Tirer le meilleur parti de votre transformation basée sur les données : 10 principes clés

Fourni par Hewlett Packard Entreprise

L'importance des données pour les entreprises d'aujourd'hui ne peut être surestimée. Des études montrent entreprises axées sur les données sont 58 % plus susceptibles de dépasser leurs objectifs de revenus que les entreprises non axées sur les données et 162 % plus susceptibles de surpasser de manière significative les retardataires. L'analyse des données aide près de la moitié des entreprises prendre de meilleures décisions sur tout, des produits qu'ils livrent aux marchés qu'ils ciblent. Les données deviennent essentielles dans tous les secteurs, qu'il s'agisse d'aider les exploitations agricoles augmenter la valeur des cultures qu'ils produisent ou fondamentalement changer le jeu de basket .

Utilisées de manière optimale, les données ne sont rien de moins qu'un atout d'une importance cruciale. Le problème, c'est qu'il n'est pas toujours facile d'exploiter les données. le Rapport Seagate Rethink Data , avec des recherches et des analyses d'IDC, a révélé que seulement 32 % des données disponibles pour les entreprises sont utilisées et que les 68 % restants ne sont pas exploités. Cadres ne sont pas entièrement confiants dans leur capacité actuelle, ni dans leurs plans à long terme, à extraire des niveaux optimaux de valeur des données qu'ils produisent, acquièrent, gèrent et utilisent.

Quelle est la déconnexion ? Si les données sont si importantes pour la santé d'une entreprise, pourquoi sont-elles si difficiles à maîtriser ?

Dans les entreprises les mieux gérées, les systèmes qui relient les producteurs de données et les consommateurs de données sont sécurisés et faciles à déployer. Mais ils ne le sont généralement pas. Les entreprises sont mises au défi de trouver des données et de les exploiter à des fins stratégiques. Les sources de données sont difficiles à identifier et encore plus difficiles à évaluer. Les ensembles de données utilisés pour former des modèles d'IA pour l'automatisation des tâches peuvent être difficiles à valider. Les pirates cherchent toujours à voler ou à compromettre des données. Et trouver des données de qualité est un défi, même pour les data scientists les plus avertis.

L'absence d'un système de bout en bout pour garantir des données de haute qualité et les partager efficacement a indirectement retardé l'adoption de l'IA .

Les lacunes de communication peuvent également faire dérailler le processus de fourniture d'informations percutantes. Les dirigeants qui financent des projets de données et les ingénieurs et scientifiques de données qui les réalisent ne se comprennent pas toujours. Ces praticiens des données peuvent créer un plan détaillé, mais si le praticien ne cadre pas correctement les résultats, le dirigeant d'entreprise qui les a demandés peut dire qu'il cherchait quelque chose de différent. Le projet sera qualifié d'échec et la possibilité de générer de la valeur à partir de l'effort sera abandonnée.

Les entreprises rencontrent des problèmes de données, peu importe où elles se situent en termes de maturité des données. Ils essaient de trouver des moyens de faire des données une partie importante de leur avenir, mais ils ont du mal à mettre leurs plans en pratique.

Si vous êtes dans cette position, que faites-vous ?

Les entreprises se sont retrouvées à un point d'inflexion similaire dans les années 2010, essayant de trier leurs places dans le cloud. Ils ont mis des années à développer leurs stratégies cloud, à planifier leurs migrations cloud, à choisir des plates-formes, à créer des bureaux commerciaux cloud et à structurer leurs organisations pour tirer le meilleur parti des opportunités basées sur le cloud. Aujourd'hui, ils en récoltent les fruits : leur migration vers le cloud leur a permis de moderniser leurs applications et leurs systèmes informatiques.

