Wie sieht eine erfolgreiche Daten- und Künstliche-Intelligenz-Strategie aus?

Für jeden Leiter der strategischen Datenverwaltung ist einer der ersten Schritte die Entwicklung einer Daten- und Künstlichen-Intelligenz-Strategie. Diese Strategie muss auf Fakten basieren, die tatsächlichen Herausforderungen der Benutzer lösen und in einer Sprache formuliert sein, die von Führungskräften, Aktionären und Datenarbeitskräften an der Frontlinie verstanden werden kann. Der Kern jeder Daten- und Künstlichen-Intelligenz-Strategie umfasst die folgenden vier Schlüsselfaktoren:

• Datengovernance
• Dateninnovation
• Daten- und Künstliche-Intelligenz-Analyse
• Datenkultur

I. Datengovernance

Für die meisten Organisationen, die neu in der Datengovernance sind oder bereits damit vertraut sind, liegt der Schlüssel zu jedem erfolgreichen Projekt darin, auf nicht-eingreifende Weise die Zielgruppe zu erreichen. Dies ist für den Chief Data Officer (CDO) von größter Wichtigkeit und erfordert eine sorgfältige Überlegung der Bereitschaft der Organisation, die Verantwortung für die Datengovernance zu übernehmen. Für Organisationen, bei denen die Datengovernance noch nicht formell etabliert ist und keine speziellen Mitarbeiter dafür zuständig sind, muss die Datengovernance in die täglichen Prozesse integriert und sogar in die Arbeitsplatzbeschreibungen aufgenommen werden, um sicherzustellen, dass die Datenarbeitskräfte an der Frontlinie bei der Ausführung ihrer täglichen Arbeit die Methoden der Datengovernance klar verstehen und zum Gesamtziel beitragen können.

Angesichts dieser Situation ist die generelle Herangehensweise an die nicht-eingreifende Datengovernance eher als eine Wertschöpfungsfunktion zu verstehen, die den Benutzern hilft, innerhalb der verwalteten Grenzen zu arbeiten, während sie die Zugänglichkeit und Verfügbarkeit von Daten gewährleistet und die Hürden für den Zugang zu den richtigen Daten zur Gewinnung von Erkenntnissen und zur Schaffung von Wert für die Organisation verringert.

Für den Chief Data Officer (CDO) ist es eine der ersten Aufgaben bei der Entwicklung eines Datengovernance-Frameworks, Strategien und Standards zu entwickeln, die dem Risikoprofil der Organisation entsprechen. Beispielsweise ist in den meisten Organisationen die Datenanalyse der größte Datenverbraucher. Hunderte von Berichten und Dashboards bieten einzigartige Einblicke, die priorisiert werden müssen. Am wichtigsten ist, dass die Benutzer im Analyseökosystem die Richtlinien für die Datennutzung, die richtigen Zugangsberechtigungen und die Verfügbarkeit von hochwertigen Daten über den Self-Service Zugang kennen müssen.

Innerhalb der ersten 100 Tage benötigt der Chief Data Officer solide Datengovernance-Politik und -Standards, um die Daten zu schützen, die regulatorischen Anforderungen zu erfüllen, die Sichtbarkeit sensibler Daten zu gewährleisten und die Geschäftsregeln für die Datenqualität durchzusetzen, um sicherzustellen, dass die zugegriffenen Daten für die Verwendung geeignet sind.

Der Prozess der Entwicklung von Politik und Standards sollte in Zusammenarbeit mit den betroffenen Geschäftsstellenpartnern erfolgen, um den Eindruck eines "Befehls- und Kontroll"-Ansatzes zu vermeiden, der möglicherweise dazu führen würde, dass die Geschäftseinheiten die Maßnahmen ablehnen. Ein großer Teil der Arbeit bei der Datengovernance besteht darin, mit Menschen zu kommunizieren und ein kollaboratives Umfeld zu schaffen, um die Führungskräfte der Geschäftseinheiten positiv darzustellen. Der CDO konzentriert sich stärker auf die Schaffung von Wert, indem er nicht nur den Führungskräften hilft, ihre unmittelbaren Datenbedürfnisse zu befriedigen, sondern auch ihnen die Möglichkeit gibt, ihre Führungsrolle wahrzunehmen, die Entwicklungspfade zu verstehen und die Risiken zu erkennen, die durch fehlende Beteiligung entstehen können.

