Intervjuer
Siddharth Rajagopal og Sujay Dutta, forfattere av Data som den fjerde søyle – Intervju-serie
Legg til Unite.AI blant dine foretrukne kilder på Google
Sujay Dutta er en erfaren teknologi- og forretningsleder med 25+ års global erfaring. Han mener at fremtiden formas ved skjæringspunktet mellom AI, forretningsresultater, kultur og data (“A.B.C.D.”). Han jobber for tiden som Global Account Lead i Databricks.
Siddharth (Sidd) Rajagopal er en Chief Architect i Field CTO-organisasjonen i Informatica. I sin rolle, engasjerer han seg med seniorledere i bedrifter for å gi tankerledelse rundt data og datahåndtering ved å dele sine erfaringer og innsikter.
Data som den fjerde søyle presenterer tilfelle for å behandle data som en grunnleggende komponent i bedriftssuksess, på lik linje med mennesker, prosesser og teknologi. Retta mot styre, CEO-er og seniorledere, beskriver boken en strukturert tilnærming til å integrere datastrategi i kjernen av forretningsbeslutninger. Den introduserer et modenhetsrammeverk og praktiske målinger som Total Addressable Value (TAV) og Expected Addressable Value (EAV) for å hjelpe organisasjoner å kvantifisere effekten av datainitiativer. Forfatterne utforsker også samspillet mellom data og kunstig intelligens, og hvordan hver styrker den andre. Støttet av en case-studie fra AUDI AGs Rüdiger Eck, blander boken teori med virkelige verden-applikasjoner, og gjør den til en praktisk guide for ledere i både små og mellomstore bedrifter og store bedrifter som navigerer i dagens konkurranseutsatte, data-drevne landskap.
Deres bok tittel henviser til data som den fjerde søyle. Kan du sammenfatte hva de første tre søylene er, og hvorfor data bør betraktes som den fjerde søyle?
De første tre tradisjonelle/existerende søylene er Mennesker, Proses og Teknologi. Hver søyle er lagt til etterhvert som bedrifter har modnet over årene. Historisk sett var data bare et operasjonelt biprodukt av disse søylene, håndtert av IT. Nå, i den nåværende AI-første alderen, er data ikke lenger et biprodukt. Det er den primære drivkraften for verdi, men kan også risikere eksistensen til en bedrift – derfor henviser vi til Data som ild. For å lykkes, må data heves til en likeverdig fjerde søyle. Med Data som den fjerde søyle, skaper hver søyle en flyhjul-effekt med de andre søylene, og muliggjør og drar nytte av hverandre. Data som den fjerde søyle sikrer at data mottar samme C-suite og styre-nivå oppmerksomhet som mennesker, prosess og teknologi, og transformerer det fra en kostnadsenhet til en målbart bedriftsaktivum som driver forretningsvekst.
Sujay Dutta er en erfaren teknologi- og forretningsleder med 25+ års global erfaring. Han mener at fremtiden formas ved skjæringspunktet mellom AI, forretningsresultater, kultur og data (“A.B.C.D.”). Han jobber for tiden som Global Account Lead i Databricks.
Stillingsbetegnelsen Chief Data Officer (CDO) beskrives som en kjernefunksjon, anbefalt å samarbeide med CEO, CTO og andre seniorledere. Kan du gi oss en oversikt over hva denne stillingen innebærer og dens nøkkelansvar?
CDO som leder av datasøyle, er en verdidriver, akselerer forretningsresultater; utvikler forståelse av dataintensitet (QCS – Kvalitet, Overholdelse og Hastighet) for forretningsbrukstilfeller; balanserer og vokser dataetterspørsel og -tilbud (gjennom DOM – Data Operativ Modell); bringer inn gjennomføringsdyktighet i form av mennesker, prosesser og teknologi for datasøyle; og en endringsagent for planlegging og gjennomføring av strukturendringer på tvers av bedriften, med støtte fra styret og CEO, og involvering av lederne av andre søyler.
Hvorfor er det så kritisk å samle inn og gjennomføre data for å utnytte AI i stor skala?
Igjen, Data er som ild. Det driver AI. En AI-modell må lære mønster, relasjoner og atferd direkte fra dataene den mates, for å kunne levere forretningsresultater. I tillegg, for AI, blir ustrukturert data (som PDF-er, bilder og videoer) kritisk. De fleste bedrifter er for tiden ikke modne i behandling av ustrukturert data. Dessuten, AI-modeller blir/har blitt en kommoditet – Data skaper differensiering fra bruken av en AI-modell.
Boken går i detalj om dataintensitet. Kan du kort forklare hva dette betyr og hvorfor det er så viktig?
Dataintensitet er et mål på hvor “rett for formålet” din data er for å akselerere forretningsverdi, spesielt for å skalerer AI. Hver forretningscase krever data på en annen måte, med forskjellig intensitet. Vår bok introduserer QCS-rammeverket for å måle dataintensitet over tre kritiske dimensjoner:
- Kvalitet: Er dataen nøyaktig, fullstendig, konsistent og pålitelig? Dette er “skralle inn, skralle ut”-prinsippet. Lavkvalitetsdata fører til feilaktige analyser og upålitelige AI.
- Overholdelse: Overholder dataen alle lovlige og etiske standarder, som personvernregler (som GDPR) og bransjespesifikke regler? Ikke-overholdende data skaper massive risikoer.
- Hastighet: Er dataen tilgjengelig raskt nok til å være nyttig? Dette refererer til hastigheten dataene samles inn, prosesseres og gjøres tilgjengelig for beslutningstaking (f.eks. sanntid vs. batch-behandling). Tradisjonelt har bedrifter modnet til å utføre i en eller to dimensjoner. En bank ville være i stand til å levere på Q- og C-dimensjoner, mens en start-up ville fokusere på Q- og S-dimensjoner. Utfordringen for bedrifter i AI-første alderen er å utføre på et høyt nivå på alle tre dimensjoner (Q, C og S) samtidig og konsistent.
