אריה עמית | יועץ אסטרטגי, חבר נשיאות הלשכה
מהירות ההתקדמות הטכנולוגית המואצת, הערך המוכר של נתונים והגברת אוריינות הנתונים, משנים את המשמעות של להיות "מונע תובנות". המבססות על נתונים
חברת מקנזי צופה שעד שנת 2025, רוב העובדים ישתמשו בנתונים כדי לייעל כמעט כל היבט של עבודתם.
חברת מקנזי מזהה שבעה מאפיינים המגדירים ארגון מונע תובנות מנתונים. חברות רבות כבר מציגות חלק מהן, ורבות נוספות מתחילות את הדרך לעשות זאת.
1. נתונים משובצים בכל החלטה, אינטראקציה ותהליך
כמעט כל העובדים משתמשים בנתונים באופן טבעי וקבוע כדי לתמוך בעבודתם. הארגונים מסוגלים לקבל החלטות טובות יותר וכן לבצע אוטומציה של פעילויות יומיומיות בסיסיות או של החלטות המתקבלות באופן קבוע. העובדים חופשיים להתמקד בתחומים "אנושיים" יותר, כגון בקרה, שיפור תהליכים, חדשנות, שיתוף פעולה ותקשורת.
תרבות מונעת נתונים מטפחת שיפור מתמיד בביצועים כדי ליצור חוויות איכותיות של לקוחות ועובדים ולאפשר את הפיתוח של יישומים חדשים ומתוחכמים שאינם זמינים כיום באופן נרחב.
2. הנתונים מעובדים ומועברים בזמן אמת
היום רק חלק קטן מהנתונים ממכשירים מחוברים נקלט, מעובד, נשאל ומנותח בזמן אמת בשל המגבלות של ארכיטקטורות טכנולוגיות מדור קודם, האתגר בניהול נתונים המגיעים באופן שוטף וזורם (Streaming) ואימוץ אלמנטים ארכיטקטוניים מודרניים יותר והדרישות החישוביות הגבוהות של עיבוד אינטנסיבי בזמן אמת.
בשנים הקרובות נראה רשתות עצומות של מכשירים מחוברים אוספות ומשדרים נתונים ותובנות, לרוב בזמן אמת. האופן שבו נתונים נוצרים, מעובדים, מנותחים ומוצגים עבור משתמשי קצה, משתנה באופן דרמטי על ידי טכנולוגיות חדשות ונפוצות יותר וארכיטקטורות לניתוח בזמן אמת, המובילות לתובנות מהירות יותר. גם האנליטיקות המתקדמת ביותר זמינות באופן סביר לכל הארגונים מכיוון שעלות מחשוב הענן ממשיכה לרדת וכלי עיבוד נתונים חזקים יותר "בזיכרון (In Memory)" מגיעים לאינטרנט ואף למכשירי הקצה (Edge Computing). בסך הכל, זה מאפשר use cases מתקדמים רבים תר לספק ן תובנות ללקוחות, עובדים ושותפים.
3. מאגרי נתונים גמישים מאפשרים נתונים משולבים ומוכנים לשימוש
למרות התפוצה הרחבה של נתונים לא מובנים או מובנים למחצה, רוב הנתונים השימושיים עדיין מאורגנים בצורה מובנית תוך שימוש בכלי ניהול מסדי נתונים טבלאיים. אנאליסטים החוקרים נתונים משקיעים לעתים קרובות זמן רב בחקירתה מערכי נתונים, יצירת ביניהם וחיבור ביניהם. לעתים קרובות הם גם חייבים לצמצם נתונים ממצבם הטבעי והלא מובנה לצורה מובנית תוך שימוש בתהליכים ידניים ומותאמים אישית שגוזלים זמן רב, אינם ניתנים להרחבה ומועדים לשגיאות, דבר המגדיל את הזמן מרגע קבלת הנתונים ועד לקבלת החלטות (Time to Decision).
בעתיד הקרוב ניתן יהיה למצוא יותר ויותר סוגים של מסדי נתונים המתבססים על סדרות עיתיות, מסדי נתונים של גרפים ומסדי נתונים NoSQL - שיאפשרו דרכים גמישות יותר לארגון הנתונים שיאפשרו לחוקרים ולהבין את הקשרים בין נתונים לא מובנים ומובנים למחצה בקלות ובמהירות רבה יותר, ולהאיץ את הפיתוח של יכולות חדשות מונעות בינה מלאכותית ולמידת מכונה תוך גילוי קשרים חדשים בנתונים כדי להניע חדשנות.
שילוב של מאגרי נתונים גמישים כאלה עם התקדמות בטכנולוגיה וארכיטקטורה בזמן אמת תאפשר לארגונים לפתח מוצרי נתונים, כגון פלטפורמות נתונים של תמונת "לקוח 360" ומודלים מותאמים בזמן אמת של ישויות פיזיות (כגון מתקן ייצור בתפיסת Digital Twin). , אספקה, או אפילו מדדים של גוף האדם.
