Skoro dane to złoto, to dlaczego jeszcze nie jesteśmy bogaci?

Od kilku lat, regularnie wśród 10 firm o najwyższej kapitalizacji na świecie większość to organizacje związane z przetwarzaniem danych. Amazon przewozi dane z jednego wybrzeża USA na drugie przy pomocy ciężarówek, ponieważ jest to szybsze niż przesyłanie ich przez Internet.

Samochody Tesli jeżdżą same, Netflix podpowiada nam jaki serial będzie dla nas najlepszy, a czołowe drużyny sportowe wybierają zawodników z użyciem sztucznej inteligencji.

Można powiedzieć, że powyższe przykłady to odległy świat, który dotyczy zaledwie kilku najbardziej zaawansowanych firm technologicznych. Pozostałe 99,99 proc. organizacji jest w zupełnie innej sytuacji.

Jednak od dłuższego czasu na konferencjach technicznych i biznesowych rządzą takie hasła jak Big Data, Internet rzeczy, sztuczna inteligencja czy przetwarzanie w czasie rzeczywistym.

Ludzkość podwaja ilość posiadanych danych co dwa lata. Nasze firmy również zbierają coraz więcej danych. Skoro dane są tak cenne i mamy ich tak dużo, to dlaczego wszyscy jeszcze nie jesteśmy bogaci?

Odpowiedź na to pytanie jest bardzo złożona. W kolejnych akapitach rozważę kluczowe, a często pomijane aspekty, które powodują, że nasze organizacje mimo najlepszych chęci nie wykorzystują potencjału jaki tkwi w danych, które już posiadają.

Proste rozwiązania trudnych problemów

Pierwszym problemem jaki można zauważyć jest wiara w proste rozwiązania skomplikowanych problemów. W obszarze analityki danych szczególnie szkodliwe było zachłyśnięcie się pojęciem „Big Data”.

Pojawił się trend, że skoro danych jest tak dużo to potrzebujemy prostych i elastycznych narzędzi. Niektóre organizacje porzuciły swoje gotowe lub tworzące się hurtownie danych na rzecz tak zwanych Data Lake. Rozwiązań, które są tanie i szybkie we wdrożeniu, ale nie zapewniają odpowiedniego poziomu integracji danych, niezbędnego w raportowaniu biznesowym i analityce wizualnej.

Jednak praca nad przygotowaniem danych prędzej czy później musi być wykonana. Jeśli nie realizujemy pewnych działań podczas przygotowania źródeł danych dla biznesu, będą musiały to zrobić samodzielnie osoby przygotowujące raporty. Ta praca nie zniknie, a przy takim podejściu wręcz się zwielokrotni.

Chcąc uniknąć takiej pułapki musimy tworzyć strategię dla kogo, jakie dane i w jakiej formie będą potrzebne. Na powyższym przykładzie, jeżeli chcemy budować cykliczne raporty i dać pracownikom biznesowym szansę na samodzielne przygotowanie analiz, musimy przygotować hurtownię danych.

Natomiast dla naszego zespołu Data Science idealnym miejscem pracy będzie Data Lake: bez sztywnych reguł, ograniczeń, a przy tym zapewniając dużą wydajność.

Święta i odwieczna wojna

Drugim problemem w obszarze wykorzystania danych do budowy przewagi konkurencyjnej jest trudność we współpracy i wzajemnym zrozumieniu między IT, a działami biznesowymi.

Taka sytuacja występuje w dwóch formach. Dział IT może dyktować całej organizacji jakie rozwiązania powinny być wdrożone i samodzielnie realizować projekty. Efektem takiego podejścia jest najczęściej „kawał dobrej, nikomu niepotrzebnej roboty”. Systemy są nowoczesne, wydajne, w dobrej architekturze. Tylko nie realizują potrzeb biznesowych.

Z drugiej strony, w wielu organizacjach zauważamy prymat biznesu nad IT. Do tego stopnia, że systemy IT są przygotowane według wytycznych biznesu, bez uwzględnienia głosu IT. Dochodzi do sytuacji, w której systemy są piękne i świetnie rozwiązują problemy biznesowe.

A w zasadzie rozwiązywałyby. Gdyby pasek ładowania kiedykolwiek dotarł do końca. Okazuje się, że bez kontroli nad architekturą, dialogu technicznego z dostawcą, czy też ogólnego zrozumienia zasad działających w IT, działy biznesowe nie są w stanie wziąć na siebie odpowiedzialności za przygotowanie systemów informatycznych.

Temat robi się szczególnie dramatyczny w przypadku budowy systemów takich jak hurtownia danych. Pierwsza weryfikacja po stronie biznesu w projektach tego typu jest możliwa po stworzeniu raportów, więc zazwyczaj pod koniec projektu. Całe to wcześniejsze mówienie o modelu danych, strukturze płatka śniegu oraz transformacji i integracji danych wywołuje raczej konsternację i „brak uwag”.

Rozwiązaniem tego problemu jest pozyskiwanie i angażowanie w projekty osób łączących kompetencje biznesowe z technicznymi: analityków biznesowych, analityków danych i data scientistów − z prawdziwym powołaniem do tych zawodów.

