وبسایت و پروفایل شخصی داود جمیری

5 مرحله برای ایجاد استراتژی داده های سازمانی ، مستقیماً از یک متخصص

داده ها می توانند یک کلمه ترسناک باشند.

نباید باشد ، اما هست. بیشتر به این دلیل است که مردم با چگونگی مدیریت آن دست و پنجه نرم می کنند.

بسیاری از شرکت ها به نقطه ای رسیده اند که داده های زیادی دارند و نمی دانند که بعد به کجا بروند. برخی دیگر معتقدند که آنها بسیار کوچک هستند ، نیازی به سرمایه گذاری در استراتژی داده های سازمانی نیست.

Download Now: Free Growth Strategy Template

حقیقت این است که ، صرف نظر از اندازه شرکت و وضعیت فعلی داده های خود ، از اجرای یک استراتژی داده بهره مند خواهید شد.

برای کمک به شما در شروع کار تخصص Zosia Kossowski ، مدیر محصولات گروهی برای تیم هوش تجاری در HubSpot (یعنی کارشناس استراتژی داده های داخلی ما.)

با اتمام خواندن این مقاله ، ایده بهتری از سطح بلوغ داده های فعلی شرکت خود ، عواملی را که باید قبل از ایجاد استراتژی خود در نظر بگیرید و چند مرحله برای کمک به این روش ، درک خواهید کرد.

با وجود باور عمومی ، استراتژی داده های سازمانی فقط برای شرکت های بزرگ با حجم زیاد داده نیست. در حقیقت ، مشاغل کوچک می توانند از ابتدای کار در یک استراتژی داده سود ببرند و بنیادی را برای کمک به آنها در مقیاس بندی ایجاد کنند.

مزایای استراتژی داده های سازمانی

مشکل مشترک بسیاری از سازمان ها این است که در حالی که آنها اطلاعات زیادی را جمع آوری می کنند ، هر تیم به روش خود تفسیر می کند. هیچ روش استاندارد گزارشگری وجود ندارد و هر تیم ممکن است مقدار متفاوتی را برای معیار مشابه گزارش کند.

این بدان معناست که همه افراد با داده های مختلفی در می آیند و درک صحیحی از دقیق ندارند. وقتی منبع واحدی از حقیقت وجود نداشته باشد ، اعتماد به داده های خود و برداشت بینش های ارزشمند بسیار دشوار می شود.
کوسوفسکی گفت: “داده ها فقط در یک سیلو وجود ندارند.” “تیم بازاریابی قرار نیست فقط از داده های خاص بازاریابی استفاده کند که هیچ تیم دیگری روی آنها تاثیری ندارد. آنها همچنین می خواهند اطلاعات را از مناطق مختلف نیز جلب کنند.”

او ادامه می دهد ، “و بنابراین ، یک عنصر حاکمیت و استاندارد سازی و یک زبان مشترک برای اطمینان از اینکه این تیم ها می توانند با یکدیگر ارتباط برقرار کنند واقعاً مهم است.”

بنابراین ، با اجرای EDS ، از سیلوهای اطلاعات جلوگیری می کنید ، اجازه اعتماد به داده ها را می دهید و تصمیم گیری را فعال می کنید.

هنگام ساختن استراتژی داده های سازمانی چه مواردی را باید در نظر گرفت

1 سطح بلوغ فعلی اطلاعات شما

اولین کاری که کوسوفسکی توصیه می کند قبل از تدوین استراتژی خود انجام دهید ، ارزیابی شخصی است.

از خود بپرسید: شرکت شما در مرحله بلوغ داده ها در کجا قرار دارد؟

دل از “مدل بلوغ داده” به طور گسترده استفاده می کند “این به شرکتها کمک می کند تا مشخص کنند شرکتشان واقعاً چگونه داده محور است. چهار مرحله وجود دارد:

