پیشنهاد IBM برای طراحی استراتژی داده در ۶ گام

در عصر هوش مصنوعی، داده دیگر صرفاً یک دارایی نیست؛ بلکه زیربنای تصمیم‌گیری هوشمند، نوآوری و رقابت‌پذیری سازمان‌هاست. همه کاربردهای هوش مصنوعی متکی به داده است که اهمیت داشتن یک استراتژی داده دقیق و منسجم را بیش از پیش بالا برده است.

اما نکته‌ی کلیدی این است که همه‌ی رویکردهای هوش مصنوعی نیازهای داده‌ای یکسانی ندارند. هوش مصنوعی سنتی و هوش مصنوعی مولد (Gen AI) به داده‌های متفاوتی وابسته‌اند. برای بهره‌گیری کامل از ظرفیت هوش مصنوعی مولد، باید راهبردی داشته باشیم که بتواند داده‌های غیرساخت‌یافته را نیز به‌درستی مدیریت و معنا کند.

نقطه‌ی شروع این مسیر، تبیین چشم‌انداز داده‌ای سازمان است؛ دارایی‌های داده، زیرساخت‌ها و شیوه‌ی فعلی استفاده از داده در فرآیندهای کسب‌وکار. در کنار آن، باید فرهنگ «سواد داده» را در سراسر سازمان گسترش دهیم و کارکنان را از طریق دموکراتیزه‌کردن داده و آشنایی با مفاهیم پایه‌ای هوش مصنوعی توانمند کنیم. این مسیر آسان نیست؛ اما بسیار حیاتی است.

در ادامه، چارچوبی گام‌به‌گام ارائه می‌شود تا بتوانید راهبرد داده‌ی خود را به‌گونه‌ای طراحی کنید که همسو با اهداف کسب‌وکار باشد و زمینه‌ی موفقیت سازمان در مسیر هوش مصنوعی را فراهم کند.

گام اول: تدوین راهبرد داده

درک اهداف کلان سازمان

نخستین گام، گفت‌وگو با مدیران ارشد است تا درکی روشن از اهداف و اولویت‌های اصلی کسب‌وکار به دست آید. این گفت‌وگوها فرصت ارزشمندی برای طرح پرسش‌های کلیدی و تعیین مسیر درست برای راهبرد داده فراهم می‌کنند.

پرسش‌هایی که باید مطرح شوند:

1. کدام ابتکارات کسب‌وکاری در اولویت هستند؟
2. آیا دغدغه‌هایی درباره‌ی داده‌های سازمان وجود دارد که ممکن است مانع پذیرش هوش مصنوعی شوند؟
3. چه چالش‌هایی مانع تحقق اهداف کلیدی ما هستند؟
4. در کدام بخش‌ها می‌توان با داده‌های باکیفیت‌تر، عملکرد را بهبود داد؟
5. معیار سنجش موفقیت در سطح فردی و تیمی چیست؟

«در گفت‌وگو با ذی‌نفعان، نیازهای داده‌ای در سراسر سازمان را شناسایی کنید تا ارزش داده را به‌عنوان یک دارایی راهبردی نشان دهید.»

— جو راموس، رهبر مهندسی راهکارهای داده و هوش مصنوعی در IBM

شناخت کیفیت داده‌ها و نحوه‌ی جریان آن‌ها میان واحدهای مختلف، به سازمان کمک می‌کند تا ارزش‌های نهفته‌ی جدیدی را کشف کند. این ارتباط را در تمام مراحل تدوین راهبرد حفظ کنید و همواره دغدغه‌ها و اولویت‌های ذی‌نفعان را در نظر داشته باشید.

شناسایی کاربردهای کلیدی داده

همه‌چیز با این پرسش آغاز می‌شود: «کدام مسئله‌ی کسب‌وکاری را می‌خواهیم حل کنیم؟» برای هر کاربرد، باید نتایج قابل‌اندازه‌گیری و واقع‌بینانه تعریف شود. مدیران داده‌ی موفق می‌دانند که اتصال داده و تحلیل‌ها به نتایج تجاری، کلید اصلی ارزش‌آفرینی است.

