Få ut det mesta av din datadrivna transformation: 10 nyckelprinciper

Tillhandahålls av Hewlett Packard Enterprise

Vikten av data för dagens företag kan inte överskattas. Studier visar datadrivna företag är 58 % mer benägna att slå intäktsmål än icke-datadrivna företag och 162 % mer benägna att avsevärt överträffa eftersläpande. Dataanalys hjälper nästan hälften av alla företag fatta bättre beslut om allt, från de produkter de levererar till de marknader de riktar sig till. Data blir kritiska i alla branscher, oavsett om det är att hjälpa gårdar öka värdet på de grödor de producerar eller i grunden förändra basketspelet .

Används optimalt är data inget mindre än en kritiskt viktig tillgång. Problemet är att det inte alltid är lätt att få data att fungera. De Seagate Rethink Data-rapport , med forskning och analys av IDC, fann att endast 32 % av den information som är tillgänglig för företag någonsin används och de återstående 68 % går utan hävstång. Chefer är inte helt självsäkra i sin nuvarande förmåga – inte heller i sina långsiktiga planer – att vrida ut optimala värdenivåer ur den data de producerar, förvärvar, hanterar och använder.

Vad är frånkopplingen? Om data är så viktigt för ett företags hälsa, varför är det så svårt att bemästra?

I de bäst drivna företagen är systemen som kopplar samman dataproducenter och datakonsumenter säkra och enkla att implementera. Men det är de oftast inte. Företag utmanas med att hitta data och utnyttja den för strategiska syften. Datakällor är svåra att identifiera och ännu svårare att utvärdera. Datauppsättningar som används för att träna AI-modeller för automatisering av uppgifter kan vara svåra att validera. Hackare är alltid ute efter att stjäla eller kompromissa med data. Och att hitta kvalitetsdata är en utmaning för även de mest kunniga dataforskarna.

Avsaknaden av ett heltäckande system för att säkerställa data av hög kvalitet och dela dem effektivt har indirekt försenat införandet av AI .

Kommunikationsluckor kan också störa processen för att leverera effektfulla insikter. Chefer som finansierar dataprojekt och dataingenjörer och forskare som genomför dem förstår inte alltid varandra. Dessa datautövare kan skapa en detaljerad plan, men om utövaren inte ramar in resultaten ordentligt kan den företagsledare som begärde dem säga att de letade efter något annat. Projektet kommer att betecknas som ett misslyckande, och chansen att generera värde ur ansträngningen kommer att försvinna.

Företag stöter på dataproblem, oavsett var de befinner sig när det gäller datamognad. De försöker komma på sätt att göra data till en viktig del av sin framtid, men de kämpar för att omsätta planer i praktiken.

Om du är i den här positionen, vad gör du?

Företag befann sig vid en liknande brytpunkt på 2010-talet och försökte reda ut sina platser i molnet. De tog åratal på att utveckla sina molnstrategier, planera sina molnmigreringar, välja plattformar, skapa Cloud Business Offices och strukturera sina organisationer för att på bästa sätt dra fördel av molnbaserade möjligheter. Idag skördar de fördelarna: Deras flytt till molnet har gjort det möjligt för dem att modernisera sina appar och IT-system.

Företag måste nu fatta liknande beslut om data. De måste överväga många faktorer för att se till att data utgör en grund för deras verksamhet framöver. De bör ställa frågor som:

• Är den data som företaget behöver lätt tillgänglig?
• Vilka typer av datakällor behövs? Finns det distribuerade och olika uppsättningar data som du inte känner till?
• Är data ren, aktuell, tillförlitlig och kan integreras med befintliga system?
• Är resten av C-nivån med på datachefens tillvägagångssätt?
• Kommunicerar datavetare och slutanvändare effektivt om vad som behövs och vad som levereras?
• Hur delas data?
• Hur kan jag lita på min data?
• Har varje person och organisation som behöver tillgång till uppgifterna rätt att använda den?

Det här handlar om mer än bara business intelligence. Det handlar om att ta vara på en möjlighet som håller på att ta form. Dataanvändningen exploderar, verktyg för att utnyttja den blir mer effektiva och datavetares expertis växer. Men data är svårt att bemästra. Många företag är inte inrättade för att utnyttja den data de har till hands på bästa sätt. Företag måste göra investeringar i de människor, processer och tekniker som kommer att göra det driva sina datastrategier .

