専門家が語るエンタープライズ データ戦略を構築するための 5 つのステップ

データというのは恐ろしい言葉かもしれません。

そんなはずはないのに、そうなってしまっているのです。その主な理由は、人々がそれを管理する方法に苦労しているためです。

多くの企業は、膨大なデータを抱えているため、次にどこに行けばよいのか分からない状況に達しています。また、自社の規模は非常に小さいため、エンタープライズ データ戦略に投資する必要はないと考える人もいます。

実際のところ、会社の規模やデータの現在の状態に関係なく、データ戦略を導入することでメリットが得られます。

あなたが始められるように、私たちは次の専門知識を協力しました。 ゾシア・コソウスキーHubSpot のビジネス インテリジェンス チームのグループ プロダクト マネージャー (つまり、社内のデータ戦略専門家)。

この記事を読み終える頃には、会社の現在のデータ成熟度レベル、戦略を構築する前に考慮すべき要素、およびその過程で役立ついくつかの手順について、よりよく理解できるようになります。

一般に信じられているにもかかわらず、エンタープライズ データ戦略は、大量のデータを保有する大企業だけを対象としたものではありません。実際、中小企業は早い段階でデータ戦略に投資することで恩恵を受け、規模を拡大するための基盤を築くことができます。

エンタープライズ データ戦略の利点

多くの組織が直面する共通の落とし穴は、大量のデータを収集しているにもかかわらず、各チームがそれを独自の方法で解釈していることです。標準的なレポート方法はなく、各チームが同じ指標に対して異なる値をレポートしている可能性があります。

これは、何が正確であるかを明確に理解できないまま、誰もが異なるデータを取得することになることを意味します。唯一の真実の情報源がない場合、データを信頼して貴重な洞察を引き出すことは非常に困難になります。

「データはサイロにただ存在するわけではありません」とコソウスキー氏は言う。 「マーケティング チームは、他のチームが影響力を及ぼさないマーケティング固有のデータを使用するだけではありません。彼らはさまざまな分野からも情報を引き出したいと思うでしょう。」

彼女は続けて、「したがって、ガバナンスと標準化の要素、そして共通言語は、これらのチームが相互にコミュニケーションできるようにする上で非常に重要です。」

したがって、EDS を実装することで、情報のサイロ化を防ぎ、データの信頼性を確保し、意思決定を可能にします。

エンタープライズデータ戦略を構築する際に考慮すべきこと

1. 現在のデータ成熟度レベル

コソウスキー氏が推奨するのは、戦略を立てる前に最初に行うことは自己評価です。

自問してみてください。あなたの会社はデータの成熟段階でどの段階に位置しますか?

デル には、企業が実際にどの程度データ主導型であるかを判断するのに役立つ、広く使用されている「データ成熟度モデル」があります。次の 4 つの段階があります。

• データ認識 – あなたの会社ではレポート システムが標準化されておらず、システム、データ ソース、データベースが統合されていません。さらに、データ自体に対する信頼性も欠如しています。
• データに精通した人 – データ、特にその品質に対する信頼が依然として不足しています。データ ウェアハウスに投資したとしても、まだ不足している部分がいくつかあるかもしれません。
• データに精通した – あなたの会社は、データに基づいてビジネス上の意思決定を行う権限を与えられています。ただし、IT は信頼できるデータをオンデマンドで提供するために機能するため、ビジネス リーダーと IT の間には解決すべき問題がまだいくつかあります。
• データ駆動型 – IT とビジネスは緊密に連携しており、同じ認識を持っています。現在は、基礎作業 (特にデータ ソースの統合) がすでに正常に実装されているため、データ戦略の拡張に重点が置かれています。

ここで最も重要なことは、あなたの会社がどのような状況に陥るかを現実的に考えることです。

「私が感じる最大の落とし穴は、自分の会社がデータ成熟段階のどの段階にあるのかについて自分自身に正直になっていないことだと思います」とコソウスキー氏は語った。

彼女は、データが自分をどのように動かしているかについて自分が抱いている感情に目を向けるだけでは十分ではないと付け加えます。 考える あなたの会社は。事実を見てください。

まず、会社が現在直面しているデータの問題を特定することから始めます。これは、自社の立場を示す優れた指標となるからです。

2. あなたの業界と企業規模

所属する業界と会社の規模によって、データ戦略に対して集中型アプローチを取るか分散型アプローチを取るかが決まります。

これらのアプローチを詳しく説明する前に、攻撃と防御という 2 つのデータ戦略フレームワークについて話しましょう。

Kossowski との会話の中で、彼女はこのフレームワークがどのように機能するかを持ち出しました (詳細に説明されています)。 こちら）は、HubSpot が独自の戦略を開発するのに役立ちました。

データ防御ではデータのセキュリティ、アクセス、ガバナンス、正確性などが優先されるのに対し、データ攻撃では意思決定を可能にする洞察を得ることが重視されます。

どの企業にも攻撃と防御のバランスが必要です。ただし、業界によっては、スペクトルの一端に偏っている人もいます。

たとえば、医療機関や金融機関は機密性の高いデータを扱う可能性が高く、データのプライバシーとセキュリティが最優先されます。

リアルタイムのデータと迅速な洞察の取得はおそらく最優先事項ではありませんが、データにアクセスできる人に対するガードレールを提供することはおそらく最優先事項です。そのため、彼らは防衛の枠組みにさらに傾くでしょう。

