هوش تجاری

به روز رسانی حاکمیت داده در سازمان: از کجا شروع کنیم

شرکت‌ها امروزه مدیریت داده (برنامه ریزی برای کنترل و ایمن‌سازی داده‌ها) را جدی‌تر می‌گیرند. در گزارش اخیر DATAVERSITY، ۷۶ درصد از سازمان‌ها گفتند یک برنامه حاکمیت داده یا چنین برنامه‌ای برای آینده دارند. این امر منطقی است زیرا شرکت‌ها بیشتر بر امنیت و رشد کسب و کار تمرکز می‌کنند. نقض داده‌ها افزایش یافته است. خانواده‌های باج‌افزار از سال ۲۰۱۶ تا کنون ۷۰۰ درصد رشد کرده‌اند و حملات نسبت به سال گذشته ۳۶۵ درصد افزایش یافته است. برای پیروزی در رقابت، شرکت‌ها بر حاکمیت داده خوب، تکیه می‌کنند.

با این حال، شرکت‌ها با یک چالش بزرگ در اجرای یک چارچوب منسجم حاکمیت داده مواجه هستند که شهرت و نتایج آن به طور گسترده در سازمان متفاوت است. اندی هایلر، مدیر عامل شرکت تحلیلی The Information Difference، در مقاله «گرایش‌های حاکمیت داده» اظهار داشت: «اجرای حاکمیت داده بسیار نابسامان است».

شرکت‌کنندگان در گزارش «گرایش‌ها در مدیریت داده‌ها» همچنین تأیید می‌کنند که برنامه‌های حاکمیت داده بسته به حوزه کسب‌وکار متفاوت بوده و فناوری‌های قدیمی‌تر تمایل به بلوغ حاکمیتی بیشتری دارند. به گفته استن کریستینز، عضو شورای فناوری فوربس و بنیانگذار و مدیر ارشد فناوری Collibra، عدم کشش حاکمیت داده را می‌توان به “تصاویر پلیس و بوروکراسی” نسبت داد. اما با بدتر شدن کیفیت داده‌ها و افزایش ناامیدی در طول برخی از پروژه‌ها، حاکمیت داده بسیار جذاب شده و در نهایت به عنوان راه حل‌های مبتنی بر پروژه اجرا می‌شود.

این اجرای تصادفی حاکمیت داده خطراتی را در سرتاسر سازمان‌ها به همراه دارد، به خصوص که آن‌ها قصد دارند فناوری‌های جدید را منتشر کنند. به عنوان مثال، بیش از ۸۰ درصد از شرکت‌ها قصد دارند تا یک یا دو سال آینده از دوقلوهای دیجیتال و یادگیری عمیق استفاده کنند که به منابع محاسباتی فشرده نیاز دارند. همچنین، کسب‌وکارها نرم‌افزارهای کاربردی را به جایگزین‌های مبتنی بر ابر تغییر داده و به این مسیر ادامه خواهند داد. با افزایش انباشت، ذخیره سازی، استفاده و انتقال داده‌ها در راه حل‌های ابری یا ترکیبی ابری، از طریق نقاط دسترسی ناامن اضافی و یکپارچه سازی بد داده‌ها، ریسک‌های نقض داده‌ها و اطلاعات نادرست نیز افزایش می‌یابد.

حاکمیت داده منسجم، بر اساس یک استراتژی داده اتخاذ شده در همه زمینه‌ها، ریسک به خطر افتادن ایمنی داده‌ها را کاهش می‌دهد و سازمان‌ها را برای استفاده موفقیت آمیز از برنامه‌های کاربردی جدیدتر آماده می‌کند. داشتن حاکمیت داده موفق و متحد به اتصال مجدد از طریق استراتژی داده، برند حاکمیت داده خوب و دریافت پشتیبانی اجرایی بستگی دارد.

اما، چگونه متوجه خواهید شد که زمان تغییر یا معرفی یک چارچوب جامع حاکمیت داده فرا رسیده است؟

۱- داده‌های زیادی دارید اما نمی‌دانید چگونه از آن‌ها ارزش کسب کنید.

