Få mest mulig ut av din datadrevne transformasjon: 10 nøkkelprinsipper

Levert av Hewlett Packard Enterprise

Betydningen av data for dagens virksomheter kan ikke overvurderes. Studier viser datadrevne selskaper er 58 % mer sannsynlig å slå inntektsmål enn ikke-datadrevne selskaper og 162 % større sannsynlighet for å overgå etternølere. Dataanalyse hjelper nesten halvparten av alle bedrifter ta bedre beslutninger om alt, fra produktene de leverer til markedene de retter seg mot. Data blir kritiske i alle bransjer, enten det er å hjelpe gårder øke verdien av avlingene de produserer eller grunnleggende endre basketballspillet .

Brukt optimalt er data intet mindre enn en kritisk viktig ressurs. Problemet er at det ikke alltid er lett å sette data i arbeid. De Seagate Rethink Data-rapport , med forskning og analyse fra IDC, fant at bare 32 % av dataene som er tilgjengelige for bedrifter noen gang blir brukt, og de resterende 68 % blir ubelånte. Ledere er ikke helt sikre i deres nåværende evne – heller ikke i deres langsiktige planer – til å vri optimale verdinivåer ut av dataene de produserer, anskaffer, administrerer og bruker.

Hva er frakoblingen? Hvis data er så viktig for en bedrifts helse, hvorfor er det så vanskelig å mestre?

I de best drevne selskapene er systemene som forbinder dataprodusenter og dataforbrukere sikre og enkle å implementere. Men det er de vanligvis ikke. Bedrifter utfordres med å finne data og utnytte dem til strategiske formål. Datakilder er vanskelige å identifisere og enda vanskeligere å evaluere. Datasett som brukes til å trene AI-modeller for automatisering av oppgaver kan være vanskelig å validere. Hackere er alltid ute etter å stjele eller kompromittere data. Og å finne kvalitetsdata er en utfordring for selv de mest kunnskapsrike dataforskerne.

Mangelen på et ende-til-ende-system for å sikre data av høy kvalitet og dele dem effektivt har indirekte forsinket bruken av AI .

Kommunikasjonshull kan også avspore prosessen med å levere effektfull innsikt. Ledere som finansierer dataprosjekter og dataingeniørene og forskerne som utfører dem forstår ikke alltid hverandre. Disse datautøverne kan lage en detaljert plan, men hvis utøveren ikke rammer inn resultatene riktig, kan bedriftslederen som ba om dem si at de var på utkikk etter noe annet. Prosjektet vil bli stemplet som en fiasko, og sjansen til å generere verdi ut av innsatsen vil falle fra veien.

Bedrifter møter dataproblemer, uansett hvor de er når det gjelder datamodenhet. De prøver å finne ut måter å gjøre data til en viktig del av fremtiden deres, men de sliter med å sette planene ut i livet.

Hvis du er i denne posisjonen, hva gjør du?

Bedrifter befant seg på et lignende vendepunkt tilbake på 2010-tallet, og prøvde å sortere ut plassene sine i skyen. De brukte mange år på å utvikle skystrategiene sine, planlegge skymigrasjonene, velge plattformer, opprette Cloud Business-kontorer og strukturere organisasjonene sine for best mulig utnyttelse av skybaserte muligheter. I dag høster de fordelene: Flyttene deres til skyen har gjort det mulig for dem å modernisere appene og IT-systemene sine.

Bedrifter må nå ta lignende beslutninger om data. De må vurdere mange faktorer for å sikre at data gir et grunnlag for virksomheten deres fremover. De bør stille spørsmål som:

• Er dataene virksomheten trenger lett tilgjengelig?
• Hvilke typer datakilder trengs? Er det distribuerte og mangfoldige sett med data du ikke kjenner til?
• Er dataene rene, oppdaterte, pålitelige og i stand til å integreres med eksisterende systemer?
• Er resten av C-nivået med på datasjefens tilnærming?
• Kommuniserer dataforskere og sluttbrukere effektivt om hva som trengs og hva som leveres?
• Hvordan deles data?
• Hvordan kan jeg stole på dataene mine?
• Har alle personer og organisasjoner som trenger tilgang til dataene rett til å bruke dem?

Dette handler om mer enn bare business intelligence. Det handler om å utnytte en mulighet som tar form. Databruken eksploderer, verktøy for å utnytte den blir mer effektive, og dataforskeres ekspertise vokser. Men data er vanskelig å mestre. Mange selskaper er ikke satt opp for å gjøre best mulig bruk av dataene de har for hånden. Bedrifter må gjøre investeringer i menneskene, prosessene og teknologiene som vil drive sine datastrategier .

