Wawancara
Siddharth Rajagopal & Sujay Dutta, Penulis Data sebagai Empat Pilar – Seri Wawancara
Sujay Dutta adalah seorang pemimpin teknologi dan bisnis berpengalaman dengan pengalaman global lebih dari 25 tahun. Ia percaya bahwa masa depan sedang dibentuk di persimpangan AI, Hasil Bisnis, Budaya, dan Data (“A.B.C.D.”). Saat ini, ia bekerja sebagai Global Account Lead di Databricks.
Siddharth (Sidd) Rajagopal adalah Chief Architect di Organisasi Field CTO di Informatica. Dalam perannya, ia berinteraksi dengan eksekutif senior di perusahaan untuk memberikan kepemimpinan pemikiran sekitar data dan manajemen data dengan membagikan wawasan dan pembelajarannya.
Data sebagai Empat Pilar menyajikan kasus untuk mengobati data sebagai elemen fundamental kesuksesan perusahaan, sejajar dengan orang, proses, dan teknologi. Ditujukan untuk dewan, CEO, dan eksekutif senior, buku ini menguraikan pendekatan terstruktur untuk membenamkan strategi data di inti pengambilan keputusan bisnis. Buku ini memperkenalkan kerangka kematangan dan metrik praktis seperti Total Addressable Value (TAV) dan Expected Addressable Value (EAV) untuk membantu organisasi mengukur dampak inisiatif data. Penulis juga mengeksplorasi interaksi antara data dan kecerdasan buatan, menyoroti bagaimana keduanya saling memperkuat.
Bagaimana Anda dapat merangkum tiga pilar pertama, dan mengapa data harus dianggap sebagai pilar keempat?
Tiga pilar pertama/tradisional/ada adalah Orang, Proses, dan Teknologi. Setiap Pilar telah ditambahkan seiring perkembangan perusahaan. Secara historis, data hanya merupakan produk sampingan dari pilar-pilar ini, dikelola oleh IT. Sekarang, di era AI-pertama, data tidak lagi merupakan produk sampingan. Data adalah penggerak utama nilai tetapi juga dapat membahayakan keberadaan perusahaan – sehingga kami menyebutnya Data sebagai Api. Untuk sukses, data harus ditingkatkan menjadi Pilar Keempat yang setara. Dengan Data sebagai Pilar Keempat, setiap pilar menciptakan efek baling-baling dengan pilar lain, memungkinkan dan mendapat manfaat dari satu sama lain. Data sebagai pilar keempat memastikan data menerima perhatian yang sama dari C-suite dan tingkat dewan seperti orang, proses, dan teknologi, mengubahnya dari pusat biaya menjadi aset perusahaan yang dapat diukur yang menggerakkan pertumbuhan bisnis.
Jabatan Chief Data Officer (CDO) digambarkan sebagai peran inti, yang disarankan untuk berkoordinasi dengan CEO, CTO, dan eksekutif senior lainnya. Bisakah Anda memberikan gambaran umum tentang apa yang dimaksud dengan posisi ini dan tanggung jawab utamanya?
CDO sebagai pemimpin pilar data, adalah penggerak nilai, mempercepat hasil bisnis; mengembangkan pemahaman tentang intensitas data (QCS – Kualitas, Kepatuhan & Kecepatan) untuk kasus penggunaan bisnis; terus menerus menyeimbangkan dan tumbuh permintaan dan penyediaan data (melalui DOM – Data Operating Model); membawa keunggulan eksekusi dalam hal orang, proses, dan teknologi untuk pilar data; dan agen perubahan untuk perencanaan dan eksekusi perubahan struktural di seluruh perusahaan, dengan sponsor dari Dewan dan CEO, dan keterlibatan pemimpin pilar lain.
Mengapa mengumpulkan dan mengeksekusi data sangat kritis untuk memanfaatkan AI secara besar-besaran?
Lagi, Data seperti Api. Data membakar AI. Sebuah model AI harus belajar pola, hubungan, dan perilaku langsung dari data yang diberikan, untuk dapat memberikan dampak bisnis. Selain itu, untuk AI, data tidak terstruktur (seperti PDF, gambar, dan video) menjadi kritis. Sebagian besar perusahaan saat ini tidak matang dalam memproses data tidak terstruktur. Selain itu, model AI menjadi/kini menjadi komoditas – Data menciptakan perbedaan dari penggunaan model AI.
