5 trin til at opbygge en virksomhedsdatastrategi, direkte fra en ekspert

Data kan være et skræmmende ord.

Det burde det ikke være, men det er det. Mest fordi folk kæmper med, hvordan de skal håndtere det.

Mange virksomheder er nået dertil, hvor de har så meget data, at de ikke ved, hvor de skal hen. Andre mener, at de er så små, at der ikke er behov for at investere i en virksomhedsdatastrategi.

Sandheden er, at uanset størrelsen på din virksomhed og den aktuelle tilstand af dine data, vil du drage fordel af at implementere en datastrategi.

For at hjælpe dig med at komme i gang har vi hentet ekspertisen fra Zosia Kossowski, gruppeproduktchefen for business intelligence-teamet hos HubSpot (dvs. vores interne datastrategiekspert.)

Når du er færdig med at læse denne artikel, har du en bedre ide om din virksomheds nuværende datamodenhedsniveau, hvilke faktorer du skal overveje, før du bygger din strategi, og nogle trin til at hjælpe på vej.

På trods af populær overbevisning er en virksomhedsdatastrategi ikke kun for store virksomheder med store mængder data. Faktisk kan små virksomheder drage fordel af at investere i en datastrategi tidligt og danne grundlaget, som vil hjælpe dem med at skalere.

Fordele ved en Enterprise Data Strategy

Den fælles faldgrube mange organisationer står over for er, at mens de indsamler en masse data, fortolker hvert team det på deres egen måde. Der er ingen standardrapporteringsmetode, og hvert team rapporterer muligvis en anden værdi for den samme metric.

Det betyder, at alle ender med forskellige data uden nogen klar forståelse af, hvad der er nøjagtigt. Når der ikke er en enkelt kilde til sandhed, bliver det utroligt svært at stole på dine data og hente værdifuld indsigt.

"Data findes ikke kun i en silo," sagde Kossowski. “Marketingteamet kommer ikke kun til at bruge marketingspecifikke data, som ingen andre teams har indflydelse på. De vil også gerne trække information fra forskellige områder."

Hun fortsætter, "Og så et element af styring og standardisering og et fælles sprog er virkelig vigtigt for at sikre, at disse teams kan kommunikere med hinanden."

Så ved at implementere en EDS forhindrer du informationssiloer, giver mulighed for tillid til dataene og muliggør beslutningstagning.

Hvad skal man overveje, når man bygger en virksomhedsdatastrategi

1. Dit nuværende datamodenhedsniveau

Den første ting Kossowski anbefaler at gøre, før du bygger din strategi, er en selvevaluering.

Spørg dig selv: Hvor falder din virksomhed i datamodenhedsfasen?

Dell har en meget brugt "Data Maturity Model", der hjælper virksomheder med at bestemme, hvor datadrevet deres virksomhed faktisk er. Der er fire stadier:

• Data bevidst – Din virksomhed har ikke standardiseret sit rapporteringssystem, og der er ingen integration mellem dine systemer, datakilder og databaser. Derudover er der mangel på tillid til selve dataene.
• Data dygtig – Der er stadig mangel på tillid til dataene, specielt dets kvalitet. Du har muligvis investeret i et datavarehus, men der mangler stadig nogle stykker.
• Data kyndige – Din virksomhed er bemyndiget til at træffe forretningsbeslutninger ud fra dine data. Der er dog stadig nogle knæk mellem virksomhedsledere og IT, da IT arbejder på at levere pålidelige data efter behov.
• Datadrevet – IT og forretning arbejder tæt sammen og er på samme side. Nu er fokus på at skalere datastrategien, fordi det grundlæggende arbejde (især integration af datakilder) allerede er implementeret med succes.

Det vigtigste her er at være realistisk med hensyn til, hvor din virksomhed falder.

"Jeg tror, ​​at den største faldgrube, jeg ser, er ikke at være rigtig ærlig over for dig selv om, hvor din virksomhed er i datamodenhedsstadiet," sagde Kossowski.