Hvorfor er det så viktig å definere en datastrategi, og hvorfor blir dette ofte oversett?
Definere en datastrategi er kritisk fordi det fungerer som en blåkopi som direkte kobler alle dataaktiviteter til bedriftens forretningsstrategi. Det kartlegger veikartet for å utvikle og utnytte datakapasiteter for å akselerere forretningsresultater, som å øke inntekt, forbedre effisiens og bygge en konkurransefordel.
Tross dette, blir en datastrategi ofte oversett av flere nøkkelgrunner. Historisk sett har forretningsledere sett på data som et biprodukt av forretningsoperasjoner og et teknisk IT-problem, snarere enn en C-suite strategisk funksjon. Uten en tydelig eier, som en Chief Data Officer, faller dette essensielle arbeidet ofte inn i et ledelsesvakuum. Dette fører til at bedrifter hopper rett til spennende AI-prosjekter uten en robust datafoundation, som er en primær årsak til at mange av dem feiler.
Kunne du utdype hva en datastyringsrammeverk er, hvordan det skiller seg fra en datastrategi, og hvorfor det er nødvendig for å minimere risikoer forbundet med databruk?
En datastrategi definerer målene en bedrift ønsker å oppnå med sine data. I motsetning, gjør en datastyringsrammeverk det mulig for bedriftssammenhengene å bruke data på det nødvendige dataintensitetsnivået (Q, C og S) for å kunne levere forventet verdi.
Datastyringsrammeverket er kritisk for å minimere risiko. Uten styring, blir data en belastning. Det sikrer overholdelse av regler som GDPR, og forebygger massive bøter og juridiske problemer. Det etablerer sikkerhets- og personvernstandarder som beskytter mot datalekkasjer og den resulterende økende skaden. Det sikrer datakvalitet og forebygger kostbare forretningsbeslutninger basert på feilaktig informasjon. Og AI-agenter er nyttige bare når de mottar data på det nødvendige hastighetsnivået.
Tenk på det slik: din strategi er destinasjonen på et kart; ditt styringsrammeverk er trafikkreglene du følger for å komme dit uten å krasje.
Du diskuterer også konseptet DOM (Data Operativ Modell). Kunne du forklare hva dette er, og hvordan det hjelper organisasjoner å operasjonalisere sin datastrategi?
Et Data Operativ Modell (DOM) er motoren som oppfyller dataetterspørselen for å møte dataintensitetskravene. DOM operasjonaliserer strategi ved å oversette høynivåmål til konkrete, gjenbrukbare handlinger. Det er et praktisk rammeverk som industrialiserer leveringen av data på det nødvendige dataintensitetsnivået, bestående av mennesker, prosesser og teknologi.
mens å ha den riktige datastrategi og styring sikrer gode intensjoner, avhenger suksess ofte av dataadopsjon og dataingeniørledelse. Kunne du kort diskutere disse to elementene og hvorfor ledere bør være oppmerksomme på dem?
Suksess med data henger sammen med dataadopsjon og dataingeniørledelse.
Dataadopsjon er den kulturelle siden – med dine team som faktisk bruker data for å ta daglige beslutninger. Uten adopsjon, går hele investeringen i datasøylen til spille.
Dataingeniørledelse er den tekniske ryggraden – bygging og vedlikehold av den pålitelige “datafabrikken” som samler inn og prosesserer data for å møte dataintensitetskravene (QCS).
Lederne må fremme begge. Dårlig adopsjon betyr at investeringen går til spille. Dårlig ingeniørarbeid betyr at bedriften opererer på uegnet data (dvs. data som ikke møter det nødvendige dataintensitetsnivået), noe som fører til kostbare feil, undergraver tillit, skaper overholdelsesproblemer og gjør enhver AI-initiativ umulig.
Boken er skrevet med tanke på større bedrifter, der roller som CDO, data-risikostyring, data-tilgangsstyring og datakvalitets- og overvåkningsteam er godt definert. Hvorfor bør også mindre bedrifter vurdere denne boken, og hvordan kan de kompensere for å ikke ha disse rollene på plass?
For en mindre bedrift, er data ofte den største differensiatoren. Det er mye enklere å bygge “Data som den fjerde søyle”-DNA korrekt fra starten enn å fikse en stor, tradisjonell organisasjon senere. Å få datafundamentet riktig tidlig gir en massiv konkurransefordel for vekst og fremtidig AI-adoptsjon. Som en CEO i en SMB-entreprise fortalte oss: for meg, er Data den første søyle, og jeg er CDO også.
Hvis det er én nøkkelinntrykk fra deres bok, hva ville dere ønske det å være?
Den definitive inntrykket er at bedrifter må umiddelbart implementere den strukturelle endringen for å etablere Data som den fjerde søyle i driftsmodellen, på lik linje med Mennesker, Proses og Teknologi. Dette er en eksistensiell beslutning som styre og CxO-er må fremme, fordi data er den avgjørende differensiatoren og den uunnværlige grunnlaget som kreves for å suksessfullt skalerer AI og sikre en konkurransefordel i fremtiden. Bedrifter som ikke integrerer data som en kjerne-søyle, risikerer irrelevans og will struggle to compete in the AI-first age. The time to act is NOW! Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør lese Data som den fjerde søyle.
Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør lese Data som den fjerde søyle.
Disclaimer: Visene uttrykt i denne artikkelen er de til forfatterne og reflekterer ikke nødvendigvis de til deres nåværende eller tidligere arbeidsgivere.
