سازمان‌هایی که در مسیر داده‌محور شدن و بهره‌گیری از هوش مصنوعی گام برمی‌دارند، معمولاً سرمایه‌گذاری زیادی روی آموزش‌های فنی انجام می‌دهند. دلیلش البته واضح است؛ بدون مهارت‌های فنی و تسلط بر ابزارهای تحلیلی که سنگ بنای کار با داده است، پردازش و تحلیل داده‌ها ناممکن به نظر می‌رسد. اما موضوع اینجاست که در دنیای امروز، موفقیت در تحلیل داده و هوش مصنوعی فراتر از صرفاً تسلط بر ابزارهای تکنیکال است. مهارت‌هایی مانند تفکر انتقادی، درک نیازهای کسبوکار و توانایی انتقال بینش‌های داده‌ای به دیگران، همان حلقه‌ی گمشده‌ای هستند که اغلب نادیده گرفته می‌شود. بدون این مهارت‌ها، حتی پیچیده‌ترین مدل‌های تحلیلی نیز ممکن است دردی از سازمان دوا نکنند!
تجربه سازمان‌های مختلف نشان می‌دهد که اگرچه آموزش کارکنان برای استفاده از ابزارها و سیستم‌ها مهم است، اما مهارت‌های فنی به تنهایی برای ایجاد تیم‌هایی که در داده و هوش مصنوعی بسیار باسواد هستند، کافی نیست.
سواد داده و هوش مصنوعی، توانایی خواندن، درک، ایجاد و برقراری ارتباط با داده‌ها در حین استفاده و ارزیابی انتقادی هوش مصنوعی است. اما سواد واقعی نیازمند مجموعه‌ای از ویژگی‌هایی است که بسیار گسترده‌تر از آنچه معمولاً در برنامه‌های آموزشی داده و هوش مصنوعی تدریس می‌شود است.
در ادامه برخی ویژگی‌ها و مهارت‌های نرمم ضروری که مهارت‌های فنی را به سواد واقعی داده و هوش مصنوعی تبدیل می‌کنند، بررسی شده است.
آگاهی و مسئولیت اخلاقی
هیچ کس به کودکان اجازه استفاده از اجاق گاز را نمی‌دهد تا زمانی که متوجه شوند چقدر می‌تواند خطرناک باشد، و به افراد اجازه رانندگی داده نمی‌شود تا زمانی که قوانین ایمنی اساسی جاده را یاد گرفته باشند. به طور مشابه، نباید به تیم‌ها مهارت‌های فنی پیشرفته داده شود تا زمانی که یاد گرفته باشند با این مهارت‌ها چه آسیب‌هایی می‌تواند وارد شود.
با این حال، این دقیقاً همان کاری است که سازمان‌ها دهه‌ها است انجام می‌دهند، و به همین دلیل است که بسیاری از ابتکارات داده و پروژه‌های هوش مصنوعی نادرست پیش می‌روند. تیم‌ها اغلب قبل از اینکه پیامدهای اخلاقی کار خود را کاملاً درک کنند، به ابزارهای قدرتمند مجهز می‌شوند. نتیجه این امر از نقض حریم خصوصی گرفته تا تحلیل‌های نادرست تفسیر شده که باعث آسیب و منجر به زیان‌های پرهزینه کسب و کار می‌شود، متغیر بوده است. اخلاق داده و هوش مصنوعی مسئولانه، دو سنگ بنای اساس سواد داده و هوش مصنوعی هستند.
نگرشی انتقادی اما با ذهنی باز
یکی از جنبه‌های نادیده گرفته شده سواد داده و هوش مصنوعی، توانایی باز ماندن به روی امکانات جدید در عین حفظ شکاکیت متعادل درباره فناوری است. اغلب این تمایل وجود دارد که افراد اعتماد بیش از حد به داده‌ها داشته باشند و به اشتباه باور کنند که هوش مصنوعی ورودی‌های عینی و بی‌نقص ارائه می‌دهد.
حقیقت این است که داده‌ها می‌توانند آلوده، نادرست و مغرضانه باشند. هوش مصنوعی که روی داده‌های ناقص آموزش دیده باشد، می‌تواند این نقص‌ها را منعکس کند. به همین دلیل، سازمان‌ها باید اعضای تیم خود را تشویق کنند تا خروجی‌های خود را به طور انتقادی ارزیابی کنند. اما آنها باید این کار را بدون بسته شدن نسبت به بینش‌هایی که می‌توانند ارائه دهند، انجام دهند. بین شکاکیت و بدبینی تفاوت زیادی وجود دارد؛ تیم‌ها باید به شکاکیت نزدیک‌تر باشند تا بدبینی.
برای شروع توسعه این ویژگی در سازمان‌ها لازم است که تیم‌ها تشویق شوند تا فرضیات خود را در حالی که نسبت به بینش‌های غیرمنتظره‌ای که از تحلیل آنها ظاهر می‌شود پذیرا هستند، به چالش بکشند و اعتبارسنجی کنند.
ذهنیت بهبود مستمر
متخصصان با تجربه، بخش قابل توجهی از دوران حرفه‌ای خود را در بهبود مستمر، هدایت تیم‌ها و آموزش رهبران پروژه برای کاهش خطاهای پرهزینه و اتلاف در فرآیندهای کسب و کار صرف می‌کنند. دیدن جهان از طریق لنزی متمرکز بر فرآیند، چشم افراد را به فرصتهای ارزشمندی که قبلاً از دست داده بودند، باز می‌کند.
اشتیاق روزافزون سازمان‌های امروز به فناوری‌های نوظهور، توجه را از نگاه دقیق به فرآیندها منحرف کرده است. تیم‌هایی که در داده و هوش مصنوعی بسیار باسواد هستند، درک می‌کنند که ارزش از طریق فرآیندها ارائه می‌شود و فرآیندهای کارآمد و قابل اعتماد کلید سازمان‌های موفق هستند. اگر داده یکی از ارزشمندترین دارایی‌های سازمان باشد، مدیران نه تنها باید تیم‌های خود را به استفاده از آن تشویق کنند، بلکه باید آنها را به بهبود مداوم آن در یک چرخه مثبت هدایت کنند.
به نظر می‌رسد چیزی که امروز سازمان‌ها نیاز دارند نقشه‌برداری از فرآیندها از ابتدا تا انتهاست تا تیم‌ها بتوانند بزرگترین فرصت‌ها برای استفاده از داده‌ها برای بهبود عملکرد را شناسایی کنید.
روحیه همکاری در استفاده از داده و هوش مصنوعی
در دنیای امروز، مفهوم «فراگیری» (Inclusivity) فراتر از یک واژه‌ی رایج، به موضوعی بحث‌برانگیز با ابعاد سیاسی و اجتماعی تبدیل شده است. برخی آن را به عنوان یک ضرورت در تصمیم‌گیری‌ها می‌پذیرند، در حالی که برخی دیگر آن را زائد یا حتی مخرب می‌دانند. اما از منظر علمی و مدیریتی، تحقیقات نشان داده‌اند که تنوع در تیم‌ها به بهبود کیفیت تصمیم‌گیری، کاهش سوگیری‌های شناختی و افزایش نوآوری کمک می‌کند.
در دنیایی که تصمیمات کلیدی بر اساس داده و الگوریتم‌های هوش مصنوعی اتخاذ می‌شود، تیم‌هایی که بر این فناوری‌ها نظارت دارند باید از دیدگاه‌ها و تجربیات گوناگون بهره‌مند باشند. مطالعات نشان داده‌اند که تیم‌های همگن (از نظر فکری و تجربی) بیشتر دچار سوگیری تأییدی (Confirmation Bias) می‌شوند و ممکن است کاستی‌های موجود در داده‌ها یا تحلیل‌های خود را نادیده بگیرند.
اگر تیم‌های داده‌محور فاقد تنوع فکری و تجربی باشند، ممکن است مشکلات زیر بروز کنند:
سوگیری در داده‌ها: مطالعات نشان داده‌اند که داده‌های آموزشی برای مدل‌های هوش مصنوعی اغلب نماینده‌ی کل جامعه نیستند، که می‌تواند به تبعیض‌های سیستمی منجر شود.
نقاط کور در تحلیل‌ها: نبود دیدگاه‌های متنوع می‌تواند باعث نادیده گرفتن عوامل مهم در تصمیم‌گیری شود. به‌عنوان مثال، سیستم‌های پیش‌بینی ریسک مالی که فقط با داده‌های تاریخی آموزش دیده‌اند، ممکن است اثر نابرابری‌های اجتماعی و اقتصادی را در نظر نگیرند.
برای کاهش این ریسک‌ها، سازمان‌ها باید سیاست‌هایی را برای افزایش تنوع در تیم‌های داده و هوش مصنوعی اجرا کنند. این رویکرد نه‌تنها به نتایج عادلانه‌تر و دقیق‌تر منجر می‌شود، بلکه ارزش کسبوکار و اعتماد عمومی را نیز افزایش می‌دهد. داده، مانند هر فعالیت تیمی دیگر، به همکاری متنوع و همه‌جانبه نیاز دارد. در واقع «داده یک ورزش تیمی است!»
ارتباط مؤثر و حمایت‌گری در دنیای داده و هوش مصنوعی
در مسیر بهره‌گیری از داده و هوش مصنوعی، «گام آخر» به تعاملات انسانی برمی‌گردد—جایی که نتایج تحلیل‌ها و توصیه‌های الگوریتمی به تصمیم‌گیرندگان و کاربران منتقل می‌شود. این مرحله شامل موقعیت‌هایی است که در آن یک تحلیلگر داده یافته‌های خود را به مدیران ارائه می‌دهد، یک متخصص هوش مصنوعی توصیه‌های سیستم را برای همکاران توضیح می‌دهد، یا تیم‌هایی اجرای تصمیمات مبتنی بر داده را در سازمان بر عهده دارند.
برای برداشتن موفقیت‌آمیز گام آخر، متخصصان داده باید به جای توجه صرف به بعد فنی، به بعد انسانی نیز توجه کنند. در حالی که تبدیل، تحلیل و پردازش داده‌ها نیازمند دقت محاسباتی و مهارت‌های فنی است، اثرگذاری بر افراد در دنیای واقعی به مهارت‌های نرم مانند همدلی، صبر و حمایت‌گری نیاز دارد.
اگر سازمان‌ها به این بُعد انسانی بی‌توجه باشند، فرآیندهای داده‌محور ممکن است در مرحله‌ی اجرا دچار شکست شوند. بسیاری از پروژه‌های داده و هوش مصنوعی به دلیل عدم درک کاربران نهایی یا مقاومت در برابر تغییر، تأثیر مورد انتظار را ایجاد نمی‌کنند. داده‌ها زمانی ارزش واقعی پیدا می‌کنند که به تصمیمات عملی و قابل اجرا در دنیای واقعی تبدیل شوند.