Zu den Schlüsselschritten gehört die Entwicklung von Politik und Standards, die die Datenlage der Organisation unterstützen, beispielsweise die Erstellung von Unternehmensrichtlinien anstelle von nur auf die Geschäftseinheiten beschränkten Richtlinien. Die frühzeitige Etablierung und Verbesserung dieses Policy-Repositories ist eine der effizientesten Aufgaben des CDO. Das endgültige Ziel der Datengovernance ist die Einrichtung von Politik und Standards, die Klärung der Datenbesitzverhältnisse und die Gewährleistung der Datenqualität. Obwohl diese Ziele derzeit noch etwas abstrakt erscheinen, legen sie die Grundlage für eine positive Rendite auf Investitionen (ROI), die später in diesem Artikel näher erläutert wird.

Zusammenfassung der wichtigsten Punkte:

Erstellung eines Unternehmens- und lokalen Datenstrategie- und Standards-Repositories

Entwicklung von Datenqualitätsstandards zur Bereitstellung von hochwertigen Daten

Definition der Datenbesitzverhältnisse durch die Einbeziehung der Geschäftsstellenpartnern.

II. Dateninnovation

Für eine bestimmte Organisation hängt die Dateninnovation davon ab, wie die Benutzer aus den vorhandenen Daten Erkenntnisse gewinnen können, um strategische Anwendungsfälle zu bewältigen. Beispielsweise operieren die meisten Banken oder Versicherungen in stark regulierten Märkten. Die Hotellerie muss mit der starken Konkurrenz von Plattformen wie Airbnb fertig werden und gleichzeitig die Bedürfnisse der Stakeholder erfüllen, um die Kundentreue zu erhöhen. Ebenso ist das Ziel des Einzelhandelsmarktes, einen komplexen Lieferketten-, Lieferanten- und Produktbestand zu verwalten, während die Preise niedrig gehalten werden, um den Verbrauchern einen echten Mehrwert zu bieten.

Der Erfolg der Dateninnovation hängt in hohem Maße von der Benutzerprofilierung, ihren Datenbedürfnissen und der Abbildung der Geschäftsanwendungsfälle ab. Ich habe mit globalen Leitern der strategischen Datenverwaltung aus verschiedenen Branchen und Regionen gesprochen und festgestellt, dass ein Gemeinsames Merkmal ist: Viele Leiter neigen dazu, "alles zu integrieren". Nach meinen Erfahrungen tritt dieses Phänomen besonders in der Phase der Proof-of-Concept-Technologiebewertung auf. Die Leiter sammeln oft eine große Anzahl von Geschäftsanforderungen, aber nur wenige von ihnen bringen diese Anforderungen tatsächlich zum Tragen. Die "alles integrierende" Herangehensweise behindert die Entstehung einer datengesteuerten Kultur.

Einer der ersten Schritte bei der Dateninnovation ist die Erstellung eines Portfolio von Anwendungsfällen. Die Leiter der strategischen Datenverwaltung müssen ein Denken in Datenproduktmanagement entwickeln und für jeden Anwendungsfall die Zielgruppe, das Geschäftsproblem, den Datenumfang, den Besitz, die Qualitätsstandards usw. klar definieren. Ähnlich wie bei einem Finanzportfolio können die Anwendungsfälle auch in Bezug auf die Rendite auf Investitionen (ROI) verfolgt werden, um so die unsichtbaren Investitionen zu vermeiden, die allein durch die Governance nicht erreicht werden können.

