#4 Informationsmanagement-Maturitätsmodell

Subscribe to get the latest

on Mon Jun 29 2020 17:00:00 GMT-0700 (Pacific Daylight Time)

with Darren W Pulsipher,

In dieser Episode werden wir über das Information Management Reifegradmodell sprechen und wie wir dieses Modell verwenden können, um unseren Organisationen voranzubringen. Dieses Modell kann Ihnen dabei helfen, zu erkennen, wo sich Ihre Organisation in ihrer Informationsmanagementstrategie befindet und wohin sie geht, um letztendlich den maximalen Geschäftswert aus Ihren Daten zu gewinnen.


Keywords

#data #informationmanagement #informationmaturity #datagovernance #datawarehouse #datalake #datamesh #datalineage #technology #process #people

Die Entwicklung einer Datenstrategie kann schwierig sein, insbesondere wenn der Zustand des Informationsmanagements oder die Richtung Ihres Unternehmens unklar ist. Das Modell für die Reife des Informationsmanagements hilft CDOs und CIOs dabei, festzustellen, wo sie sich auf ihrer Reise des Informationsmanagements befinden und in welche Richtung sie gehen. Diese Karte kann Organisationen dabei unterstützen, sich kontinuierlich zu verbessern und sich zu einer ultimativen Datenorganisation zu entwickeln, die ihnen ermöglicht, den maximalen Geschäftswert aus ihren Daten zu erzielen.

Das Modell stellt eine Reihe von Phasen dar, beginnend von der am wenigsten ausgereiften bis zur am meisten ausgereiften: Standardisiert, Gemanagt, Gesteuert, Optimiert und Innovation. Oftmals kann eine Organisation gleichzeitig in mehreren Phasen existieren. Sie können bestimmen, in welcher Phase die Mehrheit Ihrer Organisation tätig ist und dann Ihre Vorreiter identifizieren, die in der Reife weiter fortgeschritten sein sollten. Verwenden Sie diese Vorreiter, um neue Prozesse, Technologien oder Organisationsstrukturen zu pilotieren oder zu prototypen.

Standardisierte Phase

Die standardisierte Phase hat drei Unterphasen: Grundlegende, zentralisierte und vereinfachte Phase. Die meisten Organisationen befinden sich irgendwo in dieser Reifephase, daher sollten Sie das Verhalten, die Technologie und die Prozesse in Ihrer Organisation betrachten, um herauszufinden, wo Ihre Organisation möglicherweise passt.

Grundlegend

Nahezu jede Organisation passt zumindest teilweise in diese Phase. Hier wird Daten nur reaktiv und ad hoc verwendet. Zudem werden fast alle gesammelten Daten basierend auf vordefinierten Zeiträumen gespeichert, oft unbegrenzt. Unternehmen in dieser grundlegenden Phase löschen keine Daten aus Angst, wichtige Informationen für die Zukunft zu verpassen. Zum Beispiel haben wir kürzlich mit einem Unternehmen zusammengearbeitet, das 30 Jahre E-Mail-Backups mit etwa 12-10 Terabyte hat, von denen sie sich nicht trennen wollen. Dies ist eine nicht ungewöhnliche Praxis.

Diese Attribute beschreiben diese Phase am besten:

Management durch Reaktion

Unkatalogisierte Daten

  • Speichern Sie alles überall.

Zentralisiert (zentralisierte Datenerhebung)

Wenn Organisationen ihre Datenstrategie bewerten, schauen sie zuerst darauf, ihre Speicherung in zentrale Big-Data-Speicherlösungen zu zentralisieren. Dieser Ansatz wird entweder in Form von Cloud-Speicher oder vor Ort in Big-Data-Geräten umgesetzt. Sobald die Daten an einem zentralen Ort gesammelt sind, kann die Datenbanktechnologie grundlegende Geschäftsanalysen ermöglichen, um verwertbare Informationen abzuleiten. In den meisten Fällen werden diese Daten verwendet, um Probleme mit Kunden, der Lieferkette, der Produktentwicklung oder anderen Bereichen in Ihrer Organisation zu beheben, in denen Daten generiert und gesammelt werden.

Diese Attribute beschreiben am besten diese Phase:

Management durch Reaktion

Grundlegende Datenerhebung

  • Datenlager

Großer Datenspeicher

  • Grundlegende Big Data-Analytik (?)