Med alt dette i tankene, er her 10 prinsipper bedrifter bør følge når de utvikler sine datastrategier:

1. Forstå hvor verdifulle dataene dine egentlig er

Hvor mye er dataene dine verdt for deg? Dette kan måles på flere måter. Det er tradisjonelle beregninger å vurdere, for eksempel kostnadene ved å anskaffe dataene, kostnadene for å lagre og overføre dem, det unike ved dataene som innhentes, og muligheten til å bruke dem til å generere ekstra inntekter. Markedsplassberegninger påvirker verdien av dataene, for eksempel datakvalitet, alder på dataene og populariteten til et dataprodukt.

Dataene dine kan også være verdifulle for andre. Anta for eksempel at et sykehus samler inn pasientdatasett som kan generere verdi for dataene dine. I så fall kan disse dataene være av interesse for sykdomsforskere, legemiddelprodusenter, forsikringsselskaper og andre potensielle kjøpere. Er det en mekanisme på plass for å anonymisere, samle, kontrollere og identifisere potensielle brukere av dataene dine?

Mulighet, balansert med kostnadene det tar å levere på dem, er en måte å bestemme den potensielle verdien av dataene dine.

2. Bestem hva som gjør data verdifull

Selv om det kan være vanskelig å sette en faktisk dollarverdi på dataene dine, er det lettere å definere elementene som bidrar til at data har en høy grad av verdi. Det kan reduseres til en enkel tankelikning:

Fullstendighet + Validitet = Kvalitet

Kvalitet + Format = Brukervennlighet

Brukbare data + en datautøver som bruker det godt = VERDI

Dataprosjektet ditt kan ikke fortsette uten gode data. Er kvaliteten på dataene dine høy nok til å være verdt det? Det vil delvis avhenge av hvor komplett prøven du har samlet inn. Mangler datafelter? Kvalitet avhenger også av hvor gyldig informasjonen er. Ble det samlet inn fra en pålitelig kilde? Er dataene aktuelle, eller har tiden svekket gyldigheten? Samler og lagrer du dataene dine i samsvar med industri- og sektorontologier og standarder?

Dataene dine må være brukbare for at de skal være investeringsverdige. Å sette opp systemer for datautøvere til å bruke og analysere dataene godt og koble dem med bedriftsledere som kan utnytte innsikten, lukker løkken.

3. Fastslå hvor du er på datareisen

Å posisjonere en bedrift for å dra full nytte av cloud computing er en reise. Den samme tankegangen bør gjelde for data.

Beslutningene bedrifter tar om datastrategiene deres avhenger i stor grad av hvor de tilfeldigvis befinner seg på datareisene sine. Hvor langt er du på datareisen din? Vurderingsverktøy og tegninger kan hjelpe bedrifter med å finne sine posisjoner. Vurderinger bør gå utover å identifisere hvilke verktøy som er i en bedrifts teknologistabel. De bør se på hvordan data behandles på tvers av en organisasjon på mange måter, tatt i betraktning styring, livssyklusadministrasjon, sikkerhet, inntak og prosessering, dataarkitektur, forbruk og distribusjon, datakunnskap og datainntektsgenerering.

Forbruk og distribusjon alene kan måles i form av en organisasjons evne til å bruke tjenester som spenner fra business intelligence til streaming av data til selvbetjente applikasjoner av dataanalyse. Har selskapet implementert støtte for databruk av individuelle personas? Støtter den individuelle APIer? Ser vi på datakunnskap som en kategori, hvor avanserte er selskapets dataordbøker, forretningsordlister, kataloger og masterdataadministrasjonsplaner?

Å skåre hvert sett med evner avslører et selskaps styrker og svakheter når det gjelder databeredskap. Før selskapet tar en nærmere titt, er det kanskje ikke klar over hvor nært eller langt det er der det trenger eller ønsker å være.

4. Lær å håndtere data fra ulike kilder

Data kommer inn i organisasjoner fra alle retninger – fra innsiden av selskapet, IoT-enheter og videoovervåkingssystemer på kanten, partnere, kunder, sosiale medier og nettet. De hundrevis av zettabyte av verdensomspennende data vil måtte administreres, beskyttes og optimaliseres selektivt for praktisk, produktiv bruk.

Dette er en utfordring for virksomheter som ikke har utviklet systemer for datainnsamling og datastyring. Uansett hvor dataene kommer fra, må det være en mekanisme for å standardisere dem slik at dataene kan brukes til en større fordel.

Ulike selskaper og ulike land pålegger ulike regler for hva og hvordan informasjon kan deles. Til og med individuelle avdelinger i samme selskap kan gå i konflikt med regler for selskapsstyring som utpeker banene enkelte datasett må følge. Det betyr å håndheve retningslinjer for datatilgang og distribusjon. For å gripe disse datamulighetene, må bedrifter utvikle veier for å oppdage nye datasett og pålegge styringsregler for å administrere dem.