Zusammenfassung der wichtigsten Punkte:

Die Erstellung eines Inventars von Anwendungsfällen auf der Grundlage von Stakeholder-Umfragen und gegenseitigem Verständnis ist sehr wichtig

Setzen Sie Prioritäten für die Anwendungsfälle anhand ihrer Auswirkungen auf die Organisationsziele und konzentrieren Sie sich auf die Validierung von kleinen Werten (POV).

Verwenden Sie das Denken des Produktmanagements: Definieren Sie das Problem klar, zeichnen Sie das Profil der Zielgruppe und skizzieren Sie die Geschäftswirkungen.

Gründen Sie eine Datencommunity, um eine aktive Beteiligung sicherzustellen, insbesondere in der ersten Phase der Ansichtsevaluation, um schnell Ergebnisse zu erzielen.

III. Daten- und Künstliche-Intelligenz-Analyse

In jeder datengesteuerten Organisation sind die Daten- und Künstliche-Intelligenz-Analyse die größten Datenverbraucher. Ein solch intensives Ökosystem erfordert einen schnelleren Zugang zu den Daten, um die Zugänglichkeit und Verfügbarkeit der Daten zu verbessern. Eine der Hauptherausforderungen, die die Analysten melden, ist, wie man die richtigen Daten für Berichte, Künstliche-Intelligenz- oder Maschinelles-Lernen-Modelle findet und vertrauen kann.

Für die Daten- und Künstliche-Intelligenz-Analyse müssen die Leiter der strategischen Datenverwaltung einen Wert schaffen, der konkrete Ergebnisse erzielt. Um eine positive Rendite auf Investitionen zu erreichen, sind die folgenden Schlüsselfaktoren erforderlich:

Daten-Self-Service: Das Ziel der Daten- und Künstliche-Intelligenz-Analyse-Community ist es, Erkenntnisse zu gewinnen und Künstliche-Intelligenz/Maschinelles-Lernen-Modelle zu erstellen. Der Zugang zu sauberen und zuverlässigen Daten ist der Schlüssel zur Steigerung der Produktivität. Organisationen, die kein Self-Service-Angebot haben, müssen mit langsamen Berichterstellungszeiten, doppelten Berichten aufgrund von getrennten Teams und der Verwendung von allgemeinen Daten für die Erstellung und das Teilen von Künstliche-Intelligenz/Maschinelles-Lernen-Modelle kämpfen. Ein von den Leitern der strategischen Datenverwaltung koordiniertes Daten-Self-Service-Portal ermöglicht es den Mitgliedern der Analyseteams, die Daten leichter zu nutzen und zuzugreifen.

Einheitliche Datenquelle: Die Erstellung einer einheitlichen Datenquelle erfordert die Registrierung der wichtigsten Datenquellen, auf die sich die Analyseteams verlassen. Ein Datenkatalog hilft der Organisation, die Daten effektiv zu verstehen und zu klassifizieren, um so den Datenschutz, die Sicherheitsverwaltung, den internen und externen Datenaustausch sowie das Projektmanagement zu gewährleisten. Noch wichtiger ist, dass der Datenkatalog der erste Schritt bei der Erstellung von Datenprodukten ist: Datenprodukte sind eine Sammlung von wichtigen Daten, die auf Strategien, Standards und strategische Anwendungsfälle abgebildet werden.

