Interviews
Siddharth Rajagopal & Sujay Dutta, Auteurs van Data as the Fourth Pillar – Interview Serie
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Sujay Dutta is een ervaren technologie- en zakenleider met 25+ jaar wereldwijde ervaring. Hij gelooft dat de toekomst wordt gevormd op het snijvlak van AI, bedrijfsresultaten, cultuur en data (“A.B.C.D.”). Hij werkt momenteel als Global Account Lead bij Databricks.
Siddharth (Sidd) Rajagopal is een Chief Architect in de Field CTO-organisatie van Informatica. In zijn rol werkt hij samen met senior executives van ondernemingen om thought leadership te bieden op het gebied van data en databeheer door zijn inzichten en ervaringen te delen.
Data as the Fourth Pillar presenteert het geval voor het behandelen van data als een fundamenteel element van ondernemingsucces, gelijkwaardig aan mensen, processen en technologie. Gericht op raden van bestuur, CEO’s en senior executives, schetst het boek een gestructureerde aanpak voor het integreren van datastrategie in het hart van bedrijfsbesluitvorming. Het introduceert een volwassenheidskader en praktische meetwaarden zoals Total Addressable Value (TAV) en Expected Addressable Value (EAV) om organisaties te helpen de impact van data-initiatieven te kwantificeren. De auteurs onderzoeken ook de wisselwerking tussen data en kunstmatige intelligentie, waarin wordt benadrukt hoe elk het andere versterkt. Ondersteund door een case study van AUDI AG’s Rüdiger Eck, combineert het boek theorie met real-world toepassing, waardoor het een praktische gids wordt voor leiders in zowel kleine als grote ondernemingen die navigeren in de huidige concurrerende, data-gedreven landschap.
Uw boektitel verwijst naar data als de vierde pijler. Kunt u samenvatten wat de eerste drie pijlers zijn en waarom data moet worden beschouwd als de vierde pijler?
De eerste drie traditionele/bestaande pijlers zijn Mensen, Proces en Technologie. Elke pijler is toegevoegd naarmate ondernemingen zijn gerijpt in de loop der jaren. Historisch gezien was data slechts een operationeel bijproduct van deze pijlers, beheerd door IT. Nu, in de huidige AI-georiënteerde tijd, is data geen bijproduct meer. Het is de primaire driver van waarde, maar kan ook het bestaan van een onderneming in gevaar brengen – dus noemen we het Data als Vuur. Om te slagen, moet data worden verheven tot een gelijkwaardige vierde pijler. Met Data als de vierde pijler creëert elke pijler een vliegwiel-effect met de andere pijlers, waardoor ze elkaar mogelijk maken en ten goede komen. Data als de vierde pijler zorgt ervoor dat data dezelfde C-suite- en raad van bestuur-niveau aandacht krijgt als mensen, proces en technologie, waardoor het wordt getransformeerd van een kostenpost in een meetbare ondernemingsactiva die bedrijfsgroei stimuleert.
De positie van Chief Data Officer (CDO) wordt beschreven als een kernrol, die wordt aanbevolen om samen te werken met de CEO, CTO en andere senior executives. Kunt u ons een hoogoverzicht geven van wat deze rol inhoudt en wat de belangrijkste verantwoordelijkheden zijn?
De CDO als leider van de datapijler is een waarde-driver, versnelt bedrijfsresultaten; ontwikkelt inzicht in data-intensiteit (QCS – Kwaliteit, Compliance & Snelheid) voor bedrijfsgevallen; balanceert en groeit continue data-aanbod en -vraag (via de DOM – Data Operating Model); brengt executie-excellentie in termen van mensen, proces en technologie voor de datapijler; en is een veranderaar voor het plannen en uitvoeren van structurele veranderingen in de hele onderneming, met de steun van de Raad van Bestuur en de CEO, en de betrokkenheid van de leiders van andere pijlers.
Waarom is het verzamelen en uitvoeren van data zo kritiek voor het benutten van AI op grote schaal?
