Mencapai kematangan data: tindakan penyeimbangan organisasi

Oleh Staf Techopedia, 8 November 2017

Takeaway: Host Eric Kavanagh membahas kematangan data dan kematangan organisasi dengan Jen Underwood of Impact Analytix dan Ron Huizenga dari IDERA.

Anda saat ini belum masuk. Silakan masuk atau daftar untuk melihat video.

Eric Kavanagh: Baiklah, tuan dan nyonya. Halo dan selamat datang kembali sekali lagi. Sekarang hari Rabu pukul 4 Eastern, yang berarti saatnya untuk Hot Technologies. Ya memang. Nama saya Eric Kavanagh; Saya akan menjadi tuan rumah Anda untuk acara kami hari ini, yang benar-benar didefinisikan, dirancang untuk menentukan jenis teknologi tertentu di negara-negara tertentu yang berada di dunia manajemen data. Dan topik kita hari ini adalah “Mencapai Kedewasaan Data: Undang-Undang Penyeimbangan Organisasi.” Jadi ada titik tentang milik Anda yang sebenarnya, buat saya senang di Twitter, @eric_kavanagh. Saya selalu me-retweet jika Anda menyebut saya, dan saya akan mencoba mengikuti kembali juga. Ini adalah tempat yang baik untuk mencari informasi tentang apa yang terjadi di dunia. Saya suka format itu. Karakter pendek, 140 karakter - atau lebih hari ini. Jadi jangan ragu untuk mengirim saya tweet dan saya akan mengikutinya kembali.

Tahun ini panas, tentu saja. Kita berbicara tentang kematangan data hari ini dan inilah jajarannya, dengan jajaran Anda benar-benar di atas. Kami memiliki analis baru hari ini; Saya sangat senang memiliki Jen Underwood of Impact Analytix. Dia cukup ahli dalam intelijen bisnis dan analitik serta visualisasi data dan semua topik hebat ini. Dan tentu saja kematangan data. Dan teman baik kita Ron Huizenga menelepon dari IDERA. Jadi pertama-tama kita akan mendengar dari Jen dan kemudian dari Ron. Dan kemudian kita akan memiliki diskusi meja bundar yang bagus.

Saat saya mendorong slide berikutnya di sini, saya hanya akan mengatakan beberapa kata cepat. Kematangan pengelolaan data telah menjadi subjek untuk sementara waktu sekarang. Jelas dalam sejarah Anda harus mencapai titik tertentu sebelum Anda mulai berpikir tentang kedewasaan, dan banyak siklus kehidupan kedewasaan telah dikembangkan - atau siklus - mencoba untuk mencari tahu di mana Anda berada di kurva. Apakah Anda tahap awal? Apakah Anda seorang remaja? Apakah kamu sudah dewasa? Dan sebagainya.

Dan saya pikir banyak organisasi baik di masa remaja atau di akhir remaja atau awal dua puluhan dalam hal kedewasaan. Dan itu tidak mengatakan sesuatu yang mengecilkan hati. Hanya saja, kami masih bisa mengelola data sebagai aset strategis di masa-masa awal. Dan banyak hal telah berubah dengan cepat. Terutama dalam lima hingga tujuh tahun terakhir, karena kami telah beralih dari data kecil ke data besar dan mereka mencoba untuk merekonsiliasi dunia yang berbeda ini dan teknologi baru dengan teknologi lama. Jadi warisan ada di luar sana, ada di mana-mana.

Salah satu lelucon yang saya dengar bertahun-tahun yang lalu adalah bahwa warisan adalah sistem yang sedang diproduksi. Saat sistem masuk ke produksi, secara teknis itu adalah warisan. Dan dengan cara itu benar. Tetapi intinya adalah kita memiliki semua sistem ini yang telah ada sejak lama dan kita harus menemukan cara untuk memahami di mana kita berada dalam kurva kematangan kita sendiri untuk dapat memaksimalkan dan mengoptimalkan nilai data sebagai aset. . Dan tentu saja ada beberapa masalah kepatuhan, beberapa peraturan yang perlu kita khawatirkan, tergantung pada industri apa yang kita masuki. Dan tentu saja kita juga harus khawatir tentang peretasan. Di masa lalu kita telah berbicara tentang tata kelola data dan bagaimana itu benar-benar bagian dan tak terpisahkan dengan keamanan dan hanya memahami peran dan tanggung jawab menggunakan data dan memastikan kita mendapatkan nilai terbaik darinya.

Dan dengan itu, saya akan menyerahkan kunci kepada Jen Underwood dan dia bisa memberi tahu kami perspektifnya tentang kematangan data. Jen, bawa pergi.

Jen Underwood: Terima kasih, Eric, dan terima kasih telah mengundang saya. Jadi hari ini, saya akan membahas beberapa topik berbeda dan kemudian saya akan memperkenalkan Ron dengan IDERA dan dia akan menggali lebih dalam beberapa area lain dari topik khusus ini. Saya akan mengatakan itu adalah peran penting dalam era digital atau transformasi digital yang kita hadapi saat ini dan, seperti yang Eric katakan, ini adalah era yang berkembang. Beberapa statistik menyenangkan dari Dewan EDM, ada laporan benchmark industri manajemen data. Sudah hampir dua tahun, tetapi masih cukup relevan dan akan mengungkapkan beberapa, Anda tahu, factoids per se menjadi seorang remaja di ruang ini. Saya akan berbicara sedikit tentang kematangan data dan pilar tata kelola, per se.

Pada tema era digital ini atau transformasi digital yang Anda dengar di mana-mana, ini benar-benar terjadi saat ini. Salah satu fakta menarik yang saya kumpulkan ketika saya mengikuti industri ini setiap hari adalah poin yang dibuat oleh Gartner dalam sepuluh tren teknologi strategis mereka. Dan mereka telah mengatakan pada tahun 2020 - jadi kita hanya beberapa tahun lagi dari itu - informasi akan digunakan untuk menemukan kembali, mendigitalkan dan mengotomatisasi atau menghilangkan 80 persen dari proses yang kita miliki dari satu dekade sebelumnya.

Dan saya telah melihat ini untuk sementara waktu, saya pikir di sini Anda melihat berbagai jenis orang mengatakan, Anda tahu, "Data minyak baru, " dan hal-hal semacam itu. Saya suka mengatakan data sekarang adalah emas digital. Dan jika Anda berpikir tentang aplikasi perangkat lunak dan keterlibatan perangkat lunak, saya adalah manajer produk di seluruh dunia untuk Microsoft di masa lalu, dan bahkan perubahan dalam karier saya dari, Anda tahu, kami benar-benar akan fokus pada perangkat lunak hingga sekarang kami fokus pada pengguna dan mengumpulkan data dan berpikir tentang monetisasi data.

Kami memasuki era di mana data adalah emas digital dan Anda mulai melihat bahwa dengan munculnya apa yang disebut chief data officer, dan mereka, mereka memiliki, Anda tahu, dua misi utama - dan tentu saja beberapa misi lainnya - memastikan data tersebut aman dan terjamin dan juga menemukan cara untuk memaksimalkan nilai data secara internal - dan bahkan secara eksternal - sebagai aset digital. Jadi hal-hal semacam ini yang mungkin belum, atau mungkin tidak tampak penting bagi organisasi Anda di masa lalu, data akhirnya mendapatkan kursi di meja C-level dengan CDO dan akan dianggap lebih serius di masa mendatang.

Jika Anda berpikir tentang manajemen data dan kematangan, ada dua tema berbeda yang saya miliki pada slide khusus ini di sini, yang pertama adalah, Anda tahu, manajemen data itu sendiri. Ini lebih tentang fungsi bisnis yang mengembangkan dan membuat data dan aliran data, beberapa kebijakan dan praktik di sana. Dan kemudian ketika Anda berpikir tentang kematangan manajemen data, itu adalah kemampuan organisasi untuk secara tepat mendefinisikan, mengintegrasikan, Anda tahu, memanfaatkan data yang mereka miliki lagi untuk keperluan internal atau eksternal seperti monetisasi data. Dan salah satu tema besar - dan itu lucu, di awal karir saya, dan saya benar-benar memanfaatkan beberapa alat IDERA dan proyek arsitektur data - adalah seluruh konsep metadata ini dan kami terus memikirkan metadata, dan kemudian tidak berbicara tentang untuk waktu yang sangat lama. Saya akhirnya melihat metadata itu keren lagi. Ini benar-benar sangat penting dalam berinteraksi dengan kelompok yang berbeda, memahami di mana data Anda, apa data itu. Terutama dalam hal-hal seperti data lake. Akhirnya, akhirnya semakin menarik.

Sekarang, saya berjanji memiliki beberapa statistik di sini dari laporan tolok ukur industri. Yang ini dari 2015 untuk Dewan EDM. Ini tentang memodernisasi kualitas data dan tata kelola, dan ada beberapa fakta yang menyenangkan dalam hal ini. Jadi di sini, lebih dari 33 persen organisasi memiliki program pengelolaan data formal dan aktif di beberapa tingkat organisasi - hanya 33. Jadi itu sangat menarik. Dari 50 persen yang dimiliki, benar-benar telah diformalkan, kami ingin mengelola data, kami menyadari bahwa ini adalah aset yang sangat penting dalam organisasi kami, seperti halnya manusia memiliki sumber daya manusia. Hanya 50 persen dari mereka memiliki program yang lebih tua dari satu tahun. Jadi ini, sekali lagi, adalah area yang muncul, ini benar-benar cukup menarik dalam hal kita menjadi semakin penting, terutama dengan hal-hal seperti beberapa peraturan industri yang keluar.

Jadi pada titik itu, banyak kali - dan itu menarik karena berada dalam penjualan teknis dan peran sepanjang karir saya - itu tidak benar-benar, "Oh, kita dapat menghemat uang yang akan memotivasi organisasi" - biasanya ketakutan. Ini lebih dari, “Ya ampun, kita perlu memastikan bahwa kita dilindungi. Kami tidak ingin kehilangan pekerjaan kami. ”Dan tentu saja hal-hal seperti peretasan dan risiko data dan kebocoran data, ada studi benchmark yang sangat menarik tentang ini. Verizon melakukannya setiap tahun dan mungkin salah satu yang favorit saya untuk mengulas. Apa yang hampir selalu Anda lihat adalah data yang tidak disengaja, itu tidak harus, Anda tahu, disengaja sengaja data atau salah kelola data yang mengakibatkan kebocoran. Dan seringkali - mereka tidak memiliki statistik ini untuk sesi khusus ini - tetapi sangat menarik bahwa kebocoran tidak disengaja ini salah dalam mengelola izin dan sebagainya. Anda tahu, untuk membuat segalanya sedikit lebih mudah, kebocoran ini dipinjamkan. Dan biasanya untuk orang-orang yang menjadi catatan atau eksternal untuk organisasi Anda, dan bukan itu yang Anda inginkan.

Jadi itu adalah jenis hal ketika Anda berpikir tentang memiliki keamanan data manajemen dan program tata kelola. Anda tahu, bukan hanya keputusan yang buruk dan menyimpan uang, tetapi juga memastikan bahwa, Anda tahu, Anda aman, Anda mematuhi undang-undang privasi dan keamanan. Anda dapat memonetisasi data di era digital ini, dan tentu saja, Anda tahu, Anda ingin melakukan hal-hal secara efisien dan menggunakan kembali data dan memiliki salinan yang diberkati dan miliki - Saya benci ketika orang berkata, dan saya dalam analitik dan saya Sudah lama dalam analitik, satu versi kebenaran. Biasanya ada, Anda tahu, biasanya ada beberapa versi kebenaran, hanya dari sudut pandang yang berbeda. Tetapi pada dasarnya, Anda ingin memiliki data yang dapat diandalkan yang mendasari keputusan Anda.

