Jak přemýšlím o byznysové hodnotě v datech

V data warehousingu pracuji od roku 2000. Za tu dobu jsem viděl technologie přicházet a odcházet, architektury vznikat a zanikat a spoustu „dalších velkých věcí" v tichosti znovu mizet. Co se nezměnilo, je otázka, kterou si lidé stále kladou:

Jak získat hodnotu z dat?

Ne teoretickou hodnotu. Ne něco, co slibujeme „ve fázi tři". Skutečnou hodnotu, která pomáhá byznysu dělat lepší rozhodnutí, vydělávat víc peněz nebo méně utrácet.

Čím déle v tomto oboru pracuji, tím více si uvědomuji, že odpověď je mnohem jednodušší, než většina diskuzí o datech naznačuje.

Proč se vůbec daty zabýváme

Nespravujeme data, protože je to zajímavé. Nestavíme platformy, protože je to zábavné. Děláme to, protože data mají pomáhat byznysu.

V praxi se ta pomoc téměř vždy projeví jen ve dvou podobách:

• Zvýšit příjmy
• Snížit náklady

Existují samozřejmě výjimky. Regulatorní reporting je dobrý příklad. Nikdo není nadšený z budování GDPR reportu — ale děláme to, protože musíme. Přesto pro většinu iniciativ je byznysová hodnota skutečným motorem.

Když se dívám na datový projekt, vždy začínám jednou otázkou: Jaký byznysový výsledek to má podpořit?

Co data skutečně dělá hodnotnými

Za ty roky jsem si všiml, že hodnota nepochází z komplexity nebo sofistikovanosti. Pochází z několika velmi praktických věcí.

Z mé zkušenosti data vytvářejí hodnotu, když:

• Přicházejí brzy: hodnotné insighty se v čase kumulují. Každý měsíc zpoždění tiše ničí potenciální dopad.
• Jsou doručena efektivně: i skvělé nápady ztrácejí hodnotu, pokud trvají příliš dlouho nebo vyžadují příliš mnoho úsilí na implementaci.
• Odpovídají na správné otázky: byznysové priority se neustále mění — konec čtvrtletí, změny strategie, nové regulace. Datové týmy musí být schopné se přizpůsobit, aniž by začínaly od nuly.

Dohromady to vychází takhle: hodnota pochází z doručování správných věcí, brzy a bez plýtvání úsilím.

Proč „agilní" není hlavní pointou

Lidé často mluví o agilitě v datových projektech, ale přestal jsem to slovo používat, když mluvím s byznysovými stakeholdery. Ne proto, že by agilita nebyla důležitá — ale protože samotné slovo mimo IT moc neznamená.

Co dává smysl všem, je zpoždění.

Pokud důležitý insight přijde příliš pozdě, je pozdě i rozhodnutí na něm založené. A to zpoždění má cenu. Někdy jsou to ztracené příjmy. Někdy jsou to zbytečné výdaje. Někdy je to jen promarněná příležitost.

Takhle přemýšlím o agilitě: prostě jde o snižování ceny zpoždění. Automatizace, nástroje a frameworky se počítají, jen pokud nám v tom pomáhají.

Proč velká „dokonalá" řešení málokdy přežijí

Na začátku své kariéry jsme strávili měsíce navrhováním datových modelů na úrovni celé firmy. Byly působivé — a v době nasazení často irelevantní. Byznys se hýbe rychleji než návrhové dokumenty. Proto už nevěřím ve velká, dopředu navržená řešení. Věřím v:

• začínat malé

• doručit něco užitečného rychle

• průběžně se přizpůsobovat měnícím se potřebám

Mírně nedokonalé řešení, které je užitečné dnes, předčí dokonalé řešení, které přijde pozdě.

Část, které se všichni snaží vyhnout

Mnoho týmů se snaží přeskočit nepřehlednou střední část datové práce — integraci, historii, sdílené definice — v naději, že se to časem srovná samo. Málokdy se to stane. Viděl jsem, co se děje, když si každý definuje klíčové pojmy po svém. I když každá definice dává smysl, výsledkem je zmatek, předělávání a nekonečné diskuze. Bez ohledu na to, jakou architekturu zvolíte: data lake, data mesh, centralizovaná nebo decentralizovaná. Stále potřebujete:

• sdílené definice

• konzistentní logiku

• místo, kde jsou data integrovaná a srozumitelná

Tato střední vrstva je nevyhnutelná.

Když se z datových týmů stávají softwarové firmy

Další vzorec, který často vidím, začíná dobrými úmysly. Firmy chtějí flexibilitu, tak si poskládají stack open source nástrojů a postaví si vlastní platformu.

Co si vždy neuvědomují, je, že právě podepsaly smlouvu na druhou práci.

Najednou datový tým nedoručuje jen insighty. Také udržuje frameworky, upgraduje nástroje, dokumentuje vlastní řešení a zaškoluje nové kolegy do setupu, který existuje jen uvnitř té firmy.

Rád zde kladu jednoduchou otázku: Pokud je správa dat tak složitá jako ERP, postavili byste si vlastní ERP systém?

Většina firem by ne — a z dobrých důvodů. Stejná logika by měla platit pro datové platformy.

Proč automatizace změnila mou perspektivu

Automatizace neodstraňuje veškerou složitost, ale odstraňuje hodně opakující se práce s nízkou hodnotou. Dobře použitá pomáhá týmům:

• doručit hodnotu dřív

• rychleji se přizpůsobit měnícím se prioritám

• snížit dlouhodobou údržbu a riziko

A co je nejdůležitější, uvolňuje lidem prostor soustředit se na pochopení byznysu místo přestavby instalatérského kanálu.

Co jsem se za ty roky naučil

Jestli si máte něco odnést, pak tohle:

Datové projekty neselhávají, protože by lidé byli neschopní. Selhávají, protože hodnota přichází příliš pozdě, ve špatné formě nebo za příliš vysokou cenu.

Pokud zůstaneme blízko byznysu, budeme udržovat věci jednoduché, doručovat brzy a automatizovat to, co nevyžaduje lidskou kreativitu, mohou data konečně dělat to, co měla od počátku — pomáhat lidem dělat lepší rozhodnutí.

A o tom je v konečném důsledku tahle práce.