Het bereiken van gegevensrijpheid: een organisatorische evenwichtsoefening

Door Techopedia Staff, 8 november 2017

Takeaway: gastheer Eric Kavanagh bespreekt de volwassenheid van gegevens en de volwassenheid van de organisatie met Jen Underwood van Impact Analytix en Ron Huizenga van IDERA.

Je bent momenteel niet ingelogd. Log in of meld je aan om de video te bekijken.

Eric Kavanagh: Oké, dames en heren. Hallo en welkom weer. Het is woensdag om 4 uur Eastern, wat betekent dat het tijd is voor Hot Technologies. Ja inderdaad. Mijn naam is Eric Kavanagh; Ik zal vandaag je gastheer zijn voor onze show, die echt is gedefinieerd, ontworpen om bepaalde soorten technologie te definiëren in bepaalde staten van de wereld van gegevensbeheer. En ons onderwerp van vandaag is "Het bereiken van gegevensrijpheid: een wet inzake organisatiebalancering." Dus er is echt een plekje in de uwe, sla me op Twitter, @eric_kavanagh. Ik retweet altijd als je me noemt, en ik zal ook proberen terug te volgen. Het is een goede plek om informatie te krijgen over wat er in de wereld gebeurt. Ik hou van dat formaat. Korte tekens, 140 tekens - of meer tegenwoordig. Stuur me dus een tweet en ik zal terug volgen.

Dit jaar is natuurlijk warm. We hebben het vandaag allemaal over gegevensrijpheid en hier is de line-up, met die van jou echt aan de top. We hebben vandaag een nieuwe analist; Ik ben erg enthousiast over Jen Underwood van Impact Analytix. Ze is nogal de expert in business intelligence en analyse en datavisualisatie en al deze geweldige onderwerpen. En natuurlijk dataroomheid. En onze goede vriend Ron Huizenga belt vanuit IDERA. Dus we horen eerst van Jen en daarna van Ron. En dan hebben we een mooie rondetafelgesprek.

Terwijl ik deze volgende dia hier naar boven duw, zal ik gewoon een paar snelle woorden zeggen. De volwassenheid van gegevensbeheer is al een tijdje onderwerp. Het is duidelijk dat je in de geschiedenis op een bepaald punt moet komen voordat je aan volwassenheid begint te denken, en er zijn veel volwassen levenscycli ontwikkeld - of cycli - die proberen te achterhalen waar je je in de curve bevindt. Ben je in een vroeg stadium? Ben je een tiener? Ben je volwassen Etcetera.

En ik denk dat veel organisaties in de tienerjaren zijn of in de late tienerjaren of vroege jaren twintig in termen van volwassenheid. En dat zegt niets ontmoedigend. Het is gewoon zo dat we ons in de begindagen van data nog steeds als een strategisch activum kunnen beheren. En dingen zijn snel aan het veranderen. Vooral in de laatste vijf tot zeven jaar, omdat we zijn overgestapt van kleine gegevens naar grote gegevens en ze proberen deze redelijk uiteenlopende werelden en nieuwe technologieën met oude technologieën te verzoenen. Dus de erfenis is overal, het is overal.

Een van de grappen die ik jaren geleden hoorde, is dat legacy een systeem is dat in productie is. Op het moment dat een systeem in productie gaat, is het technisch gezien een erfenis. En op een manier die waar is. Maar het komt erop neer dat we al die systemen hebben die al lang bestaan ​​en dat we een manier moeten vinden om te begrijpen waar we ons in onze eigen volwassenheidscurve bevinden om de waarde van gegevens als een actief te kunnen maximaliseren en optimaliseren . En natuurlijk zijn er enkele nalevingskwesties, een aantal regels waar we ons zorgen over moeten maken, afhankelijk van de branche waarin we ons bevinden. En dan moeten we ons natuurlijk ook zorgen maken over hacken. In het verleden hebben we het gehad over gegevensbeheer en hoe dat echt deel uitmaakt van beveiliging en het begrijpen van de rollen en verantwoordelijkheden van het gebruik van gegevens en ervoor zorgen dat we er de beste waarde uit halen.

En dus ga ik de sleutels overhandigen aan Jen Underwood en zij kan ons haar perspectief op gegevensvolwassenheid vertellen. Jen, haal het weg.

Jen Underwood: Bedankt, Eric, en bedankt dat je me hebt uitgenodigd. Dus vandaag ga ik een paar verschillende onderwerpen behandelen en dan ga ik Ron introduceren met IDERA en hij gaat dieper ingaan op enkele andere gebieden van dit specifieke onderwerp. Ik zal zeggen dat het een cruciale rol speelt in het digitale tijdperk of de digitale transformatie waar we nu in zitten en, zoals Eric had gezegd, het is een evoluerend tijdperk. Enkele leuke statistieken van de EDM Council, er was een benchmarkrapport voor de datamanagementsector. Het is bijna twee jaar oud, maar het is nog steeds redelijk relevant en zal enkele van de, weet je, factoids op zichzelf onthullen over het zijn van een tiener in deze ruimte. Ik zal op zichzelf een beetje praten over de volwassenheid van gegevens en de pijlers van bestuur.

Over dit thema van het digitale tijdperk of de digitale transformatie die je overal hoort, gebeurt dit nu echt. Een van de interessante feiten die ik heb verzameld terwijl ik de branche elke dag volgde, was een opmerking van Gartner in hun top tien van strategische technologische trends. En ze hadden gezegd tegen 2020 - dus we zijn slechts een paar jaar verwijderd van dat - informatie zal worden gebruikt om 80 procent van de processen die we een decennium eerder hadden, opnieuw uit te vinden, te digitaliseren en te automatiseren of te elimineren.

En ik zie dit al een tijdje, ik denk dat je hier verschillende soorten mensen ziet, weet je, "Dat is de nieuwe olie, " en dat soort dingen. Ik zeg graag dat data nu digitaal goud is. En als je nadenkt over softwareapplicaties en software-betrokkenheid, was ik in het verleden een wereldwijde productmanager voor Microsoft, en zelfs de verandering in mijn carrière van, weet je, we zouden ons echt richten op software, nu zijn we gericht op gebruikers en gegevens verzamelen en nadenken over het genereren van inkomsten met de gegevens.

We gaan dit tijdperk binnen waarin data digitaal goud is en je begint dat te zien met de opkomst van wat de chief data officer wordt genoemd, en ze zijn, je weet wel, twee primaire missies - en zeker een paar andere - om ervoor te zorgen dat de gegevens veilig zijn en ook manieren te vinden om de waarde van gegevens intern - en zelfs extern - als dat digitale bedrijfsmiddel te maximaliseren. Dus dit soort dingen die in het verleden misschien niet of niet belangrijk voor uw organisatie leken, krijgen eindelijk een plaats aan de C-level tafel met de CDO en zullen in de toekomst veel serieuzer worden genomen.

Als je denkt aan gegevensbeheer en volwassenheid, zijn er twee verschillende thema's die ik op deze specifieke dia hier heb, de eerste is, weet je, gegevensbeheer zelf. Het gaat meer over de zakelijke functies die gegevens en gegevensstromen ontwikkelen en creëren, een deel van het beleid en de werkwijzen daar. En dan wanneer u denkt aan de volwassenheid van gegevensbeheer, is het dat vermogen van een organisatie om die gegevens die ze opnieuw hebben, nauwkeurig te definiëren, gemakkelijk te integreren, weet u, voor interne of externe doeleinden, zoals het genereren van inkomsten. En een van de grote thema's - en het was grappig, eerder in mijn carrière, en ik heb zelfs een aantal IDERA's tools en data-architectuurprojecten gebruikt - was dit hele concept van metadata en we blijven nadenken over metadata, en toen werd er niet over gesproken voor een lange, lange tijd. Ik zie eindelijk dat metadata weer cool is. Het is echt heel belangrijk in interactie met verschillende groepen, begrijpen waar je gegevens zijn, wat de gegevens zijn. Vooral in dingen zoals een datameer. Het wordt eindelijk, eindelijk interessant.

Nu heb ik beloofd dat ik hier enkele statistieken zou hebben uit een brancherapport. Deze was van 2015 voor de EDM-raad. Het gaat om het moderniseren van datakwaliteit en governance, en er zijn een paar leuke factoids in deze specifieke. Dus hier heeft meer dan 33 procent van de organisaties een actief, formeel gegevensbeheerprogramma op een bepaald niveau van de organisatie - slechts 33. Dus dat is op zichzelf erg interessant. Van de 50 procent die dat wel heeft gedaan, willen we echt gegevens beheren, we realiseren ons dat dit een heel belangrijk bezit is in onze organisatie, net zoals mensen over menselijke hulpbronnen beschikken. Slechts 50 procent van hen had programma's die ouder waren dan een jaar. Dus dit is opnieuw een opkomend gebied, het is echt heel interessant in wat we steeds belangrijker worden, vooral met dingen zoals sommige van de industriële regelgeving die uitkomt.

Dus op dat punt, vaak - en het is interessant om gedurende mijn carrière in technische verkoop en functies te zijn geweest - was het niet echt: "Oh, we kunnen geld besparen dat een organisatie zou motiveren" - het is meestal angst. Het is meer van: "Oh mijn god, we moeten ervoor zorgen dat we bedekt zijn. We willen onze banen niet verliezen. ”En zeker dingen als hacking en gegevensrisico's en het lekken van gegevens, er zijn echt interessante benchmarkstudies hierover. Verizon doet er elk jaar een en het is waarschijnlijk een van mijn favorieten om te beoordelen. Wat u bijna altijd ziet, is een onopzettelijk, het is niet noodzakelijkerwijs, weet u, opzettelijk misbruik van de gegevens of wanbeheer van de gegevens die tot een lek leiden. En vaak - ze hebben deze statistieken niet voor deze specifieke sessie - maar het is fascinerend dat deze onbedoelde lekken van wanbeheer van machtigingen en dergelijke. Weet je, om het een beetje makkelijker te maken, deze lekken worden uitgeleend. En meestal voor mensen die een kanttekening bij u hebben of extern zijn aan uw organisatie, en dat is niet wat u wilt.

Dus dat zijn het soort dingen wanneer u denkt aan het hebben van een beveiligings- en governanceprogramma voor gegevensbeheer. Weet je, niet alleen slechte beslissingen en geld besparen, maar ook zorgen dat je weet dat je veilig bent, dat je je houdt aan privacy- en beveiligingswetten. Je bent in staat om geld te verdienen in dit digitale tijdperk, en natuurlijk, weet je, je wilt dingen efficiënt doen en gegevens hergebruiken en de gezegende kopie hebben en hebben - ik haat het als mensen zeggen, en ik ben in analyse en ik ben al lang in analyse, een versie van de waarheid. Er zijn meestal, weet je, er zijn meestal meerdere versies van de waarheid, alleen vanuit verschillende perspectieven. Maar in wezen wilt u wel dat de gegevens betrouwbaar zijn waarop u beslissingen baseert.

