Sztuczna inteligencja – taka, jaką znamy ją dzisiaj – narodziła się w obszarze danych właśnie. A jednak rewolucja generatywnej sztucznej inteligencji w bardzo wielu firmach została przyjęta jako narzędzie zewnętrzne wobec obszaru danych, swego rodzaju "magiczna różdżka", która bez wysiłku automatyzuje procesy i wypełnia luki bez potrzeby pracy nad tym, jak rzeczywiście one funkcjonują.

Obserwujemy dzisiaj wiele przypadków wycofywania się organizacji ze zbyt pochopnej adaptacji AI, gdzie braki w danych i w mapowaniu procesów zostały zauważone zbyt późno, co przyniosło nieprzewidywalne koszty, przekraczające nierzadko budżetowe możliwości.

Sztuczną inteligencję wdrożyć można bowiem tylko tam, gdzie dane są wystarczające – kompletne i dostępne – aby procesy zautomatyzować. Aby ocenić na ile realnie firma potrafi przekuć surowe informacje w strategiczną wartość, stosuje się pojęcie Data Maturity, czyli dojrzałości danych. Jest to wskaźnik, który definiuje stopień zaawansowania oraz zdolność organizacji do pełnego i świadomego operowania swoimi zasobami informacyjnymi.

Poziomy dojrzałości

W praktyce dojrzałość danych oznacza gotowość firmy do sprawnego realizowania procesów takich jak:

• skuteczne gromadzenie danych,
• zapewnienie ich najwyższej jakości,
• strukturalne zarządzanie nimi,
• zaawansowane analizowanie zebranych informacji,
• wykorzystywanie wyciągniętych wniosków w codziennym i strategicznym podejmowaniu decyzji.

W różnych raportach można znaleźć różną klasyfikację poziomów, od czterech do sześciu, jednak zastosowanie konkretnej skali nie jest w tym miejscu bardzo istotne. Są to pewne umowne benchmarki, z których warto skorzystać przy ocenie tego, co w obszarze danych w organizacji jest jeszcze do zrobienia. W ogólnym zarysie poszczególne poziomy dojrzałości wyglądają następująco:

Poziom 1:

Na tym etapie dane w firmie są mocno rozproszone, a raportowanie odbywa się w sposób ręczny. Brakuje jakichkolwiek odgórnych standardów, a decyzje menedżerskie opierają się głównie na intuicji. Przykładowo: mamy wiele osób raportujących, które korzystają z szablonów Excel, wysyłanych do kierownictwa za pomocą maila. Zazwyczaj nie ma osób odpowiedzialnych tylko za jakość danych i zarządzanie nimi, kompetencje są rozdzielone pomiędzy kierowników, księgowość, controlling i inne działy. W efekcie istnieje wiele sprzecznych wersji tych samych danych, brak zaufania do generowanych raportów, a wykrycie źródła sprzeczności zajmuje wiele czasu.

Poziom 2:

Organizacja zaczyna dostrzegać problem z danymi i wdraża pierwsze, podstawowe procesy zarządzania danymi. Pojawiają się pierwsze proste dashboardy oraz częściowa automatyzacja powtarzalnych zadań. W strukturach firmy zaczynają być również wyznaczani pierwsi oficjalni właściciele danych.

Poziom 3:

Firma wprowadza jasne standardy jakości danych i tworzy centralne repozytorium (np. hurtownię danych). Narodziły się polityki data governance. Wszyscy w organizacji korzystają ze wspólnych, jednoznacznych definicji KPI, a jakość danych jest regularnie monitorowana.

Poziom 4:

Dane są traktowane jako pełnoprawny zasób strategiczny. Procesy zasilania hurtowni (ETL/ELT) są całkowicie automatyczne. Firma korzysta z zaawansowanej analityki oraz modeli predykcyjnych, a monitoring jakości danych odbywa się w czasie rzeczywistym (a właściwie bliskim rzeczywistemu).

