مارا دنبال کنید : 

چگونه یک استراتژی داده را توسعه دهیم ؟

هنگامی که  سازمان شما تشخیص داد که چگونه می خواهد از داده ها استفاده نماید، باید به سراغ تبدیل آن به یک استراتژی داده بروید. مفاهیم استراتژی داده را در این مقاله بررسی خواهیم کرد.

با یک یوزکیس داده  شروع کنید

موارد استفاده از داده ها برای هر شرکتی متفاوت است و بر اساس اهداف استراتژیک شما هدایت می شود.

نمونه هایی از موارد استفاده از داده و پروژه های داده عبارتند از:

  • شناسایی محصولات یا خدمات جدید و هوشمندتر
  • خودکارسازی فرآیندهای تولید برای کارآمدتر کردن آنها
  • ارائه یک تجربه مشتری شخصی تر
  • بهینه سازی قیمت ها

اکنون، اگر به الگوی استراتژی داده رجوع کنید، خواهید دید که استفاده از داده های شما درست در بالای صفحه قرار می گیرد. بنابراین، اینجا جایی است که سه اولویت داده اصلی خود را برای سال پیش رو شناسایی  کنید. به نظر من گنجاندن چند کاربرد داده «برد سریع» نیز مفید می باشد که نشان دادن ارزش داده‌ها به روش‌های نسبتاً سریع و آسان  برای سازمان را به ارمغان می آورد.

بقیه الگوی استراتژی داده به الزامات مختلفی تقسیم می‌شود، مانند داده‌هایی که نیاز دارید و چه فناوری‌هایی باید روی آن سرمایه گذاری شود و ایده آل این است که چالش‌ها، مضامین، فعالیت‌ها، مسائل و موضوعات مقطعی را شناسایی کنید.

الزامات داده

به زبان بسیار ساده، نیازهای داده شما به این خلاصه می شود: که به چه داده هایی نیاز دارید و چگونه آن داده ها را به صورت منبع خواهید کرد؟

به عنوان مثال، یک موضوع مشترک در موارد استفاده از داده شما ممکن است تنوع داده باشد. به عبارت دیگر، چگونه داده‌های مختلف (داخلی و خارجی، ساختاریافته و غیرساختارمند و غیره) را ترکیب می‌کنید تا اطمینان حاصل کنید که تا حد امکان تصویری غنی و کامل خواهید داشت؟

حاکمیت داده

این حوزه وسیعی است که کیفیت داده، اخلاق، حریم خصوصی، مالکیت، دسترسی و امنیت را در بر می گیرد.

به عنوان مثال در ارتباط با حاکمیت، شاید شما در اینجا تشخیص دهید که کیفیت داده در کل سازمان یک مشکلی است که باید به آن پرداخته شود. این بدان معناست که قبل از اینکه بتوانید به اولویت های داده خود دست یابید، باید مطمئن شوید که همه داده ها دقیق، کامل و به روز هستند  و فرآیندهای مختلفی را برای اطمینان از ماندگاری تدوین نمائید.

فن آوری

در اینجا، شما می خواهید مسائل مقطعی مرتبط با فناوری و زیرساخت را شناسایی کنید. یا به بیان دیگر به این سوال پاسخ دهید که آیا نرم افزار و سخت افزاری در سازمان شما مورد نیاز می باشد؟

برای این کار، در نظر گرفتن چهار لایه داده و تعیین دقیق فناوری مورد نیاز برای هر مرحله کمک می کند:

  • جمع آوری داده ها
  • ذخیره سازی داده ها
  • پردازش (تحلیل) داده ها
  • ارتباط بینش از داده ها

به عنوان مثال، فرض کنید دو مورد از موارد استفاده شما در نهایت شامل بررسی مشتریان در مراحل مختلف سفر مشتری می باشد (به عنوان مثال پس از تماس آنها با تیم خدمات مشتری، یا پس از خرید محصول). آیا در حال حاضر نرم افزاری دارید که می تواند آن داده ها را برای جمع آوری بینش جمع آوری، ذخیره و تحلیل کند؟ یا باید روی نرم افزار جدید سرمایه گذاری کنید؟

مهارت و ظرفیت

فقدان دانش و مهارت‌های داده‌ها یک نگرانی بزرگ برای بسیاری از شرکت‌ها است، بنابراین احتمالاً تعدادی الزامات متقابل در مورد رفع شکاف مهارت‌ها، آموزش کارکنان، برون‌سپاری جمع‌آوری و تجزیه و تحلیل داده‌ها در صورت لزوم یا مشارکت با داده‌ها باید در نظر گرفته شود.

مدیریت پیاده سازی/تغییر

در اینجا باید هرگونه مشکل یا الزامات رایجی را که ممکن است مانع از تبدیل طرحتان به واقعیت شود را شناسایی کنید. در اجرای استراتژی داده خود باید بر چه چالش هایی غلبه کنید؟

به عنوان مثال، فرض کنید یک مشکل اساسی در خرید داده در سراسر تجارت شما وجود دارد. بنابراین، یک نیاز مقطعی ممکن است صرف زمان برای آموزش مدیران و تیم ها در مورد مزایای داده ها و نیاز به تصمیم گیری بر اساس داده ها باشد، نه فرضیات.


مطالب مرتبط :

4. تیم تجزیه و تحلیل داده ها

سازمانی که بخواهد به یک سازمان مبتنی بر داده تبدیل شود به چیزی بیش از فناوری نیاز دارد. سازمان به افراد مناسب در نقش‌های مناسب نیاز دارد تا اطمینان حاصل کند که فناوری و فرآیندها پذیرفته شده‌اند و اهداف تجاری محقق خواهند شد . اولین قدم برای ایجاد یک تیم تجزیه و تحلیل داده موثر، انتخاب یا شناسایی مدل عملیاتی سازمان است. مدل عملیاتی شما ساختار تیم و نقش‌های لازم برای رسیدن به اهدافتان را دیکته خواهد کرد.

