Vlivanje življenja v Data Ccentricity (Sanjeev Nargotra)

Nobena današnja agenda sejne sobe ni popolna brez omembe osredotočenosti na podatke, vendar še nihče ni mogel pokazati, kaj natančno je osredotočenost na podatke. Večina organizacij, tudi tistih, ki poslujejo zadnjih 100 let,
nenadoma prebudijo zamisel o osredotočenosti na podatke. Osredotočenost na podatke ni nedavni pojav, socialni in strojni podatki so povzročili eksplozijo podatkov. Organizacije so bile spretne pri rudarjenju podatkov že pred eksplozijo podatkov in kaj je boljši primer od tega
bi lahko navedli letno poročilo o osredotočenosti na podatke?

Kljub vsemu hrupu o osredotočenosti na podatke, razen v industriji e-trgovine, nobena druga industrija še ni uspela učinkovito izkoristiti socialnih podatkov. Vprašanje je, koliko podatkov se pridobiva in je celo uporabnih za analizo. Brez resničnih primerov uporabe,
Poslovna utemeljitev, kateri koli program okoli Data bo ostal le sanje. Medtem ko vsi govorijo o osredotočenosti na podatke, ni bilo nobenega pravega poskusa, da bi postavili logično zaporedje, da bi to dosegli. Vprašajte katero koli organizacijo, ki se je podala na pot posodobitve podatkov
v zadnjem desetletju za zaprtimi vrati priznal, da se na terenu ni prav nič spremenilo. V imenu osredotočenosti na podatke, čeprav se je tehnični dolg povečal z uvedbo podatkovnih platform, jezer, tržnic in trezorjev, jih podjetja vidijo kot svetleče
nove tehnološke igrače. Organizacije se trudijo izkoristiti podatkovne platforme, saj nihče ni pomislil na vzpostavitev poslovnega konteksta in prevzemanje poslov, zaradi česar so se uporabniki, ki so bili predvideni upravičenci, tega odpovedali.

Osredotočenost na podatke ne zahteva tehnološke rešitve, temveč kriči po lastništvu podjetja, vplivu in rezultatih. Spuščanje v malenkosti je pogosto boleče in to je tisto, kar določa uspeh in neuspeh vizije osredotočenosti na podatke.

Oglejmo si spodnjo piramido osredotočenosti na podatke in razumemo, kako je treba različne plasti skrbno sestaviti, da bi oživili zamišljeni koncept osredotočenosti na podatke. V tem blogu se bom dotaknil prvih dveh plasti, tj. stebrov in kardinala
Načela kot organizacije se pogosto trudijo postaviti prvo nogo prav.

*V naslednjem spletnem dnevniku se bom poglobil v temeljne zmogljivosti in nadzor podatkov, skupaj s stebri in glavnimi načeli.

Stebri osredotočenosti na podatke:

• Stroški in vrednost: Kaj je sredstvo brez kakršne koli notranje vrednosti in pomena? Ker so podatki priznani kot sredstvo, je za organizacije pomembno, da ugotovijo vrednost podatkov in vzpostavijo potrebne kontrole. Niti praktično ni
  niti ni priporočljivo, da se osredotočite na vsa podatkovna sredstva, zelo priporočamo identifikacijo in prednostno razvrščanje najbolj kritičnih podatkovnih sredstev.
• Pismenost: Poznavanje poslovnega konteksta podatkov je poleg njihove vrste, velikosti in uporabe pomembno za definiranje in merjenje ključnih meritev in KPI-jev, kot so osredotočenost na stranko, skladnost, prihodek.
• Demokratizacija: Razen če so podatki prosto dostopni v rokah ljudi, ki jih morajo rudariti za ustvarjanje vpogledov, ostane sredstvo navidezno brez kakršne koli prave vrednosti. Pravočasna razpoložljivost zaupanja vrednih podatkov je ključna za uspeh samopostrežne storitve
  omogočanje.
• Prebivališče: Kako se podatki zbirajo, delijo in uporabljajo vodi zakon države. Organizacije delujejo v večgeografskem okolju in jih zavezujejo zakoni zadevnih držav glede varstva podatkov in zasebnosti. podatki
  Skupna raba in dostop sta zato ključna za doseganje vizije osredotočenosti na podatke.
• Kultura: Nobena raven strategije ali naložbe v tehnologijo ne more prinesti osredotočenosti na podatke, razen če ljudje na osnovni ravni začnejo ceniti pomen in posledice ravnanja s podatki.

Glavna načela podatkovne osredotočenosti

• Lastništvo: Lastništvo je ključnega pomena za vzpostavitev odgovornosti in zagotavljanje, da so podatkovne domene pravilno definirane in da so izdelki Data dostavljeni v skladu s poslovnimi zahtevami. Na lastništvo je treba gledati s kritičnostjo podatkov. Generično
  lastniška matrika ne more upoštevati zapletenosti in realnosti organizacije. Vsak model Op potrebuje kontekstualizacijo, da odraža poslovno realnost.
• Harmonizacija: Odstranitev več definicij, vzpostavitev skupnih standardov, definicij in politik veliko prispeva k usklajevanju podatkov. Ekipe za marketing, skladnost in servisiranje ne morejo imeti različnih definicij stranke. 
• Sledljivost: Predpisi so večji poudarek namenili revidabilnosti in sledljivosti. Pomembno je razumeti procese e2e in preslikati tokove podatkov v podčrtane procese. Potrebno bo razumevanje življenjskega cikla podatkov
  spoznanja.
• Primerno za namen: Kakšna je uporaba podatkov, če jih ni mogoče uporabiti brez zaupanja. Kakovost vpogledov je tako dobra kot kakovost vhodnih podatkov. Zato sta strogo upravljanje in upravljanje podatkov v bistvu za zagotavljanje kakovosti podatkov. Kakovost podatkov
  potrebuje holističen pristop, ki zajema poslovne in tehnološke koncepte. Nič ni dlje od resnice, da je bila z uporabo orodij DQ dosežena kakovost podatkov in vse, kar je zdaj treba raziskati, je AI/ML.  
• Zavarovano: Varnost podatkov ni več obvezna, temveč kritična za sam obstoj podjetja. Varnosti ni mogoče doseči samo z definiranjem varnostne politike in nabavo sofisticiranih orodij. Potrebe po varnosti podatkov se pojavijo ob vsakem dotiku
  točke od zbiranja, obdelave, uporabe, dostopa, shranjevanja do skupne rabe znotraj in zunaj. Usklajevanje varnosti podatkov z zasebnostjo in upravljanjem bo pomagalo zapreti krog.

Ko organizacija ugotovi stebre in načela, postane uvajanje zmogljivosti in kontrol veliko lažje. Razpravljajmo o tem v naslednjem blogu.