I produksjon måler selskaper på en forsyningskjede-linje kvaliteten på delene og leverandører. Ofte eies maskineriet og robotikken de bruker av leverandørene. Leverandører vil kanskje sette opp kontrakter for å se hvem som har rett til å bruke data for å beskytte sine egne forretningsinteresser, og produsenter bør definere sine datadelingskrav med partnere og leverandører på forhånd.

5. Få en strategisk forpliktelse fra C-suiten

Data er til fordel for mange nivåer i en organisasjon, og personas på hvert av de berørte nivåene vil lobbye for et bestemt aspekt av dataverdiprosessen. Dataforskere ønsker mer kraftfull, brukervennlig teknologi. Bransjeledere presser på for bedre og raskere innsikt. På toppen av pyramiden er C-suiten, som prioriterer kanalisering av data til forretningsverdi.

Det er avgjørende å få ledere på C-nivå om bord med en helhetlig datastrategi. Å gjøre det riktig kan tross alt være forstyrrende. Å hente ut maksimal verdi fra data krever at en organisasjon ansetter ansatte med nye ferdighetssett, justerer kulturen sin, omkonstruerer gamle prosesser og rearkitekterer den gamle dataplattformen. Det er et transformasjonsprosjekt som ikke kan gjennomføres uten å få buy-in fra de øverste nivåene i et selskap.

C-suiten er i økende grad åpen for å utvide organisasjoners bruk av data. Ved siden av kundeengasjement er det nest høyeste strategiske interesseområdet på styrenivå å utnytte data og forbedre beslutningstaking for å forbli konkurransedyktig og utnytte endrede markedsforhold, ifølge IDC-rapporten 'Market Analysis Perspective: Worldwide Data Integration and Intelligence Software, 2021.' I den samme rapporten artikulerte 83 % av lederne behovet for å være mer datadrevet enn før pandemien.

Hvordan bør organisasjoner sikre at C-suiten kommer om bord? Hvis du er en interessent uten en tittel på C-nivå, er jobben din å samarbeide med jevnaldrende for å finne en utøvende sponsor for å bringe budskapet til ledere som kontrollerer beslutningsprosessen. Data er en strategisk ressurs som vil avgjøre et selskaps suksess i det lange løp, men det vil ikke skje uten påtegninger på de høyeste nivåene.

6. På data vi stoler på: Sørg for at dataene dine er upåklagelig

Ettersom AI utvides til nesten alle aspekter av det moderne livet, øker risikoen for korrupte eller feilaktige AI-praksis eksponentielt. Dette kommer ned til kvaliteten på dataene som brukes til å trene AI-modellene. Hvordan ble dataene produsert? Var det basert på en defekt sensor? Ble det generert et partisk dataopprinnelse i datasettet? Kom utvalget av data fra ett sted i stedet for et statistisk gyldig sett med data?

Pålitelig AI er avhengig av å ha pålitelige data som kan brukes til å bygge transparente, pålitelige, objektive og robuste modeller. Hvis du vet hvordan en modell er opplært og du mistenker at du får feil resultater, kan du stoppe prosessen og trene modellen på nytt. Eller, hvis noen stiller spørsmål ved modellen, kan du gå tilbake og forklare hvorfor en bestemt beslutning ble tatt, men du må ha rene, validerte data å referere til.

Regjeringer blir ofte bedt av politiske vakthunder om å støtte hvordan de bruker kunstig intelligens og å bevise at analysene deres ikke er bygd på partiske data. Gyldigheten av algoritmene som brukes har utløst debatter om innsats for å stole på maskinlæring for å veilede straffeutmålingsvedtak og ta avgjørelser om krav på velferdsstønad eller annen statlig virksomhet.

Opplæringen av modellen skjer i trinn. Du bygger en modell basert på data. Deretter tester du modellen og samler inn ytterligere data for å teste den på nytt. Går den gjennom, gjør du den om til en mer robust produksjonsmodell. Reisen fortsetter ved å legge til flere data, massere dem og over tid fastslå om modellen din tåler gransking.

Mangelen på et ende-til-ende-system for å sikre data av høy kvalitet og dele dem effektivt har indirekte forsinket bruken av AI. I følge IDC , 52 % av respondentene i undersøkelsen mener at datakvalitet, kvantitet og tilgangsutfordringer holder opp AI-distribusjon.

7. Utnytt metadatamuligheten

Metadata er definert elliptisk som 'data som gir informasjon om andre data.' Det er det som gir data konteksten som brukere trenger for å forstå en del av informasjonens egenskaper, slik at de kan bestemme hva de skal gjøre med den i fremtiden.