زمانی که در مورد اهداف نهایی نامطمئن هستید شروع کردن می‌تواند سخت‌ترین قسمت باشد. آیا الزامات و اهداف کسب و کار را در ذهن دارید؟ امیدوارید از طریق داده‌های خود به چه بینش‌های هدفی دست یابید؟ درک بهتر داده‌های سازمان چگونه بر تصمیمات کسب و کار در آینده تأثیر می‌گذارد؟ برای دانستن پاسخ این سؤالات، باید اطلاعاتی در مورد آنچه که داده‌های شما می‌توانند برایتان انجام دهند، داشته باشید: جایی که چارچوب حاکمیت داده می‌تواند به شما کمک کند.

۲- می‌ترسید که فرآیندهای مناسبی را برای همگام بودن با تشدید الزامات حریم خصوصی و امنیتی و افزایش تعداد تهدیدات امنیتی نداشته باشید.

بحث داغ در مورد اینکه چرا و چگونه داده‌ها باید تنظیم، نگهداری و از آن‌ها محافظت شود همچنان ادامه دارد. حریم خصوصی داده‌ها، ارزیابی‌های ریسک مرتبط و الزامات انطباق باید اولویت اصلی سازمان‌هایی باشد که تلاش می‌کنند از قدرت داده‌های خود استفاده کنند. شرکت‌ها باید تا حد امکان سعی کنند مسائل مربوط به حریم خصوصی را که تهدیدکننده کسب‌وکار هستند، کاهش دهند.

۳- شما دیگر زمان و تلاشی برای مدیریت حجم عظیمی از داده‌های خود ندارید؛ یا بیش از توان مالی خود برای مدیریت داده‌ها هزینه می‌کنید.

تلاشی که برای مرتب کردن داده‌ها انجام می‌شود از ارزش این بینش‌ها فراتر می‌رود و در نتیجه هزینه‌ای بالاتر از ارزش آن متحمل می‌گردد. افزایش حجم، سرعت و تنوع کار بیشتری را در رابطه با فرآیندها و نظارت بر داده‌ها آغاز می‌کند و احساس می‌کنید که نمی‌توانید ادامه دهید، به خصوص اگر با یک سیستم مدیریت داده غیرقابل انعطاف سروکار دارید. علاوه بر این، اگر ارزش زیادی از تجزیه و تحلیل خود دریافت نمی‌کنید، هزینه مدیریت داده ممکن است ارزش تمام هزینه‌ها را نداشته باشد.

۴- نمی‌دانید چگونه می‌توانید دسترسی انتخابی به داده‌ها را فعال کنید، که لایه‌ای از پیچیدگی را به حاکمیت داده اضافه می‌کند.

همه داده‌ها نباید برای همه قابل دسترسی باشند، اما باید در توافق‌نامه سطح خدمات یا SLAهای تعریف شده برای کسانی که به آن‌ها اجازه دسترسی داده شده است، قابل دسترسی باشند. تخصیص مجوزهای مناسب از طریق یک زیرساخت کارآمد برای هر مجموعه داده جهت حفظ حریم خصوصی داده‌ها بسیار مهم است، اما تعیین چگونگی و زمان اعمال آن مجوزها چندان ساده نیست. با توجه به سرعت بالایی که محیط های داده در حال تغییر هستند، فقدان کنترل بر داده‌ها می‌تواند باعث شود سازمان‌ها احساس کنند که مدیریت موثر غیرممکن است.

جمع‌بندی

قبل از شروع یک پروژه داده یا استفاده از فناوری جدید، باید ابتدا مدیریت منسجم داده مطرح شود. با یک سرمایه‌گذاری جدید، فرصت‌های بسیار زیادی از نقض داده‌ها و داده‌های بد ناشی از کیفیت ضعیف داده با چارچوب مدیریت داده‌های غیریکپارچه وجود دارد.

زمانی که یک شرکت تصمیم می‌گیرد هر پروژه‌ای را با فناوری جدید اجرا کند، باید استراتژی داده را با حاکمیت داده‌ها متصل نماید، مدیریت داده‌های خوب را نام‌گذاری کند که از حمایت مردم و پذیرش مدیریت ارشد برخوردار باشد. تغییر نیازمندی‌های کسب‌وکار که معمولاً شامل نیاز بیشتر به ادغام است نیز به همین اقدامات نیاز دارد.