  • داده آگاه – شرکت شما سیستم گزارش دهی خود را استاندارد نکرده و هیچ گونه ادغامی بین سیستم ها ، منابع داده و پایگاه های داده شما وجود ندارد. به علاوه ، عدم اعتماد به خود داده وجود دارد.
  • تبحر در داده ها – هنوز اعتماد به داده ها ، به ویژه کیفیت آنها وجود ندارد. ممکن است شما در انبار داده سرمایه گذاری کرده باشید اما هنوز برخی از قطعات موجود نیست.
  • اطلاعات زرنگ و دانا – شرکت شما این اختیار را دارد که از داده های شما تصمیمات شغلی را اتخاذ کند. با این حال ، هنوز هم برخی از گره های کار وجود دارد که باید بین رهبران تجاری و IT کار کند ، زیرا IT برای ارائه داده های قابل اعتماد در مورد تقاضا کار می کند.
  • داده محور – فناوری اطلاعات و تجارت از نزدیک با هم کار می کنند و در یک صفحه قرار دارند. اکنون ، تمرکز بر مقیاس گذاری استراتژی داده است زیرا کار بنیاد (به ویژه ادغام منابع داده) قبلاً با موفقیت انجام شده است.

آنچه در اینجا مهمترین است واقع بینی در مورد محل سقوط شرکت شما است.
کوسوفسکی گفت: “من فکر می کنم بزرگترین گرفتاری که می بینم صادقانه نبودن با خود در مورد مکانی که شرکت شما در مرحله بلوغ داده است است.”

وی اضافه می کند که کافی نیست که به احساساتی که در مورد چگونگی فکر کردن شرکت شما بودن اطلاعات دارید ، نگاه کنید. به حقایق نگاه کنید.

با شناسایی مشکلات داده ای که شرکت شما در حال حاضر با آن روبرو است شروع کنید ، زیرا این یک شاخص عالی برای مکان شماست.

2. اندازه صنعت و شرکت شما

صنعتی که در آن فعالیت می کنید و اندازه شرکت شما تعیین می کند که شما یک رویکرد متمرکز یا توزیع شده به استراتژی داده خود داشته باشید.

اما قبل از اینکه این رویکردها را شکسته کنیم ، بیایید در مورد دو چارچوب استراتژی داده صحبت کنیم: حمله و دفاع.

در طول مکالمه من با کوسوفسکی ، وی چگونگی این چارچوب را مطرح کرد (با جزئیات توضیح داده شد اینجا ) به HubSpot در تدوین استراتژی خود کمک کرده است.

دفاع از داده مواردی مانند امنیت داده ، دسترسی ، حاکمیت و دقت را در اولویت قرار می دهد در حالی که جرم داده ها بر کسب اطلاعاتی متمرکز است که تصمیم گیری را امکان پذیر می کند.

هر شرکتی به تعادل حمله و دفاعی نیاز دارد. با این حال ، برخی براساس صنعت خود بیشتر به یک انتهای طیف متمایل می شوند.

به عنوان مثال ، یک سازمان بهداشتی یا م institutionسسه مالی احتمالاً با داده های بسیار حساس سروکار دارد ، جایی که حریم خصوصی و امنیت داده ها از اهمیت بالاتری برخوردار است.

به دست آوردن داده های بی درنگ و بینش سریع احتمالاً اولویت اصلی نیست ، در حالی که تهیه محافظ برای افرادی که می توانند به داده ها دسترسی پیدا کنند احتمالاً مهم نیست. به همین ترتیب ، آنها بیشتر به چارچوب دفاعی متمایل می شوند.

در طرف مقابل ، شما شرکت های فناوری دارید ، صنعتی که تمایل به حرکت سریع دارد و بیشتر به چرخش سریع بینش داده ها اعتماد می کند.

بنابراین ، آنها بیشتر به جرم متکی هستند. با این اوصاف ، مطمئناً بخشهایی در شرکتهای فناوری (و سایر صنایع با سرعت بالا) وجود دارد که بیشتر بر امور دفاعی مانند امور مالی تمرکز خواهند کرد.

اکنون به استراتژیهای متمرکز و توزیع شده برگردید.

چارچوبی که استفاده می کنید به شما اطلاع می دهد که کدام استراتژی بیشتر به خدمت شرکت شما می آید.

