211service.com
Bygga en högpresterande data- och AI-organisation
I samarbete med Databricks
CxOs och styrelser inser att deras organisations förmåga att generera handlingsbara insikter från data, ofta i realtid, är av högsta strategiska betydelse. Om det fanns några tvivel om detta, har konsumenternas snabbare flykt till digitalt under det senaste krisåret skingrat dem. För att hjälpa dem att bli datadrivna implementerar företag alltmer avancerade molnbaserade teknologier, inklusive analysverktyg med maskininlärning (ML). Vad dessa verktyg levererar kommer dock att vara av begränsat värde utan riklig, högkvalitativ och lättillgänglig data.
Bygga en högpresterande data- och AI-organisation
I detta sammanhang är effektiv datahantering en av grunderna för en datadriven organisation. Men att hantera data i ett företag är mycket komplext. När ny datateknik kommer i drift, växer bördan av äldre system och datasilos, såvida de inte kan integreras eller avgränsas.
Fragmentering av arkitektur är en huvudvärk för många dataansvariga (CDO), inte bara på grund av silos utan också på mångfalden av lokala och molnbaserade verktyg som många organisationer använder. Tillsammans med dålig datakvalitet berövar dessa problem organisationers dataplattformar – och maskininlärnings- och analysmodellerna de stödjer – den hastighet och skala som krävs för att leverera de önskade affärsresultaten.
För att förstå hur datahantering och den teknik den förlitar sig på utvecklas mitt i sådana utmaningar, undersökte MIT Technology Review Insights 351 CDO:er, chief analytics officers, chief information officers (CIOs), chief technology officers (CTOs) och andra seniora teknikledare. Vi genomförde även djupintervjuer med flera andra seniora teknikledare. Här är de viktigaste resultaten:
- Bara 13 % av organisationerna utmärker sig på att leverera på sin datastrategi. Denna utvalda grupp av högpresterande levererar mätbara affärsresultat i hela företaget. De lyckas tack vare deras uppmärksamhet på grunderna för sund datahantering och arkitektur, vilket gör det möjligt för dem att demokratisera data och hämta värde från maskininlärning.
- Teknikaktiverat samarbete skapar en fungerande datakultur. De CDO:er som intervjuats för studien lägger stor vikt vid att demokratisera analys och ML-kapacitet. Att driva dessa till kanten med avancerad datateknik kommer att hjälpa slutanvändare att fatta mer välgrundade affärsbeslut – kännetecknen för en stark datakultur.
- ML:s verksamhetspåverkan begränsas av svårigheter att hantera dess livscykel från slut till slut. Att skala ML-användningsfall är oerhört komplicerat för många organisationer. Den största utmaningen, enligt 55 % av de tillfrågade, är bristen på en central plats för att lagra och upptäcka ML-modeller.
- Företag söker molnbaserade plattformar som stöder datahantering, analys och maskininlärning. Organisationers främsta dataprioriteringar under de kommande två åren delas in i tre områden, alla med stöd av ett bredare antagande av molnplattformar: förbättra datahantering, förbättra dataanalys och ML, och utöka användningen av alla typer av företagsdata, inklusive streaming och ostrukturerad data .
- Öppna standarder är de främsta kraven för framtida dataarkitekturstrategier. Om respondenterna kunde bygga en ny dataarkitektur för sin verksamhet skulle den mest kritiska fördelen jämfört med den befintliga arkitekturen vara en större omfamning av öppen källkodsstandarder och öppna dataformat.
Detta innehåll producerades av Insights, den anpassade innehållsdelen av MIT Technology Review. Den skrevs inte av MIT Technology Reviews redaktion.