سازمان‌ها باید تمرین ارائه داده به مخاطبان مختلف را در دستور کار قرار دهند و بر عنصر انسانی مدیریت تغییر تأکید کنند. این شامل آموزش متخصصان داده برای بیان مؤثر بینش‌ها، ایجاد زمینه برای گفت‌وگو با ذینفعان و درک بهتر نیازها و دغدغه‌های کاربران نهایی است.
در نهایت، داده‌ها به‌تنهایی کافی نیستند؛ بلکه توانایی انتقال آنها به‌گونه‌ای که دیگران را متقاعد و همراه کند، کلید موفقیت در عصر داده و هوش مصنوعی است.
مسیر پیش رو
پس از بررسی کلیدهای غیرفنی موفقیت در داده و هوش مصنوعی، سازمان‌ها باید شناسایی کنند کدام یک از این ویژگی‌ها کمبود بیشتری دارند یا نیاز به توسعه بیشتر دارند. منابعی که رویکردهای جامعی برای توسعه این قابلیت‌ها ارائه می‌دهند، شامل عناصر فنی و غیرفنی، می‌توانند بسیار ارزشمند باشند. چنین منابعی، همراه با دوره‌ها و ارزیابی‌های مرتبط، می‌توانند به سازمان‌ها کمک کنند تا رویکردی جامع‌تر برای ایجاد این شایستگی‌های حیاتی اتخاذ کنند.
سازمان‌هایی که در دهه‌های آینده رشد می‌کنند، آنهایی خواهند بود که می‌توانند هم بر جنبه‌های فنی و هم غیرفنی تسلط یابند و از این طریق ارزش سواد واقعی داده و هوش مصنوعی را درک کنند.
در رویداد پنجمین جایزه عصر تراکنش مطرح شد
شرکت داتا در مراسم پنجمین دوره جایزه عصر تراکنش، به‌عنوان برترین کسبوکار در زمینه هوش مصنوعی معرفی شد. این مراسم که در تاریخ هفتم اسفند ماه ۱۴۰۳، در هتل اسپیناس پالاس تهران برگزار شد، به‌صورت تخصصی به بررسی و ارزیابی پیشرفت‌های اخیر در این بخش پرداخت.
این جایزه، که نمادی از دستاوردهای شرکت داتا در زمینه ادغام هوش مصنوعی در فرآیندهای مالی است، توسط علی گلزاده، مدیرعامل شرکت، دریافت شد. گلزاده در سخنانی کوتاه پس از دریافت تندیس ویژه، اشاره کرد که این جایزه تأییدی بر رویکرد و استراتژی‌های شرکت داتا در بهکارگیری فناوری‌های نوین است و ابراز امیدواری کرد که این موفقیت‌ها پایه‌ای برای دستاوردهای بیشتر در آینده باشند.
این مراسم، که به‌عنوان یکی از مهم‌ترین رویدادهای تقویم فناوری مالی ایران شناخته می‌شود، با حضور نزدیک به ۳۰۰ نفر از برجسته‌ترین افراد و نهادهای فعال در این عرصه، به اشتراک‌گذاری دستاوردها و تجربیات پرداخت و فرصتی برای شبکه‌سازی و هم‌افزایی بین فعالان این حوزه را فراهم آورد.
در عصری که فناوری با سرعتی سرسام‌آور پیش می‌رود، هوش مصنوعی به عنوان انقلابی در صنایع مختلف، به ویژه صنعت بانکداری ظهور کرده است. در همین راستا، روزنامه دنیای اقتصاد، نشست تخصصی با عنوان «هوش مصنوعی در بانکداری» برگزار کرد که علی گلزاده، مدیرعامل شرکت داتا، به عنوان یکی از متخصصان برجسته این حوزه در آن حضور داشت.
این نشست که با حضور کارشناسان دیگری همچون فواد قادری، استاد دانشگاه در حوزه هوش مصنوعی و حسن زادمیر، کارشناس حوزه هوش مصنوعی برگزار شد، به بررسی عمیق جایگاه و چالش‌های هوش مصنوعی در نظام بانکی ایران پرداخت.
نگاهی به وضعیت هوش مصنوعی در صنعت بانکداری ایران
علی گلزاده، با نگاهی تحلیلی به وضعیت کنونی هوش مصنوعی در صنعت بانکداری، الگوریتم‌های هوش مصنوعی را به دو دسته اصلی تقسیم کرد: الگوریتم‌های کلاسیک و الگوریتم‌های جدید که با ظهور مدل‌های زبانی بزرگ (LLM) در سال‌های اخیر پدیدار شده‌اند.
او در تحلیل خود اشاره کرد: «در حوزه الگوریتم‌های کلاسیک، صنایع مختلف ایران، از جمله صنعت بانکداری، از سال‌های گذشته ورود کرده‌اند و در بخش‌های متعددی از جمله خدمات مشتریان و همچنین فرآیندهای داخلی بانک از این فناوری استفاده می‌شود.» به گفته مدیرعامل داتا، کاربردهایی مانند کشف تقلب، شناسایی قمار و پول‌شویی و تشخیص تخلفات بانکی از جمله حوزه‌هایی هستند که بانک‌ها با بهره‌گیری از الگوریتم‌های کلاسیک در آنها پیشرفت‌های قابل توجهی داشته‌اند.
اما در مقابل، در حوزه الگوریتم‌های جدید، به نظر می‌رسد صنایع بزرگ ایران، از جمله صنعت بانکداری، هنوز شناخت دقیقی از این فناوری‌ها ندارند و نمی‌دانند چگونه از آنها به‌گونه‌ای بهره بگیرند که ارزش افزوده ایجاد کند، هزینه‌ها را کاهش و کارآیی را افزایش دهد.
چالش‌های زیرساختی؛ مانعی بر سر راه تحول دیجیتال
گلزاده در ادامه به زیرساخت‌های داده‌ای و پردازشی به عنوان یکی از چالش‌های اساسی در مسیر توسعه هوش مصنوعی در صنعت بانکداری اشاره کرد. به گفته او، در زمینه داده‌ها، صنعت بانکداری ایران هنوز دارای یک زیرساخت جامع و یکپارچه از اطلاعات مشتریان، با کیفیت بالا و در سطح کلیه بانک‌ها و بانک مرکزی نیست.
از سوی دیگر، در بخش زیرساخت‌های پردازشی نیز، علاوه بر هزینه‌های بالا، محدودیت‌های ناشی از تحریم‌ها باعث شده است که تهیه این زیرساخت‌ها بسیار دشوار و پیچیده باشد. این مسأله به ویژه در تعامل با فناوری‌های نوین هوش مصنوعی که نیازمند قدرت پردازشی بالا هستند، چالش‌برانگیز است.
پیشرفت در اعتبارسنجی هوشمند: گامی به جلو
با وجود تمام چالش‌ها، مدیرعامل داتا به پیشرفت‌های قابل توجهی که در زمینه اعتبارسنجی مشتریان بانکی صورت گرفته، اشاره کرد. در حال حاضر، یک سیستم اعتبارسنجی عمومی وجود دارد که توسط صنعت بانکی و بانک مرکزی مورد استفاده قرار می‌گیرد اما این سیستم مبتنی بر هوش مصنوعی نیست، بلکه بر اساس قوانین مشخصی افراد را اعتبارسنجی می‌کند.
گلزاده توضیح داد که در سال‌های اخیر، بانک‌ها تلاش کرده‌اند این فرآیند را به‌صورت اختصاصی پیاده‌سازی کنند: «دلیل اصلی این اقدام آن است که سیستم اعتبارسنجی بانک مرکزی برای افرادی که سابقه دریافت تسهیلات ندارند، امتیاز اعتباری بسیار پایینی در نظر می‌گیرد. این مساله به‌ویژه در سرویس‌های آنلاین جدید، مانند BNPL (الگوی الان بخر، بعدا پرداخت کن)، چالش‌برانگیز شده است؛ زیرا بسیاری از جوانان که تاکنون وامی دریافت نکرده‌اند، در این سیستم‌ها امتیاز اعتباری مناسبی ندارند و به همین دلیل، از دریافت تسهیلات محروم می‌شوند.»
نکته امیدوارکننده‌ای که مدیرعامل داتا به آن اشاره کرد، آیین‌نامه اخیر بانک مرکزی برای اعتبارسنجی و تاسیس شرکت‌های فعال در این حوزه است. این آیین‌نامه به شرکت‌هایی که مجوز فعالیت در حوزه اعتبارسنجی دریافت می‌کنند، اجازه می‌دهد علاوه بر داده‌های بانکی، به اطلاعات تکمیلی مانند سوابق خرید و تخلفات افراد نیز دسترسی داشته باشند. گلزاده معتقد است اگر این روند ادامه یابد و سیاست‌های مناسبی اتخاذ شود، می‌تواند تحول قابل توجهی در فرآیند اعتبارسنجی ایجاد کند.
چشم‌انداز آینده و راهکارهای پیشنهادی
گلزاده در پایان این نشست، راهکارهایی برای توسعه بهتر هوش مصنوعی در صنعت بانکداری ایران ارائه کرد. او به وجود استارت‌آپ‌ها و شرکت‌های فین‌تک قدرتمند در ایران اشاره کرد که می‌توانند در تسریع توسعه هوش مصنوعی در کشور موثر باشند؛ اما متأسفانه داده‌های لازم در اختیار آنها نیست.
پیشنهاد کلیدی مدیرعامل داتا ایجاد یک «سندباکس» (محیط آزمایشی) است که در آن داده‌های تقلبی یا نمونه‌ای وجود داشته باشد و این امکان را فراهم کند که مدل‌های هوش مصنوعی استارت‌آپ‌ها آزمایش شوند. به گفته او، «این کار می‌تواند زیرساختی اولیه باشد که سرعت توسعه شرکت‌هایی مانند ما را افزایش دهد.»
همچنین، گلزاده بر لزوم تدوین سیاست‌های کلان در حوزه هوش مصنوعی برای تمامی صنایع کشور تأکید کرد و اظهار داشت که اگر سازمان‌های مسئول بتوانند در این زمینه گام‌های مؤثری بردارند، می‌توان به آینده‌ای روشن‌تر برای هوش مصنوعی در صنعت بانکداری ایران امیدوار بود.
* گزارش کامل میزگرد در شماره ۶۲۳۴ روزنامه دنیای اقتصاد منتشر شده است
سومین گردهمایی فعالان هوش مصنوعی کشور در تاریخ یکم اسفندماه ۱۴۰۳، همزمان با اختتامیه پنجمین دوره رویداد فیس‌کاپ در سالن همایش هتل قلب تهران با حضور متخصصان و شرکت‌های پیشرو برگزار شد. شرکت داتا به‌عنوان یکی از بازیگران کلیدی این عرصه، حضوری قدرتمند در بخش نمایشگاهی و همایش اصلی داشت.