Spielifizierung der Datenanalyse-Community: Nicht alle Mitglieder der Datenanalyse leisten den gleichen Beitrag. Die Spielifizierung kann eine Kultur des Austauschs zwischen Analysten, Wissenschaftlern, Ingenieuren und anderen fördern. Die strategischen Datenleiter sollten die wichtigsten Beitragenden identifizieren, Rollen zuweisen und die Wiederverwendung von Daten fördern. Viele Organisationen verlassen sich auf verteilte Datenquellen oder Excel/SharePoint-Dokumente, was sich bei zunehmender Datenmenge schlecht skalieren lässt. Die Spielifizierung hilft den Benutzern, zusammenzuarbeiten, ihre Datenkompetenz zu verbessern und Lösungen zu entwickeln, die mit den strategischen Anwendungsfällen übereinstimmen. In diesem System sollten die aktiven Beitragenden belohnt werden. Die Rolle des CDO ist es, Wert zu schaffen, indem er die Benutzer durch die Verbesserung der Verfügbarkeit und Zugänglichkeit der Daten befähigt.

Die Künstliche Intelligenz erhöht das Risiko, dass die alltäglichen Datenbenutzer, die an strategischen Initiativen teilnehmen möchten, abwandern. Die Schaffung einer solchen Umgebung trägt dazu bei, die datengesteuerte Kultur insgesamt zu stärken.

IV. Datenkultur

Das Aufbauen einer Datenkultur scheint schwierig, da das Risiko besteht, dass der Wert nicht sofort sichtbar wird. Viele Leiter verwechseln die Kultur mit der geschäftlichen Verantwortung, was den Eindruck erwecken kann, dass die Datengovernance eher zur Kontrolle als zur Schaffung von Wert dient.

Eine nicht-eingreifende Methode beginnt mit einem Datenkompetenztrainingsprogramm, das nicht zu viel Zeit der Benutzer in Anspruch nimmt und an ihre Kapazität angepasst ist. Nach meinen Erfahrungen arbeiten erfolgreiche Datenleiter in Zusammenarbeit mit den Schulungs- und Befähigungsgruppen an einem Datenkompetenzprogramm und arbeiten eng mit der Personalabteilung zusammen, um die Anforderungen an die Datenkompetenz in die Arbeitsplatzbeschreibungen aufzunehmen, um sicherzustellen, dass jeder betroffene Mitarbeiter klare Verantwortungen übernimmt.

Zusammenfassung

Indem sie Governance, Innovation, Analyse und Kultur koordinieren, können die strategischen Datenleiter die Daten und die Künstliche Intelligenz in ein echtes werttreibendes Asset für die Organisation verwandeln. Hier sind die vier wichtigsten Punkte:

Etablieren Sie klare Politik und Standards: Entwickeln Sie Unternehmens- und lokale Datenpolitik, Standards und Datenbesitzverhältnisse, um die Qualität der Daten sicherzustellen und die Grundlage für eine positive Rendite auf Investitionen zu legen.

Setzen Sie Prioritäten für die datengetriebenen Anwendungsfälle: Erstellen Sie ein Inventar der Anwendungsfälle anhand der Bedürfnisse der Stakeholder und der Organisationsziele und setzen Sie Prioritäten. Verwenden Sie das Denken des Datenproduktmanagements, um die Rendite auf Investitionen zu verfolgen und unsichtbare Anstrengungen zu vermeiden.

Stärken Sie die Analysefähigkeiten durch die Verbesserung der Zugänglichkeit: Fördern Sie den Daten-Self-Service, erstellen Sie eine einheitliche Datenquelle und gewährleisten Sie die Verfügbarkeit der Daten, um so die Geschwindigkeit der Gewinnung von Erkenntnissen, die Entwicklung von Künstliche-Intelligenz/Maschinelles-Lernen und die strategische Entscheidungsfindung zu beschleunigen.

Fördern Sie eine kollaborative Datenkultur: Implementieren Sie ein Datenkompetenztrainingsprogramm, motivieren Sie die Datenanalyse-Community durch die Spielifizierung und befähigen Sie die Benutzer, innerhalb der verwalteten Grenzen zu arbeiten, um so den Wert zu maximieren und die Akzeptanz zu fördern.

Dieser Artikel stammt aus dem WeChat-Account "Data-driven Intelligence" (ID: Data_0101), Autor: Xiaoxiao, veröffentlicht von 36Kr mit Genehmigung.