سه نوع از مدل‌های عملیاتی وجود دارد که یک سازمان می‌تواند آن‌ها را بپذیرد:

غیرمتمرکز، متمرکز و ترکیبی.

هیچ کدام بر دیگری اولویت ندارند .انتخاب بهترین ، به اندازه و منابع سازمان و نیازهای فعلی و آینده سازمان وابسته می باشد.

در مدل عملیاتی غیرمتمرکز مسئولیت‌ها در بین خطوط مختلف کسب‌وکار و فناوری اطلاعات توزیع می‌گردند که منجر به رویکردی مشترک برای مواردی مانند مدیریت داده، استراتژی داده و هوش تجاری می‌شود.

در مدل عملیاتی متمرکز ساختار بیشتری تعریف می گردد و همه چیز تحت مسئولیت یک عملکرد اجرایی خاص قرار خواهد گرفت.در این روش  مدیریت داده ها آسان تر و تصمیم گیری بهبود خواهد یافت.

در مدل عملیات ترکیبی از مدل های غیرمتمرکز و متمرکز  استفاده می گردد و یک مرجع مرکزی برای مدیریت داده ها و گروه های واحد تجاری غیرمتمرکز در سراسر سازمان در نظر گرفته می شود. سپس، باید مهارت های تیم خود را ارزیابی کنید. با درک نقاط قوت کارکنان خود و اینکه کجا به حمایت نیاز دارند شروع کنید.نیازمندی های آموزش مهمترین نکته ای است که باید به آن توجه گردد.

اگر از فناوری، معماری، یا حتی مدل‌سازی داده یا استانداردهای متدولوژی توسعه استفاده می‌کنید،باید به این سوال پاسخ دهید که:

آیا کارکنان شما به آموزش نیاز دارند؟

همه افراد چه سطحی از سواد داده ای دارند؟

آیا نیاز به استخدام افراد بیشتری دارید؟

تیم تجزیه و تحلیل داده ها
تمرکز بر سطوح مهارت کاربران تجاری شما در ابزارهای مختلف و شایستگی های تجزیه و تحلیل، یک ملاحظه حیاتی برای استراتژی داده سازمان است. یک برنامه آموزشی ایجاد کنید که شکاف ها را برطرف کند.

حاکمیت داده چیزی است که در نهایت منجر به داده‌های با کیفیت بالا در سازمان می‌شود و امکان اشتراک‌گذاری داده‌ها در سطح سازمانی و در سراسر کسب‌وکار را فراهم می‌کند.

در حالی که حاکمیت داده برای استراتژی داده شما بسیار اهمیت دارد، مهم است بدانید که درست مانند سطح بلوغ داده و تجزیه و مدل عملیاتی حاکمیت داده نیز برای هر سازمان منحصر به فرد می باشد.

حاکمیت داده یک سفر است، نه یک مقصد حاکمیت داده یک برنامه نرم افزاری یا ویجت نیست پذیرش داده‌ها و تحلیل‌های شما توسط کاربر زمانی اتفاق می‌افتد که حاکمیت داده واقع بینانه باشد.

حاکمیت داده نیازمند رهبری می باشد. توسعه واژه نامه کسب و کار محل خوبی برای شروع کار است. واژه نامه تجاری یک سند زنده است که در آن تمام معیارها و ابعاد کاربر نهایی به طور رسمی تعریف شده است. در طول این گفتگوها، سوء تفاهمات در مورد اصطلاحات شناسایی و اصلاح می گردد .

۶.نقشه راه استراتژی داده

نقشه راه استراتژی داده نقطه اوج تمام کارهایی است که تا به حال انجام داده اید و آنچه که تمام کارهای قبلی شما را قابل اجرا می کند همین بخش می باشد. تمام اتفاقاتی  که باید بیفتد تا سازمان شما از جایی که هست و می خواهد به آن برسد را شناسایی کنید اما قبل از شروع هر گونه طراحی، ساخت، آموزش یا مهندسی مجدد فرآیند کسب‌وکار، اولویت‌بندی بسیار با اهمیت می باشد. توصیه هایی که به پر کردن شکاف از وضعیت فعلی به وضعیت آینده کمک می کند را در این مرحله داشته باشید . این طرح ها باید فعالیت‌هایی را اولویت‌بندی نماید که اجرای آن‌ها را  آسان‌تر نماید اما همچنین موفقیت‌های سریعی را برای کسب‌وکار فراهم می نماید.

عوامل دیگری که باید در نقشه راه استراتژی داده گنجانده شوند عبارتند از:

  • در دسترس بودن کارکنان و اینکه آیا کمک خارجی لازم است یا خیر؟
  • فرآیند بودجه ریزی یک شرکت
  • پروژه های رقابتی که ممکن است از مشارکت منابع مناسب جلوگیری کند
  • نقاط عطف اصلی شرکت، مانند انتشار محصول جدید مورد انتظار یا ادغام و ادغام برنامه ریزی شده

هیچ نقشه راهی بدون یک جدول زمانی متفکرانه برای اجرای تمام فعالیت های برنامه ریزی شده در استراتژی داده شما کامل نمی شود.بنابراین شما نیاز به یک جدول زمانی مانند شکل زیر خواهید داشت.