その一方で、テクノロジー企業も存在します。この業界は急速に変化する傾向があり、データの洞察を迅速に反映することに大きく依存しています。

そのため、彼らは攻撃に重点を置いています。そうは言っても、ハイテク企業（およびその他の動きの速い業界）内には、財務などの防衛に重点を置く部門が確かに存在します。

ここで、集中化および分散化戦略に戻ります。

使用するフレームワークによって、どの戦略が会社に最適であるかが決まります。

一元的な構造では、データとレポートを管理および準備する一元的なレポートまたはビジネス インテリジェンス (BI) チームが存在します。

「その（構造は）小規模な組織、特に防御を優先する組織では、動きが遅くなるため、より効果的に機能する可能性があります」とコソウスキー氏は語った。 「あなたはボトルネックになるでしょうが、そのあらゆる部分を厳密に制御することもできます。」

一方、分散モデルは、攻撃的なアプローチをとる大規模なチームに適しています。こうすることで、各チームは迅速に行動でき、自分たちにとって都合の良い方法で作業を行うことができるようになります。

このモデルでは、チームが開発作業を行う一方で、BI は単にプラットフォームとガードレールの設定を担当するだけだとコソウスキー氏は説明します。

「組織について考えてみると、会社が大きくなり、チームがより集中化するにつれて、規模を拡大することがますます困難になります」と彼女は言いました。 「それを達成するには、最終的にはより多くの人を雇用する必要があります。」

「ですから、ある程度の規模の会社になると、結局のところ、分散型[戦略]にどんどん移行していくことになると思います。」

したがって、どのフレームワークが自社の業界や規模に最適であるかを理解したら、適切な戦略を実装できます。

3. データ管理チーム

コソウスキー氏によると、データサイエンスはデータ管理において現在最も注目されているテーマだという。そして彼女は間違っていません。

2012 年にハーバード ビジネス レビューでこの名前が付けられました。 21世紀で最もセクシーな仕事。それから10年近く経ち、 Glassdoorに はそれをアメリカで2番目に良い仕事に挙げています。

しかし、データ管理チームにどのような役割を追加するかを議論している場合、データ サイエンティストを最初の選択肢にするべきではありません。

Kossowski 氏は、データ サイエンスは、それを支えるデータと同じくらい優れたものになると強調しています。そして、そのデータが信頼できない場合、貴重な洞察は得られません。

「データサイエンスは、悪いデータを魔法のように洞察に変える魔法の杖ではありません。いずれにしても、そのデータ基盤は依然として必要です」と彼女は付け加えました。 「だから、次の大きなことだからと言って何かに飛びつくのは、大きな懸念事項だと思います。」

データ成熟度モデルの初期段階にいる場合、どこに重点を置くべきかについてコソウスキー氏が提案しています。

「SQL の記述と SQL テーブルの構築に経験のあるデータ ウェアハウス アーキテクト、またはデータ アナリストでも構いません」と彼女は言います。 「1 人だけを雇用する予定で、それほど多くのデータがない場合、規模が小さい場合には 1 人でできることがたくさんあるため、非常に強力な雇用になる可能性があります。彼らはさまざまな帽子をかぶり、さまざまなことを学ぶことができます。」

ウェアハウスへのデータの取り込みなど、より技術的なタスクに関しては、それを行うために使用できるサードパーティのツールがあります。

この段階で本当に必要なのは、データの構造化を手伝ってくれる人です。

1. データ アーキテクチャの概要を説明します。

まず最初に行うことは、データを詳細なレベルで理解することです。

これらの質問を自問してください：

• データはどこに保存されるのでしょうか?
• どのようなタイプのデータをどのソースから収集しますか?
• データはどのように整理されるのでしょうか?

ここでの目標は、データの構造を理解することです。

構造を理解していなければ、データを管理する方法についての包括的な計画を立てることはできません。

2. BI とチームの関係を定義します。

データ戦略に関して言えば、最も重要なステップの 1 つは、プロセスに関与するチームを定義し、BI に対する期待を設定することです。

これまでデータ戦略について考えたことのない大規模な組織では、各チームが異なるモデルに従い、BI と異なる関係を持っていることが多く、そのため BI を合理的かつ標準的な方法で運用することが困難になっています。

また、データ アナリストと BI の役割の間の境界線があいまいになります。

データ アナリストは、チームに固有のビジネス ロジックと、収集されるデータの構造を知っている必要があります。一方、BI は、サポートしている運用領域に関する特定の知識を持つ必要はなく、代わりにデータ ソースとアナリストをサポートするプラットフォームの管理に焦点を当てる必要があります。