Metadatastandarder brukes ofte for nisjeformål, spesifikke industriapplikasjoner som astronomiske kataloger , eller datatyper som XML-filer . Men det må også argumenteres for et sterkere metadatarammeverk der vi ikke bare kan definere data på vanlige måter, men også merke nyttige dataartefakter langs reisen. Hvor stammer denne dataen fra? Hvem har sett den? Hvem har brukt det? Hva har den blitt brukt til? Hvem har lagt til hvilken del av datasettet? Er dataene verifisert? Er det forbudt å bruke det i visse situasjoner?

Å utvikle denne typen metadatamekanismer krever et teknologilag som er åpent for bidrag fra de som ser på og berører et bestemt datastykke. Det krever også et engasjement fra brede sett av interessenter som ser verdien av å kunne dele data strategisk og transparent.

Å lage et ekstra åpent metadatalag ville være et viktig skritt mot tillater demokratisering av tilgang til dataene ved å muliggjøre transparent deling av nøkkeldataattributter som er nødvendige for tilgang, styring, tillit og avstamning. Hewlett Packard Enterprise tilnærming til datarom er å åpne opp en universell metadatastandard som vil fjerne den nåværende kompleksiteten knyttet til deling av forskjellige datasett.

8. Omfavn viktigheten av kultur

Organisasjoner vil sørge for at de får mest mulig ut av ressursene de gir næring – og for å gjøre det, må de skape kulturer som fremmer beste praksis for informasjonsdeling.

Har du siloer? Er det kulturelle barrierer i organisasjonen din som står i veien for riktig formidling av informasjon til de riktige kildene til rett tid? Føler ulike avdelinger at de eier dataene sine og ikke trenger å dele dem med andre i organisasjonen? Lagrer enkeltpersoner verdifulle data? Har du satt opp kanaler og prosedyrer som fremmer friksjonsfri datadeling? Har du demokratisert tilgang til data, noe som gir virksomhetens interessenter muligheten til ikke bare å be om data, men delta i spørring og delingspraksis?

Hvis noen av disse faktorene blokkerer den frie flyten av datautveksling, må organisasjonen din gjennomgå en endringsstyringsvurdering med fokus på behovene på tvers av mennesker, prosesser og teknologi.

9. Åpne ting, men stol på ingen

I alle aspekter av virksomheten balanserer organisasjoner de ofte motstridende konseptene om å fremme fri og åpen deling av ressurser og tett kontrollert sikkerhet. Å oppnå denne balansen er spesielt viktig når du arbeider med data.

Data må deles, men mange dataprodusenter er ukomfortable med å gjøre det fordi de frykter tap av kontroll og hvordan dataene deres kan brukes mot dem, eller hvordan dataene deres kan endres eller brukes på upassende måte.

Sikkerhet må være en topp prioritet. Data kommer fra så mange kilder – noen kontrollerer du, andre gjør du ikke – og sendes gjennom så mange hender. Det betyr at sikkerhetspolicyer rundt data må utformes med en null-tillit-modell gjennom hvert trinn i prosessen. Tillit må etableres gjennom hele stabelen, fra infrastrukturen og operativsystemene til arbeidsbelastningene som sitter på toppen av disse systemene, helt ned til silisiumnivået.

10. Lag en fullt fungerende datatjenestepipeline

Flytting av data mellom systemer krever mange trinn, inkludert flytting av data til skyen, formatering av data og sammenføyning med andre datakilder. Hvert av disse trinnene krever vanligvis separat programvare.

Automatisering av datapipelines er en kritisk beste praksis i datareisen. En helautomatisert datapipeline lar organisasjoner trekke ut data ved kilden, transformere dem til en brukbar form og integrere dem med andre kilder.

Datapipelinen er summen av alle disse trinnene, og dens jobb er å sikre at disse trinnene skjer pålitelig med alle data. Disse prosessene bør automatiseres, men de fleste organisasjoner trenger minst én eller to ingeniører for å vedlikeholde systemene, reparere feil og oppdatere i henhold til endrede behov til virksomheten.

Begynn datareisen i dag

Hvor godt selskaper utnytter dataene sine – uansett hvor de bor – vil avgjøre suksessen i årene som kommer. Konstellasjonsforskning prosjekter 90 % av dagens Fortune 500 vil bli slått sammen, kjøpt opp eller konkurs innen 2050. Hvis de ikke starter nå, blir de etterlatt. Klokka tikker.

Les originalartikkelen på Enterprise.nxt .

Dette innholdet ble produsert av Hewlett Packard Enterprise. Den ble ikke skrevet av MIT Technology Reviews redaksjon.

gjemme seg