جدول زمانی
جدول زمانی

۷.تغییر فرهنگ و پذیرش

شما با موفقیت استراتژی داده خود را ایجاد کرده اید. با مجهز شدن به یک نقشه راه، شما آماده هستید تا با ابتکارات داده کار خود را ادامه دهید. آخرین موضوع ، اما نه کم اهمیت، پرداختن به مدیریت تغییر است، زیرا تیم های شما با تغییرات زیادی و شاید مسئولیت ها و انتظارات جدید دست و پنجه نرم خواهند کرد. بدون تغییر فرهنگ، تلاش‌های استراتژی داده شما حداکثر پتانسیل خود را نخواهند دید. آموزش و توانمندسازی، حمایت از بودجه و ارتباطات را به منظور ترویج فرهنگ داده محور، افزایش پذیرش و بهبود تصمیم گیری در در برنامه خود در نظر بگیرید.


مطالب مرتبط :

عناصر استراتژی داده اجزای کلیدی زیر در یک استراتژی نقش اساسی دارند :

  1. 1. همسویی با استراتژی کسب و کار

ابتکارات داده باید در راستای  نیازهای کسب و کار و  برای ایجاد ارزش واقعی ایجاد شوند در غیر این صورت سازمان با خطرات زیر مواجه خواهد شد :

  • اولویت بندی پروژه های اشتباه
  • بینش های از دست رفته
  • اتلاف وقت منابع و حتی از دست دادن علاقه و ایمان به طرح های داده در سراسر سازمان
  • و …

در این بخش روش هایی برای همسو کردن استراتژی داده سازمان با استراتژی کسب و کار وجود دارد:

  1. 1. شناسایی محرک های کسب و کار مرتبط ( بزرگ یا کوچک ) را که می توانند به طور مثبت تحت تأثیر داده ها و تجزیه و تحلیل قرار گیرند.
  2. 2. درک و شناسایی فعالیت‌های دپارتمان و نحوه هماهنگی آن‌ها با اهداف کسب‌وکار
  3. 3. تدوین و تکمیل فرایند مصاحبه از سطح اجرایی تا رهبران سازمان
  4. 4. توجه به مسائل مهم و با اهمیت و KPI ها
  5. 5. مقایسه یافته ها با استاندارد های صنعت
  6. 6. توجه به این نکته که داده های سازمان چگونه می تواند به محرک های کسب و کاری خدمت نماید
  7. مستند سازی اطلاعات و ایجاد گزارشات اولیه (بخشی از نقشه استراتژی داده )

۲.تجزیه و تحلیل و ارزیابی بلوغ داده

برای مشخص کردن وضعیت آینده سازمان ، باید نقطه شروع خود را (سطح بلوغ تحلیلی ) مشخص نمائید. ارزیابی بلوغ به سازمان شما کمک می‌کند تا اهداف قابل‌دستیابی را تعیین و گام‌های واقع‌بینانه و تدریجی ایجاد و در مسیر آن گام های خود را بردارید .   به گفته گارتنر، تحلیل‌های مدرن در چهار دسته مجزا قرار می‌گیرند: توصیفی، تشخیصی، پیش‌بینی‌کننده و تجویزی. برای اینکه تصویر کاملی از تجزیه و تحلیل و بلوغ داده خود داشته باشید، باید موارد زیر را در نظر بگیرید:

  • تهیه فهرستی از ابزارها، فناوری‌ها و سیستم‌هایی که امروزه استفاده می‌کنید.
  • ایجاد یک نمای کلی جامع از زیرساخت داده و همچنین معماری داده موجود.
  • ارزیابی مهارت های افراد و فرآیندهای سازمانی مرتبط با داده ها و تجزیه و تحلیل.
تجزیه و تحلیل و ارزیابی بلوغ داده
تجزیه و تحلیل و ارزیابی بلوغ داده
شکل ۱ –نمایی از مدل بلوغ Analytics8

با درک وضعیت فعلی خود، می توانید شکاف داده ای خود را تشخیص دهید  و چیزهایی را که برای بهینه سازی نیاز دارید ( خواه فناوری، فرآیندها، افراد یا همه ) را برای رسیدن به اهداف تجاری در سراسر سازمان مشخص نمائید. سطح بلوغ داده ها و تجزیه و تحلیل شما ابزاری برای اولویت بندی پروژه های داده ای در سازمان است و به عنوان معیاری برای اندازه گیری پیشرفت با افزایش قابلیت ها و انجام وظایف از استراتژی داده  عمل می نماید.

۳.معماری و فناوری داده گرفتار شدن در هیاهوها وانتخاب آخرین فن آوری در بازار آسان است.اما این روش بهترین راه حل نمی باشد.راه‌های موثری برای کاهش سر و صدای بازار و انتخاب فناوری مناسب برای شرایط شما وجود دارد:
  • بر این نکته تمرکز کنید که چگونه ابزارهای مدرن افراد سازمان شما را قادر می‌سازد تا اطلاعات بیشتری داشته باشند (ارتباط دسترسی و عملکرد فناوری)
  • ارتباط: چه کسی از فناوری استفاده خواهد کرد و آیا نیازهای آنها را برآورده می کند؟ فناوری باید داده ها را به شیوه ای معنادار برای کاربران تجاری سازماندهی و ارائه کند.
  • دسترسی: موانع زیادی وجود دارد که بخش ها و کاربران تجاری هنگام دسترسی به داده ها با آن مواجه می شوند. ابزاری را در نظر بگیرید که همه افراد سازمان را قادر می سازند تا تصمیمات مبتنی بر داده اتخاذ کنند.
  • عملکرد: فناوری های قدرتمندی در بازار وجود دارد که فرآیند تبدیل داده ها را سرعت می بخشد
  • انتخاب فناوری هایی برای حفظ یکپارچگی داده ها و تولید بیشترین ارزش
هنگام انتخاب ابزار و فناوری خود، به یاد داشته باشید که آنها اجزای مستقل از هم نیستند، بلکه بخش های یکپارچه ای از معماری داده شما هستند.
معماری و فناوری داده
معماری و فناوری داده
شکل ۲ : معماری مدرن داده تمام مراحل چرخه عمر داده را تحت تاثیر قرار می دهد .این تصویر برخی از گزینه های ابزار برای هر مرحله از چرخه حیات از جمله استخراج و جذب، ذخیره سازی و تکرار داده ها، تبدیل داده ها، انبار داده ها و تجسم داده را نشان می دهد.