Hun tilføjer, at det ikke er nok at se på de følelser, du har omkring, hvordan data drev dig tror din virksomhed er. Se på fakta.

Start med at identificere de dataproblemer, din virksomhed står over for i øjeblikket, da det er en god indikator for, hvor du står.

2. Din branche og virksomhedsstørrelse

Den branche, du er i, og størrelsen på din virksomhed, vil afgøre, om du tager en centraliseret eller distribueret tilgang til din datastrategi.

Men før vi nedbryder disse tilgange, lad os tale om to datastrategiske rammer: angreb og forsvar.

Under min samtale med Kossowski bragte hun op, hvordan denne ramme (forklaret i detaljer link.) har hjulpet HubSpot med at udvikle sin egen strategi.

Dataforsvar prioriterer ting som datasikkerhed, adgang, styring og nøjagtighed, mens dataforbrydelser fokuserer på at få indsigt, der vil muliggøre beslutningstagning.

Hver virksomhed har brug for en balance mellem angreb og forsvar. Nogle læner sig dog mere til den ene ende af spektret baseret på deres branche.

En sundhedsorganisation eller finansiel institution beskæftiger sig for eksempel sandsynligvis med meget følsomme data, hvor databeskyttelse og datasikkerhed er altafgørende.

At få data i realtid og hurtig indsigt er sandsynligvis ikke en topprioritet, hvorimod at give autoværn for, hvem der kan få adgang til data, sandsynligvis er det. Som sådan vil de læne sig mere mod en forsvarsramme.

På bagsiden har du tech-virksomheder, en industri, der har tendens til at bevæge sig hurtigt og er mere afhængig af en hurtig vending af dataindsigt.

Så de læner sig mere op af angreb. Når det er sagt, er der helt sikkert afdelinger inden for tech-virksomheder (og andre hurtige industrier), der vil fokusere mere på forsvar, såsom finans.

Nu tilbage til centraliserede og distribuerede strategier.

De rammer, du bruger, vil informere, hvilken strategi der tjener din virksomhed bedst.

I en centraliseret struktur har du et centraliseret rapporterings- eller business intelligence (BI)-team, der administrerer og forbereder data såvel som rapporterne.

"Den [struktur] kan fungere meget bedre i en mindre organisation, og især i en organisation, der prioriterer forsvar, fordi du kommer til at bevæge dig langsommere," sagde Kossowski. "Du kommer til at være flaskehalsen, men du har også stram kontrol over hvert stykke af det."

En distribueret model fungerer på den anden side bedre for større hold, der tager den offensive tilgang. På denne måde kan hvert team bevæge sig hurtigt og er bemyndiget til at udføre arbejde på en måde, der fungerer for dem.

I denne model er BI blot ansvarlig for platformene og opsætning af autoværn, mens teamene laver udviklingsarbejdet, forklarer Kossowski.

"Hvis du tænker på en organisation, efterhånden som virksomheden bliver større, med et mere centraliseret team, bliver det mere og mere vanskeligt at skalere," sagde hun. "Du ender med at skulle ansætte flere og flere mennesker for at kunne opnå det."

"Så jeg tror, ​​at ved en vis størrelse af virksomheden vil du ende med at bevæge dig mere og mere mod [en] decentraliseret [strategi] alligevel."

Så når du først forstår, hvilken ramme der fungerer bedst for din branche og størrelse, kan du implementere den passende strategi.

3. Dit Data Management Team

Datavidenskab er det varme emne lige nu inden for datahåndtering, ifølge Kossowski. Og hun tager ikke fejl.

I 2012 navngav Harvard Business Review det det mest sexede job i det 21. århundrede. Næsten 10 år senere, Glasdør har kåret det til det næstbedste job i Amerika.

Men hvis du diskuterer, hvilken rolle du skal tilføje til dit datastyringsteam, bør en dataforsker ikke være din første mulighed.

Kossowski fremhæver, at din datavidenskab kun bliver lige så god som de data, der driver den. Og hvis disse data ikke er troværdige, får du ikke værdifuld indsigt.

