استراتژی داده (Data Strategy) نیاز اصلی هر کسب و کار

Data Strategy استراتژی داده برای آن نیست که ما را از حملات قلبی نجات دهد و یا از بروز آنها جلوگیری کند.

در سازمان های سنتی همیشه این سوال وجود دارد که “با این همه اطلاعات چه کار کنیم؟” تصمیم گیری های مختلفی در خصوص این حل این موضوع گرفت بسته به نظر مدیران کسب و کار ، مشاوران سازمان، مدیران تکنولوژی و فناوری اطلاعات و ارتباطات تصمیم هایی بر اساس تجربه هر کدام بیان و در نهایت راه­کاری برای حل موضوع ارائه می­شود.

در سازمان های مدرن سوال فوق اینگونه مطرح می­شود “داده چه کاری میتواند برای ما انجام دهد؟ / ما با داده چه کاری میتوانیم بکنیم؟”  و جواب آن نیز از آنالیز و تحلیل خود داده گرفته می­شود.

در یک مقایسه کوتاه در مورد دیدگاه سازمان های سنتی و مدرن باید اذعان داشت که در سازمان های ستنی امکان تصمیم گیری اشتباه هر چند با هم فکری مدیران با تجربه وجود دارد، اما در سازمان های مدرن تمامی تصمیم گیری ها با تحلیل و بررسی داده گرفته می­شود.

تصمیم گیری در خصوص موضوع فوق ساده نبوده و بسیاری از بخش های مختلف سازمان را درگیر خواهد گرد بنابراین تصمیم گیری باید بر اساس داده ها، تجربیات که به دانش تبدیل شده اند، توانمندی ها انسانی و تکنولوژیکی، سیاست سرمایه گذاران، چشم انداز سازمانی، تکنولوژی های موجود در سازمان و … گرفته شود.

یک Data Strategy استراتژی داده موثر و مفید و مناسب، شما را در انتخاب تکنولوژی مناسب به سمت اولویت های تجاری شما سوق خواهد داد تا بیشترین ارزش گذاری را برای داده هایتان داشته باشید.

Data Strategy  یکی از موضوعات بسیار مهم، مفید و لازم برای سازمانهاست زیرا تصمیم گیری هایی که در این زمینه انجام میشود می بایست هماهنگ با اهداف سهامداران و مدیران مختلف در سازمان ها برای رقابت با دیگر سازمانهای رقیب ­باشد. از این رو پیشنهاد میشود که تفکر ایجاد انبار های داده ای را شکسته. سپس رابطه موثر میان مدیران تکنولوژی و مدیران تجاری برقرار کنیم. این موضوع یکی از چالش هایی است که در سازمانها وجود دارد؛ در نتیجه استراتژی داده Data Strategy راهکار مناسبی است که میتواند این چالش را پوشش دهد.

لازم به ذکر است که اجرای استراتژی داده را نمیتوان در قالب یک پروژه برای سازمان ها اجرا کرد به دلیل اینکه استراتژی داده یک پروژه نیست که در زمانی مشخص اجرا و بعد از اجرای عملیات، تغییرات و بهینه سازی ها تمام شود بلکه استراتژی داده می بایست دائما در سازمان در حال اجرا باشد و در قالب یک چرخه، بهینه سازی هایی بر روی فرایند های آن اعمال و در نهایت مجددا در سازمان اجرا شوند.

یکی از چالش هایی که در این زمینه وجود دارد اجرای استراتژی داده در سازمان هاست و چالش دیگر عدم آگاهی مدیران و سازمان از نحوه اجرای آن می­باشد به گونه ای که بسیاری در سازمان ها معتقدند که استراتژی داده ها از وظایف و مسئولیت های فناوری اطلاعات و ارتباطات است و همین تفکر اشتباه یکی از دلایل عدم اجرای درست استراتژی داده و به تبع آن مدیریت داده در سازمان ها می­شود.

داده در همه جای سازمان شناور است از این رو استراتژی داده نیز باید توسط تمام سازمان اجرا شود به دلیل فرایند سنگین استراتژی داده باید تمام سازمان همکاری لازم با اجرای آن را داشته باشند و در سازمان های سنتی به دلیل اینکه سازمان از فناوری اطلاعات و ارتباطات انتظار دارد به تنهایی مسئولیت استراتژی داده و مدیریت داده را در سازمان برعهده بگیرد، اجرای آن همواره با شکست مواجه شده است.

ساختار استراتژی داده

حال سوالی که پیش می آید این است که آیا راهکار مناسب دیگری نیز وجود دارد؟

• راهکاری که بتواند به گونه ای با داده ها برخورد و رفتار کردکه هزینه های تجاری را کاهش دهد و با داده ها به گونه ای دیگر برخورد شود(عملیاتی به غیر از عملیاتی که تا کنون با داده ها انجام شده است) وجود دارد ؟

با پذیرفتن رویکرد Data strategy و نگاهی که به منابع خواهیم داشت به این نتیجه میرسیم که برای کلیه فعالیت های تجاری خود نیازمند یک استراتژی هستیم و در ادامه به تشریح اصلاح استراتژی داده خواهیم پرداخت.

