Interviews
Siddharth Rajagopal og Sujay Dutta, forfattere af Data som den fjerde pille – Interview-serie
Føj Unite.AI til dine foretrukne kilder på Google
Sujay Dutta er en erfaren teknologi- og forretningsleder med 25+ års global erfaring. Han mener, at fremtiden formas ved skæringspunktet mellem 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 samarbejder han med seniort ledere i virksomheder omkring tankeledelse 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 faktor for virksomhedssucces, på lige fod med mennesker, processer og teknologi. Retningslinjen er rettet mod bestyrelser, CEOs og seniort ledere, og bogen omfatter en struktureret tilgang til at integrere datastrategi i kerneaf virksomhedens beslutningsprocesser. Den introducerer et modenhedsrammeværk og praktiske målinger som Total Addressable Value (TAV) og Expected Addressable Value (EAV) for at hjælpe virksomheder med at kvantificere effekten af datainitiativer. Forfatterne undersøger også samspillet mellem data og kunstig intelligens, og hvordan hver styrker den anden. Med støtte fra en case-studie 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.
Deres bogtitel henviser til data som den fjerde pille. Kan de 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 blevet 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-første æra, er data ikke længere et biprodukt. Det er den primære drivkraft for værdi, men kan også risikere 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, hvilket muliggør og gavner 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 virksomhedsaktiver, der driver forretningsvækst.
Stillen som Chief Data Officer (CDO) beskrives som en kernefunktion, der anbefales at samarbejde med CEO, CTO og andre seniort ledere. Kan de give os en overordnet oversigt over, hvad denne stilling indebærer, og hvilke nøgleansvar stillen har?
CDO’en som leder af datapillen er en værdidriver, der accelererer forretningsresultater; udvikler forståelse for dataintensitet (QCS – Kvalitet, Overholdelse og Hastighed) for forretningsbrugsfald; balancerer og udvikler kontinuerligt dataefterspørgsel og -tilbud (gennem DOM – Data Operating Model); sikrer udvikling af eksekveringskompetence i forhold til 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 med involvering af lederne af de andre piller.
Hvorfor er det så kritisk at indsamle og udnytte 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 er upræget data (såsom PDF’er, billeder og videoer) kritisk for AI. De fleste virksomheder er i øjeblikket ikke modne til at behandle upræget data. Desuden er AI-modeller blevet til en vare – Data skaber forskellen ved brug af en AI-model.
Bogen går i detaljer med hensyn til dataintensitet. Kan de kort forklare, hvad dette betyder, og hvorfor det er så vigtigt?
Dataintensitet er en måling af, hvor “passende” jeres data er til at accelerere forretningsværdi, især til at skala AI. Hver forretningscase kræver data på forskellig vis, med forskellig intensitet. Vores bog introducerer QCS-rammeværket til at måle dataintensitet på tre kritiske dimensioner:
- Kvalitet: Er dataen præcis, kompleks, 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 persondataforordningen (GDPR) og brancheforståelige regler? Ikke-overholdende data skaber massive risici.
- Hastighed: Er dataen tilgængelig hurtigt nok til at være nyttig? Dette refererer til hastigheden, hvormed data indsamles, behandles og gøres tilgængeligt for beslutningstagning (f.eks. realtids- vs. batchbehandling). 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-første æra er at udføre på 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 det fungerer som den blåkop, der direkte forbinder alle dataaktiviteter med virksomhedens forretningsstrategi. Det omfatter vejledningen for udvikling og udnyttelse af datafærdigheder til at accelerere forretningsresultater, såsom at øge omsætning, forbedre effektivitet og opbygge en konkurrencemæssig fordel.
Det er ofte overset af flere grundlæggende årsager.
Historisk har forretningsledere betragtet data som et biprodukt af forretningsoperationer og et teknisk IT-problem, snarere end en C-suite-strategisk funktion. Uden en tydelig 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.
Kan de uddybe, hvad en datastyringsramme er, hvordan den adskiller sig fra en datastrategi, og hvorfor den er nødvendig for at mindske risici forbundet med dataanvendelse?
En datastrategi definerer målene, som en forretning ønsker at opnå med sine data. Til gengæld muliggør en datastyringsramme forretningsbrugsfaldene at anvende data på det krævede dataintensitetsniveau (Q, C og S) for at kunne levere den forventede værdi.
Datastyringsrammen er afgørende for at mindske risici. Uden styring bliver data en passiv. Den sikrer overholdelse af regler som GDPR, og forebygger massive bøder og juridiske problemer. Den etablerer sikkerheds- og privatlivsstandarder, der beskytter mod dataudlad og den efterfølgende reputationsbeskadigelse. Gennemtvungen datakvalitet forhindrer dyre forretningsbeslutninger baseret på fejlbehæftet information. Og AI-agenter er kun nyttige, når de modtager data på det krævede niveau.
Tænk på det på denne måde: jeres strategi er destinationen på et kort; jeres styringsramme er trafikreglerne, I følger for at nå derhen uden at køre galt.
De diskuterer også begrebet DOM (Data Operating Model). Kan de 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, genbrugelige handlinger. Det er et praktisk rammeværk, der industrialiserer leveringen af data på det krævede dataintensitetsniveau, bestående af mennesker, processer og teknologi.
Medens det at have den korrekte datastrategi og styring sikrer gode intentioner, afhænger succes ofte af dataadoption og dataengineeringstyring. Kan de kort diskutere disse to elementer og hvorfor ledere skal være opmærksomme på dem?
Succes med data afhænger af dataadoption og dataengineeringstyring.
Dataadoption er den kulturelle side – med jeres teams, der faktisk bruger data til at træffe daglige beslutninger. Uden adoption går hele investeringen i datapillen til spilde.
Dataengineeringstyring er den tekniske rygrad – opbygning og vedligeholdelse af den pålidelige “datafabrik”, der indsamler og behandler data for at møde dataintensitetskravene (QCS).
Lederne skal støtte begge. Dårlig adoption betyder, at investeringen går til spilde. Dårlig engineering betyder, at forretningsoperationerne køres på upassende data (dvs. data, der ikke opfylder det krævede dataintensitetsniveau), hvilket fører til dyre fejl, underminerer tillid, skaber overholdelsesproblemer og gør enhver AI-initiativ umulig.
Bogen er skrevet med større virksomheder i mente, 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 rettidigt tidligt giver en massiv konkurrencemæssig fordel til vækst og fremtidig AI-adoption. Som en CEO af en SMB-virksomhed fortalte os: for mig er Data den første pille, og jeg er CDO også.
Hvis der er én nøglepoint fra jeres bog, hvad ville de gerne have, det skulle være?
Den definitive pointe er, at virksomheder må straks 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 eksistensbeslutning, som bestyrelser og CxO’er må støtte, fordi data er den afgørende differentiator og det uundværlige grundlag, der kræves for at skala AI og sikre en konkurrencemæssig fordel i fremtiden. Virksomheder, der ikke integrerer data som en kernepille, risikerer irrelevans og vil struggle til at konkurrere i AI-første æra. 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 udtrykte synspunkter i denne artikel er dem, der tilhører forfatterne, og reflekterer ikke nødvendigvis dem, der tilhører deres nuværende eller tidligere arbejdsgivere.
