Model dojrzałości dużych zbiorów danych
Modele dojrzałości dużych zbiorów danych (BDMM) to artefakty używane do pomiaru dojrzałości dużych zbiorów danych. Modele te pomagają organizacjom stworzyć strukturę wokół ich możliwości big data i określić, od czego zacząć. Zapewniają narzędzia, które pomagają organizacjom definiować cele związane z ich programem Big Data i przekazywać wizję Big Data całej organizacji. BDMM zapewniają również metodologię mierzenia i monitorowania stanu możliwości dużych zbiorów danych firmy, wysiłku wymaganego do ukończenia obecnego etapu lub fazy dojrzałości i przejścia do następnego etapu. Ponadto BDMM mierzą i zarządzają szybkością zarówno postępu, jak i wdrażania programów big data w organizacji.
Cele BDMM to:
- Zapewnienie narzędzia do oceny zdolności, które generuje szczególny nacisk na duże zbiory danych w kluczowych obszarach organizacji
- Aby pomóc w wyznaczaniu kamieni milowych rozwoju
- Aby uniknąć pułapek w tworzeniu i budowaniu możliwości big data
Kluczowe obszary organizacyjne odnoszą się do „ludzi, procesów i technologii”, a podkomponenty obejmują dostosowanie, architekturę, dane, zarządzanie danymi , dostarczanie, rozwój, pomiary, zarządzanie programem, zakres, umiejętności, sponsoring, modelowanie statystyczne , technologię, wartość i wizualizację.
Etapy lub fazy w BDMM przedstawiają różne sposoby wykorzystania danych w organizacji i są jednym z kluczowych narzędzi do wyznaczania kierunku i monitorowania kondycji programów big data organizacji.
Podstawowym założeniem jest to, że wysoki poziom dojrzałości dużych zbiorów danych koreluje ze wzrostem przychodów i redukcją kosztów operacyjnych. Osiągnięcie najwyższego poziomu dojrzałości wiąże się jednak z dużymi inwestycjami na przestrzeni wielu lat. Uważa się, że tylko kilka firm znajduje się na „dojrzałym” etapie dużych zbiorów danych i analiz. Należą do nich firmy internetowe (takie jak LinkedIn , Facebook i Amazon ) oraz inne firmy nieinternetowe, w tym instytucje finansowe (analiza oszustw, wysyłanie wiadomości do klientów w czasie rzeczywistym i modelowanie behawioralne) oraz organizacje handlu detalicznego (analiza strumienia kliknięć wraz z z samoobsługową analityką dla zespołów).
Kategorie
Modele dojrzałości dużych zbiorów danych można podzielić na trzy szerokie kategorie, a mianowicie:
- Opisowy
- Porównawczy
- nakazowy
Opisowy
Modele opisowe oceniają obecną dojrzałość firmy poprzez jakościowe pozycjonowanie firmy na różnych etapach lub fazach. Model nie zawiera żadnych zaleceń dotyczących tego, w jaki sposób firma mogłaby poprawić swoją dojrzałość w zakresie dużych zbiorów danych.
Model dojrzałości dużych zbiorów danych i analiz (model IBM)
Ten opisowy model ma na celu ocenę wartości generowanej z inwestycji w duże zbiory danych w kierunku wspierania strategicznych inicjatyw biznesowych.
Poziomy dojrzałości
Model składa się z następujących poziomów dojrzałości:
- Ad-hoc
- Podstawowy
- Konkurencyjne zróżnicowanie
- Oderwać się
Obszary oceny
Poziomy dojrzałości obejmują również obszary w formacie macierzowym, koncentrując się na: strategii biznesowej, informacjach, analityce, kulturze i wykonaniu, architekturze i zarządzaniu.
Znajoma ocena dojrzałości dużych zbiorów danych
Ten model dojrzałości Big Data, składający się z ankiety oceniającej, ocenia gotowość organizacji do realizacji inicjatyw Big Data. Ponadto model ma na celu określenie kroków i odpowiednich technologii, które doprowadzą organizację do dojrzałości w zakresie dużych zbiorów danych.