پنجمین دوره فیس‌کاپ با محوریت توسعه و کاربردهای هوش مصنوعی، میزبان برنامه‌های متنوع و تخصصی بود. این رویداد شامل ارائه‌های تخصصی پیرامون آخرین دستاوردهای هوش مصنوعی، رویداد ریورس پیچ با مشارکت شرکت‌های داتا و رایتل، پنل تخصصی با موضوع زیرساخت‌های هوش مصنوعی و چالش‌های پیش رو، و نمایشگاه تخصصی با حضور ۲۵ شرکت دانش‌بنیان فعال در اکوسیستم هوش مصنوعی کشور بود. این گردهمایی فرصتی ارزشمند برای تبادل دانش، شبکه‌سازی و آشنایی با پیشرفت‌های اخیر در حوزه هوش مصنوعی فراهم آورد.
اهمیت اعتبارسنجی از زبان مدیران هوش مصنوعی و تحلیل داده داتا
مدیران تیم تحلیل داده و هوش مصنوعی شرکت داتا در پنجمین دوره رویداد فیس‌کاپ، هوش مصنوعی و تحلیل داده را از مهم‌ترین موضوعات در آینده بانکداری دانستند. فردین صبوری، مدیر تیم تحلیل داده و هوش مصنوعی شرکت داتا در بخش «ریورس‌پیچ» رویداد فیس‌کاپ که موضوع آن حل چالش‌های واقعی صنعت توسط متخصصان هوش مصنوعی بود، چالش‌های بازاریابی هوشمند در بانک‌ها و مؤسسات مالی را مورد بررسی قرار داد.
صبوری، توضیح داد که بانک‌ها در زمینه بازاریابی هوشمند با چالش‌های فراوانی مواجه هستند و برای مدیریت این چالش‌ها می‌توان از ابزارهای فناورانه‌ای مثل هوش مصنوعی استفاده بهینه کرد. مدیر تیم تحلیل داده و هوش مصنوعی شرکت داتا همچنین از اهمیت داده‌محوری در اعتبارسنجی مشتریان گفت. به گفته صبوری، بانک تجارت دوسال است که روی مسئله اعتبارسنجی مشتریان و شناسایی چالش‌ها و راهکارهای مناسب در زمینه اعتبارسنجی تمرکز دارد. او بر این باور است که موفقیت پروژه‌ها به داده‌های موثر بستگی دارد. او در ادامه‌ی این ریورس‌پیچ، به‌روز بودن دانش و داده‌ها را در توسعه پروژه‌های داده‌محور و مبتنی بر هوش مصنوعی ضروری دانست.
فاطمه باقرپور، مدیر تیم هوش مصنوعی داتا نیز در بخش سخنرانی‌های موضوعی سومین گردهمایی فعالان هوش مصنوعی کشور به آینده صنعت بانکداری با استفاده از هوش مصنوعی اشاره کرد. باقرپور توضیح داد که به زودی هوش مصنوعی به مهم‌ترین بخش صنعت بانکداری تبدیل خواهد شد.
مدیر تیم هوش مصنوعی داتا، از افزایش استفاده از هوش مصنوعی و فناوری‌های داده‌محور در صنعت بانکداری جهان صحبت کرد و گفت که در حال حاضر بیش از ۷۵ درصد بانک‌ها در سراسر جهان از هوش مصنوعی برای بهینه‌سازی فرایندها و مدیریت ریسک استفاده می‌کنند. بهبود تجربه کاربری و تحلیل داده مشتریان، همچنین خودکارسازی فرایندها از جمله موضوعاتی است که به گفته باقرپور، مورد توجه فعالان صنایع مالی و بانکداری قرار گرفته است.
حضور داتا در بخش نمایشگاهی: تعامل، نوآوری و فرصتهای همکاری
یکی از بخش‌های شاخص این رویداد، بخش نمایشگاهی بود که با هدف ایجاد شبکه ارتباطی میان بازیگران کلیدی و فعالان حوزه هوش مصنوعی برگزار شد. تیم داتا در این بخش به معرفی محصولات و خدمات خود پرداخت و فرصتی برای تعامل با فعالان اکوسیستم هوش مصنوعی، دانشجویان و علاقه‌مندان به فناوری‌های نوین فراهم کرد.
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
در این مقاله، هشت مورد کاربردی از حاکمیت داده را بررسی می‌کنیم که نشان دهنده قدرت کاربرد حاکمیت داده است. از تضمین انطباق با مقررات تا بهبود کیفیت و یکنواختی داده‌ها، هر مورد کاربردی ارزش بسیاری را که حاکمیت داده برای یک سازمان ایجاد می‌کند، برجسته می‌کند. با درک کاربرد حاکمیت داده، کسبوکارها می‌توانند به بینش‌هایی درباره نحوه بهبود استراتژی‌های حاکمیت داده و همچنین کشف و استخراج ظرفیت کامل دارایی‌های داده‌ای خود، دست یابند.
چه شما در حال شروع سفرتان در حوزه حاکمیت داده باشید یا قصد بهبود روش‌های موجودتان را داشته باشید، این موارد کاربردی به عنوان اصول راهنما برای پیاده‌سازی موثر حاکمیت داده عمل می‌کنند. بیایید به دنیای حاکمیت داده وارد شویم و کاربردهای عملی آن را که به تحقق تجارت عالی می‌انجامد، بررسی کنیم.
١. تضمین انطباق با مقررات
یکی از مهم‌ترین موارد کاربرد حاکمیت داده، اطمینان از انطباق با مقررات است. سازمان‌ها در محیطی که قوانین حفاظت از داده و حریم خصوصی مانند GDPR[1]، CCPA[2] و HIPAA[3] مقرراتی بر روی نحوه برخورد با داده‌ها اعمال می‌کنند، فعالیت می‌کنند. حاکمیت داده ساختار لازم را برای برآوردن این الزامات قانونی را فراهم می‌کند. برقراری این الزامات شامل تعریف سیاست‌ها، روش‌ها و کنترل‌ها برای اطمینان از اینکه داده‌ها مطابق با قوانین و مقررات مربوطه جمع‌آوری، ذخیره، پردازش و به اشتراک گذاشته می‌شوند، می‌شود.
٢ . بهبود کیفیت و سازگاری داده‌ها
حاکمیت داده نقش حیاتی در بهبود کیفیت و سازگاری داده‌ها در سراسر سازمان ایفا می‌کند. با افزایش حجم و پیچیدگی داده‌ها، اطمینان از دقت، کمال و قابل اعتماد بودن داده‌ها بسیار مهم است. حاکمیت داده، استانداردها، قواعد و فرآیندهای اعتبارسنجی داده‌ها را تعیین می‌کند تا اطمینان حاصل شود که داده‌ها با معیارهای کیفیتی از پیش‌تعریف‌شده مطابقت دارند. علاوه بر این، حاکمیت داده شامل تبیین تعاریف داده، فرمت‌ها و فراداده‌ها[4]، همچنین پیاده‌سازی روش‌های تمیزسازی و غنی‌سازی داده‌ها می‌شود.
با رعایت این رویکردها، سازمان‌ها می‌توانند خطاهای داده‌ای را شناسایی و اصلاح کنند، تکرار داده‌ها را از بین ببرند و صحت و یکپارچگی داده را افزایش دهند. بهبود کیفیت داده، امکان تصمیم‌گیری بهتر، کاهش خطرات عملیاتی و افزایش کارآمدی طرح‌های مبتنی بر داده مانند تحلیل‌ها، گزارش‌دهی و دیدگاه‌های مشتری را فراهم می‌کند.
٣. افزایش امنیت و حفظ حریم خصوصی داده‌ها
حاکمیت داده در افزایش امنیت و حفظ حریم خصوصی داده‌ها نقش اساسی دارد و اطلاعات حساس را از دسترسی غیرمجاز، نفوذ و سوءاستفاده محافظت می‌کند. این فرآیند شامل پیاده‌سازی کنترل‌های دسترسی، مکانیزم‌های رمزنگاری و چارچوب‌های دسته‌بندی داده‌ها برای محافظت از داده‌ها در حالت ثابت، در حال انتقال و در حال استفاده است. حاکمیت داده رهنمودهایی برای کنترل داده‌ها تعیین می‌کند که شامل ماسک کردن داده[5]، ناشناس‌سازی و مجوزهای دسترسی به داده می‌باشد.
با ترویج فرهنگ امنیت و حفظ حریم خصوصی داده، سازمان‌ها می‌توانند خطرات نفوذ به داده را به حداقل برسانند و در برابر آسیب‌های احتمالی به شهرت خود محافظت کنند. حاکمیت داده همچنین به سازمان‌ها در تحقق الزامات قانونی مربوط به امنیت و حفظ حریم خصوصی کمک می‌کند و تطبیق با استانداردها و شیوه‌های عملیاتی مرتبط با صنعت را تضمین می‌کند. با اولویت‌بندی امنیت و حفظ حریم خصوصی داده از طریق رویکردهای قوی حاکمیت داده، سازمان‌ها می‌توانند اعتماد مشتریان، شرکا و سایر ذینفعان را جلب کرده و مزیت رقابتی خود را در دنیای متمرکز بر داده حفظ کنند.
٤. تسهیل ادغام و تعامل داده‌ها
ادغام و تعامل داده‌ها، برای سازمان‌هایی که با چندین سیستم، برنامه و منبع داده فعالیت می‌کنند، بسیار حیاتی است. حاکمیت داده نقش حیاتی در تسهیل ادغام و تعامل داده‌ها با یکدیگر دارد. با تعیین استانداردها، فرمت ها و تعاریف داده، حاکمیت داده تضمین می‌کند که داده ها می‌توانند به طور موثر در بین سیستم‌ها و پلتفرم‌های مختلف مبادله، اشتراک‌گذاری و استفاده شوند. حاکمیت داده با ارائه راهنمایی‌هایی برای نگاشت[6]، تبدیل و همگام‌سازی داده، امکان ادغام و یکپارچه‌سازی داده‌ها با دقت و سازگاری را فراهم می‌کند.
با حاکمیت داده، سازمان‌ها قادر خواهند بود تا انبارهای داده را کنار گذاشته و نمای کلی و یکپارچه‌ای از عملیات کسبوکار خود ایجاد کنند. با هماهنگی ساختارهای داده، برطرف کردن ناهمسانی‌ها و تعریف روابط داده، حاکمیت داده یکپارچگی موثر داده را تسهیل می‌کند. این رویکرد یکپارچه، کیفیت داده را بهبود می‌بخشد، تکرارها را کاهش می‌دهد و دقت و قابلیت اعتماد داده‌های یکپارچه را افزایش می‌دهد.
علاوه بر این، حاکمیت داده با تضمین سازگاری و انسجام داده‌ها در سیستم‌ها، تعامل‌پذیری را ارتقا می‌دهد. سازمان‌ها با رعایت فرمت‌ها و تعاریف استاندارد داده، به طور یکپارچه داده را مبادله کرده و همکاری، به اشتراک گذاری داده و ادغام بین بخش‌ها، شرکا و سیستم‌های شخص ثالث را فراهم می‌کنند.
