انواع مدلهای بلوغ داده
مدلهای بلوغ داده، چارچوبهایی هستند که کسبوکارها یا افراد میتوانند از آنها استفاده کنند تا اطمینان حاصل کنند که از دادههایشان به بهترین شکل استفاده میکنند. از آنجایی که داده انواع مختلفی دارد، تعداد مدلهای بلوغ داده زیاد است.
داشتن درکی از مدلهای بلوغ داده محبوب میتواند به شما در دستهبندی(classifying) و مرتبسازی (sorting) دادههای خود کمک کند. بنابراین، بیایید نگاهی به برخی از این مدلها بیندازیم. همچنین توجه به این نکته که در بیشتر موارد شرکتها نباید هدف خود را صرفا در استفاده از یکی از مدلهای زیر قرار دهند، اهمیت دارد. ترکیبی از چند مدل ممکن است بهترین نتایج را به ارمغان بیاورد.
۱. مدل بلوغ داده Dell[1]
شاید معروفترین مدل بلوغ داده، مدل Dell است. در واقع، این مدل روشی برای رتبهبندی کسبوکار با استفاده از یک سیستم ستارهای، از یک تا چهارستاره براساس توانایی استفاده درست آن کسبوکار از دیتاست.
این مدل، سطوح مختلف درزمینه استفاده از دادهها را تجزیه و تحلیل میکند و توضیح میدهد که یک شرکت برای رسیدن به هر یک از چهار سطح چه کارهایی باید انجام دهد. این سطوح به شکل زیر هستند:
آگاه از داده
برای رسیدن به سطح ورودی مدل بلوغ داده Dell، کسبوکار باید هرگونه گزارش و فرم را به صورت دستی تهیه کند. آگاه شدن از داده تقریباً سادهترین سطح رابطهی شما با داده است.
تخصص در داده
در سطح دوم بلوغ داده، پردازشهای خودکار بیشتر و درک بهتری از قابلیتهای این دادهها نشان داده میشود.
ادراک داده
در اینجا، آگاهی شرکتها از دادههای خود به اوج میرسد؛ زیرا آنها باید از دادهها برای اتخاذ تصمیماتی استفاده کنند که میتواند تأثیر قابل توجهی بر روی کسبوکار آنها داشته باشد.
محوریت داده
بزرگترین شرکتهای فناوری در جهان و هوشمندترین مدیران عامل تلاش میکنند تا به این سطح برسند. در این نقطه، داده همه چیز است. در این سطح هیچ تصمیمی در کسبوکار بدون دخالت داده گرفته نمیشود.
بهطور طبیعی، کسب و کارها میخواهند در سطح چهارم قرار داشته باشند. این امر ممکن است بهدلیل طبیعت کسبوکار همواره ممکن نباشد، اما رسیدن به بالاترین سطح ممکن هرگز ایده بدی نیست.
استفاده از مدل بلوغ داده Dell به عنوان یک راهکار قابل توصیه برای اکثر شرکتها میباشد.
۲. مدل بلوغ داده Gartner[8]
یک مدل مدرنتر با رویکردی جامعتر برای بلوغ دادهها، مدل بلوغ داده Gartner است که در سال ۲۰۰۸ ارائه شد. همانند مدل Dell، این مدل سطوحی را تعریف میکند که شرکت میتواند با قرار گرفتن در آنها، بهترین بهرهبرداری را از بلوغ داده خود داشته باشد.
این مدل به طور مشخصتری روند شرکت را مشخص میکند که میتواند در توضیح سیاست دادههای یک شرکت به یک کارمند، سهامدار یا در واقع یک مشتری مفید باشد. بیایید به پنج سطح نگاه کنیم، درحالی سطح ۰ را که در واقع به بهبود دادهها کمک نمیکند را نادیده بگیریم.
سطح اول: آگاه – آگاه شدن مرحله اولیه تشخیص هر نوع دادهای است. در این مرحله از تشخیص داده، از دادهها به صورت بسیار پایهای استفاده میشود تا به شرکت در سطح بنیادی و اساسی کمک کند.
سطح دوم: واکنشپذیر – اولین مرحله صحیح درگیری با داده است. در این مرحله، تیمها شروع به اشتراک گذاری داده با یکدیگر میکنند. اما تغییرات قابل توجهی در این مرحله رخ نمیدهد.
سطح سوم: پیشبینیکننده – در این مرحله، شرکتها میتوانند خود را در موقعیت برتر قرار دهند. هر شرکت باید یک سیستم مدیریت اطلاعات داشته باشد که بتواند از آن برای بهبود محصول یا خدمت استفاده کند.
سطح چهارم: مدیریتشده – در اینجا مدیریت اطلاعات سازمانی (معروف به EIM) به کمال رسیده است. سیاستهایی که EIM تعیین میکند، توضیح میدهند که چگونه بهرهبرداری دادههاو امنیت آنها را بیشینه کنیم. در سطح ۴ شرکت با این سیاستها آشنایی کامل دارد.
سطح پنجم: کارامد – در این سطح شرکت به حداکثر کارایی خود در مدیریت و استفاده از داده رسیده است. دیگر امکان بهبود بیشتر در محل فعلی وجود ندارد. تعداد کمی از شرکتها میتوانند با صداقت ادعا کنند که به این سطح رسیده اند.