Porównawczy
Porównawcze modele dojrzałości dużych zbiorów danych mają na celu porównanie organizacji z jej odpowiednikami w branży i zwykle składają się z ankiety zawierającej informacje ilościowe i jakościowe.
Narzędzie dojrzałości dużych zbiorów danych CSC
Narzędzie CSC dojrzałości dużych zbiorów danych działa jako narzędzie porównawcze do porównywania dojrzałości dużych zbiorów danych organizacji. Przeprowadzana jest ankieta, a wyniki są następnie porównywane z innymi organizacjami w określonej branży i na szerszym rynku.
Model dojrzałości dużych zbiorów danych TDWI
Model dojrzałości dużych zbiorów danych TDWI jest modelem w obecnym obszarze dojrzałości dużych zbiorów danych i dlatego obejmuje znaczną część wiedzy.
Etapy dojrzałości
Różne etapy dojrzałości w TDWI BDMM można podsumować w następujący sposób:
Etap 1: Rodzący się
Rodzący się etap jako środowisko przed big data. Na tym etapie:
- Organizacja ma niską świadomość big data lub jej wartości
- Wysiłek ten nie ma wsparcia ze strony kierownictwa lub nie ma go wcale, a tylko niektóre osoby w organizacji są zainteresowane potencjalną wartością dużych zbiorów danych
- Organizacja rozumie zalety analityki i może mieć hurtownię danych
- Strategia ładu korporacyjnego jest zwykle bardziej skoncentrowana na IT niż na integracyjnym biznesie i IT
Etap 2: Preadopcja
Na etapie przedadopcyjnym:
- Organizacja zaczyna badać analizę dużych zbiorów danych
Etap 3: Wczesna adopcja „Przepaść” Istnieje wtedy szereg przeszkód, które musi pokonać. Te przeszkody obejmują:
- Uzyskanie odpowiedniego zestawu umiejętności wspierających tę zdolność, w tym Hadoop i zaawansowane umiejętności analityczne
- Kwestie polityczne, tj. projekty big data są prowadzone w obszarach wewnątrz organizacji, a próby zwiększenia wysiłków lub egzekwowania bardziej rygorystycznych standardów i ładu korporacyjnego prowadzą do problemów dotyczących własności i kontroli
Etap 4: Adopcja korporacyjna
Etap adopcji korporacyjnej charakteryzuje się zaangażowaniem użytkowników końcowych, organizacja zyskuje dalszy wgląd i zmienia się sposób prowadzenia biznesu. Na tym etapie:
- Użytkownicy końcowi mogli rozpocząć operacjonalizację analizy dużych zbiorów danych lub zmienić swoje procesy decyzyjne
- Większość organizacji już wielokrotnie usuwała pewne luki w swojej infrastrukturze, zarządzaniu danymi, zarządzaniu i analizie
Etap 5: Dojrzały / wizjoner
Tylko nieliczne organizacje można uznać za wizjonerskie w zakresie big data i analityki big data. Na tym etapie organizacja:
- jest w stanie realizować programy big data jako dobrze naoliwiona maszyna z wysoce dojrzałą infrastrukturą
- ma ugruntowany program Big Data i strategie zarządzania Big Data
- realizuje swój program Big Data jako zabudżetowaną i zaplanowaną inicjatywę z perspektywy całej organizacji
- których pracownicy podzielają poziom ekscytacji i energii związanymi z big data i analizą dużych zbiorów danych
Wyniki badań
TDWI przeprowadziło ocenę 600 organizacji i stwierdziło, że większość organizacji znajduje się na etapie przed adopcją (50%) lub na wczesnym etapie adopcji (36%). Ponadto tylko 8% próby zdołało pokonać przepaść w kierunku adopcji korporacyjnej lub bycia dojrzałym/wizjonerskim.
