Mognadsprocessen för att gå mot ett modernt ”data estate” i åtta steg!

Med hjälp av dessa frågor har vi tillsammans med TimeXtender tagit fram åtta steg för hur ni kan arbeta ännu mer datadrivet och gå från ett data warehouse till ett modernt data estate.

Steg 1: Definiera era mål i form av data- & analysmognad

Hur mogen är er organisation inom just datakonsumtion? Vad vill ni uppnå med er data estate när det kommer till analytisk mognad? I artikeln ”Take your Analytics Maturity to the Next Level” citerar Gartner det:

”I en nyligen genomförd Gartner-undersökning hade 87,5% av de tillfrågade låg mognad i data och analys och föll i ”grundläggande ”eller” opportunistiska ”kategorier. Organisationer har idag på grundnivå BI-funktioner som till stor del är kalkylbaserade analyser och persondatautdrag. De i den opportunistiska kategorin har enskilda affärsenheter som bedriver sina egna data- och analysinitiativ som fristående projekt, men det finns ingen gemensam struktur över dem. ”

I detta steg frågar ni er vad som fungerar och vad som inte fungerar i er organisation för att definiera era mål. Ni beskriver flaskhalsarna, smärtpunkterna och datasilosarna i er organisation. I slutet av detta steg har ni en klar förståelse för vad ni vill uppnå, vilka smärtpunkter ni ska lösa och var den lågt hängande frukten finns.

Steg 2: Definiera verksamhetens behov för stunden och för framtiden

“I en konkurrenskraftigmiljö, där data kan vara en avgörande konkurrensfördel, kan företags framgång mycket väl mätas med mognaden i företagets data implementation” nämner den tidigare citerade artikeln från Forbes.

Detta steg handlar inte om IT. Det handlar inte om begränsningar eller om datasilosar. Det handlar om fullt fokus på affärsbehov. När ni omvandlar ert datalager (data warehouse) till ett modernt data estate är det största misstaget ni kan göra en replikering av den befintliga miljön till en ny miljö. Ni måste ställa rätt frågor till alla inblandade intressenter, från försäljning till marknadsföring och från HR till verksamhet.

Vad vill de mäta? Var kommer deras verksamhet att vara i framtiden? Vilka trender ser de? Hur kommer den digital transformation att påverka inblicken på data? En HR-ansvarig vill mäta traditionella KPI:er, såsom anställdas engagemang, mångfald eller tillhörighet. Trender inom HR, med att utnyttja rätt kunskap kommer dock att innebära att HR behöver insikter i de anställdas individuella färdigheter och kompetenser så att knappa färdigheter snabbt kan allokeras till de mest strategiska projekten. Efter kartläggning av er verksamhet är det dags att prioritera era affärsbehov, börja smått och arbeta tydligt för framtiden med rangordning utifrån era intressenters önskemål.

Steg 3: Beskriv er kärnverksamhet och era dataprocesser

När ni når steg 3 bör ni ha definierat mål kring data- och analysmognad. Ni har gjort prioriteringar kring alla era intressenters affärsbehov. Nu är det dags att identifiera de datakällor som ni har tillgängliga – och vilka data ni först vill hitta ”ett hem” till i ert data estate för att svara på de högst prioriterade frågorna. I detta steg handlar det både om affärsprocesser och dataprocesser, eftersom de relaterade. Ni tittar på en viss datapunkt, ex. kunddata, och sedan definierar ni relationsdatamodellerna. Hur används denna kundinformation i era affärsprocesser? Detsamma gäller för transaktioner, produkter etc.

Steg 4: Hur ska data finnas tillgänglig och vem ska få åtkomst?

I detta steg beskriver ni er säkerhetsstrategi och verktygen för att analysera, rapportera och visualisera data. Den delen att ha svar på är: Hur ska ni ansluta till datakällorna? Vilka konnektorer behövs? Hur ofta kan ni läsa data? Vilken typ av data ges? Vilken metadata finns tillgänglig? Hur ofta uppdateras data och hur ofta ges tillgång till data? Den andra delen att ha svar på är: hur hanterar ni säkerhets- och åtkomsträttigheter?

Tänk på de datakonsumenter ni vill betjäna och hur. Ni vill tillhandahålla BI med självbetjäning för olika typer av konsumenter, allt från superanvändare som datavetare, databearbetare, AI- och ML-algoritmer till affärsanvändare som arbetar ad-hoc med data och skapar nya rapporter och tillfälliga användare som väntar på rutinrapporter och uppdaterade instrumentpaneler.

Den data som personer kan få åtkomst till:
I det här steget definierar ni roller och grupper så att ni, genom att bygga ert data estate, kan identifiera användare och åtkomsträttigheter. Detta säkerställer att autentiserade användare bara får åtkomst till de data, tabeller eller kolumner som de har behörighet att se.