“Datavidenskab er ikke en tryllestav, der på magisk vis gør dårlige data til indsigt. Uanset hvad har du stadig brug for det datagrundlag,” tilføjer hun. "Så at springe ud i at gøre noget, fordi det er den næste store ting, tror jeg, det er en stor bekymring."

If you’re in the earlier stages of the data maturity model, Kossowski has a suggestion on where to focus your efforts.

"En datavarehusarkitekt eller endda en dataanalytiker, der har erfaring med at skrive SQL og opbygge SQL-tabeller," siger hun. "Hvis du kun skal ansætte én person, og du ikke har så meget data, kan det være en virkelig kraftfuld ansættelse, fordi der er meget, som én person kan gøre, når du er i en mindre skala. De kan bære mange forskellige hatte og lære forskellige ting.”

Når det kommer til de mere tekniske opgaver, som at indlæse data i lageret, er der tredjepartsværktøjer, du kan bruge til at gøre det for dig.

På dette stadium er det, du virkelig har brug for, nogen til at hjælpe dig med at strukturere dine data.

1. Skitsér din dataarkitektur.

Den første ting, du vil gøre, er at forstå dine data på et detaljeret niveau.

Stil dig selv om disse spørgsmål:

• Hvor vil dataene leve?
• Hvilken type data vil du indsamle og fra hvilke kilder?
• Hvordan vil data blive organiseret?

Målet her er at forstå strukturen af ​​dine data.

Hvis der ikke er nogen forståelse af strukturen, kan du ikke bygge en omfattende plan for, hvordan du administrerer dine data.

2. Definer forholdet mellem BI og dine teams.

Når det kommer til datastrategi, er et af de vigtigste trin at definere de teams, der er involveret i processen og at sætte forventninger til BI.

I en stor organisation, der ikke har tænkt over datastrategi før, vil du ofte opleve, at hvert team følger en anden model og har et andet forhold til BI, hvilket gør det svært for BI at fungere på en strømlinet og standard måde.

Det udvisker også grænserne mellem rollen som dataanalytiker og BI.

Dataanalytikeren bør kende den forretningslogik, der er specifik for deres team, og strukturen af ​​de data, der indsamles. BI, på den anden side, skulle ikke have behov for at have specifik viden om det operationelle område, det understøtter, og bør i stedet fokusere på datakilden og administrere platformen for at understøtte analytikeren.

Når BI jævnligt justerer sin proces, så den matcher teamets specifikke forretningslogik, bremser det alt og skaber et konstant behov for genlæring.

Kossowkis forslag? Fjern forretningslogikken fra BI-laget og arbejd med ting, der er relevante for så mange teams som muligt.

Kom derudover med en standard analytikerprofil og en model for forholdet mellem BI og teams.

"Der vil stadig være nogle steder, hvor vi arbejder på datasæt og ikke hele platformen," sagde Kossowski, "men så meget vi kan, renser det basisdataene, hvilket gør det nemt at tilslutte sig, men ikke rent faktisk at lave disse sammenføjninger og logikken for dem."

3. Tildel ejerskab.

Efter at have etableret forholdet mellem dine teams og BI, er næste trin at definere, hvem der skal eje hvad.

Det er typisk at have en anden ejer for hver del af dataene. For eksempel kan én person eller team eje driftsdataene, mens en anden ejer rapporteringsdataene.

Du skal muligvis også tildele ejere på forskellige stadier i pipelinen. BI-teamet kan eje dataene på et bestemt tidspunkt og derefter videregive dem til analytikerne.

Kossowski mener, at ejerskabet starter med de hold, der producerer dataene.

"De skal føle et niveau af ejerskab over dataene og have et vist niveau af ansvarlighed, hvis noget er galt," sagde hun. "For hvis det er forkert ved kilden, er der meget lidt, BI kan gøre."

Hun fortsætter: "Og hvis du forsøger at lægge plaster på det niveau, vil du bare løbe ind i flere problemer senere hen, så det forhold er også vigtigt."

4. Etabler datastyring.

Datastyring er et sæt politikker og regler, der informerer om, hvordan data vil blive indsamlet og opbevaret for at sikre nøjagtighed og kvalitet.