Vereinfacht

Mit der steigenden Anzahl von Datenquellen beginnen Unternehmen Organisationen zu bilden, die sich auf Datenstrategie, -organisation und -governance konzentrieren. Diese Veränderung beginnt mit dem Büro des Chief Data Officers (CDO). Es gibt Debatten darüber, ob der CDO unter dem CEO oder CIO positioniert sein soll. Hängen Sie sich jedoch nicht zu sehr an der Positionierung in der Organisation auf. Das Wichtige ist, einen Fokus auf die Datenorganisation zu etablieren und einen Plan zur Datenormalisierung umzusetzen. Durch Normalisierung ist es möglich, verschiedene Datenquellen zu korrelieren und neue Erkenntnisse darüber zu gewinnen, was in Ihrem gesamten Unternehmen passiert. Beachten Sie, dass die Daten ohne Normalisierung weiterhin isoliert sind und nur teilweise zugänglich sind. Ein weiteres wichtiges Merkmal dieser Phase ist die Notwendigkeit, einen Plan zur Bewältigung des massiven Datenvolumens zu entwickeln, das gesammelt wird. Aufgrund der Zunahme des Volumens und der Kosten für die Speicherung dieser Daten wird gestaffelter Speicherplatz wichtig. Obwohl es in den Anfangsstadien fast unmöglich ist, den optimalen Weg zur Verwaltung der Datenspeicherung zu kennen, empfehlen wir, die besten verfügbaren Informationen zu nutzen, um rationale Pläne für die Datenspeicherung zu entwickeln, mit dem Vorbehalt, dass diese überprüft und verbessert werden müssen, sobald die Daten verwendet werden.

Diese Attribute beschreiben diese Phase am besten:

  • Vorhersagendes Datenmanagement (Beginn einer datenorientierten Organisation)

Datennormalisierung

Zentralisierte gestaffelte Speicherung

Verwaltet (Standard-Datenprofile)

In der Verwaltungsphase haben Organisationen ihre Datenorganisation formalisiert; Datenwissenschaftler, Datenverantwortliche und Dateningenieure sind nun Teil des Teams und haben definierte Aufgaben und Verantwortlichkeiten. Das Management von Metadaten wird zu einem entscheidenden Erfolgsfaktor in dieser Phase und mehrere Anwendungen können nun von den Daten im Unternehmen profitieren. Der Wechsel von einem Datenlager zu einem Daten-See ermöglicht eine größere Agilität bei der Entwicklung datenzentrierter Anwendungen. Die Virtualisierung der Datenspeicherung ermöglicht eine effizientere und dynamischere Speicherlösung. Datenanalysen können nun mit Datensätzen aus verschiedenen Quellen und Abteilungen im Unternehmen durchgeführt werden.

Diese Attribute beschreiben am besten diese Phase:

  • Organisiertes Datenmanagement (Datenorganisation an Ort und Stelle mit identifizierten Schlüsselrollen)

  • Meta-Daten-Verwaltung

  • Datenherkunft oder Datenherkunftsnachverfolgung

Data lake translates to German as “Datensee”.

Große Datenanalyse

Software-definierte Speicherung (Speichervirtualisierung)

Regiert

Die geregelte Phase wird in erster Linie erreicht, wenn eine Organisation einen zentralisierten Ansatz für Daten verfolgt und einen ganzheitlichen Ansatz für die Steuerung und Sicherung erreicht hat. Der CDO arbeitet eng mit dem CSO (Chief Security Officer) zusammen, um sicherzustellen, dass die Daten- und Sicherheitsstrategien zusammenarbeiten, um die wertvollen Daten des Unternehmens zu schützen und gleichzeitig für Analysen zugänglich zu machen. Daten werden je nach Kritikalität, Geheimhaltung oder Bedeutung in verschiedene Kategorien eingeteilt. Die Einhaltung von Vorschriften wird automatisiert und auf Daten in der gesamten Organisation angewendet. Die Sichtbarkeit für die Nutzung von Daten und Sicherheit nimmt mit den gemeinsamen Daten- und Sicherheitsstrategien und taktischen Plänen zu. Künstliche Intelligenz wird in der Organisation weit verbreitet eingesetzt und Geschäftsentscheidungen werden durch Daten hergeleitet. Daten können jetzt aus dem gesamten Unternehmen, einschließlich Internet der Dinge (IoT) -Geräten an den physischen Vermögenswerten des Unternehmens, gesammelt und katalogisiert werden.