Les entreprises doivent désormais prendre des décisions similaires concernant les données. Ils doivent tenir compte de nombreux facteurs pour s'assurer que les données constituent une base pour leur entreprise à l'avenir. Ils doivent poser des questions telles que :

• Les données dont l'entreprise a besoin sont-elles facilement disponibles ?
• Quels types de sources de données sont nécessaires ? Existe-t-il des ensembles de données distribués et divers que vous ne connaissez pas ?
• Les données sont-elles propres, à jour, fiables et capables de s'intégrer aux systèmes existants ?
• Le reste du niveau C est-il d'accord avec l'approche du directeur des données ?
• Les scientifiques des données et les utilisateurs finaux communiquent-ils efficacement sur ce qui est nécessaire et ce qui est livré ?
• Comment les données sont-elles partagées ?
• Comment puis-je faire confiance à mes données ?
• Est-ce que chaque personne et organisation qui a besoin d'accéder aux données a le droit de les utiliser ?

Il ne s'agit pas seulement d'intelligence d'affaires. Il s'agit de profiter d'une opportunité qui se dessine. L'utilisation des données explose, les outils pour en tirer parti deviennent plus efficaces et l'expertise des data scientists se développe. Mais les données sont difficiles à maîtriser. De nombreuses entreprises ne sont pas configurées pour tirer le meilleur parti des données dont elles disposent. Les entreprises doivent investir dans les personnes, les processus et les technologies qui piloter leurs stratégies data .

Avec tout cela à l'esprit, voici 10 principes que les entreprises devraient suivre lors de l'élaboration de leurs stratégies de données :

1. Comprendre la valeur réelle de vos données

Combien valent vos données pour vous ? Cela peut être mesuré de plusieurs façons. Il existe des paramètres traditionnels à prendre en compte, tels que les coûts d'acquisition des données, le coût de leur stockage et de leur transmission, le caractère unique des données acquises et la possibilité de les utiliser pour générer des revenus supplémentaires. Les métriques du marché affectent la valeur des données, telles que la qualité des données, l'âge des données et la popularité d'un produit de données.

Vos données pourraient également être utiles à d'autres. Par exemple, supposons qu'un hôpital collecte des ensembles de données de patients susceptibles de générer de la valeur pour vos données. Dans ce cas, ces données pourraient intéresser les chercheurs sur les maladies, les fabricants de médicaments, les compagnies d'assurance et d'autres acheteurs potentiels. Existe-t-il un mécanisme en place pour anonymiser, agréger, contrôler et identifier les utilisateurs potentiels de vos données ?

L'opportunité, pondérée par le coût qu'il faut pour la concrétiser, est un moyen de déterminer la valeur potentielle de vos données.

2. Déterminez ce qui rend les données précieuses

Bien qu'il puisse être difficile d'attribuer une valeur monétaire réelle à vos données, il est plus facile de définir les éléments qui contribuent à ce que les données aient une valeur élevée. Elle peut être réduite à une simple équation de pensée :

Complétude + Validité = Qualité

Qualité + Format = Facilité d'utilisation

Données utilisables + Un Data Practitioner qui les utilise bien = VALEUR

Votre projet de données ne peut pas avancer sans de bonnes données. La qualité de vos données est-elle suffisamment élevée pour en valoir la peine ? Cela dépendra, en partie, du degré d'exhaustivité de l'échantillon que vous avez collecté. Des champs de données sont-ils manquants ? La qualité dépend également de la validité de l'information. A-t-il été collecté auprès d'une source fiable ? Les données sont-elles à jour ou le temps a-t-il dégradé leur validité ? Collectez-vous et stockez-vous vos données conformément aux ontologies et normes de l'industrie et du secteur ?

Vos données doivent être utilisables pour mériter un investissement. La mise en place de systèmes permettant aux praticiens des données d'utiliser et d'analyser correctement les données et de les connecter aux chefs d'entreprise qui peuvent tirer parti des informations boucle la boucle.

3. Établissez où vous en êtes dans votre parcours de données

Positionner une entreprise pour tirer pleinement parti du cloud computing est un voyage. Le même raisonnement devrait s'appliquer aux données.

Les décisions que prennent les entreprises concernant leurs stratégies de données dépendent en grande partie de l'endroit où elles se trouvent dans leurs parcours de données. Où en êtes-vous dans votre parcours de données ? Les outils d'évaluation et les plans peuvent aider les entreprises à identifier leurs positions. Les évaluations doivent aller au-delà de l'identification des outils qui font partie de la pile technologique d'une entreprise. Ils doivent examiner comment les données sont traitées dans une organisation de plusieurs manières, en tenant compte de la gouvernance, de la gestion du cycle de vie, de la sécurité, de l'ingestion et du traitement, des architectures de données, de la consommation et de la distribution, de la connaissance des données et de la monétisation des données.

