Rozhovory
Siddharth Rajagopal & Sujay Dutta, autoři knihy Data jako čtvrtý pilíř – Interview Series
Sujay Dutta je zkušený technologický a obchodní leader s více než 25 lety globální zkušenosti. Věří, že budoucnost se vytváří na průsečíku umělé inteligence, obchodních výsledků, kultury a dat (“A.B.C.D.”). V současné době pracuje jako globální účetní vedoucí v Databricks.
Siddharth (Sidd) Rajagopal je Chief Architect v Field CTO Organization ve společnosti Informatica. Ve své roli se setkává se seniorními výkonnými řediteli v podniku a poskytuje myšlenkové vedení kolem dat a správy dat sdílením svých poznatků a zkušeností.
Data jako čtvrtý pilíř prezentuje případ pro zacházení s daty jako s fundamentálním prvkem úspěchu podniku, na stejné úrovni jako lidé, procesy a technologie. Zaměřeno na správní rady, CEO a seniorní výkonné ředitele, kniha nastiňuje strukturovaný přístup k vkládání datové strategie do jádra obchodního rozhodování. Představuje rámec zralosti a praktické metriky, jako je Celková adresovatelná hodnota (TAV) a Očekávaná adresovatelná hodnota (EAV), aby pomohly organizacím kvantifikovat dopad iniciativ souvisejících s daty. Autoři také zkoumají interakci mezi daty a umělou inteligencí, zdůrazňující, jak se každá z nich posiluje. Podporováno případovou studií od AUDI AG’s Rüdiger Eck, kniha kombinuje teorii s reálným uplatněním, což z ní činí praktický průvodce pro lídry v malých a velkých podnicích, kteří se pohybují v dnešním konkurenčním, datově řízeném prostředí.
Vaše kniha se nazývá Data jako čtvrtý pilíř. Můžete shrnout, co jsou první tři pilíře, a proč by se data měla považovat za čtvrtý pilíř?
První tři tradiční/současné pilíře jsou Lidé, Procesy a Technologie. Každý pilíř byl přidán, jak se podniky vyvíjely över lety. Historicky byla data pouze operačním produktem těchto pilířů, spravovaným IT. Nyní, v současné AI-first éře, data nejsou již pouze produktem. Jsou primárním hnacím motorem hodnoty, ale mohou také ohrozit existenci podniku – proto se na ně odkazujeme jako na “Data jako oheň”. Aby byly úspěšné, data musí být povýšena na rovnocenný čtvrtý pilíř. S daty jako čtvrtým pilířem každý pilíř vytváří efekt vznosu s ostatními pilíři, umožňující a profítající z nich. Data jako čtvrtý pilíř zajišťují, že data dostanou stejnou pozornost C-suite a správní rady jako lidé, procesy a technologie, transformujíce je z nákladového centra na měřitelnou podnikovou aktivum, které pohání obchodní růst.
Pozice Chief Data Officer (CDO) je popsána jako jádrová role, doporučená ke spolupráci s CEO, CTO a dalšími seniorními výkonnými řediteli. Můžete poskytnout přehled o tom, co tato role zahrnuje, a jaké jsou její klíčové odpovědnosti?
CDO jako líder datové pilíře je hnací silou hodnoty, urychluje obchodní výsledky; vyvíjí porozumění datové intenzity (QCS – Kvalita, Compliance & Rychlost) pro obchodní použití; neustále vyvažuje a rozšiřuje poptávku a nabídku dat (prostřednictvím DOM – Datový operační model); zajišťuje excelenci ve výkonu z hlediska lidí, procesů a technologií pro datovou pilíř; a je změnovým agentem pro plánování a provádění strukturální změny v celém podniku, s podporou správní rady a CEO, a zapojením lídrů ostatních pilířů.
Proč je sběr a provádění dat tak kritický pro využívání umělé inteligence ve velkém měřítku?
Znovu, data jsou jako oheň. Palí umělé inteligenci. Model umělé inteligence se musí učit vzorce, vztahy a chování přímo z dat, která dostává, aby mohl dodat obchodní dopad. Kromě toho je pro umělou inteligenci kritická nestrukturovaná data (jako PDF, obrázky a videa). Většina podniků目前 není zralá v zpracování nestrukturovaných dat. Kromě toho se modely umělé inteligence staly/stávají komoditou – data vytvářejí diferenciaci z použití modelu umělé inteligence.
Kniha se podrobně zabývá konceptem datové intenzity. Můžete stručně vysvětlit, co to znamená, a proč je to tak důležité?
Datová intenzita je měřítkem toho, jak “připravená” vaše data jsou na urychlení obchodních hodnot, zejména pro škálování umělé inteligence. Každý obchodní případ vyžaduje data jinak, s různou intenzitou. Naše kniha představuje QCS Rámec pro měření datové intenzity napříč třemi kritickými dimenzemi:
- Kvalita: Jsou data přesná, kompletní, konzistentní a spolehlivá? To je princip “špatný vstup, špatný výstup”. Nízkokvalitní data vedou k vadným analýzám a nespolehlivé umělé inteligenci.
- Compliance: Dodržují data všechny právní a etické standardy, jako jsou předpisy o ochraně soukromí (jako GDPR) a odvětvové předpisy? Nekompatibilní data vytvářejí obrovské riziko.