BI がチームの特定のビジネス ロジックに合わせてプロセスを定期的に調整すると、すべての速度が低下し、常に再学習する必要が生じます。

コソウキの提案？ BI レイヤーからビジネス ロジックを取り除き、できるだけ多くのチームに関連する事柄に取り組みます。

さらに、標準的なアナリストのプロファイルと、BI とチームの関係のモデルを考え出します。

「プラットフォーム全体ではなく、データセットに取り組んでいる場所がまだいくつかあるでしょう」とコソウスキー氏は述べた。「しかし、できる限り基本データをクリーンアップし、参加しやすくしていますが、実際にそれらの結合とそのロジックを実行しています。」

3. 所有権を割り当てます。

チームと BI との関係を確立したら、次のステップは誰が何を所有するかを定義することです。

データの各部分に異なる所有者が存在するのが一般的です。たとえば、ある個人またはチームが運用データを所有し、別の個人またはチームがレポート データを所有する場合があります。

パイプラインのさまざまな段階で所有者を割り当てる必要がある場合もあります。 BI チームは特定の段階でデータを所有し、それをアナリストに渡す場合があります。

コソウスキー氏は、所有権はデータを作成するチームから始まると考えています。

「彼らはデータに対してある程度の所有権を感じ、何か問題があった場合にはある程度の責任を負う必要がある」と彼女は言う。 「なぜなら、情報源が間違っているのであれば、BI ができることはほとんどないからです。」

彼女は続けます。「そのレベルでパッチを当てようとしても、将来的にはさらに多くの問題に遭遇することになるので、その関係も重要です。」

4. データガバナンスを確立します。

データ ガバナンスは、正確さと品質を確保するためにデータがどのように収集および保存されるかを知らせる一連のポリシーと規制です。

簡単に言うと、データ ガバナンスは次のように言っています。私たちが作成したこの真実のデータ源を使用して、その一部になりたいですか?次に、この基準を満たす必要があります。「

これには、コーディング標準への準拠、一定数のレビュー担当者の配置、特定の文書化プロセスの遵守などが含まれます。

「ガバナンスと採用について考えるとき、実際には、遵守に向けてどのようなメカニズムを導入できるかが重要です」とコソウスキー氏は述べています。

ガバナンスに関しては、文化的側面と技術的側面という 2 つの要素を考慮する必要があります。

文化的な観点から見ると、チームにこれらの標準を採用させるにはどうすればよいでしょうか?また、技術的な観点から見ると、すべての動作を変更する必要がないようにするには、どのプロセスを自動化できるでしょうか?

これら 2 つの部分について考えるときは、アナリスト側とエンジニア (またはソース チーム) 側の両方を考慮する必要があります。

Kossowski 氏は、エンジニアリング チームにとって、データは製品や責任の中核部分ではないため、データがウェアハウスに入ったときにどのようになるかを考えるのは難しい場合があると説明します。

アナリストと緊密に連携するデータ主導型の組織でない限り、データの具体的なメリットが理解できない可能性があります。この場合、アナリストはデータが X の意思決定に影響を与えていると伝えることができるため、データが Y の要件を意味するまで意思決定を行うことはできません。

アナリストにとっては、ビジネスに近く、直接的な影響を確認できるため、メリットを認識しやすくなります。データ ガバナンス標準に従うことで BI への依存度が低くなり、物事がより迅速に進むようになることがわかります。

「データから得られる洞察は、製品に関する意思決定の原動力となるものでなければなりません。それが、製品チームとエンジニアリング チームを獲得する唯一の方法だからです」

データの価値を理解し、輸出されるデータについて考えています」とコソウスキー氏は語った。

5. 定期的に再評価します。

データ成熟度モデルのどこに該当する場合でも、データ戦略には常に微調整が必​​要になります。

「[ハブスポットには] 3 年間の計画があり、各年に何が起こるかについてのアイデアがすべてあります」とコソウスキー氏は言います。しかし、1 年後を見てみると、状況の変化に基づいて微調整したいことがいくつかあるだろうと私は十分に予想しています。」

たとえば、製品またはサービスに新機能を導入し、より機密性の高い顧客データを収集しているとします。これには、より防御的なアプローチが必要になる場合があります。会社が急激に成長する場合、集中型戦略ではなく分散型戦略に移行する必要があるかもしれません。

会社の運営方法に変化がない場合でも、再評価が必要な場合があります。データ戦略を見直す時期に来ている 2 つの主要な指標を次に示します。

• 物事に時間がかかることにフラストレーションを感じます。
• データに対する信頼性が欠如しています。

コソウスキー氏は、これら 2 つのバランスを見つけることが重要であると述べています。

「BI にすべてを任せたくないのは、時間がかかるだけだからです」と彼女は言いました。データ。"

経験則としては、6 か月から 1 年ごとに戦略を見直すことです。ビジネス リーダー、IT、チームと話し合って、あなたの進捗状況について全員がどのように感じているかを理解し、どのような変更を加える必要があるかを判断します。

EDS を構築するプロセスは、データの成熟度、業界、企業規模がすべてステップに影響するため、企業ごとに異なります。

会社の現状を把握することで、ビジネスの特定のニーズを満たす戦略を策定できます。

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