در یک ساختار متمرکز ، شما یک تیم متمرکز گزارش دهی یا هوش تجاری (BI) دارید که داده ها و همچنین گزارش ها را مدیریت و آماده می کند.
كوسوفسكی گفت: “این ساختار می تواند در یك سازمان كوچكتر و خصوصاً در سازمانی كه دفاع را در اولویت خود دارد ، بسیار بهتر عمل كند.” “شما می خواهید گلوگاه باشید اما همچنین کنترل شدیدی بر هر قطعه از آن دارید.”
از سوی دیگر ، یک مدل توزیع شده برای تیم های بزرگتر که رویکرد تهاجمی دارند بهتر عمل می کند. به این ترتیب ، هر تیم می تواند به سرعت حرکت کند و مجاز به انجام کارهایی است که برای آنها مفید باشد.
کوسوفسکی توضیح می دهد: در این مدل ، BI به سادگی مسئول سیستم عامل ها و تنظیم محافظ ها است در حالی که تیم ها کار توسعه را انجام می دهند.

“اگر شما در مورد سازمانی فکر می کنید ، با بزرگتر شدن شرکت ، با یک تیم متمرکزتر ، مقیاس بندی آن دشوارتر می شود.” “شما در آخر مجبورید فقط افراد بیشتری را استخدام کنید تا بتوانید به آن برسید.”

“بنابراین من فکر می کنم در اندازه خاصی از شرکت ، شما به هر حال بیشتر و بیشتر به سمت [یک] استراتژی غیرمتمرکز حرکت خواهید کرد.”

بنابراین ، وقتی فهمید که کدام چارچوب برای صنعت و اندازه شما مناسب است ، می توانید استراتژی مناسب را اجرا کنید.

3 تیم مدیریت داده شما

طبق گفته كوسوفسكی ، علم داده در حال حاضر در بحث مدیریت بحث داغ است. و او اشتباه نمی کند.

در سال 2012 ، هاروارد تجارت ریویو آن را جنسی ترین شغل قرن بیست و یکم . تقریباً 10 سال بعد ، Glassdoor آن را به عنوان دومین شغل برتر آمریکا معرفی کرده است.

اما اگر شما در حال بحث درباره این هستید که چه نقشی را به تیم مدیریت داده خود اضافه کنید ، یک دانشمند داده نباید اولین گزینه شما باشد.

Kossowski تأکید می کند که دانش داده شما فقط به اندازه داده هایی که آن را تأمین می کنند خوب خواهد بود. و اگر این داده ها قابل اعتماد نباشند ، شما نمی توانید اطلاعات ارزشمندی کسب کنید.

“علم داده یک عصای جادویی نیست که با جادو داده های بد را به بینش تبدیل کند. صرف نظر از این ، شما هنوز هم به آن پایه داده احتیاج خواهید داشت.” “بنابراین ، پریدن برای انجام کاری زیرا این کار بزرگ بعدی است ، من فکر می کنم این یک نگرانی بزرگ است.”

اگر در مراحل اولیه مدل بلوغ داده ها هستید ، کوسوفسکی پیشنهادی در مورد اینکه کجا تلاش خود را متمرکز کنید ارائه می دهد.

“یک معمار انبار داده یا حتی یک تحلیلگر داده که در نوشتن SQL و ساخت جداول SQL باتجربه است ،” “اگر فقط یک نفر را استخدام می کنید و داده های زیادی ندارید ، این می تواند یک استخدام واقعاً قدرتمند باشد زیرا در صورت مقیاس کوچکتر یک نفر کارهای زیادی انجام می دهد. آنها می توانند بسیاری را بپوشند کلاه های مختلف و چیزهای مختلف یاد بگیرند. ”

وقتی صحبت از کارهای فنی بیشتری می شود ، مانند مصرف داده در انبار ، ابزارهای شخص ثالثی وجود دارد که می توانید برای انجام این کار برای خود استفاده کنید.

در این مرحله ، آنچه واقعاً به آن نیاز دارید کسی است که به شما کمک می کند تا ساختار داده های خود را تنظیم کند.

1 معماری داده های خود را مشخص کنید.

اولین کاری که می خواهید انجام دهید این است که اطلاعات خود را در سطح ریز درک کنید.

این س questionsالات را از خود بپرسید:

  • داده ها در کجا زندگی می کنند؟
  • چه نوع داده ای را از چه منابعی جمع آوری می کنید؟
  • چگونه داده ها سازماندهی می شوند؟

هدف در اینجا درک ساختار داده های شماست.

اگر درکی از ساختار وجود نداشته باشد ، نمی توانید طرحی جامع درباره نحوه مدیریت داده های خود بسازید.

2. رابطه بین BI و تیم های خود را مشخص کنید.

