#4 Modello di maturità della gestione delle informazioni
Subscribe to get the latest
on Mon Jun 29 2020 17:00:00 GMT-0700 (Pacific Daylight Time)
with Darren W Pulsipher,
In questo episodio, parleremo del Modello di Maturità della Gestione dell'Informazione e di come possiamo utilizzare tale modello per aiutare le nostre organizzazioni a progredire. Questo modello può aiutarti a identificare dove si trova la tua organizzazione e dove si sta dirigendo nella sua strategia di gestione delle informazioni, ottenendo infine il massimo valore aziendale dai tuoi dati.
Keywords
#data #informationmanagement #informationmaturity #datagovernance #datawarehouse #datalake #datamesh #datalineage #technology #process #people
Sviluppare una strategia dei dati può essere difficile, specialmente se lo stato della gestione delle informazioni o la traiettoria della tua azienda non è chiara. Questo Modello di Maturità della Gestione delle Informazioni aiuta i CDO e i CIO a individuare dove si trovano nel loro percorso di gestione delle informazioni e nella loro traiettoria. Questa mappa può aiutare a guidare le organizzazioni mentre continuano a migliorare e progredire verso l’organizzazione dei dati definitiva che consente loro di ottenere il massimo valore aziendale dai loro dati.
Il modello rappresenta una serie di fasi, che vanno dalla meno matura alla più matura: Standardizzata, Gestita, Governata, Ottimizzata e Innovazione. Molte volte, un’organizzazione può trovarsi contemporaneamente in più fasi. È possibile determinare in quale fase opera la maggior parte dell’organizzazione e identificare i pionieri che dovrebbero essere più avanzati in termini di maturità. Utilizzare questi pionieri per sperimentare o creare un prototipo di nuovi processi, tecnologie o strutture organizzative.
Fase standardizzata
La fase standardizzata ha tre sottofasi: base, centralizzata e semplificata. La maggior parte delle organizzazioni si trova in qualche punto di questa fase di maturità, quindi osserva i comportamenti, la tecnologia e i processi della tua organizzazione per capire dove potrebbe collocarsi la tua organizzazione.
Base
Quasi tutte le organizzazioni si inseriscono in questa fase, almeno parzialmente. Qui, i dati vengono utilizzati solo reattivamente e in modo improvvisato. Inoltre, quasi tutti i dati raccolti vengono archiviati in base a periodi di tempo predeterminati, spesso in modo indefinito. Le aziende in questa fase di base non cancellano i dati per paura di perdere alcune informazioni importanti in futuro. Ad esempio, abbiamo lavorato di recente con un’azienda che conserva backup di email degli ultimi 30 anni, pari a circa 12-10 terabyte, di cui ha paura di sbarazzarsi. Questa non è una pratica rara.
Questi attributi descrivono al meglio questa fase:
Gestione reattiva
Dati non catalogati
Conserva tutto ovunque
Centralizzato (Raccolta dati centralizzata)
Man mano che le organizzazioni iniziano a valutare la loro strategia dati, prima cercano di centralizzare il loro archivio in soluzioni di storage di big data. Questo approccio può assumere la forma di storage cloud o di appliance di big data in loco. Una volta che i dati vengono raccolti in una posizione centralizzata, la tecnologia dei data warehouse può consentire analisi di base per ottenere informazioni utili. La maggior parte delle volte, questi dati vengono utilizzati per risolvere problemi con clienti, catena di approvvigionamento, sviluppo prodotto o qualsiasi altra area dell’organizzazione in cui vengono generati e raccolti dati.
Questi attributi descrivono meglio questa fase:
Gestione reattiva
Raccolta dati di base
I data warehouse
archiviazione di grandi quantità di dati
Analisi base dei big data.
Semplificato
Man mano che aumenta il numero di fonti di dati, le aziende iniziano a formare organizzazioni che si concentrano sulla strategia, l’organizzazione e la governance dei dati. Questo cambiamento inizia con l’ufficio del Chief Data Officer (CDO). Ci sono dibattiti su dove il CDO dovrebbe essere posizionato all’interno dell’azienda, sotto il CEO o il CIO. Non ci si deve concentrare su dove si trovano all’interno dell’organizzazione. La cosa importante è stabilire un focus sull’organizzazione dei dati e implementare un piano per normalizzare i dati. La normalizzazione offre la possibilità di correlare diverse fonti di dati per ottenere nuove informazioni su ciò che sta accadendo in tutta l’azienda. È importante notare che senza normalizzazione, i dati rimangono isolati e sono solo parzialmente accessibili. Un altro attributo chiave di questa fase è la necessità di sviluppare un piano per gestire il massiccio volume di dati raccolti. A causa dell’aumento di volume e dei costi di archiviazione di questi dati, diventa importante utilizzare una stratificazione di archiviazione. Sebbene nelle prime fasi sia quasi impossibile conoscere il modo ottimale per gestire l’archiviazione dei dati, si consiglia di utilizzare le migliori informazioni disponibili per sviluppare piani di archiviazione dei dati razionali. È importante tenere presente che questo piano dovrà essere riesaminato e migliorato una volta che i dati saranno utilizzati.
