Iegūstiet maksimālu labumu no datu virzītas transformācijas: 10 galvenie principi

Nodrošina Hewlett Packard Enterprise

Datu nozīmi mūsdienu uzņēmumos nevar pārvērtēt. Pētījumi liecina uz datiem balstīti uzņēmumi ir par 58% lielāka iespēja pārspēt ieņēmumu mērķus nekā uzņēmumi, kas nav balstīti uz datiem, un par 162% lielāka iespēja, ka tie ievērojami pārsniegs atpalicējus. Datu analīze palīdz gandrīz pusei no visiem uzņēmumiem pieņemt labākus lēmumus par visu, sākot no viņu piegādātajiem produktiem līdz tirgiem, uz kuriem tie ir vērsti. Dati kļūst kritiski katrā nozarē neatkarīgi no tā, vai tie palīdz saimniecībām palielināt to ražas vērtību, ko tie ražo vai fundamentāli mainīt basketbola spēli .

Ja dati tiek izmantoti optimāli, tie ir tikai ļoti svarīgs īpašums. Problēma ir tā, ka ne vienmēr ir viegli izmantot datus. The Seagate Rethink Data ziņojums ar IDC veikto pētījumu un analīzi atklāja, ka tikai 32% no uzņēmumiem pieejamajiem datiem tiek izmantoti, bet atlikušie 68% tiek izmantoti bez sviras. Vadītāji nav pilnībā pārliecināti savās pašreizējās spējās — ne arī ilgtermiņa plānos — iegūt optimālus vērtības līmeņus no datiem, ko tie ražo, iegūst, pārvalda un izmanto.

Kas par atvienojumu? Ja dati ir tik svarīgi uzņēmuma veselībai, kāpēc tos ir tik grūti apgūt?

Vislabāk pārvaldītajos uzņēmumos sistēmas, kas savieno datu veidotājus un datu patērētājus, ir drošas un viegli izvietojamas. Bet tie parasti nav. Uzņēmumiem ir izaicinājums atrast datus un izmantot tos stratēģiskiem mērķiem. Datu avotus ir grūti noteikt un vēl grūtāk novērtēt. Datu kopas, ko izmanto, lai apmācītu AI modeļus uzdevumu automatizēšanai, var būt grūti apstiprināmas. Hakeri vienmēr vēlas nozagt vai apdraudēt datus. Un kvalitatīvu datu atrašana ir izaicinājums pat visgudrākajiem datu zinātniekiem.

Pilnīgas sistēmas trūkums augstas kvalitātes datu nodrošināšanai un efektīvai kopīgošanai ir netieši aizkavējis mākslīgā intelekta ieviešanu. .

Saziņas nepilnības var arī traucēt ietekmīgu ieskatu sniegšanas procesu. Vadītāji, kas finansē datu projektus, un datu inženieri un zinātnieki, kas tos veic, ne vienmēr saprot viens otru. Šie datu praktizētāji var izveidot detalizētu plānu, taču, ja praktizētājs rezultātus nenosaka pareizi, uzņēmuma vadītājs, kurš tos pieprasījis, var teikt, ka meklē kaut ko citu. Projekts tiks apzīmēts kā neveiksmīgs, un iespēja no pūlēm radīt vērtību tiks zaudēta.

Uzņēmumi saskaras ar datu problēmām neatkarīgi no tā, kur tie atrodas datu brieduma ziņā. Viņi cenšas izdomāt veidus, kā padarīt datus par svarīgu savas nākotnes sastāvdaļu, taču viņiem ir grūti īstenot plānus.

Ja esat šajā amatā, ko jūs darāt?