Buku ini membahas konsep intensitas data. Bisakah Anda menjelaskan apa yang dimaksud dengan ini dan mengapa hal ini sangat penting?
Intensitas data adalah ukuran seberapa “siap” data Anda untuk mempercepat nilai bisnis, terutama untuk menskalakan AI. Setiap kasus bisnis memerlukan data secara berbeda, dengan intensitas yang berbeda. Buku kami memperkenalkan Kerangka QCS untuk mengukur intensitas data di tiga dimensi kritis:
- Kualitas: Apakah data akurat, lengkap, konsisten, dan dapat diandalkan? Ini adalah prinsip “sampah masuk, sampah keluar”. Data berkualitas rendah menyebabkan analitik yang rusak dan AI yang tidak dapat dipercaya.
- Kepatuhan: Apakah data mematuhi semua standar hukum dan etika, seperti peraturan privasi (seperti GDPR) dan aturan industri tertentu? Data yang tidak patuh menciptakan risiko besar.
- Kecepatan: Apakah data tersedia dengan cukup cepat untuk berguna? Ini mengacu pada kecepatan di mana data dikumpulkan, diproses, dan disediakan untuk pengambilan keputusan (misalnya, waktu nyata vs. pemrosesan batch). Secara tradisional, perusahaan telah matang untuk mengeksekusi di satu atau dua dimensi. Sebuah bank akan dapat mengirimkan pada dimensi Q dan C, sedangkan sebuah startup akan fokus pada dimensi Q dan S. Tantangan bagi perusahaan di era AI-pertama adalah untuk mengeksekusi pada tingkat tinggi di ketiga dimensi (Q, C, dan S) secara bersamaan dan konsisten.
Mengapa mendefinisikan strategi data sangat penting, dan mengapa ini sering diabaikan?
Mendefinisikan strategi data sangat penting karena strategi data berfungsi sebagai blueprint yang menghubungkan semua kegiatan data dengan strategi bisnis perusahaan. Strategi data menguraikan roadmap untuk mengembangkan dan memanfaatkan kemampuan data untuk mempercepat hasil bisnis, seperti meningkatkan pendapatan, memperbaiki efisiensi, dan membangun keunggulan kompetitif.
Meskipun demikian, strategi data sering diabaikan karena beberapa alasan kunci.
Secara historis, pemimpin bisnis telah memandang data sebagai produk sampingan operasional bisnis dan masalah teknis IT, bukan sebagai fungsi strategis C-suite. Tanpa pemilik yang jelas, seperti Chief Data Officer, pekerjaan penting ini sering jatuh ke dalam kekosongan kepemimpinan. Ini menyebabkan perusahaan melompat langsung ke proyek AI yang menarik tanpa fondasi data yang kuat, yang merupakan alasan utama mengapa banyak proyek AI gagal.
Bisakah Anda menjelaskan apa yang dimaksud dengan kerangka tata kelola data, bagaimana kerangka tata kelola data berbeda dari strategi data, dan mengapa kerangka tata kelola data diperlukan untuk memitigasi risiko yang terkait dengan penggunaan data?
Sebuah strategi data mendefinisikan tujuan yang ingin dicapai oleh bisnis dengan datanya. Sebaliknya, kerangka tata kelola data memungkinkan kasus penggunaan bisnis untuk menggunakan data pada intensitas data yang dibutuhkan (Q, C dan S), untuk dapat mengirimkan nilai yang diharapkan.
Kerangka tata kelola data sangat penting untuk memitigasi risiko. Tanpa tata kelola, data menjadi liabilitas. Kerangka tata kelola data memastikan kepatuhan terhadap peraturan seperti GDPR, mencegah denda besar dan masalah hukum. Kerangka tata kelola data juga memastikan standar keamanan dan privasi yang melindungi terhadap pelanggaran data dan kerusakan reputasi yang dihasilkan. Penerapan kualitas data mencegah keputusan bisnis yang mahal berdasarkan informasi yang rusak. Dan agen AI hanya berguna ketika mereka menerima data pada kecepatan yang dibutuhkan.