Enkelt sagt siger datastyring "Hej, vil du bruge og være en del af denne kilde til sandhedsdata, vi har skabt? Så skal du opfylde disse kriterier."

Dette kan omfatte opfyldelse af kodningsstandarder, have et vist antal korrekturlæsere og følge en specifik dokumentationsproces.

"Når vi tænker på styring og adoption, handler det i virkeligheden om de mekanismer, du kan sætte på plads mod overholdelse," sagde Kossowski.

Der er to stykker, du skal overveje, når det kommer til styring: det kulturelle stykke og det teknologiske aspekt.

Fra et kulturelt perspektiv, hvordan får I jeres teams til at vedtage disse standarder? Og fra et teknisk perspektiv, hvilke processer kan du automatisere, så alt ikke kræver adfærdsændring?

Når du tænker på disse to stykker, skal du overveje både analytikersiden og ingeniørsiden (eller kildeteamet).

Kossowski forklarer, at for ingeniørteams kan det være svært at tænke på, hvordan data ser ud, når de kommer ind på lageret, fordi det ikke er en kernedel af deres produkt eller ansvar.

De ser muligvis ikke de håndgribelige fordele ved dataene, medmindre det er en datadrevet organisation, der arbejder tæt sammen med sine analytikere. I dette tilfælde kan analytikerne fortælle, at dataene driver X-beslutningen, så indtil dataene betyder Y-krav, kan beslutninger ikke træffes.

For analytikere er det nemmere at se fordelene, fordi de er tættere på virksomheden og kan se den direkte effekt. De kan indse, at det at følge standarder for datastyring betyder mindre afhængighed af BI, hvilket får tingene til at bevæge sig hurtigere.

"Indsigten fra dataene skal være styrende for beslutninger, der træffes om produktet, fordi det er den eneste måde, du vil få produkt- og ingeniørteamet

købt ind i værdien af ​​data og tænker på deres data, når de eksporteres,” sagde Kossowski.

5. Revurder regelmæssigt.

Uanset hvor du falder på datamodenhedsmodellen, vil din datastrategi altid trænge til nogle justeringer.

"[Hos HubSpot] har vi en treårig plan og alle disse ideer om, hvad der sker i hvert af disse år," sagde Kossowski. Men jeg forventer fuldt ud, at om et år fra nu, når vi ser på det, er der ting, vi gerne vil justere baseret på, hvordan tingene har ændret sig."

Lad os for eksempel sige, at du introducerer en ny funktion i dit produkt eller din tjeneste og nu indsamler mere følsomme kundedata. Dette kan kræve en mere defensiv tilgang. Hvis din virksomhed vokser eksponentielt, skal du muligvis skifte til en distribueret strategi i stedet for en centraliseret.

Selvom der ikke er nogen ændringer i, hvordan din virksomhed opererer, kan det stadig være nødvendigt at revurdere. Her er to vigtige indikatorer, det er tid til at gennemgå din datastrategi:

• Der er frustration over, hvor lang tid tingene tager.
• Der er mangel på tillid til dataene.

Kossowski siger, at det er vigtigt at finde balancen mellem disse to.

"Du vil ikke have, at BI laver alt, for så vil det bare tage lang tid," sagde hun, "men du vil heller ikke have så meget frihed i analytikerpopulationen, at du ikke rigtig kan stole på evt. data."

En god tommelfingerregel er at gennemgå din strategi hver sjette måned til et år. Tal med virksomhedsledere, IT og dine teams for at forstå, hvordan alle har det med dine fremskridt, og afgør, hvilke ændringer der skal foretages.

Processen til at opbygge en EDS vil variere fra den ene virksomhed til den næste, da dit datamodenhedsniveau, branche og virksomhedsstørrelse alle spiller en rolle i de trin, du tager.

Ved at gøre status over, hvor din virksomhed står i øjeblikket, kan du udvikle en strategi, der opfylder din virksomheds specifikke behov.

Kilde: https://blog.hubspot.com/marketing/enterprise-data-strategy