مجموعه

هوش تجاری

این پست بخشی از مجموعه هوش تجاری در کار و کسب است. ترتیب زیر را در این حوزه پیشنهاد می‌کنیم.

  1. به روز رسانی حاکمیت داده در سازمان: از کجا شروع کنیم
  2. کارشناس پایگاه داده کیست و چه وظایفی دارد؟
  3. بررسی تفاوت‌های میان داده، اطلاعات و دانش در یک نگاه
  4. وقتی از هوش تجاری صحبت می‌کنیم، از چه حرف می‌زنیم؟
  5. تبدیل داده به اطلاعات با هوش تجاری
  6. تجزیه و تحلیل داده (Data Analytics) چیست و چگونه انجام می‌شود؟
  7. کلان داده (Big Data) چیست؟
  8. تجزیه و تحلیل کلان داده (Big Data) چیست و چگونه انجام می‌شود؟
  9. مقایسه مفاهیم تحلیل داده، علوم داده و کلان داده (Big Data)
  10. طراحی پایگاه داده چیست و چگونه انجام می‌شود؟
  11. حاکمیت داده (Data Governance) چیست و چه اهمیتی دارد؟
  12. هوش تجاری (BI) چیست و چه تفاوتی با آنالیز تجاری (BA) دارد؟
  13. آنچه باید درباره‌ هوش تجاری بدانیم
  14. هوش تجاری (BI) چطور می‌تواند به کسب و کار شما کمک کند؟
  15. معرفی ۵ کتاب برتر درباره هوش تجاری
  16. ۷ کلید برای یک استراتژی موفقیت آمیز در زمینه هوش تجاری
  17. ۹ راه عدم موفقیت هوش تجاری
  18. تجسم داده (Data Visualization) چیست و چرا اهمیت دارد؟
  19. تمیزسازی داده (Data cleaning) به چه معناست و چه اهمیتی دارد؟
  20. ۱۰ تکنیک اساسی تجسم داده در ایجاد گزارش‌های هوش تجاری
  21. معرفی ۱۳ روش متداول تجسم داده‌ها
  22. تفاوت داشبورد و گزارش چیست؟
  23. ۱۰ اصل طراحی داشبورد هوش تجاری
  24. ۱۳ مثال عملی از تحلیل داده با هوش تجاری
  25. کاربرد هوش تجاری در صنایع مختلف
  26. معرفی نرم افزارهای مختلف هوش تجاری
  27. چگونه نرم‌افزار مناسب هوش تجاری را انتخاب کنیم؟
  28. پاور بی آی (Power BI) چیست و در هوش تجاری چه کاربردی دارد؟
  29. راهنمای کامل پاور بی آی (Power BI)
  30. ویژگی‌های نرم افزار Power BI
  31. تفاوت پاور بی آی و اکسل
  32. معرفی انواع نمودارها در نرم افزار پاور بی آی (Power BI)
  33. راهنمای کامل معماری نرم افزار پاور بی آی (Power BI)
  34. راهنمای انتخاب ابزار مناسب بین پاور بی آی و اکسل
  35. آموزش توابع زبان DAX در هوش تجاری با پاور بی آی (Power BI)
  36. معرفی نرم‌افزار Tableau، کاربردها و محصولات آن
  37. هر آنچه که لازم است درباره نرم‌افزار QlikView بدانید
  38. تفاوت زبان M و DAX در نرم افزار Power BI
  39. مقایسه ابزار Power BI و Tableau در هوش تجاری
  40. آموزش Power BI Report Server
  41. آموزش نصب و راه اندازی Power BI Report Server
  42. AIOps چیست و چه ساختاری دارد؟
  43. مسیر شغلی در هوش تجاری
  44. مهندسی داده چیست؟
  45. تحلیلگر داده (Data Analyst) کیست و چه کاری انجام می‌دهد؟
  46. تحلیل‌گر هوش تجاری کیست و چگونه می‌توان به یک تحلیل‌گر هوش تجاری تبدیل شد؟
  47. ۸ مهارت‌ مهم که هر تحلیل‌گر داده برای موفقیت به آن‌ها نیاز دارد
