211service.com
Een krachtige data- en AI-organisatie bouwen
In associatie met Databricks
CxO's en besturen erkennen dat het vermogen van hun organisatie om bruikbare inzichten uit data te genereren, vaak in realtime, van het hoogste strategische belang is. Mochten er twijfels zijn over deze score: de versnelde vlucht naar digitaal van consumenten in het afgelopen crisisjaar heeft ze verdreven. Om hen te helpen datagedreven te worden, zetten bedrijven steeds geavanceerdere cloudgebaseerde technologieën in, waaronder analysetools met machine learning (ML)-mogelijkheden. Wat deze tools opleveren, zal echter van beperkte waarde zijn zonder overvloedige, hoogwaardige en gemakkelijk toegankelijke gegevens.
Een krachtige data- en AI-organisatie bouwen
Effectief datamanagement is daarbij een van de fundamenten van een datagedreven organisatie. Maar het beheren van gegevens in een onderneming is zeer complex. Naarmate nieuwe datatechnologieën in gebruik worden genomen, neemt de last van legacy-systemen en datasilo's toe, tenzij ze kunnen worden geïntegreerd of afgeschermd.
Fragmentatie van architectuur is een hoofdpijn voor menig chief data officer (CDO), niet alleen vanwege de silo's, maar ook vanwege de verscheidenheid aan on-premise en cloudgebaseerde tools die veel organisaties gebruiken. Samen met een slechte datakwaliteit zorgen deze problemen ervoor dat de dataplatforms van organisaties - en de machine learning- en analysemodellen die ze ondersteunen - de snelheid en schaal ontnemen die nodig zijn om de gewenste bedrijfsresultaten te leveren.
Om te begrijpen hoe databeheer en de technologieën waarop het vertrouwt evolueren te midden van dergelijke uitdagingen, heeft MIT Technology Review Insights 351 CDO's, chief analytics officers, chief information officers (CIO's), chief technology officers (CTO's) en andere senior technologieleiders ondervraagd. We hebben ook diepte-interviews gehouden met verschillende andere senior technologieleiders. Dit zijn de belangrijkste bevindingen:
- Slechts 13% van de organisaties blinkt uit in het realiseren van hun datastrategie. Deze selecte groep toppresteerders levert meetbare bedrijfsresultaten in de hele onderneming. Ze slagen dankzij hun aandacht voor de fundamenten van goed databeheer en -architectuur, die hen in staat stellen data te democratiseren en waarde te halen uit machine learning.
- Door technologie ondersteunde samenwerking creëert een werkende datacultuur. De voor het onderzoek geïnterviewde CDO's hechten veel belang aan het democratiseren van analytics en ML-mogelijkheden. Door deze tot het uiterste te drijven met geavanceerde datatechnologieën, kunnen eindgebruikers beter geïnformeerde zakelijke beslissingen nemen - de kenmerken van een sterke datacultuur.
- De zakelijke impact van ML wordt beperkt door moeilijkheden bij het beheren van de end-to-end levenscyclus. Het schalen van ML-gebruiksscenario's is voor veel organisaties buitengewoon complex. De grootste uitdaging is volgens 55% van de respondenten het ontbreken van een centrale plek om ML-modellen op te slaan en te ontdekken.
- Bedrijven zoeken cloud-native platforms die gegevensbeheer, analyse en machine learning ondersteunen. De belangrijkste dataprioriteiten van organisaties in de komende twee jaar vallen uiteen in drie gebieden, die allemaal worden ondersteund door een bredere acceptatie van cloudplatforms: verbetering van databeheer, verbetering van data-analyse en ML, en uitbreiding van het gebruik van alle soorten bedrijfsdata, inclusief streaming en ongestructureerde data .
- Open standaarden zijn de belangrijkste vereisten van toekomstige data-architectuurstrategieën. Als respondenten een nieuwe data-architectuur voor hun bedrijf zouden kunnen bouwen, zou het belangrijkste voordeel ten opzichte van de bestaande architectuur een grotere omarming van open source-standaarden en open data-indelingen zijn.
Download het volledige rapport.
Deze inhoud is geproduceerd door Insights, de aangepaste inhoudstak van MIT Technology Review. Het is niet geschreven door de redactie van MIT Technology Review.