Uzņēmumi atradās līdzīgā pagrieziena punktā 2010. gados, mēģinot sakārtot savas vietas mākonī. Viņiem bija vajadzīgi gadi, izstrādājot mākoņa stratēģijas, plānojot mākoņu migrāciju, izvēloties platformas, izveidojot mākoņdatošanas biznesa birojus un strukturējot savas organizācijas, lai vislabāk izmantotu mākoņdatošanas iespējas. Šodien viņi gūst priekšrocības: pāreja uz mākoni ir ļāvusi viņiem modernizēt savas lietotnes un IT sistēmas.

Uzņēmumiem tagad ir jāpieņem līdzīgi lēmumi par datiem. Viņiem ir jāņem vērā daudzi faktori, lai pārliecinātos, ka dati ir pamats viņu turpmākajai uzņēmējdarbībai. Viņiem jāuzdod tādi jautājumi kā:

• Vai uzņēmumam nepieciešamie dati ir viegli pieejami?
• Kādi datu avoti ir nepieciešami? Vai ir izplatītas un dažādas datu kopas, par kurām jūs nezināt?
• Vai dati ir tīri, aktuāli, uzticami un spēj integrēties esošajās sistēmās?
• Vai pārējā C līmeņa daļa ir iekļauta galvenā datu amatpersonas pieeja?
• Vai datu zinātnieki un galalietotāji efektīvi sazinās par to, kas ir nepieciešams un kas tiek piegādāts?
• Kā notiek datu koplietošana?
• Kā es varu uzticēties saviem datiem?
• Vai katrai personai un organizācijai, kurai nepieciešama piekļuve datiem, ir tiesības tos izmantot?

Tas ir par vairāk nekā tikai biznesa inteliģenci. Runa ir par tādas iespējas izmantošanu, kas iegūst formu. Datu izmantošana strauji pieaug, rīki to izmantošanai kļūst arvien efektīvāki, un datu zinātnieku zināšanas pieaug. Bet datus ir grūti apgūt. Daudzi uzņēmumi nav izveidoti tā, lai pēc iespējas labāk izmantotu tiem pieejamos datus. Uzņēmumiem ir jāiegulda cilvēkos, procesos un tehnoloģijās, kas to darīs vadīt savas datu stratēģijas .

Paturot to prātā, šeit ir 10 principi, kas uzņēmumiem jāievēro, izstrādājot savas datu stratēģijas.

1. Izprotiet, cik vērtīgi patiesībā ir jūsu dati

Cik vērtīgi jums ir jūsu dati? To var izmērīt vairākos veidos. Ir jāņem vērā tradicionālie rādītāji, piemēram, datu iegūšanas izmaksas, to uzglabāšanas un pārsūtīšanas izmaksas, iegūstamo datu unikalitāte un iespēja tos izmantot papildu ieņēmumu gūšanai. Tirgus metrika ietekmē datu vērtību, piemēram, datu kvalitāti, datu vecumu un datu produkta popularitāti.

Jūsu dati var būt vērtīgi arī citiem. Piemēram, pieņemsim, ka slimnīca apkopo pacientu datu kopas, kas var radīt vērtību jūsu datiem. Tādā gadījumā šie dati varētu interesēt slimību pētniekus, zāļu ražotājus, apdrošināšanas kompānijas un citus potenciālos pircējus. Vai ir ieviests mehānisms jūsu datu anonimizācijai, apkopošanai, kontrolei un potenciālo lietotāju identificēšanai?

Iespēja, kas līdzsvarota ar izmaksām, kas nepieciešamas tās nodrošināšanai, ir viens no veidiem, kā noteikt jūsu datu potenciālo vērtību.