Bayangkan ini: strategi Anda adalah tujuan pada peta; kerangka tata kelola data adalah aturan lalu lintas yang Anda ikuti untuk sampai ke sana tanpa kecelakaan.
Anda juga membahas konsep Data Operating Model (DOM). Bisakah Anda menjelaskan apa yang dimaksud dengan ini, dan bagaimana DOM membantu organisasi mengoperasikan strategi data?
Data Operating Model (DOM) adalah mesin yang memenuhi penyediaan data untuk memenuhi permintaan data. DOM mengoperasikan strategi dengan menerjemahkan tujuan tingkat tinggi menjadi tindakan konkrit yang dapat digunakan kembali. DOM adalah kerangka praktis yang mengindustrialisasi pengiriman data pada intensitas data yang dibutuhkan, yang terdiri dari orang, proses, dan teknologi.
Bagaimana keberhasilan dengan data bergantung pada adopsi data dan manajemen rekayasa data. Bisakah Anda membahas kedua elemen ini dan mengapa eksekutif harus memperhatikan keduanya dengan cermat?
Keberhasilan dengan data bergantung pada Adopsi Data dan Manajemen Rekayasa Data.
Adopsi Data adalah sisi budaya – dengan tim Anda benar-benar menggunakan data untuk membuat keputusan sehari-hari. Tanpa adopsi, investasi seluruhnya dalam pilar data akan sia-sia.
Manajemen Rekayasa Data adalah tulang punggung teknis – membangun dan memelihara “pabrik data” yang dapat diandalkan yang mengumpulkan dan memproses data untuk memenuhi persyaratan intensitas data (QCS). Eksekutif harus mendukung keduanya. Adopsi yang buruk berarti investasi akan terbuang. Rekayasa yang buruk berarti bisnis beroperasi pada data yang tidak sesuai (yaitu data yang tidak memenuhi intensitas data yang dibutuhkan), yang menyebabkan kesalahan mahal, mengikis kepercayaan, menciptakan masalah kepatuhan, dan membuat inisiatif AI mustahil.
Buku ini ditulis dengan mempertimbangkan perusahaan besar, di mana peran seperti CDO, manajemen risiko data, manajemen akses data, dan tim kualitas dan pengawasan data sudah mapan. Mengapa perusahaan kecil juga harus mempertimbangkan buku ini, dan bagaimana mereka dapat mengkompensasi tidak adanya peran ini?
Untuk perusahaan kecil, dalam banyak kasus, data adalah pembeda terbesar. Lebih mudah untuk membangun DNA ‘Data sebagai Empat Pilar’ dengan benar dari awal daripada memperbaiki organisasi tradisional yang besar kemudian. Mendapatkan fondasi data yang tepat sejak awal memberikan keunggulan kompetitif besar untuk pertumbuhan dan adopsi AI di masa depan. Seperti yang dikatakan oleh CEO sebuah perusahaan kecil kepada kami: bagi saya, Data adalah pilar pertama, dan saya adalah CDO juga.
Jika ada satu kesimpulan utama dari buku Anda, apa yang ingin Anda sampaikan?
Kesimpulan utama adalah bahwa perusahaan harus segera mengimplementasikan perubahan struktural untuk membangun Data sebagai Pilar Keempat dari model operasional, setara dengan Orang, Proses, dan Teknologi. Ini adalah keputusan eksistensial yang harus dipimpin oleh Dewan dan CxO, karena data adalah pembeda utama dan fondasi yang tidak tergantikan untuk menskalakan AI dan memastikan keunggulan kompetitif di masa depan. Perusahaan yang gagal membenamkan data sebagai pilar inti akan menghadapi risiko ketidakrelevanan dan akan bergelut untuk bersaing di era AI-pertama. Waktu untuk bertindak adalah SEKARANG!
Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus membaca Data sebagai Empat Pilar.
Penafian: Pandangan yang dikemukakan dalam artikel ini adalah milik penulis dan tidak mencerminkan pandangan pemilik saat ini atau sebelumnya.