- Rychlost: Jsou data k dispozici dostatečně rychle, aby byla užitečná? To se týká rychlosti, s níž se data sbírají, zpracovávají a zpřístupňují pro rozhodování (například v reálném čase vs. dávkové zpracování). Tradicí podniků je zrát na provedení v jedné nebo dvou dimenzích. Banka by mohla dodat na dimenze Q a C, zatímco startup by se zaměřil na dimenze Q a S. Výzvou pro podniky v AI-first éře je provést na vysoké úrovni ve všech třech dimenzích (Q, C a S) současně a konzistentně.
Proč je definování datové strategie tak důležité, a proč je toto často přehlíženo?
Definování datové strategie je kritické, protože slouží jako modrá tisková deska, která přímo spojuje všechny datové aktivity s obchodními strategiemi podniku. Nastíňuje roadmapu pro vývoj a využití datových schopností na urychlení obchodních výsledků, jako je zvýšení příjmů, zlepšení efektivity a budování konkurenční výhody.
Navzdory tomu je datová strategie často přehlížena z několika klíčových důvodů.
Historicky považovali obchodní lídři data za vedlejší produkt obchodních operací a technický IT problém, spíše než C-suite strategickou funkci. Bez jasného vlastníka, jako je Chief Data Officer, tato esenciální práce často padá do vakuu vedení. To vede společnosti k přechodu přímo na zajímavé projekty umělé inteligence bez robustního základu dat, což je primární důvod, proč tolik z nich selhává.
Můžete vysvětlit, co je rámec datové governance, jak se liší od datové strategie, a proč je potřebný k zmírnění rizik spojených s používáním dat?
Datová strategie definuje cíle, které podnik chce dosáhnout svými daty. Naopak, rámec datové governance umožňuje obchodním případům používat data na požadované datové intenzitě (Q, C a S), aby mohly dodat očekávanou hodnotu.
Rámec datové governance je kritický pro zmírnění rizika. Bez governance se data stávají zátěží. Zajišťuje dodržování předpisů, jako je GDPR, předcházení巨ským pokutám a právním problémům. Stanovuje standardy zabezpečení a ochrany soukromí, které chrání proti únikům dat a následnému poškození reputace. Vynucování datové kvality předcházejí nákladným obchodním rozhodnutím založeným na vadných informacích. A agenti umělé inteligence jsou užiteční pouze tehdy, když dostanou data na požadované rychlosti.
Představte si to tak: vaše strategie je destinace na mapě; váš rámec governance jsou dopravní předpisy, které dodržujete, abyste se nedostali do nehody.
Můžete také diskutovat o konceptu DOM (Datový operační model). Můžete vysvětlit, co to je, a jak pomáhá organizacím operacionalizovat svou datovou strategii?
Datový operační model (DOM) je motor, který plní nabídku dat, aby splnil poptávku. DOM operacionalizuje strategii překladem vysokých cílů do konkrétních, opakovaných akcí. Je to praktický rámec, který industrializuje dodávku dat na požadované datové intenzitě, skládající se z lidí, procesů a technologií.
Zatímco mít správnou datovou strategii a governance zajišťuje dobré úmysly, úspěch často závisí na datové adopci a datové inženýrské správě. Můžete stručně diskutovat o těchto dvou prvcích a proč by se na ně měli výkonní lídři zaměřit?
Úspěch s daty závisí na datové adopci a datové inženýrské správě.
Datová adopce je kulturní stránka – s vašimi týmy, které skutečně používají data k denním rozhodnutím. Bez adopce je celý investice do datové pilíře zbytečná.
Datová inženýrská správa je technickou páteří – budování a údržba spolehlivé “datové továrny”, která sbírá a zpracovává data, aby splnila požadavky datové intenzity (QCS).
Výkonní lídři musí oba tyto prvky podporovat. Špatná adopce znamená, že investice je zbytečná. Špatná inženýrská správa znamená, že podnik funguje na nepoužitelných datech (tj. datech, které nesplňují požadované datové intenzity), což vede k nákladným chybám, eroduje důvěru, vytváří problémy s dodržováním předpisů a činí jakýkoli iniciativu umělé inteligence nemožnou.
Kniha je napsána s většími podniky na mysli, kde role, jako je CDO, datová rizika, správa datového přístupu a týmy datové kvality a pozorovatelnosti, jsou dobře definovány. Proč by se na tuto knihu měly zaměřit i menší společnosti, a jak mohou kompenzovat absenci těchto rolí?
Pro menší společnost je data často největší diferenciací. Je mnohem snazší postavit “Data jako čtvrtý pilíř” DNA správně od začátku než později opravovat velkou, tradiční organizaci. Správná datová základna poskytuje masivní konkurenční výhodu pro růst a budoucí přijetí umělé inteligence. Jako CEO malé podniku nám řekl: pro mě, data jsou prvním pilířem, a já jsem také CDO.
Pokud existuje jeden hlavní závěr z vaší knihy, co byste rádi, aby to bylo?
Definitivní závěr je, že podniky musí okamžitě provést strukturální změnu, aby ustanovily Data jako čtvrtý pilíř operačního modelu, rovnocenný s Lidmi, Procesy a Technologiemi. Toto je existenční rozhodnutí, které musí podpořit správní rady a CxO, protože data jsou definitivní diferenciací a nezbytnou základnou pro úspěšné škálování umělé inteligence a zajištění konkurenční výhody v budoucnu. Podniky, které nebudou schopny vestavět data jako jádrovou pilíř, riskují, že budou irelevantní a budou mít problémy s konkurencí v AI-first éře. Čas jednat je Nyní!
Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli přečíst Data jako čtvrtý pilíř.
Disclaimer: Výhledy vyjádřené v tomto článku jsou ty autorů a nemusí nutně odrážet ty jejich současných nebo minulých zaměstnavatelů.