2. Nosakiet, kas padara datus vērtīgus

Lai gan var būt grūti noteikt jūsu datu faktisko vērtību dolāros, ir vieglāk definēt elementus, kas veicina datu augstu vērtību. To var reducēt uz vienkāršu domas vienādojumu:

Pilnīgums + derīgums = kvalitāte

Kvalitāte + formāts = lietojamība

Izmantojami dati + datu praktizētājs, kurš tos labi izmanto = VĒRTĪBA

Jūsu datu projekts nevar turpināties bez labiem datiem. Vai jūsu datu kvalitāte ir pietiekami augsta, lai tā būtu vērtīga? Tas daļēji būs atkarīgs no tā, cik pilnīgs ir jūsu savāktais paraugs. Vai trūkst datu lauku? Kvalitāte ir atkarīga arī no informācijas derīguma. Vai tas tika savākts no uzticama avota? Vai dati ir aktuāli, vai arī laiks ir samazinājis to derīgumu? Vai jūs vācat un glabājat savus datus saskaņā ar nozares un nozaru ontoloģijām un standartiem?

Jūsu datiem ir jābūt izmantojamiem, lai tie būtu ieguldījuma vērti. Sistēmu iestatīšana datu praktiķiem, lai tie varētu labi izmantot un analizēt datus un savienot tos ar uzņēmumu vadītājiem, kuri var izmantot ieskatus, noslēdz cilpu.

3. Nosakiet, kur atrodaties savā datu ceļā

Uzņēmuma pozicionēšana, lai pilnībā izmantotu mākoņdatošanas sniegtās priekšrocības, ir ceļojums. Tāda pati domāšana būtu jāattiecina uz datiem.

Lēmumi, ko uzņēmumi pieņem par savām datu stratēģijām, lielā mērā ir atkarīgi no tā, kur tie atrodas savos datu ceļojumos. Cik tālu jūs esat savā datu ceļojumā? Novērtēšanas rīki un rasējumi var palīdzēt uzņēmumiem precīzi noteikt savas pozīcijas. Novērtējumos ir jāiekļauj ne tikai to rīku noteikšana, kuri atrodas uzņēmuma tehnoloģiju kaudzē. Viņiem vajadzētu aplūkot, kā dati tiek apstrādāti organizācijā daudzos veidos, ņemot vērā pārvaldību, dzīves cikla pārvaldību, drošību, ievadi un apstrādi, datu arhitektūru, patēriņu un izplatīšanu, datu zināšanas un datu monetizāciju.

Patēriņu un izplatīšanu vien var izmērīt, ņemot vērā organizācijas spēju izmantot pakalpojumus, sākot no biznesa informācijas līdz datu straumēšanai un beidzot ar datu analīzes pašapkalpošanās lietojumprogrammām. Vai uzņēmums ir ieviesis atbalstu atsevišķu personu datu lietošanai? Vai tas atbalsta atsevišķas API? Aplūkojot datu zināšanas kā kategoriju, cik attīstītas ir uzņēmuma datu vārdnīcas, biznesa glosāriji, katalogi un pamatdatu pārvaldības plāni?

Katras iespēju kopas vērtēšana atklāj uzņēmuma stiprās un vājās puses datu sagatavotības ziņā. Kamēr uzņēmums nav to aplūkojis tuvāk, tas var neapzināties, cik tuvu vai tālu tas atrodas no vietas, kur tam nepieciešams vai vēlas atrasties.

4. Iemācieties rīkoties ar datiem no dažādiem avotiem

Dati organizācijās nonāk no visiem virzieniem — no uzņēmuma iekšpuses, IoT ierīcēm un videonovērošanas sistēmām no malas, partneriem, klientiem, sociālajiem medijiem un tīmekļa. Simtiem no zettabaiti Vispasaules datu būs selektīvi jāpārvalda, jāaizsargā un jāoptimizē ērtai, produktīvai lietošanai.

Tas ir izaicinājums uzņēmumiem, kuri nav izstrādājuši datu vākšanas un datu pārvaldības sistēmas. Neatkarīgi no tā, no kurienes tiek iegūti dati, ir jābūt mehānismam to standartizēšanai, lai dati būtu izmantojami lielāka labuma gūšanai.