La consommation et la distribution seules peuvent être mesurées en termes de capacité d'une organisation à appliquer des services allant de l'informatique décisionnelle à la diffusion de données en passant par des applications en libre-service d'analyse de données. L'entreprise a-t-elle mis en place une prise en charge de l'utilisation des données par des personnes individuelles ? Prend-il en charge des API individuelles ? Si l'on considère la connaissance des données en tant que catégorie, à quel point les dictionnaires de données, les glossaires métier, les catalogues et les plans de gestion des données de référence de l'entreprise sont-ils avancés ?

La notation de chaque ensemble de capacités révèle les forces et les faiblesses d'une entreprise en termes de préparation des données. Jusqu'à ce que l'entreprise y regarde de plus près, il se peut qu'elle ne réalise pas à quel point elle est proche ou éloignée de l'endroit où elle doit ou veut être.

4. Apprendre à traiter des données provenant de diverses sources

Les données arrivent dans les organisations de toutes les directions : de l'intérieur de l'entreprise, des appareils IoT et des systèmes de vidéosurveillance à la périphérie, des partenaires, des clients, des médias sociaux et du Web. Les centaines de zettaoctets des données mondiales devront être gérées, protégées et optimisées de manière sélective pour une utilisation pratique et productive.

C'est un défi pour les entreprises qui n'ont pas développé de systèmes de collecte de données et de gouvernance des données. Quelle que soit l'origine des données, il doit y avoir un mécanisme de normalisation afin que les données soient utilisables pour un plus grand bénéfice.

Différentes entreprises et différents pays imposent des règles différentes sur la nature et la manière dont les informations peuvent être partagées. Même des services individuels au sein d'une même entreprise peuvent aller à l'encontre des règles de gouvernance d'entreprise désignant les chemins que certains ensembles de données doivent suivre. Cela signifie appliquer des politiques d'accès et de distribution des données. Pour saisir ces opportunités de données, les entreprises doivent concevoir des voies pour découvrir de nouveaux ensembles de données et imposer des règles de gouvernance pour les gérer.

Dans la fabrication, les entreprises d'une chaîne d'approvisionnement mesurent la qualité de leurs pièces et de leurs fournisseurs. Souvent, les machines et la robotique qu'ils utilisent appartiennent aux fournisseurs. Les fournisseurs peuvent vouloir établir des contrats pour voir qui a le droit d'utiliser les données pour protéger leurs propres intérêts commerciaux, et les fabricants doivent définir leurs exigences de partage de données avec leurs partenaires et fournisseurs à l'avance.

5. Obtenez un engagement stratégique de la suite C

Les données profitent à de nombreux niveaux d'une organisation, et les personnalités à chacun des niveaux concernés feront pression pour un aspect particulier du processus de valeur des données. Les scientifiques des données veulent une technologie plus puissante et facile à utiliser. Les chefs de secteur d'activité poussent pour des informations meilleures et plus rapides. Au sommet de la pyramide se trouve la suite C, qui donne la priorité à la canalisation des données en valeur commerciale.

Il est essentiel d'impliquer les cadres supérieurs dans une stratégie de données holistique. Bien faire les choses, après tout, peut être perturbateur. Pour tirer le maximum de valeur des données, une organisation doit embaucher du personnel doté de nouvelles compétences, réaligner sa culture, réorganiser les anciens processus et réorganiser l'ancienne plate-forme de données. C'est un projet de transformation qui ne peut se faire sans l'adhésion des plus hauts niveaux d'une entreprise.

La suite C est de plus en plus ouverte à l'expansion de l'utilisation des données par les organisations. À côté de l'engagement client, le deuxième domaine d'intérêt stratégique le plus important au niveau du conseil d'administration est l'exploitation des données et l'amélioration de la prise de décision pour rester compétitif et exploiter les conditions changeantes du marché, selon le rapport d'IDC 'Market Analysis Perspective: Worldwide Data Integration and Intelligence Software, 2021.' Dans le même rapport, 83 % des dirigeants ont exprimé la nécessité d'être davantage axés sur les données qu'avant la pandémie.