Med allt detta i åtanke, här är 10 principer som företag bör följa när de utvecklar sina datastrategier:

1. Förstå hur värdefull din data verkligen är

Hur mycket är din data värd för dig? Detta kan mätas på flera sätt. Det finns traditionella mätvärden att ta hänsyn till, såsom kostnaderna för att skaffa data, kostnaden för att lagra och överföra den, det unika med den data som förvärvas och möjligheten att använda den för att generera ytterligare intäkter. Mätvärden för marknadsplats påverkar värdet av datan, som datakvalitet, datas ålder och popularitet för en dataprodukt.

Din data kan också vara värdefull för andra. Anta till exempel att ett sjukhus samlar in patientdatauppsättningar som kan generera värde för dina data. I så fall kan den informationen vara av intresse för sjukdomsforskare, läkemedelstillverkare, försäkringsbolag och andra potentiella köpare. Finns det en mekanism på plats för att anonymisera, sammanställa, kontrollera och identifiera potentiella användare av din data?

Möjlighet, balanserad med kostnaden det tar att leverera på den, är ett sätt att fastställa det potentiella värdet av din data.

2. Bestäm vad som gör data värdefull

Även om det kan vara svårt att sätta ett verkligt dollarvärde på din data, är det lättare att definiera de element som bidrar till att data har en hög grad av värde. Det kan reduceras till en enkel tankeekvation:

Fullständighet + Giltighet = Kvalitet

Kvalitet + Format = Användbarhet

Användbar data + en datautövare som använder det väl = VÄRDE

Ditt dataprojekt kan inte fortsätta utan bra data. Är kvaliteten på din data tillräckligt hög för att vara lönsam? Det beror delvis på hur komplett provet är som du har samlat in. Saknas datafält? Kvalitet beror också på hur giltig informationen är. Har det samlats in från en pålitlig källa? Är data aktuell, eller har tiden försämrat dess giltighet? Samlar och lagrar du dina data i enlighet med industri- och sektorontologier och standarder?

Din data måste vara användbar för att den ska vara värd att investera. Att sätta upp system för datautövare att använda och analysera data väl och koppla ihop dem med företagsledare som kan dra nytta av insikterna stänger slingan.

3. Fastställ var du befinner dig på din dataresa

Att positionera ett företag för att dra full nytta av cloud computing är en resa. Samma tankesätt bör gälla för data.

Vilka beslut företag fattar om sina datastrategier beror till stor del på var de råkar vara på sina dataresor. Hur långt är du på din dataresa? Bedömningsverktyg och ritningar kan hjälpa företag att fastställa sina positioner. Bedömningar bör gå längre än att identifiera vilka verktyg som finns i ett företags teknologistack. De bör titta på hur data behandlas i en organisation på många sätt, med hänsyn till styrning, livscykelhantering, säkerhet, intag och bearbetning, dataarkitekturer, konsumtion och distribution, datakunskap och monetarisering av data.

Enbart konsumtion och distribution kan mätas i termer av en organisations förmåga att tillämpa tjänster som sträcker sig från business intelligence till strömmande data till självbetjäningsapplikationer för dataanalys. Har företaget implementerat stöd för dataanvändning av enskilda personer? Stöder den individuella API:er? Om man tittar på datakunskap som en kategori, hur avancerade är företagets dataordböcker, affärsordlistor, kataloger och masterdatahanteringsplaner?

Att poängsätta varje uppsättning förmågor avslöjar ett företags styrkor och svagheter när det gäller databeredskap. Tills företaget tar en närmare titt kanske det inte inser hur nära eller långt det är från där det behöver eller vill vara.

4. Lär dig att hantera data från olika källor

Data kommer in till organisationer från alla håll – inifrån företaget, IoT-enheter och videoövervakningssystem i kanten, partners, kunder, sociala medier och webben. De hundratals zettabyte av världsomspännande data måste selektivt hanteras, skyddas och optimeras för bekväm, produktiv användning.

Detta är en utmaning för företag som inte har utvecklat system för datainsamling och datastyrning. Vart informationen än kommer ifrån behöver det finnas en mekanism för att standardisera den så att informationen kan användas till större nytta.

Olika företag och olika länder ställer olika regler för vad och hur information kan delas. Till och med enskilda avdelningar inom samma företag kan stöta på bolagsstyrningsregler som anger de vägar som vissa datauppsättningar måste följa. Det innebär att upprätthålla policyer för dataåtkomst och distribution. För att ta vara på dessa datamöjligheter måste företag utforma vägar för att upptäcka nya datauppsättningar och införa styrningsregler för att hantera dem.

