Kluczowe wnioski
Traktuj dane jako kapitał strategiczny tylko wtedy, gdy przyczyniają się do osiągania celów biznesowych
Dane muszą czemuś służyć. Główna teza książki głosi, że każda firma zależy dziś od danych, niezależnie od tego, czy sprzedaje traktory, pizzę czy usługi finansowe. Dane nie są jednak wartościowe tylko dlatego, że jest ich dużo. Zyskują znaczenie, gdy pomagają ludziom podejmować lepsze decyzje, usprawniają działanie firmy albo umożliwiają stworzenie produktu czy źródła przychodów. Google i Amazon mogą sobie pozwolić na gromadzenie i analizowanie ogromnych ilości danych; większość organizacji nie może tego robić i nie powinna bezrefleksyjnie ich naśladować.
Liczy się wartość, nie ilość. Strategia danych łączy cele biznesowe z konkretnymi sposobami wykorzystania informacji. Na przykład John Deere używa czujników w maszynach nie tylko do diagnozowania problemów technicznych, lecz także do dostarczania rolnikom informacji, które pomagają im podejmować decyzje dotyczące siewu i zbiorów. Zasobem strategicznym nie jest sterta zapisów. Jest nim zdolność przekształcania istotnych danych w użyteczne działania.
Najważniejsza jest tu zmiana perspektywy: dane przestają być zasobem informatycznym, a stają się produktywnym zasobem biznesowym. Takie podejście zmusza liderów do zadania sobie pytań: jaką wartość tworzymy, dla kogo i jakim kosztem? Pomaga też uniknąć częstej pułapki utożsamiania zaawansowania technologicznego z wynikami. Porównanie z firmami takimi jak Google jest przydatne, ale ich skala może prowadzić do mylących wniosków: rozbudowane operacje związane z danymi wymagają pieniędzy, wiedzy specjalistycznej i ładu, których wielu firmom brakuje. Niewielki zbiór danych powiązany z ważną decyzją może przynieść lepsze efekty niż ogromne archiwum bez jasno określonego celu.
Zadawaj pytania biznesowe, zanim kupisz narzędzia lub zbierzesz kolejne bajty danych
Zacznij od tego, czego nie wiesz. Kluczowe pytanie biznesowe to nierozstrzygnięta kwestia związana z celami organizacji. Książka zaleca identyfikowanie pytań w czterech obszarach: klienci i rynki, finanse, działalność operacyjna oraz ludzie. Firma, która chce zwiększyć liczbę klientów, może zapytać, którzy klienci są najcenniejsi, dlaczego niektórzy nie dokonują zakupu albo które kanały marketingowe przynoszą zyski. Ustalanie priorytetów zapobiega temu, by długa lista życzeń przerodziła się w kosztowny projekt analityczny.
Mierz rzeczywisty lejek sprzedażowy. Niewielka sieć sklepów odzieżowych chciała zwiększyć sprzedaż, ale dysponowała jedynie zapisami transakcji. Zidentyfikowała cztery potrzebne informacje: ilu ludzi przechodziło obok sklepów, ilu zatrzymywało się przy witrynach, ilu wchodziło do środka i ilu dokonywało zakupów. Czujniki i dane sprzedażowe pokazały, które wystawy przyciągały przechodniów do sklepu, a także ujawniły, że w jednej lokalizacji ruch był zbyt mały, by uzasadniać dalsze prowadzenie sklepu. Lepsze pytania pozwoliły przekształcić niedostępne wcześniej informacje w przesłanki do działania.
Podejście polegające na zaczynaniu od pytań przypomina metodę naukową: określamy, czego nie wiemy, wybieramy obserwacje, które mogą tę niewiedzę ograniczyć, a następnie działamy w świetle wyników. Daje też zespołom praktyczną ochronę przed dostawcami sprzedającymi imponujące narzędzia, które szukają problemu do rozwiązania. Przykład sklepu odzieżowego pokazuje, jak ważny jest pomiar: same sumy sprzedaży nie wyjaśniały, czy słabe wyniki wynikały z lokalizacji, wystawy czy konwersji. Zauważony wzorzec nie ujawnia jednak automatycznie jego przyczyny. Wystawa, przy której odnotowano więcej zakupów, może wymagać kontrolowanego testu, zanim firma zdecyduje się na kosztowną przebudowę.
Wykorzystuj dane do zmiany działań operacyjnych, zamiast jedynie ozdabiać nimi pulpity zarządcze
Domknij pętlę działania. Dane usprawniają działalność operacyjną, gdy obserwacje prowadzą do podejmowania decyzji na czas, a w odpowiednich przypadkach także do automatycznych reakcji. Internet rzeczy to połączone urządzenia, które gromadzą i przesyłają dane. W produkcji czujniki mogą monitorować stan maszyn i sygnalizować zużycie, zanim dojdzie do awarii. Rolls-Royce wykorzystuje czujniki w silnikach do monitorowania ich pracy podczas lotów, pomagając inżynierom rozpoznawać potrzeby konserwacyjne, zanim zakłócą one obsługę albo staną się zagrożeniem.