Salah satu pendorong terbesar yang saya lihat - dan ini adalah hal yang baik, ini adalah hal yang baik bahwa itu menjadi keren lagi - adalah keseluruhan konsep GDPR Uni Eropa. Dan biarkan saya berbicara sedikit tentang itu. Jadi, jika Anda tidak mengenal GDPR, Anda akan mendengar banyak tentang hal ini di tahun mendatang. Ini adalah undang-undang baru yang terjadi pada bulan Mei. Ini akan diberlakukan pada bulan Mei 2018 dan memiliki hukuman besar karena kesalahan dalam mengelola informasi. Anda mungkin pernah mendengar hal ini dibicarakan dalam bentuk lain - mungkin tidak menggunakan istilah GDPR - Anda mungkin pernah mendengar atau melihat tulisan ini sebagai hak untuk dilupakan, artinya Anda dapat menjangkau dan meminta vendor untuk menghapus data Anda. Sekali lagi, arsitek data sebelumnya, mereka tidak akan menghapus data. Kami akan mengubahnya, kami akan membuatnya tidak aktif dalam skenario pergudangan data. Kami tidak pernah benar-benar menghapus data kami. Kami tidak memiliki proses untuk itu. Jadi, Anda tahu, hal-hal yang akan menyentuh setiap aspek organisasi Anda dan berbagai cara dan proses yang mungkin tidak pernah Anda pertimbangkan dalam membangun aplikasi atau gudang data Anda. Jadi jika Anda melihat hal-hal tentang GDPR untuk dipikirkan, segera Anda akan memerlukan dasar hukum untuk membenarkan pengumpulan dan pemrosesan data pribadi.

Jadi ini sebagian besar pada tingkat pribadi, jadi persetujuan harus diberikan secara bebas: spesifik, informasi, tidak ambigu. Dan itu akan memengaruhi banyak bidang kecerdasan buatan dan ilmu data - itulah bidang yang paling sering saya bahas hari ini adalah implikasi ilmu data dan hanya memastikan ada transparansi dalam model itu sendiri - serta banyak bidang lain dari swalayan Anda BI, gudang data Anda, manajemen data master Anda, bahkan proyek 360 pelanggan Anda, untuk personalisasi dan bahkan lini aplikasi bisnis Anda. Jadi ini adalah sesuatu yang akan menyentuh setiap bagian dari org Anda. Dan tidak seperti undang-undang privasi di yurisdiksi lain, GDPR akan berlaku untuk organisasi apa pun yang berlokasi di dalam atau di luar Uni Eropa. Dan denda kepatuhan, sekali lagi, sangat penting. Itu organisasi Anda dapat didenda hingga empat persen dari total tahunan kotor Anda - saya percaya itu disebut omset - pendapatan per se.

Semoga saya mendapatkan perhatian Anda dan ini adalah hal-hal yang harus Anda perhatikan. Jika perusahaan Anda sudah mengikuti beberapa praktik dan standar industri ini dengan PCI, mungkin itu ISO - saya tidak yakin apakah saya akan mengatakan ini dengan benar - 27001. Jika Anda sudah melakukan beberapa dari itu, itu tidak boleh Tidak terlalu berlebihan, tapi itu sesuatu yang harus diperhatikan. Jadi saat Anda bersiap untuk ini, ada beberapa area, terutama dalam manajemen data dan salah satu hal pertama adalah memiliki katalog dan mengklasifikasikan data Anda - mengetahui di mana data Anda berada. Dan di dunia, dunia hibrida, tempat data hidup di mana-mana: Ada di awan; ada di aplikasi ini; ada di tenaga penjualan; ada dalam beberapa program acak lainnya yang digunakan pemasaran, Anda tahu, sistem pelanggan Anda atau sistem inventaris Anda - semua jenis tempat ini. Ketahui di mana data Anda dan hal termudah untuk dilakukan - dan ini telah menjadi bidang manajemen data yang sangat menyenangkan, apakah konsep katalog data ini yang memiliki kecerdasan, bahkan klasifikasi pembelajaran mesin adalah sebagian informasinya.

Dan lagi, metadata - saya sebutkan metadata menjadi keren lagi, jadi pikirkan tentang metadata dan jangan bahas topik penting itu ketika Anda mulai mendesain data danau dan hal-hal semacam itu, dan tentu saja mengatur dan memonitornya. Jadi, pemantauan akan menjadi jauh lebih penting ketika Anda harus kembali dan seseorang dari GDPR, misalnya, mungkin meminta Anda untuk membuktikan ke mana perginya data itu, siapa yang memilikinya, siapa yang memiliki akses, dan sebagainya. Karena Anda benar-benar harus menunjukkan kepada pihak berwenang hal-hal semacam itu.

Untuk membantu Anda dengan kematangan pengelolaan data, sebenarnya ada beberapa aliran pemikiran, dan saya percaya - saya tidak 100 persen yakin - saya pikir saya melihat di dek Ron bahwa dia akan membahas beberapa di antaranya, jadi saya pikir Saya akan bicarakan hari ini dari CMMI. Dan yang ini, ini tersedia untuk orang-orang; ini mencakup enam kategori manajemen data yang berbeda, 25 area proses, 414 pernyataan praktik dan 596 produk kerja yang berbeda. Jadi ketika Anda berpikir tentang semua hal yang Anda lakukan, seperti Anda mengelola dan merancang data, 596 produk kerja fungsional, Anda tidak menyadari seberapa banyak yang Anda lakukan, bukan? Atau apa yang sebenarnya tidak Anda lakukan. Ketika saya melihat angka seperti itu, itu adalah salah satu hal yang benar-benar melekat dalam pikiran saya. Jadi dalam hal ini, dan apa yang saya sukai dari yang satu ini, apakah arsitektur dan teknologinya netral. Jadi itu berarti jika Anda memiliki, dan sebagian besar organisasi besar yang telah berkonsultasi dengan saya atau bekerja dan menerapkan selama bertahun-tahun, Anda tahu, mereka memiliki semua jenis teknologi yang berbeda di sana. Jadi, Anda ingin, menerjemahkan, apa arti DMM untuk platform dan teknologi yang Anda gunakan dalam lingkungan spesifik Anda. Ini juga tidak tergantung industri, jadi tidak harus spesifik untuk perawatan kesehatan, misalnya. Perawatan kesehatan sudah pasti - apakah itu BAA atau berbagai jenis klasifikasi, Anda harus menerjemahkan atau melihat berbagai jenis hal saat Anda menyusun program Anda atau rencana Anda untuk meningkatkan tingkat kematangan manajemen data dalam organisasi Anda.

Apa ini kalau bukan karena beberapa hal itu? Pada dasarnya itu mendefinisikan apa, tetapi tidak memberi tahu Anda secara khusus bagaimana melakukan itu. Menjadi kepribadian yang sangat tipe A dalam sebagian besar karir saya, saya suka ketika orang memberi saya tujuan dan saya bisa mencari cara untuk mencapai tujuan itu dan tidak, katakanlah, mengatur waktu saya secara mikro, bagaimana menuju ke sana. Begitulah kedewasaan manajemen data, dan proses ini dengan CMMI, memberi Anda tujuan dan memberi Anda cara mengukur diri di beberapa bidang yang berbeda ini. Dan mereka akan memberi Anda level. Ada berbagai cara Anda dapat mencetak dan mengukur diri sendiri, apakah itu level satu hingga level lima, yang berarti Anda telah mengoptimalkannya dan Anda memiliki program yang sangat kuat.

Dan hanya untuk memberi Anda perasaan tentang apa yang benar-benar berarti, saya punya sedikit gambaran di sini tentang apa yang mungkin berarti. Jadi di sini, ketika Anda berpikir tentang memiliki siklus hidup prosesor kematangan manajemen data, itu memiliki proses dukungan di tempat, mulai dari persyaratan, manajemen risiko, Anda harus mendukung proses di sana, untuk tata kelola data dan saya baik hati mengesampingkan itu, tetapi pada dasarnya tata kelola data adalah seluruh program dalam dan dari itu sendiri. Memiliki glosarium bisnis, kami telah berbicara tentang glosarium bisnis dan arsitek data selamanya - ini harus menjadi sesuatu yang Anda miliki dalam organisasi Anda. Beberapa jenis teknologi katalog di luar sana, mereka membuat, mengembangkan glosarium bisnis dengan crowdsourcing informasi dan mengambil dan yang lainnya dan, Anda tahu, menempatkan tautan dalam dokumen ke berbagai perspektif data yang sama, dari bidang data, atau versi data yang berubah sepanjang siklus nilai.

Ini adalah jenis hal yang menjadi jauh lebih baik sejak saya memulai karir saya. Kami dulu harus mengembangkan sistem buatan sendiri di masa lalu untuk melakukan hal-hal seperti ini. Jadi kita melihat keseluruhan dan gambaran besarnya, itu adalah strategi dan kemudian semua bagian yang berbeda di sini dari manajemen hingga kualitas dalam pemerintahan. Dan satu hal pada kualitas data, menarik karena industri menjadi lebih otomatis dan kami memiliki, sekali lagi, proses digital ini dengan pengambilan keputusan otomatis. Saya banyak bekerja di ruang sains data di mana kami memiliki beberapa alat ini mengotomatisasi keputusan dan memperbarui model prediksi dengan cepat. Banyak alat dan algoritme ini membutuhkan dan menganggap datanya baik. Perlu data valid untuk memberikan Anda keputusan otomatis yang bagus. Jadi dalam memikirkan, Anda tahu, mungkin kualitas data biasanya merupakan salah satu hal yang disingkirkan orang dan tidak menganggapnya serius. Tetapi begitu Anda mulai mengotomatisasi pengambilan keputusan dalam model untuk pemodelan prediktif dan pembelajaran mesin, kualitas data menjadi sangat penting.

Beberapa cara untuk mengukur kemajuan Anda di sini adalah - dan saya akan membiarkan Ron berbicara mengenai hal ini, dia juga memiliki slide yang indah dalam sesi ini - Saya hanya akan memberi Anda puncak menyelinap cepat, Anda tahu, tingkat yang berbeda ini. Pada dasarnya ini adalah penilaian diri, bukan? Jadi, Anda akan melihat tata kelola data Anda dan apa yang menurut Anda ada di sana. Dan jangan malu jika tidak. Seperti yang saya katakan, hanya ada 33 persen organisasi yang bahkan sudah mulai melakukan hal-hal seperti ini. Meskipun, Anda tahu, jenis-jenis program ini telah berjalan setidaknya - saya telah berkecimpung di industri ini lebih dari 20 tahun dan tentu saja saya melakukan hal-hal semacam ini bertahun-tahun yang lalu, kita mungkin tidak menyebutnya begitu saja. CMMI, mereka memiliki latihan yang dapat Anda nilai sendiri dan Anda bisa lalui dan melihat dan membuat sendiri - dalam hal ini bagan radar ini - memberi peringkat semua sudut atau hal yang berbeda. Dan setiap organisasi, seperti yang saya lakukan berbeda, Anda tahu, ketika saya dulu melakukan konsultasi dan implementasi proyek-proyek ini, Anda tahu, masing-masing organisasi itu unik. Mereka akan menjadi area yang akan sangat, sangat penting bagi mereka. Mungkin, Anda tahu, ini manajemen proses atau manajemen kualitas atau risikonya - tergantung apa itu, tetapi Anda ingin melihat dan membuat tolok ukur atau garis dasar, dan kemudian juga memikirkan apa yang menentukan keberhasilannya.