Dažādi uzņēmumi un dažādas valstis nosaka atšķirīgus noteikumus par to, ar ko un kā var dalīties ar informāciju. Pat atsevišķas viena uzņēmuma nodaļas var pārkāpt korporatīvās pārvaldības noteikumus, kas nosaka ceļus, kas jāievēro noteiktām datu kopām. Tas nozīmē datu piekļuves un izplatīšanas politikas ieviešanu. Lai izmantotu šīs datu iespējas, uzņēmumiem ir jāizstrādā ceļi jaunu datu kopu atklāšanai un jāievieš pārvaldības noteikumi to pārvaldībai.

Ražošanā uzņēmumi piegādes ķēdes līnijā mēra savu daļu un piegādātāju kvalitāti. Bieži vien to izmantotās iekārtas un robotika pieder piegādātājiem. Piegādātāji, iespējams, vēlēsies noslēgt līgumus, lai noskaidrotu, kam ir tiesības izmantot datus, lai aizsargātu savas uzņēmējdarbības intereses, un ražotājiem jau iepriekš ir jādefinē datu koplietošanas prasības ar saviem partneriem un piegādātājiem.

5. Iegūstiet stratēģiskas saistības no C-suite

Dati dod labumu daudziem organizācijas līmeņiem, un personas katrā no ietekmētajiem līmeņiem lobēs konkrētu datu vērtības procesa aspektu. Datu zinātnieki vēlas jaudīgāku, viegli lietojamu tehnoloģiju. Uzņēmējdarbības virzienu vadītāji cenšas iegūt labākus un ātrākus ieskatus. Piramīdas augšpusē atrodas C-suite, kas par prioritāti nosaka datu novirzīšanu biznesa vērtībā.

Ir ļoti svarīgi iesaistīt C līmeņa vadītājus ar holistisku datu stratēģiju. Galu galā, darot to pareizi, tas var traucēt. Lai no datiem iegūtu maksimālu vērtību, organizācijai ir jāpieņem darbā darbinieki ar jaunām prasmēm, jāpārveido kultūra, jāpārveido vecie procesi un jāpārveido vecā datu platforma. Tas ir transformācijas projekts, ko nevar īstenot, neiegūstot dalību uzņēmuma augstākajos līmeņos.

C-suite ir arvien atvērtāka, lai paplašinātu organizāciju datu izmantošanu. Saskaņā ar IDC ziņojumu “Market Analysis Perspective: Worldwide Data Integration and Intelligence Software, Worldwide Data Integration and Intelligence Software 2021.” Tajā pašā ziņojumā 83% vadītāju formulēja nepieciešamību vairāk izmantot datus nekā pirms pandēmijas.

Kā organizācijām jānodrošina, ka C-suite tiek iekļauta? Ja esat ieinteresētā persona bez C līmeņa titula, jūsu uzdevums ir sadarboties ar saviem vienaudžiem, lai atrastu izpildsponsoru, kas nodotu vēstījumu vadītājiem, kuri kontrolē lēmumu pieņemšanas procesu. Dati ir stratēģisks aktīvs, kas noteiks uzņēmuma panākumus ilgtermiņā, taču tas nenotiks bez apstiprinājumiem augstākajos līmeņos.

6. Dati, kuriem uzticamies: nodrošiniet, lai jūsu dati būtu nepārspējami

AI izvēršoties gandrīz visos mūsdienu dzīves aspektos, korumpētas vai kļūdainas AI prakses risks eksponenciāli palielinās. Tas ir saistīts ar AI modeļu apmācīšanai izmantoto datu kvalitāti. Kā tika iegūti dati? Vai tas bija balstīts uz bojātu sensoru? Vai datu kopā tika ģenerēta neobjektīva datu izcelsme? Vai dati tika atlasīti no vienas vietas, nevis no statistiski derīgas datu kopas?