ادامه در بخش سوم….


مطالب مرتبط :

اغلب سازمان‌هایی که به سراغ گسترش کسب و کار دیجیتالی خود می‌روند با شکست مواجه می‌شوند، چرا که رویکرد مدرنی برای حاکمیت داده خود ندارند. به طور سنتی حاکمیت داده شامل قوانین، سیاست‌ها و کنترل‌های متمرکزی می‌باشد که توسط مدیران میانی برای ایجاد اصطکاک و مشکل در زندگی دانشمندان داده ایجاد شده است و این اعتقادی است که افراد یک سازمان نسبت به حاکمیت داده دارند.

گارتنر ۱۰ مانع اصلی برای دستیابی به اهداف حاکمیت داده را بیان کرده است:

  • 1. فقدان رویکرد استاندارد به حاکمیت داده در سطح سازمان
  • 2. فقدان نقش‌های اساسی
  • 3. فقدان مهارت‌ها / تجربه برای ابتکار عمل
  • 4. کمبود بودجه برای هدایت راهبری
  • 5. ناتوانی در اجرای حکمرانی در حوزه‌های کسب و کاری سازمان
  • 6. مقاومت در برابر اجرای حکمرانی از حوزه‌های کسب و کاری سازمان
  • 7. عدم حمایت رهبر کسب و کار
  • 8. فقدان فناوری مناسب برای حکمرانی
  • 9. فقدان آموزش در این حوزه (سواد داده)
  • 10. عدم تعهد رهبری حاکمیت داده

به همین دلیل است که حاکمیت داده‌های مدرن باید جامعه‌محور و بر همکاری و دموکراسی‌سازی داده‌ها متمرکز باشد و حریم خصوصی در هسته آن باشد. همه افراد در یک سازمان باید بتوانند به داده‌های مناسب دسترسی داشته باشند، درک کنند و از آن برای کشف بینش‌های ارزشمند تجاری استفاده کنند.


با ما در جهانِ داده قدم بردارید :

آیا نسل انبارداده های سنتی سازمانی یا همان EDW از بین رفته است؟

خیر اما نیاز به نوع جدیدی از معماری های EDW و فناوری های نوآورانه که بتواند داده های چند ساختاری را پردازش نماید.برای این منظور معماری انبار داده های گسترده یافته یا همان XDW ایجاد گردید.

لایه های این معماری جدید به شرح ذیل می باشد :

لایه داده : در این لایه مقادیر عظیمی از داده های ساختار یافته و غیر ساختار یافته ذخیره می گردد.در این قسمت پایگاه داده های رابطه ای , nosql  ها ،سیستم های توزیع شده قرار دارند . این لایه می تواند شامل داده های Real-time Streaming   نیز باشد.

لایه ادغام: این لایه برای افزون داده ها به لایه داده طراحی شده است. علاوه برای انتقال های سنتی می توان از پالایشگاه داده ها استفاده کرد.در این حالت داده های خام ساختار یافته و بدون ساختار به صورت دسته ای و در لحظه از منابعی مانند دستگاه های IOT یا رسانه های اجتماعی دریافت می کنند.و آن ها را اطلاعات مفیدی تبدیل می کنند. برای تعیین ارزش داده های بیگ دیتا از این پالایشگاه داده استفاده می کنند.با استفاده از یک تجزیه و تحلیل تقریبی می توان فهمید کدام داده مفید می باشد . این فرایند ها به حاکمیت داده های انعطاف پذیر نیاز دارد زیرا در این حالت داده ها نیاز ندارند پردازش های با کیفیتی داشته باشند.

لایه پردازش: اینجا جایی است که یک EDW سنتی می تواند در اینجا تمامی داده ها را بگیرد و آن ها را در قالبی مناسب برای جستجوی دستورات SQL و سرور های انبار داده olap  تبدیل نماید. اینجا بهترین مکان برای منابع داده های با کیفیت بالا ،قابل اعتماد و سازگار برای تجزیه و تحلیل می باشد . فناوری های تحقیقاتی مانند Hadoop یا spark با انواع داده های غیر معمولی در این بخش قرار دارد.در این بخخش امکان تجزیه و تحلیل حجم داده های بزرگ با سرعت بالا فراهم شده است .

لایه تجزیه و تحلیل و هوش تجاری: در اینجا فناوری های تجسم داده و هوش تجاری در بستر ابری به دانشمندان و تحلیل گران داده اجازه می دهند تا داده ها را بررسی نمایند و بحث های هوش تجاری در آن پیاده سازی گردد.

انبار داده


مطالب مرتبط :

 

وقتی صحبت از کلان داده در سازمان‌ها می‌شود، فرآیندهای رایج مانند انباشت و ذخیره‌سازی به چالش خواهند افتاد، چه برسد به تحلیل و پیش‌بینی این داده‌های بزرگ.