Mengenai hal itu, ketika Anda berpikir tentang mengukur dan mengatur hal-hal semacam ini, Anda akan ingin mendapatkan beberapa sponsor eksekutif untuk program seperti ini. Ini adalah sesuatu yang akan berfungsi lintas seluruh organisasi, jadi bahkan jika Susie Q dan John Smith, mereka memutuskan, "Yup, mari kita lakukan ini. Kita perlu melakukan ini, " mereka tidak dapat melakukan itu dalam sebuah silo di organisasi mereka, atau bahkan jika itu IT. Anda benar-benar perlu menerima itu dari bisnis dan para ahli materi pelajaran. Mereka perlu punya waktu. Mereka tidak ingin itu hanya menjadi tugas tambahan. Jika Anda pernah bekerja pada - saya pikir saya telah melakukan beberapa tugas manajemen data master, proyek sebelumnya, dan kualitas data - dan biasanya, Anda tahu, Anda sampai ke bisnis dan mereka, "Oh, pengelolaan data." sesuatu yang mereka sukai. Dan mereka seperti, “Oh, tidak. Kita perlu waktu untuk ini, ”dan mereka melakukannya. Jadi, Anda ingin memiliki komitmen waktu. Anda harus memiliki berkat itu dari atas. Anda akan menginginkannya berfungsi lintas fungsi.

Sekali lagi, ini adalah sesuatu yang benar-benar menyentuh banyak bidang organisasi. Dan dengan GDPR, yang seharusnya membuatnya sedikit lebih mudah karena, sekali lagi, undang-undang dari GDPR dan di mana data pribadi digunakan untuk pelanggan Anda dan digunakan di seluruh organisasi Anda, itu akan menjadi sedikit lebih mudah jika Anda menerapkannya, jika Anda memiliki untuk mematuhi GDPR. Berikat lidah di sini. Itu seharusnya lebih mudah untuk Anda lakukan. Anda ingin menetapkan beberapa tanggung jawab dan kemudian melihat, Anda tahu, Anda akan menyesuaikan ini. Jadi, Anda selalu melihat jenis panduan yang disediakan oleh organisasi ini, dan biasanya itulah yang menjadi pedoman mereka: Itu adalah panduan untuk Anda dan Anda akan menerapkannya untuk budaya Anda di organisasi Anda.

Setelah bekerja dalam tata kelola benar-benar penting, salah satu hal yang beberapa produk yang saya kembangkan ketika saya berada di manajemen produk di seluruh dunia di Microsoft adalah BI swalayan dan memungkinkan pengguna bisnis dan pengguna data non-teknis untuk bermain dengan data dan membuat laporan sendiri, dan sering kali IT akan mendorong kembali. Jadi saya telah menghabiskan banyak waktu untuk tata kelola ini dan memastikan bahwa produk akan memiliki fitur yang tepat dan audit dan pencatatan dan, Anda tahu, membuatnya sehingga mereka tidak akan menurunkan basis data sendiri. Tetapi ada kerangka kerja yang, Anda tahu, bekerja selama bertahun-tahun pada topik khusus dari jenis hal yang sangat mirip dengan manajemen data juga. Anda akan ingin memiliki fondasi yang telah didirikan dengan sponsor eksekutif untuk ini, dan Anda akan menginginkan komitmen antara bisnis dan TI.

Jadi, sekali lagi, kami berbicara tentang alokasi anggaran / waktu dan dalam mengembangkan proses baru. Ini akan menjadi perubahan tingkat budaya ketika Anda melakukan beberapa hal ini, Anda tahu, mulai melihat data. Tapi Anda tahu, itu sangat penting dari perspektif strategis, lagi. Dan untuk memberi Anda perasaan, inilah sebuah contoh, dan saya membersihkannya dari salah satu proyek lama saya bertahun-tahun yang lalu pada hal-hal semacam ini. Dan sekali lagi, ini mungkin lebih dari sudut pandang tata kelola umum, tetapi tentu saja dapat digunakan kembali untuk jenis proyek ini dengan mengelola dan mengembangkan proses manajemen data Anda dan mengaturnya. Anda memiliki pakar subjek bisnis, kami memiliki pelayan data di sini, pakar subjek TI, Anda tahu, untuk lini bisnis yang berbeda. Banyak perusahaan yang lebih besar akan memiliki dewan standar perusahaan Anda dan arsitek perusahaan Anda dan arsitek dan pemodel data di sana. Jadi akan ada beberapa ahli materi pelajaran yang berbeda dari tingkat yang berbeda. Dan lagi, banyak dari ini - saya benci memilikinya sebagai contoh - mereka akan disesuaikan dengan organisasi dan budaya Anda.

Salah satu hal ketika Anda bekerja dengan proyek-proyek ini, lagi-lagi sering kali mungkin bukan proyek yang paling menarik dalam organisasi, bukan sebagai visual seperti yang orang inginkan. Itu lucu, itu salah satu dari hal-hal itu, ketika perusahaan konsultan masuk atau bahkan dalam kelompok TI Anda sendiri atau kelompok pusat keunggulan BI Anda datang atau pusat analisis keunggulan Anda masuk dan kami akan mengerjakan data kualitas dan kematangan manajemen data, mereka mungkin tidak terlalu bersemangat untuk melakukannya. Tetapi Anda harus menemukan cara untuk memotivasi mereka, dan memasukkannya ke dalam pengukuran mereka. Jadi ketika Anda berpikir tentang apa yang akan terjadi, itu adalah satu hal untuk melakukan latihan ini satu kali dan Anda membuat orang-orang bergabung. Dan Anda tahu mereka menyukai katalog data atau mereka menyukai beberapa hal ini karena membuat hidup mereka lebih mudah dan mereka dapat menemukan apa artinya data atau memahaminya, dan mereka dapat menambahkan perspektif mereka sendiri ke dalamnya. Dan masalahnya, katalog data mungkin merupakan salah satu proyek terbesar untuk membantu orang benar-benar jatuh cinta dengan ini.

Jadi, hal selanjutnya adalah membuat mereka tetap terlibat. Bagaimana Anda membuat seseorang terlibat sehingga mungkin mereka tidak peduli tentang ini? Ini untuk mendefinisikan beberapa metrik dan memasukkannya, pengukuran mereka dalam dan kemudian memberikan pembelajaran ketika ada pelanggaran dan beberapa kesadaran bahwa, "Hei, kami melakukan hal yang sangat baik untuk sementara waktu dan kemudian tidak begitu baik setelah beberapa saat." adalah jenis hal yang harus dipikirkan untuk mempertahankannya. Dan kemudian ketika Anda berpikir tentang penilaian, dan ini adalah contoh dari CMMI, ini adalah bagaimana mereka memberi skor. Sekali lagi Anda akan memiliki dasbor Anda sendiri, KPI Anda sendiri, Anda tahu, cara orang diukur dalam suatu organisasi. Tetapi Anda akan memiliki berbagai cara untuk menilai dan mengukur kesuksesan Anda sendiri. Poin kunci saya bahwa Anda harus mengambil dari ini, atau kail untuk mengambil dari ini adalah memastikan bahwa Anda memiliki cara untuk mengukur kesuksesan dan bahwa Anda dapat merayakan kesuksesan Anda juga.

Jadi dengan itu, saya menghargai bahwa Anda telah menggantung di sana untuk topik yang menarik ini, dan saya akan beralih ke Ron, itu akan menggali sedikit lebih dalam.

Ron Huizenga: Terima kasih, Jen. Dan terima kasih, semuanya, untuk bergabung dengan kami hari ini. Sekarang saya akan membahas beberapa hal tentang apa yang dibicarakan Jen dan sedikit lebih dalam pada bidang-bidang tertentu. Tetapi apa yang juga akan saya lakukan adalah memberikan semacam ringkasan tentang bagaimana Anda setidaknya dapat memiliki semacam penilaian diri tingkat tinggi dari beberapa bidang ini juga. Karena seperti yang Anda lihat dengan model CMMI dan hal-hal semacam itu, Anda dapat melakukannya dengan sangat cepat dengan banyak indikator berbeda. Jadi apa yang benar-benar ingin kami tuju adalah sesuatu sehingga Anda dapat merasakan dengan baik di mana organisasi Anda berada pada tingkat yang cukup tinggi dan kemudian mulai menggali yang lain. Maka dengan itu saya akan berbicara tentang efektivitas organisasi. Dan saya akan mendasarkannya pada CMMI dan beberapa standar atau badan pengetahuan lain yang muncul dari itu selama bertahun-tahun. Dan kemudian saya akan berbicara tentang beberapa indikator kematangan untuk kematangan data dan kematangan proses karena, saat kita membahas ini, Anda akan melihat bahwa keduanya berjalan seiring. Dan mendukung perspektif, Jen berbicara tentang pemerintahan di satu bidang. Dan saya juga akan sedikit berbicara tentang arsitektur enterprise. Dan kemudian kita akan meringkasnya dan sampai ke meja bundar itu sendiri.

Jika kita melihatnya, ada banyak standar dan BOK - yang tentu saja merupakan kumpulan pengetahuan - yang telah diterbitkan selama bertahun-tahun. Banyak dari ini benar-benar berasal dari kemampuan model jatuh tempo. Dan dari sinilah CMMI yang dibicarakan Jen berasal. Model CMM itu sendiri sebenarnya pada tahun 1998. Itu sebenarnya dimulai oleh seorang pria bernama Watts Humphrey ketika ia berada di dengan IBM. Dia memiliki karir 27 tahun di IBM. Tetapi pengembangan aktifnya yang sebenarnya dari model khusus itu dimulai ketika ia berada di Carnegie Mellon dan itu ditugaskan oleh Departemen Pertahanan AS. Banyak standar lain telah digunakan untuk menurunkan ini. Dan sesuatu yang sangat baik untuk diketahui tentang industri ketika kita berbicara tentang ini dalam beberapa standar lainnya adalah, ketika kita melihat waktu ini, itu juga bertentangan dengan latar belakang hal-hal yang kita lihat dalam industri secara umum. Ini adalah ketika gerakan kualitas benar-benar mulai mengambil kendali, terutama di bidang manufaktur, dan itu berputar ke daerah lain. Di mana kami mencari cara untuk meningkatkan proses manufaktur, melakukan hal-hal seperti manajemen kualitas total, manufaktur tepat waktu dan hal-hal lain. Dan banyak filosofi yang muncul dari itu datang ke seluruh tubuh kualitas kerja.

Dan itu benar-benar semacam tempat melompat dari mana banyak hal ini dimulai. Itu dimulai di industri umum dan membuat jalan ke IT dan data dan proses dan sistem informasi juga. Standar lain yang kita lihat yang lebih dekat hubungannya atau lebih spesifik dengan beberapa hal yang kita bicarakan tentu saja model kematangan data, yang dibicarakan oleh Jen sedikit. Ada juga model kematangan proses bisnis oleh Object Management Group. Dan sejumlah standar lain yang Anda mungkin telah melihat bahwa organisasi Anda mungkin bergulat dengan atau dimanfaatkan untuk berbagai bidang bisnis, terutama yang didorong oleh TI, seperti COBIT, yang mengendalikan tujuan untuk informasi dan teknologi, ITIL, yang umumnya merupakan infrastruktur -berfokus, yang banyak dari Anda mungkin berurusan dengan. Sekali lagi, manajemen kualitas total. Dan terutama ketika Anda masuk ke hal-hal seperti metrik dan yang lainnya, Anda mungkin telah melihat hal-hal seperti kontrol proses statistik juga ikut bermain. Dan tentu saja, beberapa badan pengetahuan yang kami tangani adalah informasi atau profesional TI. Badan pengelola data pengetahuan oleh.