اگر این مراحل برای شما و کسبوکارتان منطقیتر به نظر میرسند، میتوانید از آنها بهجای مدل Dell به عنوان الهام برای پیشرفت در مقیاس بلوغ داده استفاده کنید.
۳. مدل بلوغ داده Snowplow[9]
شرکت Snowplow تعریفی مدرنتر از بلوغ داده و چارچوبی متفاوت برای پیشرفت در مقیاس بلوغ داده ارائه میدهد. شاید متوجه شده باشید که در نمودار بالا اطلاعاتی کمی وجود دارد و دلیل آن این است که Snowplow نسبت به مدلهای دیگری که تاکنون بررسی کردیم، نگاهی پویاتر به مراحل مختلف دارد.
با این حال، Snowplow برخی اطلاعات را در مورد معنای هر سطح ارائه میدهد. همچنین این مدل در تعریف “Pioneers” به عنوان یکی از سطوح، یک گام بیشتر از سایر مدلها پیش میرود. بیایید نگاهی به معنای آن بیاندازیم و ببینیم آیا ممکن است که خودمان به سطح “Pioneers” برسیم.
آگاه از داده – در این مرحله، شرکتها یا سازمانها اطلاعات کمی درباره دادهها دارند و استفاده چندانی از آنها نمیکنند.
توانایی کار با داده – در اینجا، ما شروع به ذخیرهسازی برخی از دادهها میکنیم و محدودیتهای یک پلتفرم تحلیلی را متوجه میشویم.
تسلط بر داده – در این مرحله، شرکت شما دادهها را از منابع مختلف به هم متصل میکند و مدلسازی داده را با دقت بیشتری انجام میدهد.
پردازش مبتنی بر داده – در این مرحله پیش از آخر، از پردازش دادهها بهصورت بی درنگ استفاده میشود و حتی ممکن است محصولات دادهای ساخته شده و در فرآیندهای عملیاتی به کار برده شود.
پیشگامان داده – مشتریان این شرکت همانند شرکتهای فناوری بزرگ گه قبلتر درباره آنها صحبت کردیم، تجربهای بسیار شخصیسازی شده خواهند داشت. از نظر استخدام، آنها به طور دقیق میدانند چه نیازهایی برای پیدا کردن افراد مناسب با مهارتهای مناسب وجود دارد.
۴. مدل DELVE از سازمان Royal Society[10]
مدل Snowplow بدون شک به سطح بیشتری از وضوح درباره معنای پیشرفت در مقیاس بلوغ داده، درمقایسه با مدلهای Dell و Gartner ارائه میکند. اما، ما یک مدل دیگر داریم که فکر میکنیم به همان اندازه مهم است و باید بررسی شود، و آن مدل Royal Society DELVE است.
در این مدل، دوباره پنج سطح وجود دارد. سطوح به نرخ مشابهی با دو مدل دیگر افزایش مییابند، اما Royal Society به هر سطح تعریفی کمی متفاوت ارائه میدهد. به عنوان مثال، توجه کنید که تعریف “واکنشگرا” در این مدل با مدل Gartner تفاوت قابل توجهی دارد و در مرحلهای متفاوت از مسیر قرار دارد.
این بدان معنی نیست که مدل DELVE ضرورتا بهتر است، بلکه فقط از زاویهای متفاوت به بررسی میپردازد. جهت دریافت اطلاعات بیشتر درباره تفسیر مدل DELVE از سوی Royal Society در مقیاس بلوغ داده، لطفاً جدول زیر را بررسی کنید.
[1] The Dell Data Maturity Model
[2] Data Aware
[3] Data Proficient
[4] Data Savvy
[5] Data Driven
[6] Key Performance Indicator
[7] Business Intelligence
[8] The Gartner Data Maturity Model
[9] Snowplow Data Maturity Model
[10] Royal Society DELVE Model
منبع: softkraft.co
ترجمه و ویرایش اختصاصی برای وبلاگ داتا: سپیده سلطانی
![حاکمیت هوش مصنوعی در اقتصاد دیجیتال](https://datatejarat.ir/wp-content/uploads/2024/09/حاکمیت-هوش-مصنوعی.jpg)
حاکمیت هوش مصنوعی و مدیریت داده در اقتصاد دیجیتال
اقتصاد دیجیتال به سرعت در حال تکامل است و موفقیت بهکارگیری هوش مصنوعی در امور، وابستگی زیادی به قوت اقداماتی […]
![بازگشت کلانداده به مرکز توجهات](https://datatejarat.ir/wp-content/uploads/2024/08/Blog-Post-Big-Data.jpg)
بازگشت شکوهمند کلان داده به مرکز توجهات
اگر شما هم از شنیدن عباراتی مبنی بر پیشی گرفتن اهمیت کلان داده بر هوش مصنوعی متعجب شدهاید، احتمالا ذهن […]
![تحول مدیریت ریسک در صنعت بانکداری](https://datatejarat.ir/wp-content/uploads/2024/08/Blog-Posts-03.jpg)
تحول مدیریت ریسک در صنعت بانکداری
به کمک هوش مصنوعی در حال انجام است در افق همواره در حال تغییر صنعت بانکداری، مدیریت ریسک را باید […]