در اینجا برخی از مواردی که ممکن است تغییر نمایند، اشاره شده است:

چارچوب حاکمیت کلان داده :

 

کنترل‌های سفت و سخت بر روی کلان داده‌ها در سازمان‌ها جوابگو نمی‌باشد. هر سازمان می‌تواند چارچوب خاص و منحصر به فرد خود را داشته باشد که با اهداف و چشم‌اندازهای تجاری همسو باشد. اما برای داشتن یک **حاکمیت پایدار**، باید مولفه‌های زیر در چارچوب لحاظ گردد:

اهداف تجاری:

برای اطمینان از اینکه داده‌ها به درستی جمع‌آوری و پردازش می‌شوند، هر یک از افراد باید در مسیری ثابت از اهداف سازمان حرکت کرده و به شاخص‌های موفقیت و شکست پاسخگو باشند. لازم است که از بالا تا پایین سازمان، در مورد چرایی حاکمیت داده بحث گردد و بر اساس اهداف سازمان، ماموریت و چشم‌اندازهای کلان داده تعریف شود.

افراد:

یک استراتژی مدیریت کلان داده به یک تیم حرفه‌ای نیاز دارد که داده‌ها را به دست آورند، مدیریت کنند، استفاده کنند و از آن‌ها حفاظت نمایند. بر اساس ساختار سازمانی، لازم است بدانید چه نقش‌های داخلی نیاز دارید:

– معماران داده
– دانشمندان داده
– مالکیت داده
– مباشران داده
– و …

در حاکمیت داده باید فرصت‌های ارتباطی و دسترسی بدون مانع به داده‌ها فراهم گردد تا کارکنان این احساس را داشته باشند که یک تیم واحد هستند و نه ذینفعان منزوی. همچنین باید به سواد داده توجه شود و آموزش‌های مناسب در هر سطحی جزو برنامه‌های سازمان قرار گیرد. نکته مهم دیگر، توجه به فرهنگ داده‌محور در حاکمیت داده است. در حالت ایده‌آل، فرهنگ مشارکت، پایداری و توانمندسازی کیفیت و انطباق داده‌ها باید ترویج یابد.

قوانین:

مدیریت حاکمیت بیگ دیتا، همراه با صاحبان و مباشران داده، باید مجموعه‌ای از قوانین و مقررات مانند سیاست‌ها و استانداردهای داده را برای تنظیم جمع‌آوری، مدیریت، استفاده و حفاظت از داده‌ها ایجاد کند. همه بازیگران داده باید نسبت به این موارد آگاهی داشته باشند.

امنیت:

بیش از هر چیز، هدف از مدیریت کلان داده در کسب‌وکارها، ایمن نگه داشتن داده‌ها است. علاوه بر نکات امنیتی، کارکنانی که با داده‌ها در تعامل هستند باید از شیوه‌های امنیت آگاه باشند و از قوانین تعیین‌شده در طول پردازش و تغییر داده‌ها پیروی نمایند.

باید سطوحی از دسترسی تعریف گردد که تعیین کند چه کسی می‌تواند انواع مختلف داده‌ها را مشاهده و تغییر دهد. در شکل زیر، یک چارچوب حاکمیت بیگ دیتا نمایش داده شده است:

در این فریم‌ورک باید به سوالات اساسی پاسخ داده شود:

– چرایی؟

این بخش شامل فعالیت‌های زیر می‌باشد:
– ماموریت‌های کسب‌وکار
– چشم‌اندازهای کسب‌وکار
– اهداف کسب‌وکار
– شاخص‌های موفقیت

– چه کسی؟
در بخش “چه کسی”، افراد درگیر در این چارچوب مشخص خواهند شد.

– چه چیزی؟
در بخش “چه چیزی”، المان‌های اصلی حاکمیت داده مانند استانداردهای داده، تعاریف، قوانین امنیتی، سیاست‌ها و انطباق‌ها مشخص خواهند شد.


مطالب مرتبط :

استراتژی داده چیست؟

استراتژی داده پایه و اساس تمام روش هاییی می باشد که می توان داده های یک سازمان را مدیریت کرد.البته این نکته حایز اهمیت می باشد که  این یک کار اصلاحی برای مشکلات داده‌ای سازمان نمی باشد.استراتژی داده به  چیزی بیش از داده‌ها می‌پردازد.استراتژی داده یک برنامه راهنما و بلندمدتی است که افراد، فرآیندها و فناوری لازم را برای حل چالش‌های داده سازمان و حمایت از اهداف تجاری تعریف می‌کند. ایجاد یک استراتژی داده موفق مستلزم آن است که رهبران کسب و کار به طور سنجیده و هدفمند به کسب و کار از دریچه داده ها نگاه کنند و پیش بینی کنند که برای رسیدن به اهداف مشخصی که شرکت تعریف کرده است چه اتفاقی باید بیفتد.

رهبران کسب و کار باید در نظر داشته باشند:

  • کارمندان به چه چیزهایی نیاز دارند تا بتوانند و به طور موثرتر از داده ها استفاده کنند؟
  • فرآیندهای مورد نیاز برای اطمینان از دسترسی به داده های سازمانی و کیفیت آن ها چه چیزی می باشد؟
  • فناوری که ذخیره، اشتراک گذاری و تجزیه و تحلیل داده های شرکت را امکان پذیر می کند چیست ؟

هدف استراتژی داده پاسخ به این سوال اساسی می باشد  که چگونه کل سازمان می تواند از داده ها برای حمایت از تصمیم گیری های تجاری استفاده نماید و برنامه ای طراحی شود که نقش افراد، فرآیندها و فناوری را در آن مشخص گردد.

اهمیت استراتژی داده فقط داشتن داده در سازمان ها کافی نمی باشد بلکه شما نیاز به یک استراتژی داده خواهید داشت تا ارزش داده های خود را درک کرده و نتایج معنا داری را که با اهداف تجاری شما همسو باشد را به دست آورید. استراتژی داده سازمان شما را قادر می سازد تا نوآور باشید، کاربران تجاری موثر و کسب و کارتان رقابتی شود. سازمان ها بدون وجود یک استراتژی داده، با چالش های رایج داده مواجه خواهند شد .