وقتی نوبت به استراتژی داده می رسد ، یکی از مهمترین مراحل تعریف تیمهای درگیر در فرآیند و تعیین انتظارات برای BI است.

در یک سازمان بزرگ که قبلاً به استراتژی داده فکر نکرده است ، اغلب متوجه خواهید شد که هر تیمی از یک مدل متفاوت پیروی می کند و رابطه متفاوتی با BI دارد و کار BI را به صورت استاندارد و استاندارد دشوار می کند. .

همچنین خطوط بین نقش تحلیلگر داده و BI را محو می کند.

تحلیلگر داده باید منطق کسب و کار را که مخصوص تیم آنها است و ساختار داده های جمع آوری شده را بداند. از طرف دیگر ، BI نیازی به داشتن دانش خاصی در مورد منطقه عملیاتی مورد پشتیبانی خود ندارد و در عوض باید بر روی منبع داده و مدیریت بستر برای پشتیبانی از تحلیلگر متمرکز باشد.

هنگامی که BI به طور منظم روند خود را متناسب با منطق خاص تیم تنظیم می کند ، سرعت همه چیز را کاهش می دهد و یک نیاز مستمر برای یادگیری مجدد ایجاد می کند.

پیشنهاد کوسووکی؟ منطق کسب و کار را از لایه BI حذف کنید و روی مواردی که مربوط به بیشتر تیم ها هستند کار کنید.

علاوه بر این ، یک پروفایل تحلیلگر استاندارد و مدلی برای رابطه بین BI و تیم ها ارائه دهید.

“كوسوفسكی گفت:” هنوز بعضی جاها وجود دارد كه ما روی مجموعه داده ها كار می كنیم و نه كل پلت فرم ، اما در واقع این پیوستن ها و منطق آنها را انجام نمی دهد. ”

3 اختصاص مالکیت.

بعد از برقراری ارتباط بین تیم های خود و BI ، قدم بعدی این است که تعیین کنید چه کسی مالک چه چیزی خواهد بود.

داشتن یک مالک متفاوت برای هر قسمت از داده ها معمول است. به عنوان مثال ، یک فرد یا تیم ممکن است مالک داده های عملیاتی باشد در حالی که دیگری مالک داده های گزارش است.

همچنین ممکن است لازم باشد که در مراحل مختلف خط لوله ، به مالکان اختصاص دهید. تیم BI ممکن است در یک مرحله خاص داده ها را در اختیار داشته باشد و سپس آنها را به تحلیلگران منتقل کند.

کوسوفسکی معتقد است که مالکیت از تیم هایی شروع می شود که داده ها را تولید می کنند.

“آنها باید برخی از سطوح مالکیت داده ها را احساس کنند و در صورت بروز اشتباه مقداری از پاسخگویی برخوردار باشند.” “زیرا اگر در منبع اشتباه باشد ، BI بسیار کم می تواند انجام دهد.”

او ادامه می دهد ، “و اگر سعی کنید وصله های وصله ای را در آن سطح قرار دهید ، فقط مشکلات بیشتری در خط ایجاد خواهید کرد ، بنابراین این رابطه نیز مهم است.”

4 حاکمیت داده را ایجاد کنید.

حاکمیت داده ها مجموعه ای از سیاست ها و مقررات است که نحوه اطمینان از صحت و کیفیت را برای جمع آوری و ذخیره داده ها اطلاع می دهد.

به عبارت ساده ، حاکمیت داده این است که “ سلام ، شما می خواهید از این منبع داده های حقیقت که ما ایجاد کرده ایم استفاده کنید و بخشی از آن باشید؟ سپس باید این معیارها را برآورده کنید. ”

این می تواند شامل رعایت استانداردهای کدگذاری ، داشتن تعداد معینی بازبینی و پیروی از یک فرآیند مستند سازی خاص باشد.
کوسوفسکی گفت: “وقتی ما به حاکمیت و تصویب فکر می کنیم ، در واقع مکانیسم هایی است که می توانید برای پیوستن به آن اعمال کنید.”

دو مورد وجود دارد که باید در مورد حکومتداری در نظر بگیرید: قطعه فرهنگی و جنبه فناوری.

از منظر فرهنگی ، چگونه تیم های خود را وادار می کنند که این استانداردها را اتخاذ کنند؟ و از منظر فنی ، کدام یک از فرایندها را می توانید خودکار کنید تا همه چیز به اصلاح رفتار نیازی نداشته باشد؟

همانطور که به این دو قطعه فکر می کنید ، باید هم طرف تحلیلگر و هم مهندس (یا تیم منبع) را در نظر بگیرید.