Comment les organisations doivent-elles s'assurer que la suite C embarque ? Si vous êtes une partie prenante sans titre de niveau C, votre travail consiste à travailler avec vos pairs pour trouver un sponsor exécutif pour transmettre le message aux dirigeants qui contrôlent le processus de prise de décision. Les données sont un atout stratégique qui déterminera le succès d'une entreprise à long terme, mais cela ne se produira pas sans les approbations aux plus hauts niveaux.

6. Dans les données auxquelles nous faisons confiance : assurez-vous que vos données sont irréprochables

Alors que l'IA s'étend à presque tous les aspects de la vie moderne, les risques de pratiques d'IA corrompues ou défectueuses augmentent de façon exponentielle. Cela dépend de la qualité des données utilisées pour former les modèles d'IA. Comment les données ont-elles été produites ? Était-ce basé sur un capteur défectueux? Une origine de données biaisée a-t-elle été générée dans l'ensemble de données ? La sélection de données provenait-elle d'un seul emplacement au lieu d'un ensemble de données statistiquement valides ?

Une IA fiable dépend de la disponibilité de données fiables pouvant être utilisées pour créer des modèles transparents, fiables, impartiaux et robustes. Si vous savez comment un modèle est formé et que vous pensez que vous obtenez des résultats erronés, vous pouvez arrêter le processus et recycler le modèle. Ou, si quelqu'un remet en question le modèle, vous pouvez revenir en arrière et expliquer pourquoi une décision particulière a été prise, mais vous devez disposer de données propres et validées à référencer.

Les organismes de surveillance des politiques demandent souvent aux gouvernements de soutenir la manière dont ils utilisent l'IA et de prouver que leurs analyses ne reposent pas sur des données biaisées. La validité des algorithmes utilisés a suscité des débats sur les efforts visant à s'appuyer sur l'apprentissage automatique pour guider décisions de condamnation et prendre des décisions concernant demandes de prestations sociales ou d'autres activités gouvernementales.

L'apprentissage du modèle se déroule par étapes. Vous construisez un modèle basé sur des données. Ensuite, vous testez le modèle et collectez des données supplémentaires pour le tester à nouveau. S'il réussit, vous le transformez en un modèle de production plus robuste. Le voyage se poursuit en ajoutant plus de données, en les massant et en établissant au fil du temps si votre modèle résiste à l'examen.

L'absence d'un système de bout en bout pour garantir des données de haute qualité et les partager efficacement a indirectement retardé l'adoption de l'IA. Selon IDC , 52 % des personnes interrogées pensent que les problèmes de qualité, de quantité et d'accès aux données freinent les déploiements d'IA.

7. Saisir l'opportunité des métadonnées

Les métadonnées sont définies de manière elliptique comme des 'données qui fournissent des informations sur d'autres données'. C'est ce qui donne aux données le contexte dont les utilisateurs ont besoin pour comprendre une partie des caractéristiques de l'information, afin qu'ils puissent déterminer quoi en faire à l'avenir.

Les normes de métadonnées sont couramment utilisées à des fins de niche, des applications industrielles spécifiques telles que catalogues astronomiques , ou des types de données comme Fichiers XML . Mais il convient également de plaider en faveur d'un cadre de métadonnées plus solide dans lequel nous pouvons non seulement définir les données de manière courante, mais également baliser des artefacts de données utiles tout au long de leur parcours. D'où vient cette donnée ? Qui l'a visionné ? Qui l'a utilisé ? A quoi a-t-il servi ? Qui a ajouté quelle partie de l'ensemble de données ? Les données ont-elles été vérifiées ? Est-il interdit d'utilisation dans certaines situations ?

Le développement de ce type de mécanisme de métadonnées nécessite une couche technologique ouverte aux contributions de ceux qui consultent et touchent une donnée particulière. Cela nécessite également un engagement de la part de larges groupes de parties prenantes qui voient l'intérêt de pouvoir partager les données de manière stratégique et transparente.