ادغام و تعامل موثر داده‌ها که توسط حاکمیت داده پشتیبانی می‌شود، تأثیرات تحول‌آفرینی بر سازمان‌ها دارد. به طوری که این ادغام و تعامل، امکان فراهم شدن بینش‌های جامع و کلان درباره کسبوکار، پشتیبانی از تصمیمات کارآمد، بهبود کارایی عملیاتی و تحریک پیشبرد نوآوری را فراهم می‌کند.
٥. ترویج تصمیم‌گیری مبتنی بر داده
یکی از موارد مهم استفاده از حاکمیت داده، نقش آن در ترویج فرآیندهای تصمیم‌گیری مبتنی بر داده است. حاکمیت داده با ارائه داده‌های دقیق، قابل اعتماد و به موقع، تصمیم‌گیرندگان را قادر می‌سازد که با داشتن بینش‌های لازم، انتخاب‌های آگاهانه‌ای انجام دهند. سازمان‌ها از طریق حاکمیت داده می‌توانند شوراهای حاکمیت داده، نگهبانان داده و چارچوب‌های حاکمیت داده‌ای را تأسیس کنند که مدیریت موثر داده‌ها را امکان‌پذیر کرده و فرهنگ تصمیم‌گیری مبتنی بر داده را ترویج کند.
٦. ایجاد یک منبع حقیقت واحد
یکی از موارد کاربرد کلیدی حاکمیت داده، ایجاد یک منبع حقیقت واحد است. در سازمان‌هایی با چندین سیستم و مخازن داده، حاکمیت داده تضمین می‌کند که برای هر قسمت از داده‌های حیاتی یک منبع معتبر واحد وجود دارد. این اقدام ابهامات، اختلافات داده و اطلاعات متضادی که ممکن است ناشی از استفاده از منابع داده متفاوت باشد را از بین می‌برد.
با ایجاد یک منبع حقیقت واحد، سازمان‌ها می‌توانند دقت، انسجام و قابلیت اعتماد داده‌ها را بهبود بخشند. این امر به نوبه خود منجر به تصمیم‌گیری بهتر، کاهش خطاها و افزایش کارایی عملیاتی می‌شود. داشتن یک منبع حقیقت واحد همچنین دسترسی به داده‌ها را ساده‌تر می‌کند و همکاری بین دپارتمان‌ها را بهبود می‌بخشد، زیرا همه می‌توانند بر داده‌های معتبر و قابل اعتماد استناد کنند.
٧. فعال‌سازی مدیریت چرخه عمر داده
حاکمیت داده نقش حیاتی در فعال‌سازی مدیریت موثر چرخه عمر داده دارد. از زمان ایجاد داده تا بازنگری آن، حاکمیت داده تضمین می‌کند که داده‌ها در طول چرخه عمر خود به درستی مدیریت و کنترل می‌شوند. این فرآیند شامل تعریف سیاست‌های نگهداری داده، استراتژی‌های بایگانی داده و فرآیندهای حذف داده می‌شود.
با پیاده‌سازی حاکمیت داده، سازمان‌ها می‌توانند یکپارچگی داده را حفظ، الزامات قانونی و مقرراتی را برآورده، هزینه‌های ذخیره‌سازی را بهینه و سازگاری با مقررات حفاظت داده را تضمین کنند. مدیریت موثر چرخه عمر داده، نه تنها خطرات داده را کاهش می‌دهد، بلکه دسترسی، دسترسی‌پذیری و کاربردی بودن داده را بهبود می‌بخشد.
٨. حمایت از مدیریت داده‌های اصلی
مدیریت داده‌های اصلی [7](MDM) یک مؤلفه اساسی از حاکمیت داده است؛ که شامل فرآیندها، ابزارها و سیاست‌های استفاده شده برای ایجاد و مدیریت داده‌های اصلی حیاتی یک سازمان، مانند داده‌های مشتری یا داده‌های محصول است. حاکمیت داده چارچوب حاکمیتی لازم برای تأسیس و حفظ داده‌های اصلی دقیق، معتبر و قابل اعتماد فراهم می‌کند.
با تعیین مالکیت داده، مسئولیت‌های نگهداری داده و استانداردهای کیفیت داده، سازمان‌ها می‌توانند تضمین کنند که داده‌های اصلی، دقیق، به‌روز و قابل استفاده در سیستم‌ها و برنامه‌ها هستند. مدیریت داده مؤثر که توسط حاکمیت داده پشتیبانی می‌شود، ادغام داده را تقویت می‌کند، تجربه مشتری را بهبود می‌بخشد و تصمیم‌گیری‌های تجاری مبتنی بر اطلاعات را فراهم می‌کند.
[1] General Data Protection Regulation
[2] California Consumer Privacy Act
[3] Health Insurance Portability Accountability Act
[4] Metadata
[5] data masking
[6] Data mapping
[7] Master Data Management
منبع: datagalaxy
ترجمه و ویرایش اختصاصی برای وبلاگ داتا: سپیده سلطانی
برای حرکت از مدل حاکمیت داده که دستورالعمل‌های آن به طور مبهم دنبال می‌شوند، به مدلی که از تکنولوژی دیجیتال و تحلیل داده‌ها به بهترین شکل استفاده می‌کند، اصول برنامه حاکمیت داده در سازمان را دنبال کنید.
مدیران اجرایی در هر صنعتی می‌دانند که داده‌ها اهمیت دارند. مشکل این است که اکثر برنامه‌های حاکمیت امروزی بی‌اثر هستند. معمولا مسئله از سطح بالای سازمان آغاز می‌شود، جایی که مدیران ارشد پتانسیل ارزش‌آفرینی داده را به درستی تشخیص نمی‌دهند. بنابراین، حاکمیت داده به مجموعه‌ای از سیاست‌ها و راهنمایی‌هایی که به عنوان یک وظیفه پشتیبانی توسط بخش فناوری اطلاعات اجرا می‌شود، تبدیل شده و به طور گسترده اجرا نمی‌شود- که منجر به بی‌اثر شدن و ناکارآمدی در اجرای پروژه‌ها و فعالیت‌های مبتنی بر داده می‌شود. در برخی موارد دیگر، سازمان‌ها سعی می‌کنند با استفاده از فناوری مشکل را حل کنند؛ در حالی که راه‌حل‌های فناوری مانند دریاچه‌های داده و پلتفرم‌های حاکمیت داده می‌توانند کمک‌کننده باشند، اما آنها راه‌حل‌های جامع و کاملی نیستند.
بدون حاکمیتی که از نظر کیفیت تضمین شده باشد، شرکت‌ها نه تنها از فرصتهای مبتنی بر داده‌ها عقب می‌مانند، بلکه منابع را هدر می‌دهند. پردازش و تمیزکاری داده ممکن است بیش از نیمی از زمان یک تیم تحلیلی را، از جمله دانشمندان با درآمد بالا، به خود اختصاص دهد که این امر محدودیت‌های قابلیت مقیاس‌پذیری را ایجاد کرده و موجب ناامیدی کارمندان می‌شود. در واقع، بهره‌وری کارمندان در سراسر سازمان ممکن است کاهش یابد:
مشارکت‌کنندگان در نظرسنجی تحول جهانی داده‌های ما در سال ۲۰۱۹ اعلام کردند که به طور میانگین ۳۰ درصد از کل زمان سازمانی آنها به دلیل کیفیت نامطلوب و دسترسی ضعیف به داده‌ها به وظایفی که ارزش افزوده ندارند اختصاص یافته است.
عدم کیفیت و در دسترس بودن داده‌ها می‌تواند باعث شود که کارکنان بخش قابل توجهی از زمان خود را بر روی وظایفی که ارزش افزوده ندارند، صرف کنند.
زمان صرف شده بر روی وظایف بدون ارزش به دلیل کیفیت نامناسب و در دسترس نبودن داده‌ها
درصد تخمینی از کل زمان کاری کارمندان
اگرچه ارزش مدیریت داده را نمی‌توان به طور مستقیم مشخص کرد، چندین مثال از ارزش غیرمستقیم مهم آن وجود دارد. شرکت‌های پیشرو موفق شده‌اند میلیون‌ها دلار هزینه را از سیستم‌های داده‌ای خود حذف کنند و موارد استفاده دیجیتالی و تجزیه و تحلیلی به ارزش میلیون‌ها یا حتی میلیاردها دلار را فراهم کنند. حاکمیت داده، یکی از سه عامل برجسته است که شرکت‌هایی که ارزش مذکور را دریافت می‌کنند را از شرکت‌هایی که ارزش را دریافت نمی‌کنند، متمایز می‌کند. علاوه بر این، شرکت‌هایی که به‌صورت ناکافی در حاکمیت سرمایه‌گذاری کرده‌اند، سازمان خود را در معرض ریسک‌های نظارتی واقعی قرار داده‌اند که می‌تواند هزینه‌بر باشد.
بنیان سازمانی به‌تنهایی کافی نیست. شش عمل مهم برای اطمینان از ایجاد ارزش با استفاده از حاکمیت داده در برنامه حاکمیت داده لازم است.
۱. جلب توجه مدیریت ارشد
همانطور که مثال ذکر شده نشان می‌دهد، موفقیت در برنامه حاکمیت داده نیازمند حمایت و تایید رهبری کسبوکار است. اولین گام برای دفتر مدیریت داده (DMO) ارتباط برقرار کردن با مدیران ارشد (C-suite) است تا نیازهای آنها را درک کند، چالش‌ها و محدودیت‌های فعلی داده را مورد توجه قرار داده و نقش حاکمیت داده را توضیح دهد. گام بعدی تشکیل شورای حاکمیت داده میان مدیریت ارشد است (در برخی سازمان‌ها شامل رهبران از‌جمله خود مدیر ارشد ((C-suite) که با هدایت استراتژی حاکمیت به سمت نیازهای کسبوکار، نظارت و تأیید اقدامات جهت بهبود را بر عهده دارد – به عنوان مثال طراحی و پیاده‌سازی مناسب یک دریاچه داده سازمانی [1]– به همراه DMO.
سپس دفتر مدیریت داده (DMO) و شورای حاکمیت باید با همکاری یکدیگر، مجموعه‌ای از دامنه‌های داده را تعریف کرده و مدیران اجرایی کسبوکار را برای رهبری آنها انتخاب کنند. این رهبران به صورت روزانه تلاش می‌کنند تا با تعریف عناصر داده و تعیین استانداردهای کیفیت، تلاش‌های حاکمیت را انجام دهند. شرکت‌ها باید زمانی را صرف کنند تا این رهبران را با نقش‌های جدید آنها که معمولاً به مسئولیت‌های اصلی‌شان اضافه می‌شود، آشنا کنند. آنها باید ارزشی را که در این نقش‌ها ایجاد می‌کنند، درک کنند و با مهارت‌های مورد نیاز، از جمله درکی از مقررات مربوطه و عناصر اصلی معماری داده، مجهز شوند.