Ada juga, setara dengan itu, badan analisis bisnis pengetahuan. Dan badan manajemen proyek pengetahuan. Anda mungkin memiliki beberapa atau lebih dari hal-hal ini dalam permainan yang digunakan oleh pemangku kepentingan yang berbeda di organisasi Anda secara bersamaan. Tapi mari kita saring melalui BOK dan mari kita kembali dan berkata, apa itu kedewasaan? Dan kami daftar definisi matang karena, ketika Anda bertanya apa itu jatuh tempo, ketika Anda mencarinya di kamus, itu sebenarnya mengatakan "Anda matang." Jadi menggunakan kata "dewasa, " itu benar-benar berarti telah mencapai tingkat lanjut tahap pengembangan - tentu saja, sangat generik. Tetapi apa yang kami benar-benar lihat di sini adalah memajukan apa yang kami lakukan ke tingkat pencapaian yang lebih tinggi dan lebih tinggi saat kami melewati. Dan ketika Anda melihat banyak standar, seperti yang akan Anda lihat, CMMI pada khususnya dan model kematangan kemampuan benar-benar mendasarkan hal-hal pada skala lima poin, sehingga memberikan kita cara bertahap untuk melihat dan berkata, bagaimana kita benar-benar berkembang sepanjang skala ini dalam cara kita tumbuh?

Ketika kita melihat kedewasaan, dalam hal mencapai kematangan organisasi dalam hal-hal yang kita minati, kita harus seimbang. Anda perlu mencapai kematangan data, dan kami akan berbicara tentang beberapa kriteria yang harus Anda lakukan di sana, tetapi Anda harus mencapai kematangan proses pada saat yang sama. Mereka adalah dua sisi dari koin yang sama dan mereka harus berjalan beriringan. Anda tidak dapat beralih dari nol hingga lima pada skala kematangan data tanpa meningkatkan kematangan proses Anda, dan hal yang sama berlaku untuk kematangan proses. Mereka berdua bergabung bersama dan mereka saling menarik dalam perjalanan saat Anda benar-benar berevolusi melalui tahapan yang berbeda. Dan saya akan membicarakannya sedikit lebih banyak di slide masa depan di sini. Hal-hal lain yang harus kita sadari adalah mencapai data dan kematangan proses merupakan hal mendasar bagi arsitektur perusahaan dan mendasar bagi beberapa hal tata kelola yang juga dibicarakan Jen. Kami memungkinkan mereka melalui mencapai kedewasaan dalam beberapa hal yang kami coba lakukan.

Sekarang di slide yang Jen katakan akan saya bicarakan sedikit lebih detail. Saya telah mengambil beberapa kategori dan, menggunakan skala CMM di sini, dan saya benar-benar memiliki saya sendiri, saya benar-benar menambahkan nol dalam hal, di atas skala karena mungkin ada contoh tertentu di mana Anda sebenarnya belum membuat traksi sama sekali dalam hal ini. Jadi ini hanya cara pengakuan yang terjadi. Jadi jika kita melihat tata kelola data khususnya, Anda dapat mulai dari nol karena Anda tidak memiliki program tata kelola data apa pun. Dan ketika Anda mulai matang melalui area yang berbeda, begitu Anda mulai memperkenalkannya di tingkat proyek, kemudian tingkat program, melalui divisi dan akhirnya di seluruh perusahaan, itulah bagaimana, dari perspektif tata kelola, Anda benar-benar matang dan tumbuh sebagai sebuah organisasi saat Anda melakukan ini.

Aspek lain dari itu, seperti manajemen data master, Anda dapat mulai dari nol tanpa klasifikasi data materi formal. Kemudian Anda sampai, Anda tumbuh ke titik di mana Anda mengenali bahwa Anda memiliki data master dan Anda mulai mengklasifikasikan, tetapi itu tidak terintegrasi. Kemudian Anda mulai bekerja menuju repositori yang terintegrasi dan dibagi. Kemudian ketika Anda masuk ke lingkungan standar, saat itulah Anda melihat penyediaan layanan manajemen data. Dan saat Anda melangkah lebih jauh ke sana, Anda akan membangun data master stewards dan akhirnya dewan data stewardship yang benar-benar memperhatikan hal ini setiap saat. Ketika Anda melihat lingkungan teknis Anda dan aplikasi dan database yang Anda miliki dari perspektif integrasi data, sekali lagi, dalam lingkungan yang tidak matang, Anda akan memiliki sejumlah antarmuka ad-hoc, titik-ke-titik dan jenis benda. Dan seiring dengan pertumbuhan Anda, Anda akan mulai memperkenalkan beberapa alat dan standar umum. Kemudian Anda akan mulai melihat platform integrasi umum saat Anda mengembangkannya. Dan ketika Anda menjadi terstandarisasi, Anda akan bekerja pada middleware terstandarisasi dan kemungkinan hal-hal mudah seperti bus layanan perusahaan, model kanonik, mengkategorikan semua data Anda di organisasi Anda, dan juga mengaitkannya dengan hal-hal seperti aturan bisnis di repositori Anda dan sejenisnya hal. Dan kemudian melangkah lebih jauh di mana Anda mendapatkannya sepenuhnya tertanam dalam budaya organisasi. Dan tentu saja, kualitas adalah yang terpenting. Seperti yang dibicarakan Jen, banyak keputusan dan banyak alat di atas sana, asumsikan bahwa Anda memiliki data berkualitas tinggi yang sedang Anda kerjakan. Jadi kualitas data adalah sesuatu yang menjadi dasar mendasar untuk mencapai kematangan data.

Sekali lagi, ketika Anda melihat data, Anda mungkin memiliki banyak silo dan data yang tersebar di lingkungan yang belum matang. Anda mungkin memiliki inkonsistensi yang diterima. Dan kemudian Anda mulai bekerja pada hal itu, mengenali ketidakkonsistenan dan kemudian mulai melihat perencanaan. Dan jika Anda melihat lingkungan yang dikelola di sini, sesuatu yang sangat penting di sini adalah pembersihan data pada konsumsi untuk menggunakan data dalam pengambilan keputusan. Jadi apa yang sebenarnya kita bicarakan adalah pembersihan data, di mana kita akan memuatnya ke dalam gudang data dan alat pendukung keputusan lainnya. Dan ini analog dengan apa yang biasa kita lihat dalam jenis industri pembuatan data di mana orang akan membuat produk, mereka akan turun ke jalur perakitan dan pada akhirnya, Anda akan memeriksa produk dan berkata, “Oh, kami memiliki cacat di sini. ”Sekali lagi, satu hal yang tidak dapat Anda lakukan adalah Anda tidak pernah dapat meningkatkan kualitas produk dengan memeriksanya di akhir. Anda dapat melihat masalah dengan itu dan kemudian Anda dapat mengambil langkah-langkah untuk meningkatkan yang berikutnya dan yang lain yang turun setelah itu, tetapi Anda tidak akan pernah memperbaikinya dengan memeriksanya di akhir. Jadi di sinilah, ketika Anda bergerak maju, terutama dalam data, Anda bergerak lebih dari inspeksi dan sudut pandang pembersihan di tempat konsumsi di mana Anda mulai mencoba membangunnya di sumbernya, langsung dari tempat Anda menangkap data, proses yang bertindak berdasarkan data itu, memastikan bahwa data itu akurat dan layak untuk dikonsumsi di setiap proses di sepanjang jalan. Ketika Anda berevolusi lebih lanjut, Anda mulai mengembangkan dan mendapatkan KPI yang berkualitas dan benar-benar mulai mengembangkan pendekatan pencegahan terhadap kualitas data saat Anda bergerak maju.

Dalam hal perilaku organisasi atau hal-hal yang Anda lihat adalah, jika Anda tidak berpikir Anda memiliki masalah atau Anda tidak menyadarinya, Anda mungkin, jika ada fase penolakan dalam organisasi Anda, yang memberi tahu saya bahwa Anda sedang kesal level nol atau berpotensi bergerak ke level satu. Jika ada banyak kekacauan di sekitar data Anda dan mencoba untuk menyelesaikan ketidakkonsistenan ini, Anda mungkin berada pada level satu. Ketika Anda masih dalam mode reaktif, Anda pindah ke dikelola, tetapi Anda tidak akan mendapatkan standar sampai Anda benar-benar memiliki lingkungan data yang sangat stabil mencakup baik tata kelola, kualitas, manajemen data master dan data integrasi, untuk menyebutkan beberapa poin. Dan lagi, begitu Anda berhasil melewati itu, saat itulah Anda mulai masuk ke gaya manajemen yang sangat proaktif. Jika Anda sampai pada bagian di mana Anda memiliki perilaku yang sangat prediktif dan juga analitik untuk mendukungnya dan KPI untuk mendukungnya di organisasi Anda, ketika kami melihat ini dan melapisi beberapa hal, ada beberapa hal lain yang dapat kami lakukan. lihat tentang organisasi dan di mana mereka berada. Mari kita lihat fokus TI utama dalam suatu organisasi. Jika fokus utama Anda di IT masih pada teknologi dan infrastruktur, Anda mungkin turun ke ujung skala yang kurang matang. Tetapi ketika Anda benar-benar fokus pada pemberdayaan bisnis strategis yang memungkinkan informasi dan informasi, maka Anda semakin mendekati akhir yang matang. Juga ketika Anda melihatnya dari perspektif data, jika Anda berada di ujung bawah, Anda memiliki risiko data yang tinggi, dan jika Anda berada di ujung atas, Anda telah menurunkan risiko yang terkait dengan data. Dan sisi lain dari itu adalah generasi nilai organisasi. Kematangan data yang lebih rendah berarti Anda mungkin memiliki tingkat generasi nilai yang cukup rendah, terutama dalam hal data yang Anda miliki di organisasi Anda. Dan saat Anda naik skala, Anda mendapatkan generasi bernilai tinggi.

Mari kita lihat ini dalam hal pemodelan data itu sendiri. Terkadang pemodelan data telah menjadi anak tiri berkepala merah. Dan pemodelan data sangat penting untuk mencapai kematangan data. Jadi saya hanya ingin berbicara tentang beberapa tanda tanda tentang bagaimana hubungan pemodelan data ke dalam ini. Jika hanya digunakan untuk dokumentasi atau pembuatan basis data fisik sederhana untuk aplikasi kecil dan hal semacam itu, Anda mungkin turun pada level satu dalam hal kematangan data. Ketika Anda mulai merangkul dan mengenali berbagai jenis model, termasuk konseptual, model logis dan pemodelan fisik di mana itu juga, Anda tahu, pada dasarnya Anda sedang menaikkan desain. Anda benar-benar menggunakannya sebagai sudut pandang desain, maka Anda berada di level satu.

Ketika Anda mulai melihatnya dari tingkat perusahaan yang lebih, termasuk membangun perusahaan atau model kanonik, memperkenalkan konsep-konsep dan mengikat dalam berbagai model, aliran data dan membangun metadata tata kelola langsung ke dalam model Anda, Anda mulai mendapatkan tingkat tiga, dan kemudian bergerak lebih jauh ke metadata tata kelola penuh, integrasi glosarium bisnis, dan sebagainya. Melihat siklus hidup dan rantai nilai data adalah saat Anda benar-benar mencapai level empat. Dan lagi, pemodelan terintegrasi penuh dengan glosarium bisnis, metadata, mampu mendorong hal-hal seperti analitik swasembada, saat itulah Anda telah mencapai keadaan yang cukup matang.

Sebagai bagian tak terpisahkan dari itu, saya ingin berbicara tentang siklus hidup data dengan sangat singkat. Dan alasan saya ingin berbicara tentang itu adalah siklus hidup data sayangnya cukup sering diabaikan. Dan tentang apa, itu benar-benar menggambarkan bagaimana elemen data dibuat, dibaca, diperbarui atau dihapus, dan proses yang menindaklanjutinya di seluruh organisasi Anda. Jadi kita yang sudah lama berkecimpung di industri ini menyebut ini sebagai CRUD karena itu adalah buat, baca, perbarui, dan hapus. Tetapi kita perlu memahami ini pada tingkat dasar ketika kita berurusan dengan data di organisasi kita. Banyak faktor yang ikut berperan. Apa aturan bisnis yang menindaklanjutinya? Apa proses bisnis yang mengonsumsi, memproduksi, atau mengubah data? Apa saja aplikasi yang benar-benar menerapkan proses bisnis tersebut untuk memungkinkan Anda melakukan itu? Semua itu berperan dalam hal siklus hidup data.