حفاظت از سرمایه‌های موجود

با بهره‌گیری از زیرساخت‌ها، فناوری‌ها و مهارت‌های فعلی، راهبرد داده را توسعه دهید. شناخت اکوسیستم فناوری سازمان کمک می‌کند تشخیص دهید داده‌ها در کجا و چگونه می‌توانند بیشترین تأثیر را داشته باشند. این شناخت به حذف معماری‌های قدیمی، استفاده‌ی مؤثرتر از طرح‌های تأمین‌شده و شناسایی فرصت‌های بهبود منجر می‌شود.

گام دوم: ارزیابی وضعیت موجود

شناسایی موانع و شکاف‌ها

پس از تعیین اهداف و جلب حمایت مدیران، باید موانعی را که مانع تجربه‌ی داده‌محور واقعی هستند، شناسایی کنید. اغلب، سیلوهای داده‌ای ریشه‌ی مشکلات مدیریت و یکپارچگی داده‌اند. پژوهش‌ها نشان می‌دهد ۸۱٪ از رهبران فناوری اطلاعات، سیلوهای داده را مانع تحول دیجیتال سازمان خود می‌دانند.

داده باید در دسترس همه‌ی کاربران مرتبط باشد؛ بدون نگرانی از محل ذخیره‌سازی، وضعیت امنیت یا انطباق آن. کاربران باید بتوانند با اطمینان از داده‌های موردنیازشان استفاده کنند.

رویکرد تفکر طراحی در راهبرد داده

استفاده از رویکرد «تفکر طراحی» به شما کمک می‌کند نقاط درد و چالش‌های سازمان را آشکار کنید و در چرخه‌ای مداوم از مشاهده، بازتاب و خلق، راه‌حل‌های عملی برای آن‌ها بیابید.

ارزیابی مهارت‌ها و استعدادها

تحول داده‌ای بدون توانمندسازی تیم‌ها ممکن نیست. سازمان باید آموزش‌های مداوم برای همگام ماندن با شتاب رشد هوش مصنوعی فراهم کند. طبق نظرسنجی IBM:

• ۸۵٪ از مدیران داده‌ی پیشرو آموزش‌ها را گسترش داده‌اند.
• ۷۷٪ بازآموزی نیروی داخلی انجام می‌دهند.
• ۷۰٪ استعدادهای جدید جذب می‌کنند تا سواد داده‌ای را تقویت کنند.

اولویت‌بندی حاکمیت داده

در عصر هوش مصنوعی مولد، وجود نظام حاکمیتی یکپارچه ضروری است. پایش داده‌های حساس و دارای الزامات قانونی، از تکرار خطاها و نقض حریم خصوصی جلوگیری می‌کند. بررسی کنید چه کسانی سیاست‌های داده را تدوین و نظارت می‌کنند و آیا این حاکمیت امنیت و انطباق را به‌درستی پشتیبانی می‌کند یا نه.

گام سوم: ترسیم چارچوب داده و هوش مصنوعی

تعریف وضعیت هدف داده

«بسیاری از محیط‌های داده‌ای انعطاف لازم برای تحول در فضای دیجیتال امروز را ندارند.»

— تونی جوردانو، رهبر راهبرد داده در IBM

معماری داده‌ی مدرن باید قابل مدیریت، تحت حاکمیت و ایمن باشد و همگام با مسیر دیجیتالی سازمان رشد کند.

سنجش میزان پیشرفت

اگرچه از مدیران داده انتظار می‌رود تحول ایجاد کنند، اما موفقیتشان اغلب با اهداف کوتاه‌مدت تجاری سنجیده می‌شود. طبق پژوهش AWS، تنها ۳٪ از مدیران داده موفقیت خود را صرفاً با معیارهای فنی می‌سنجند.

«از هیئت‌مدیره‌ای که انتظار معجزه در ماه‌های اول دارند تا مدیرعاملی که می‌خواهد در شش ماه سازمانی کاملاً داده‌محور داشته باشد، فشار بر مدیران داده بی‌سابقه است.»