Inom tillverkning mäter företag i en leveranskedja kvaliteten på sina delar och leverantörer. Ofta ägs maskineriet och robotiken de använder av leverantörerna. Leverantörer kanske vill upprätta kontrakt för att se vem som har rätt att använda data för att skydda sina egna affärsintressen, och tillverkare bör definiera sina krav på datadelning med sina partners och leverantörer i förväg.

5. Få ett strategiskt åtagande från C-suiten

Data gynnar många nivåer i en organisation, och personas på var och en av de berörda nivåerna kommer att lobba för en viss aspekt av datavärdeprocessen. Dataforskare vill ha mer kraftfull, lättanvänd teknik. Branschledare strävar efter bättre, snabbare insikter. Överst i pyramiden finns C-suiten, som prioriterar kanalisering av data till affärsvärde.

Det är avgörande att få med chefer på C-nivå med en holistisk datastrategi. Att göra det rätt kan trots allt vara störande. Att utvinna maximalt värde från data kräver att en organisation anställer personal med nya färdigheter, anpassar sin kultur, omarbetar gamla processer och omarbetar den gamla dataplattformen. Det är ett transformationsprojekt som inte kan genomföras utan att få inköp från de högsta nivåerna i ett företag.

C-suiten är alltmer öppen för att utöka organisationers användning av data. Utöver kundernas engagemang är det näst högsta strategiska intresseområdet på styrelsenivå att utnyttja data och förbättra beslutsfattandet för att förbli konkurrenskraftigt och utnyttja förändrade marknadsförhållanden, enligt IDC-rapporten 'Market Analysis Perspective: Worldwide Data Integration and Intelligence Software, 2021.' I samma rapport uttryckte 83 % av cheferna behovet av att vara mer datadriven än före pandemin.

Hur ska organisationer säkerställa att C-suiten kommer ombord? Om du är en intressent utan en titel på C-nivå, är ditt jobb att arbeta med dina kamrater för att hitta en verkställande sponsor för att föra budskapet till ledare som kontrollerar beslutsprocessen. Data är en strategisk tillgång som kommer att avgöra ett företags framgång på lång sikt, men det kommer inte att ske utan rekommendationer på högsta nivå.

6. På data vi litar på: Se till att din data är oöverskådlig

När AI expanderar till nästan alla aspekter av det moderna livet ökar riskerna för korrupta eller felaktiga AI-metoder exponentiellt. Detta beror på kvaliteten på den data som används för att träna AI-modellerna. Hur producerades uppgifterna? Var det baserat på en felaktig sensor? Genererades det ett partiskt dataursprung i datamängden? Kom urvalet av data från en plats istället för en statistiskt giltig datauppsättning?

Pålitlig AI är beroende av att ha pålitlig data som kan användas för att bygga transparenta, pålitliga, opartiska och robusta modeller. Om du vet hur en modell tränas och du misstänker att du får felaktiga resultat, kan du stoppa processen och träna om modellen. Eller, om någon ifrågasätter modellen, kan du gå tillbaka och förklara varför ett visst beslut togs, men du måste ha rena, validerade data att referera till.

Regeringar uppmanas ofta av politiska vakthundar att stödja hur de använder AI och att bevisa att deras analyser inte bygger på partisk data. Giltigheten av de använda algoritmerna har väckt debatter om försök att förlita sig på maskininlärning för att vägleda beslut om straff och fatta beslut om anspråk på socialbidrag eller annan statlig verksamhet.

Träningen av modellen sker i steg. Du bygger en modell baserad på data. Sedan testar du modellen och samlar in ytterligare data för att testa om den. Går det igenom gör du det till en mer robust produktionsmodell. Resan fortsätter genom att lägga till mer data, massera den och med tiden fastställa om din modell tål granskning.

Avsaknaden av ett heltäckande system för att säkerställa data av hög kvalitet och dela dem effektivt har indirekt försenat införandet av AI. Enligt IDC , 52 % av de svarande anser att datakvalitet, kvantitet och åtkomstutmaningar håller upp AI-utbyggnader.

7. Ta vara på metadatamöjligheten

Metadata definieras elliptiskt som 'data som ger information om andra data.' Det är det som ger data det sammanhang som användarna behöver för att förstå en del av informationens egenskaper, så att de kan bestämma vad de ska göra med den i framtiden.