Een van de grootste drivers die ik zie - en het is een goede zaak, het is een goede zaak dat het weer cool wordt - is het hele concept van de GDPR van de Europese Unie. En laat me daar even over praten. Dus als je GDPR niet kent, zul je er komend jaar veel over horen. Het is nieuwe wetgeving die in mei plaatsvindt. Het wordt van kracht in mei 2018 en het heeft een aantal grote straffen voor verkeerd beheer van informatie. Je hebt dit misschien in andere vormen gehoord - misschien zonder de term GDPR te gebruiken - je hebt dit misschien gehoord of gezien als het recht om te worden vergeten, wat betekent dat je contact kunt opnemen met leveranciers om je gegevens te verwijderen. Nogmaals, vroegere gegevensarchitecten zouden gegevens niet verwijderen. We zouden het veranderen, we zouden het inactief maken in scenario's voor gegevensopslag. We hebben onze gegevens nooit echt verwijderd. Daar hadden we geen processen voor. Dus het is, weet u, dingen die elk aspect van uw organisatie zullen raken en verschillende manieren en processen die u misschien nooit hebt overwogen bij het bouwen van uw applicatie of datawarehouse. Dus als u dingen over GDPR ziet om over na te denken, hebt u binnenkort een wettelijke basis nodig om het verzamelen en verwerken van persoonlijke gegevens te rechtvaardigen.

Dus dit is meestal op persoonlijk niveau, dus toestemming moet vrij worden gegeven: specifiek, geïnformeerd, ondubbelzinnig. En het zal van invloed zijn op vele gebieden van kunstmatige intelligentie en gegevenswetenschap - dat is het gebied dat ik tegenwoordig het meest behandel, de implicaties van gegevenswetenschap en het zorgen voor enige transparantie in de modellen zelf - evenals vele andere gebieden van uw selfservice BI, uw datawarehouse, uw master data management, zelfs uw klant 360-projecten, personalisatie en zelfs uw bedrijfstoepassingen. Dus dit is iets dat elk deel van je org zal raken. En in tegenstelling tot de privacywetgeving in andere rechtsgebieden, is GDPR van toepassing op elke organisatie die zich binnen of buiten de Europese Unie bevindt. En de boetes voor naleving zijn wederom aanzienlijk. Het is uw organisatie die een boete kan krijgen tot vier procent van uw totale bruto jaarinkomen - ik geloof dat het omzet - inkomsten per se wordt genoemd.

Hopelijk heb ik je aandacht en dit zijn dingen waar je op moet letten. Als uw bedrijf al enkele van deze praktijken en industriestandaarden met de PCI volgt, is het misschien een ISO - ik weet niet zeker of ik dit goed ga zeggen - 27001. Als u er al enkele doet, zou het niet moeten ' het is niet te overweldigend, maar het is zeker iets om bewust van te zijn. Dus als u zich hierop voorbereidt, zijn er een aantal gebieden, vooral in het gegevensbeheer, en een van de eerste dingen is het hebben van een catalogus en het classificeren van uw gegevens - weten waar uw gegevens zich bevinden. En in een wereld, een hybride wereld, waar data overal leeft: het is in de cloud; het zit in deze apps; het zit in het verkoopteam; het is in een ander willekeurig programma dat marketing ook gebruikt, weet u, uw klantensystemen of uw voorraadsystemen - al deze soorten plaatsen. Weet waar uw gegevens zich bevinden en wat het gemakkelijkst is om te doen - en dit is een heel leuk gebied van gegevensbeheer geweest, zijn deze concepten van deze gegevenscatalogi die wel intelligentie hebben, zelfs classificatie van machine learning is een deel van de informatie.

En nogmaals, metadata - ik zei dat metadata weer cool wordt, dus echt nadenken over metadata en niet over dat belangrijke onderwerp nadenken als je begint met het ontwerpen van datameren en dat soort dingen, en natuurlijk deze beheren en bewaken. Dus de monitoring wordt veel belangrijker als je terug moet gaan en iemand van GDPR, bijvoorbeeld, kan je vragen om te bewijzen waar die gegevens naartoe zijn gegaan, wie er toegang toe heeft, wie er toegang toe heeft, enzovoort. Omdat je de autoriteiten dat soort dingen eigenlijk moet laten zien.

Om je te helpen met de volwassenheid van gegevensbeheer, zijn er eigenlijk een paar denkrichtingen, en ik geloof - ik ben niet 100 procent zeker - ik denk dat ik in Ron's deck zag dat hij er een paar gaat behandelen, dus een die ik ik ga er vandaag over praten is van de CMMI. En deze is beschikbaar voor mensen; het omvat zes verschillende categorieën gegevensbeheer, 25 procesgebieden, 414 praktijkverklaringen en 596 verschillende werkproducten. Dus als u aan alleen al de dingen dacht die u doet, zoals het beheren en ontwerpen van gegevens, 596 functionele werkproducten, wist u niet hoeveel u hebt gedaan, toch? Of wat je echt niet doet. Als ik naar zo'n cijfer kijk, is dat een van de dingen die echt bij me opkomt. Dus hierin, en wat ik leuk vind aan deze, is dat het architectuur- en technologieneutraal is. Dat betekent dus dat als je dat wel hebt, en de meeste grotere organisaties die ik door de jaren heen heb geraadpleegd of gewerkt en geïmplementeerd, weet je, ze daar allerlei verschillende technologieën hebben. U wilt dus, weet u, vertalen wat de DMM betekent voor de platforms en de technologieën die u in uw specifieke omgeving gebruikt. Het is ook branche-onafhankelijk, dus het is bijvoorbeeld niet noodzakelijkerwijs specifiek voor de gezondheidszorg. Gezondheidszorg heeft zeker - of het nu de BAA is of verschillende soorten classificaties, u moet verschillende soorten dingen vertalen of bekijken terwijl u uw programma samenstelt of uw plan om uw niveau van volwassenheid van gegevensbeheer binnen uw organisatie te verbeteren.

Wat is dit als het niet enkele van die dingen zijn? In wezen definieert het wat, maar vertelt het u niet specifiek hoe u dat moet doen. Omdat ik het grootste deel van mijn carrière een type A-persoonlijkheid was, vond ik het leuk toen mensen me een doel gaven en ik erachter kon komen hoe ik dat doel kon bereiken en, zeg maar, mijn tijd niet micromanaged, hoe er te komen. Dat is hoe de volwassenheid van gegevensbeheer, en deze processen met CMMI, u de doelen geeft en u geeft hoe u uzelf kunt meten op sommige van deze verschillende gebieden. En ze geven je een niveau. Er zijn verschillende manieren om te scoren en jezelf te meten, of het nu niveau één tot niveau vijf is, wat betekent dat je het hebt geoptimaliseerd en dat je een heel sterk programma hebt.

En om je gewoon een idee te geven van wat dat echt betekent, heb ik hier een kort overzicht van wat dat zou kunnen betekenen. Dus hier, als je denkt aan het hebben van een levenscyclus van een volwassenheid voor gegevensbeheerprocessen, dan zijn er ondersteuningsprocessen, alles van vereisten, risicobeheer, je moet daar processen ondersteunen, tot gegevensbeheer en ik ben vriendelijk om dat te verdoezelen, maar in wezen is data governance een heel programma op zich. Met een zakelijke woordenlijst hebben we voor altijd gesproken over zakelijke woordenlijsten en data-architecten - dit zou iets moeten zijn dat je binnen je organisatie hebt. Sommige van deze catalogustypen van technologie die ze maken, ontwikkelen een zakelijke woordenlijst met crowdsourcing van de informatie en nemen en wat niet en, weet je, links in documenten plaatsen naar verschillende perspectieven van diezelfde gegevens, van het veld van de gegevens of versie van de gegevens terwijl deze gedurende de levenscyclus van de waarde verandert.

Dit zijn de dingen die sinds mijn start in mijn carrière veel beter zijn geworden. Vroeger moesten we in het verleden zelf gekweekte systemen ontwikkelen om dit soort dingen te doen. Dus we kijken naar het geheel en het grote geheel, het is de strategie en dan alle verschillende onderdelen hier van het management tot de kwaliteit van het bestuur. En één ding over datakwaliteit, het is interessant omdat de industrie meer geautomatiseerd wordt en we, opnieuw, deze digitale processen hebben met geautomatiseerde besluitvorming. Ik werk veel op het gebied van data science, waar we sommige van deze tools hebben om beslissingen automatisch te automatiseren en voorspellende modellen direct bij te werken. Veel van deze tools en algoritmen vereisen en gaan ervan uit dat de gegevens goed zijn. De gegevens moeten geldig zijn om u een goede geautomatiseerde beslissing te geven. Dus bij het nadenken over, misschien is datakwaliteit meestal een van die dingen die mensen een beetje opzij schuiven en het niet erg serieus nemen. Maar zodra u begint met het automatiseren van besluitvorming in modellen voor voorspellende modellen en machine learning, wordt datakwaliteit echt belangrijk.

Een paar manieren om je voortgang hier te meten is - en ik zal Ron hierover laten praten, hij heeft hier ook een mooie dia over in zijn sessie - ik ga je gewoon een korte voorproefje geven van, weet je, deze verschillende niveaus hierin. In wezen is het een zelfevaluatie, toch? U gaat dus in op uw gegevensbeheer en op wat u denkt dat er iets is. En schaam je niet als je dat niet doet. Zoals ik al zei, is slechts 33 procent van de organisaties echt begonnen met dit soort dingen. Ook al, weet je, dit soort programma's bestaat althans - ik werk al meer dan 20 jaar in de industrie en zeker deed ik dit soort dingen jaren geleden, we hebben het misschien niet zo genoemd. De CMMI, ze hebben een oefening die je zelf kunt beoordelen en je kunt er doorheen gaan en je eigen soort bekijken - in dit geval dit soort radarkaart - al deze verschillende hoeken of dingen beoordelen. En elke organisatie, zoals ik anders heb gedaan, weet je, toen ik vroeger deze projecten adviseerde en implementeerde, weet je, elke organisatie is uniek. Het zullen gebieden zijn die heel, heel belangrijk voor hen zullen zijn. Misschien, weet je, het is procesmanagement of het is kwaliteitsmanagement of het is risico's - hangt ervan af wat het is, maar je wilt kijken en een benchmark of een baseline creëren, en dan ook nadenken over wat het succes definieert.