Weer, Data is als Vuur. Het brandt AI. Een AI-model moet patronen, relaties en gedragingen rechtstreeks leren van de data die het krijgt, om bedrijfsimpact te kunnen leveren. Bovendien wordt ongestructureerde data (zoals PDF’s, afbeeldingen en video’s) kritiek voor AI. De meeste ondernemingen zijn momenteel niet volwassen in het verwerken van ongestructureerde data. Bovendien worden AI-modellen een commodity – Data creëert de differentiatie van het gebruik van een AI-model.
Het boek gaat in detail in op data-intensiteit. Kunt u kort uitleggen wat dit betekent en waarom het zo belangrijk is?
Data-intensiteit is een maatstaf voor hoe “geschikt voor doel” uw data is voor het versnellen van bedrijfswaarde, vooral voor het schalen van AI. Elk bedrijfsgeval vereist data op een andere manier, met verschillende intensiteit. Ons boek introduceert het QCS-kader om data-intensiteit te meten over drie kritische dimensies:
- Kwaliteit: Is de data nauwkeurig, volledig, consistent en betrouwbaar? Dit is het “garbage in, garbage out”-principe. Lage kwaliteit data leidt tot gebrekkige analyse en onbetrouwbare AI.
- Compliance: Voldoet de data aan alle wettelijke en ethische normen, zoals privacyreglementen (zoals GDPR) en branche-specifieke regels? Non-compliante data creëert een enorm risico.
- Snelheid: Is de data beschikbaar snel genoeg om nuttig te zijn? Dit verwijst naar de snelheid waarmee data wordt verzameld, verwerkt en beschikbaar wordt gesteld voor besluitvorming (bijv. real-time versus batch-verwerking). Traditioneel hebben ondernemingen zich ontwikkeld om in een of twee dimensies uit te voeren. Een bank zou in staat zijn om te presteren in de Q- en C-dimensies, terwijl een start-up zich zou concentreren op de Q- en S-dimensies. De uitdaging voor ondernemingen in de AI-georiënteerde tijd is om op een hoog niveau uit te voeren in alle drie de dimensies (Q, C en S) tegelijkertijd en consistent.
Waarom is het definiëren van een datastrategie zo belangrijk, en waarom wordt dit vaak over het hoofd gezien?
Het definiëren van een datastrategie is kritiek omdat het dient als de blauwdruk die alle data-activiteiten rechtstreeks verbindt met de ondernemingsstrategie. Het schetst de roadmap voor het ontwikkelen en benutten van data-mogelijkheden om bedrijfsresultaten te versnellen, zoals het verhogen van omzet, het verbeteren van efficiëntie en het opbouwen van een concurrerend voordeel.
Ondanks dit, wordt een datastrategie vaak over het hoofd gezien om verschillende belangrijke redenen.
Historisch gezien hebben zakenleiders data gezien als een bijproduct van bedrijfsoperaties en een technisch IT-probleem, in plaats van een C-suite-strategische functie. Zonder een duidelijke eigenaar, zoals een Chief Data Officer, valt dit essentiële werk vaak in een leiderschapsvacuüm. Dit leidt ertoe dat bedrijven rechtstreeks naar spannende AI-projecten springen zonder een robuuste data-fundering, wat een primaire reden is waarom zo veel van hen falen.
Kunt u toelichten wat een data-governancekader is, hoe het verschilt van een datastrategie, en waarom het nodig is om risico’s te mitigeren die samenhangen met data-gebruik?
Een datastrategie definieert de doelen die een bedrijf wil bereiken met zijn data. In contrast, een data-governancekader maakt het mogelijk om bedrijfsgevallen te gebruiken om data te gebruiken op de vereiste data-intensiteit (Q, C en S), om de verwachte waarde te kunnen leveren.
Het data-governancekader is cruciaal voor het mitigeren van risico’s. Zonder governance wordt data een aansprakelijkheid. Het zorgt voor compliance met reglementen zoals GDPR, waardoor enorme boetes en juridische problemen worden voorkomen. Het stelt de beveiligings- en privacy-normen vast die beschermen tegen data-inbreuken en de resulterende reputatieschade. Het afdwingen van datakwaliteit voorkomt kostbare bedrijfsbeslissingen op basis van gebrekkige informatie. En AI-agents zijn alleen nuttig als ze de data op de vereiste snelheid ontvangen.