Steg 5: Definiera er arkitektur

Data måste extraheras, bearbetas och förfinas för att vara användbar, och precis som olja kan raffineras till olika typer av bränsle kan data förberedas för olika användningsområden när det gäller analys och artificiell intelligens.
I det här steget beskriver ni hur er organisation väljer att förbereda data för dessa olika användningsområden, från rapportering till analys och artificiell intelligens. De flesta data estate är uppdelade i tre distinkta lager: data lakes, data warehouse och data marts. Det slutliga resultatet är en integrerad arkitektur som avsevärt minskar kostnaderna, påskyndar time-to-value och stödjer era datakrav.

Data Lake
Detta lager är främst för superanvändare som datavetare, som utför olika typer av analyser av rådata för att leta efter avvikelser och mönster och så småningom utföra maskininlärning. Detta lager möjliggör snabbt utläsning av rådata från alla datakällor och till Azure Data Lake eller en SQL-databas.

Data Warehouse
Rådata är inte det bästa valet för företagsanvändare, till exempel affärsanalytiker. Dessa användare behöver data som har rensats, behandlats och rationaliserats – i ett modernt datalager. I en skiktad dataarkitektur skulle detta datalager hämtas från en data lake – men placeras i en SQL-baserad databas med halvstrukturerad data omvandlad till strukturerad data för analys.

Data Mart
Data mart stödjer vanliga användare genom att leverera relevanta datamängder från datalagret, vilket möjliggör självbetjäningsanalys över flera analysverktyg för branscher eller funktionsspecifika vyer, så att företagsanvändare kan utforska data säkert och effektivt.

Steg 6: Molnet, OnPrem eller Hybrid

I verkligheten är grunden viktigt för den byggnad som byggs, i datalivet är grunden för din data estate lika viktig. Ni vill inte att ert data estate ska bli som det lutande tornet i Pisa, som blir en kostsam affär att upprätthålla. Tänk på fördelarna och nackdelarna med moln, onprem och hybrid. Det finns fantastiska molnlösningar tillgängliga på marknaden – till exempel Microsoft – men ”Molnet bör ses som ett medel för ett mål. Slutet måste specificeras först ”, säger David Smith, Distinguished VP Analyst och Gartner Fellow Emeritus i artikeln ‘The Top 10 Cloud Myths”

Steg 7: Att välja er ”byggpartner”

I det här steget väljer ni er ”byggpartner”. Vilken programvara ni kommer att använda för ert data estate, vem som ska bygga och vem som ska underhålla.

Datahantering och automatiseringsprogramvara
Ni bör välja rätt programvaruplattform för stunden och framtiden. Ni vill se till att er data estate är inbyggd med en integrerad datahanteringsplattform som är helt oberoende av utvecklare, datakällor, dataplattformar (SQL Server, Azure SQL, Data Lake, Synapse), front-end-verktyg (Power BI , Qlik) och distributionsmodell (onprem., moln, hybrid). Ni bör kunna påskynda utvecklingen med automatisk kodgenerering, vilket frigör för teknikerna att fokusera på datakvalitet, affärsbehov och kan begränsa det antal och typer av högkvalificerade resurser som krävs genom att använda ett enda verktyg för att bygga er data lake, data warehouse och data mart. Sist men inte minst kommer ni vilja se till att er data estate är ”framtidssäker” vilket betyder att den är helt skalbar och redo att anta framtiden släpps utan ombyggnad.

Distributions- och underhållspartner
Kommer ni att distribuera och underhålla ert data estate själva? Kommer ni att överväga en distributionspartner och sedan ta på er underhållet själva? Det senare är vad många organisationer väljer – eftersom de i slutändan vill kunna ha kontrollen över sin data och inte behöva vara beroende av en affärspartner. Men oavsett vad ni bestämmer er för – överväg en partner med erfarenhet och en partner ni kan lita på, eftersom de kommer att distribuera en framtidssäker grund för er mest värdefulla tillgång: data. En partner som vi på Infozone gärna är åt er.

Steg 8: Tänk stort, starta litet och agera agilt

Har ni följt dessa sju steg? Då är det mycket troligt att er data estate hjälper till att driva innovation och att ni kommer att distribuera en skalbar, framtidssäker datamiljö. Det finns en vikt i att börja litet ex. genom att utveckla en estate i molnet (som ni kan skala till produktion), med bara ett par datakällor, några verktyg och sedan testa samt experimentera. Steg för steg hjälper ni er organisation att förvandlas till en datadriven organisation.

Vill ni ha hjälp med dessa åtta steg? Tveka inte att kontakta Aron Svedin för mer information.