Intervjuer
Siddharth Rajagopal & Sujay Dutta, forfattere av Data som den fjerde sønnen – Intervju-serie
Sujay Dutta er en erfaren teknologi- og forretningsleder med 25+ års global erfaring. Han tror 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 Chief Architect i Field CTO-organisasjonen i Informatica. I sin rolle, engasjerer han seg med seniorledere i bedrifter og gir tankerledelse rundt data og datahåndtering ved å dele sine erfaringer og læring.
Data som den fjerde sønnen presenterer tilfelle for å behandle data som en grunnleggende komponent i bedriftssuksess, på like fot 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 sammenhengen mellom data og kunstig intelligens, og hvordan hver av dem styrker den andre. Støttet av en casestudie fra AUDI AGs Rüdiger Eck, blander boken teori med virkelige anvendelser, og gjør den til en praktisk veileder for ledere i både små og store bedrifter som navigerer i dagens konkurranseutsatte, data-drevne landskap.
Ditt boktittel henviser til data som den fjerde sønnen. Kan du sammenfatte hva de første tre sønnene er, og hvorfor data bør betraktes som den fjerde sønnen?
De første tre tradisjonelle/eksisterende sønnene er Mennesker, Proses og Teknologi. Hver sønn er blitt lagt til etterhvert som bedriftene har modnet over årene. Historisk sett var data bare et operasjonelt biprodukt av disse sønnene, 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 sønn. Med Data som den fjerde sønnen, skaper hver sønn en flyhjul-effekt med de andre sønnene, og muliggjør og drar nytte av hverandre. Data som den fjerde sønnen 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 bedriftsressurs som driver forretningsvekst.
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 datasønnen, er en verdidriver, akselerer forretningsresultater; utvikler forståelse av dataintensitet (QCS – Kvalitet, Overholdelse & Hastighet) for forretningsbrukstilfeller; balanserer og vokser dataetterspørsel og -tilbud (gjennom DOM – Data Operating Model); bringer inn gjennomføringskompetanse i form av mennesker, prosess og teknologi for datasønnen; og en endringsagent for planlegging og gjennomføring av strukturendring på tvers av bedriften, med støtte fra styret og CEO, og involvering av lederne av andre sønner.
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 ustukt data (slik som PDF-er, bilder og videoer) kritisk. De fleste bedrifter er for tiden ikke modne i prosessering av ustukt data. Dessuten blir AI-modeller en kommoditet – Data skaper differensiering fra bruk 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 en måling av hvor “passende” 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 “skrald inn, skrald ut”-prinsippet. Lavkvalitetsdata fører til feilaktige analyser og upålitelige AI.
- Overholdelse: Overholder dataen alle lover 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?
Å definere en datastrategi er kritisk fordi det fungerer som en blåkopi som direkte kobler alle dataaktiviteter til bedriftens forretningsstrategi. Den omhandler veikartet for å utvikle og utnytte datakapasiteter for å akselerere forretningsresultater, som å øke inntekt, forbedre effisiens og bygge en konkurransefordel.
Til tross for 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 selskaper hopper rett til spennende AI-prosjekter uten en robust datafoundation, som er en primær årsak til at så mange av dem feiler.
Kunne du utdype hva et datastyringsrammeverk er, hvordan det skiller seg fra en datastrategi, og hvorfor det er nødvendig for å mitigere risikoer forbundet med dataanvendelse?
En datastrategi definerer målene en bedrift ønsker å oppnå med sine data. I kontrast, et datastyringsrammeverk muliggjør at forretningsbrukstilfellene kan bruke data på det nødvendige dataintensitetsnivået (Q, C og S), for å kunne levere forventet verdi.
Datastyringsrammeverket er kritisk for å mitigere risiko. Uten styring, blir data en skade. Det sikrer overholdelse av regler som GDPR, og forebygger massive boter og juridiske problemer. Det etablerer sikkerhets- og personvernstandarder som beskytter mot datalekkasjer og den resulterende omdømmeskaden. Gjennomføring av datakvalitet forebygger dyre forretningsbeslutninger basert på feilaktig informasjon. Og AI-agenter er nyttige bare når de mottar data på det nødvendige hastighetsnivået.
Tenk på det på denne måten: 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 Operating Model). Kunne du forklare hva dette er, og hvordan det hjelper organisasjoner å operasjonalisere sin datastrategi?
Et Data Operating Model (DOM) er motoren som oppfyller dataetterspørselen og møter databehovet. 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 til å ta daglige beslutninger. Uten adopsjon, går hele investeringen i datasønnen 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).
Ledere 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), og fører til dyre 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 datakvalitet og overvåkningsteam er godt definert. Hvorfor bør også mindre selskaper overveie denne boken, og hvordan kan de kompensere for å ikke ha disse rollene på plass?
For et mindre selskap, er data ofte den største differensiatoren. Det er langt enklere å bygge “Data som den fjerde sønnen”-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 et SMB-foretak fortalte oss: for meg, er Data den første sønnen, og jeg er CDO også.
Hvis det er ett nøkkelbudskap fra din bok, hva ville du ønske det å være?
Det endelige budskapet er at bedrifter må umiddelbart implementere den strukturelle endringen for å etablere Data som den fjerde sønnen i driftsmodellen, likeverdig med Mennesker, Proses og Teknologi. Dette er en eksistensiell beslutning som styre og CxO-er må fremme, fordi data er den definitive 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-sønn, risikerer å bli irrelevant og vil slite med å konkurrere i AI-første alderen. Tiden til å handle er NÅ!
Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør lese Data som den fjerde sønnen.
Disclaimer: Synspunktene uttrykt i denne artikkelen er de til forfatterne og reflekterer ikke nødvendigvis de til deres nåværende eller tidligere arbeidsgivere.