Dan lagi, Jen menyinggung ini sebelumnya - mungkin tidak perlu ada satu sumber kebenaran. Dan mungkin ada beberapa cara elemen data tertentu dibuat. Dan Anda mungkin benar-benar harus datang, hal-hal yang berbeda datang melalui beberapa sistem atau intake ganda yang Anda harus rekonsiliasi dan memutuskan untuk datang dengan apa sumber data yang tepat untuk keputusan khusus pada saat itu. Mungkin ada beberapa varian data untuk tujuan yang berbeda dalam suatu organisasi. Untuk dapat mencapai ini, Anda harus dapat memodelkan proses bisnis, garis keturunan data yang mencakup aliran data, integrasi dan itu termasuk hal-hal seperti ETL, jadi ekstrak, ubah, dan muat untuk gudang data Anda, data mart dan area pementasan dan tentu saja tautan data di sisi data besar juga ikut berperan. Saat Anda mengeluarkan informasi ini dari danau data, Anda perlu tahu bagaimana Anda mengkonsumsinya dan bagaimana Anda menggunakannya. Dalam hal siklus hidup itu sendiri, itu benar-benar bagaimana kita membuat atau mengumpulkan data baru, bagaimana kita mengklasifikasikannya - karena Anda harus mengklasifikasikannya untuk memahami dan bekerja dengannya secara efektif - bagaimana Anda menyimpannya, bagaimana Anda menyimpannya Sedang menggunakannya, bagaimana Anda mengubahnya ke proses bisnis itu, di mana itu dibagikan dalam organisasi - dan sangat penting: retensi dan arsip. Berapa lama Anda menyimpan data? Kapan Anda mengarsipkannya? Kapan akhirnya Anda menghancurkan data itu? Semua hal itu harus dipertimbangkan dalam siklus hidup data Anda dan Anda harus melakukan semua ini untuk mencapai tingkat kematangan data yang tinggi dalam organisasi Anda.

Sekarang sisi lain, sekali lagi, saya katakan mereka seperti kembar di mana Anda perlu berbicara tentang kematangan proses dalam hubungannya dengan kematangan data - mereka berjalan seiring. Sekali lagi, saya punya beberapa hal berbeda di sini dan - jangan khawatir saya tidak akan membaca semua ini, tetapi cukup periksa saja - sekali lagi Anda dapat mulai menilai sendiri di mana organisasi Anda berada dalam hal proses jatuh tempo. Mari kita lihat kembali hal-hal dari awal hingga halaman yang dioptimalkan. Sekali lagi, kami menggunakan skala lima poin yang sama yang diturunkan dari model kematangan kemampuan. Jika Anda melihat hal-hal seperti fokus, jika Anda berada di tingkat yang lebih rendah atau tingkat kematangan proses awal, Anda mungkin menemukan di organisasi Anda bahwa orang-orang benar-benar mengandalkan metode mereka sendiri untuk menyelesaikan pekerjaan mereka. Dan Anda mungkin melihat beberapa heroik dan hal semacam itu untuk dapat menyelesaikan sesuatu. Kemudian Anda mulai sampai pada titik di mana Anda lebih proaktif tentang hal itu, di mana manajemen Anda bertanggung jawab atas unit kerja dan kinerja. Kemudian Anda mulai mengembangkan proses terintegrasi standar. Kemudian proses stabilitas dan penggunaan kembali. Kemudian Anda mulai melihat lebih banyak budaya mentoring dan manajemen statistik untuk menghitung metrik dan KPI mengenai proses-proses tersebut dan akhirnya ke tingkat optimalisasi penuh.

Ketika Anda melihat manajemen kerja, Anda mungkin akan melakukannya, Anda akan beralih dari area di mana Anda memiliki level manajemen kerja yang tidak konsisten menjadi lebih terkelola, di mana Anda menyeimbangkan setidaknya pada level yang lebih tinggi komitmen Anda terhadap sumber daya. Kemudian ke titik di mana Anda memiliki organisasi yang lebih mudah beradaptasi atau gesit sehingga Anda dapat membuat standar proses Anda tetapi menyesuaikannya untuk yang terbaik digunakan dalam berbagai keadaan di organisasi Anda. Dan ketika Anda maju, di situlah pemberdayaan sangat penting, dan itu berarti apa yang secara intuitif dipahami oleh semua orang tentang apa yang terjadi dan staf memiliki data proses, sehingga mereka dapat mengevaluasi dan mengelola pekerjaan mereka sendiri.

Sekali lagi, kembali ke analogi manufaktur - ketika kami melihat itu, ketika kami mulai memodernisasi jalur perakitan kami dan segala sesuatu seperti itu di industri, kami mulai berbicara tentang kualitas total dan pemberdayaan pekerja bahkan di jalur perakitan, di mana jika seseorang melihat sesuatu yang salah dalam tahap produksi tertentu, orang-orang diberdayakan bahwa mereka dapat menekan tombol merah besar dan mematikan seluruh jalur perakitan sampai masalah diselesaikan sebelum semuanya berjalan lebih jauh. Dan jenis mentalitas dan jenis budaya itulah yang kami cari di sekitar data dalam proses kami untuk memastikan bahwa kami benar-benar mengoptimalkan data kami dan proses kami di organisasi kami.

Indikator lain dari budaya Anda - apakah budaya Anda stagnan dalam hal tidak ada dasar yang dapat diidentifikasi untuk komitmen nyata dalam perbaikan dalam proses bisnis Anda? Apakah ada pelimpahan tanggung jawab, yang kita lihat semakin jauh? Dan ketika Anda bergerak lebih jauh, Anda mungkin masih memiliki silo, tetapi ketika Anda mulai bergerak maju dalam hal budaya dan hal-hal yang Anda lakukan dalam proses bisnis Anda, Anda juga menghancurkan berbagai silo bisnis yang berbeda dan meningkatkannya proses di seluruh organisasi Anda. Sangat penting bahwa, saat Anda sampai pada tahap acara, apa yang benar-benar Anda dasari adalah, alih-alih merasa, Anda sebenarnya mengumpulkan metrik berkualitas, dan Anda memiliki metrik untuk memprediksi kemampuan Anda dalam kinerja bisnis Anda operasi, dan itu sangat penting.

Dalam hal arsitektur, mari kita bicara tentang itu karena banyak dari kita di sini di IT atau selalu melihat IT. Sekali lagi, jenis hal yang sama yang kita lihat dalam data. Kami memiliki sistem TI yang putus asa jika Anda benar-benar turun pada tahap awal kematangan proses. Setelah Anda mulai mengelola proses Anda, Anda akan melihat beberapa layanan diatur di mana Anda benar-benar mengadopsi lebih banyak pendekatan berbasis layanan. Kemudian jika Anda menjadi terstandarisasi, Anda akan melihat lebih banyak adopsi layanan lengkap dalam hal data dan layanan dan layanan proses dan hal semacam itu, sampai ke tempat Anda mendapatkan layanan penuh atau arsitektur baru. Dan akhirnya ke perusahaan yang digerakkan oleh proses penuh yang memanfaatkan data Anda.

Sekali lagi, jenis skala yang sama ketika kita melihat ini. Dalam hal produktivitas, pada tingkat kematangan proses yang rendah, Anda akan melihat tingkat produktivitas yang rendah dan kematangan proses yang tinggi, Anda akan melihat produktivitas yang jauh lebih tinggi. Dan kualitas berjalan seiring dengan itu juga. Sama seperti dengan data - jika Anda berada pada tingkat kematangan yang rendah, Anda akan melihat tingkat risiko yang tinggi dan juga tingkat limbah yang tinggi. Tetapi semakin tinggi tingkat kematangan Anda, Anda akan menurunkannya dan menurunkan risiko Anda dan mengurangi pemborosan secara signifikan. Dalam hal beberapa hal yang mungkin Anda lihat sebagai semacam gejala atau indikator dalam suatu organisasi, jika filosofi utama didasarkan pada pemotongan biaya, Anda mungkin turun pada tingkat kematangan proses yang rendah. Ini kemudian akan lulus dan bergerak ke arah melihat efisiensi lebih dekat di organisasi Anda dan kemudian ketika Anda mencapai tingkat yang sangat matang, Anda akan fokus pada penciptaan nilai lagi.

Dari perspektif manajemen organisasi, jika kekacauan berkuasa, itu biasanya merupakan gejala dari, sekali lagi, organisasi dengan kematangan proses rendah. Tetapi Anda mulai fokus pada apa yang saya sebut lebih dari mentalitas manajemen di mana - dan mungkin ada manajemen dengan keputusan, atau memaksakan hal-hal - di mana Anda benar-benar kemudian, ketika Anda sampai ke tingkat yang lebih matang, manajemen Anda menerjemahkan ke lebih banyak kepemimpinan. Dengan kata lain, filosofi perbaikan tertanam dalam budaya dan dari CEO ke bawah, mereka mempromosikan filosofi keseluruhan dari proses peningkatan dan perbaikan berkelanjutan yang berkesinambungan dalam organisasi Anda secara keseluruhan.

Dalam hal model proses - dan saya akan membahas hal-hal ini dengan cukup cepat di sini - sekali lagi mari kita lihat model proses saat mereka mengikat ke dalam kematangan proses itu sendiri. Sekali lagi, sangat mirip dengan hal-hal yang kami lihat pada kematangan data, di mana pada level rendah atau level satu, Anda mungkin hanya mendokumentasikan proses atau proses keadaan saat ini, tetapi Anda benar-benar tidak menggunakannya untuk mendorong hal-hal ke depan. Ketika Anda mulai dewasa, Anda akan menggunakan pemodelan proses bisnis untuk meningkatkan manajemen proses bisnis aktual dalam organisasi, kemudian berkembang lebih jauh lagi di mana Anda menggunakannya dan terus memperbarui model-model tersebut untuk mendorong peningkatan proses ke tempat Anda akhirnya mulai proses desain. Dan kemudian ketika Anda menjadi dewasa penuh, atau, Anda tahu, apa yang biasanya Anda lihat di lean atau organisasi yang telah mengadopsi program-program berkualitas tinggi, seperti Sigma, itu lagi di mana Anda memiliki mentalitas peningkatan berkelanjutan dan itu sudah tertanam dalam pemodelan organisasi MU. Jadi sama seperti kami menggunakan cetak biru teknik untuk membangun produk, apakah itu pesawat terbang atau gedung dan gedung pencakar langit dan hal-hal semacam itu, kami mengandalkan model kami untuk benar-benar memajukan bisnis kami, karena itulah elemen desain yang benar-benar mendorong elemen organisasi kami maju .

Sekarang, sekali lagi, saya tidak akan membahas ini dan setiap kata di sini secara rinci. Apa yang saya lakukan adalah saya telah mengambil dua slide grid yang lebih sederhana dan saya telah mengambil sejumlah kata yang digunakan dalam beberapa deskriptor lainnya untuk kematangan data dan kematangan proses. Jadi ketika Anda melihat ini setelah fakta, Anda dapat mulai berpikir tentang beberapa kata yang Anda lihat keluar dalam budaya internal Anda sendiri dalam hal hal-hal yang dikatakan. Dan itu akan membantu Anda untuk mulai mengklasifikasikan di mana, sebagai organisasi secara keseluruhan, kami mulai menyesuaikan diri dengan skala kematangan ini secara keseluruhan. Jadi, jika Anda melihat hal-hal seperti ketidakkonsistenan atau stagnan atau ketidakefisienan muncul cukup sering atau kekacauan, Anda biasanya akan berada di ujung bawah skala. Ketika Anda mulai memikirkan hal-hal seperti perbaikan terus-menerus, penyelarasan strategis, pendekatan pencegahan terhadap cacat dan kualitas dan hal semacam itu, integrasi penuh dan Anda berbicara tentang praktik terbaik dalam keunggulan kompetitif, saat itulah Anda akan melihat diri Anda sendiri di pengoptimal, ujung skala yang lebih tinggi.