برخی از چالش ها عبارتند از :

  • ناتوانی در تصمیم گیری به موقع و مبتنی بر داده
  • گزارشات گذشته محور و عدم پیش بینی و آمادگی برای آینده
  • پذیرش کم تکنولوژی توسط کاربران
  • تعاریف ناسازگار، تعریف نشده یا غیرمستند برای معیارها و KPIها
  • ذخیره داده‌ها در سیلوها و بخش‌های متفاوت
  • ادغام دستی داده ها از منابع داده متفاوت
  • صرف زمان زیادی برای تهیه داده های خام
  • کیفیت پایین داده ها و مشکلات دسترسی به داده ها
  • وابستگی بیش از حد کاربران به فناوری اطلاعات

چارچوب استراتژی داده به عنوان پایه و اساس تمام ابتکارات داده یک سازمان عمل می کند.


مطالب مرتبط :

متأسفانه، بسیاری از برنامه‌های حاکمیت داده شکست می‌خورند و دلایل زیادی برای آن وجود دارد. نکته مهم این است که درس‌های بزرگی از این شکست‌ها باید گرفته شود.

در این مقاله، بخشی از کلیدهای موفقیت در این برنامه‌ها آمده است:

حاکمیت داده را به عنوان یک برنامه در نظر بگیرید

بسیاری از اوقات، افراد این مفهوم را یک پروژه می‌دانند.

این چه اشکالی دارد؟

مشکل این است که پروژه‌ها تاریخ پایان دارند. اگر بخواهد به درستی اجرا گردد، باید به صورت یک برنامه بدون پایان در نظر گرفته شود.

اگر می‌خواهید یک شرکت داده‌محور باشید و اطلاعات و دانش را از داده‌های خود استخراج کنید، مدیریت داده نمی‌تواند تاریخ پایانی داشته باشد. این کار هیچ گاه متوقف نخواهد شد.

غلبه بر چالش‌های سیاسی

اگر تازه کار هستید چالش‌های سیاسی وجود خواهد داشت که مانع اجرای برنامه‌ها می‌شوند. افراد زیادی در سازمان هستند که با تغییرات مخالفند. باید بر این چالش‌های سیاسی غلبه کنید و اینجاست که حمایت مالی خوب، پشتیبانی قوی اجرایی، ارتباطات و مدیریت تغییر به این موضوع کمک خواهد کرد. یک مدل بلوغ می‌تواند ابزار خوبی در این زمینه باشد زیرا به شما نشان می‌دهد که برای پیشرفت و پیشروی به سطح بلوغ بالاتر، ابتدا باید با چه چیزهایی مقابله کنید.

به صورت تکراری بسازید

برای موفقیت، به صورت تکراری قابلیت‌های تحویل‌پذیر را بسازید. چرخه‌هایی با مدت زمان ۳ ماه توصیه می‌شود که در پایان آن، یک چیز تحویل‌پذیر تمام می‌شود. البته برخی از آن‌ها به ۶ یا حتی ۱۲ ماه نیاز دارند. در مجموع، خوب است که در این مسیر ثابت قدم باشید و این انتظار را برای ذینفعان خود داشته باشید که پس از چند ماه، یک محصول بزرگتر وجود خواهد داشت. این تحویل‌ها می‌تواند شامل موارد زیر باشد:

  • ارزیابی
  • کارت امتیازی
  • گردش کار
  • مجموعه‌ای از استانداردها
  • تعدادی از اصطلاحات تجاری تعریف شده و غیره

تمرکز بر داده‌بان‌ها و مدیریت فراداده

برای موفقیت نیازمند برنامه‌ای قوی در حوزه داده‌بان‌ها و مدیریت فراداده هستید.

اندازه‌گیری موفقیت

باید موفقیت را با معیارها بسنجید. نشان دادن بهبودها دشوار است، به خصوص در مراحل اولیه برنامه. این کاری است که خیلی‌ها در مسیر اجرای پیاده‌سازی فراموش می‌کنند. جنبه دومی که باید در نظر گرفته شود این است که این معیارها با اهداف شرکت باید مرتبط باشند.

  • ما ۱۰۰ اصطلاح تجاری را به واژه نامه کسب و کار خود اضافه کرده‌ایم.
  • ما ۱۰ مباشر داده را آموزش داده‌ایم.
  • استانداردهای کیفیت داده را برای این ۲ دامنه داده و غیره توسعه داده شده است.

این‌ها دلایلی نمی‌باشد که در سازمان‌ها مدیریت داده انجام می‌شود. ما مدیریت داده را انجام می‌دهیم تا بینش و آینده‌نگری بهتری از داده‌های خود بدست آوریم. اهداف باید برای تعیین کارایی، رضایت بیشتر مشتریان و غیره باشد.

روی دامنه‌های داده تمرکز کنید

بسیاری از برنامه‌ها در سطح سازمان شروع نمی‌شوند. بسیاری از آن‌ها از یک بخش شروع می‌شوند. این خوب است، اما اگر در سطح سازمانی گسترش پیدا نکند، اجرای آن بی‌نتیجه خواهد بود و در نهایت با شکست مواجه می‌شود. در نتیجه عواقب نامطلوبی از جمله در سازمان رخ خواهد داد:

  • نمی‌توان به یک دید ۳۶۰ مشتری دست یافت
  • ناتوانی در ساخت یک برنامه قوی AI/ML
  • عدم کاهش خطاهای کیفیت داده‌ها
  • بی‌سوادی داده‌ها در سازمان
  • و ..