به طور حیاتی، داشتن حمایت رهبری کسبوکار از بالا به پایین، چالش‌های معمول در مورد شفافیت نقش و توانمندسازی را از بین می‌برد. حافظان داده [2]در سوی کسبوکار، خواهند فهمید که این تلاش یک اولویت سازمانی است و زمان مورد نیاز را برای آن اختصاص خواهند داد (که ممکن است با تغییر در معیارهای عملکرد یا تنظیم مسئولیت‌های دیگرشان تسهیل شود). همچنین توصیه‌ها و دستورات بالا به پایین، امکان حل سریع تضادهای مربوط به مالکیت داده را فراهم می‌کنند.
سازمان‌های پیشرو همچنین راهکارهای قابل مشاهده‌ای را برای پیگیری پیشرفت و ایجاد ارزش خلق می‌کنند. به عنوان مثال، آنها می‌توانند میزان زمانی که دانشمندان داده صرف پیدا کردن، تدارک و فعال‌سازی داده برای موارد استفاده اولویتی می‌کنند، یا زیان‌های دلاری مرتبط با داده‌های با کیفیت پایین و خطاهای کسبوکار مرتبط را اندازه‌گیری کنند. پیگیری معیارهای تأثیر مانند این‌ها به حفظ توجه و پشتیبانی مداوم مدیریت ارشد کمک می‌کند.
۲ . یکپاچه‌سازی با موضوعات اصلی تحول
برای اطمینان حاصل کردن از اینکه تلاش‌ها در برنامه حاکمیت داده ارزش ایجاد می‌کنند، آنها را به طور مستقیم به تلاش‌های مداوم تحول که قبلاً توجه مدیر عامل را به خود جلب کرده‌اند، مانند دیجیتالی‌سازی، فعال‌سازی چندکاناله یا به‌روزرسانی نرم‌افزارهای مدیریت منابع سازمانی مرتبط کنید. این تلاش‌ها معمولاً به دسترسی و کیفیت داده‌ها وابسته هستند.
ایجاد ارتباط بین حاکمیت و موضوعات تحول، فرآیند تأیید رهبری ارشد را ساده‌تر می‌کند و ساختار سازمانی را تغییر می‌دهد. به جای اینکه حاکمیت به تنهایی عمل کند، این نوع طرح‌ها مسئولیت داده و حاکمیت را به تیم‌های محصول منتقل می‌کنند و آن را در نقطه تولید و مصرف داده‌ها یکپارچه می‌کنند.
به عنوان مثال، یک خرده‌فروشی در اروپا، به تحول دیجیتالی کسبوکار اصلی خود و گسترش سریع کسبوکار آنلاین خود که نیازمند بازسازی قابل‌توجهی از ساختار فناوری تجارت الکترونیکی، از جمله پلتفرم‌های پشتیبانی بود، روی آورد.نلایت داده به عنوان یک فاکتور بحرانی شناخته شد و یک دفتر مدیریت داده و یک شورای داده تشکیل شد تا چارچوب اصلی را درباره اکوسیستم آینده و ساختار دامنه‌های داده، از جمله اهداف استراتژیک در مدیریت داده در آینده، توسعه دهند.
صاحبان محصول اصلی، که چندین تیم تحول دیجیتال را در حوزه‌های عملکردی مخصوص رهبری می‌کردند، به رهبران داده در حوزه مسئولیت خود تبدیل شدند. صاحبان محصول به صاحبان دامنه داده تبدیل شدند. به عنوان مثال، صاحب محصولی که در‌حوزه بهبود فرآیندهای مربوط به پرداخت در فروشگاه فعالیت می‌کرد، مسئول دامنه‌های فروش و پرداخت بود. این ساختار اطمینان می‌داد که تلاش‌های حاکمیت داده در درجه اول بر تامین نیازهای کسبوکار تمرکز داشته باشند و رهبرانی که داده را ایجاد و مصرف می‌کردند، به طور فعال آن را رعایت می‌کردند.
۳. اولویت بندی دارایی‌های داده‌ای و به تناسب آن تمرکز بر رهبری داده
بسیاری از سازمان‌ها به شیوه جامع به برنامه حاکمیت داده داده نگریسته و همه دارایی‌های داده را به صورت یکجا مورد بررسی قرار می‌دهند. اما چنین دامنه گسترده‌ای به معنای پیشرفت نسبتا کند در هر حوزه خاص است و همچنین این ریسک را ایجاد می‌کند که تلاش‌ها به طور مستقیم به نیازهای کسبوکار مرتبط نشوند. برای موفقیت، دارایی‌های داده باید به دو روش اولویت‌بندی شوند: بر اساس دامنه‌ها و بر اساس داده‌ها در هر دامنه.
شورای داده، با حمایت از دفتر مدیریت داده(DMO) ، باید دامنه‌ها را براساس تلاش‌های تحولی، نیازهای قوانین و مقررات و سایر ورودی‌ها، به ترتیب اولویت‌بندی کند و یک نقشه راه برای استقرار دامنه‌ها ایجاد کند. سپس سازمان باید، با شروع از دو تا سه دامنه در ابتدا، و هدف‌گذاری برای اینکه هر دامنه در چند ماه کاملاً عملکردی شود، به سرعت دامنه‌های اولویتی راه‌اندازی کند.
به عنوان مثال، یک خرده‌فروش در آمریکای شمالی، هدف جسورانه‌ای را برای تحول شرکت در سه سال با تجزیه و تحلیل پیشرفته تعیین کرد. شرکت به سرعت متوجه شد که داده‌های فعلی مانع پیشرفت آن خواهد شد و یک دفتر مدیریت داده (DMO) و دامنه‌های داده‌ای را برای مقیاس‌بندی حاکمیت تأسیس کرد. شرکت ده دامنه را در سراسر سازمان شناسایی کرد و استقرار دو دامنه اول، شامل داده‌های تراکنشی (ثبت خریدهای درون‌فروشگاهی) و داده‌های محصول (تعیین سلسله مراتب و جزئیات واضح محصولات) را اولویت قرار داد. این امر کمک کرد تا موارد استفاده اولویتی مرتبط با تنوع و موجودی درون فروشگاهی شتاب بگیرد.
علاوه بر اولویت‌بندی دامنه‌ها، دارایی‌های داده را در هر دامنه با تعیین سطح اهمیت (و مراقبت مرتبط) برای هر عنصر داده نیز اولویت‌بندی کنید. داده‌های حیاتی معمولاً حدود 10 تا 20 درصد از کل داده‌ها در بیشتر سازمان‌ها را نشان می‌دهند. عناصر حیاتی مانند نام یا آدرس مشتری باید سطح بالایی از مراقبت از جمله پایش مداوم کیفیت و پیگیری واضح جریان داده در سراسر سازمان را دریافت کنند؛ در حالی که برای عناصری که در تجزیه و تحلیل، ، گزارش‌دهی یا عملیات تجاری استفاده می‌شوند (مانند مدرک تحصیلی مشتری)، نظارت فرصتی و بدون دقت و ردیابی ممکن است کافی باشد. این امر به طور قابل توجهی دامنه تلاش‌های حاکمیت را محدود می‌کند و اطمینان می‌دهد که آنها بر روی داده‌های مهمتر متمرکز هستند.
۴. اعمال سطح مناسب حاکمیت
برنامه‌های حاکمیت داده می‌توانند در سازمان‌ها و صنایع مختلف کاملا متفاوت باشند. سازمان‌های پیشرو با اتخاذ یک رویکرد «مبتنی بر نیاز»، سطح تخصص حاکمیت مناسب با سازمان خود را پذیرفته و سپس سطح سختگیری را براساس مجموعه داده تنظیم می‌کنند.
مهم است دریابیم که حاکمیت داده در ابتدا عمدتاً توسط بانک‌ها ترویج پیدا کرد که تحت فشار BCBS 239 و سایر مقرراتی بودند که نیاز به مدل‌های حاکمیت پیشرفته داشت‌ند. بیشتر صنایع و سازمان‌ها با فشار قانونی مشابهی مواجه نیستند، بنابراین طراحی برنامه‌های آنها باید با سطح قوانین منحصر به فردی که در برابر آنها قرار دارند و همچنین سطح پیچیدگی داده‌هایشان هماهنگ شود. سازمان‌هایی که شامل چندین کسبوکار متمایز در مناطق جغرافیایی مختلف هستند، نیازهای پیچیده‌تری نسبت به سازمان‌هایی دارند که فقط در یک منطقه فعالیت می‌کنند؛ به طرز مشابه، نرخ تغییرات سریع داده یا سطح کمتری از اتوماسیون فناوری، پیچیدگی داده را افزایش می‌دهد.
الگوهای حاکمیت داده می‌توانند برای اطلاع‌رسانی درباره سطح پیچیدگی مورد نیاز استفاده شوند.
سطح پیچیدگی داده – پیچیدگی افزایش می‌یابد با …
- تنوع زیاد، دامنه بزرگ عملیات کسبوکار (مثلا تعداد خطوط کسبوکار، جغرافیای پوشش داده شده)
- سرعت بالا و تکامل داده‌های اصلی
- سطح پایین اتوماسیون داده/ بلوغ کم فناوری زیربنایی
یک مدل حاکمیت داده جامع‌تر برای یک بانک جهانی شامل یک شورای حاکمیت داده قوی است (معمولاً با مشارکت مدیران ارشد[3]) ایجاد می‌شود. در آن، اتوماسیون بسیار بالایی وجود دارد و متاداده[4]ها در یک فرهنگ لغت یا کاتالوگ داده شرکت ثبت می‌شوند؛ خط سلسله مراتبی داده‌ها تا منبع برای بسیاری از عناصر داده پیگیری می‌شود؛ و دامنه کاربردی گسترده‌تری با تغییرات نیازهای شرکت به طور مداوم اولویت‌بندی می‌شود.
در‌مقابل، برای یک شرکت فناوری منطقه‌ای هدفمند، حاکمیت داده‌ها ممکن است شامل یک شورای داده با فراوانی جلسات کمتر و شرکت دوره‌ای مدیران ارشد باشد؛ پیگیری متاداده که حتی ممکن است با استفاده از اکسل آغاز شود؛ پیگیری محدود خط سلسله مراتبی داده؛ و دامنه کاربردی باریک‌تر، حداقل در ابتدا، برای امکان استفاده از موارد اولویتی قرار دارد.
به‌طور کلی، همزمان با تأسیس سطح مناسبی از حاکمیت برای سازمان، سطح سختی حاکمیت را برای مجموعه داده‌ها تنظیم کنید. استانداردهای داده‌ای ارثی بسیاری از سازمان‌ها، محدودیت‌های محافظتی روی کیفیت و دسترسی به داده‌ها را در تمامی زمینه‌ها تعیین می‌کنند. این موضوع باعث کاهش ریسک می‌شود، اما می‌تواند نوآوری را مهار کند. سازمان های پیشرو به طور آگاهانه فرصت ها و ریسک ها را تعادل بخشیده و حاکمیت داده را براساس مجموعه داده‌ها تمایز می دهند.
