5 trinn for å bygge en forretningsdatastrategi, rett fra en ekspert

Data kan være et skummelt ord.

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

Mange selskaper har nådd det punktet hvor de har så mye data at de ikke vet hvor de skal gå videre. Andre mener de er så små at det ikke er nødvendig å investere i en bedriftsdatastrategi.

Sannheten er, uavhengig av størrelsen på bedriften din og den nåværende tilstanden til dataene dine, vil du dra nytte av å implementere en datastrategi.

For å hjelpe deg i gang har vi hentet ekspertisen til Zosia Kossowski, gruppeproduktsjefen for business intelligence-teamet hos HubSpot (dvs. vår interne datastrategiekspert.)

Når du er ferdig med å lese denne artikkelen, vil du ha en bedre ide om bedriftens nåværende datamodenhetsnivå, hvilke faktorer du bør vurdere før du bygger strategien din, og noen trinn for å hjelpe på veien.

Til tross for populær tro, er en bedriftsdatastrategi ikke kun for store selskaper med store datamengder. Faktisk kan små bedrifter dra nytte av å investere i en datastrategi tidlig og legge grunnlaget som vil hjelpe dem å skalere.

Fordeler med en Enterprise Data Strategy

Den vanlige fallgruven mange organisasjoner står overfor er at mens de samler inn mye data, tolker hvert team det på sin egen måte. Det finnes ingen standard rapporteringsmetode, og hvert team kan rapportere en annen verdi for samme beregning.

Dette betyr at alle ender opp med forskjellige data uten noen klar forståelse av hva som er nøyaktig. Når det ikke finnes en enkelt kilde til sannhet, blir det utrolig vanskelig å stole på dataene dine og hente verdifull innsikt.

"Data eksisterer ikke bare i en silo," sa Kossowski. "Markedsføringsteamet kommer ikke bare til å bruke markedsføringsspesifikke data som ingen andre team har noen innflytelse over. De kommer til å ønske å hente informasjon fra forskjellige områder også.»

Hun fortsetter, "Og så et element av styring og standardisering og et felles språk er veldig viktig for å sikre at disse lagene kan kommunisere med hverandre."

Så ved å implementere en EDS forhindrer du informasjonssiloer, gir mulighet for tillit til dataene og muliggjør beslutningstaking.

Hva du bør vurdere når du bygger en bedriftsdatastrategi

1. Ditt gjeldende datamodenhetsnivå

Det første Kossowski anbefaler å gjøre før du bygger strategien din, er en selvevaluering.

Spør deg selv: Hvor faller bedriften din i datamodenhetsfasen?

Dell har en mye brukt «Data Maturity Model» som hjelper bedrifter å finne ut hvor datadrevet bedriften deres faktisk er. Det er fire stadier:

• Data bevisst – Bedriften din har ikke standardisert rapporteringssystemet sitt, og det er ingen integrasjon mellom systemene, datakildene og databasene dine. I tillegg er det mangel på tillit til selve dataene.
• Data dyktig – Det er fortsatt mangel på tillit til dataene, spesielt kvaliteten. Du har kanskje investert i et datavarehus, men det mangler fortsatt noen deler.
• Datakyndige – Bedriften din har myndighet til å ta forretningsbeslutninger fra dataene dine. Det er imidlertid fortsatt noen knekk å finne ut mellom bedriftsledere og IT, ettersom IT jobber for å levere pålitelige data på etterspørsel.
• Data drevet – IT og næringsliv jobber tett sammen og er på samme side. Nå er fokuset på å skalere datastrategien fordi grunnarbeidet (spesielt integrering av datakilder) allerede er vellykket implementert.

Det som er viktigst her er å være realistisk om hvor bedriften din faller.

"Jeg tror den største fallgruven jeg ser er å ikke være helt ærlig med deg selv om hvor bedriften din er i datamodenhetsstadiet," sa Kossowski.

Hun legger til at det ikke er nok å se på følelsene du har om hvordan data drev deg tror din bedrift er. Se på fakta.