Zamiast harmonogramów wykorzystuj sygnały. W ramach tradycyjnej konserwacji części często wymienia się w ustalonych odstępach czasu, niezależnie od tego, czy rzeczywiście tego wymagają. Odczyty z czujników pozwalają dostosować konserwację do rzeczywistego stanu każdej maszyny. W inteligentnej fabryce Przemysłu 4.0 połączone maszyny, ludzie i systemy wymieniają informacje; systemy mogą wspierać pracowników i samodzielnie podejmować niektóre rutynowe decyzje. Taka autonomia może zwiększyć wydajność, ale wymaga niezawodnych systemów, starannie zaplanowanych zabezpieczeń i nadzoru człowieka tam, gdzie błędna decyzja mogłaby dużo kosztować.
Najskuteczniejsze zastosowania operacyjne tworzą pętlę sprzężenia zwrotnego: wykryj stan, zinterpretuj jego znaczenie i zareaguj, zanim drobna usterka przerodzi się w poważną awarię. To coś więcej niż raportowanie, bo zmienia moment i sposób wykonywania pracy. Konserwacja predykcyjna jest szczególnie czytelnym przykładem, ponieważ łączy odczyty z czujników z przestojami, kosztami i bezpieczeństwem. Automatyzacji nie należy jednak utożsamiać z nieomylnością. Czujniki mogą być źle skalibrowane, dane mogą nie uwzględniać kontekstu, a system zoptymalizowany pod kątem wydajności może pomijać odporność na zakłócenia albo doświadczenia pracowników. Dobre rozwiązanie pozostawia człowieka w procesie tam, gdzie liczą się osąd i odpowiedzialność.
Sprzedawaj użyteczne decyzje i usługi, a nie same surowe dane
Buduj wartość wokół informacji. Monetyzacja danych oznacza tworzenie wartości ekonomicznej na ich podstawie — przez zwiększanie wartości firmy albo generowanie przychodów z produktów i usług opartych na danych. Rolls-Royce wyszedł poza sprzedaż silników, monitorując je i świadcząc bieżące usługi konserwacyjne. Jak podaje książka, obsługa serwisowa odpowiadała za 70 procent rocznych przychodów działu silników do samolotów cywilnych. Dane pomagają liniom lotniczym planować konserwację, a usługa zapewnia producentowi stałą wartość.
Znajdź nabywcę, któremu to się przyda. John Deere oferuje rolnikom analizy oparte na danych z maszyn, pól i upraw. Fitbit gromadzi dane o aktywności użytkowników dla partnerów, a firmy takie jak Facebook zbudowały działalność reklamową wokół danych użytkowników. Przykłady te różnią się tym, co jest sprzedawane: usługę, specjalistyczną analizę albo dostęp do odbiorców. W każdym przypadku monetyzacja zależy od jasnego zastosowania i nabywcy, który odnosi korzyść. Jeśli w grę wchodzą dane osobowe, zgoda i przejrzystość są częścią wartości produktu, a nie formalnościami.
Model usługowy jest szczególnie przekonujący, ponieważ wiąże przychody dostawcy danych z długofalowymi korzyściami klienta. Producent otrzymujący zapłatę wyłącznie w chwili sprzedaży ma z klientami inną relację niż ten, którego usługa zależy od niezawodnej pracy urządzeń. Może to zapewnić trwałą przewagę, ale rodzi też pytania o zależność i kontrolę: kto jest właścicielem danych, czy klienci mogą zmienić dostawcę i czy mogą uzyskać własną historię eksploatacji? Firma powinna sprawdzić, czy jej oferta oparta na danych rozwiązuje rzeczywisty problem klienta, zanim uzna, że same informacje stanowią produkt.
Łącz dane z kontekstem; dane strukturalne rzadko mówią całą prawdę
Liczą się cztery wymiary. Big data powszechnie opisuje się za pomocą czterech V: volume — ilości danych; velocity — szybkości ich powstawania i przepływu; variety — różnorodności ich form; oraz veracity — ich wiarygodności. Książka dodaje wartość jako ostateczne kryterium. Dane strukturalne, takie jak tabele sprzedaży, łatwo uporządkować i analizować, ale mogą pokazać spadek liczby odwiedzin witryny bez wyjaśnienia jego przyczyny. Dane niestrukturalne, takie jak wiadomości od klientów czy obrazy, mogą dostarczyć kontekstu, lecz trudniej je przetwarzać.