بسیاری از سازمان ها نگران صحبت کردن درمورد استراتژی هستند و نگرانی آنها نیز بیشتر مربوط به امنیت داده ها می­باشد و اینکه افرادی از داخل و یا خارج از سازمان به اطلاعات دسترسی خواهند داشت. و بسیاری نیز استراتژی داده را تامین امنیت داده ها تصور می کنند و سوالات آنها همیشه حول این محور می باشد.

Data Strategy مدرن در واقع یک نقشه راه می­باشد که شما را از جریان حرکت داده ها در سازمان آگاه می کند.

نکته قابل توجه:

Data Strategy استراتژی داده هایی که امروزه در سازمان ها اجرا می­شود بیشتر به صورت سنتی بوده و با یک نگاه از بالا بیشتر شبیه به فرایند های اجرای عملیات است و به معنای واقعی استراتژی نمی­باشد.

رابطه بین تکنولوژی و ارزش های تجاری:

• زمانی که نتوانستید ارتباطی بین هزینه های سیستم های داده ای، سود و منافع تجاری خود پیدا کنید نیازمند Data Strategy هستید.

یا

• زمانی که نتوانستید بیان کنید چگونه متخصصین تکنولوژی قادرند برای تجارت و کسب و کار شما مفید باشند و یا نیاز های تجاری شما را برآورده کنند، در واقع ممکن است با شکافی به نام Data Strategy مواجه باشید. بنابراین نیازمند استراتژی داده هستید.

با توجه به مدت زمان راه اندازی زیرساخت و معماری اطلاعات سازمان و با توجه به راهبردی که تاکنون داشته ایم باید بتوانیم نیازمندی های داده ای خود را دریابیم و یا به عبارت دیگر باید بتوانیم دریابیم که در سرویس دهی های خود چه کمبود هایی داشته ایم و داریم ؛ یکی از مهمترین و حساس ترین مولفه ها در استراتژی شناخت کمبود های تجاری کسب و کار می­باشد.

چالش ها:

• آیا رهبران تکنولوژی با توجه به اولویت های تجاری سازمان سرمایه گذاری می­کنند تا به اهداف خود برسند؟
• آیا سازمان شما به طور واضح و شفاف میتواند بیان کند که تجارت شما تاثیر گرفته از سرمایه گذاری های انجام شده در زمینه تکنولوژی داده ها می­باشد

بلوغ داده Data Maturity :

چرا به Data strategy استراتژی داده مناسب نیاز داریم؟

خود آگاه به این موضوع هستیم که صحبت کردن در مورد استراتژی داده موضوع بسیار بزرگ و وسیعی است و دارای ابعاد بسیاری برای شرح دادن و توسعه دادن دارد.

ارزیابی میزان بلوغ داده ای در سازمان ها بسیار امر مهم و قابل توجهی است و سازمانها به طور یکنواخت، چه خوب و چه بد(چه موثر و چه غیر موثر) از داده ها در سازمان های خود و در ارائه سرویس های خود استفاده می­کنند. ولی نکته قابل توجه در این مکان این است که سازمان شما به چه میزان از  داده ها برای پیشبرد کسب و کار خود استفاده می­کند و در این زمینه رقبای خود را به کشمکش و رقابت دعوت می­کند. در ادامه بررسی خواهیم کرد که چه سازمانهایی نیاز دارند و یا آمادگی دارند که استراتژی داده را در تصمیم گیری های خود دخیل کنند.

برای افراد و سازمانهایی که تاکنون ایده ای در مورد داده ها نداشته اند شاید وقتی از بلوغ داده ای صحبت می­شود به یکسری Tools ،Process و یا Outcome(خروجی و نتایج) فکر کنند.

سازمان های دارای بلوغ داده ای Data Maturity چه نشانه هایی دارند:

• Modern Role of Data: امروزه نقش جدید داده ها جهت بررسی و آنالیز در سازمان های دارای بلوغ داده ای را به وضوح می توان دید ، در این سازمانها اهمیت و وجود داده ها به خوبی درک شده و از این رو نقشی جدید به آنها داده شده است. وجود این نقش در سازمان ها به این معنی نیست که آن سازمان به بلوغ کامل نرسیده است بلکه به این معنی است که آن سازمان آمادگی لازم برای استفاده از داده ها و استراتژی حاصل از آن را دارند.
• Outcomes/Not Operation: یکی از جنبه های بلوغ داده ای قبل از اینکه بر روی داده ها عملیاتی انجام شود باید ارزش گذاری شوند؛ در ابتدا باید خروجی و نتیجه عملیات مشخص باشد و سپس با توجه به اینکه میخواهیم چه خروجی داشته باشیم یا ارزش داده ها برای ما چیست شروع به انجام عملیات بر روی آنها می­کنیم.
• Transform pragmatically: تغییرات و عملیات باید بر اساس یک دیدگاه کامل و جامع از وضعیت آینده یا خروجی کار در مقیاس Enterprise باشد.