Uzticams AI ir atkarīgs no uzticamu datu pieejamības, ko var izmantot, lai izveidotu pārredzamus, uzticamus, objektīvus un stabilus modeļus. Ja zināt, kā modelis tiek apmācīts, un jums ir aizdomas, ka iegūstat kļūdainus rezultātus, varat apturēt procesu un atkārtoti apmācīt modeli. Vai arī, ja kāds apšauba modeli, varat atgriezties un paskaidrot, kāpēc tika pieņemts konkrēts lēmums, taču jums ir jābūt tīriem, apstiprinātiem datiem, uz kuriem atsaukties.

Politikas uzraugi bieži vien lūdz valdībām atbalstīt to, kā tās izmanto AI, un pierādīt, ka viņu analīze nav balstīta uz neobjektīviem datiem. Izmantoto algoritmu derīgums ir izraisījis diskusijas par centieniem paļauties uz mašīnmācīšanos, lai vadītu sodu lēmumi un pieņemt lēmumus par labklājības pabalstu prasības vai citas valdības darbības.

Modeļa apmācība notiek soļos. Jūs veidojat modeli, pamatojoties uz datiem. Pēc tam pārbaudiet modeli un apkopojiet papildu datus, lai to pārbaudītu atkārtoti. Ja tas izdodas, jūs to pārvēršat par izturīgāku ražošanas modeli. Ceļojums turpinās, pievienojot vairāk datu, tos masējot un laika gaitā nosakot, vai jūsu modelis izturēs pārbaudi.

Pilnīgas sistēmas trūkums augstas kvalitātes datu nodrošināšanai un efektīvai to koplietošanai ir netieši aizkavējis mākslīgā intelekta ieviešanu. Saskaņā ar IDC , 52% aptaujas respondentu uzskata, ka datu kvalitātes, kvantitātes un piekļuves problēmas aizkavē AI izvietošanu.

7. Izmantojiet metadatu iespēju

Metadati tiek definēti eliptiski kā 'dati, kas sniedz informāciju par citiem datiem'. Tas nodrošina datiem kontekstu, kas lietotājiem ir nepieciešams, lai izprastu informācijas daļu, lai viņi varētu noteikt, ko ar to darīt turpmāk.

Metadatu standarti parasti tiek izmantoti nišas mērķiem, piemēram, specifiskām nozares lietojumprogrammām astronomiskie katalogi , vai datu tipiem, piemēram XML faili . Taču ir arī jārada stingrāka metadatu sistēma, kurā mēs varam ne tikai definēt datus parastajos veidos, bet arī atzīmēt noderīgus datu artefaktus visā to ceļā. Kur radās šī datu daļa? Kurš to ir skatījies? Kurš to ir izmantojis? Kam tas ir izmantots? Kurš ir pievienojis kādu datu kopas daļu? Vai dati ir pārbaudīti? Vai to ir aizliegts izmantot noteiktās situācijās?

Lai izstrādātu šāda veida metadatu mehānismu, ir nepieciešams tehnoloģiju slānis, kas ir atvērts to personu ieguldījumam, kuri skatās un pieskaras konkrētam datu vienumam. Tas prasa arī apņemšanos no plaša ieinteresēto personu loka, kas redz, cik vērtīga ir spēja stratēģiski un pārredzami koplietot datus.

Papildu atvērtā metadatu slāņa izveide būtu svarīgs solis ceļā uz to ļaujot demokratizēt piekļuvi datiem nodrošinot pārredzamu galveno datu atribūtu koplietošanu, kas nepieciešami piekļuvei, pārvaldībai, uzticībai un izcelsmei. Hewlett Packard Enterprise's pieeja datu telpām ir atvērt universālu metadatu standartu, kas novērstu pašreizējās sarežģītības, kas saistītas ar dažādu datu kopu koplietošanu.

8. Aptveriet kultūras nozīmi

Organizācijas vēlas pārliecināties, ka tās gūst maksimālu labumu no resursiem, ko tās baro, un, lai to paveiktu, tām ir jārada kultūras, kas veicina informācijas apmaiņas paraugpraksi.