Świadomie łącz źródła. Dane wewnętrzne to informacje, które firma już posiada lub może gromadzić. Dane zewnętrzne pochodzą spoza niej, na przykład z rejestrów publicznych, mediów społecznościowych czy serwisów pogodowych. Ich połączenie może ujawnić więcej niż każde z osobna. Zestawienie danych o sprzedaży detalicznej z informacjami o pogodzie może pomóc wyjaśnić zmiany popytu. Celem nie jest zebranie każdego dostępnego strumienia danych, lecz dobranie użytecznego zestawu, który odpowiada na określone pytanie i którego utrzymanie jest opłacalne.
Rozróżnienie między danymi strukturalnymi a materiałami dostarczającymi kontekstu jest przydatne, bo organizacje często uznają to, co najłatwiej policzyć, za najważniejsze. Transakcje pokazują zachowania, a rozmowy czy wiadomości mogą pomóc wyjaśnić motywacje. Żadne z nich nie stanowią automatycznie prawdy: samoopis może być stronniczy, a ślady cyfrowe niepełne lub błędnie odczytane. Łączenie źródeł może uzupełnić luki, ale też stworzyć fałszywe poczucie pewności, jeśli źródła obciążone są tym samym błędem. Rzetelna analiza pyta więc nie tylko, czy zbiory danych są ze sobą zgodne, lecz także jak powstały i czego nie uwzględniają.
Dobieraj analitykę do pytania, a korelację traktuj jako wskazówkę
Różne metody odpowiadają na różne pytania. Analityka przekształca dane w wiedzę, ale żadna pojedyncza technika nie sprawdzi się w każdym zadaniu. Analiza tekstu lub sentymentu może służyć do badania pisemnych opinii; analiza obrazów i nagrań wideo — do identyfikowania obiektów lub wzorców ruchu; prognozowanie — do przewidywania trendów w czasie; a eksperymenty biznesowe — do porównywania wariantów w kontrolowanych warunkach. Na przykład testy A/B pozwalają firmie wypróbować dwie wersje komunikatu lub doświadczenia związanego z produktem i porównać wyniki, zanim wybierze jedną z nich do szerszego wdrożenia.
Wzorce nie są wyjaśnieniami. Walmart zauważył, że sprzedaż Pop-Tarts rosła w okresie ostrzeżeń przed huraganami. Ta korelacja mogła pomóc w planowaniu zapasów, ale nie wyjaśniała, dlaczego klienci kupowali więcej. Aby poznać przyczyny, firma potrzebowałaby dodatkowych dowodów, takich jak rozmowy z klientami. Łączenie metod analitycznych może wzmocnić wniosek, ale nawet zaawansowane algorytmy wykrywają wzorce, a nie dowodzą automatycznie związku przyczynowego. Analityka powinna wspierać osąd, a nie zastępować pytanie, czy pozorna zależność jest rzeczywiście istotna.
To rozróżnienie ma kluczowe znaczenie w czasach, gdy modele predykcyjne potrafią sprawić, że słabe dowody wyglądają na wiarygodne. Korelacja jest przydatna w odkrywaniu: podpowiada analitykom, gdzie szukać dalej. Eksperymenty i rozumowanie przyczynowe pomagają ustalić, czy zmiana jednego czynnika rzeczywiście zmienia wynik. Przykłady z książki pokazują też, dlaczego metodę należy dobierać do decyzji, a nie do nowości oprogramowania. Prognoza może być trafna, a mimo to bezużyteczna, jeśli nikt nie może na jej podstawie działać; z kolei proste porównanie może wystarczyć, by ulepszyć kampanię. Dobra analityka to zdyscyplinowane rozwiązywanie problemów, a nie konkurs na wykorzystanie najbardziej zaawansowanego modelu.
Niech potrzeby strategiczne, a nie moda na dostawców, wyznaczają infrastrukturę danych
Zbuduj cztery praktyczne warstwy. Infrastruktura danych musi umożliwiać ich gromadzenie, przechowywanie, przetwarzanie i analizowanie, a także zapewniać dostęp do nich osobom lub systemom, które ich potrzebują. Wybór zależy od danych i celów organizacji. Usługi chmurowe mogą ograniczyć początkowe inwestycje, a systemy open source, takie jak Hadoop, rozdzielają przechowywanie i przetwarzanie danych między wiele maszyn. Rozwiązania te mogą być wydajne, ale nadal wymagają wiedzy technicznej i bieżącego utrzymania.
Korzystaj z wynajmu, jeśli to właściwe. Big data jako usługa (Big Data as a Service), w skrócie BDaaS, oznacza kupowanie od dostawcy opartych na chmurze danych, narzędzi, analiz lub powiązanej wiedzy specjalistycznej. Może to zapewnić mniejszym firmom dostęp do możliwości, których nie muszą budować samodzielnie. Jezioro danych przechowuje dane w surowej postaci, by można je było elastycznie wykorzystać w przyszłości — inaczej niż hurtownia danych, w której informacje są wcześniej porządkowane. Elastyczność nie zawsze jest zaletą: bez jasno określonej odpowiedzialności, zasad jakości i kontroli dostępu jezioro może stać się źle zarządzaną stertą danych.
