og AI-organisation
I denne sammenhæng er effektiv datastyring et af grundlaget for en datadrevet organisation. Men det er meget komplekst at administrere data i en virksomhed. Efterhånden som nye datateknologier kommer i drift, vokser byrden af ældre systemer og datasiloer, medmindre de kan integreres eller afgrænses.
Fragmentering af arkitektur er en hovedpine for mange en chief data officer (CDO), ikke kun på grund af siloer, men også på grund af de mange forskellige on-premise og cloud-baserede værktøjer, mange organisationer bruger. Sammen med dårlig datakvalitet fratager disse problemer sammen organisationers dataplatforme – og de maskinlærings- og analysemodeller, de understøtter – den hastighed og den skala, der er nødvendig for at levere de ønskede forretningsresultater.
For at forstå, hvordan datastyring og de teknologier, den er afhængig af, udvikler sig midt i sådanne udfordringer, undersøgte MIT Technology Review Insights 351 CDO'er, chief analytics officers, chief information officers (CIO'er), chief technology officers (CTO'er) og andre senior teknologiledere. Vi gennemførte også dybdegående interviews med flere andre senior teknologiledere. Her er de vigtigste resultater:
- Kun 13 % af organisationerne udmærker sig ved at levere på deres datastrategi. Denne udvalgte gruppe af high-achievers leverer målbare forretningsresultater på tværs af virksomheden. De lykkes takket være deres opmærksomhed på grundlaget for sund datastyring og arkitektur, som sætter dem i stand til at demokratisere data og få værdi af maskinlæring.
- Teknologi-aktiveret samarbejde skaber en fungerende datakultur. De interviewede CDO'er til undersøgelsen lægger stor vægt på at demokratisere analyser og ML-kapaciteter. At skubbe disse til kanten med avancerede datateknologier vil hjælpe slutbrugere til at træffe mere informerede forretningsbeslutninger - kendetegnene for en stærk datakultur.
- ML's forretningspåvirkning er begrænset af vanskeligheder med at styre dens end-to-end livscyklus. Skalering af ML use cases er yderst kompleks for mange organisationer. Den største udfordring, ifølge 55 % af de adspurgte, er manglen på et centralt sted at opbevare og opdage ML-modeller.
- Virksomheder søger cloud-native platforme, der understøtter datastyring, analyse og maskinlæring. Organisationers topdataprioriteter i løbet af de næste to år falder i tre områder, alle understøttet af en bredere anvendelse af cloudplatforme: forbedring af datastyring, forbedring af dataanalyse og ML og udvidelse af brugen af alle typer virksomhedsdata, inklusive streaming og ustrukturerede data .
- Åbne standarder er de vigtigste krav til fremtidige dataarkitekturstrategier. Hvis respondenterne kunne bygge en ny dataarkitektur til deres virksomhed, ville den mest kritiske fordel i forhold til den eksisterende arkitektur være en større omfavnelse af open source-standarder og åbne dataformater.
Dette indhold blev produceret af Insights, den tilpassede indholdsarm af MIT Technology Review. Det er ikke skrevet af MIT Technology Reviews redaktion.