Als je erover nadenkt om dit soort dingen te meten en te regeren, wil je eerst wat executive sponsoring voor een programma als dit veiligstellen. Dit is iets dat over de hele organisatie heen functioneel zal zijn, dus zelfs als Susie Q en John Smith beslissen: "Ja, laten we dit doen. We moeten dit doen", ze kunnen dat niet doen in een silo in hun organisatie, of zelfs als het IT is. U moet echt die buy-in hebben van het bedrijf en de experts op het gebied van gegevensonderwerpen. Ze moeten wat tijd hebben. Ze willen niet dat het gewoon een extra taak is. Als je ooit hebt gewerkt - ik denk dat ik een aantal hoofddatabeheertaken, projecten eerder en datakwaliteit heb gedaan - en meestal, weet je, kom je bij het bedrijf en zij: "Oh, data rentmeesterschap." Het is niet iets waar ze enthousiast over zijn. En ze zeggen: "Oh nee. We moeten hier tijd voor hebben ', en dat doen ze. Dus je zult wat tijdsbesteding willen hebben. Je moet die zegen van boven hebben. U zult willen dat het cross-functioneel is.

Nogmaals, dit is iets dat veel gebieden van de organisatie echt raakt. En met GDPR zou dat een beetje eenvoudiger moeten zijn, want nogmaals, de wetten van GDPR en waar die persoonlijke gegevens worden gebruikt voor uw klanten en gebruikt in uw hele organisatie, dat zou een beetje eenvoudiger moeten zijn als u het toepast, als u zich houden aan GDPR. Hier word je tonggebonden. Dat zou gemakkelijker voor u moeten zijn. Je wilt wat verantwoordelijkheid toewijzen en dan kijken, weet je, je gaat deze aanpassen. Dus u kijkt altijd naar dit soort richtlijnen die deze organisaties bieden, en dat is meestal wat ze zijn: het zijn richtlijnen voor u en u gaat deze implementeren voor uw cultuur in uw organisatie.

Werkten in de governance is echt een heel belangrijke zaak geweest, een van de dingen die sommige van de producten die ik ontwikkelde toen ik bij Microsoft wereldwijd productbeheer was, waren self-service BI en waarmee de zakelijke gebruiker en de niet-technische gegevensgebruiker spelen met gegevens en maken hun eigen rapporten, en vaak zou IT terugdringen. Dus heb ik veel tijd besteed aan deze governance en ervoor gezorgd dat de producten de juiste functies en de controle- en logboekregistratie zouden hebben en, je weet wel, ervoor zorgen dat ze de database niet per se naar beneden halen. Maar er is een raamwerk dat, weet je, door de jaren heen aan dit specifieke onderwerp van dit soort dingen werkt dat ook erg lijkt op gegevensbeheer. U wilt hiervoor de basis hebben die is opgericht met executive sponsoring, en u wilt die betrokkenheid tussen business en IT.

Daarom hebben we het opnieuw gehad over budget / tijdsbesteding en bij het ontwikkelen van nieuwe processen. Het wordt een verandering op cultureel niveau wanneer je sommige van deze dingen gaat doen, weet je, gegevens gaat bekijken. Maar weet je, het is weer heel belangrijk vanuit strategisch perspectief. En om je een gevoel te geven, hier is een voorbeeld, en ik heb het gereinigd van een van mijn oude projecten van jaren geleden over dit soort dingen. En nogmaals, dit is waarschijnlijk meer vanuit het oogpunt van generiek bestuur, maar kan zeker worden hergebruikt voor dit soort projecten met het beheren en evolueren van uw gegevensbeheerprocessen en het besturen ervan. U hebt een expert in zakelijke onderwerpen, we hebben hier gegevensstewards, de experts in IT-onderwerpen, weet u, voor verschillende bedrijfstakken. Veel bedrijven die groter zijn, hebben uw enterprise-standaardbord en uw enterprise-architecten en data-architecten en modelbouwers daar. Er zullen dus een aantal verschillende materiedeskundigen van verschillende niveaus zijn. En nogmaals, veel van deze - ik haat het om het als voorbeeld te hebben - ze zullen worden aangepast aan uw organisatie en uw cultuur.

Een van de dingen wanneer je met deze projecten werkt, nogmaals, het is vaak niet het meest opwindende project in de organisaties, niet zo visueel als mensen willen. Het is grappig, het is een van die dingen die, wanneer het adviesbureau binnenkomt of zelfs in uw eigen IT-groep of uw BI center of excellence groep binnenkomt of uw analytics center of excellence binnenkomt en we aan gegevens gaan werken kwaliteit en volwassenheid van gegevensbeheer, ze zijn misschien niet ongelooflijk enthousiast om het te doen. Maar je moet manieren vinden om ze te motiveren en het in hun metingen op te nemen. Dus als je nadenkt over wat het gaat worden, is het één ding om deze oefening een keer te doen en krijg je mensen aan boord. En je ontdekt dat ze van de datacatalogus hielden of van sommige van deze dingen houden omdat het hun leven gemakkelijker maakt en ze kunnen vinden wat de data betekent of begrijpen, en ze kunnen er hun eigen perspectief aan toevoegen. En wat dat betreft, datacatalogi zijn waarschijnlijk een van de grootste projecten om mensen echt verliefd te laten worden.

Dus het volgende is om ze betrokken te houden. Hoe houd je iemand betrokken die er misschien niet om geeft? Het is om een ​​aantal meetwaarden te definiëren en op te nemen, hun meting in de en dan wat leren voor wanneer er overtredingen zijn en enig bewustzijn dat, "Hé, we deden het een tijdje echt goed en daarna niet zo goed na een tijdje." Dus die zijn soorten dingen om over na te denken om het vol te houden. En dan wanneer je nadenkt over scoren, en dit is een voorbeeld van CMMI, dit is hoe ze het scoren. Nogmaals, je hebt je eigen dashboards, je eigen KPI's, weet je, verschillende manieren waarop mensen in een organisatie worden gemeten. Maar je hebt verschillende manieren om te scoren en je eigen succes te meten. Mijn belangrijkste punt dat je dit moet wegnemen, of een haak om dit weg te nemen, is ervoor zorgen dat je een manier hebt om succes te meten en dat je ook je successen kunt vieren.

Dus daarmee waardeer ik dat je daar hebt rondgehangen voor dit spannende onderwerp, en ik ga over naar Ron, dat gaat wat dieper ingaan.

Ron Huizenga: Nou, bedankt, Jen. En bedankt iedereen, vandaag. Ik ga nu een paar facetten van waar Jen over sprak en een beetje dieper op bepaalde gebieden ingaan. Maar wat ik ook ga doen, is een soort samenvatting geven van hoe je op zijn minst ook een soort zelfevaluatie op hoog niveau van sommige van deze gebieden kunt krijgen. Omdat je, zoals je zag bij de CMMI-modellen en dat soort dingen, heel snel heel diep kunt gaan met veel verschillende indicatoren. Dus wat we echt willen bereiken, is iets, zodat u een goed gevoel krijgt voor waar uw organisatie zich op een redelijk hoog niveau bevindt en vervolgens in de andere begint te boren. Dus daarmee ga ik het hebben over de effectiviteit van organisaties. En ik ga dat baseren op CMMI en enkele andere standaarden of kennisinstellingen die daar in de loop der jaren een beetje uit zijn voortgekomen. En dan ga ik het hebben over enkele van de volwassenheidsindicatoren voor gegevensrijpheid en procesrijpheid, omdat, terwijl we dit doorlopen, je zult zien dat ze hand in hand gaan. En ter ondersteuning van perspectieven sprak Jen over governance op één gebied. En ik ga ook een beetje over bedrijfsarchitectuur praten. En dan zullen we het samenvatten en naar de rondetafel zelf gaan.

Als we ernaar kijken, zijn er veel normen en BOK's - wat natuurlijk kennislichamen zijn - die door de jaren heen zijn gepubliceerd. Veel van deze zijn echt ontstaan ​​uit het vermogen van het volwassenheidsmodel. En dit is waar de CMMI waar Jen het over had vandaan kwam. Het CMM-model zelf was eigenlijk in 1998. Het werd eigenlijk gestart door een heer genaamd Watts Humphrey toen hij bij IBM zat. Hij had een 27-jarige carrière bij IBM. Maar zijn echte actieve ontwikkeling van dat specifieke model begon toen hij bij Carnegie Mellon was en in opdracht van het Amerikaanse ministerie van Defensie. Vele andere normen zijn gebruikt om dit af te leiden. En iets dat heel goed is om te weten over de industrie als we hierover in enkele van de andere normen praten, is, wanneer we naar de timing hiervan kijken, het ook tegen de achtergrond van dingen die we in de industrie in het algemeen zagen. Dit was het moment waarop de kwaliteitsbeweging echt begon vast te houden, met name in de productie, en dat vertrok naar andere gebieden. Waar we op zoek waren naar manieren om productieprocessen te verbeteren, dingen doen zoals totaal kwaliteitsbeheer, just-in-time productie en andere dingen. En veel van de filosofieën die daaruit kwamen, kwamen in het hele kwaliteitswerk.

En dat is echt een soort plek waar veel van deze dingen zijn begonnen. Het begon in de algemene industrie en bereikte ook zijn weg naar IT- en gegevens- en proces- en informatiesystemen. Andere standaarden die we zien die nauwer verband houden met of specifieker zijn voor sommige van de dingen waar we het over hebben, is natuurlijk het model voor gegevensmaturiteit, waarover Jen een beetje heeft gesproken. Er is ook het business process maturity model van de Object Management Group. En een aantal andere standaarden die je misschien hebt gezien dat je organisatie worstelt met of wordt gebruikt voor verschillende gebieden van het bedrijf, met name IT-gestuurd, zoals COBIT, dat controledoelstellingen is voor informatie en technologie, ITIL, meestal infrastructuur -gericht, waar velen van u misschien mee te maken hebben gehad. Nogmaals, totaal kwaliteitsbeheer. En vooral als je op zaken als statistieken en al het andere ingaat, heb je misschien dingen zoals statistische procescontrole ook in het spel gezien. En dan is natuurlijk een deel van de kennis waar we mee te maken hebben informatie of IT-professionals. Het gegevensbeheerlichaam van kennis door.