Sekali lagi, sesuatu yang ingin saya tunjukkan juga bahwa ketika Anda mulai melihat tata kelola data, khususnya ketika Anda melihat bagian bawah skala, adalah pada tahap awal, tata kelola data dapat diperkenalkan hanya pada tingkat proyek individu. Anda perlu berevolusi ke titik di mana tata kelola data dan tujuan khusus berasal dari tata kelola data proyek dan telah berevolusi melalui tata kelola data program dan divisi, di mana lagi perusahaan itu luas dan tertanam dalam organisasi secara keseluruhan.

Saya sudah bicara tentang fakta bahwa sebenarnya ini adalah kembar yang bekerja bersama dalam hal kematangan data dan kematangan proses. Dalam mencapai kedewasaan itu, di kedua sisi skala adalah perjalanan dan Anda tidak bisa melompat langkah. Jika Anda berada di nol, Anda harus berevolusi melalui tahap satu, dua, tiga, empat dan akhirnya mencapai lima. Dan ada sangat sedikit organisasi di dunia yang benar-benar di lima. Jadi banyak organisasi akan lebih dari senang berada di titik di mana mereka berada di tiga dan kemudian dapat menggunakannya sebagai batu loncatan ke depan. Dan lagi, Anda tidak bisa pergi, Anda tidak bisa berada di empat dari jatuh tempo data dan satu di jatuh tempo proses. Itu hanya tidak bekerja karena mereka sangat terkait sehingga Anda harus memahami dan memiliki pegangan yang baik pada data dan proses Anda dalam hubungannya dengan satu sama lain.

Analogi yang baik untuk memikirkan hal ini adalah, dalam perjalanan Anda menuju kematangan yang terorganisir, mari kita asumsikan tim Anda terdiri dari dua orang: Satu adalah kematangan proses dan yang lainnya adalah kematangan data. Anda menjalankan rintangan dan Anda diikat dengan tali pendek. Dan untuk mencapai akhir dari kursus itu, itu berarti bahwa Anda berdua harus melewati, tidak hanya semua hambatan, tetapi Anda harus melewati semua rintangan hampir pada waktu yang sama atau sangat dekat satu sama lain untuk menjadi mampu bergerak dan sampai ke rintangan berikutnya. Itu cara yang sangat bagus untuk berpikir tentang menyeimbangkan kematangan proses dan kematangan data. Jadi dengan kata lain, Anda bisa agak proses-sentris dan Anda bisa agak data-sentris, tetapi itu akan menjadi indikator utama, dan tidak ada banyak celah untuk benar-benar membawa Anda naik melalui level.

Dan kemudian ketika kita melihatnya lagi dari tata kelola data, salah satu hal yang ingin saya tunjukkan jika Anda tidak menyadarinya, adalah DAMA sebenarnya merilis Badan Manajemen Data Pengetahuan Volume Dua awal tahun ini, dan hal-hal yang berubah ada roda DAMA yang sebenarnya. Dan saya benar-benar mewakilinya sedikit berbeda, di mana tata kelola data berada di pusat dan sepuluh kategori berbeda di sekitar roda yang berbeda. Sesuatu yang sangat penting untuk dilihat di sini adalah pemodelan data dan desain sebenarnya memiliki area sendiri pada roda sekarang - itu jenis dicampur ke yang lain, sebelumnya. Salah satu hal yang merupakan poin yang sangat mendasar di sini adalah pemodelan data pada khususnya adalah fundamental untuk semua aspek lainnya karena, apakah kita melakukan pemodelan data dari database kita atau metadata yang kita hadapi, pemodelan data memiliki peran untuk bermain di semua bagian lain yang sedang kita bicarakan. Dan pemodelan proses juga memiliki peran untuk dimainkan dalam banyak hal ini karena, selain memahami data itu sendiri, kita perlu memahami bagaimana data itu digunakan dan itulah bagaimana pemodelan proses benar-benar membantu kita untuk melakukan itu.

Sekarang mari kita mengubah persneling sedikit dan berbicara tentang arsitektur enterprise. Dan model juga penting untuk arsitektur enterprise. Dan saya mendasarkan ini pada contoh dan ini adalah kerangka kerja Zachman yang saya tunjukkan di sini dengan sangat cepat. Dan ketika Anda melihat ini, Anda melihat beberapa hal di sini. Anda melihat apa, bagaimana, di mana, siapa, kapan dan mengapa adalah jenis skala di atas. Dan kemudian Anda pergi melalui tingkat elaborasi yang lebih rinci, jika Anda mau, dalam hal jenis pemodelan atau jenis hal yang Anda uraikan dalam hal arsitektur perusahaan dari tingkat kontekstual yang sangat tinggi hingga ke tingkat terperinci, termasuk implementasi fisik. Jika Anda melihat kolom pertama, apa yang sangat data intensif dan data yang terlibat. Bagaimana prosesnya sangat didorong. Dan jika Anda melihat aspek-aspek lainnya, Anda akan menggunakan kombinasi proses dan pemodelan data dalam hal mendorong sisa informasi. Anda akan memiliki data tentang semua hal yang berbeda ini dan model proses Anda juga akan mengikat semuanya, seperti di mana hal-hal terjadi, tanggung jawab. Dan juga dalam hal pemodelan proses yang kami lakukan dengan baik di alat kami, Anda dapat mulai mengikat ini ke dalam tujuan dan hubungan dan aturan bisnis juga yang mendorong hal-hal berbeda yang Anda lakukan.

Dari perspektif keseluruhan kerangka kerja Zachman, salah satu cara yang baik untuk memikirkan hal ini juga adalah Anda didorong oleh model dan Anda benar-benar melewati berbagai tingkatan. Jadi Anda mulai dengan lingkup tingkat tinggi dan kontekstual. Anda kemudian berevolusi menuju model bisnis, turun ke model sistem, lalu model teknologi, dan kemudian representasi Anda yang sangat terperinci dari model teknis juga. Dan lagi, data mewakili apa, proses adalah bagaimana dan itu benar-benar kombinasi dari data dan proses yang berinteraksi yang mendorong semua karakteristik lain di sini.

Berdasarkan hal itu, bukan kebetulan bahwa cara kita memandang ide arsitektur enterprise sedikit berbeda dari yang lain. Cukup sering, Anda akan mendengar tentang empat pilar arsitektur perusahaan adalah data, akuisisi, arsitektur bisnis dan teknis. Kami melihatnya sedikit berbeda dari itu. Kami melihat arsitektur data sebagai fondasi dasar yang menggerakkan semua arsitektur perusahaan karena dua alasan. Satu, di situlah itu dimulai. Bahkan hal-hal seperti kerangka kerja Zachman tumbuh dari arsitektur data terutama, dan kemudian tumbuh untuk merangkul aspek arsitektur lainnya juga. Dan dua, karena ikatan mendasar antara proses dan data. Itu sebabnya kami melihat arsitektur bisnis sebagai pilar utama arsitektur perusahaan. Dan tentu saja, itu dipuji oleh arsitektur aplikasi dan arsitektur teknis, yang merupakan enabler kebutuhan mutlak, untuk memungkinkan kita mendorong pemberdayaan perusahaan yang sebenarnya. Sekarang, ketika kita melihatnya dalam hal ER Studio Enterprise Team Edition, platform pemodelan terintegrasi kami, beginilah caranya. Dan ini adalah diagram konteks tingkat tinggi dari beberapa pemodelan yang kita lakukan dan beberapa dasar di baliknya. Dan ini sebenarnya didorong, ini sebenarnya digambarkan dalam diagram proses. Jadi ketika kita melihat bagian arsitektur data kami secara khusus dan arsitektur bisnis kami di bawah, kami menyediakan alat berbasis peran.

Dan ketika Anda melihat alat arsitek bisnis kami di sudut kiri bawah, di situlah biasanya analis bisnis dan arsitek bisnis bekerja. Dan mereka biasanya berfokus pada beberapa proses bisnis dan mulai mengusirnya. Tapi mereka juga fokus pada apa. Jadi kita mulai melakukan pemodelan data konseptual dan hal semacam itu. Kita dapat meningkatkan dan membawa komponen-komponen pemodelan konseptual ke dalam alat pemodelan data kita dan ke arsitek data, di mana mereka lebih lanjut diuraikan menjadi model data logis dan, tentu saja, pada akhirnya model fisik sehingga kita dapat menghasilkan database fisik. Dan kita juga dapat mendorong kembali sehingga model konseptual ditingkatkan di ruang arsitektur bisnis juga. Yang sangat penting di sini adalah kami mendukung berbagai jenis pemodelan. Jadi, sekali lagi, BI sangat penting dan data danau dan hal-hal semacam itu, jadi kami benar-benar melakukan beberapa pemodelan juga dan sebagai bagian dari itu, kami melakukan pemodelan garis keturunan data. Jadi tidak hanya ETL dalam hal bagaimana Anda melakukan pemetaan dari model fisik Anda ke model dimensi Anda untuk gudang data atau bahkan membawa hal-hal dari danau data Anda dan melihat bagaimana mereka memetakan, kita dapat mengikat semua hal itu bersama-sama. Serta meneruskan reverse engineering dari platform pemodelan lain, dari platform big data.

Dan kemudian juga hal-hal seperti alat ETL, sehingga kita benar-benar dapat mulai membuat diagram garis silsilah data langsung dari spesifikasi ETL yang mungkin Anda miliki di lingkungan Anda sendiri. Ini juga sangat penting untuk mengetahui bahwa kami harus memperluas melampaui pemodelan relasional. Kami memiliki platform tertentu seperti Hive dan khususnya MongoDB, kami sekarang mulai berbicara tentang penyimpanan dokumen, di mana kami memiliki konsep seperti objek dan array yang disematkan. Kami sebenarnya telah memperluas notasi untuk dapat mengakomodasi jenis-jenis model juga karena itu adalah konsep non-relasional. Apa pun yang kami buat di alat arsitek data dalam artefak data, apakah itu entitas logis atau tabel fisik dan atributnya, kemudian dapat didorong kembali ke pemodelan pemrosesan bisnis juga. Jadi saat Anda mengelaborasi model proses bisnis Anda dari tingkat tinggi dan turun ke tingkat yang lebih rendah, Anda sebenarnya dapat menautkan elemen data aktual. Jadi Anda bisa bertindak, kita bisa menentukan matriks CRUD dari apa yang sebenarnya terjadi. Jadi itu memberi Anda siklus hidup data yang saya bicarakan dengan membuat, membaca, memperbarui, dan menghapus pada tingkat proses. Dan kami melakukan pemodelan proses BPM penuh di sana dengan set overlay kami sendiri, sehingga Anda dapat mulai mengikat strategi bisnis, tujuan bisnis. Selain itu, kami juga dapat mengikat aplikasi yang menerapkan proses bisnis ini, semua dari sudut pandang model-driven.