Metadatastandarder används ofta för nischändamål, t.ex. specifika industriapplikationer astronomiska kataloger , eller datatyper som XML-filer . Men det finns också ett argument att göra för ett starkare metadataramverk där vi inte bara kan definiera data på vanliga sätt utan också tagga användbara dataartefakter längs dess resa. Var kom denna del av data från? Vem har sett den? Vem har använt det? Vad har den använts till? Vem har lagt till vilken del av datasetet? Har uppgifterna verifierats? Är det förbjudet att använda i vissa situationer?

Att utveckla den här typen av metadatamekanism kräver ett tekniklager som är öppet för bidrag från dem som tittar på och rör vid en viss databit. Det kräver också ett engagemang från breda uppsättningar av intressenter som ser värdet av att kunna dela data strategiskt och transparent.

Att skapa ett extra öppet metadatalager skulle vara ett viktigt steg mot möjliggöra demokratisering av tillgången till uppgifterna genom att möjliggöra transparent delning av nyckeldataattribut som är nödvändiga för åtkomst, styrning, förtroende och härkomst. Hewlett Packard Enterprise förhållningssätt till datautrymmen är att öppna upp en universell metadatastandard som skulle ta bort den nuvarande komplexiteten i samband med att dela olika datamängder.

8. Anamma betydelsen av kultur

Organisationer vill se till att de får ut det mesta av de resurser de ger näring – och för att göra det måste de skapa kulturer som främjar bästa praxis för informationsdelning.

Har du silos? Finns det kulturella barriärer inom din organisation som står i vägen för korrekt spridning av information till rätt källor vid rätt tidpunkt? Upplever olika avdelningar att de äger sin data och inte behöver dela den med andra i organisationen? Lagrar individer värdefull data? Har du skapat kanaler och procedurer som främjar friktionsfri datadelning? Har du demokratiserat tillgången till data, vilket ger företagsintressenter möjligheten att inte bara begära data utan också delta i förfrågnings- och delningsmetoder?

Om någon av dessa faktorer blockerar det fria flödet av datautbyte måste din organisation genomgå en förändringshanteringsbedömning med fokus på dess behov över människor, processer och teknik.

9. Öppna upp saker, men lita på ingen

I alla aspekter av verksamheten balanserar organisationer de ofta motstridiga koncepten att främja fri och öppen delning av resurser och hårt kontrollerad säkerhet. Att uppnå denna balans är särskilt viktigt när man hanterar data.

Data måste delas, men många dataproducenter känner sig obekväma med att göra det eftersom de fruktar förlusten av kontrollen och hur deras data kan användas mot dem, eller hur deras data kan ändras eller användas på ett olämpligt sätt.

Säkerhet måste ha högsta prioritet. Data kommer från så många källor – vissa kontrollerar du, andra gör du inte – och skickas genom så många händer. Det betyder att säkerhetspolicyer kring data måste utformas med en nollförtroendemodell genom varje steg i processen. Förtroende måste etableras genom hela stacken, från din infrastruktur och operativsystem till de arbetsbelastningar som sitter ovanpå dessa system, hela vägen ner till kiselnivån.

10. Skapa en fullt fungerande pipeline för datatjänster

Att flytta data mellan system kräver många steg, inklusive att flytta data till molnet, formatera om det och koppla ihop det med andra datakällor. Vart och ett av dessa steg kräver vanligtvis separat programvara.

Att automatisera datapipelines är en avgörande bästa praxis i dataresan. En helt automatiserad datapipeline tillåter organisationer att extrahera data vid källan, omvandla den till en användbar form och integrera den med andra källor.

Datapipeline är summan av alla dessa steg, och dess uppgift är att säkerställa att dessa steg sker på ett tillförlitligt sätt för all data. Dessa processer bör automatiseras, men de flesta organisationer behöver minst en eller två ingenjörer för att underhålla systemen, reparera fel och uppdatera i enlighet med verksamhetens förändrade behov.

Börja dataresan idag

Hur väl företag utnyttjar sin data – var den än bor – kommer att avgöra deras framgång under de kommande åren. Konstellationsforskning projekt 90 % av nuvarande Fortune 500 kommer att slås samman, förvärvas eller gå i konkurs år 2050. Om de inte startar nu kommer de att bli kvar. Klockan tickar.

Läs originalartikeln på Enterprise.nxt .

Detta innehåll producerades av Hewlett Packard Enterprise. Den skrevs inte av MIT Technology Reviews redaktion.

Dölj