Intervjuer
Siddharth Rajagopal & Sujay Dutta, författare till Data som den fjärde pelaren – Intervjuserie
Lägg till Unite.AI bland dina föredragna källor på Google
Sujay Dutta är en erfaren teknologi- och affärsledare med 25+ års global erfarenhet. Han tror att framtiden formas vid skärningspunkten mellan AI, affärsresultat, kultur och data (“A.B.C.D.”). Han arbetar för närvarande som Global Account Lead på Databricks.
Siddharth (Sidd) Rajagopal är Chief Architect i Field CTO-organisationen på Informatica. I sin roll arbetar han med seniora chefer i företag för att tillhandahålla tankledarskap kring data och datadrift genom att dela med sig av sina insikter och erfarenheter.
Data som den fjärde pelaren presenterar fallet för att behandla data som en grundläggande komponent i företags framgång, på samma nivå som människor, processer och teknik. Riktad till styrelser, VD:ar och seniora chefer, boken beskriver en strukturerad approach för att integrera datastrategi i företagets beslutsfattande. Den introducerar ett mognadsramverk och praktiska mått som Total Addressable Value (TAV) och Expected Addressable Value (EAV) för att hjälpa organisationer kvantifiera effekten av datainitiativ. Författarna undersöker också samspelet mellan data och artificiell intelligens, och hur de förstärker varandra. Med stöd av en fallstudie från AUDI AG:s Rüdiger Eck, kombinerar boken teori med verklig tillämpning, vilket gör den till en praktisk guide för chefer i både SMB och stora företag som navigerar i dagens konkurrensutsatta, data-drivna landskap.
Er bok titel hänvisar till data som den fjärde pelaren. Kan ni sammanfatta vad de tre första pelarna är, och varför data bör betraktas som den fjärde pelaren?
De tre traditionella/existerande pelarna är Människor, Process och Teknik. Varje pelare har lagts till allteftersom företagen har mognat över åren. Historiskt sett var data bara en driftsprodukt av dessa pelare, hanterad av IT. Nu, i den nuvarande AI-första eran, är data inte längre en biprodukt. Det är den primära drivkraften för värde, men kan också riskera företagets existens – därför hänvisar vi till Data som Eld. För att lyckas måste data höjas till en jämställd fjärde pelare. Med Data som den fjärde pelaren skapar varje pelare en flugverkan med de andra pelarna, som möjliggör och gynnar varandra. Data som den fjärde pelaren säkerställer att data får samma C-nivå och styrelse-nivå uppmärksamhet som människor, processer och teknik, och förvandlar det från en kostnadsenhet till en mätbar företags-tillgång som driver affärs-tillväxt.
Den positionen som Chief Data Officer (CDO) beskrivs som en kärnroll, rekommenderad att samarbeta med VD, CTO och andra seniora chefer. Kan ni ge oss en övergripande översikt av vad denna roll omfattar och dess nyckelansvar?
CDO, som ledare för datapelaren, är en värdeskapare som accelererar affärsresultat; utvecklar förståelse för dataintensitet (QCS – Kvalitet, Efterlevnad & Hastighet) för affärsanvändningsfall; balanserar och växer dataproduktion och konsumtion (genom DOM – Data Operating Model); säkerställer genomförande-excellens i termer av människor, processer och teknik för datapelaren; och en förändringsagent för planering och genomförande av strukturella förändringar inom företaget, med styrelsens och VD:s stöd, och med involvering av ledare från andra pelare.
Varför är det så viktigt att samla in och genomföra data för att utnyttja AI i stor skala?
Igen, Data är som Eld. Det bränslar AI. Ett AI-modell måste lära sig mönster, relationer och beteenden direkt från de data det matas med, för att kunna leverera affärs-påverkan. Dessutom är ostrukturerad data (såsom PDF:er, bilder och videor) kritisk för AI. De flesta företag är för närvarande inte mogna i att bearbeta ostrukturerad data. Dessutom blir AI-modeller alltmer en kommoditet – Data skapar differentiering från användningen av en AI-modell.
Boken går in på detalj om dataintensitet. Kan ni kort förklara vad detta innebär och varför det är så viktigt?
Dataintensitet är ett mått på hur “anpassat för ändamål” er data är för att accelerera affärs-värde, särskilt för att skala AI. Varje affärsfall kräver data på olika sätt, med olika intensitet. Vår bok introducerar QCS-ramverket för att mäta dataintensitet över tre kritiska dimensioner:
- Kvalitet: Är data korrekt, fullständig, konsekvent och tillförlitlig? Detta är “skräp in, skräp ut”-principen. Lågkvalitetsdata leder till felaktig analys och opålitlig AI.
- Efterlevnad: Följer data alla lagliga och etiska standarder, såsom dataskyddsförordningar (såsom GDPR) och branschspecifika regler? Icke-efterlevnad skapar enorma risker.
- Hastighet: Är data tillgängligt tillräckligt snabbt för att vara användbart? Detta hänvisar till hastigheten med vilken data samlas in, bearbetas och görs tillgängligt för beslutsfattande (t.ex. realtidsbearbetning vs. batchbearbetning). Traditionellt har företag mognat för att utföra i en eller två dimensioner. En bank skulle kunna leverera på Q- och C-dimensionerna, medan ett start-up-företag skulle fokusera på Q- och S-dimensionerna. Utmaningen för företag i AI-första eran är att utföra på en hög nivå i alla tre dimensioner (Q, C och S) samtidigt och konsekvent.