4. מודל תפעול הנתונים מתייחס לנתונים כמו למוצר
היום פונקציית הנתונים של ארגון, אם כזו קיימת מחוץ ל IT, מנהלת נתונים באמצעות תקנים, כללים ובקרות מלמעלה למטה. לרוב אין לנתונים "בעלים" אמיתיים, לכן הם מעודכנים ומוכנים לשימוש בדרכים שונות. מערכי נתונים מאוחסנים לעיתים בכפילות בסביבות רחבות ידיים, מגוונות ולעתים קרובות יקרות, זה מקשה על משתמשים בתוך ארגון (כגון מדעני נתונים המחפשים נתונים לבניית מודלים אנליטיים) למצוא נתונים במהירות, לגשת ולשלב את הנתונים שהם צריכים.
בעתיד הנתונים יהיו מאורגנים ונתמכים כמוצרים, בין אם הם משמשים צוותים פנימיים או לקוחות חיצוניים. למוצרי נתונים אלה יהיו צוותים ייעודיים כדי להטמיע אבטחת מידע, לפתח את הנדסת הנתונים (לדוגמה, כדי לשנות נתונים או לשלב באופן רציף מקורות נתונים חדשים), ולהטמיע כלי גישה וניתוח בשירות עצמי.
מוצרי Data מתפתחים ללא הרף בצורה זריזה כדי לענות על הצרכים של הצרכנים, תוך מינוףDevOps עבור נתונים ותהליכי אינטגרציה מתמשכים . בסך הכל, מוצרים אלה מספקים פתרונות נתונים שניתן להשתמש בהם בקלות רבה יותר ובאופן חוזר כדי לעמוד באתגרים עסקיים שונים ולהפחית את הזמן והעלות של אספקת יכולות חדשות מונעות בינה מלאכותית.
5. תפקידו של מנהל הנתונים הראשי מורחב כדי לייצר ערך
מנהלי נתונים ראשיים (CDOs – Chief Data Officer) והצוותים שלהם מתפקדים כמרכז עלות האחראי לפיתוח ומעקב אחר ציות למדיניות, לתקנים ונהלים לניהול הנתונים והבטחת איכותם ולאיתור דרכים ליצירת זרמי הכנסות חדשים (Data Monetization).
בעתיד CDOs והצוותים שלהם יתפקדו כיחידה עסקית עם אחריות לרווח והפסד. היחידה, בשיתוף עם צוותים עסקיים, אחראית על רעיונות דרכים חדשות לשימוש בנתונים, פיתוח אסטרטגיית נתונים הוליסטית ארגונית (והטמעתה כחלק מאסטרטגיה עסקית), ויצירת מקורות הכנסה חדשים על ידי ייצור רווחים משירותי נתונים ושיתוף נתוני(למשל באמצעות APIs)..
6. חברות במערכות אקוסיסטם של נתונים הן הנורמה
היום, הנתונים נמצאים לעתים קרובות בסילו, אפילו בתוך ארגונים. בעוד שהסדרי שיתוף הנתונים עם שותפים חיצוניים ומתחרים הולכים וגדלים, הם עדיין נדירים ולעיתים מוגבלים.
בעתיד, ארגונים גדולים ומורכבים ישתמשו בפלטפורמות שיתוף נתונים כדי להקל על שיתוף פעולה בפרויקטים מונעי נתונים, הן בתוך הארגונים והן בין הארגונים. חברות מונעות נתונים ישתתפו באופן פעיל בכלכלת נתונים המאפשרת איגום נתונים כדי ליצור תובנות בעלות ערך רב יותר עבור כל החברים. שווקי נתונים יאפשרו החלפה, שיתוף והשלמה של נתונים, ובסופו של דבר יעודדו את החברות לבנות מוצרי נתונים ייחודיים וקנייניים באמת ולהשיג מהם תובנות.
7. ניהול הנתונים מכוון ואוטומטי לפרטיות, אבטחה וגמישות
היום, אבטחת מידע ופרטיות נתפסות לעתים קרובות כבעיות ציות, המונעות על ידי כללים רגולטוריים להגנת נתונים וצרכנים שמתחילים להבין כמה מהמידע שלהם נאסף ונעשה בו שימוש. ההגנות על אבטחת נתונים ופרטיות הן לרוב לא מספיקות או מונוליטיות, ולא מותאמות לקבוצות נתונים בודדות. הגישה לנתונים מאובטחים לעובדים הוא תהליך ידני וארוך המועד לשגיאות.
דפוסי החשיבה הארגוניים בעתיד הקרוב יעברו במלואם לכיוון של התייחסות לפרטיות, אתיקה ואבטחה של נתונים כתחומים של יכולת נדרשת, המונעים על ידי ציפיות רגולטוריות מתפתחות, כגון GDPR, הגברת המודעות של הצרכנים לזכויות הנתונים שלהם והסיכון ההולך וגובר של אירועים ביטחוניים.
נהלי גיבוי יהיו אוטומטיים, כמעט קבועים, ויבטיחו גמישות נתונים; הליכי שחזור מהירים יותר שמבססים ומשחזרים במהירות את "העותק הטוב האחרון" של הנתונים תוך דקות ולא ימים או שבועות, ובכך ממזערים את הסיכונים כאשר מתרחשות תקלות טכנולוגיות.
כלי בינה מלאכותית יהפכו זמינים לניהול יעיל יותר של נתונים - לדוגמה, על ידי אוטומציה של זיהוי, תיקון ותיקון של בעיות באיכות הנתונים.
בסך הכל, מאמצים אלה יאפשרו לארגונים לבנות אמון רב יותר הן בנתונים והן בניהולם, ובסופו של דבר יאיצו את אימוץ השירותים מונעי נתונים החדשים.
