AI risinājumi paļaujas uz datiem. Ne uz datiem, kādus jūs iedomājaties, ka jums ir, bet uz datiem, kādi tie faktiski ir uzglabāti, definēti un uzturēti. Tāpēc datu pārvaldība ir viena no fundamentālajām dimensijām brieduma mērījumā: kopā ar organizāciju un IT infrastruktūru tā nosaka, vai vispār ir kaut kas, uz kā būvēt. Organizācija var uzrādīt augstu rezultātu attiecībā uz cilvēkiem un prasmēm vai sniegumu vadību, un tomēr konstatēt, ka katrs AI risinājums apstājas, jo neviens ar pārliecību nevar pateikt, kura klientu datubāzes versija ir pareizā. Šī secība nav mūsu izvēle; tā ir secība, kādā tas darbojas.
Datu pārvaldība attiecas uz to datu stāvokli, kurus organizācija izmanto darbam un lēmumu pieņemšanai. Vai definīcijas ir fiksētas, vai tas, ko sauc par "aktīvu klientu", katrā nodaļā nozīmē kaut ko citu. Vai katram datu kopumam ir noteikts atbildīgais, vai neviens nezina, kurš ir atbildīgs, kad kāds lauks jau gadiem ilgi ir nepareizs. Vai dati tiek ievadīti vienreiz un iegūti no vienas vietas, vai pastāv trīs eksporti, kas jau atšķiras viens no otra. Mērījuma jautājumi neattiecas uz datu apjomu vai sistēmas veidu, bet uz to, cik uzticami un no kurienes iegūti ir esošie dati.
Pieci līmeņi virzās no baseline līdz intelligence, un attiecībā uz datu pārvaldību atšķirība starp šiem līmeņiem bieži ir konkrētāk jaušama nekā citās dimensijās. Baseline līmenī dati galvenokārt eksistē lokāli: izklājlapās, kolēģa galvā, sistēmā, kuru neviens pilnībā vairs nesaprot. Foundation līmenī svarīgākie datu kopumi ir identificēti un pastāv atbildības sadales iesākums, kaut definīcijas joprojām atšķiras. Ko šis foundation līmenis nozīmē praksē, arī attiecībā uz citām dimensijām, ir aprakstīts sadaļā ko nozīmē līmenis foundation praksē, un tas pats attiecas uz sākumpunktu, kas aprakstīts sadaļā ko nozīmē līmenis baseline praksē. Activation līmenī definīcijas lielā mērā ir kopīgas un pastāv process novirzēm signalizēt. Insight līmenī dati tiek aktīvi izmantoti lēmumu pamatošanai, ar redzamību kvalitātei un izcelsmei. Intelligence līmenī datu pārvaldība vairs nav atsevišķs projekts, bet pastāvīga organizācijas darbības īpašība.
Plot-kārta parāda, vai šis novērtējums ir pareizs. Kad CIO novieto datu pārvaldību activation līmenī, bet komandas, kas ar to strādā ik dienu, novieto to baseline līmenī, šī izkliede pasaka vairāk par faktisko situāciju nekā abu vērtējumu vidējais rādītājs. Bieži izrādās, ka sistēmas ir iekārtotas vienu līmeni augstāk nekā uzvedība tajās: pastāv centrāla sistēma, bet cilvēki blakus tai joprojām strādā ar savām datnēm, jo neuzticas sistēmai.
Cik maksā pāreja no baseline uz foundation, ir atkarīgs no tā, cik sadrumstaloti dati ir tagad un cik daudz nodaļu izmanto savu patiesības versiju. Darbs galvenokārt slēpjas atbildības noteikšanā un definīciju fiksēšanā, ne jaunā tehnoloģijā. Pāreja no foundation uz activation biežāk pieprasa tehnisku soli: noteikt vienu avotu, citus atcelt vai atstāt tikai lasīšanai. Pāreja no activation uz insight pārvieto svaru uz pārvaldību (governance): kurš var kaut ko mainīt, kā tiek kontrolēta kvalitāte, kas notiek, kad tiek atrasta kļūda. Cik ilgs un cik apjomīgs šis ceļš ir, atkarīgs no organizācijas lieluma, sistēmu skaita, kas uztur datus, un pakāpes, kādā cilvēki jau ir pieraduši vienu avotu uzskatīt par vadošo. To nevar iespiest fiksētā summā vai fiksētā termiņā; tas ir atkarīgs no tā, kur koncentrējas izkliede jūsu plot-kārtā.
Datu pārvaldība reti pastāv pati par sevi. Organizācijai, kas neuzticas saviem datiem, būs grūtības arī ar cik maksā privātuma un drošības pacelšana par vienu līmeni, jo nevar aizsargāt to, ko neesi kartējis. Un otrādi, spēcīga datu pārvaldība var likt pamatu, uz kura vieglāk atbildēt uz jautājumu cik maksā sniegumu vadības pacelšana par vienu līmeni, jo sniegumu vadībai vajadzīgi uzticami dati, lai kaut ko varētu mērīt. Arī jautājums cik maksā ētikas pacelšana par vienu līmeni tieši skar datu pārvaldību: atbildīga darbība ar datiem sākas ar zināšanu, kas jums ir un no kurienes tas nāk. Kas šīs dimensijas risina atsevišķi vienu no otras, riskē, ka darbs pie vienas dimensijas tiek aizturēts atpalicības dēļ citā.
Šis mērījums parāda, vai organizācijai ir dati, sistēmas un cilvēki, lai nesu AI. Tas ir cits jautājums nekā tas, kādu daļu darba AI faktiski var pārņemt. Kad ir skaidrs, kur atrodas fundamentālās dimensijas, tostarp datu pārvaldība, ir vērtīgi katrai atsevišķai uzdevumam apsvērt, ko AI var darīt un ko nevar. Tā ir FTE TO AI darba skenēšanas (werkscan) joma: tā katram uzdevumam aprēķina, kādu darba daļu var pārņemt, ņemot vērā datus un sistēmas, kas tajā brīdī faktiski pastāv.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.