Begynn med å identifisere dataproblemene bedriften din står overfor for øyeblikket, da det er en god indikator på hvor du står.

2. Din bransje og bedriftsstørrelse

Bransjen du er i og størrelsen på bedriften din vil avgjøre om du tar en sentralisert eller distribuert tilnærming til datastrategien din.

Men før vi bryter ned disse tilnærmingene, la oss snakke om to datastrategiske rammer: angrep og forsvar.

Under samtalen min med Kossowski tok hun opp hvordan dette rammeverket (forklart i detalj her.) har hjulpet HubSpot med å utvikle sin egen strategi.

Dataforsvar prioriterer ting som datasikkerhet, tilgang, styring og nøyaktighet mens datakriminalitet fokuserer på å få innsikt som vil muliggjøre beslutningstaking.

Hvert selskap trenger en balanse mellom angrep og forsvar. Noen lener seg imidlertid mer på den ene enden av spekteret basert på deres bransje.

En helseorganisasjon eller finansinstitusjon, for eksempel, håndterer sannsynligvis svært sensitive data, der personvern og sikkerhet for data er avgjørende.

Å få sanntidsdata og rask innsikt er sannsynligvis ikke en toppprioritet, mens det sannsynligvis er det å gi rekkverk for hvem som har tilgang til data. Som sådan vil de lene seg mer mot et forsvarsrammeverk.

På baksiden har du teknologiselskaper, en bransje som har en tendens til å bevege seg raskt og er tyngre avhengig av en rask snuoperasjon av datainnsikt.

Så de lener seg mer på fornærmelse. Når det er sagt, er det absolutt avdelinger innen teknologiselskaper (og andre hurtiggående bransjer) som vil fokusere mer på forsvar, som finans.

Nå tilbake til sentraliserte og distribuerte strategier.

Rammeverket du bruker vil informere om hvilken strategi som tjener din bedrift best.

I en sentralisert struktur har du et sentralisert rapporterings- eller business intelligence (BI)-team som administrerer og forbereder dataene så vel som rapportene.

"Denne strukturen kan fungere mye bedre i en mindre organisasjon, og spesielt i en organisasjon som prioriterer forsvar fordi du kommer til å gå saktere," sa Kossowski. "Du kommer til å bli flaskehalsen, men du har også tett kontroll over hver del av den."

En distribuert modell fungerer derimot bedre for større lag som tar den offensive tilnærmingen. På denne måten kan hvert team bevege seg raskt og er i stand til å utføre arbeid på en måte som fungerer for dem.

I denne modellen har BI rett og slett ansvaret for plattformene og setting av rekkverk mens teamene gjør utviklingsarbeidet, forklarer Kossowski.

"Hvis du tenker på en organisasjon, etter hvert som selskapet blir større, med et mer sentralisert team, blir det mer og mer vanskelig å skalere," sa hun. "Du ender opp med å bare ansette flere og flere folk for å kunne oppnå det."

"Så jeg tror at ved en viss størrelse av selskapet, vil du ende opp med å bevege deg mer og mer mot [en] desentralisert [strategi] uansett."

Så når du forstår hvilket rammeverk som fungerer best for din bransje og størrelse, kan du implementere den riktige strategien.

3. Databehandlingsteamet ditt

Datavitenskap er det hete temaet akkurat nå innen datahåndtering, ifølge Kossowski. Og hun tar ikke feil.

I 2012 ga Harvard Business Review navnet det den mest sexy jobben i det 21. århundre. Nesten 10 år senere, Glassdoor har kåret den til den nest beste jobben i Amerika.

Men hvis du diskuterer hvilken rolle du skal legge til dataadministrasjonsteamet ditt, bør ikke en dataforsker være ditt første alternativ.

Kossowski fremhever at datavitenskapen din bare kommer til å være like god som dataene som driver den. Og hvis disse dataene ikke er pålitelige, kommer du ikke til å få verdifull innsikt.

