211service.com
Bygge en data- og AI-organisasjon med høy ytelse
I samarbeid med Databricks
CxOs og styrer erkjenner at deres organisasjons evne til å generere handlingskraftig innsikt fra data, ofte i sanntid, er av høyeste strategiske betydning. Hvis det var noen tvil om dette, har forbrukernes akselererte flukt til digitalt det siste kriseåret fjernet dem. For å hjelpe dem med å bli datadrevne, implementerer bedrifter stadig mer avanserte skybaserte teknologier, inkludert analyseverktøy med maskinlæringsfunksjoner (ML). Hva disse verktøyene leverer, vil imidlertid være av begrenset verdi uten rikelig, høykvalitets og lett tilgjengelig data.
Bygge en data- og AI-organisasjon med høy ytelse
I denne sammenhengen er effektiv datahåndtering et av grunnlaget for en datadrevet organisasjon. Men å administrere data i en bedrift er svært kompleks. Etter hvert som nye datateknologier kommer i produksjon, øker byrden av eldre systemer og datasiloer, med mindre de kan integreres eller avgrenses.
Fragmentering av arkitektur er en hodepine for mange dataansvarlige (CDO), ikke bare på grunn av siloer, men også på grunn av mangfoldet av lokale og skybaserte verktøy mange organisasjoner bruker. Sammen med dårlig datakvalitet fratar disse problemene organisasjoners dataplattformer – og maskinlærings- og analysemodellene de støtter – hastigheten og skalaen som trengs for å levere de ønskede forretningsresultatene.
For å forstå hvordan dataadministrasjon og teknologiene den er avhengig av utvikler seg midt i slike utfordringer, undersøkte MIT Technology Review Insights 351 CDOer, chief analytics officers, chief information officers (CIOs), chief technology officers (CTOs) og andre senior teknologiledere. Vi har også gjennomført dybdeintervjuer med flere andre senior teknologiledere. Her er de viktigste funnene:
- Bare 13 % av organisasjonene utmerker seg med å levere datastrategien sin. Denne utvalgte gruppen av høypresterende leverer målbare forretningsresultater på tvers av bedriften. De lykkes takket være deres oppmerksomhet på grunnlaget for god dataadministrasjon og arkitektur, som gjør dem i stand til å demokratisere data og hente verdi fra maskinlæring.
- Teknologiaktivert samarbeid skaper en fungerende datakultur. CDOene som ble intervjuet for studien, legger stor vekt på å demokratisere analyser og ML-evner. Å presse disse til kanten med avansert datateknologi vil hjelpe sluttbrukere til å ta mer informerte forretningsbeslutninger – kjennetegnene på en sterk datakultur.
- MLs virksomhetspåvirkning begrenses av vanskeligheter med å administrere ende-til-ende-livssyklusen. Skalering av ML-brukstilfeller er ekstremt komplisert for mange organisasjoner. Den viktigste utfordringen, ifølge 55 % av respondentene, er mangelen på et sentralt sted å lagre og oppdage ML-modeller.
- Bedrifter søker skybaserte plattformer som støtter dataadministrasjon, analyse og maskinlæring. Organisasjoners toppdataprioriteringer i løpet av de neste to årene faller inn i tre områder, alle støttet av bredere bruk av skyplattformer: forbedre dataadministrasjon, forbedre dataanalyse og ML, og utvide bruken av alle typer bedriftsdata, inkludert strømming og ustrukturerte data .
- Åpne standarder er de viktigste kravene til fremtidige dataarkitekturstrategier. Hvis respondentene kunne bygge en ny dataarkitektur for virksomheten sin, ville den mest kritiske fordelen fremfor den eksisterende arkitekturen være en større omfavnelse av åpen kildekode-standarder og åpne dataformater.
Dette innholdet ble produsert av Insights, den tilpassede innholdsarmen til MIT Technology Review. Den ble ikke skrevet av MIT Technology Reviews redaksjon.