به عنوان مثال، سازمان‌ها می‌توانند برای داده‌هایی که تنها در محیط اکتشافی استفاده می‌شوند و خارج از محدوده تیم علمی نیستند، حاکمیت سبکی اعمال کنند. تیم همچنین ممکن است نیازی به داده‌های کاملاً آماده و یکپارچه با متاداده‌های کامل نداشته باشد. ماسک کردن داده‌ها [5] ممکن است برای حفظ حریم خصوصی، همراه با توافقات عدم افشا (NDAs) داخلی سختگیرانه مناسب باشد. با این حال، به محض استفاده از چنین داده‌هایی در یک محیط گسترده‌تر مانند تعامل با مشتریان، اصول حاکمیت قوی‌تر باید اعمال شود.
یک نهاد مالی آسیایی با استفاده از این اصول، به شیوه‌ای قاطعانه در جهت “آزاد ساختن داده‌ها” عمل کرد. این نهاد برای هر مجموعه داده سطح حساسیت را تعیین کرد و تقریباً 60 درصد از داده‌های شرکت که با ریسک کمتری همراه بودند را آزاد کرد، به طوری که تمام کارمندان به آن دسترسی داشته باشند و قادر باشند از آن استفاده کنند و در آنها کاوش کنند. از سوی دیگر، در مورد داده‌های بسیار حساس مانند اطلاعات شناسایی شخصی، هم در خصوص افرادی که می‌توانستند به آن دسترسی داشته باشند و هم در خصوص نحوه دسترسی به آن داده، محدودیت‌های بسیار شدیدی وجود داشت.
هر چقدر سازمان‌ها رشد کرده و توانایی‌های حاکمیتی و فناوری آنها به‌طور مستمر پیشرفت می‌کند، اهمیت دامنه کاهش می‌یابد. مجموعه‌ای از ابزارها به‌صورت خودکار فعالیت‌های حاکمیت داده را آغاز کرده و دامنه و کارایی آن تنها به مرور زمان بهبود خواهد یافت. هر دو پلتفرم‌های جدیدتر مانند Octopai و erwin و سازمان‌های برجسته مانند Informatica و Collibra، قابلیت‌های مربوط به برداشت خودکار متاداده، ایجاد خط نسبت داده، مدیریت کیفیت داده و سایر وظایف حاکمیت را ارائه می‌دهند.
٥. انتخاب پیاده‌سازی تکراری و متمرکز
برای اطمینان از اینکه برنامه حاکمیت داده به سرعت ارزش ایجاد می‌کند، اولویت‌های حاکمیت را برای هر دامنه شخصی‌سازی کرده و از تکرار برای تطبیق سریع استفاده کنید. تطبیق اصول تکراری در حاکمیت روزانه، فراتر از یکپارچه‌سازی و ادغام حاکمیت داده با نیازهای کسب‌و‌کاراست. نکته مهم این است که موارد استفاده و دامنه‌ها را اولویت‌بندی کرده و حاکمیت مبتنی بر نیازها را اعمال کنید. کلید موفقیت در این مسئله در پذیرش و استفاده از اصول تکراری در حاکمیت روزانه است. به عنوان مثال، در صورت وجود مجموعه‌ای از مشکلات شناخته شده درکیفیت داده، هر روز آنها را بازبینی و مجددا اولویت بندی کنید، تا با تغییر اولویت ها، بیشترین سود را برای کسبوکار به دست آورید.
سعی کنید حالات کاربردی اولویت دار را سریعا فعال کنید، حتی اگر راه حل کامل نباشد. توسعه بلند مدت برای آماده سازی حالات کاربردی برای تولید (با ادغام با مدیریت ارتباط با مشتری اصلی و داده های مشتری عملیاتی) می‌تواند پس از اثبات ارزش انجام شود. به عنوان مثال، برای بهبود کمپین های مشتری، شاید نیازی به یکپارچه‌سازی و ادغام داده‌ها در ساسر سازمان نباشد، یک رویکرد سفارشی در یک پلتفرم اختصاصی کافی است. حاکمیت داده باید با تمرکز بر حل مشکلات مربوط به دسترسی و کیفیت داده‌ها علاوه بر ایجاد مدیریت داده‌های اصلی قوی، این رویکرد سفارشی را حمایت و تسریع کند.
٦. ایجاد اشتیاق برای داده
وقتی مردم به دیدگاه فعال‌سازی داده‌ها علاقه‌مند و متعهد هستند، برای اطمینان از کیفیت و امنیت داده‌ها بیشتر تلاش می‌کنند. سازمان‌های پیشرو در مدیریت تغییر سرمایه‌گذاری می‌کنند تا هواداران داده را ایجاد و شکاکان را متقاعد کنند. این سرمایه‌گذاری ممکن است سخت‌ترین بخش برنامه باشد، زیرا نیازمند ایجاد انگیزه در کارمندان برای استفاده از داده‌ها و تشویق تولید‌کنندگان برای به اشتراک‌گذاری آنها (و در حالت ایده‌آل بهبود کیفیت آنها در منبع) است.
سازمان های موفق از ترکیبی از مداخلات برای ایجاد رفتار مناسب استفاده می‌کنند. این مداخلات می‌توانند شامل الگوبرداری از مدیرعامل و سایر رهبران ارشد، تقدیر از منابع با کیفیت بالا و پاسخگو و نمونه‌های جدید از موارد استفاده که به نمایش گذاشته شده‌اند، باشند. برخی سازمان‌ها علاوه بر اطلاع‌رسانی درباره فرصتهای شغلی مرتبط با داده، آموزش و صلاحیت‌های لازم را، که اغلب بخشی از رویکرد آکادمیک بزرگتری هستند، ارائه می‌دهند. سازمان‌های دیگر با بهره‌گیری از موفقیت‌های خود در زمینه داده و تجزیه و تحلیل، هیجان و اشتیاق را با برگزاری رویدادها، انتشارات یا حتی هنر داده‌ای [6]ایجاد کرده‌اند. اما اینکه چه چیزی موثر است، بسیار وابسته به فرهنگ سازمان است.
آغاز کردن
شرکت‌ها باید رویکرد جدید حاکمیت داده خود را با پرسیدن این شش سوال آغاز کنند:
١. هزینه فرصت از دست رفته از عدم صحیح بودن حاکمیت داده چقدر است؟ چه میزان زمان گسترده در تمیزکردن دستی داده‌ها از بین می‌رود؟ و چه تعداد تصمیمات نادرست و غیربهینه در کسبوکار گرفته می‌شود؟
٢. در حال حاضر چه کسانی در رأس تلاش‌های حاکمیت داده قرار دارند؟ و چگونه می‌توان گفتگو را به سطح مدیران ارشد (C-suite) برد؟ چه کسانی باید مشارکت داده شوند؟
٣. حاکمیت داده در کجا بیشترین اهمیت را دارد؟ چه حوزه‌ها و بخش‌هایی از حوزه‌ها هستند که سازمان بیشتر به آنها نیاز دارد؟
٤. کدام الگوی حاکمیت بیشترین تطبیق را با سازمان دارد و آیا تلاش‌های فعلی با آن سطح نیاز هماهنگ هستند؟
٥. چگونه می‌توان با تنظیم تمرکز حاکمیت و وارد کردن مفاهیم کاری تکراری، حاکمیت را سرعت بخشید؟
٦. آیا توانایی‌های لازم درون سازمانی برای مدیریت چنین تغییری را دارید؟
حاکمیت داده برای به دست آوردن ارزش از طریق تجزیه و تحلیل، دیجیتال، و فرصت های تحول آفرین دیگر مهم و حیاتی است. در حالی که بسیاری از شرکت‌ها با مشکلاتی برای انجام درست این کار روبرو هستند، هر شرکتی می‌تواند با تغییر ذهنیت خود از تفکر درباره حاکمیت داده به عنوان چارچوب‌ها و سیاست‌ها، آن را به صورت استراتژیک در روند کارکرد روزانه سازمان تعبیه کند و به موفقیت دست یابد.
[1] data lake
[2] data stewards
[3] C-suite leaders
[4] metadata
[5] data masking
[6] Data art
منبع: mckinsey
ترجمه و ویرایش اختصاصی برای وبلاگ داتا: سپیده سلطانی
با اینکه بسیاری از سازمان‌ها دچار مشکلاتی در مقیاس‌پذیری مؤثر حاکمیت داده شده‌اند، برخی از آنها عالی عمل کرده‌اند. به عنوان مثال، یک خرده‌فروش بزرگ جهانی که حاکمیت داده‌هایش در بخش فناوری اطلاعات مدیریت می‌باشد، برای سال‌ها با مشکلاتی در بهره‌برداری از ارزش داده مواجه بود. سپس، به عنوان یک بخش از تحول تحلیلی سراسری سازمان، در آموزش و مشارکت تمام تیم رهبری ارشد اجرایی، در حوزه حاکمیت داده سرمایه‌گذاری کرد. آنها به هر یک از رهبران اجرایی (مدیر مالی[1]، مدیر بازاریابی [2]و غیره) چندین دامنه داده یا حوزه داده کسبوکار اختصاص دادند که برخی از آنها، مانند تراکنش‌های مصرف‌کننده و داده‌های کارمندان، شامل چندین عملکرد یا خط کسبوکار بودند. بنابراین ضرورت دارد که به ساختار حاکمیت داده بپردازیم.
زمانی که این رهبران اهمیت حاکمیت داده را درک کردند، به حامیان آن تبدیل شدند. آنها در دامنه‌های خود، نمایندگانی را برای ایفای نقش صاحبان[3] و نگهبانان دامنه داده[4] انتخاب کردند و تلاش‌های حاکمیت را به صورت مستقیم به موارد استفاده از تحلیل اولویتی مرتبط کردند. سپس با همکاری در مدت زمان کوتاهی، موارد داده اولویتی را براساس ارزشی که می‌توانستند ارائه دهند، شناسایی کردند و هر چند هفته یکبار با مدیرعامل و تیم رهبری ارشد مشورت می‌کردند. این تلاش‌ها شروع به نتیجه دادن کردند و به سازمان اجازه دادند که در چند ماه (نه چند سال) دامنه‌های اولویتی داده را راه‌اندازی کنند. این تلاش‌ها باعث کاهش زمانی شد که دانشمندان داده برای پاک‌سازی داده‌ها[5] صرف می‌کنند و همچنین سرعت ارائه موارد کاربرد تحلیلی را افزایش داد. این برنامه همچنان در حال رشد است.
همانطور که نمونه‌ها نشان می‌دهند، حاکمیت موثر داده نیازمند بازنگری در طراحی سازمانی آن است. یک ساختار حاکمیت معمولی شامل سه عنصر است:
دفتر مرکزی مدیریت داده (DMO[6]) که معمولاً تحت رهبری یک مدیر عامل داده (CDO[7]) قرار دارد، با یک استراتژی داده هدفمند و رهبران حاکمیت داده که جهت کلی و استانداردها را تعیین می‌کنند.
نقش‌های حاکمیت داده براساس دامنه‌های داده که در آنجا کارهای روزانه انجام می‌شود، تنظیم می‌شوند.