کوسوفسکی توضیح می دهد که برای تیم های مهندسی ، فکر کردن در مورد داده ها هنگامی که وارد انبار می شود ، ممکن است دشوار باشد زیرا این یک بخش اصلی از محصول یا مسئولیت آنها نیست.

آنها ممکن است مزایای قابل لمس داده ها را نبینند ، مگر اینکه یک سازمان داده محور باشد که با تحلیلگران خود به شدت کار می کند. در این حالت ، تحلیلگران می توانند داده ها را برای تصمیم گیری X تأیید کنند ، بنابراین تا زمانی که داده ها به معنی نیاز Y نباشند ، نمی توان تصمیم گیری کرد.

برای تحلیلگران ، مشاهده مزایا آسان تر است زیرا آنها به تجارت نزدیکتر هستند و می توانند تأثیر مستقیم آن را ببینند. آنها می توانند درک کنند که پیروی از استانداردهای حاکم بر داده ها به معنای اتکا کمتر به BI است که باعث می شود همه چیز با سرعت بیشتری حرکت کند.

“بینش حاصل از داده ها باید تصمیماتی راجع به محصول گرفته شود ، زیرا این تنها راهی است که شما می توانید تیم های مهندسی محصول و محصول را بدست آورید
کوسوفسکی گفت:

ارزش داده ها را خریداری کرده و در هنگام صادرات به فکر داده های آنها هستیم. ”

5. مرتباً ارزیابی مجدد کنید.

هر کجا که شما در مدل بلوغ داده قرار بگیرید ، استراتژی داده شما همیشه نیاز به تغییر و اصلاح دارد.
کوسوفسکی گفت: “[در HubSpot] ما یک برنامه سه ساله و همه این ایده ها درباره آنچه در هر یک از آن سال ها اتفاق می افتد ، داریم.” اما من کاملاً انتظار دارم که یک سال بعد ، وقتی به آن نگاه می کنیم ، مواردی وجود دارد که ما می خواهیم بر اساس تغییر اوضاع اصلاح کنیم. ”

به عنوان مثال ، بگویید شما ویژگی جدیدی در محصول یا خدمات خود معرفی کرده اید و اکنون اطلاعات حساس تری از مشتری را جمع آوری می کنید. این ممکن است نیاز به یک رویکرد دفاعی بیشتر داشته باشد. اگر شرکت شما رشد چشمگیری دارد ، ممکن است لازم باشد به جای یک استراتژی متمرکز به سمت یک استراتژی توزیع شده بروید.

حتی اگر در نحوه عملکرد شرکت شما تغییری ایجاد نشود ، باز هم ممکن است نیاز به ارزیابی مجدد داشته باشید. در اینجا دو شاخص اصلی وجود دارد که وقت آن است که استراتژی داده خود را مرور کنید:

  • ناامیدی از مدت زمان طولانی شدن کار وجود دارد.
  • عدم اعتماد به داده ها وجود دارد.

کوسوفسکی می گوید یافتن تعادل بین این دو مسئله اساسی است.

“شما نمی خواهید BI همه کارها را انجام دهد زیرا در این صورت مدت زمان زیادی طول می کشد ،” اما شما همچنین نمی خواهید در جامعه تحلیل گر آنقدر آزادی داشته باشید که واقعاً نتوانید به هر داده ای اعتماد کنید. ”

یک قانون اساسی خوب این است که هر شش ماه تا یک سال استراتژی خود را مرور کنید. با رهبران مشاغل ، فناوری اطلاعات و تیم های خود صحبت کنید تا درک کنید که همه از پیشرفت شما چه احساسی دارند و تعیین می کنند چه تغییراتی باید انجام شود.

روند ساخت EDS از یک شرکت به شرکت دیگر متفاوت خواهد بود ، زیرا سطح بلوغ داده ها ، صنعت و اندازه شرکت در مراحل شما نقش دارد.

با در نظر گرفتن وضعیت شرکت فعلی خود ، می توانید استراتژی ای ایجاد کنید که نیازهای خاص تجارت شما را برآورده کند.

New call-to-action دهانه>

نوشته ها مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *