By Pradeep Adaviswamy, Regionaal Manager Analytics bij Bahwan CyberTek

Onze Moeder Natuur heeft vijf geweldige elementen of hulpbronnen geleverd, namelijk vuur, water, ruimte, lucht en land, en nu moeten we gegevens aan deze lijst toevoegen.

Ook de natuur verwerkt haar eigen dataset via DNA en is bovendien organisch georganiseerd. Nu is het onze verantwoordelijkheid om effectief en efficiënt gebruik te maken van de gegevens waarover we beschikken.

We genereren allemaal gegevens in overvloed en nu worden organisaties geconfronteerd met de uitdaging om de gegevens te beheren en te gelde te maken om concurrerend te worden op de markt, om te overleven en om innovatie en winstgevendheid in hun producten en diensten te brengen.

In dit artikel wil ik me concentreren op hoe bedrijven hun datacentrische strategieën kunnen starten en hoe ze succes kunnen behalen in hun datatransformatietrajecten.

Sommige organisaties beschikken over de juiste ingrediënten (data) en moeten met de juiste inzichten komen waar zij voordeel uit kunnen halen. Sommige organisaties hebben de juiste gebruiksscenario's en moeten de juiste ingrediënten/gegevens vinden om de gebruikscasus aan te pakken en te verwezenlijken. Beide benaderingen werken en het enige dat ervan afhangt, is het algehele succes van hun datastrategie om hun eindbedrijfsdoel te bereiken.

Het genereren van data is de nieuwe wereldeconomie en organisaties, oud/groot/klein of start-ups, zullen op intelligente wijze data moeten vastleggen, opslaan, verwerken en consumeren. Dit moet een continue datacyclus met feedbacklus zijn. Er is een overvloed aan tools en technologie die deze datacyclus kunnen aanpakken, maar het succes hangt af van de richting en het bestuur van de organisatie.

Industrieonderzoek en praktijkervaring zeggen dat we nooit voor een big bang-aanpak moeten gaan (‘denk groot en begin klein’) en altijd tussentijdse controlepunten moeten hebben bij het opzetten van een bedrijfsdataprogramma. Organisaties moeten niet denken dat het hebben van een big data/data lake-opstelling of een AI-lab al hun analysevraag zal oplossen.

Het zal voorspoedig zijn als bedrijven een datacentrische architectuurbenadering hebben met een algemeen bestuursorgaan op een andere plek. Alleen al het hebben van een datameer/hub brengt bedrijven nergens heen. Data Lake zal moeten worden onderhouden, beheerd, beveiligd enz. Het moet niet alleen worden beschouwd als een oplossing voor bedrijfsgegevensopslag en de gegevens verouderd maken.

Bedrijven moeten altijd aan hun datastrategieën werken en deze datastrategieën moeten zorgen voor beheerste datademocratisering en datageletterdheid in de hele onderneming, wat kan fungeren als katalysator voor de algemene bedrijfsprestaties, gebruikers meer mogelijkheden kan bieden en autonomie kan bewerkstelligen.

Organisaties moeten hun teams niet aanmoedigen om kortere routes te nemen en alleen maar te zoeken naar kortzichtig succes terwijl ze met de gegevens werken (als hun algemene visie op de lange termijn gericht is). Ik zou dit proces van het nemen van korte stappen op het gebied van data willen noemen als 'data-jaywalking'. Als bedrijven business intelligence, analytics of data science willen uitvoeren, moeten de leiders van de business units ervoor zorgen dat data-ingenieurs, analisten en datawetenschappers geen onwetenschappelijke sluiproutes nemen. Ze moeten blinde vlekken vermijden bij het uitvoeren van hun taken en bij het bouwen van AI-modellen. Het algehele succes mag niet alleen worden gemeten aan de hand van prototyperesultaten van PoC- of AI-labs, maar moet worden gemeten aan de hand van de implementatie op schaal en de impact op het bedrijf en de eindgebruikers.

Dataleiders (bijvoorbeeld CIO, CDO, CAO en anderen) moeten altijd de juiste datavragen stellen, alle stadia van datacuratie, datavoorbereidingsfasen en controle betrekken en toezicht houden, terwijl ze een robuust datacorpus voor de hele organisatie opzetten. Dit zal de basis vormen voor analyse, datawetenschap/AI-modelbouw en implementatie, terwijl het gekoppeld wordt aan AI-modelbeheer.

Zodra het datacorpus klaar is, kunnen organisaties geschikte tools aanschaffen om inzichten op te bouwen en te verwerven. Op het gebied van data-analyse kunnen organisaties weinig hindernissen tegenkomen bij het in praktijk brengen en beheren van hun datastrategie (uitdagingen kunnen bijvoorbeeld te maken hebben met architectuur, data-infrastructuur, competenties, exploitatiekosten, de verwachtingen van zakelijke gebruikers, mensen enz.). Deze uitdagingen moeten zo snel mogelijk worden verholpen en overwonnen.

Bedrijven moeten data beschouwen als de belichaming van hun groei, om concurrerend te zijn, om slimmer en innovatiever te zijn en om voorbereid te zijn op onvoorziene marktverrassingen.

Ik hoop dat de inhoud van dit artikel logisch is en resoneert met uw eigen ervaringen en gedachten? Deel gerust uw ideeën, feedback en opmerkingen.

 
Bio: Pradeep Adaviswamy is Regionaal Manager Analytics bij Bahwan CyberTek. Hij heeft ongeveer 17 jaar ervaring in Solution Design & Architecture, Delivery Management van; Big data, BI, Data Science & Analytics, Enterprise Data Lake, Data Management & Data Governance Practitioner (DMBoK), ETL, Data Warehousing, Data Modellering, Data Visualisatie en Kunstmatige Intelligentie.

ORIGINELE. Met toestemming opnieuw gepost.

Zie ook:

• Wat elke gegevenswetenschapper moet leren van bedrijfsleiders
• 3 Key Data Science-vragen om uw big data te vragen
• 5 grote trends in data-analyse