Hal lain yang sangat penting adalah dalam model data kami juga. Karakteristik tata kelola data atau karakteristik kualitas data yang dikuasai dan manajemen. Anda dapat mendefinisikan dan membangun metadata Anda sendiri di sana untuk karakteristik yang ingin Anda lacak, dan itu berarti Anda sekarang menggunakan model Anda sebagai cetak biru untuk mendorongnya melalui seluruh organisasi Anda, ke dalam repositori metadata Anda dan yang lainnya. Dan tentu saja, salah satu batasan pemodelan, bertahun-tahun yang lalu ketika banyak dari kita mulai di industri melakukan ini, adalah kita akan menghasilkan model ini. Apa yang akan kita lakukan? Kami mencetaknya, kami meletakkannya di dinding, mungkin untuk anggota tim untuk berbagi dan hal-hal semacam itu. Nilai sebenarnya dari ini adalah dapat berbagi dan berkolaborasi dalam organisasi kami. Jadi itu sebabnya kami memiliki pendekatan yang didorong oleh repositori untuk tempat kami check in dan memeriksa model dan ruang kerja kami. Dan kami membaginya dengan konstituen kami yang merupakan organisasi, apakah mereka pemangku kepentingan teknis lainnya, pengguna bisnis dan hal semacam itu. Dan juga mengikat itu ke dalam platform kolaborasi kami yang disebut Tim Server.

Jadi kami berbicara tentang glosarium bisnis sebelumnya dan persyaratan serta pentingnya itu dan mengembangkan kosakata itu untuk bisnis. Itu semua ada di Team Server, di mana pengguna, pengguna bisnis dapat berkolaborasi dalam persyaratan tersebut. Mereka terlihat, dapat digunakan dalam arsitek data, misalnya, dekat model data dan tentu saja banyak glosarium bisnis ini sering berasal dari beberapa kamus data yang kami buat dalam model data kami. Kita dapat mendorong mereka untuk- Juga dari alat arsitek data, titik awal adalah glosarium bisnis, di mana mereka dapat disempurnakan lebih lanjut, dan semua dengan manajemen perubahan di sekitarnya juga.

Itu banyak. Sebagai rangkuman, beberapa hal yang kita bicarakan adalah mencoba kematangan organisasi yang sebenarnya, Anda memerlukan pendekatan seimbang yang terdiri dari kematangan data dan kematangan proses. Anda tidak dapat mencapai satu tanpa yang lain. Sekali lagi, mendasar, Anda harus memiliki keduanya dan harus mengandalkan ini, khususnya, pemodelan data dan pemodelan proses untuk arsitektur perusahaan dan tata kelola data dan tata kelola proses juga di organisasi Anda. Arsitektur perusahaan benar-benar mengikatnya bersama dalam hal melihat berbagai aspek dan perspektif yang berbeda ini. Anda memerlukan fondasi arsitektur data yang solid untuk melakukan itu dan Anda memerlukan pemodelan proses integratif untuk menyediakan konteks bisnis itu dan memungkinkan Anda untuk mengarahkan proses bisnis Anda dan konsumsi data Anda ke depan. Sekali lagi, lebih penting daripada sebelumnya. Bisa saya katakan, apa yang lama itu baru lagi. Jadi pemodelan data, pemodelan proses, garis keturunan, metadata, dan glosarium sangat penting untuk dapat mencapai hal ini dan ER / Studio Enterprise Team Edition adalah platform kolaboratif yang menyatukan semua ini.

Dan dengan itu, kita bisa beralih ke pertanyaan.

Eric Kavanagh: Baiklah.

Ron Huizenga: Kami akan mendatangi Anda, Eric.

Eric Kavanagh: Ron, saya harus memberi tahu saya atas semua upaya yang Anda lakukan untuk mendokumentasikan berbagai proses dan kerangka kerja ini. Itu banyak bahan yang Anda punya di sana. Saya kira pertanyaan besar yang saya miliki adalah siapa yang seharusnya mengawasi hal ini dalam suatu organisasi, karena Anda menyentuh banyak hal yang berbeda. Anda pikir proses, itu akan menjadi kepala operasi atau orang operasi. Daur hidup data, Anda pikir mungkin itu akan menjadi kepala data. Anda menyentuh begitu banyak bagian yang berbeda dan begitu banyak komponen yang berbeda untuk bisnis. Bagaimana Anda menemukan orang atau kelompok orang yang tepat, dan apakah itu komite pengarah? Apa itu? Apa yang bisa Anda ceritakan kepada kami tentang siapa yang harus melakukan ini di suatu organisasi?

Ron Huizenga: Anda tahu, itu pertanyaan yang menarik. Kita benar-benar dapat menghabiskan satu hari untuk mendiskusikan manfaat dari berbagai pendekatan di sana. Tapi sesuatu yang pasti saya lihat, Anda tahu, ketika saya berkonsultasi sebelum saya masuk ke peran manajemen produk, adalah ketika saya melihat organisasi, yang menjadi bagian dari masalah adalah mendapatkan kepemilikan dan membuat orang mengambil kepemilikan ini. Dan ketika kita melihat disiplin ilmu seperti pemodelan data kita dan bahkan pemodelan proses bisnis kita, atau bahkan di masa-masa awal, diagram aliran data dan hal-hal semacam itu, jenis itu tumbuh dari TI. Tetapi ketika kita telah bergerak maju, dan saya pikir sekarang kita semakin menyadari bahwa ini benar-benar harus didorong oleh bisnis. Jadi, Anda benar-benar ingin kepemilikan ini ada dalam bisnis.

Dan saya akan menyinggung beberapa orang IT di sini, tetapi saya yakin bahwa alasan mengapa kita telah melihat evolusi peran petugas data utama adalah peran CIO telah gagal dalam hal ini di sebagian besar organisasi. Dan itu karena banyak CIO secara teknis lebih fokus daripada data dan proses. Jadi saya pikir Anda benar-benar perlu memiliki itu, Anda mungkin akan memerlukan beberapa jenis komite pengarah di organisasi yang lebih besar. Tetapi ini benar-benar perlu dimiliki oleh bisnis. Saya akan membuat argumen bahwa bisnis Anda, pemodelan proses Anda, pemodelan data Anda, semua harus termasuk dalam bisnis, karena itu memberi Anda kemampuan untuk memastikan bahwa TI, yang merupakan penjaga data dan mengimplementasikan proses-proses tersebut melalui apa yang mereka Sedang dibuat, Anda memiliki palu itu untuk memastikan bahwa itu terjadi jika itu benar-benar dimiliki oleh bisnis.

Eric Kavanagh: Ya, saya pikir saya akan setuju dengan itu. Tapi Jen, apa pendapatmu tentang itu?

Jen Underwood: Jadi ini sangat menarik. Itulah yang saya singgung ketika saya mengatakan membuat orang peduli dan bersikap interaktif mungkin adalah salah satu hal kunci. Pada satu titik, saya telah menulis buku putih tentang, itu adalah tata kelola BI swalayan yang sangat mirip dengan ini. Ini masalah mendapatkan itu, menemukan cara untuk memotivasi orang, sisi nilai bisnis itu, untuk membuat mereka peduli. Dan kemudian ketika mereka melihat, atau mereka menemukan, apakah itu katalog data atau sudut apa pun yang diperlukan. Mungkin itu mengurangi biaya pengiriman, meletakkan sesuatu yang seseorang pertanggungjawabkan dalam organisasi, itulah cara Anda dapat membuatnya peduli. Dan ya, bisnis itu mutlak. Para ahli materi pelajaran bisnis akan membuat atau menghancurkannya.

Eric Kavanagh: Itu sulit. Saya pikir Anda selalu ingin memiliki konsorsium pemangku kepentingan ini dari seluruh organisasi. Tentu saja, Anda tidak ingin kelumpuhan analisis. Anda tidak ingin birokrasi demi birokrasi. Yang Anda inginkan adalah agar organisasi memiliki rencana aksi dan mendokumentasikan semua hal ini. Anda tahu, saya pikir ketika Anda mulai berbicara tentang pemodelan proses bisnis, itu panas 25 tahun yang lalu, tetapi sebagian besar terlepas dari bisnis yang sebenarnya. Saya pikir setidaknya di beberapa industri, Anda dapat menarik banyak proses dari perangkat lunak aktual yang menjalankan banyak hal. Tapi saya pikir, hari ini, kita harus menemukan cara untuk menyeimbangkan kedua dunia itu, kan, Ron? Anda ingin memiliki model proses yang terkini dan terkini serta mencerminkan apa yang sebenarnya terjadi. Jadi Anda tidak ingin memilikinya hanya menjadi latihan terpisah di mana itu, itu duduk di rak di suatu tempat. Tapi itu, agak sulit, kan? Karena tidak semua sistem operasional selaras dengan kode yang dapat dieksekusi semacam itu. Tapi bagaimana menurutmu?

Ron Huizenga: Tentu saja. Dan itu menarik karena salah satu hal yang saya lihat adalah ketika orang, Anda tahu, kita telah menjadi masyarakat kepuasan instan. Orang-orang berpikir, "Oh, kami hanya akan pergi dan membeli beberapa alat dan membuat ini bekerja untuk kami." Ini seperti, Anda tidak akan membeli proses jatuh tempo. Anda tidak akan membeli data jatuh tempo. Ini kerja keras. Anda harus menyingsingkan lengan baju dan Anda harus mewujudkannya. Dan mekanisme untuk mewujudkannya adalah pemodelan. Terlalu rumit untuk tidak memiliki representasi visual, tidak hanya keadaan saat ini yang sedang Anda kerjakan, tetapi untuk dapat merancang bagaimana Anda akan meningkatkan berbagai proses bisnis yang berbeda. Anda membutuhkan kerangka kerja visual untuk dapat memahami dampak apa yang akan dihasilkan oleh perubahan tersebut.

Eric Kavanagh: Itu benar-benar - Saya hanya tweeting; Saya mentweet ini sekarang - "Anda tidak akan membeli kematangan proses, Anda tidak akan membeli kematangan data." Saya hanya bisa sepenuhnya setuju dengan kedua hal itu. Dan Jen, aku akan membawamu untuk pemikiranmu. Dan saya akan mengajukan pertanyaan lain di atas itu. Salah satu peserta bertanya: apa yang dimaksud dengan perusahaan yang digerakkan oleh proses atau kematangan proses? Jen, bisakah kamu berbicara seperti itu?

Jen Underwood: Saya sebenarnya bisa berbicara sedikit lebih baik untuk pertanyaan sebelumnya. Ketika saya berpikir tentang, sejujurnya, itu yang pertama, Anda tahu, membeli alat. Itu komentar yang sangat bagus karena itu benar. Tapi apa yang akan saya katakan jauh lebih baik. Jadi saya meninjau banyak solusi dan saya melihat ruang yang berbeda dan mengujinya. Yang menjadi lebih baik adalah menemukan data, memberi tag, dan setidaknya memberi Anda permulaan yang besar dan juga membuat ini, ketika saya katakan kurang menyakitkan, itu hampir menyenangkan. Jadi bayangkan katalog data atau proyek MDM menjadi menyenangkan. Ya, dan Anda memiliki orang-orang di sebuah organisasi yang menggunakan data ini, apakah itu melaporkan atau jenis hal lainnya dan saya pikir seseorang bahkan di telepon mengatakan, hei membuat orang yang peduli dengan rencana pengembangan individu mereka. Ya bahkan naik satu tingkat lagi. Ini mengambil hal-hal ini dan mengatakan sekarang kami telah mengurangi pengiriman salah saji 30 persen dan ini adalah berapa banyak uang yang dihemat. Itu hanya mengelola data kita dengan lebih baik. Ini adalah hal-hal semacam itu dan Anda memasukkan uang ke dalamnya dan menjadikannya menyenangkan. Atau Anda membuatnya menarik dan relevan dengan apa yang mereka lakukan. Itu semacam keajaiban, saya pikir, yang hilang dalam banyak keterlibatan ini bahwa orang-orang mencoba melakukan ini dalam suatu organisasi, dan itu terhenti.

