Interviews
Siddharth Rajagopal & Sujay Dutta, Forfattere af Data som den Fjerde Pille – Interview Serie
Sujay Dutta er en erfaren teknologi- og forretningsleder med 25+ års global erfaring. Han mener, at fremtiden formas ved skæringen af AI, forretningsresultater, Kultur og Data (“A.B.C.D.”). Han arbejder i øjeblikket som Global Account Lead hos Databricks.
Siddharth (Sidd) Rajagopal er Chief Architect i Field CTO-organisationen hos Informatica. I sin rolle engagerer han sig med seniorchefer i virksomheder og giver tankerledelse omkring data og datastyring ved at dele sine indsighter og erfaringer.
Data som den Fjerde Pille præsenterer sagen for at behandle data som en grundlæggende del af virksomhedssucces, på lige fod med mennesker, processer og teknologi. Rettet mod bestyrelser, CEO’er og seniorchefer, beskriver bogen en struktureret tilgang til at integrere datastrategi i kernebeslutninger. Den introducerer et modenhedsrammeværk og praktiske målinger som Total Addressable Value (TAV) og Expected Addressable Value (EAV) for at hjælpe organisationer med at kvantificere effekten af datainitiativer. Forfatterne udforsker også samspillet mellem data og kunstig intelligens, hvor de fremhæver, hvordan hver styrker den anden. Støttet af en casesammenfatning fra AUDI AG’s Rüdiger Eck, kombinerer bogen teori med virkelighedsnær anvendelse, hvilket gør den til en praktisk vejledning for ledere i både små og store virksomheder, der navigerer i dagens konkurrencedygtige, data-drevne landskab.
Dit bogtitel henviser til data som den fjerde pille. Kan du sammenfatte, hvad de første tre piller er, og hvorfor data skal betragtes som den fjerde pille?
De første tre traditionelle/existerende piller er Mennesker, Processer og Teknologi. Hver pille er tilføjet, efterhånden som virksomheder er blevet mere modne over årene. Historisk set var data kun et driftsprodukt af disse piller, styret af IT. Nu, i den nuværende AI-først-æra, er data ikke længere et biprodukt. Det er den primære drivkraft for værdi, men kan også true virksomhedens eksistens – derfor henviser vi til Data som Ild. For at lykkes skal data hæves til en ligeberettiget fjerde pille. Med Data som den fjerde pille skaber hver pille en flyhjul-effekt med de andre piller, som gør det muligt for og nyder godt af hinanden. Data som den fjerde pille sikrer, at data modtager samme C-suite- og bestyrelsesniveau som mennesker, processer og teknologi, og transformerer det fra en omkostningscenter til en målbart virksomhedsaktiv, der driver forretningsvækst.
Stillen som Chief Data Officer (CDO) beskrives som en kernefunktion, der anbefales at samarbejde med CEO, CTO og andre seniorchefer. Kan du give os en overordnet oversigt over, hvad denne stilling indebærer, og hvilke dens nøgleansvar er?
CDO’en som leder af datapillen er en værdidriver, der accelererer forretningsresultater; udvikler forståelse for dataintensitet (QCS – Kvalitet, Overholdelse & Hastighed) for forretningsbrugsfald; balancerer og udvikler kontinuerligt dataefterspørgsel og -tilbud (gennem DOM – Data Operating Model); sikrer udvikling af mennesker, processer og teknologi for datapillen; og er en forandringsagent for planlægning og gennemførelse af strukturelle ændringer på tværs af virksomheden, med støtte fra bestyrelsen og CEO’en, og involvering af lederne af de andre piller.
Hvorfor er det så kritisk at indsamle og gennemføre data for at udnytte AI i stor målestok?
Igen, Data er som Ild. Det brænder AI. En AI-model må lære mønstre, relationer og adfærd direkte fra de data, den får, for at kunne levere forretningsimpact. Derudover bliver ustrukturerede data (såsom PDF’er, billeder og videoer) kritiske for AI. De fleste virksomheder er i øjeblikket ikke modne til at behandle ustrukturerede data. Desuden er AI-modeller blevet/en kommoditet – Data skaber differentieringen fra brugen af en AI-model.
Bogen går i detaljer med begrebet dataintensitet. Kan du kort forklare, hvad dette betyder, og hvorfor det er så vigtigt?
Dataintensitet er et mål for, hvor “passende” dine data er til at accelerere forretningsværdi, især til at skala AI. Hver forretningscase kræver data på en anden måde, med forskellig intensitet. Vores bog introducerer QCS-rammeværket til at måle dataintensitet på tværs af tre kritiske dimensioner:
- Kvalitet: Er dataen nøjagtig, komplet, konsekvent og pålidelig? Dette er “skrald ind, skrald ud”-princippet. Lavkvalitetsdata fører til fejlbehæftet analyse og upålidelig AI.
- Overholdelse: Overholder dataen alle love og etiske standarder, såsom persondataforordninger (såsom GDPR) og branchspecifikke regler? Ikke-overholdende data skaber massive risici.
- Hastighed: Er dataen tilgængelig hurtigt nok til at være nyttig? Dette refererer til hastigheden, hvormed data indsamles, bearbejdes og gøres tilgængelig for beslutningstagning (f.eks. realtids- vs. batchbearbejdning). Traditionelt har virksomheder udviklet sig til at udføre i en eller to dimensioner. En bank ville være i stand til at levere på Q- og C-dimensioner, mens en start-up ville fokusere på Q- og S-dimensioner. Udfordringen for virksomheder i AI-først-æraen er at udføre på et højt niveau på alle tre dimensioner (Q, C og S) samtidigt og konsekvent.