Vai jums ir tvertnes? Vai jūsu organizācijā pastāv kultūras barjeras, kas traucē pareizi izplatīt informāciju pareizajos avotos un īstajā laikā? Vai dažādi departamenti uzskata, ka viņiem pieder viņu dati, un tiem nav jādalās tajos ar citiem organizācijas darbiniekiem? Vai personas uzkrāj vērtīgus datus? Vai esat iestatījis kanālus un procedūras, kas veicina nevainojamu datu koplietošanu? Vai esat demokratizējis piekļuvi datiem, sniedzot biznesa ieinteresētajām personām iespēju ne tikai pieprasīt datus, bet arī piedalīties vaicājumu un kopīgošanas praksē?

Ja kāds no šiem faktoriem bloķē brīvu datu apmaiņas plūsmu, jūsu organizācijai ir jāveic izmaiņu pārvaldības novērtējums, koncentrējoties uz tās vajadzībām starp cilvēkiem, procesiem un tehnoloģijām.

9. Atveriet lietas, bet neuzticieties nevienam

Visos uzņēmējdarbības aspektos organizācijas līdzsvaro bieži vien pretrunīgos jēdzienus, kas veicina brīvu un atklātu resursu koplietošanu un stingri kontrolētu drošību. Šī līdzsvara sasniegšana ir īpaši svarīga, strādājot ar datiem.

Dati ir jādalās, taču daudzi datu ražotāji to dara neērti, jo viņi baidās zaudēt kontroli un to, kā viņu dati var tikt izmantoti pret viņiem vai kā viņu dati var tikt mainīti vai izmantoti neatbilstoši.

Drošībai ir jābūt galvenajai prioritātei. Dati nāk no tik daudziem avotiem — dažus jūs kontrolējat, dažus nē, un tie tiek nodoti tik daudzās rokās. Tas nozīmē, ka drošības politikas attiecībā uz datiem ir jāizstrādā ar nulles uzticamības modeli katrā procesa posmā. Uzticība ir jāizveido visā kaudzē, sākot no jūsu infrastruktūras un operētājsistēmām līdz darba slodzei, kas atrodas šo sistēmu augšpusē, līdz pat silīcija līmenim.

10. Izveidot pilnībā funkcionējošu datu pakalpojumu cauruļvadu

Lai pārvietotu datus starp sistēmām, jāveic daudzas darbības, tostarp datu pārvietošana uz mākoni, to pārformatēšana un savienošana ar citiem datu avotiem. Katrai no šīm darbībām parasti ir nepieciešama atsevišķa programmatūra.

Datu cauruļvadu automatizācija ir kritiska paraugprakse datu ceļojumā. Pilnībā automatizēts datu cauruļvads ļauj organizācijām iegūt datus avotā, pārveidot tos izmantojamā formā un integrēt ar citiem avotiem.

Datu cauruļvads ir visu šo darbību summa, un tā uzdevums ir nodrošināt, ka šīs darbības tiek veiktas uzticami visiem datiem. Šiem procesiem jābūt automatizētiem, taču lielākajai daļai organizāciju ir nepieciešams vismaz viens vai divi inženieri, lai uzturētu sistēmas, labotu kļūdas un atjauninātu atbilstoši mainīgajām uzņēmuma vajadzībām.

Sāciet datu ceļojumu jau šodien

Tas, cik labi uzņēmumi izmantos savus datus, neatkarīgi no tā, kur tie atrodas, noteiks to panākumus turpmākajos gados. Zvaigznāju izpēte projekti 90% no pašreizējā Fortune 500 tiks apvienoti, iegādāti vai bankrotēs līdz 2050. gadam. Ja tie nesāksies tagad, tie tiks atstāti aiz muguras. Pulkstenis tikšķ.

Izlasiet oriģinālo rakstu par Enterprise.nxt .

Šo saturu veidoja Hewlett Packard Enterprise. To nav rakstījuši MIT Technology Review redakcijas darbinieki.

paslēpties