"Datavitenskap er ikke en tryllestav som på magisk vis gjør dårlige data til innsikt. Uansett kommer du fortsatt til å trenge det datagrunnlaget, legger hun til. "Så, å hoppe inn i å gjøre noe fordi det er den neste store tingen, jeg tror det er en stor bekymring."

Hvis du er i de tidligere stadiene av datamodenhetsmodellen, har Kossowski et forslag til hvor du kan fokusere innsatsen din.

"En datavarehusarkitekt eller til og med en dataanalytiker som har erfaring med å skrive SQL og bygge ut SQL-tabeller," sier hun. "Hvis du bare skal ansette én person og du ikke har så mye data, kan det være en veldig kraftig ansettelse fordi det er mye en person kan gjøre når du er i en mindre skala. De kan bruke mange forskjellige hatter og lære forskjellige ting.»

Når det kommer til de mer tekniske oppgavene, som å ta inn data i lageret, er det tredjepartsverktøy du kan bruke til å gjøre det for deg.

På dette stadiet trenger du noen som hjelper deg med å strukturere dataene dine.

1. Skisser din dataarkitektur.

Det første du vil gjøre er å forstå dataene dine på et granulært nivå.

Spør deg selv disse spørsmålene:

• Hvor vil dataene leve?
• Hvilken type data vil du samle inn og fra hvilke kilder?
• Hvordan vil dataene organiseres?

Målet her er å forstå strukturen til dataene dine.

Hvis det ikke er noen forståelse av strukturen, kan du ikke bygge en omfattende plan for hvordan du skal administrere dataene dine.

2. Definer forholdet mellom BI og teamene dine.

Når det gjelder datastrategi, er et av de viktigste trinnene å definere teamene som er involvert i prosessen og å sette forventninger til BI.

I en stor organisasjon som ikke har tenkt på datastrategi før, vil du ofte oppdage at hvert team følger en annen modell og har et annet forhold til BI, noe som gjør det vanskelig for BI å operere på en strømlinjeformet og standard måte.

Det visker også ut linjene mellom rollene til dataanalytikeren og BI.

Dataanalytikeren bør kjenne forretningslogikken som er spesifikk for teamet deres og strukturen til dataene som samles inn. BI, på den annen side, bør ikke trenge å ha spesifikk kunnskap om operasjonsområdet den støtter, og bør i stedet fokusere på datakilden og administrere plattformen for å støtte analytikeren.

Når BI jevnlig justerer prosessen for å matche teamets spesifikke forretningslogikk, bremser det alt og skaper et konstant behov for ny læring.

Kossowkis forslag? Fjern forretningslogikken fra BI-laget og arbeid med ting som er relevante for så mange team som mulig.

Kom i tillegg med en standard analytikerprofil og en modell for forholdet mellom BI og team.

"Det kommer fortsatt til å være noen steder hvor vi jobber med datasett og ikke hele plattformen," sa Kossowski, "men så mye vi kan, rydder det opp i basisdataene, noe som gjør det enkelt å bli med, men ikke faktisk gjør disse sammenføyningene og logikken for dem.»

3. Tildel eierskap.

Etter å ha etablert forholdet mellom teamene dine og BI, er neste trinn å definere hvem som skal eie hva.

Det er typisk å ha en annen eier for hver del av dataene. For eksempel kan én person eller team eie driftsdataene mens en annen eier rapporteringsdataene.

Det kan også hende du må tildele eiere på forskjellige stadier i rørledningen. BI-teamet kan eie dataene på et bestemt stadium og deretter videreformidle dem til analytikerne.

Kossowski mener eierskap starter med teamene som produserer dataene.

"De må føle et visst nivå av eierskap over dataene og ha et visst nivå av ansvarlighet hvis noe er galt," sa hun. "For hvis det er feil ved kilden, er det veldig lite BI kan gjøre."

Hun fortsetter, "Og hvis du prøver å sette inn lappelapper på det nivået, kommer du bare til å få flere problemer etter hvert, så det forholdet er også viktig."