Questi attributi descrivono al meglio questa fase:
Gestione predittiva dei dati (inizio di un’organizzazione centrata sui dati)
Normalizzazione dei dati
Archiviazione centralizzata a più livelli
Gestito (Profili dati standard)
Nella fase di Gestione, le organizzazioni hanno formalizzato l’organizzazione dei dati; i data scientist, i data steward e i data engineer fanno ora parte del team e hanno ruoli e responsabilità definiti. La gestione dei dati metadata diventa un fattore chiave per il successo in questa fase e diverse applicazioni possono ora beneficiare dei dati dell’azienda. Il passaggio da un data warehouse a un data lake consente una maggiore agilità nello sviluppo di applicazioni data-centriche. La virtualizzazione dello storage dei dati consente una soluzione di storage più efficiente e dinamica. L’analisi dei dati può ora essere eseguita su set di dati provenienti da diverse fonti e dipartimenti dell’azienda.
Questi attributi descrivono al meglio questa fase.
Gestione organizzata dei dati (organizzazione dei dati in atto con ruoli chiave identificati)
Gestione dei metadati
Linea di dati
Lago dei dati
Analisi dei grandi dati
- Archiviazione definita dal software (virtualizzazione dello storage)
Governo
La fase governata è principalmente raggiunta quando un’organizzazione adotta un approccio centralizzato ai dati e raggiunge un approccio olistico alla loro gestione e sicurezza. Il CDO lavora in stretta collaborazione con il CSO (Chief Security Officer) per garantire che le strategie in materia di dati e sicurezza lavorino insieme per proteggere i dati preziosi dell’azienda rendendoli accessibili per l’analisi. I dati vengono classificati in diverse categorie in base alla criticità, al segreto o all’importanza. La conformità dettata dalle normative è automatizzata e applicata ai dati in tutta l’organizzazione. La visibilità aumenta grazie alle strategie comuni di dati e sicurezza e ai piani tattici. L’intelligenza artificiale di base viene ampiamente utilizzata all’interno dell’organizzazione e le decisioni aziendali vengono elaborate sulla base dei dati. I dati possono ora essere raccolti e catalogati da tutta l’azienda, compresi i dispositivi Internet delle Cose (IoT) sugli asset fisici dell’azienda.
Questi attributi descrivono al meglio questa fase:
Classificazione dei dati
Rispetto dei dati
Sicurezza dei dati
- AI di base
Virtualizzazione dei dati distribuita / IoT
Ottimizzato
Come la raccolta dei dati delle organizzazioni continua ad aumentare, è necessario trovare efficienze nell’automazione e nel miglioramento continuo dei processi. L’automazione dei processi di dati è l’obiettivo principale nella fase di ottimizzazione. In particolare, l’automazione dell’annotazione e dei metadati riduce il tempo per ottenere valore dai dati. I dati sono diventati troppo grandi per essere spostati in un’unica posizione centralizzata, e un’architettura di “distributed data lake” emerge come il modo ottimale per gestire i dati. L’apprendimento automatico è fondamentale in questa fase per iniziare a fornire informazioni ai responsabili delle decisioni per aiutare a ottimizzare le operazioni e il valore aziendale. L’applicazione e i dati vengono distribuiti su infrastrutture di rete, archiviazione e calcolo basate su informazioni storiche e modelli di intelligenza artificiale.
Questi attributi descrivono al meglio questa fase.
Etichettatura meta automatica
Lago dati distribuito
Inferenza dati / Apprendimento automatico
Infrastruttura basata sui dati
Innovazione
L’organizzazione ultima si trova nella fase di Innovazione. Non è semplicemente guidata dai dati, ma crea nuovi prodotti, offerte e servizi basati sui risultati ottenuti dai dati interni ed esterni all’organizzazione. In questa fase, l’IA/ML fornisce vantaggi inestimabili. Ci sono tre sottofasi nell’Innovazione: intuizione, prescrittiva e previsione.
Saggezza
L’insieme è la presa di decisioni basata sui dati basata su ciò che si può effettivamente vedere in quello che sta accadendo nel tuo ecosistema, ad esempio nella tua catena di approvvigionamento, nello sviluppo del prodotto o nella produzione.
Prescrittivo
Mentre l’acume è prezioso, richiede interazione umana, comprensione ed intuizione. Al livello successivo, il proattivo, la tua intelligenza artificiale ti suggerisce cosa fare in base all’acume. Ciò può svolgere un ruolo importante in tutta la tua organizzazione, poiché le decisioni sono guidate dai dati dalla catena di fornitura fino all’acquisizione dei clienti.
Preveggenza
In questo passaggio di coronamento, i dati effettivamente aiutano a creare il futuro. Ad esempio, la preveggenza consentirebbe a un’organizzazione informatica di proiettare quanta capacità sarà necessaria in futuro basandosi su norme storiche e persino su fattori come le condizioni mutevoli dei suoi concorrenti. La preveggenza richiede molti dati e l’addestramento di modelli, ma porta all’obiettivo ultimo dell’azienda in tempo reale.
Questi attributi descrivono al meglio questa fase:
Insight (decisioni basate sui dati)
Prescrittivo (business basato sui dati)
Previsione (creare il futuro)
Deep learning - Apprendimento profondo
Azienda in tempo reale
Conclusione
È comune sentirsi bloccati in una fase e sopraffatti dalla quantità di cambiamento necessaria per passare a una nuova fase di maturità. Ogni passo avanti, però, è prezioso. Ad esempio, forse ti trovi in una fase centralizzata e puoi analizzare la gestione dei metadati. C’è l’opportunità di andare oltre la pulizia dei dati e migliorarli anche? Questo tipo di pensiero progressivo ti farà progredire nella catena di maturità nella gestione delle tue informazioni.