مدل چهار دسته ایی بلوغ داده ها

مدل های بلوغ داده ای متفاوتی از طرف موسسات تحقیقاتی ارائه شده است که در مفهوم همه آنها به یک سمت در حال حرکت هستند و یک موضوع را بیان می­کنند اما تفاوت هایی در تعداد سطوح بلوغ می باشد در مدل زیر سازمانها را در خصوص بلوغ داده ای به 4 دسته تقسیم می­کند. به عنوان مثال گارتنر مدل بلوغ داده ای خود را در 6 سطح ارائه می­دهد.

• Data Apathetic: سازمانهایی که در واقع برای داده ها ارزشی قائل نیستند و یا جزء سازمانهایی نیستند که بتوانند داده های با ارزش تولید کنند. این گونه سازمان ها از داده ها در تصمیم گیری های خود استفاده نمی­کنند. در این سازمانها همیشه کار بیشتر ،هزینه بیشتر،پردازش ها و عملیات بیشتری نیز حرف اول را میزند لازم به ذکر است این سازمان ها به نسبت سازمانهایی که از داده ها در تصمیم گیری های خود استفاده میکنند ریسک بالاتری را  به ازای هر تصمیم گیری باید متحمل شوند.
• Data Aware: این سازمانها برای تصمیم گیری های خود از نتیجه حاصل از پردازش بر روی داده ها استفاده می­کنند سازمانهایی که در این گروه یا این میزان از سطح بلوغ داده ای قرار دارند داده های خود را در فرم های داده ای قرار می­دهند و سپس فرم های داده ای را پردازش و خروجی این پردازش ها را در تصمیم گیری های آینده کسب و کار خود مورد استفاده قرار می­دهند.
• Data Critical: سازمانهایی که در این سطح از بلوغ داده ای قرار دارند دستورالعمل هایی برای تصمیم گیری­های کسب و کار خود دارند که با توجه به این دستورالعمل ها از داده ها برای تصمیم گیری های آینده و پیشبرد کسب و کار استفاده می­کنند در این سازمانها سنسور هایی وجود دارد که با بررسی و آنالیز کسب و کار ، بهینه سازی های لازم، پردازش ها، جمع آوری داده ها را انجام داده و از این رو موجب افزایش کارایی در فرایند های کسب و کار میشود.
• Data Driven: در نهایت سازمانهایی هستند که در این گروه قرار میگیرند که در سطح بالای بلوغ داده ای قرار دارند سازماندهی ها، استراتژی ها و تصمیم گیری ها براساس داده ها انجام می­شود و در نهایت کسب و کاری رونق می­گیرد که مبتنی بر انعکاس بازخورد (فیدبک) ها در کسب و کار میباشد. و در واقع چرخه ای بوجود می آید که شامل اجرای عملیات و دریافت بازخورد حاصل از آن و در نهایت انعکاس نتایج حاصل از بازخورد در اجرای عملیات می­باشد؛ این فرایند بهینه سازی فرایند ها بر اساس فیدبک های حاصل از تجریبات مشتریان باعث دستیابی به بهترین نتیجه خواهد شد. با نفوذ داده ها در تصمیم گیری های سازمانها، خروجی های حاصل از فرآیند ها و محصول نهایی نیز رو به بهبود خواهد رفت.

ابعاد بلوغ داده ها

همانطور که بیان کردیم ابعاد استفاده از داده ها در سازمان بستگی به میزان بلوغ داده ای آنها دارد و این ابعاد میتواند شامل موارد زیر باشد.

• دارایی ها : اینکه سازمانها چگونه دارایی هاو سرمایه های داده ای خود را مدیریت می­کنند که کمترین هزینه برای نگهداری داشته باشند و چگونه میتوانیم این سرمایه گذاری ها را افزایش دهیم.
• فرهنگ : فرهنگ استفاده از داده ها در سازمانها چگونه است؟
• تصمیم گیری: چه میزان تصمیم گیری های سازمان مبتنی بر داده هاست؟
• خروجی Outcome: داده ها چه خروجی جدیدی برای سازمان شما داشته اند.

چالش ها:

• سازمان شما در چه سطحی از بلوغ داده ای قرار دارد ؟(Data Apathetic , Data Aware , Data Critical , Data Driven)

• سازمان شما به طور جدی به کدام یک از جنبه های کسب و کار زیر تمرکز دارد ؟ جنبه تولید محصولات مبتنی بر داده ها یا کسب و کار های با جنبه عملیاتی