— مطالعه‌ی IBM درباره‌ی CDOها ۲۰۲۳

گام چهارم: اجرای راهبرد

تدوین سیاست حاکمیت داده

چارچوب حاکمیتی قوی مبتنی بر کیفیت، امنیت و حریم خصوصی است. این چارچوب با ایجاد لایه‌ی حاکمیت و فراداده برای تمام پروژه‌های داده و هوش مصنوعی، شفافیت و همکاری را افزایش می‌دهد و نشان می‌دهد هوش مصنوعی چگونه می‌تواند فرآیندهای انطباق را ساده‌تر کند.

شناسایی حامیان داده

در سازمان خود افرادی را بیابید که به قدرت داده در بهبود عملکرد باور دارند. این افراد – از مهندسان و معماران داده گرفته تا رهبران واحدهای تجاری – می‌توانند شریکان کلیدی در پیشبرد راهبرد داده باشند.

گام پنجم: ایجاد راهکارهای یکپارچه

طراحی چرخه‌های سریع (اسپرینت)

برای تثبیت راهبرد داده و AI، اهداف کوچک، سریع و قابل تحقق تعیین کنید. تیم‌های میان‌وظیفه‌ای را حول این اهداف سازمان دهید و نتایج را در چرخه‌های کوتاه ارزیابی کنید. هم‌راستایی تیم‌های فنی، کسب‌وکار و مدیران ارشد در این مرحله حیاتی است.

موفقیت‌های کوچک، نتایج بزرگ

از پروژه‌های کوچک و قابل‌اندازه‌گیری آغاز کنید تا ارزش داده و AI به‌سرعت قابل مشاهده شود. برنامه‌های آزمایشی (Pilot) در مراحل ابتدایی به شما تجربه و بینش لازم برای پروژه‌های بزرگ‌تر را می‌دهند.

ایجاد فهرست مرکزی داده

کاتالوگ مرکزی داده، مکانی برای ذخیره، سازمان‌دهی و اشتراک‌گذاری بینش‌هاست و تصمیم‌گیری بلادرنگ در سراسر سازمان را ممکن می‌سازد.

توانمندسازی کاربران داده

چارچوب جدید مدیریت داده را مبنای پذیرش سازمانی قرار دهید تا ارتباطات داخلی، امنیت، بهره‌وری و مدل‌های کسب‌وکار بهبود یابند.

گام ششم: گسترش تیم و فرآیندها

داده، کار همه‌ی افراد است

مطابق گزارش Harvard Business Review، سازمان‌هایی موفق‌ترند که «داده را به مسئولیت مشترک همه‌ی کارکنان» تبدیل کرده‌اند. با توسعه‌ی موارد استفاده‌ی داده در علم داده، هوش تجاری، تحول دیجیتال و AI مولد، می‌توان فرهنگ یادگیری و تصمیم‌گیری داده‌محور را نهادینه کرد.

جذب و بازآموزی استعدادها

برای پر کردن شکاف مهارتی، باید از الگوهای سنتی استخدام فراتر رفت. زمانی که آموزش و جذب کافی نیست، می‌توان از ظرفیت هوش مصنوعی و اتوماسیون برای تکمیل مهارت‌های موردنیاز بهره گرفت.

ساخت مشارکت‌های پایدار

نقش رهبر داده، هدایت سازمان به‌سوی تصمیم‌گیری هوشمندانه در جمع‌آوری، مدیریت و استفاده از داده است. با ایجاد همکاری میان‌سطحی و تبادل بازخورد، می‌توان فرهنگی ساخت که یادگیری و رشد را در DNA سازمان جای دهد.

داده را به مزیت رقابتی خود تبدیل کنید

وقتی سازمان با شما هم‌صدا می‌شود و فناوری‌های داده‌ای رشد می‌کنند، در واقع بیش از یک سیستم کارآمد خلق کرده‌اید؛ شما فرهنگی ساخته‌اید که داده را منبع الهام و نوآوری می‌داند. در این فرهنگ، تصمیم‌ها بر پایه‌ی داده گرفته می‌شوند و آینده، بر محور هوش مصنوعی شکل می‌گیرد.

منبع: IBM