Denk hieraan: uw strategie is de bestemming op een kaart; uw governance-kader zijn de verkeersregels die u volgt om er te komen zonder te crashen.
U bespreekt ook het concept van de DOM (Data Operating Model). Kunt u uitleggen wat dit is, en hoe het organisaties helpt om hun datastrategie operationeel te maken?
Een Data Operating Model (DOM) is de motor die de levering van data mogelijk maakt om aan de data-aanbod te voldoen. De DOM operationaliseert de strategie door hoog-overzichtelijke doelen om te zetten in concrete, herbruikbare acties. Het is een praktisch kader dat de levering van data op de vereiste data-intensiteit industrialiseert, bestaande uit mensen, processen en technologie.
Terwijl het hebben van de juiste datastrategie en governance goede bedoelingen garandeert, hangt succes vaak af van data-adoptie en data-engineeringbeheer. Kunt u kort bespreken wat deze twee elementen zijn en waarom executives hier aandacht aan moeten besteden?
Succes met data hangt af van Data-Adoptie en Data-Engineering Management.
Data-Adoptie is de culturele kant – met uw teams die daadwerkelijk data gebruiken om dagelijkse beslissingen te nemen. Zonder adoptie gaat de hele investering in de datapijler verloren.
Data-Engineering Management is de technische ruggengraat – het bouwen en onderhouden van de betrouwbare “data-fabriek” die data verzamelt en verwerkt om aan de data-intensiteit (QCS) vereisten te voldoen.
Executives moeten beide kampen. Slechte adoptie betekent dat de investering verspild is. Slecht engineering betekent dat het bedrijf op ongeschikte data (d.w.z. data die niet voldoet aan de vereiste data-intensiteit) werkt, wat leidt tot dure fouten, het verlies van vertrouwen, compliance-problemen en het onmogelijk maken van elke AI-initiatief.
Het boek is geschreven met grote ondernemingen in gedachten, waarin rollen zoals CDO, data-risicobeheer, data-toegangsbeheer en datakwaliteit- en observabiliteitsteams goed zijn gedefinieerd. Waarom moeten kleinere bedrijven dit boek ook overwegen, en hoe kunnen ze compenseren voor het niet hebben van deze rollen?
Voor een kleinere onderneming is data in de meeste gevallen de grootste differentiator. Het is veel gemakkelijker om de ‘Data als de vierde pijler’-DNA correct vanaf het begin op te bouwen dan om een grote, traditionele organisatie later te repareren. Het krijgen van de data-fundering goed vanaf het begin biedt een enorme concurrerende voorsprong voor groei en toekomstige AI-adoptie. Zoals een CEO van een SMB-onderneming ons vertelde: voor mij is Data de eerste pijler, en ik ben de CDO ook.
Als er één belangrijkste take-away is van uw boek, wat zou u dan willen dat het is?
De definitieve take-away is dat ondernemingen onmiddellijk de structurele verandering moeten implementeren om Data als de vierde pijler van het operationele model in te stellen, gelijkwaardig aan Mensen, Processen en Technologie. Dit is een existentiële beslissing die raden van bestuur en CxO’s moeten voorstaan, omdat data de definitieve differentiator is en de onmisbare fundering die nodig is om AI succesvol te schalen en een concurrerend voordeel te behalen in de toekomst. Ondernemingen die falen om data als een kernpijler in te bedden, lopen het risico irrelevant te worden en zullen worstelen om te concurreren in de AI-georiënteerde tijd. De tijd om te handelen is NU!
Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Data as the Fourth Pillar lezen.
Disclaimer: De meningen die in dit artikel worden uitgedrukt, zijn die van de auteurs en reflecteren niet noodzakelijkerwijs die van hun huidige of voormalige werkgevers.