Er is ook, equivalent aan dat, de business analyse lichaam van kennis. En de kennis van projectmanagement. Het kan zijn dat verschillende of meer van deze dingen tegelijkertijd door verschillende stakeholders in uw organisatie worden gebruikt. Maar laten we een beetje door de BOK's filteren en laten we teruggaan en zeggen, wat is volwassenheid? En we geven de definitie van volwassen, omdat, wanneer je vraagt ​​wat volwassenheid is, wanneer je het opzoekt in het woordenboek, er eigenlijk staat "je bent volwassen". Dus als je het woord "volwassen" gebruikt, betekent dit eigenlijk dat je een geavanceerde ontwikkelingsfase - natuurlijk heel generiek. Maar waar we hier echt naar kijken, is het bevorderen van wat we doen naar een steeds hoger prestatieniveau. En als je veel van de normen bekijkt, zoals je zult zien, zijn met name de CMMI en het capaciteitsrijpheidsmodel echt gebaseerd op een vijfpuntsschaal, dus het geeft ons een geleidelijke manier om te kijken en te zeggen hoe we evolueren eigenlijk langs deze schaal in hoe we groeien?

Als we echter naar volwassenheid kijken, moeten we in termen van het bereiken van organisatorische volwassenheid in de dingen waarin we geïnteresseerd zijn in evenwicht zijn. U moet gegevensrijpheid bereiken, en we zullen het hebben over enkele van de criteria die u daar moet doen, maar u moet tegelijkertijd procesrijpheid bereiken. Het zijn twee kanten van dezelfde medaille en ze moeten hand in hand gaan. U kunt niet van bijvoorbeeld nul tot vijf gaan op een schaal voor gegevensrijpheid zonder uw procesrijpheid te verhogen, en hetzelfde geldt voor procesrijpheid. Ze zijn allebei met elkaar verbonden en ze trekken elkaar mee voor de rit terwijl je eigenlijk door de verschillende fasen evolueert. En ik zal daar in een toekomstige dia hier iets meer over praten. De andere dingen die we ons moeten realiseren, is het bereiken van zowel gegevens als procesvolwassenheid, die fundamenteel zijn voor de bedrijfsarchitectuur en van fundamenteel belang voor sommige van de bestuurszaken waarover Jen het ook had. We stellen deze mogelijk door volwassenheid te bereiken in sommige van deze dingen die we proberen te doen.

Nu op de dia waarvan Jen zei dat ik wat meer in detail ging praten. Ik heb slechts een paar categorieën genomen en gebruik de CMM-schaal hier, en ik heb eigenlijk mijn eigen, ik voeg eigenlijk een nul toe in termen van, bovenop de schaal omdat er bepaalde gevallen zijn waar je eigenlijk niet hebt gemaakt enige tractie in deze gevallen. Dit zijn dus gewoon manieren van herkenning die zich hebben voorgedaan. Dus als we in het bijzonder naar gegevensbeheer kijken, kunt u bij nul beginnen omdat u geen gegevensbeheerprogramma's hebt. En als je begint te rijpen door de verschillende gebieden, zodra je het begint te introduceren op projectniveau, vervolgens op programmaniveau, door divisies en uiteindelijk bedrijfsbrede, dat is hoe je, vanuit een governanceperspectief, eigenlijk volwassen wordt en groeit als een organisatie terwijl u dit doet.

Andere facetten daarvan, zoals het beheer van stamgegevens, kunt u beginnen met een nul zonder formele gegevensclassificaties. Dan ga je, je groeit tot een punt waarop je herkent dat je stamgegevens hebt en je begint te classificeren, maar het is niet geïntegreerd. Dan begin je te werken aan geïntegreerde en gedeelde repositories. Als u vervolgens in een gestandaardiseerde omgeving komt, wilt u datamanagementservices aanbieden. En terwijl je verder gaat, ga je stamgegevensstewards oprichten en uiteindelijk een raad voor gegevensbeheer die hier echt serieus naar kijkt. Wanneer u uw technische omgeving en de applicaties en de databases die u hebt vanuit een gegevensintegratieperspectief bekijkt, zult u opnieuw, in een onrijpe omgeving, een aantal ad hoc, point-to-point interfaces en dat soort ding. En naarmate je verder groeit, begin je met het introduceren van enkele veelvoorkomende tools en standaarden. Vervolgens ga je naar gemeenschappelijke integratieplatforms kijken terwijl je dat uitbouwt. En naarmate je gestandaardiseerd raakt, werk je aan gestandaardiseerde middleware en mogelijke eenvoudige dingen zoals enterprise service bussen, canonical model, categoriseer je al je gegevens in je organisatie, en leg je ook vast aan zaken als bedrijfsregels in je repository en dat soort van ding. En dan nog verder gaan waar u het volledig ingebed krijgt in de organisatiecultuur. En natuurlijk staat kwaliteit voorop. Zoals Jen het heeft gehad, gaan veel beslissingen en veel van de tools die er zijn ervan uit dat je gegevens van hoge kwaliteit hebt waarmee je werkt. Datakwaliteit is dus iets dat fundamenteel is voor het bereiken van datarijpheid.

Nogmaals, als je naar de gegevens kijkt, heb je mogelijk veel silo's en verspreide gegevens in onrijpe omgevingen. Mogelijk zijn er inconsistenties die worden geaccepteerd. En dan begin je eraan te werken, het inconsistente te herkennen en vervolgens te kijken naar planning. En als u hier naar beheerde omgevingen kijkt, is iets heel belangrijk hier het opschonen van gegevens bij consumptie om de gegevens te gebruiken bij de besluitvorming. Dus waar we het hier echt over hebben, is het opschonen van gegevens, waar we het gaan laden in datawarehouses en andere hulpmiddelen voor het ondersteunen van beslissingen. En dit is analoog aan wat we altijd zagen in de data-industrie waar mensen producten zouden bouwen, ze zouden langs de lopende band komen en aan het einde zou je het product inspecteren en gaan, "Oh, we hebben hier defecten. ”Nogmaals, een ding dat u nooit kunt doen, is dat u de kwaliteit van een product nooit kunt verbeteren door het aan het einde te inspecteren. Je kunt de problemen ermee zien en dan kun je maatregelen nemen om de volgende en andere die er na komen te verbeteren, maar je gaat het nooit verbeteren door het aan het einde te inspecteren. Dus dit is waar, naarmate je verder gaat, vooral in gegevens, je meer beweegt vanuit een inspectie en een zuiveringsperspectief op de plaats van consumptie waar je begint te proberen dat in te bouwen bij de bron, direct vanaf waar je de vangst vangt data, de processen die op die data reageren en ervoor zorgen dat die data nauwkeurig en geschikt is voor consumptie tijdens elk proces. Naarmate je verder evolueert, begin je je te ontwikkelen en krijg je KPI's van hoge kwaliteit en begin je echt die preventiebenadering van datakwaliteit te ontwikkelen naarmate je verder komt.

In termen van organisatorisch gedrag of dingen die je ziet is, als je niet denkt dat je een probleem hebt of je niet op de hoogte bent, kan het zijn, als er een ontkenningsfase in je organisatie is, die me vertelt dat je down bent op een niveau nul of mogelijk in beweging komen. Als er veel chaos rond uw gegevens heerst en u probeert deze inconsistenties op te lossen, bent u waarschijnlijk op een niveau één. Wanneer u zich nog in een reactieve modus bevindt, gaat u over naar beheerd, maar u zult pas gestandaardiseerd worden als u daadwerkelijk een zeer stabiele gegevensomgeving heeft die zowel de governance, de kwaliteit, het stamgegevensbeheer en de gegevens omvat integratie, om maar enkele punten te noemen. En nogmaals, als je daar eenmaal voorbij bent, begin je echt proactieve managementstijlen te krijgen. Als je het deel bereikt waar je een zeer voorspellend gedrag hebt en ook de analyses om het te back-uppen en de KPI's om het te back-uppen in je organisatie, als we dit bekijken en een paar dingen over elkaar leggen, zijn er een aantal andere dingen die we kunnen zien over organisaties en waar ze zijn. Laten we eens kijken naar de primaire IT-focus in een organisatie. Als uw primaire focus in IT nog steeds op technologie en infrastructuur ligt, bent u waarschijnlijk in de richting van het minder volwassen einde van de schaal. Maar als u zich echt concentreert op informatie en strategische informatie mogelijk maakt, komt u dichter bij het volwassen einde van de schaal. Ook als je ernaar kijkt vanuit een gegevensperspectief, als je aan de lage kant bent, heb je een hoog gegevensrisico en als je aan de hoge kant bent, heb je het risico met betrekking tot gegevens verlaagd. En de keerzijde daarvan is het genereren van waarde van de organisatie. Lagere gegevensrijpheid betekent dat u waarschijnlijk een vrij lage waarde genereert, met name wat betreft de gegevens die u in uw organisatie heeft. En naarmate u hoger komt, krijgt u een hoogwaardige generatie.

Laten we dit eens bekijken in termen van datamodellering zelf. Soms is datamodellering het roodharige stiefkind geworden. En datamodellering is fundamenteel voor het bereiken van volwassenheid van gegevens. Dus ik wil het alleen hebben over een paar van de veelbetekenende signalen over hoe datamodellering hier bij aansluit. Als het alleen wordt gebruikt voor documentatie of eenvoudige, fysieke database-generatie voor kleine apps en dat soort dingen, zit je waarschijnlijk op een niveau één qua gegevensrijpheid. Naarmate je de verschillende soorten modellen begint te omhelzen en herkennen, inclusief conceptueel, het logische model en de fysieke modellering waar het ook, weet je, in feite het ontwerp aan het verbeteren is. Je gebruikt het echt als een ontwerpstandpunt, dan ben je op een niveau één.

Wanneer je het vanuit een meer enterprise-niveau begint te bekijken, inclusief het bouwen van enterprise- of canonieke modellen, het introduceren van de concepten en het koppelen van meerdere modellen, datalijnen en het bouwen van de governance-metadata rechtstreeks in je modellen, begin je een niveau drie, en dan verder gaan naar full-governance metadata, integratie van bedrijfswoordenlijst, enzovoort. Als je naar de levenscyclus en de waardeketen van gegevens kijkt, kom je echt op een niveau vier. En nogmaals, volledig geïntegreerde modellering met zakelijke woordenlijsten, metagegevens, dingen als self-service analyse kunnen aansturen, dat is echt wanneer je een redelijk volwassen staat hebt bereikt.

Als onderdeel daarvan wil ik het heel kort hebben over de gegevenslevenscyclus. En de reden waarom ik daarover wil praten, is helaas de gegevenslevenscyclus die vaak wordt genegeerd. En waar het om gaat, het heeft echt beschreven hoe een data-element wordt gemaakt, gelezen, bijgewerkt of verwijderd, en de processen die daarop in uw hele organisatie van invloed zijn. Dus degenen onder ons die al lang in de branche zijn, noemen dit CRUD omdat het het maken, lezen, bijwerken en verwijderen is. Maar we moeten dit op een fundamenteel niveau begrijpen als we omgaan met de gegevens in onze organisatie. Er spelen veel factoren een rol. Wat zijn de bedrijfsregels die hierop inwerken? Wat zijn de bedrijfsprocessen die de gegevens consumeren, produceren of wijzigen? Wat zijn de applicaties die die bedrijfsprocessen daadwerkelijk implementeren om u dat te laten doen? Dat speelt allemaal in termen van de levenscyclus van gegevens.