Infrastruktura to często obszar, w którym strategia przybiera konkretną postać, ale też miejsce, gdzie organizacje mogą marnować pieniądze, myląc możliwości z kompetencjami. Wynajem usług może obniżyć koszt eksperymentowania, natomiast własne systemy mogą być właściwsze, gdy dane są niezbędne do codziennych operacji albo stanowią podstawę głównego źródła przychodów. Wybór nie sprowadza się do chmury lub własnych zasobów; dotyczy kontroli, przenośności, bezpieczeństwa, umiejętności i kosztu zmiany dostawcy. Model warstwowy przedstawiony w książce jest użyteczny, bo pozwala rozdzielić te kwestie. Liderzy mogą wskazać rzeczywiste wąskie gardło, zamiast przebudowywać każdą warstwę tylko dlatego, że dostawca proponuje modną architekturę.
Łącz wiedzę techniczną z osądem biznesowym i jasną komunikacją
Praca z danymi to gra zespołowa. Książka wskazuje pięć kluczowych kompetencji w nauce o danych: rozumienie biznesu, umiejętności analityczne, informatykę, statystykę i matematykę oraz kreatywność. Niewielu kandydatów ma jednakowo wysoki poziom we wszystkich pięciu obszarach. Firma może połączyć specjalistę technicznego z analitykiem biznesowym, przeszkolić obecnych pracowników lub zatrudnić zewnętrznego dostawcę. Celem nie jest gromadzenie imponujących nazw stanowisk, lecz powiązanie pracy technicznej z decyzjami, które organizacja może podjąć.
Szerz praktyczną swobodę posługiwania się danymi. Obywatelski naukowiec danych (citizen data scientist) to pracownik niespecjalizujący się w tej dziedzinie, ale wyposażony w narzędzia, dzięki którym może wykonywać część analiz danych. Sears przeszkolił setki pracowników zajmujących się analizą biznesową, by przeprowadzali segmentację klientów — zadanie, które wcześniej wykonywali specjaliści-analitycy. Może to poszerzyć udział w pracy z danymi i ograniczyć wąskie gardła, pozostawiając złożone modelowanie ekspertom. Najlepsze rozwiązanie zależy od ryzyka: więcej osób może badać rutynowe kwestie, ale decyzje o dużej wadze wymagają weryfikacji, przeglądu specjalistów i jasnego przypisania odpowiedzialności.
Nacisk na komunikację uznaje, że analiza nie ma wartości dla organizacji, dopóki ktoś nie zrozumie jej na tyle, by zareagować. Włączanie analityków w zespoły biznesowe może skrócić drogę od pytania do odpowiedzi, a szerszy dostęp do danych sprawić, że dociekanie stanie się częścią codziennej pracy. Demokratyzacja nie oznacza jednak rezygnacji ze standardów. Użytkownicy potrzebują wiedzy o niepewności, doborze próby i jakości danych, a nie tylko dostępu do pulpitów. W przeciwnym razie większa liczba pracowników może doprowadzić do większej liczby pewnych siebie, lecz błędnych interpretacji. Wiedzę należy upowszechniać z rozwagą, dostosowując kontrolę do konsekwencji decyzji.
Gromadź mniej danych osobowych i wyjaśniaj każde ich wykorzystanie
Zapewnij ład w zarządzaniu zasobem danych. Ład danych to system obowiązków i zasad służących ochronie jakości danych, ich zgodnego z prawem wykorzystania, prywatności i bezpieczeństwa. Książka podkreśla, że organizacje powinny wiedzieć, skąd pochodzą dane, jakie zgody dotyczą ich wykorzystania, kto może mieć do nich dostęp i kto odpowiada za ich dokładność. Minimalizacja danych oznacza gromadzenie i przechowywanie wyłącznie tych danych osobowych, które są potrzebne do określonego celu, zamiast zachowywania wszystkiego na wypadek, gdyby kiedyś się przydało.
Zaufanie to kwestia operacyjna. Spotify spotkało się z krytyką, gdy jego polityka prywatności zdawała się zezwalać na dostęp do obszernych danych z telefonu, nie wyjaśniając jasno, po co są potrzebne. Książka opisuje również zbliżające się wówczas unijne ogólne rozporządzenie o ochronie danych jako przepis wprowadzający ściślejsze ograniczenia dotyczące wykorzystywania danych osobowych i przewidujący znaczne kary za naruszenia. Ogólna rada jest praktyczna: wyjaśniaj, jakie dane są zbierane i dlaczego, uzyskuj odpowiednią zgodę, zabezpieczaj informacje i usuwaj te, które nie są już potrzebne.