4. Etablere datastyring.

Datastyring er et sett med retningslinjer og forskrifter som informerer om hvordan data vil bli samlet inn og lagret for å sikre nøyaktighet og kvalitet.

Enkelt sagt sier datastyring "Hei, vil du bruke og være en del av denne kilden til sannhetsdata vi har laget? Da må du oppfylle disse kriteriene."

Dette kan inkludere å møte kodestandarder, ha et visst antall anmeldere og følge en spesifikk dokumentasjonsprosess.

"Når vi tenker på styring og adopsjon, handler det egentlig om mekanismene du kan sette på plass mot etterlevelse," sa Kossowski.

Det er to deler du må vurdere når det gjelder styring: det kulturelle og det teknologiske aspektet.

Fra et kulturelt perspektiv, hvordan får du teamene dine til å ta i bruk disse standardene? Og fra et teknisk perspektiv, hvilke prosesser kan du automatisere slik at alt ikke krever atferdsendring?

Når du tenker på disse to delene, må du vurdere både analytikersiden og ingeniørsiden (eller kildeteamet).

Kossowski forklarer at for ingeniørteam kan det være vanskelig å tenke på hvordan data ser ut når de kommer inn på lageret fordi det ikke er en kjernedel av produktet eller ansvaret deres.

De ser kanskje ikke de konkrete fordelene med dataene med mindre det er en datadrevet organisasjon som jobber tett med analytikerne. I dette tilfellet kan analytikerne fortelle at dataene driver X-beslutningen, så før dataene betyr Y-krav, kan beslutninger ikke tas.

For analytikere er det lettere å se fordelene fordi de er nærmere virksomheten og kan se den direkte effekten. De kan innse at å følge standarder for datastyring betyr mindre avhengighet av BI, noe som gjør at ting går raskere.

"Innsikten fra dataene må være styrende for beslutninger som tas om produktet fordi det er den eneste måten du kommer til å få produkt- og ingeniørteamene

kjøpt inn verdien av data og tenker på dataene deres når de eksporteres, sa Kossowski.

5. Revurder regelmessig.

Uansett hvor du faller på datamodenhetsmodellen, vil datastrategien din alltid trenge noen justeringer.

"[Hos HubSpot] har vi en treårsplan og alle disse ideene om hva som skjer i hvert av disse årene," sa Kossowski. Men jeg forventer fullt ut at et år fra nå, når vi ser på det, er det ting vi kommer til å ønske å justere basert på hvordan ting har endret seg.»

La oss for eksempel si at du introduserer en ny funksjon i produktet eller tjenesten din og nå samler inn mer sensitiv kundedata. Dette kan kreve en mer defensiv tilnærming. Hvis bedriften din vokser eksponentielt, må du kanskje skifte mot en distribuert strategi i stedet for en sentralisert.

Selv om det ikke er noen endringer i hvordan bedriften din opererer, kan det hende du må revurdere. Her er to viktige indikatorer på at det er på tide å vurdere datastrategien din:

• Det er frustrasjon over hvor lang tid ting tar.
• Det er mangel på tillit til dataene.

Kossowski sier å finne balansen mellom disse to er nøkkelen.

"Du vil ikke at BI skal gjøre alt, for da vil det bare ta lang tid," sa hun, "men du vil heller ikke ha så mye frihet i analytikerpopulasjonen at du egentlig ikke kan stole på noen data."

En god tommelfingerregel er å gå gjennom strategien hver sjette måned til et år. Snakk med bedriftsledere, IT og teamene dine for å forstå hvordan alle føler om fremgangen din og avgjør hvilke endringer som må gjøres.

Prosessen for å bygge en EDS vil variere fra ett selskap til et annet, ettersom datamodenhetsnivået, bransjen og bedriftsstørrelsen spiller en rolle i trinnene du tar.

Ved å gjøre oversikt over hvor bedriften din befinner seg nå, kan du utvikle en strategi som møter de spesifikke behovene til din virksomhet.

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