En nogmaals, Jen heeft hier eerder op gezinspeeld - er hoeft niet noodzakelijk één bron van waarheid te zijn. En er kunnen meerdere manieren zijn waarop een bepaald gegevenselement wordt gemaakt. En misschien moet je binnenkomen, verschillende dingen komen binnen via meerdere systemen of meerdere intakes die je moet verzoenen en oplossen om te komen tot wat de juiste gegevensbron is voor die specifieke beslissing op dat moment. Er kunnen meerdere varianten van de gegevens zijn voor verschillende doeleinden in een organisatie. Om dit te kunnen bereiken, moet u een bedrijfsproces, datalijn met de datastromen, integratie en dingen zoals de ETL kunnen modelleren, dus extraheren, transformeren en laden voor uw datawarehouse, datamart en staging-gebieden en natuurlijk datalinks aan de big data-kant spelen ook een rol. Terwijl u deze informatie uit de datameer haalt, moet u weten hoe u deze verbruikt en hoe u deze gebruikt. Wat de levenscyclus zelf betreft, is het echt hoe we nieuwe gegevens maken of verzamelen, hoe we deze classificeren - omdat u deze moet classificeren om het te begrijpen en er effectief mee te werken - hoe u het opslaat, hoe u gebruiken, hoe u het aanpast aan dat bedrijfsproces, waar het wordt gedeeld in de organisatie - en heel belangrijk: retentie en archivering. Hoelang bewaart u de gegevens? Wanneer archiveer je het? Wanneer vernietig je die gegevens uiteindelijk? Al die dingen moeten in uw levenscyclus van gegevens worden overwogen en u moet al deze dingen doen om een ​​hoog niveau van gegevensrijpheid in uw organisatie te bereiken.

Aan de andere kant, nogmaals, zei ik dat het een soort tweeling is waar je moet praten over procesrijpheid in combinatie met gegevensrijpheid - ze gaan hand in hand. Nogmaals, ik heb hier een paar verschillende dingen en - maak je geen zorgen, ik ga dit niet allemaal doorlezen, maar gewoon een soort checklist dus - opnieuw kun je beginnen met zelf te beoordelen waar je organisatie zich bevindt in termen van procesvolwassenheid. Laten we de dingen vanaf het begin tot en met de geoptimaliseerde pagina's opnieuw bekijken. Nogmaals, we gebruiken dezelfde vijfpuntsschaal die is afgeleid van het volwassenheidsmodel. Als u naar dingen als de focus kijkt, als u zich op een lager niveau of in het begin niveau van procesvolwassenheid bevindt, zult u in uw organisatie merken dat mensen echt vertrouwen op hun eigen methoden om hun werk te volbrengen. En misschien zie je wat heldendaden en dat soort dingen om dingen voor elkaar te krijgen. Dan begin je een punt te bereiken waarop je proactiever bent, waar je management verantwoordelijkheid neemt voor de werkeenheden en prestaties. Dan begin je de standaard geïntegreerde processen te evolueren. Vervolgens de processtabiliteit en hergebruik. Dan begin je meer te zien van een cultuur van mentoring en statistisch management om de metrieken en KPI's met betrekking tot die processen te berekenen en uiteindelijk tot het volledige niveau van optimalisatie.

Als je naar werkbeheer kijkt, ga je misschien voor, je gaat van een gebied waar je inconsistente niveaus van werkbeheer hebt naar meer beheerd, waar je op een hoger niveau je verplichtingen tegenover middelen in evenwicht brengt. Dan tot een punt waarop u een meer aanpasbare of wendbare organisatie hebt, zodat u uw processen kunt standaardiseren maar op maat kunt maken voor het beste gebruikt in verschillende omstandigheden in uw organisatie. En als je gevorderd bent, is empowerment erg belangrijk, en dat betekent wat iedereen intuïtief begrijpt wat er aan de hand is en het personeel de procesgegevens heeft, zodat ze hun eigen werk kunnen evalueren en beheren.

Nogmaals, terug naar de productie-analogie - toen we zagen dat, toen we begonnen met het moderniseren van onze assemblagelijnen en zoiets in de industrie, we begonnen te praten over de totale kwaliteit en de empowerment van werknemers, zelfs aan de assemblagelijn, waar als iemand zag er was iets mis in een bepaald productiestadium, mensen kregen de macht om op de grote rode knop te drukken en de hele assemblagelijn af te sluiten totdat problemen waren opgelost voordat het verder ging. En het is dat soort mentaliteit en een soort cultuur die we zoeken rond gegevens in onze processen om ervoor te zorgen dat we onze gegevens en onze processen in onze organisatie daadwerkelijk optimaliseren.

Andere indicatoren van uw cultuur - stagneert uw cultuur in termen van geen identificeerbare basis voor echte betrokkenheid bij verbetering van uw bedrijfsprocessen? Is er een delegatie van verantwoordelijkheid die we verderop in de schaal zien? En terwijl je verder gaat, heb je misschien nog steeds silo's, maar als je begint te stijgen in termen van de cultuur en dingen die je doet in je bedrijfsproces, breek je ook die verschillende bedrijfssilo's af en benut je processen binnen uw organisatie. Het is heel belangrijk dat je, naarmate je het evenementstadium bereikt, eigenlijk baseert op, in plaats van op gevoel, dat je eigenlijk kwaliteitsstatistieken verzamelt en dat je over statistieken beschikt om je vermogen om te presteren in je bedrijf te voorspellen operaties, en dat is uiterst belangrijk.

In termen van architectuur, laten we daarover praten, omdat velen van ons hier in IT zijn of altijd naar IT kijken. Nogmaals, dezelfde soorten dingen die we in de gegevens zagen. We hebben wanhopige IT-systemen als u echt in de beginfase bent van procesvolwassenheid. Zodra u uw processen begint te beheren, zult u zien dat sommige services worden opgezet waarbij u echt een meer op services gebaseerde aanpak kiest. Als u vervolgens gestandaardiseerd wordt, zult u meer een full-service acceptatie zien in termen van gegevens en services en processervices en dat soort dingen, tot waar u een volledige service of een nieuwe architectuur krijgt. En dan uiteindelijk naar een volledig procesgestuurde onderneming die uw gegevens gebruikt.

Nogmaals, dezelfde soorten schalen wanneer we dit bekijken. In termen van productiviteit, bij een laag niveau van procesvolwassenheid, zul je lage productiviteitsniveaus en een hoge procesvolwassenheid zien, zul je een veel hogere productiviteit zien. En kwaliteit gaat daar ook hand in hand. Hetzelfde als bij de gegevens - als u een lage volwassenheidsgraad heeft, zult u een hoog risico en ook een hoge verspilling zien. Maar hoe hoger je volwassenheidsniveau, hoe lager je risico en hoe minder verspilling. In termen van sommige van de dingen die u als soort symptomen of indicatoren in een organisatie kunt zien, als de primaire filosofie gebaseerd is op kostenbesparing, zit u waarschijnlijk op een laag niveau van procesvolwassenheid. Het gaat dan afstuderen en omhoog gaan in de richting van meer aandacht voor efficiëntie in uw organisatie en als u zich op een zeer volwassen niveau bevindt, gaat u zich opnieuw richten op het genereren van waarde.

Vanuit het perspectief van organisatiemanagement, als chaos heerst, is dat meestal een symptoom van organisaties met een lage procesvolwassenheid. Maar je begint je te concentreren op wat ik een meer managementmentaliteit noem, waar - en er kan wat beheer per decreet zijn, of dingen opleggen - waar je dan echt bent, wanneer je naar de meer volwassen niveaus komt, vertaalt je management naar meer leiderschap. Met andere woorden, de filosofie van verbetering is ingebed in de cultuur en vanaf de CEO promoten ze die hele filosofie van het verbeteren van processen en voortdurende, continue verbetering in uw organisatie als geheel.

In termen van procesmodel - en ik zal deze dingen hier vrij snel doornemen - laten we nogmaals kijken naar procesmodellen die aansluiten op de procesvolwassenheid zelf. Nogmaals, zeer vergelijkbaar met de dingen die we hebben gezien op de volwassenheid van gegevens, waar je op lage niveaus of niveau één misschien alleen processen of het huidige statusproces documenteert, maar je gebruikt het echt niet om dingen vooruit te helpen. Naarmate je volwassen begint te worden, ga je de bedrijfsprocesmodellering gebruiken om daadwerkelijk bedrijfsprocesbeheer in de organisatie te stimuleren, dan verder te evolueren waar je het gebruikt en die modellen voortdurend bij te werken om procesverbetering naar waar je uiteindelijk gaat krijg om ontwerp te verwerken. En wanneer je dan volledig volwassen wordt, of, weet je, wat je meestal ziet in lean of organisaties die programma's van hogere kwaliteit hebben aangenomen, zoals Sigma, dan heb je weer de mentaliteit van voortdurende verbetering en het zit ingebakken in het modelleren van uw organisatie. Dus net zoals we technische blauwdrukken gebruiken om producten te bouwen, of het nu vliegtuigen, gebouwen en wolkenkrabbers zijn en dat soort dingen, vertrouwen we op onze modellen om ons bedrijf daadwerkelijk vooruit te helpen, want dat is het ontwerpelement dat onze organisatie-elementen daadwerkelijk vooruit drijft .

Nu, nogmaals, ik ga dit en elk afzonderlijk woord hier niet in detail doornemen. Wat ik heb gedaan, is dat ik die twee eenvoudigere rasterdia's heb genomen en een aantal woorden heb gekozen die in sommige van die andere descriptoren werden gebruikt voor zowel gegevensrijpheid als procesrijpheid. Dus als je hiernaar kijkt, kun je beginnen na te denken over sommige woorden die je in je eigen interne culturen ziet uitkomen in termen van dingen die worden gezegd. En dat zal u helpen om te beginnen met classificeren waar we als algehele organisatie in het algemeen op deze volwassenheidsschaal passen. Dus als je dingen als inconsistentie of stagnatie of inefficiëntie vaak ziet opkomen of chaos, zul je meestal aan de onderkant van de schaal zijn. Wanneer je begint te denken aan dingen als continue verbetering, strategische afstemming, een preventieve benadering van defecten en kwaliteit en dat soort dingen, volledige integratie en je praat over best practices in concurrentievoordeel, dan ga je jezelf zien omhoog bij de optimizer, het hogere uiteinde van de schaal.