Prywatność nie jest jedynie ograniczeniem innowacji. Stanowi część relacji, dzięki której klienci w ogóle chcą udostępniać informacje. Jasno określone cele i ograniczenie zakresu gromadzonych danych mogą zmniejszyć ryzyko prawne, a zarazem zwiększyć wiarygodność usługi opartej na danych. Istnieje jednak rzeczywiste napięcie: ludzie mogą akceptować warunki, nie rozumiejąc ich, dlatego samo zaznaczenie pola słabo świadczy o świadomej zgodzie. Dobry ład wymaga zatem zrozumiałych wyjaśnień, rzeczywistego wyboru i wewnętrznie egzekwowanych ograniczeń. Zabezpieczenia te są szczególnie ważne, gdy dane pracowników lub grup narażonych na krzywdę mogą być wykorzystywane do ich oceniania lub wywierania na nich wpływu.
Uczyń kulturę pracy z danymi nawykiem przywódczym, a potem regularnie weryfikuj strategię
Realizacja wymaga zaangażowania ludzi. Kultura pracy z danymi istnieje wtedy, gdy pracownicy wykorzystują dowody do ulepszania decyzji i pracy, zamiast uznawać analitykę za odpowiedzialność działu technicznego. Liderzy muszą dawać przykład, wyjaśniać znaczenie strategii i łączyć projekty z konkretnymi rezultatami. W Royal Bank of Scotland program Personology wykorzystywał dane finansowe, by identyfikować klientów płacących podwójnie za pakiety usług. Zaangażowanie pracowników miało znaczenie, ponieważ to oni musieli przekuć te ustalenia w wartościowe rozmowy z klientami.
Nie pozwól, by plan stracił aktualność. Strategia wymaga osób odpowiedzialnych za jej realizację, kamieni milowych, komunikacji i sposobu śledzenia postępów. Powinna też zmieniać się wraz z priorytetami biznesowymi i technologią. Książka zaleca pełny coroczny przegląd jako rozsądną zasadę, a częstsze przeglądy wtedy, gdy dane są kluczowe dla modelu biznesowego. Projekt, w którym gromadzi się dane, lecz nie zmienia żadnej decyzji, procesu ani oferty, nie przyniósł zamierzonej wartości.
Kulturę pracy z danymi najlepiej rozumieć jako zmianę praktyk organizacyjnych, a nie hasło czy wdrożenie oprogramowania. Przykład RBS pokazuje, że pracownicy nie są biernymi odbiorcami analiz: interpretują ich znaczenie i kształtują doświadczenie klienta. Liderzy odpowiadają więc za to, by dane były użyteczne i podlegały krytycznej ocenie, a nie tylko za wymaganie przestrzegania wskaźników. Regularny przegląd zapobiega również temu, by dawna strategia stała się zobowiązaniem uzasadnianym poniesionymi już kosztami. Coroczny rytm to praktyczny punkt wyjścia, ale zmienność rynku, zmiany regulacyjne albo nowy model biznesowy mogą uzasadniać szybszą ponowną ocenę.
Analiza
Trwały wkład tej książki nie polega na przewidywaniu przyszłości żadnej konkretnej technologii. Jest nim opis kolejnych etapów przekształcania danych w wartość biznesową: sprecyzuj cel, określ pytanie, znajdź odpowiednie dowody, wybierz metodę, stwórz warunki do działania i zadbaj o ład oraz konsekwencje. Ta kolejność ma znaczenie, bo organizacje często postępują odwrotnie. Kupują platformy, zatrudniają specjalistów albo gromadzą informacje, zanim uzgodnią, którą decyzję należy ulepszyć. Rezultat może robić wrażenie pod względem technicznym, a zarazem pozostawać bez znaczenia komercyjnego.
Trzy ścieżki tworzenia wartości — lepsze decyzje, sprawniejsze działania operacyjne i przychody z ofert opartych na danych — stanowią użyteczną mapę, która pomaga wybrać punkt wyjścia. Ujawniają również różne zagrożenia. Wspomaganie decyzji może wzmacniać stronnicze założenia. Automatyzacja może sprawić, że błąd będzie powtarzany z szybkością maszyny. Monetyzacja może zmienić relację z klientem w ukrytą wymianę. Ład nie jest więc końcowym sprawdzeniem zgodności z przepisami. Powinien być wpisany w projekt każdego wykorzystania danych i określać, co się gromadzi oraz jakie działania są dopuszczalne.
Przykłady w książce są najprzekonujące wtedy, gdy dane prowadzą do konkretnego działania: odczyty z silnika kierujące konserwacją, ruch w sklepie wpływający na decyzję o lokalizacji albo analiza transakcji ujawniająca podwójne naliczanie opłat. Te przypadki przypominają o łatwej do przeoczenia zasadzie: wgląd w sytuację to nie to samo co wpływ na rzeczywistość. Użyteczna inicjatywa dotycząca danych zmienia decyzję lub usługę w sposób, który można ocenić.