Poziom 5:

Właściwie jest to poziom dodatkowy, który obejmuje bardziej złożoną automatyzację i wdrożenie narzędzi AI. Ważne jest to, że tego typu narzędzia są możliwe do wdrożenia dopiero w momencie, kiedy firma znajduje się na poziomie 4.

Jak zwiększyć Data Maturity krok po kroku

Podnoszenie dojrzałości danych to proces, który warto realizować metodycznie, według poniższego planu:

• Audyt obecnego stanu: Szczegółowa weryfikacja tego, jak obecnie wyglądają zasoby i procesy w firmie. Pomocne okaże się stworzenie diagramów i tabel, z opisem źródeł danych, procesów przesyłania i możliwych błędów. W dużych organizacjach, zwłaszcza z "długą tradycją" etap ten może być bardzo żmudny i długotrwały, ale jest konieczny.
• Określenie celów biznesowych: Zdefiniowanie, co dokładnie firma chce osiągnąć dzięki lepszemu wykorzystaniu danych. I nie chodzi tutaj o cel typu: "dashboard dla zarządu", ale cel bardziej szczegółowy, oparty na identyfikacji istniejących problemów, na przykład: "chcemy lepiej zarządzać targetami i prowizjami, rozumiejąc czynniki, o których teraz często nie wiemy".
  
  
• Uporządkowanie źródeł danych: Likwidacja chaosu i integracja rozproszonych baz informacji. Lista stworzona w punkcie pierwszym powinna tutaj służyć jako narzędzie do oceny jak można użytkownikom/pracownikom ułatwić proces przekazywania danych dalej, przede wszystkim przez eliminację rozpraszaczy.
  
  
• Wdrożenie polityki Data Governance: Ustalenie jasnych reguł, procedur i odpowiedzialności za dane. Nie tylko chodzi o obieg danych wrażliwych i ich bezpieczeństwo, ale również o jasno określoną odpowiedzialność działu analitycznego za to, co jest raportowane i jak radzić sobie z problemami z jakością, kompletnością i dostarczaniem danych na czas.
  
  
• Automatyzacja raportowania: Odejście od żmudnych, ręcznych zestawień na rzecz automatycznych dashboardów.
  
  
• Budowanie kultury data-driven: Edukacja pracowników i zachęcanie ich do codziennej pracy z danymi. Często proste szkolenie z Excela potrafi w znaczący sposób podnieść łatwość pracy z raportami, ponieważ pracownicy zaczynają dostrzegać to, co jest "pod spodem" i rozumieć to, co się tam dzieje.
  
  
• Stałe monitorowanie postępów: Regularne sprawdzanie, czy wdrożone zmiany przynoszą zamierzone efekty.

Podczas realizacji powyższych kroków łatwo wpaść w pułapki, które mogą spowolnić projekt. Należy uważać przede wszystkim na: skupianie się wyłącznie na technologii z pominięciem czynnika ludzkiego , brak realnego wsparcia ze strony zarządu , brak przypisania konkretnych właścicieli do danych ("bo tak było zawsze") noraz ignorowanie niskiej jakości informacji. Problemem bywa też definiowanie zbyt wielu KPI jednocześnie , brak odpowiednich szkoleń dla personelu oraz brak długofalowej strategii rozwoju.

Podsumowanie

Budowanie Data Maturity to długofalowy proces, a nie jednorazowy projekt technologiczny. Prawdziwa dojrzałość nie kończy się na zakupie nowoczesnego oprogramowania – obejmuje ona równolegle technologię, procesy, ludzi oraz całą kulturę organizacyjną.

Zależność jest prosta: im wyższy poziom dojrzałości osiągnie Twoja firma, tym większą zyska zdolność do podejmowania trafnych, szybkich decyzji i efektywnego wykorzystania posiadanych informacji. Nie czekaj na idealny moment – najlepiej rozpocząć już teraz od rzetelnej oceny obecnego stanu i stopniowo, krok po kroku, realizować plan rozwoju.

Autor: Olgierd Sroczyński, Data Enginner w Hostersi