Nogmaals, iets waar ik ook op wil wijzen dat wanneer je begint te kijken naar data governance, met name wanneer je naar de onderkant van de schaal kijkt, in de beginfase zit, data governance alleen op individuele projectniveaus kan worden geïntroduceerd. U moet evolueren naar een punt waarop het gegevensbeheer en het specifieke doel afkomstig is van projectgegevensbeheer en is geëvolueerd via programma- en divisiegegevensbeheer, waar het opnieuw ondernemingsbreed is en is ingebed in de organisatie als geheel.

Ik heb het gehad over het feit dat dit eigenlijk tweelingen zijn die samenwerken op het gebied van gegevensrijpheid en procesrijpheid. Bij het bereiken van die volwassenheid is aan beide zijden van de schaal een reis en kun je niet over stappen springen. Als je in een nul zit, moet je evolueren door de fasen één, twee, drie, vier en uiteindelijk tot vijf komen. En er zijn maar heel weinig organisaties ter wereld die op vijf staan. Dus veel organisaties zouden meer dan blij zijn om op een punt te staan ​​waar ze op een drie zijn en dat vervolgens kunnen gebruiken als een springplank voor de toekomst. En nogmaals, je kunt niet gaan, je kunt geen vier van een gegevensrijpheid hebben en één van een procesrijpheid. Het werkt gewoon niet omdat ze zo met elkaar verweven zijn dat u uw gegevens en processen in samenhang moet begrijpen en goed kunt beheren.

Een goede analogie om dit te beschouwen zoals is, op uw reis naar georganiseerde volwassenheid, laten we aannemen dat uw team uit twee mensen bestaat: de ene is procesvolwassenheid en de andere is gegevensrijpheid. Je rent een hindernisbaan en je bent aan elkaar gebonden met een kort touw. En om aan het einde van die cursus te komen, betekent dat dat jullie beiden niet alleen door alle obstakels heen moeten komen, maar dat je alle obstakels bijna tegelijkertijd of heel dicht bij elkaar moet passeren om in staat om verder te gaan en naar het volgende obstakel te gaan. Dat is echt een goede manier om na te denken over een evenwicht tussen de procesvolwassenheid en de gegevensrijpheid. Met andere woorden, je kunt enigszins procesgericht zijn en je kunt enigszins gegevensgericht zijn, maar het zal een leidende indicator zijn en er kan niet veel ruimte zijn om je daadwerkelijk door de niveaus te halen.

En dan, wanneer we het opnieuw bekijken vanuit data governance, is een van de dingen waarop ik wilde wijzen voor het geval u zich niet bewust was, dat DAMA eerder dit jaar de Data Management Body of Knowledge Volume Two heeft uitgegeven, en van de dingen die gewijzigd is er het eigenlijke DAMA-wiel. En ik heb het eigenlijk een beetje anders weergegeven, waarbij het gegevensbeheer centraal staat en de tien verschillende categorieën rond het andere wiel. Iets dat hier heel belangrijk is om te zien, is datamodellering en ontwerp heeft nu eigenlijk zijn eigen gebieden aan het stuur - het was eerder een soort overvloeiing met de andere. Een van de dingen die hier een heel fundamenteel punt is, is met name datamodellering fundamenteel voor al deze andere aspecten, want of we nu datamodellering van onze databases doen of de metadata waar we mee te maken hebben, datamodellering speelt een rol bij speel in al deze andere stukken waar we het over hebben. En procesmodellering speelt ook een rol bij veel van deze dingen, omdat we, naast het begrijpen van de gegevens zelf, moeten begrijpen hoe het wordt gebruikt en dat is de manier waarop procesmodellering ons echt helpt om dat te doen.

Laten we nu een beetje van versnelling veranderen en praten over enterprise-architectuur. En modellen zijn ook cruciaal voor enterprise-architectuur. En ik baseer dit op een voorbeeld en dit is het Zachman-framework dat ik hier heel snel laat zien. En als je hiernaar kijkt, zie je hier verschillende dingen. Je ziet het wat, hoe, waar, wie, wanneer en waarom is de schaal bovenaan. En dan ga je door meer gedetailleerde niveaus van uitwerking, als je wilt, in termen van de soorten modellering of soorten dingen die je uitwerkt in termen van de enterprise-architectuur van een zeer hoog contextueel niveau tot een gedetailleerd niveau, inclusief fysieke implementatie. Als je naar de eerste kolommen kijkt, is het wat zeer data-intensief en data-betrokken is. Het hoe is erg procesgestuurd. En als je naar de andere aspecten kijkt, ga je een combinatie van proces- en datamodellering gebruiken om de rest van de informatie op te voeren. Je gaat gegevens hebben over al deze verschillende dingen en je procesmodellen zullen ook dingen verbinden, zoals waar dingen gebeuren, de verantwoordelijkheid. En ook in termen van de procesmodellering die we ook in onze tools doen, kunt u dit gaan koppelen aan de doelen en relaties en bedrijfsregels die deze verschillende dingen sturen die u doet.

Vanuit een algemeen perspectief van het Zachman-framework is een van de goede manieren om hier ook over na te denken, dat je modelgestuurd bent en eigenlijk de verschillende niveaus doorloopt. Dus u begint met een scope op hoog niveau en het contextuele. Je evolueert vervolgens naar bedrijfsmodellen, naar systeemmodellen, dan technologiemodellen, en dan ook je zeer gedetailleerde weergave van de technische modellen. En nogmaals, gegevens vertegenwoordigen het wat, proces is het hoe en het is echt een combinatie van gegevens en procesinteractie die alle andere kenmerken hier aandrijven.

Op basis daarvan is het geen toeval dat de manier waarop we het idee van een enterprise-architectuur bekijken, een beetje anders is gebaseerd dan sommige anderen. Vaak hoor je over de vier pijlers van enterprise-architectuur: data, acquisitie, zakelijke en technische architectuur. We bekijken het een beetje anders dan dat. We beschouwen data-architectuur als de fundamentele basis die de hele enterprise-architectuur aandrijft om twee redenen. Eén, dat is waar het begon. Zelfs dingen zoals het Zachman-raamwerk groeiden voornamelijk uit data-architectuur en groeiden daarna ook uit naar de andere aspecten van architectuur. En twee, omdat de fundamentele band tussen proces en data. Daarom zien we de bedrijfsarchitectuur als de centrale pijler van enterprise-architectuur. En dan, natuurlijk, dat wordt gecomplimenteerd door applicatiearchitectuur en technische architectuur, die absoluut noodzakelijk zijn om ons in staat te stellen echt ondernemingsgericht te werken. Wanneer we dat nu bekijken in termen van ER Studio Enterprise Team Edition, ons geïntegreerde modelleringsplatform, is dit hoe het in het spel komt. En dit is een contextdiagram op hoog niveau van een deel van de modellering die we doen en enkele van de fundamenten erachter. En dit wordt eigenlijk ingegeven, dit wordt in een processchema uitgezet. Dus als we in het bijzonder naar ons stuk gegevensarchitectuur en onze bedrijfsarchitectuur hieronder kijken, bieden we op rollen gebaseerde tools.

En als u onze business architect-tool in de linkerbenedenhoek bekijkt, zijn dat meestal bedrijfsanalisten en bedrijfsarchitecten. En ze concentreren zich meestal op enkele van de bedrijfsprocessen en beginnen deze te verdrijven. Maar ze zijn ook gericht op wat. Dus dan beginnen we aan wat conceptuele datamodellering en dat soort dingen. We kunnen deze conceptuele modelleringscomponenten gebruiken en meenemen naar onze datamodelleringstool en naar de data-architect, waar ze verder worden uitgewerkt in logische datamodellen en natuurlijk uiteindelijk de fysieke modellen, zodat we de fysieke databases kunnen genereren. En we kunnen ook terugdringen, zodat de conceptuele modellen ook worden geüpgraded in de bedrijfsarchitectuur. Een heel belangrijk ding hier is dat we de verschillende soorten modellering ondersteunen. Dus nogmaals, BI is erg belangrijk en datameren en dat soort dingen, dus we doen eigenlijk ook wat modellering en ook als onderdeel daarvan doen we datalijnmodellering. Dus niet alleen de ETL in termen van hoe u het in kaart brengen van uw fysieke modellen in uw dimensionale modellen voor datawarehouses of zelfs dingen uit uw gegevensmeren brengt en zien hoe die in kaart worden gebracht, we kunnen al die dingen samenbrengen. Evenals het doorsturen van reverse engineering van andere modelleringsplatforms, van big data-platforms.

En dan ook dingen als ETL-tools, dus we kunnen eigenlijk beginnen met het afleiden van datalijndiagrammen rechtstreeks van ETL-specificaties die u mogelijk in uw eigen omgeving heeft. Het is ook heel belangrijk om te weten dat we verder moeten gaan dan relationele modellering. We hebben bepaalde platforms zoals Hive en vooral MongoDB, we beginnen nu te praten over documentwinkels, waar we concepten hebben zoals ingesloten objecten en arrays. We hebben de notatie zelfs uitgebreid om ook dit soort modellen te kunnen huisvesten, omdat het een niet-relationeel concept is. Alles wat we in de Data Architect-tool hebben gemaakt met betrekking tot de gegevensartefacten, of het nu logische entiteiten of fysieke tabellen en hun attributen zijn, kan vervolgens ook worden teruggezet in de modellering van de bedrijfsprocessen. Dus terwijl u uw bedrijfsprocesmodellen op een hoog niveau uitwerkt en op een lager niveau komt, kunt u de feitelijke gegevenselementen koppelen. Dus u kunt handelen, we kunnen de CRUD-matrices specificeren van wat er feitelijk gebeurt. Dus dat geeft u die gegevenslevenscyclus waarover ik heb gesproken met het maken, lezen, bijwerken en verwijderen op procesniveau. En we doen daar ook volledige BPM-procesmodellering met onze eigen overlays, zodat u bedrijfsstrategieën en bedrijfsdoelstellingen kunt koppelen. We kunnen ook de applicaties koppelen die deze bedrijfsprocessen implementeren, allemaal vanuit een modelgestuurde invalshoek.