Najważniejsze zastrzeżenie dotyczy tego, że udane przypadki mogą stwarzać wrażenie większej niezawodności prognoz, niż jest w rzeczywistości. Dane odzwierciedlają systemy, które je wytworzyły, a historyczne wzorce mogą przestać obowiązywać, gdy zmieniają się zachowania, rynki lub bodźce. Analityka powinna wyostrzać ludzki osąd, a nie pozwalać algorytmowi rozmywać odpowiedzialności. Dojrzała strategia danych łączy więc eksperymentowanie ze sceptycyzmem, ambicje operacyjne z zabezpieczeniami, a możliwości techniczne z jasnym określeniem, kto odnosi korzyść. Praktyczny sprawdzian jest prosty: czy organizacja potrafi wyjaśnić, czego się dowiedziała, co zmieniła i dlaczego ta zmiana była warta poniesionych kosztów?
Podsumowanie recenzji
Data Strategy zbiera zróżnicowane recenzje; średnia ocena wynosi 3,80 na 5. Wielu czytelników uważa tę książkę za dobre wprowadzenie do praktyk biznesowych opartych na danych i chwali jej przystępność oraz przykłady z życia. Niektórzy krytykują jednak brak głębi i praktycznych wskazówek dotyczących wdrażania. Książka jest na ogół uznawana za bardziej odpowiednią dla kadry kierowniczej i osób dopiero poznających strategię danych niż dla specjalistów technicznych. Czytelnicy doceniają omówienie ładu danych i kwestii prywatności, zauważają jednak, że niektóre zagadnienia technologiczne mogą być już nieaktualne.
Inni czytali również
Słowniczek
Big data
Duże, zróżnicowane i szybko napływające daneSzerokie określenie zbiorów danych, których skala, szybkość lub różnorodność formatów przekracza możliwości łatwego zarządzania przy użyciu konwencjonalnych narzędzi. Książka podkreśla, że sama nazwa ma mniejsze znaczenie niż zdolność produktywnego wykorzystywania danych. Duże wolumeny same w sobie nie dają przewagi; wartość zależy od tego, czy analiza usprawnia podejmowanie decyzji, działalność operacyjną lub ofertę.
cztery V
Wymiary Big dataRamy opisu Big data obejmujące wolumen, czyli ilość gromadzonych danych; szybkość, czyli tempo ich powstawania i przepływu; różnorodność, czyli rozmaitość formatów; oraz wiarygodność, czyli rzetelność lub nieuporządkowanie informacji. Książka dodaje wartość jako rozstrzygający sprawdzian biznesowy: dane, które nie wspierają użytecznych rezultatów, nie są strategicznie cenne tylko dlatego, że mają te cechy.
kluczowe pytania biznesowe
Strategiczne pytania, na które odpowiadają danePytania bez odpowiedzi, powiązane z celami organizacji. Określają, co liderzy muszą wiedzieć, zanim zdecydują, jakie informacje gromadzić lub analizować. Książka zaleca formułowanie tych pytań w czterech obszarach: klienci i rynki, finanse, działalność wewnętrzna oraz pracownicy. Następnie należy ustalić ich priorytety i wybrać wykonalną listę zamiast próbować zbadać każdy możliwy problem.
Przemysł 4.0
Połączona, autonomiczna produkcjaModel produkcji, w którym połączone w sieć maszyny, czujniki, systemy komputerowe i ludzie komunikują się oraz koordynują działania w czasie rzeczywistym. Jego cechy obejmują interoperacyjność, cyfrowe odwzorowanie procesów fizycznych, wsparcie techniczne dla pracowników oraz zdecentralizowane decyzje podejmowane przez systemy. Książka podkreśla również, że wdrażanie tego modelu komplikuje konieczność zapewnienia niezawodności, bezpieczeństwa i odpowiednich umiejętności, a także uwzględnienia konsekwencji dla zatrudnienia.
big data jako usługa (Big Data as a Service)
Chmurowe możliwości pracy z danymiModel komercyjny, w którym dostawca udostępnia za pośrednictwem usług chmurowych wybrane połączenie danych, przestrzeni dyskowej, narzędzi analitycznych, analiz, raportowania lub doradztwa. Może ograniczyć koszty początkowe i zapewnić mniejszym organizacjom dostęp do możliwości, których nie byłyby w stanie zbudować samodzielnie. Może być mniej odpowiedni, gdy firma potrzebuje bezpośredniej własności i kontroli nad danymi kluczowymi dla jej działalności.
jezioro danych
Repozytorium surowych danychSposób przechowywania danych w ich pierwotnej, stosunkowo nieprzetworzonej postaci, tak aby można je było przystosować do różnych zastosowań analitycznych. W przeciwieństwie do tradycyjnej hurtowni danych, w której informacje są z góry porządkowane według określonych struktur, jezioro danych stawia na elastyczność. Wiąże się ona jednak z ryzykiem: bez jasnych standardów, kontroli dostępu i nadzoru repozytorium może stać się trudne do zrozumienia, zabezpieczenia i niezawodnego wykorzystania.