کمیته داده که رهبران دامنه و DMO را به هم متصل می‌کند تا استراتژی و اولویت‌های داده را با استراتژی کلی شرکت مرتبط کند، تأییدیه تأمین منابع را صادر کند و مسائل را بررسی کند.
این ساختار با ایجاد تعادل بین نظارت مرکزی، اولویت‌بندی مناسب و فراهم کردن سازگاری، به عنوان پایه‌ای برای حاکمیت داده عمل می‌کند. همچنین در این ساختار تضمین می‌شود که کارکنانی که داده را ایجاد و استفاده می‌کنند، کسانی هستند که آن را مدیریت می‌کنند.
مدل حاکمیت داده برتر معمولاً شامل این سه عنصر سازمانی است.
[1] CFO (Chief Financial Officer)
[2] CMO (Chief Marketing Officer)
[3] data-domain owners
[4] data-domain stewards
[5] Data cleanup
[6] Data Management Office
[7] Chief Data officer
منبع: mckinsey
ترجمه و ویرایش اختصاصی برای وبلاگ داتا: سپیده سلطانی
امروزه داده، یکی از ارزشمندترین دارایی‌هایی هر شرکت است. بهره‌برداری کامل از توانمندی‌هایی که داده ارائه می‌دهد، می‌تواند مزایای فراوانی به همراه داشته باشد. احتمالا از تعداد زیاد شرکت‌هایی که در بهره‌برداری کامل از داده ناتوان هستند، متعجب خواهید شد؛ بنابراین به مطالعه این مطلب ادامه دهید تا دریابید که بلوغ داده چیست و چگونه می‌توانید در این زمینه از سایرین پیشی بگیرید.
یکی از بهترین راه‌ها برای بهره‌برداری درست از داده، درک مفهوم بلوغ داده و قرار دادن خود در مسیر مناسب برای پیشرفت در مقیاس بلوغ داده است.
ما در‌حال آماده‌سازی یک راهنمای جامع برای انتخاب صحیح در این زمینه هستیم وبه زودی آن را در اختیار شما قرار خواهیم داد.
مفهوم بلوغ داده چیست؟
بلوغ داده (Data Maturity) یک اندازه‌گیری است که سطحی را نشان می‌دهد که شرکت در آن سطح از داده‌های خود بیشترین استفاده را می‌کند. برای دستیابی به سطح بالای بلوغ داده، لازم است که داده‌ها قاطعانه در سراسر سازمان تعبیه شوند و به طور کامل در تمامی فرایندها، تصمیم‌گیری‌ها و فعالیت‌ها یکپارچه شوند.
بخش “بلوغ[1]” در عبارت “بلوغ داده” (Data Maturity) به شرکت‌ها اشاره دارد. اگر یک شرکت در استفاده از داده‌های خود بلوغ داشته باشد، به این معناست که داده‌های خود را به طور موثری استفاده می‌کند تا از بهترین نتایج ممکن بهره‌مند شود؛ و این‌کار را به گونه‌ای مسئولانه انجام می‌دهد که امنیت افراد یا کسب‌وکاری که داده‌های آنها را در اختیار دارد، حداکثر شود.
انواع داده‌ها می‌توانند مربوط به یک فرد خاص باشد (شامل جزئیات شخصی مانند سن، آدرس، اطلاعات تماس) یا متاداده‌هایی[2] که توضیح می‌دهد چه مدت بازدیدکنندگان به یک برنامه وبی مراجعه می‌کنند، چگونه با آن تعامل می‌کنند (چه چیزی را کلیک می‌کنند و غیره) و چقدر احتمال دارد که به آن برگردند. این فقط برخی از مثال‌های گروه‌های مختلف داده‌هایی است که می‌تواند برای کسبوکارها بسیار حائز اهمیت باشد.
اما چرا بلوغ داده و استفاده بهینه از آن مهم است؟ درباره شرکت‌های فناوری بزرگی [3]مانند فیسبوک، گوگل و آمازون فکر کنید. تمامی این شرکت‌ها به واسطه داده به بالاترین سطح صنعت دست یافته‌اند. آنها دقیقاً می‌دانند که مشتریانشان علاقه‌مند به چه مواردی هستند، با چه مواردی احتمال تعامل دارند و چقدر طول می‌کشد تا با آیتم‌های خاصی تعامل کنند.
این اطلاعات برای موفقیت این سازمان‌ها بسیار ارزشمند هستند؛ زیرا این به این معناست که آنها می‌توانند در نهایت محصول یا خدماتی با شخصی‌سازی بیشتر ارائه دهند و در نتیجه مشتری را راضی نموده و تضمین کنند که او به دنبال محصولات و خدمات بیشتری می‌آید. در عین حال، آنها از این داده‌ها به طور امن محافظت می‌کنند تا به دست افراد نادرست نیافتد.
اگرچه مقیاس آن ممکن است متفاوت باشد، اما برخورداری از بلوغ داده می‌تواند تأثیر بزرگی در موفقیت یک کسبوکار با هر اندازه‌ای داشته باشد. بنابراین، درک راه‌های مختلف حفظ امنیت داده مهم است. یکی از بهترین راه‌ها برای این کار، استفاده از مدل‌های بلوغ داده است.
حال که می‌دانیم بلوغ داده چیست، ایده خوبی است که عوامل رفتار شرکت را بررسی کنیم تا بتوانیم بفهمیم چه اقداماتی برای پیشرفت در مقیاس بلوغ و تقویت قابلیت‌های داده‌ای نیاز است.
مهم‌ترین فعال‌سازهای بلوغ داده چیست؟
فرهنگ
فرهنگ که شاید مهم‌ترین عامل باشد، روشی است که از طریق آن با تیم خود رفتار کرده و آنها را تشویق به اشتراک‌گذاری، حفاظت و بهره‌برداری از داده می‌کنید. همکاری گروهی در امکان‌سنجی بلوغ داده بسیار حائز اهمیت است.
داده
این مورد ممکن است واضح به نظر برسد، اما نوع داده‌ای که استفاده می‌کنید، جایی که منابع را از آن دریافت می‌کنید و کیفیت آن بسیار حائز اهمیت است.
ابزارها
نرم‌افزاری که برای جمع‌آوری داده‌های خود استفاده می‌کنید، تأثیر مستقیمی بر کیفیت داده‌های شما دارد. علاوه بر این، ذخیره سازی نیز باید مورد توجه قرار بگیرید.
کاربردها
حالا که همه داده‌هایتان را دارید، چگونه آن را برای بهبود شرکت خود پیاده‌سازی خواهید کرد؟
تجزیه‌وتحلیل
تکنیک‌هایی که برای تحلیل داده‌هایتان استفاده می‌کنید، در اینجا مطرح می‌شود. بهترین داده‌های جهان اگر به درستی مورد بررسی قرار نگیرند، برای شما مفید نخواهند بود.
مهارت‌ها
مجموعه مهارت‌های شخصی شما و تیم شما برای اجرای صحیح سایر اجزای سیستم حائز اهمیت هستند.
رهبری
نگرش رهبر، روش اداره بودجه، نحوه سازماندهی تیم و سایر موارد، بالاترین چرخ دنده در مکانیزم است.
چگونه می‌توان به مقیاسهای بالاتر بلوغ داده دست‌یافت؟
پس ما تحقیقی درباره نحوه دیدگاه افراد مختلف به مقیاس بلوغ داده داشتیم و از آن چهار مدل استفاده کردیم تا درک خودمان را درباره آن بیشتر کنیم. همچنین، به عوامل کلیدی مشارکت کننده در پیشرفت در این مسیر نیز نگاهی انداختیم.
اما در‌واقع چگونه از این عوامل برای پیشرفت در مقیاس بلوغ داده استفاده کنیم؟ در ادامه، تعدادی از بهترین نکات برای افزایش سطح رشد بلوغ داده شما آورده شده است:
شناسایی هرگونه مشکل هماهنگی با تجارت
داشتن یک استراتژی داده یک موضوع است؛ اما اگر این استراتژی بدون داشتن مبنای منطقی یا تحلیلی انتخاب شود و با استراتژی تجارت شما هماهنگ نباشد، زمان تلف شده است. انتخاب مدل بلوغ داده مناسب، ابزارهای تحلیل داده و خود داده برای پاسخگویی به نیازهای تجارت شما کلیدی است.
جذب اعضای مناسب در تیم خود
برخلاف تصور عموم مردم، داده‌ها تنها متعلق به بخش فناوری اطلاعات نیستند. برای پیشرفت در مقیاس بلوغ داده، شما باید تضمین کنید که مشارکت سراسری درسطح شرکت وجود داشته باشد و این امر با انتخاب افراد مناسب آغاز می‌شود.
ارتباط- کلید موفقیت
پس از جذب افراد مناسب، شما باید اطمینان حاصل کنید که استراتژی داده‌ای خود را به اعضای تیم ارتباط داده و این اعضا به طور موثر داده‌ها و استراتژی را بین خود به اشتراک می‌گذارند.
دقت لازم در مدیریت داده‌ها در هر مرحله
اما مدیریت داده‌ها از بالا آغاز می‌شود. کیفیت ضعیف داده، برخورد نادرست با داده‌ها و هدر رفت ساده زمان، همه نشانه‌هایی از مدیریت نامناسب داده هستند و شما باید به هر قیمتی از این موارد دوری کنید.
سازمان‌ها چگونه از بلوغ داده بهره‌مند می‌شوند؟
با این اطلاعات، تنها چند قدم باقی مانده تا به سطح بلوغ داده برسیم و نتایج را شاهد شویم. اما نتایج چگونه به نظر می‌رسند؟ و ما چگونه از این نتایج بهره‌مند می‌شویم؟
احتمالاً تا این لحظه به نظر می‌رسد که مزایا واضح و روشن هستند؛ اما چندین مزیت وجود دارد که تاکنون به آنها فکر نکرده‌اید. نگاهی به این موارد بیندازید، زیرا این‌ها ممکن است انگیزه نهایی باشند که شما برای اصلاح بلوغ داده در سازمان خود نیاز دارید تا در مقیاس بلوغ داده پیشرفت کنید:
- صرفه‌جویی در هزینه‌ها از طریق بهره‌وری بیشتر
- تقویت امنیت
- افزایش اعتبار و تصویر برند
- تقویت همکاری با سایر شرکت‌ها
- افزایش نتایج و تأثیرگذاری
- تولید محصولات و خدمات بهتر
- افزایش آگاهی، بهبود یادگیری
همه این‌ها مواردی هستند که در نهایت منجر به افزایش درآمد خواهند شد و بدون شک افزایش درآمد، هدف اصلی در تجارت است.
نتیجه گیری
دانستیم که بلوغ داده چیست و قدم‌های اساسی را شناختیم. درک بلوغ داده و چگونگی پیشرفت در مقیاس بلوغ داده می‌تواند بعد جدیدی را نه فقط در استفاده از داده‌های خود، بلکه در بهبود عملکرد کلی شرکت برای کسبوکار شما به ارمغان بیاورد.