در برخی از حالات سایر برنامه‌ها بر روی یک سیستم خاص متمرکز می‌شوند (معمولاً یک CRM یا یک ERP). این دیدگاه نیز اشتباه است زیرا ذینفعان مهمی در سازمان وجود دارد که ممکن است از این سیستم‌ها استفاده نکنند اما از داده‌های مرتبط استفاده خواهند کرد. بنابراین، بهترین راه برای تمرکز بر داده‌ها، روی حوزه‌هایی مانند مشتری، محصول، مکان و غیره است. به این ترتیب این اطمینان حاصل می‌شود که بخش‌ها و سیستم‌های مربوطه نیز بخشی از حوزه هستند.

آن را زیر بخش IT قرار ندهید

این اشتباه دیگری است که سازمان‌ها با آن مواجه می‌شوند. بله، فناوری اطلاعات یک شریک مهم است، اما کسب و کار باید به طور مداوم درگیر باشد. باور کنید یا نه، این کسب و کار است که مالک آن است، نه فناوری اطلاعات.

ارتباط برقرار کنید و تغییرات را مدیریت کنید

ارتباطات بهترین دوست شماست. در کنفرانسی چند سال پیش، IDC اشاره کرد که ۹۰٪ ارتباطات است. شاید این مقدار زیاد به نظر برسد، اما با این حال، حکمرانی موفق نیاز به ارتباطات زیادی دارد. همانطور که در کلید قبلی موفقیت ذکر شد، این تغییرات زیادی را به همراه دارد و باید از طریق ارتباطات مؤثر مدیریت شود:

  • ارتباط،
  • مشارکت ذینفعان،
  • حمایت قوی،
  • پشتیبانی اجرایی،
  • آموزش، و غیره.

اهمیت آن‌ها را دست کم نگیرید و به همین دلیل است که فکر می‌کنم این احتمالاً مهم‌ترین کلید موفقیت است.

نتیجه

اجرای برنامه‌ها آسان نیست و برخی با شکست مواجه می‌شوند زیرا یک یا چند مورد از موارد فوق را در نظر نمی‌گیرند. این موارد موفقیت یک برنامه مدیریت داده در سطح سازمانی را تضمین می‌کند که از بهترین شیوه‌ها پیروی می‌کند و الزامات آن را برآورده می‌سازد.


مطالب مرتبط :

حاکمیت کلان داده

آیا بین حاکمیت داده و حاکمیت کلان داده تفاوتی وجود دارد ؟

در واقع، نباید هیچ تفاوتی بین این دو حاکمیت وجود داشته باشد .اصول یکسانی باید برای هر دو حاکمیت اعمال می شود.حاکمیت کلان داده از نظر چالش ها و اصول بسیار شبیه به حاکمیت داده های سنتی است. با این حال، حاکمیت کلان داده باید نکات زیر را در بر داشته باشد :

  • حجم داده های بزرگ می تواند زیاد و به پتابایت برسد.
  • کلان داده ها می توانند ساختار یافته، نیمه ساختاریافته یا بدون ساختار باشند
  • مخازن داده های بزرگ شامل فایل ها، پایگاه های داده NoSQL، دریاچه های داده و جریان داده ها باشند.
  • داده ها از منابع داخلی و خارجی استخراج می شوند.
  • داده ها در زمان واقعی پردازش می شوند.

از آنجایی که ابزارهای سنتی حاکمیت داده در بازار امروز نمی‌توانند نیازهای پردازش داده‌های بزرگ را پشتیبانی کنند، برای کسب‌وکارها ضروری است که در استراتژی تجزیه و تحلیل داده خود تجدید نظر کنند و از فناوری‌های موجود برای مقابله با چالش‌های جدید استفاده نمایند..

چه کسی مسئول حاکمیت داده است؟

حاکمیت داده ها از مرزهای دپارتمان ها عبور می کند و بر هر بخشی تاثیر گذار می باشد. و استقرار حاکمیت نیازمند همکاری در سطح کل سازمان می باشد. هنگامی که همه بدانند چه کسی دارای اختیارات و مسئولیت های مرتبط با داده است، می توان از هرج و مرج و اشتباه جلوگیری کرد و امکان اجتماعی شدن حاکمیت داده را فراهم کرد. بسته به اندازه و اهداف سازمانی، نقش های زیر ممکن است برای یک تیم قدرتمند کلان داده مورد نیاز باشد:کلان داده

افسران ارشد داده (CDOs) :

این افراد در توسعه استراتژی داده شرکت می کنند، بر اجرای چارچوب داده نظارت می کنند و از داده ها به عنوان یک دارایی استراتژیک استفاده می کنند. آنها استانداردها، خط مشی ها و شیوه های داده را ایجاد می کنند و فرهنگ داده ای شرکتی را رشد می دهند.

معماران کلان داده :

این افراد در فن آوری های مربوطه مهارت دارند و روابط بین آنها را درک می کنند. آنها مسئول طراحی راه حل های پردازش داده های بزرگ هستند که قادر به حل هر مشکل مربوط به داده هستند. آنها می توانند عمیقاً در مدیریت داده، اتوماسیون و امنیت درگیر شوند.

مهندسان داده :

این افراد سیستم هایی را برای جمع آوری، تمیز کردن و سازماندهی داده ها از منابع متعدد و انتقال آن به انبارهای داده راه اندازی می کنند.

دانشمندان داده / تحلیلگران داده :

این افراد مسئول تجزیه و تحلیل مجموعه های بزرگی از داده های ساختاریافته و بدون ساختار، ایجاد الگوریتم ها و مدل های پیش بینی، و استخراج روندها و بینش های مرتبط با کسب و کار هستند.