Diese Eigenschaften beschreiben diese Phase am besten:

Datenklassifizierung

Datenkonformität

Datensicherheit

Grundlegende KI

Verteilte Datenvirtualisierung / IoT

Optimiert

Mit der zunehmenden Datensammlung von Organisationen müssen Effizienzen in Automatisierung und kontinuierlicher Prozessverbesserung gefunden werden. Die Automatisierung von Datenprozessen ist das Hauptziel in der optimierten Phase. Insbesondere die Automatisierung der Annotation und der Metatag-Daten verringert die Zeit, um Wert aus den Daten abzuleiten. Die Daten sind mittlerweile zu groß, um an einem zentralen Ort gespeichert zu werden, und eine “verteilter Daten-See” Architektur entwickelt sich zum optimalen Weg, um Daten zu verwalten. Machine Learning ist in dieser Phase entscheidend, um Informationen für Entscheidungsträger bereitzustellen und Geschäftsbetriebe und -wert zu optimieren. Anwendung und Daten werden auf Netzwerk-, Speicher- und Recheninfrastruktur basierend auf historischen Informationen und KI-Modellen bereitgestellt.

Diese Attribute beschreiben diese Phase am besten:

Automatisierte Metatagging

Verteilter Datensee

Dateninferenz / maschinelles Lernen

Datengetriebene Infrastruktur

Innovation

Die ultimative Organisation befindet sich in der Innovationsphase. Sie wird nicht nur von Daten angetrieben, sondern entwickelt neue Produkte, Angebote und Dienstleistungen basierend auf Erkenntnissen aus Daten innerhalb und außerhalb ihrer Organisation. In dieser Phase bieten KI/ML unschätzbare Vorteile. Es gibt drei Unterphasen in der Innovation: Erkenntnis, präskriptiv und Voraussicht.

Einsicht

Einblick ist datenorientierte Entscheidungsfindung, basierend auf dem, was man tatsächlich in seinem Ökosystem sehen kann, zum Beispiel in der Lieferkette, der Produktentwicklung oder der Fertigung.

Vorschriften

Während Erkenntnis wertvoll ist, erfordert sie menschliche Interaktion, Verständnis und Intuition. In der nächsten Stufe, präskriptiv, schlägt Ihre künstliche Intelligenz vor, was Sie basierend auf der Erkenntnis tun sollten. Dies kann eine wichtige Rolle in Ihrer gesamten Organisation spielen, da Entscheidungen datenbasiert sind - vom Lieferkettenmanagement bis hin zur Kundengewinnung.

Voraussicht

In diesem entscheidenden Schritt hilft die Daten tatsächlich dabei, die Zukunft zu gestalten. Zum Beispiel ermöglicht Voraussicht einer IT-Organisation, basierend auf historischen Normen und sogar Faktoren wie den sich ändernden Bedingungen bei Konkurrenten, abzuschätzen, wie viel Kapazität sie in Zukunft benötigen wird. Voraussicht erfordert viele Daten und das Training von Modellen, führt aber letztendlich zum Ziel eines Echtzeitunternehmens.

Diese Eigenschaften beschreiben diese Phase am besten:

Einsicht (datengesteuerte Entscheidungen)

Vorgeschrieben (datengesteuertes Geschäft)

Voraussicht (die Zukunft gestalten)

Tieflernen

Echtzeitunternehmen

Abschluss

Es ist üblich, sich in einer Phase festzustecken und von der Menge an Veränderungen überwältigt zu fühlen, die erforderlich sind, um in eine neue Phase der Reife zu gelangen. Jeder Schritt nach vorne ist jedoch wertvoll. Zum Beispiel sind Sie vielleicht in einer zentralisierten Phase und können sich mit dem Metadatenmanagement beschäftigen. Gibt es hier die Möglichkeit, über das bloße Bereinigen der Daten hinauszugehen und sie auch zu erweitern? Diese Art von progressivem Denken wird Sie dazu bringen, in der Reife in der Verwaltung Ihrer Informationen voranzukommen.

Podcast Transcript