ما در داتا به مجموعه‌ها در ارزیابی و پیشرفت در بلوغ داده کمک می‌کنیم. با ما تماس بگیرید.
[1] Maturity
[2] Metadata
[3] High Tech companies
منبع: softkraft.co
ترجمه و ویرایش اختصاصی برای وبلاگ داتا: سپیده سلطانی
حاکمیت داده‌های مالی شامل نظارت کلی و مدیریت تمامی داده‌های ذخیره و حفظ شده توسط سازمان‌های مالی است. حوزه حاکمیت مالی، خود را به بانک‌ها محدود نکرده است. این حوزه به انواع مختلف نهادهای مالی اعم از شرکت‌های بیمه، دفاتر کارگزاری ملکی، صندوق‌های سرمایه‌گذاری ملکی (REITs) و سایر نهادها گسترش یافته‌است.
اهمیت حاکمیت مالی داده به مراتب فراتر از رعایت مقررات است.
بهکارگیری حاکمیت داده قوی، به نهادهای مالی کمک می‌کند تا با دقت بیشتری به استانداردهای قانونی و نظارتی پایبند شوند، و در‌نتیجه احتمالاً جریمه‌های قانونی را کاهش دهند. علاوه بر این، حاکمیت داده در حوزه مالی با تضمین سلامت و دقت داده‌های مالی مشتریان، به ایجاد اعتماد عمیق مشتریان کمک می‌کند و برای اتخاذ تصمیمات صحیح و دقیق بسیار ضروری است.
براساس گفته Brianna Vandre ، شخصی که فعالیت‌های حاکمیت داده در GitLab را رهبری می‌کند:
داده‌های مالی نقش حیاتی در تصمیم‌گیری، مدیریت ریسک و انطباق با مقررات دارند. با توجه به حساسیت داده‌های مالی، ایجاد حاکمیت قوی داده‌های مالی بسیار ضروری است.
نیاز به حاکمیت داده در حوزه مالی
حاکمیت داده‌های می‌تواند در مواجهه با موارد زیر کمک کند:
- نظارت قانونی و عدم انطباق با مقررات
- نقض امنیت داده
- زیان‌های ناشی از مدیریت نادرست داده
بیایید ببینیم چگونه.
مقابله با نظارت قانونی و عدم انطباق با مقررات
سازمان‌های مالی، به دلیل دسترسی داشتن به داده‌های مشتری، ناگزیراً تحت‌نظر مقرراتی مانند قانون کلی حمایت از داده‌ها (GDPR) قرار می‌گیرند. پیامدهای عدم انطباق با مقررات نه تنها از لحاظ شهرت و اعتبار می‌تواند زیان‌بار باشد، بلکه ممکن است هزینه‌های مالی نیز به همراه داشته باشد.
به عنوان مثال، ناظران مالی در دانمارک پس از اینکه بانک Danske اعلام کرد که قادر به تکمیل روند حذف داده‌های مشتریانی که دیگر در‌ارتباط با بانک نبودند، نمی‌باشد، جریمه 1.3 میلیون یورویی به بانک تحمیل کردند.
علاوه بر GDPR، صنعت مالی تحت حاکمیت قوانین مختلفی در سراسر جهان قرار دارد.
در ایالات متحده، این قوانین شامل قوانینی مانند قانون ساربینز-اکسلی[1] (SOX)، قانون گرام-لیچ-بیلی [2](GLBA) و مقررات امنیت سایبری 23 NYCRR 500 هستند.
علاوه بر این مقررات، استانداردهای صنعتی مانند PCI DSS، SOC 1 و غیره نیز وجود دارند.
نقض امنیت داده و پیامدهای آن
مدیریت نادرست داده فراتر از نقض مقررات یا جریمه‌های مالی می‌رود و مشکلاتی را به وجود می‌آورد که می‌تواند به مصرف‌کنندگان آسیب جدی وارد کند.
نهادهای مالی مانند ایکوفکس[3] که در سال 2017 یا کپیتال وان [4]در سال 2019، با نقض امنیت قابل توجهی روبرو شدند. این‌ها فقط دو نمونه از مثال‌هایی هستند که با پیامدهای جدی شکست در حفاظت از امنیت داده مواجه شدند.
جریمه‌های قابل توجه و کشمکش‌های طولانی در دادگاه‌ها، معمولاً نتیجه این موارد هستند که پیامدهای جدی ناشی از مدیریت نادرست داده را نشان می‌دهد.
هزینه بالای مدیریت نامناسب داده
داده های نادرست به تنهایی مزاحم نیستند. به گزارش گارتنر[5] کیفیت نامناسب داده می‌تواند منجر به از دست دادن میانگین ۱۵ میلیون دلار در سال شود.
برای صنعت مالی با ریسک ها و حاشیه سود‌های باریک، این از دست دادن‌ها ممکن است مخرب باشد. این اتفاق در مورد بانک مشترک استرالیا (Commonwealth Bank) رخ داد که بیش از نیم میلیارد دلار جریمه مرتبط به پول‌شویی و تروریسم پرداخت کرد.
همچنین مدیریت ارشد ممکن است تحت تأثیر قرار گیرد. گروه دزجاردن[6]، بزرگترین اتحادیه اعتباری در آمریکای شمالی، در پی فاش شدن داده‌های خود در سال 2019، دو رهبر ارشد خود را جایگزین کرد تا اعتماد را بهبود بخشد و اختلالات را کاهش دهد.
وضعیت حاکمیت داده‌های مالی
صنعت مالی با ذخایر گسترده از داده‌های مشتری و شبکه مقررات پیچیده، در مرحله‌ی حیاتی در زمینه حاکمیت داده قرار دارد.
چالش‌ها و نوآوری‌ها، هر دو وضعیت فعلی حاکمیت داده در صنعت مالی را تعریف می‌کنند، مانند:
- افسران حفاظت داده (Data Protection Officers)
- حاکمیت فعال داده (Proactive Data Governance)
- سرمایه‌گذاری در ابزارهای مدیریت (Investments in Governance Tools)
- کفایت امنیت (Security Adequacy)
بیایید ببینیم چگونه.
افزایش نقش افسران حفاظت داده (DPO)[7]
در سیر تاریخی، استخدام یک افسر حفاظت داده (DPO) که قبلا به عنوان یک نقش اضافی در نظر گرفته می‌شد، از یک گزینه به یک الزام تبدیل شده‌است. به ویژه برای سازمان‌های بزرگ، قانون کلی حفاظت داده (GDPR)، استخدام یک DPO را نه به عنوان یک توصیه بلکه ضرورت، تعیین کرده است.
لازم به ذکر است که این امر محدود به شرکت‌های اروپایی نیست. قدرتمندترین شرکت‌های مالی جهان مانند JPMorgan Chase، HSBC و Goldman Sachs نیز DPOها را در عملکرد اروپایی خود گنجانده‌اند.
رویکرد فعال حاکمیت داده‌های مالی در مرکز توجه قرار خواهد گرفت
نگرش صنعت به حاکمیت داده از یک رویکرد غیرفعال به یک رویکرد فعال تغییر قابل‌توجهی داشته‌است. به جای اتکا به رویه‌های دستی و واکنشی، تلاش برای پیشگیری از نقض امنیت و پایبندی به امنیت داده در هر لحظه وجود دارد.
به عنوان مثال، Citibank اکنون از تحلیل پیش‌بینی برای پیش‌بینی تخلفات ممکن مربوط به قوانین استفاده می‌کند. این تحلیل به آنها امکان می‌دهد تا مسائل را قبل از تبدیل شدن به نقض‌ها، مورد بررسی قرار‌دهند.
این رویکرد پیش‌بینانه، که تلاش می‌کند بجای به نمایش گذاشتن مطابقت پس از بروز مشکلات، آن را پیش از بروز نمایش دهد، تحت تاثیر استانداردهای تعیین شده توسط قوانین حفاظت از داده عمومی ((GDPR قرار گرفته است.
سرمایه گذاری در ابزارهای حاکمیت افزایش می‌یابد
از تشخیص تهدیدات تا نظارت بر انطباق با GDPR، پیشرفت تکنولوژی در راستای ابزارهای ویژه حاکمیت داده و مدیریت فراداده [8]در حال گسترش است.
یکی از این افزودنی‌های قابل توجه، کاتالوگ داده مدرن است که برای طبقه‌بندی داده‌ها، ردیابی سلسله‌مراتبی آنها و پیاده‌سازی سیاست‌های حاکمیت داده بسیار حیاتی است.
چالش‌های مستمر ناشی از خطرات امنیتی، عدم قطعیت‌ها و پیچیدگی‌های صنعت
بخش مالی در حال تغییرات قابل توجهی است و از آخرین روندها و نوآوری‌های فناوری بهره می‌برد. با این حال، این سیر به آسانی انجام نمی‌شود. چند چالش خاص همچنان باقی مانده‌است؛ به ویژه در خصوص خطرات امنیتی، عدم قطعیت‌های فناوری در حال تکامل و پیچیدگی‌های خود صنعت.
همچنین تهدیدهای سایبری نگران‌کننده هستند. گزارش شرکت Check Point نشان می‌دهد که حملات در سال ۲۰۲۲ نسبت به سال قبل ۵۰٪ افزایش یافته‌است. این حملات نشان‌دهنده آسیب‌پذیر بودن نهادهای مالی در حفاظت از داده‌ها است.
مطالعه‌ای از سوی KPMG در سال ۲۰۲۱ انجام شد که نشان‌دهنده نکته‌ای نگران‌کننده بود: ۴۳٪ مدیران ارشد بانکی اعتراف کردند که سازمان‌هایشان برای تضمین حریم خصوصی داده‌ها به اندازه کافی آماده نیستند.
همچنین تسلط بر مسائل مدیریت داده در نهادهای مالی بزرگ دشوارتر می‌شود. به عنوان مثال، عملیاتی مانند نگهداری و حذف داده‌ها که به نظر ساده می‌رسد می‌تواند به پیچیدگی‌های حقوقی مهمی منجر شود.
جیمز فیتزجرالد [9]و ریچ وستوتو [10] در گزارش خود درباره ملاحظات حقوقی در خصوص حذف داده‌ها می‌گویند که “نگرش ساده به عنصر کلیدی حاکمیت اطلاعات، هزینه‌های واقعی و جانبی نگهداری داده‌ها را نادیده می‌گیرد”.
حاکمیت داده‌های مالی را در این مقاله مرور کردیم. شما چه نمونه‌های موفقی از حاکمیت داده در بخش مالی را می‌شناسید؟
[1] Sarbanes-Oxley Act
[2] Gramm-Leach-Bliley Act
[3] Equifax
[4] Capital One
[5] Gartner
[6] Desjardins
[7] Data Protection Officer
[8] metadata
[9] James Fitzgerald
[10] Rich Vestuto
منبع: atlan.com
ترجمه و ویرایش اختصاصی برای وبلاگ داتا: سپیده سلطانی