La création d'une couche de métadonnées ouverte supplémentaire constituerait une étape importante vers permettant la démocratisation de l'accès aux données en permettant le partage transparent des attributs de données clés nécessaires à l'accès, à la gouvernance, à la confiance et à la lignée. Hewlett Packard Enterprise approche des espaces de données est d'ouvrir une norme universelle de métadonnées qui éliminerait les complexités actuelles associées au partage de divers ensembles de données.

8. Embrassez l'importance de la culture

Les organisations veulent s'assurer qu'elles tirent le meilleur parti des ressources qu'elles alimentent. Pour ce faire, elles doivent créer des cultures qui favorisent les meilleures pratiques en matière de partage d'informations.

Avez-vous des silos ? Y a-t-il des barrières culturelles au sein de votre organisation qui entravent la bonne diffusion de l'information aux bonnes sources au bon moment ? Les différents départements ont-ils le sentiment qu'ils sont propriétaires de leurs données et qu'ils n'ont pas à les partager avec d'autres dans l'organisation ? Les individus accumulent-ils des données précieuses ? Avez-vous mis en place des canaux et des procédures qui favorisent un partage de données fluide ? Avez-vous démocratisé l'accès aux données, en donnant aux acteurs de l'entreprise la possibilité non seulement de demander des données, mais aussi de participer aux pratiques d'interrogation et de partage ?

Si l'un de ces facteurs bloque la libre circulation des échanges de données, votre organisation doit subir une évaluation de la gestion du changement axée sur ses besoins en termes de personnel, de processus et de technologie.

9. Ouvrez les choses, mais ne faites confiance à personne

Dans tous les aspects de l'entreprise, les organisations équilibrent les concepts souvent contradictoires de la promotion d'un partage libre et ouvert des ressources et d'une sécurité étroitement contrôlée. Atteindre cet équilibre est particulièrement important lorsqu'il s'agit de données.

Les données doivent être partagées, mais de nombreux producteurs de données sont mal à l'aise de le faire parce qu'ils craignent la perte de contrôle et la façon dont leurs données pourraient être utilisées contre eux, ou comment leurs données pourraient être modifiées ou utilisées de manière inappropriée.

La sécurité doit être une priorité absolue. Les données proviennent de tant de sources (certaines que vous contrôlez, d'autres non) et sont transmises entre de nombreuses mains. Cela signifie que les politiques de sécurité entourant les données doivent être conçues avec un modèle de confiance zéro à chaque étape du processus. La confiance doit être établie à travers l'ensemble de la pile, depuis votre infrastructure et vos systèmes d'exploitation jusqu'aux charges de travail qui reposent sur ces systèmes, jusqu'au niveau du silicium.

10. Créer un pipeline de services de données entièrement fonctionnel

Le déplacement des données entre les systèmes nécessite de nombreuses étapes, notamment le déplacement des données vers le cloud, leur reformatage et leur association avec d'autres sources de données. Chacune de ces étapes nécessite généralement un logiciel distinct.

L'automatisation des pipelines de données est une pratique exemplaire essentielle dans le parcours des données. Un pipeline de données entièrement automatisé permet aux organisations d'extraire des données à la source, de les transformer en une forme utilisable et de les intégrer à d'autres sources.

Le pipeline de données est la somme de toutes ces étapes, et son travail consiste à garantir que ces étapes se produisent de manière fiable pour toutes les données. Ces processus doivent être automatisés, mais la plupart des organisations ont besoin d'au moins un ou deux ingénieurs pour entretenir les systèmes, réparer les pannes et mettre à jour en fonction des besoins changeants de l'entreprise.

Commencez le voyage des données aujourd'hui

La façon dont les entreprises exploitent leurs données, où qu'elles se trouvent, déterminera leur succès dans les années à venir. Recherche sur les constellations projets 90% des Fortune 500 actuels seront fusionnés, acquis ou mis en faillite d'ici 2050. S'ils ne démarrent pas maintenant, ils seront laissés pour compte. L'horloge tourne.

Lire l'article original sur Entreprise.nxt .

Ce contenu a été produit par Hewlett Packard Enterprise. Il n'a pas été écrit par la rédaction de MIT Technology Review.

cacher