5 способов стать data-driven организацией

Когда есть задача стать data-driven, организации используют весь спектр уровней зрелости. Большинство считает, что данные и аналитика обеспечивают инсайтами. Но только треть респондентов в опросе TDWI ¹ сказали, что они действительно data-driven. Это означает, что они анализируют данные для принятия решений и действий.

Успешный data-driven бизнес способствует формированию целенаправленной, коллаборативной культуры. Лидеры верят в данные и ориентированы на управление. Технологическая сторона бизнеса обеспечивает разумное качество данных и приводит аналитику в действие. Стратегия управления данными охватывает весь жизненный цикл аналитики. Данные доступны и могут использоваться несколькими людьми - дата-инженерами и дата-сайентистами, бизнес-аналитиками и менее техническими бизнес-пользователями.

Аналитик TDWI Ферн Халпер (Fern Halper) провел исследование специалистов в области аналитики и данных из различных отраслей и определил 5 рекомендаций для того, чтобы стать data-driven организацией.

1. Постройте отношения для поддержки сотрудничества

Если ИТ и рабочие группы не сотрудничают, организация не может работать в духе data-driven, поэтому важно устранять барьеры между департаментами. Достижение этой цели может улучшить рыночные показатели и инновации; но сотрудничество в любом случае является сложной задачей. Лица, принимающие бизнес-решения, часто не думают, что ИТ понимают важность быстрых результатов, и, наоборот, ИТ не думают, что бизнес понимает приоритеты управления данными. Здесь в игру вступает офисная политика.

Наличие четко определенных ролей и обязанностей с общими целями в разных департаментах стимулирует командную работу. Эти роли должны включать в себя: ИТ/архитектуру, бизнес и тех, кто управляет различными задачами на стороне бизнеса и ИТ (от бизнес-спонсоров до DevOPs).

2. Сделайте данные доступными и надежными

Обеспечение данных доступностью и качеством - ключ к преодолению барьеров и становлению data-driven организацией. Будь то дата-инженер, собирающий и преобразующий данные для анализа, или дата-сайентист, создающий модель, каждый получает выгоду от надежных данных, которые унифицированы и построены на основе общего словаря.

По мере того, как организации анализируют новые формы данных - тексты, датчики, изображения и потоковую передачу - им придется делать это на разных платформах, таких как хранилища данных, Hadoop, потоковые платформы и озера данных. Такие системы могут находиться на сервере или в облаке. TDWI дает несколько советов:

• Создайте среду интеграции данных и пайплайн с помощью инструментов, которые обеспечивают федеративный доступ и объединяют данные из разных источников. Тогда у вас будут простые интерфейсы в формате «наведи и щелкни» для построения рабочих процессов, и инструменты, поддерживающие ETL , ELT и расширенные спецификации, такие как условная логика или параллельные задания.
• Контролируйте, повторно используйте и управляйте метаданными (данными о ваших данных). Это включает в себя размер, автора, структуру столбца базы данных, безопасность и многое другое.
• Обеспечьте повторно используемые инструменты для обеспечения качества данных со встроенными аналитическими возможностями, которые могут профилировать данные для точности, полноты и двусмысленности.

3. Установите инструменты, которые помогут бизнесу работать с данными

От маркетинга и финансов до операций и управления персоналом, бизнес-командам нужны инструменты для самостоятельного пользования, чтобы ускорить и упростить задачи подготовки данных и анализа. Такие инструменты могут включать встроенные, передовые методы, такие как машинное обучение, и многие из них работают на протяжении всего жизненного цикла аналитики - от сбора данных и профилирования до мониторинга аналитических моделей в производстве. Эти «умные» инструменты имеют три возможности:

• Автоматизация помогает при построении моделей и процессах управления моделями. Инструменты по подготовке данных часто используют машинное обучение и обработку естественного языка для понимания семантики и ускорения сопоставления данных.
• Возможность повторного использования основана на том, что уже было создано для управления данными и аналитикой. Например, рабочий процесс пайплайна данных от источника к цели может быть сохранен и встроен в рабочий процесс аналитики для создания прогнозной модели.
• Объясняемость помогает бизнес-пользователям понять результаты, когда, например, они построили прогнозную модель с использованием автоматизированного инструмента. Инструменты, которые объясняют, что они сделали, идеально подходят для data-driven компании.
  

4. Определите единую платформу, которая будет содействовать сотрудничеству и аналитике

По мере развития организаций c аналитической точки зрения важно, чтобы платформа поддерживала несколько ролей в едином интерфейсе с единой инфраструктурой данных. Это укрепляет сотрудничество и облегчает людям выполнение работы. Например, бизнес-аналитик может использовать дискуссионную площадку для совместной работы с дата-сайентистом при создании прогнозной модели и во время тестирования. Дата-сайентист может использовать среду ноутбука для тестирования и проверки модели по мере ее версирования и сбора метаданных. Затем дата-сайентист может уведомить команду DevOps, когда модель готова к производству, и они могут использовать инструменты платформы для постоянного мониторинга модели.

5. Используйте современные технологии и практики управления

Управление, то есть правила и политики, определяющие, как организации защищают свои данные и аналитику и управляют ими, имеет решающее значение в обучении доверять данным и становиться data-driven. Но исследования TDWI показывает, что треть организаций вообще не управляют своими данными. Вместо этого многие сосредотачиваются на правилах безопасности и конфиденциальности. Их исследование также показывает, что менее 20% организаций используют любой тип управления аналитикой, который включает в себя модели проверки и мониторинга на производстве.

Решения, основанные на плохих данных или на моделях, которые деградировали, могут оказать негативное влияние на бизнес. По мере того, как все больше людей в организации получают доступ к данным и моделям сборки, а также появляются новые типы данных и технологий (большие данные, облако, интеллектуальный анализ потоков), практика управления данными должна развиваться. TDWI рекомендует три функции программного обеспечения для управления, которые могут улучшить управление данными и аналитикой:

• Каталоги данных, глоссарии и словари. Эти инструменты часто включают сложные теги и автоматизированные процедуры для создания и поддержания каталогов в актуальном состоянии, а также для обнаружения метаданных из существующих наборов данных.
• Data lineage. Data lineage в сочетании с метаданными помогает организациям понять, откуда возникли данные, и отследить, как они были изменены и преобразованы.
• Модель управления. Постоянное отслеживание моделей имеет решающее значение для управления аналитикой. Многие инструменты автоматизируют мониторинг моделей, планируют обновления, чтобы поддерживать актуальность моделей, и отправляют оповещения, когда модель ухудшается.

В будущем организации могут перейти от традиционных моделей совета управления к новым подходам, таким как agile управление, встроенное или краудсорсинговое управление. Но вовлечение в процесс принятия решений как ИТ, так и бизнес-сторон, включая владельцев данных, управляющих данными и других, всегда будет ключом к надежному управлению в data-driven организациях.

Ссылки

1. Что нужно, чтобы стать data-driven. Отчет с лучшими рекомендациями TDWI от Ферн Халпер и Дэвида Стоддера. 2017.