Eric Kavanagh: Ya, itu poin yang bagus. Dan, Ron, kembali ke komentar Anda beberapa saat yang lalu di sekitar pentingnya memiliki kerangka kerja visual, saya pikir itu benar-benar benar karena banyak kali, jika orang tidak dapat melihat sesuatu, sangat sulit untuk membungkus kepala Anda di sekitar apa itu berarti, dan tentu saja ketika Anda mulai berbicara tentang proses kompleks dengan saling ketergantungan dan titik kontrol dan semua hal ini, Anda harus memetakannya di suatu tempat di beberapa titik dan idealnya, Anda melakukannya dengan perangkat lunak yang memiliki fungsi yang tertanam di dalamnya untuk katalog, untuk contoh, transformasi apa yang terjadi menggunakan garis yang berbeda dari titik ini ke titik itu. Atau apa yang tersedia di titik kontrol ini. Dan saya semacam merujuk sejarah saya dalam manajemen risiko di sana, di mana titik kontrol adalah titik dalam suatu proses atau opsi atau individu atau aplikasi perangkat lunak di mana Anda benar-benar dapat mengubah sesuatu, bukan? Itulah yang mereka sebut sebagai titik kontrol. Dan, bagi saya, sangat berharga bahwa Anda mendapatkan kerangka visual itu. Karena Anda dapat melihat dan berjalan melalui dan itu hanya membutuhkan waktu. Diperlukan waktu otak manusia untuk mengelola hal-hal itu dan untuk benar-benar memahaminya dan karenanya mengoptimalkannya, bukan?

Ron Huizenga: Tentu saja. Dan untuk menggunakan analogi yang berbeda yang saya pikir menempatkannya dalam perspektif: Saya agak gila penerbangan, jadi saya akan mengatakan, jika Anda mencoba memikirkan hal ini secara paralel, pikirkan membangun 747 - atau Airbus 380, jadi saya tidak memilih satu vendor dari yang lain - pikirkan betapa sulitnya melakukan itu berdasarkan pada dokumen yang hanya terdiri dari teks daripada cetak biru dan gambar CAD 3-D dan segala cara yang sebenarnya dirakit bersama.

Eric Kavanagh: Ya itu akan kasar. Dan Jen juga harus berbicara.

Ron Huizenga: Bisnisnya sama, kan?

Eric Kavanagh: Ya, tidak, itu benar. Jen harus berbicara dengan salah satu bidang panas Anda yang ingin Anda pelajari, yaitu visualisasi. Anda harus dapat memvisualisasikan sesuatu agar dapat memahaminya sepenuhnya, menurut saya.

Jen Underwood: Banyak manusia, ya. Dan bahkan hanya visualisasi berbicara, apa kata, ribuan kata atau sesuatu seperti itu. Ketika mereka melihatnya, mereka bisa percaya. Dan mereka mendapatkannya.

Eric Kavanagh: Saya setuju. Dan aku sangat mencintai, Ron, caramu mengumpulkan semua ini. Saya kira saya hanya bertanya pada diri sendiri lagi, Anda membutuhkan seorang juara di dalam organisasi dan siapa yang akan berada di luar sana, berfungsi sebagai penghubung untuk berbagai kelompok. Pengurus data adalah sesuatu yang sering kita bicarakan - saya pikir itu ada dalam, peran yang sangat penting dan saya merasa seperti itu adalah peran yang mendapat lebih banyak perhatian dalam tiga atau empat tahun terakhir karena kami agak menghargai nilai data pemerintahan, kan? Pelayan data itu adalah seseorang yang dapat berbicara dengan bisnis tetapi juga memahami sistem, memahami siklus hidup data, seluruh gambaran itu. Dan saya kira orang itu bisa dan mungkin harus di bawah aturan CEO, bukan?

Ron Huizenga: Ya, dan Anda akan membutuhkan tim multi-fungsi, kan? Jadi Anda akan membutuhkan orang-orang yang terdiri dari tim yang melakukan itu atau itu dari berbagai bidang yang mewakili sisi teknis, Anda tahu, bidang-bidang bisnis yang berbeda. Dan, Anda tahu, tergantung pada jenis organisasi Anda, jika Anda memiliki kantor manajemen proyek dan banyak inisiatif yang Anda lakukan didorong oleh PMO, Anda akan ingin memastikan bahwa Anda memiliki PMO Keterlibatan juga hanya untuk menjaga semua orang tetap harmonis dan menyelaraskan cara mereka mengerjakan sesuatu.

Eric Kavanagh: Yup, dan Anda tahu, satu hal terakhir, saya akan menempatkan slide terakhir ini, kerangka kerja tata kelola. Kami memiliki peserta yang bertanya, bukankah data hilang dari slide itu? Apakah itu, apakah data tersirat dalam slide atau apa yang Anda pikirkan tentang komentar tentang data yang hilang dari slide?

Jen Underwood: Tidak, dan ini hanya kerangka kerja tata kelola generik. Pada dasarnya, ini dari ruang BI swalayan, sehingga data tersirat dalam banyak hal ini. Itu hanya datang dari sudut pandang saya dan saya dan tidak terlalu fokus pada sisi data dalam menyatukan ini. Tetapi data pasti, ketika Anda memikirkan semua bagian ini, akan ada data. Baik itu fondasi untuk data, akuntabilitas menggunakan data di seluruh proses dan di seluruh kerangka kerja.

Eric Kavanagh: Ya, tidak, itu tidak masuk akal. Dan saya kira saya akan memberikan satu pertanyaan terakhir kepada Anda saat kami menyelesaikannya di sini, Ron. Jika saya berpikir tentang seberapa banyak informasi dan berapa banyak data yang kita gunakan hari ini dan seberapa jauh organisasi itu, apa pentingnya ekosistem saat ini antara mitra saluran dan bagaimana kita dapat berbagi informasi lintas kemitraan dan dalam sedikit referensi cepat blockchain untuk ini - bukan untuk membuat hal-hal terlalu rumit. Intinya adalah bahwa kita berada di dunia terhubung yang semakin didorong oleh data, baik dari perspektif bisnis dan hanya dari kehidupan kita sehari-hari. Dan bagi saya, itu hanya akan meningkatkan taruhannya karena memiliki organisasi yang benar-benar memperhatikan apa yang Anda sarankan di sini, yaitu kedewasaan mereka, di mana mereka berdiri dan seberapa jauh mereka dalam hal kurva dan benar-benar jujur ​​pada diri sendiri tentang itu, kan? Karena jika Anda tidak tahu lebih baik, Anda tidak bisa berbuat lebih baik, dan jika Anda tidak merenungkan hal-hal, Anda tidak akan tahu lebih baik, kan?

Ron Huizenga: Tepat. Dan saya kira ungkapan yang akan saya gunakan adalah, Anda mungkin tidak sebaik yang Anda pikirkan. Itu mungkin terdengar agak keras, tetapi orang-orang bisa cukup optimis tentang hal ini, tetapi jika Anda melihatnya dengan saksama dan penilaian diri yang sangat baik dan kritis, saya pikir organisasi mana pun akan menemukan, Anda tahu, ada celah signifikan bahwa mereka perlu alamat.

Eric Kavanagh: Saya harus setuju. Dan salah satu rekan kami di luar sana berkomentar tentang pentingnya metadata, data tentang data. Tidak ada keraguan tentang itu. Metadata adalah perekat yang menyatukan semua sistem ini dan kami masih belum pernah benar-benar memecahkan kode itu dan untuk alasan yang baik, terus terang, karena perubahan metadata. Ini berbeda dari sistem ke sistem. Anda tahu, semakin Anda mencoba untuk menormalkan data Anda, semakin tidak akurat menurut saya.

Jadi kita seperti di dunia yang aneh ini sekarang dan mungkin saya kira saya akan mengajukan satu pertanyaan lagi kepada Anda, Jen, karena Anda menyebutkan katalog data beberapa kali. Saya sangat menyukai gerakan baru teknologi katalog data ini yang secara otomatis memindai sistem informasi Anda, memastikan nama kolom metadata, dan seterusnya, dan membantu Anda secara bertahap membangun pandangan strategis data Anda dan metadata Anda di sistem Anda. Karena bagi saya, untuk melakukan hal-hal itu secara manual, hanya saja, ada terlalu banyak. Dan Anda tidak akan pernah sampai ke puncak bukit itu sebelum longsoran turun pada Anda dan, Anda tahu, Anda telah menormalisasi sampai titik abu-abu adonan bermain atau Anda belum cukup menormalisasi ke tempat Anda benar-benar tidak tidak tahu apa yang sedang terjadi. Bagi saya, menggunakan mesin, pembelajaran mesin yang terus kita bicarakan, itu akan menjadi kunci di masa depan untuk membantu kita setidaknya mendapatkan cukup banyak data untuk memiliki pemahaman yang baik tentang apa yang ada di luar sana, benar Jen ?

Jen Underwood: Ya, saya tahu. Saya suka teknologi ini. Mereka sangat, sangat keren. Dan kemudian Anda memikirkannya, itu memberi Anda awal lari yang sangat besar. Dan kemudian Anda bisa melakukan crowdsource. Anda memiliki data pelayan Anda, Anda tahu, menarik ke depan, apakah mereka menambahkan dokumentasi mereka sendiri atau ini adalah perspektif di luar sana, ini adalah perubahannya. Anda tahu, mengatakan ini adalah sumber data bersertifikasi yang akan digunakan untuk pelaporan. Orang dapat mencari dan menemukan data yang tepat. Sangat, sangat bagus. Dan juga membantu - ketika saya berpikir tentang bisnis dan bagaimana manajemen data perusahaan samar ketika saya ketika saya melakukan hal-hal DBA - kami menggunakan properti yang diperluas dan SQL Server dan memindai dengan alat-alat seperti IDERA, kan? Untuk mencoba membuat katalog data. Tetapi dalam versi DBA atau arsitek data, Anda tahu, apa pun nilainya atau kolom atau bidangnya, tentu saja itu mungkin tidak cocok dengan bisnisnya. Jadi sekarang memiliki bisnis yang dapat dengan mudah, Anda tahu, masuk dan temukan dan kelola serta semuanya berbasis tujuan, sungguh, saya berharap kita sudah memiliki ini sejak lama, dengan terus terang. Jadi itu menjadi jauh lebih baik.

Eric Kavanagh: Itu lucu. Kami mendapat komentar terakhir lain dari anggota audiens, yang mengatakan mungkin blockchain akan menjadi yang paling berharga untuk memberi cap otentikasi ke metadata. Itu poin yang bagus dan, Anda tahu, blockchain adalah teknologi yang luar biasa. Saya melihatnya sebagai semacam fondasi kohesif untuk menghubungkan banyak titik antara sistem dan aplikasi dan sebagainya. Dan, Anda tahu, kami berada dalam tahap awal pengembangan blockchain, tetapi kami sekarang melihat bahwa itu dipisah, tentu saja, dari titik ini awalnya ke depan, dan sekarang Anda membuat IBM bekerja sangat keras pada teknologi blockchain. SAP telah membeli semua itu. Dan sungguh, ini menyajikan kesempatan untuk fondasi dan kerangka kerja yang lebih dalam untuk menghubungkan semua sistem ini dan semua titik ini.

Jadi, semuanya, sudah terbakar lebih dari satu jam. Terima kasih telah tinggal bersama kami hari ini, tetapi kami selalu ingin menjawab pertanyaan Anda dan mendapatkan semua komentar. Kami mengarsipkan semua webcast ini untuk ditonton nanti, jadi lompat online ke insideanalysis.com, tempat Anda dapat menemukan tautannya. Seharusnya dalam beberapa jam, biasanya setelah acara. Dan kami akan menyusul Anda lain kali. Kami akan mengadakan beberapa acara lagi minggu depan - banyak hal terjadi. Tapi itu akan mengucapkan selamat tinggal, kawan. Terima kasih atas waktunya. Hati hati. Buh-bye.