Hvorfor er det så vigtigt at definere en datastrategi, og hvorfor overses dette ofte?
At definere en datastrategi er kritisk, fordi den fungerer som den blåtryk, der direkte forbinder alle dataaktiviteter med virksomhedens forretningsstrategi. Den omrider vejkortet for udvikling og udnyttelse af datafærdigheder til at accelerere forretningsresultater, såsom at øge omsætning, forbedre effektivitet og opbygge en konkurrencemæssig fordel.
Trods dette overses en datastrategi ofte af flere grundlæggende årsager.
Historisk set har forretningsledere betragtet data som et biprodukt af forretningsoperationer og et teknisk IT-problem, snarere end en C-suite-strategisk funktion. Uden en klar ejer, såsom en Chief Data Officer, falder dette essentielle arbejde ofte ind i et ledelsesvakuum. Dette fører til, at virksomheder springer direkte til spændende AI-projekter uden en robust datagrundlag, hvilket er en primær årsag til, at så mange af dem fejler.
Kunne du uddybe, hvad et datastyringsrammeværk er, hvordan det adskiller sig fra en datastrategi, og hvorfor det er nødvendigt for at mindske risici forbundet med dataanvendelse?
En datastrategi definerer de mål, en forretning ønsker at opnå med sine data. I modsætning hertil ermögiller et datastyringsrammeværk forretningsbrugsfald at anvende data på det nødvendige dataintensitetsniveau (Q, C og S), for at kunne levere den forventede værdi.
Datastyringsrammeværket er afgørende for at mindske risici. Uden styring bliver data en passiv. Det sikrer overholdelse af regler som GDPR, og forebygger massive bøder og juridiske problemer. Det etablerer sikkerheds- og privatlivsstandarder, der beskytter mod datakrænkelser og den resulterende reputationsbeskadigelse. Gennemførelse af datakvalitet forhindrer dyre forretningsbeslutninger baseret på fejlbehæftet information. Og AI-agenter er kun nyttige, når de modtager data på det nødvendige niveau.
Tænk på det på denne måde: din strategi er destinationen på et kort; dit styringsrammeværk er trafikreglerne, du følger for at komme dertil uden at køre galt.
I bogen diskuteres også begrebet DOM (Data Operating Model). Kunne du forklare, hvad dette er, og hvordan det hjælper organisationer med at operationalisere deres datastrategi?
Et Data Operating Model (DOM) er motoren, der opfylder dataefterspørgslen for at møde datakravene. DOM operationaliserer strategien ved at oversætte overordnede mål til konkrete, genanvendelige handlinger. Det er et praktisk rammeværk, der industrialiserer leveringen af data på det nødvendige dataintensitetsniveau, bestående af mennesker, processer og teknologi.
Mens det at have den rette datastrategi og styring sikrer gode intentioner, afhænger succes ofte af dataadoption og dataengineeringstyring. Kunne du kort diskutere disse to elementer og hvorfor chefer skal være opmærksomme på dem?
Succes med data afhænger af Dataadoption og Dataengineeringstyring.
Dataadoption er den kulturelle side – med dine hold, der faktisk bruger data til at træffe daglige beslutninger. Uden adoption går hele investeringen i datapillen til spilde.
Dataengineeringstyring er den tekniske rygmarv – opbygning og vedligeholdelse af den pålidelige “datafabrik”, der indsamler og bearbejder data for at møde dataintensitetskravene (QCS).
Chefer må støtte begge. Dårlig adoption betyder, at investeringen går til spilde. Dårlig engineering betyder, at forretningsoperationen køres på upassende data (dvs. data, der ikke opfylder det nødvendige dataintensitetsniveau), hvilket fører til dyre fejl, undergraver tillid, skaber overholdelsesproblemer og gør enhver AI-initiativ umulig.
Bogen er skrevet med tanke på større virksomheder, hvor roller som CDO, data-risikostyring, dataadgangsstyring og datakvalitets- og overvågningshold er veldefinerede. Hvorfor skal mindre virksomheder også overveje denne bog, og hvordan kan de kompensere for ikke at have disse roller på plads?
For en mindre virksomhed er data ofte den største differentiator. Det er langt lettere at bygge “Data som den Fjerde Pille”-DNA korrekt fra starten end at reparere en stor, traditionel organisation senere. At få datagrundlaget rigtigt tidligt giver en massiv konkurrencemæssig fordel til vækst og fremtidig AI-adopterbarhed. Som en CEO af en SMB-virksomhed fortalte os: for mig er Data den første pille, og jeg er CDO også.
Hvis der er ét centralt punkt fra jeres bog, hvad ville I gerne have, det skulle være?
Det afgørende punkt er, at virksomheder må umiddelbart implementere den strukturelle ændring for at etablere Data som den Fjerde Pille i driftsmodellen, på lige fod med Mennesker, Processer og Teknologi. Dette er en eksistensiel beslutning, som bestyrelser og CxO’er må støtte, fordi data er den afgørende differentiator og den uundværlige grundlag, der kræves for at lykkes med at skala AI og sikre en konkurrencemæssig fordel i fremtiden. Virksomheder, der ikke integrerer data som en kernepille, risikerer irrelevans og vil have svært ved at konkurrere i AI-først-æraen. Tiden til at handle er NU!
Tak for det gode interview, læsere, der ønsker at lære mere, skal læse Data som den Fjerde Pille.
Disclaimer: De udtalelser, der fremsættes i denne artikel, er dem, der stammer fra forfatterne, og reflekterer ikke nødvendigvis dem fra deres nuværende eller tidligere arbejdsgivere.