  48. معرفی مهم‌ترین مدارک و گواهینامه‌های مورد نیاز تحلیل‌گر داده
  49. آیا داشتن مدرک SQL ضروری است؟ معرفی انواع و اهمیت مدرک SQL
  50. مهمترین تکنیک‌های هوش تجاری
  51. پیاده سازی هوش تجاری در سازمان‌ها
  52. نقشه راه پیاده سازی موفق استراتژی هوش تجاری در سازمان
  53. معرفی ۵ کاربرد ارزشمند هوش تجاری در سازمان‌ها
  54. داده کاوی چیست و چه تکنیک‌هایی دارد؟
  55. همه‌چیز درباره علم داده و نحوه استفاده از آن
  56. معرفی معتبرترین مدارک و گواهینامه‌های علم داده
  57. معرفی برترین ابزار برای داده‌کاوی
  58. دانشمند داده کیست و چه نقشی در کسب و کار دارد؟
  59. معرفی برترین زبان‌های برنامه‌نویسی علم داده
  60. آسان ترین زبان برنامه‌نویسی برای یادگیری کدام است؟
  61. تفاوت‌های اصلی در نقش‌های مهندس داده و دانشمند داده
  62. زبان برنامه‌نویسی پایتون چیست و چرا باید آن را یاد بگیرید؟
  63. یادگیری ماشین چیست؟
  64. SSRS چیست و چه کاربردی در مدیریت داده‌ها دارد؟
  65. SSAS چیست و چه کاربردهایی دارد؟
  66. بهترین زبان‌ها برای یادگیری ماشین (Machine Learning) کدام هستند؟
  67. نقش‌ها و مسئولیت‌های کلیدی در یک تیم هوش تجاری چیست؟
  68. تفاوت زبان پایتون (Python) و R در چیست؟
  69. کاربرد KPI در داشبوردهای هوش تجاری
  70. زبان برنامه نویسی R چیست؟
  71. بررسی تفاوت‌های میان داده‌کاوی و یادگیری ماشین در علم داده
  72. مروری بر نحوه یادگیری زبان R
  73. چگونه می‌توان یک داشبورد فروش ایجاد کرد؟
  74. معرفی برترین ابزارهای علم داده
  75. پایگاه داده چیست و چه اجزایی دارد؟
  76. انبار داده چیست؟
  77. مفاهیم، معماری و اجزای انبار داده
  78. دانشمند داده چه تفاوتی با تحلیل‌گر داده دارد؟
  79. فرایند ETL در ایجاد انبار داده چیست؟
  80. مدل‌سازی داده چیست؟
  81. دریاچه داده (Data Lake) چیست و چه ساختاری دارد؟
  82. بهترین شیوه‌های طراحی پایگاه داده (Database design)
  83. نرمال‌سازی داده چیست و چگونه انجام می‌شود؟
  84. سیستم‌های پشتیبانی تصمیم‌گیری چیست و چه کاربردهایی دارد؟
  85. بازار داده (Data Mart) چیست و چه تفاوتی با انبار داده دارد؟
  86. تحلیل‌های پیش‌بینی کننده چیست و چگونه انجام می‌شود؟
  87. علم تصمیم‌گیری چیست و چگونه می‌توانیم تصمیمات داده‌محور بگیریم؟
  88. تصمیم‌گیری مبتنی بر داده چیست و چه تاثیری در موفقیت کسب و کار دارد؟
  89. کاربرد تحلیل داده در بانکداری و شرکت‌های خدمات مالی
  90. معماری اطلاعات (IA) چیست و چطور می‌توان از آن استفاده کرد؟
  91. کلان داده (Big Data) و بررسی تأثیرات آن بر تجارت الکترونیک
  92. بانکداری باز (Open Banking) چیست و چه اصولی دارد؟

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دوره جامع و بلندمدت «تحلیلگر حرفه‌ای کسب‌وکار» با رویکرد کاربردی و اجراییاطلاعات بیشتر و ثبت‌نام
بستن