obywatelski naukowiec danych (citizen data scientist)
Analityk danych bez specjalistycznego przygotowaniaPracownik, który nie jest formalnie naukowcem danych, ale dzięki dostępnym narzędziom i szkoleniom potrafi wykonywać część prac analitycznych. Takie podejście pozwala zespołom biznesowym samodzielniej badać pytania i ogranicza zależność od niewielkiej grupy specjalistów. Nie eliminuje jednak potrzeby korzystania z wiedzy ekspertów, zwłaszcza gdy stosowane metody są złożone lub decyzje niosą poważne konsekwencje.
ład danych
Zasady odpowiedzialnego zarządzania danymiOrganizacyjny system zarządzania jakością i pochodzeniem danych, dostępem do nich, własnością, prywatnością, bezpieczeństwem oraz dozwolonym sposobem ich wykorzystania. Określa, kto odpowiada za utrzymywanie informacji i jakie zasady obowiązują przez cały okres ich istnienia. Dobry ład danych pomaga zapewnić ich rzetelność i zgodność z prawem ich wykorzystania, a także ogranicza ryzyko, jakie ich gromadzenie i analiza mogą niepotrzebnie stwarzać dla organizacji lub osób, których dotyczą.
minimalizacja danych
Gromadzenie wyłącznie niezbędnych danychPraktyka ograniczania gromadzenia i przechowywania danych osobowych do informacji istotnych i niezbędnych do jasno określonego celu. Zmniejsza obciążenia związane z przechowywaniem i bezpieczeństwem, ogranicza potencjalne szkody w razie naruszenia ochrony danych i pomaga zapobiegać wykorzystywaniu informacji w sposób, którego ludzie się nie spodziewali. Książka przedstawia minimalizację danych zarówno jako dobrą praktykę biznesową, jak i odpowiedź na zaostrzające się wymogi dotyczące prywatności.
FAQ
O czym jest Data Strategy Bernarda Marra?
- Wykorzystanie danych: Data Strategy podkreśla, że dane należy wykorzystywać jako zasób strategiczny, który wspiera podejmowanie decyzji, usprawnia działania i tworzy nowe źródła przychodów.
- Big data i Internet rzeczy: Książka omawia, jak Big data i Internet rzeczy zmieniają praktyki biznesowe, zachęcając firmy do przystosowania się do tego świata opartego na danych.
- Praktyczne ramy działania: Marr przedstawia ramy opracowywania strategii danych, obejmujące skuteczne pozyskiwanie, gromadzenie i analizowanie danych, przeznaczone dla liderów z różnych sektorów.
Dlaczego warto przeczytać Data Strategy Bernarda Marra?
- Kompleksowy przewodnik: Książka pomaga zrozumieć i wdrożyć strategię danych, łącząc wnioski teoretyczne z praktycznymi przykładami.
- Wiedza ekspercka: Bernard Marr jest uznanym ekspertem w dziedzinie danych i analityki, oferującym cenne spostrzeżenia liderom biznesu.
- Przygotowanie firmy na przyszłość: Książka pomaga przygotować się na zmieniający się krajobraz podejmowania decyzji w oparciu o dane, tak by firma była gotowa na przyszłość.
Jakie są najważniejsze wnioski z Data Strategy Bernarda Marra?
- Dane jako zasób strategiczny: Dane należy uznać za kluczowy czynnik przewagi konkurencyjnej; firmy, które skutecznie je wykorzystują, osiągają lepsze wyniki niż konkurenci.
- Znaczenie strategii danych: Potrzebna jest jasna strategia danych zgodna z celami biznesowymi, obejmująca określenie kluczowych pytań i wskazanie właściwych danych.
- Monetyzacja danych: Książka omawia sposoby zarabiania na danych, takie jak sprzedaż spostrzeżeń lub ulepszanie produktów, aby zwiększyć wartość firmy.
Jakie są najlepsze cytaty z Data Strategy Bernarda Marra i co oznaczają?
- „Dane zmieniają nasz świat...”: Podkreśla przeobrażającą siłę danych we współczesnym społeczeństwie oraz pilną potrzebę przystosowania się organizacji.
- „Każda firma musi stać się firmą opartą na danych.”: Podkreśla konieczność włączenia danych do wszystkich obszarów działalności firmy, aby pozostała konkurencyjna.
- „Siła Big data nie tkwi w samych danych...”: Zwraca uwagę, że prawdziwa wartość danych wynika z ich zastosowania, a nie tylko z ich gromadzenia.
Jak Data Strategy Bernarda Marra definiuje Big data?
- Cztery V Big data: Marr opisuje Big data za pomocą czterech wymiarów: wolumenu, szybkości, różnorodności i wiarygodności, odróżniając je od tradycyjnych zbiorów danych.