صاحبان داده ها:

اعضای تیمی هستند که از داده ها استفاده می کنند و در قبال دارایی های داده از نظر کیفیت و امنیت در تیم خود پاسخگو می باشند.

مباشران داده :

این افراد از نزدیک با صاحبان داده همکاری می کنند و بر نحوه اجرای استراتژی داده و اینکه آیا از سیاست ها و استانداردهای داده پیروی می کنند نظارت می کنند. آنها همچنین در آموزش صاحبان داده جدید شرکت می کنند. از آنجایی که داده‌های بزرگ اغلب جمع‌آوری می‌شوند اما به دلیل غیبت متخصصان، مورد استفاده قرار نمی‌گیرند.

کاربران داده :

اعضای تیمی هستند که برای انجام فعالیت های روزانه خود با داده ها تعامل دارند. آنها مسئول ورود داده ها هستند. به مجموعه داده های مختلف دسترسی و گزارشات را تولید می کنند.

تیم های فناوری اطلاعات:

تیم های فناوری اطلاعات مسئول پیاده سازی و سفارشی سازی فناوری، توسعه ویژگی های اضافی برای پردازش کلان داده ها، ممیزی، امنیت و نگهداری داده ها هستند.


مطالب مرتبط :

حاکمیت هوش تجاری

حاکمیت هوش تجاری  به مجموعه ای از استراتژی ها، فرآیندها و ابزارهایی اشاره دارد که سازمان را قادر می سازد تا ارزش تولید شده از هوش تجاری را به حداکثر برساند و در عین حال در این مسیر  این اطمینان را حاصل کند که امنیت لازم، حریم خصوصی داده ها و کنترل های حسابرسی حفظ خواهد شد. حاکمیت مؤثر هوش تجاری، پایه اصلی هر استراتژی موفق هوش تجاری می باشد. درست است که بسیاری از سازمان ها نوعی از حاکمیت هوش تجاری را اجرا کرده اند،اما اکثر آنها فاقد یک استراتژی جامع هستند که به درستی تعامل، مدیریت محتوا و کنترل دسترسی را متعادل کند.

در یک محیط که هوش تجاری به خوبی اداره می شود موارد زیر اتفاق می افتد :

  • محتوا امن است.
  • بیشتر گزارش‌ها در پلتفرم‌های هوش تجاری از دید کاربران تجاری پنهان نمی باشد.
  • سلف‌سرویس هوش تجاری کار می‌کند زیرا کاربران تجاری می‌توانند به یک محیط هوش تجاری  دسترسی داشته باشند
  • کیفیت داده بخشی از هر راه حل هوش تجاری است و این به معنا اعتماد کاربران به گزارشات می باشد.
  • ابزارهای هوش تجاری برای تصمیم گیری روزانه بسیار مورد استفاده قرار می گیرد.
  • تحلیلگران هوش تجاری بیشتر وقت خود را صرف پروژه های با ارزش هوش تجاری می کنند .
  • و …

چهار مولفه برای حاکمیت هوش تجاری وجود دارد:

  • یک کمیته مدیریت هوش تجاری
  • چارچوبی برای چرخه حیات هوش تجاری
  • ساختار پشتیبانی کاربر نهایی
  • فرآیندی برای بررسی برنامه های هوش تجاری

کمیته های حاکمیت هوش تجاری

برطرف کردن مشکلات و اختلافات ، وظیفه کمیته های حاکمیتی می باشد. نقش کمیته حاکمیت برای موفقیت استراتژی هوش تجاری بسیارحیاتی است. این کمیته حاکمیت باید در راستای اهداف تجاری باید باشند. هر نماینده می تواند دیدگاه و اولویت های تیم خود را به میز جلسه بیاورد. اولین گام تعیین اولویت ها می باشد. در ابتدا، تمرکز کمیته های حاکمیت باید بر تعیین اولویت‌های هوش تجاری در سطح سازمانی، شناسایی تأثیرات و فرصت‌های هوش تجاری، تأمین بودجه باشد. هدف اصلی کمیته راهبری هوش تجاری، ارائه دید بیشتر به همه ابتکارات سازمانی  همسو با اهداف کلی کسب و کار و ایجاد ارزش برای هر نهاد شرکت‌کننده می باشد.

چرخه حیات هوش تجاری

چرخه حیات هوش تجاری، چارچوبی است که شامل تمام فرآیندهای مورد نیاز برای اجرای یک پروژه با هر اندازه می باشد.
  • یکپارچه سازی داده ها.
  • ساختارهای تحلیلی جدید برای انبار داده
  • نماهای جدید، مکعب ها در مجموعه ابزار هوش تجاری.
  • یک ابزار کاملاً جدید هوش تجاری
  • آموزش داده برای کاربران نهایی و آموزش ابزار برای کاربران نهایی
  • مدیریت تغییر برای ساختارهای داده موجود
  • و…
چرخه حیات هوش تجاری چگونه به نظر می رسد؟ چرخه حیات هوش تجاری یک چارچوب منسجم می باشد که از تلاش‌های هوش تجاری به صورت سرتاسری پشتیبانی می‌کند و مورد توافق IT و کاربران تجاری است. بسته به محدوده پروژه می توان از بخش های مختلف چارچوب به صورت جداگانه یا ترکیبی استفاده کرد. هدف این است که یک چارچوب، جنبه های مختلف هوش تجاری را بدون توجه به ترتیب یا وابستگی مدیریت کند.
عضویت در خبرنامه
close slider

عضویت در خبرنامه

فیلد های "*" اجباری هستند

نام و نام خانواگی*
این قسمت برای اهداف اعتبارسنجی است و باید بدون تغییر باقی بماند.