Ludzi, którzy przy mocnych podstawach technicznych są naprawdę zainteresowani zrozumieniem i realizacją potrzeb biznesu. Ludzi, którzy nie tyle chcą przygotować kolejny model danych, ale zrozumieć jaką przewagę chce osiągnąć organizacja poprzez budowę nowego zbioru danych analitycznych czy zestawu raportów.

 Buzzwords

Kolejny problem stanowi moda. I to w dużej mierze nasza wina − ludzi IT. Z jednej strony istnieje stereotyp programistów jako osób, którzy nie nadążają za nowinkami modowymi w zakresie ubioru. Z drugiej strony − my sami zachowujemy się czasem jak modnisie technologiczne. Idziemy ślepo za każdą nową koncepcją, jakby miała być rozwiązaniem wszystkich problemów technicznych i biznesowych równocześnie.

Jeszcze niedawno takim lekiem na wszystko miała być właśnie „Big Data”. Teraz naszymi umysłami rządzi blockchain i sztuczna inteligencja. Firmy wydają ogromne pieniądze na implementacje tych modnych nowinek, a zwrotu z tych inwestycji nie widać.

Kluczem do pokonania tego problemu jest głębsza analiza i odarcie nowinek technologicznych z marketingu. Jeżeli zrozumiemy, jakie każda z tych technologii ma silne strony i jakiego typu problemy biznesowe może rozwiązać, to będziemy już w połowie drogi, aby je dobrze zastosować.

Druga połowa to zrozumienie problemu jaki chcemy rozwiązać. Największym problemem „Big Data” okazał się brak uzasadnień biznesowych. Dochodziło do sytuacji, w której wdrażane były systemy oparte na technologiach Hadoop, a potem szukano, jak można by je wykorzystać.

W przypadku nowinek technologicznych kluczowe jest przystanąć i zastanowić się najpierw nad potrzebami, a dopiero potem nad technologią, która może je realizować.

Kluczowe jest zarządzanie danymi

Innym kluczowym problemem jest pomijanie w całej dyskusji o wykorzystaniu danych samych danych. A dokładnie rzecz biorąc − pomijanie dbałości o zarządzanie danymi, ich porządkowanie i kontrolowanie jakości.

Znamienne jest to, że w każdej organizacji, w której miałem przyjemność budować systemy Business Intelligence na początku słyszę: „problem jakości danych nas nie dotyczy”. Ale gdy dane zaczynają zasilać raporty, systemy CRM, czy też systemy automatyzacji marketingu, to temat powraca jak bumerang. Bo wszyscy mamy ten problem. Przez lata zaniedbaliśmy nasze dane i teraz musimy to nadrobić.

Obecnie najważniejszym aspektem tematu zarządzania danymi jest budowanie świadomości. W szczególności u osób, które zarządzają naszymi organizacjami. Projekty prowadzące do uporządkowania danych i procesów z nimi związanych dotykają całości organizacji i nie należą do łatwych. Dlatego bez wsparcia ze strony zarządu takie projekty po prostu nie mają racji bytu.

Świadomość ważności procesów zarządzania danymi opiera się na zrozumieniu dwóch kluczowych aspektów. Po pierwsze, dane niskiej jakości obniżają skuteczność działających w organizacji procesów. Na przykład, jeśli firma posiada CRM, to skuteczność jego działania będzie wprost proporcjonalna do jakości danych, które go zasilają.

Po drugie, ogromna ilość projektów z pogranicza biznesu i IT kończy się z opóźnieniem, z przekroczonym budżetem lub po prostu porażką ze względu na niedoszacowanie czasu i środków potrzebnych na przygotowanie danych. Innymi słowy − niskiej jakości dane stanowią poważny hamulec dla rozwoju organizacji biznesowych.

Dane, ale z rozsądkiem

Budowanie przewagi konkurencyjnej w oparciu o dane nie jest już dziś kwestią wyboru. Kto chce się rozwijać musi uwzględnić dane w strategii rozwoju swojego przedsiębiorstwa. Z drugiej strony, jesteśmy bombardowani informacjami, w jaki sposób największe firmy i startupy IT wykorzystują dane budując rozwiązania z pogranicza „magii”.

W tym wszystkim musimy zachować pewien dystans. Tych kilka najbardziej zaawansowanych organizacji przyjęło dane jako najważniejsze (jeśli nie jedyne) źródło przewagi konkurencyjnej.

Jednak w tradycyjnych gałęziach biznesu, jak bankowość, ubezpieczenia, produkcja, czy retail, metod konkurowania jest znacznie więcej. W związku z tym należy czerpać inspirację od gigantów technologicznych, ale równocześnie trzeba przełożyć te inspiracje na nasz własny biznes.

Budowa organizacji opartej na danych to nie jest chwila. Nie zaczynajmy jej od końca, wdrażając programy rozwoju sztucznej inteligencji, podczas gdy fundament przygotowania danych jeszcze nie został położony.

Łukasz Nienartowicz

Head of Business Intelligence w Britenet