- Wolumen: Odnosi się do ogromnych ilości generowanych danych, których zarządzanie i wykorzystanie wymaga nowych technologii.
- Szybkość: Opisuje tempo tworzenia i przetwarzania danych, umożliwiające analizę w czasie rzeczywistym i podejmowanie świadomych decyzji.
Jaką rolę odgrywa ład danych w Data Strategy Bernarda Marra?
- Własność danych i prywatność: Książka omawia znaczenie uwzględniania kwestii własności danych i prywatności, aby zapewnić zgodność z normami prawnymi i etycznymi.
- Bezpieczeństwo danych: Skuteczny ład danych obejmuje środki chroniące dane przed naruszeniami, co ma kluczowe znaczenie dla budowania zaufania i ochrony informacji.
- Dobre praktyki w zakresie ładu danych: Jasne zasady pomagają maksymalizować wartość danych przy jednoczesnym ograniczaniu ryzyka, między innymi dzięki regularnym audytom i aktualizacjom.
Jak opracować strategię danych na podstawie Data Strategy Bernarda Marra?
- Określ cele biznesowe: Zacznij od określenia celów strategicznych i sposobu, w jaki dane mogą pomóc je osiągnąć; to wyznaczy kierunek gromadzenia i analizy danych.
- Zidentyfikuj kluczowe pytania: Określ kluczowe pytania biznesowe, aby skoncentrować się na gromadzeniu odpowiednich danych.
- Pozyskiwanie danych: Zdecyduj, jakiego rodzaju dane są potrzebne, i stwórz sprawny proces ich gromadzenia.
Jak Data Strategy Bernarda Marra podpowiada firmom, jak mogą zarabiać na danych?
- Sprzedaż spostrzeżeń opartych na danych: Twórz źródła przychodów, sprzedając dostęp do danych lub spostrzeżeń, takich jak trendy rynkowe i analizy klientów.
- Udoskonalanie produktów i usług: Wykorzystuj dane do ulepszania produktów lub tworzenia nowych ofert, zwiększając zadowolenie i lojalność klientów.
- Partnerstwa i współpraca: Nawiązuj partnerstwa, aby wspólnie czerpać korzyści z danych, dzielić się spostrzeżeniami lub opracowywać produkty.
Jakie są trzy główne obszary, w których dane mają znaczenie dla biznesu według Data Strategy Bernarda Marra?
- Usprawnianie podejmowania decyzji: Dane zapewniają lepsze informacje o rynku i klientach, pomagając ulepszać projektowanie produktów i strategie marketingowe.
- Usprawnianie działań operacyjnych: Optymalizują procesy wewnętrzne, takie jak zarządzanie łańcuchem dostaw, co prowadzi do oszczędności i poprawy jakości usług.
- Monetyzacja danych: Wykorzystuj dane jako kluczowy zasób, tworząc nowe źródła przychodów i zwiększając wartość firmy.
Jak Data Strategy Bernarda Marra definiuje rodzaje danych?
- Dane ustrukturyzowane: Zorganizowane według z góry określonego schematu, łatwe do przeszukiwania i analizowania, na przykład bazy danych i arkusze kalkulacyjne.
- Dane nieustrukturyzowane: Nie mają określonego formatu i trudno je analizować; należą do nich między innymi dokumenty tekstowe i wpisy w mediach społecznościowych.
- Dane częściowo ustrukturyzowane: Łączą elementy ustrukturyzowane i nieustrukturyzowane, jak pliki XML lub JSON.
Jak organizacje mogą rozwijać kulturę opartą na danych według Data Strategy Bernarda Marra?
- Zaangażowanie kierownictwa: Kadra kierownicza wyższego szczebla musi zobowiązać się do podejmowania decyzji w oparciu o dane i rozwijać kulturę, w której ceni się dane.
- Szkolenia i rozwój: Inwestuj w szkolenia podnoszące kompetencje w zakresie danych, aby pracownicy potrafili skutecznie z nich korzystać.
- Otwarta komunikacja: Zachęcaj do rozmów o inicjatywach związanych z danymi, budując zaufanie i zaangażowanie pracowników.
Jaką rolę odgrywa analityka w Data Strategy Bernarda Marra?
- Przekształcanie danych w spostrzeżenia: Analityka bada dane i wydobywa z nich spostrzeżenia, które wspierają decyzje biznesowe i usprawnienia.
- Różnorodne techniki analityczne: Książka omawia metody, takie jak analityka predykcyjna i eksploracja danych, dobierane do potrzeb biznesowych.
- Łączenie metod analitycznych dla lepszych rezultatów: Zintegrowanie różnych podejść pozwala uzyskać pełniejszy obraz i podejmować świadome decyzje.
Pobierz PDF
Pobierz EPUB
.epub idealnie nadaje się do czytania e-booków na telefonach, tabletach i czytnikach.