Andere dingen zijn ook extreem belangrijk in onze datamodellen. De kenmerken van gegevensbeheer of gegevenskwaliteit beheerst en beheerd. U kunt daar uw eigen metagegevens definiëren en bouwen voor de kenmerken die u wilt bijhouden, en dat betekent dat u uw model nu als de blauwdruk gebruikt om dat door uw hele organisatie naar uw opslagplaatsen voor metagegevens en al het andere te sturen. En natuurlijk, een van de beperkingen van het modelleren, vele jaren geleden, toen velen van ons in de industrie begonnen om dit te doen, is dat we deze modellen zouden produceren. Wat zullen we doen? We zouden ze afdrukken, we zouden ze op een muur zetten, mogelijk voor teamleden om te delen en dat soort dingen. De echte waarde hiervan is om te kunnen delen en samenwerken binnen onze organisaties. Daarom hebben we een op repository gebaseerde aanpak voor het in- en uitchecken van onze modellen en werkruimtes. En we delen ze met onze kiezers die de organisatie zijn, of ze nu andere technische belanghebbenden zijn, zakelijke gebruikers en dat soort dingen. En koppel dat ook aan ons samenwerkingsplatform Team Server.

Dus we hebben gesproken over eerdere woordenlijsten en termen van bedrijven en het belang daarvan en het ontwikkelen van die woordenschat voor het bedrijf. Dat is allemaal gebeurd in Team Server, waar gebruikers, zakelijke gebruikers onder die voorwaarden kunnen samenwerken. Ze zijn zichtbaar, bruikbaar in data-architect, bijvoorbeeld in de buurt van datamodellen en natuurlijk zijn veel van deze zakelijke woordenlijsten vaak afkomstig uit enkele van de datadioniemen die we in onze datamodellen hebben gemaakt. We kunnen die naar voren halen - ook vanuit de data architect tools is een startpunt de business glossary, waar ze verder kunnen worden verfijnd, en allemaal met veranderingsmanagement eromheen.

Dat was veel. Om het samen te vatten, een paar dingen waar we het over hebben gehad, is om een ​​echte volwassenheid van de organisatie te proberen, je hebt een evenwichtige aanpak nodig die bestaat uit volwassenheid van gegevens en volwassenheid van processen. Je kunt het ene niet bereiken zonder het andere. Nogmaals, fundamenteel, u moet beide hebben en hierop moeten vertrouwen, met name datamodellering en procesmodellering voor zowel enterprise-architectuur en data governance als proces governance in uw organisaties. Enterprise-architectuur verbindt het echt in termen van kijken naar deze verschillende facetten en perspectieven. U hebt daarvoor een solide basis voor gegevensarchitectuur nodig en u hebt integrale procesmodellering nodig om die zakelijke context te bieden en u in staat te stellen uw bedrijfsproces en uw gegevensverbruik vooruit te helpen. Nogmaals, belangrijker dan ooit tevoren. Ik kan zeggen, wat oud is, is weer nieuw. Datamodellering, procesmodellering, afkomst, de metadata en glossaria zijn dus van fundamenteel belang om dit te bereiken en ER / Studio Enterprise Team Edition is een samenwerkingsplatform dat dit alles samenbrengt.

En daarmee kunnen we verder gaan met de vragen.

Eric Kavanagh: Oké.

Ron Huizenga: We gaan naar je toe, Eric.

Eric Kavanagh: Ron, ik moet mijn hoed op je tippen voor alle moeite die je steekt in het documenteren van deze verschillende processen en kaders. Dat is veel materiaal dat je daar hebt. Ik denk dat de grote vraag die ik heb is wie toezicht moet houden op dit soort dingen in een organisatie, omdat je zoveel verschillende dingen aanraakt. U denkt aan processen, het wordt een chief operating officer of een operationeel persoon. Datalevenscyclus, denk je dat dat een chief data officer wordt. Je raakt zoveel verschillende onderdelen en zoveel verschillende componenten aan voor het bedrijf. Hoe vind je de juiste persoon of groep mensen en is het een stuurgroep? Wat is het? Wat kunt u ons vertellen over wie dit in een organisatie zou moeten doen?

Ron Huizenga: Weet je, dat is een interessante vraag. We kunnen er eigenlijk een dag doorbrengen om de verdiensten van verschillende benaderingen daar te bespreken. Maar iets dat ik zeker zag, weet je, terwijl ik raadpleegde voordat ik in de rol van productmanagement kwam, is dat toen ik naar de organisatie keek, dat een deel van het probleem was om de eigendom te krijgen en mensen de verantwoordelijkheid te laten nemen. En als we kijken naar de disciplines zoals onze datamodellering en zelfs onze bedrijfsprocesmodellering, of in de begindagen zelfs, datastroomdiagrammen en dat soort dingen, is dat soort uit de IT voortgekomen. Maar terwijl we vooruit zijn gegaan, en ik denk dat we nu steeds meer erkennen dat dit echt zakelijk moet zijn. Dus je wilt echt dat het eigendom hiervan in de business ligt.

En ik ga hier enkele IT-mensen beledigen, maar ik ben er vast van overtuigd dat de reden dat we de evolutie van de rol van chief data officer hebben gezien, is dat de CIO-rol hierin in de meeste organisaties is mislukt. En dat komt omdat veel van de CIO's technisch gericht zijn in plaats van gegevens- en procesgericht. Dus ik denk dat je dat echt nodig hebt, je hebt waarschijnlijk een soort stuurgroep nodig in de grotere organisaties. Maar dit moet echt eigendom zijn van het bedrijf. Ik zou het argument willen voeren dat uw bedrijf, uw procesmodellering, uw datamodellering, allemaal bij het bedrijf moeten horen, want dat geeft u de mogelijkheid om ervoor te zorgen dat IT, die de bewaarder van de gegevens is en die processen implementeert via wat ze maak je, je hebt die hamer om ervoor te zorgen dat het gebeurt als het daadwerkelijk eigendom is van het bedrijf.

Eric Kavanagh: Ja, ik denk dat ik het daarmee eens ben. Maar Jen, wat vind je daarvan?

Jen Underwood: Dus het is echt interessant. Dat was waar ik op doelde toen ik zei dat mensen zorgen en interactief maken waarschijnlijk een van de belangrijkste dingen is. Op een gegeven moment had ik er een whitepaper over geschreven, het was zelfbediening BI-beheer dat hier erg op lijkt. Het is een kwestie van dat te krijgen, een manier te vinden om mensen, de zakelijke waarde ervan, te motiveren, om hen ertoe te brengen erom te geven. En dan wanneer ze zien, of vinden, of het de datacatalogus is of welke hoek het ook neemt. Misschien verlaagt het de verzendingskosten, plaatst het iets waar iemand verantwoordelijk voor is in de organisatie, zo kunt u het laten verzorgen. En ja, het bedrijf absoluut. De experts op het gebied van zakelijke onderwerpen gaan het maken of breken.

Eric Kavanagh: Dat is moeilijk. Ik denk dat je altijd dit consortium van belanghebbenden uit de hele organisatie wilt hebben. Natuurlijk wilt u geen analyseverlamming. U wilt geen bureaucratie omwille van de bureaucratie. Wat u wilt is dat de organisatie een actieplan heeft en deze dingen gedocumenteerd heeft. Weet je, ik denk dat wanneer je begint te praten over modellering van bedrijfsprocessen, dat 25 jaar geleden hot was, maar het stond meestal los van de eigenlijke zaken. Ik denk dat je in sommige bedrijfstakken in elk geval veel van dat proces kunt halen uit de eigenlijke software die dingen draait. Maar ik denk dat we tegenwoordig een manier moeten vinden om die twee werelden in evenwicht te houden, toch, Ron? U wilt procesmodellen hebben die actueel en actueel zijn en een afspiegeling zijn van wat er feitelijk gebeurt. Dus je wilt niet dat het gewoon een afzonderlijke oefening is waar het is, het zit ergens op een plank. Maar dat is het een beetje een uitdaging, toch? Omdat niet alle operationele systemen zijn uitgelijnd met dat soort uitvoerbare code. Maar wat vind jij ervan?

Ron Huizenga: Absoluut. En het is interessant omdat een van de dingen waar ik naar kijk is wanneer mensen, weet je, we een instant-bevredigingsmaatschappij zijn geworden. Mensen denken: "Oh, we gaan gewoon wat gereedschap kopen en dit voor ons laten werken." Het is alsof je geen procesvolwassenheid gaat kopen. U gaat geen gegevensrijpheid kopen. Het is hard werk. Je moet de mouwen oprollen en je moet het laten gebeuren. En het mechanisme om dat te laten gebeuren, is het modelleren. Het is te complex om geen visuele weergave te hebben van, niet alleen de huidige status waaraan u werkt, maar om te kunnen ontwerpen hoe u die verschillende bedrijfsprocessen gaat verbeteren. U hebt dat visuele kader nodig om te kunnen begrijpen welke impact deze veranderingen zullen hebben.

Eric Kavanagh: Dat is echt - ik tweets alleen maar; Ik tweet dit nu meteen - "Je gaat geen procesvolwassenheid kopen, je gaat geen gegevensrijpheid kopen." Ik kan het gewoon helemaal eens zijn met beide dingen. En Jen, ik zou je binnenhalen voor je gedachten. En ik gooi er nog een vraag bovenop. Een van de aanwezigen vraagt: wat wordt bedoeld met procesgestuurde onderneming of procesvolwassenheid? Jen, kun je daar iets tegen zeggen?

Jen Underwood: Ik kan eigenlijk een beetje beter spreken tegen de vorige vraag. Als ik erover nadenk, wordt de waarheid verteld, het is de eerste, weet je, die gereedschap koopt. Dat was zo'n geweldige, geweldige opmerking omdat het zo waar is. Maar wat ik zal zeggen, is een stuk beter. Dus ik bekijk veel oplossingen en ik zie verschillende ruimtes en test ze. Wat steeds beter wordt, is het ontdekken van gegevens, taggen en op zijn minst je een enorme start geven en dit ook, als ik minder pijnlijk zeg, bijna leuk maken. Dus stel je voor dat een datacatalogus of een MDM-project leuk is. Het is, en je hebt mensen in een organisatie die deze gegevens gebruiken, of het nu gaat om rapportage of andere soorten dingen en ik denk dat iemand zelfs aan de lijn had gezegd, mensen krijgen die om hun individuele ontwikkelingsplan geven. Ja, zelfs nog een niveau hoger. Het neemt deze dingen en zegt nu dat we verkeerd verzonden zendingen met 30 procent hebben verminderd en dit is hoeveel geld is bespaard. Het gaat gewoon om het beter beheren van onze gegevens. Het zijn dat soort dingen en je stopt er geld in en je maakt het leuk. Of je maakt het interessant en relevant voor wat ze doen. Dat is een beetje magisch, denk ik, dat ontbreekt in veel van deze opdrachten die mensen dit in een organisatie proberen te doen, en het loopt vast.