nakazowy
Większość normatywnych BDMM stosuje podobny modus operandi, polegający na tym, że najpierw ocenia się obecną sytuację, po czym następują etapy wytyczające drogę do większej dojrzałości w zakresie dużych zbiorów danych. Przykładami są:
Narzędzie do oceny dojrzałości dużych zbiorów danych w technologii informacyjnej
Ten model dojrzałości ma charakter normatywny w tym sensie, że składa się z czterech odrębnych faz, z których każda wyznacza ścieżkę dojrzałości dużych zbiorów danych. Fazy to:
- Faza 1, przejdź szkolenie w zakresie dużych zbiorów danych
- Faza 2, ocena gotowości do obsługi dużych zbiorów danych
- Faza 3, wskaż zabójczy przypadek użycia dużych zbiorów danych
- Faza 4, zorganizuj projekt weryfikacji koncepcji dużych zbiorów danych
Model dojrzałości Big Data firmy Radcliffe
Model dojrzałości dużych zbiorów danych Radcliffe, podobnie jak inne modele, również składa się z różnych poziomów dojrzałości, począwszy od:
- 0 – „W ciemności”
- 1 - „Nadrabianie zaległości”
- 2 – „Pierwszy pilot”
- 3 – „Wartość taktyczna”
- 4 – „Dźwignia strategiczna”
- 5 – „Optymalizuj i rozszerzaj”
Model firmy Booz & Company
Ten BDMM zapewnia ramy, które nie tylko umożliwiają organizacjom sprawdzenie stopnia ich aktualnej dojrzałości, ale także określenie celów i możliwości rozwoju w zakresie dojrzałości dużych zbiorów danych. Model składa się z czterech etapów, tj.
- Etap 1: Zarządzanie wydajnością
- Etap 2: Doskonałość obszaru funkcjonalnego
- Etap 3: Wzmocnienie propozycji wartości
- Etap 4: Transformacja modelu biznesowego
Model Van Veenstry
Model normatywny zaproponowany przez Van Veenstrę ma na celu najpierw zbadanie istniejącego środowiska dużych zbiorów danych organizacji, a następnie możliwości wykorzystania i ścieżkę wzrostu w kierunku dojrzałości dużych zbiorów danych. Model wykorzystuje cztery fazy, a mianowicie:
- Efektywność
- Skuteczność
- Nowe rozwiązania
- Transformacja
Krytyczna ocena
Obecne BDMM zostały ocenione według następujących kryteriów:
- Kompletność struktury modelu (kompletność, spójność)
- Jakość budowy i oceny modelu (wiarygodność, stabilność)
- Łatwość zastosowania (łatwość użycia, zrozumiałość)
- Tworzenie wartości big data (aktualność, trafność, wydajność)
TDWI i CSC mają najlepsze ogólne wyniki ze stałymi wynikami w każdej z grup kryteriów. Ogólne wyniki pokazują, że najlepsze modele są rozbudowane, wyważone, dobrze udokumentowane, łatwe w użyciu i dotyczą dużej liczby możliwości związanych z dużymi zbiorami danych, które są wykorzystywane do tworzenia wartości biznesowej. Modele firm Booz & Company i Knowledgent zajmują niewiele miejsca, a te średnie firmy zajmują się tworzeniem wartości big data w godny pochwały sposób, ale nie sprawdzają kompletności modeli i łatwości ich zastosowania. Knowledgent cierpi na słabą jakość rozwoju, ponieważ prawie nie udokumentował żadnego ze swoich procesów rozwojowych. Pozostałe modele, tj. Infotech, Radcliffe, van Veenstra i IBM, zostały sklasyfikowane jako nisko wydajne. Chociaż ich treść jest dobrze powiązana z tworzeniem wartości biznesowej dzięki możliwościom big data, wszystkim brakuje jakości rozwoju, łatwości aplikacji i obszerności. Najniższe oceny przyznano IBM i Van Veenstra, ponieważ oba dostarczają wskazówek niskiego poziomu dotyczących praktycznego zastosowania odpowiedniego modelu dojrzałości i całkowicie brakuje im dokumentacji, co ostatecznie skutkuje niską jakością rozwoju i oceny.