Varför är det så viktigt att definiera en datastrategi, och varför försummas detta ofta?
Att definiera en datastrategi är kritiskt eftersom det fungerar som en ritning som direkt kopplar alla dataaktiviteter till företagets affärsstrategi. Det beskriver vägkarten för att utveckla och utnyttja dataförmågor för att accelerera affärsresultat, såsom att öka intäkter, förbättra effektivitet och bygga en konkurrensfördel.
Trots detta försummas en datastrategi ofta av flera nyckelskäl. Historiskt sett har affärsledare sett data som en biprodukt av affärsverksamhet och ett tekniskt IT-problem, snarare än en C-nivå-strategisk funktion. Utan en tydlig ägare, såsom en Chief Data Officer, hamnar detta viktiga arbete ofta i ett ledarskapsvakuum. Detta leder företag att gå direkt till spännande AI-projekt utan en robust datagrund, vilket är den primära anledningen till att så många av dem misslyckas.
Kan ni utveckla vad en datastyrningsram är, hur den skiljer sig från en datastrategi och varför den behövs för att mildra risker associerade med dataanvändning?
En datastrategi definierar målen som ett företag vill uppnå med sin data. I kontrast möjliggör en datastyrningsram att affärsanvändningsfall kan använda data vid den erforderliga dataintensiteten (Q, C och S) för att kunna leverera förväntat värde.
Datastyrningsramen är avgörande för att mildra risk. Utan styrning blir data en belastning. Den säkerställer efterlevnad av regleringar som GDPR, och förhindrar massiva böter och rättsliga problem. Den etablerar säkerhets- och sekretessstandarder som skyddar mot dataintrång och den resulterande skadade rykten. Den säkerställer datakvalitet och förhindrar dyra affärsbeslut baserade på felaktig information. Och AI-agenter är endast användbara när de får data vid den erforderliga hastigheten.
Tänk på det så här: Er strategi är destinationen på en karta; er styrningsram är trafikreglerna ni följer för att komma dit utan att krascha.
Ni diskuterar också begreppet DOM (Data Operating Model). Kan ni förklara vad detta är och hur det hjälper organisationer att operationalisera sin datastrategi?
En Data Operating Model (DOM) är motorn som uppfyller dataproduktionen för att möta datakonsumtionen. DOM operationaliserar strategin genom att översätta övergripande mål till konkreta, återanvändbara åtgärder. Det är ett praktiskt ramverk som industrialiserar leveransen av data vid den erforderliga dataintensiteten, bestående av människor, processer och teknik.
Medan rätt datastrategi och styrning säkerställer goda avsikter, beror framgång ofta på dataanvändning och datahanteringsledning. Kan ni kort diskutera dessa två element och varför chefer bör uppmärksamma dem?
Framgång med data hänger samman med dataanvändning och datahanteringsledning.
Dataanvändning är den kulturella sidan – med era team som faktiskt använder data för att fatta dagliga beslut. Utan användning slösas hela investeringen i datapelaren bort.
Datahanteringsledning är den tekniska ryggraden – byggandet och underhållet av den tillförlitliga “datafabriken” som samlar in och bearbetar data för att möta dataintensitetskraven (QCS).
Chefer måste främja båda. Dålig användning innebär att investeringen slösas bort. Dålig hantering innebär att företaget opererar med olämplig data (dvs. data som inte uppfyller den erforderliga dataintensiteten), vilket leder till dyra misstag, urholkar förtroendet, skapar efterlevnadsproblem och gör varje AI-initiativ omöjligt.
Boken är skriven med större företag i åtanke, där roller som CDO, data-riskhantering, dataåtkomsthantering och datakvalitets- och observerbarhetsteam är väldefinierade. Varför bör även mindre företag överväga denna bok, och hur kan de kompensera för att inte ha dessa roller på plats?
För ett mindre företag är data ofta den största differentieringen. Det är mycket lättare att bygga “Data som den fjärde pelaren”-DNA korrekt från början än att korrigera ett stort, traditionellt företag senare. Att få data-grunden rätt tidigt ger en massiv konkurrensfördel för tillväxt och framtida AI-användning. Som en VD för ett SMB-företag sa till oss: för mig är Data den första pelaren, och jag är CDO också.
Om det finns en viktig slutsats från er bok, vad skulle ni vilja att den vore?
Den avgörande slutsatsen är att företag måste omedelbart genomföra den strukturella förändringen för att etablera Data som den fjärde pelaren i driftsmodellen, jämställd med Människor, Processer och Teknik. Detta är ett existentiellt beslut som styrelser och CxO:er måste främja, eftersom data är den avgörande differentieringen och den oumbärliga grunden som krävs för att framgångsrikt skala AI och säkra en konkurrensfördel i framtiden. Företag som inte integrerar data som en kärnpelare riskerar irrelevans och kommer att kämpa för att konkurrera i AI-första eran. Tiden att agera är NU!
Tack för den underbara intervjun, läsare som vill lära sig mer bör läsa Data som den fjärde pelaren.
Disclaimer: De åsikter som uttrycks i denna artikel är författarnas och speglar inte nödvändigtvis deras nuvarande eller tidigare arbetsgivare.