Eric Kavanagh: Ja, dat is een goed punt. En, Ron, een paar ogenblikken geleden terug op je opmerking over het belang van een visueel kader, ik denk dat dat absoluut waar is, omdat het vaak heel moeilijk is om je hoofd eromheen te slaan als mensen iets niet kunnen zien betekent, en zeker als je begint te praten over complexe processen met onderlinge afhankelijkheden en controlepunten en al deze dingen, moet je het ergens op een bepaald punt in kaart brengen en idealiter doe je dit met software die functionaliteit in de catalogus heeft ingebed, voor bijvoorbeeld welke transformaties plaatsvonden met verschillende lijnen van dit punt naar dat punt. Of wat beschikbaar is op dit controlepunt. En ik verwijs daar een beetje naar mijn geschiedenis in risicobeheer, waar een controlepunt een punt in een proces of een optie of individuele of softwaretoepassing is waar je daadwerkelijk iets kunt veranderen, toch? Dat noemen ze een controlepunt. En voor mij is het echt waardevol dat je dat visuele kader krijgt. Omdat je dan kunt zien en er doorheen kunt lopen en het kost gewoon tijd. Het kost menselijke hersenen tijd om dat soort dingen te beheren en het echt te begrijpen en daarom te optimaliseren, toch?

Ron Huizenga: Absoluut. En om een ​​andere analogie te gebruiken waarvan ik denk dat het in perspectief wordt geplaatst: ik ben een beetje een luchtvaartmoer, dus ik zou zeggen, als je dit op een parallelle manier probeert te overwegen, denk er dan over na om een ​​747 te bouwen - of een Airbus 380, dus kies ik niet de ene leverancier boven de andere - denk erover na hoe moeilijk het zou zijn om dat te doen op basis van documenten die alleen uit tekst bestaan ​​in plaats van de blauwdrukken en de 3D CAD-tekeningen en alles van hoe dat is eigenlijk samengevoegd.

Eric Kavanagh: Ja, dat zou ruw zijn. En Jen moet ook spreken.

Ron Huizenga: Het bedrijf is hetzelfde, toch?

Eric Kavanagh: Ja, nee dat klopt. Jen moet spreken met een van je hete gebieden die je leuk vindt om te bestuderen, namelijk visualisatie. Je moet iets kunnen visualiseren om het volledig te begrijpen, lijkt mij.

Jen Underwood: Veel mensen doen dat, ja. En zelfs een visualisatie spreekt, wat is het gezegde, duizenden woorden of zoiets. Als ze het zien, kunnen ze het geloven. En ze snappen het.

Eric Kavanagh: Ik ben het ermee eens. En ik hou echt van Ron, de manier waarop je dit allemaal bij elkaar hebt gebracht. Ik veronderstel dat ik mezelf gewoon opnieuw vraag, je hebt een kampioen binnen de organisatie nodig en die daar zal zijn, zal dienen als de contactpersoon voor verschillende groepen. Datastewards is iets waar we het vaak over hebben - ik denk dat dat een heel belangrijke rol speelt en ik denk dat dat een rol is die de laatste drie of vier jaar veel meer aandacht heeft gekregen, omdat we de waarde van data een beetje hebben gewaardeerd bestuur, toch? Die gegevensbeheerder is iemand die met het bedrijf kan praten, maar ook de systemen begrijpt, de levenscyclus van gegevens begrijpt, dat hele plaatje. En ik denk dat die persoon onder de heerschappij van de CEO kan en zou moeten staan, toch?

Ron Huizenga: Ja, en je hebt een multifunctioneel team nodig, toch? Dus je hebt mensen nodig die bestaan ​​uit een team dat dat doet of die afkomstig zijn uit de verschillende gebieden die de technische kant vertegenwoordigen, de, je weet wel, de verschillende bedrijfsgebieden. En weet je, afhankelijk van het type organisatie dat je bent, als je een projectmanagementkantoor hebt en veel van de initiatieven die je doet worden aangedreven door een PMO, wil je ervoor zorgen dat je PMO hebt betrokkenheid ook gewoon om iedereen min of meer in harmonie te houden en de manier waarop ze aan dingen werken te synchroniseren.

Eric Kavanagh: Yup, en weet je, een laatste ding, ik zal dit laatste dia, bestuurskader plaatsen. We hadden een vraag van een deelnemer, ontbreken er gegevens in die dia? Is dat, zijn gegevens geïmpliceerd in de dia of wat vindt u van de opmerking dat gegevens ontbreken in de dia?

Jen Underwood: Nee, en dit is slechts een generiek bestuurskader. In wezen is dit afkomstig uit de BI-ruimte voor zelfbediening, dus gegevens worden in veel van deze zaken geïmpliceerd. Het kwam net vanuit mijn invalshoek en mijn perspectieven en niet zo gefocust op de gegevenskant bij het samenstellen hiervan. Maar data zou zeker zijn, als je aan al deze stukjes denkt, zouden er data zijn. Of het nu gaat om de basis voor gegevens, verantwoording met behulp van gegevens door het hele proces en door het hele raamwerk.

Eric Kavanagh: Ja, nee dat is volkomen logisch. En ik denk dat ik nog een laatste vraag aan je zal beantwoorden als we hier afronden, Ron. Als ik denk aan hoeveel meer informatie en hoeveel meer gegevens we tegenwoordig gebruiken en hoe verafgelegen organisaties zijn, wat is het belang van ecosystemen tegenwoordig tussen kanaalpartners en hoe we informatie kunnen delen via die partnerschappen en in een weinig snelle verwijzing van blockchain hiernaar - niet om dingen te ingewikkeld te maken. Het komt erop neer dat we ons in een steeds meer datagestuurde, verbonden wereld bevinden, zowel vanuit een zakelijk perspectief als gewoon vanuit ons dagelijks leven. En voor mij gaat dat alleen maar de inzet verhogen, omdat organisaties echt goed gaan kijken naar wat je hier suggereert, wat hun volwassenheid is, waar ze staan ​​en hoe ver ze zijn in termen van de curve en daar eerlijk over zijn, toch? Want als je niet beter weet, kun je niet beter doen, en als je niet nadenkt over dingen, zul je niet beter weten, toch?

Ron Huizenga: Precies. En ik denk dat een zin die ik zou gebruiken is, je bent waarschijnlijk niet zo goed als je denkt dat je bent. Dat klinkt misschien nogal hard, maar mensen kunnen hier behoorlijk optimistisch over zijn, maar als je er echt heel goed naar kijkt en een echt goede, kritische zelfevaluatie hebt, denk ik dat elke organisatie significante lacunes zal vinden die zij moeten adresseren.

Eric Kavanagh: Ik ben het ermee eens. En een van onze collega's daar gaf commentaar op het belang van metadata, de data over data. Daar bestaat geen twijfel over. Metadata is de lijm die al deze systemen bij elkaar houdt en we hebben die code zelfs nog nooit echt volledig gekraakt, en eerlijk gezegd, omdat metadata verandert. Het verschilt van systeem tot systeem. Weet je, hoe meer je probeert je gegevens te normaliseren, hoe minder nauwkeurig ik denk dat het wordt.

Dus we zijn nu een beetje in deze rare wereld en misschien denk ik dat ik je nog een vraag zal stellen, Jen, omdat je een paar keer gegevenscatalogi hebt genoemd. Ik ben echt dol op deze nieuwe beweging van datacatalogatechnologie die automatisch je informatiesystemen scant, metadatakolomnamen vaststelt, enzovoort, en je helpt om stapsgewijs de strategische weergave van je gegevens en je metadata in je systemen op te bouwen. Omdat voor mij, om dat soort dingen handmatig te doen, het gewoon is, er is gewoon teveel. En je gaat nooit de top van die heuvel bereiken voordat de lawine op je neerkomt en, weet je, je bent ofwel genormaliseerd tot het punt van speel-deeg grijs of je bent niet genoeg genormaliseerd tot waar je echt weet niet wat er aan de hand is. Voor mij, met behulp van de machines, de machine-leren waar we het steeds over hebben, dat zal de sleutel zijn in de toekomst om ons te helpen op zijn minst een touw rond genoeg gegevens te krijgen om een ​​goed begrip te krijgen van wat er is, juist Jen ?

Jen Underwood: Ja, dat doe ik. Ik ben dol op deze technologieën. Ze zijn heel, heel cool. En dan denk je erover na, het geeft je die enorme rennende start. En dan kun je crowdsource. Je hebt je gegevensstewards, weet je, die vooruitlopen, of ze nu hun eigen documentatie toevoegen of dit is het perspectief daar, dit zijn de veranderingen. Weet je, dit zijn de gecertificeerde gegevensbronnen die je kunt gebruiken voor rapportage. Mensen kunnen zoeken en de juiste gegevens vinden. Het is echt heel erg leuk. En helpt ook - als ik denk aan zaken en hoe cryptisch enterprise data management was toen ik bezig was met DBA-dingen - gebruikten we uitgebreide eigenschappen en SQL Server en scannen met tools zoals IDERA's, toch? Proberen een gegevenscatalogus te maken. Maar in de versie van DBA of data-architecten van, weet u, wat die waarde ook was of die kolom of dat veld, het kwam waarschijnlijk niet overeen met wat het bedrijf was. Nu het bedrijf nu dus heel gemakkelijk in staat is om, weet je, naar binnen te gaan en het te vinden en te beheren en alles doelgericht te laten zijn, is het echt, ik wou dat we dit al lang geleden hadden gehad, eerlijk gezegd. Dus het wordt een stuk beter.

Eric Kavanagh: Dat is grappig. We hebben nog een laatste opmerking van een publiekslid dat zegt dat blockchain misschien het meest waardevol is om een ​​stempel van authenticatie aan metadata te geven. Dat is een goed punt en, weet je, blockchain is echt een geweldige technologie. Ik zie het als een soort samenhangende basis voor het verbinden van veel punten tussen systemen en applicaties enzovoort. En weet je, we bevinden ons in de vroege stadia van blockchain-ontwikkeling, maar we zien nu dat het natuurlijk is afgesplitst vanaf dit punt waar het oorspronkelijk naar voren kwam, en nu heb je IBM heel hard aan het werk op blockchain-technologieën. SAP heeft dat allemaal overgenomen. En echt waar, het biedt een mogelijkheid voor een diepere fundering en raamwerk om al deze systemen en al deze punten te verbinden.

Dus mensen, hebben ruim een ​​uur gebrand. Bedankt dat je vandaag bij ons bent gebleven, maar we willen je vragen graag beantwoorden en al het commentaar ontvangen. We archiveren al deze webcasts om ze later te bekijken, dus spring online naar insideanalysis.com, waar u de link daarnaar kunt vinden. Het moet binnen een paar uur op zijn, meestal na het evenement. En tot de volgende keer. We hebben volgende week nog een paar evenementen - er gebeurt veel. Maar dat zal je vaarwel zeggen, mensen. Bedankt voor je tijd. Wees voorzichtig. Buh-bye.