سطح بلوغ بیگ دیتا یا کلان داده حرکتی به سمت شرکت های داده محور

توسعه و اجرای استراتژی کلان داده برای سازمان ها کار آسانی نیست، به خصوص اگر فرهنگ داده محور نداشته باشند. چنین فرهنگی یک پیش نیاز برای اجرای موفقیت آمیز یک استراتژی کلان داده است. ایجاد نقشه راه Big Data برای رسیدن چنین فرهنگی ناگزیر است.

ارزیابی بلوغ کلان داده

به منظور بهبود سیستماتیک قابلیت های سازمان کلان داده خود، شرکت ها می توانند به طور منظم (معمولا سالانه) ارزیابی های بلوغ کلان داده را انجام دهند. مدل‌های بلوغ کلان داده، مصنوعاتی هستند که برای اندازه‌گیری بلوغ کلان داده استفاده می‌شوند. این مدل‌ها به سازمان‌ها کمک می‌کنند تا ساختاری پیرامون قابلیت‌های کلان داده خود ایجاد کنند و شناسایی کنند که از کجا شروع کنند.

ارزیابی بلوغ کلان داده ابزارهایی را فراهم می‌کند که به سازمان‌ها کمک می‌کند تا اهداف پیرامون برنامه کلان داده خود را تعریف کنند و چشم‌انداز کلان داده خود را به کل سازمان منتقل کنند. مدل‌های بلوغ زیربنایی همچنین روشی را برای اندازه‌گیری و نظارت بر وضعیت قابلیت کلان داده‌های یک شرکت، تلاش لازم برای تکمیل مرحله فعلی یا مرحله بلوغ و پیشرفت به مرحله بعدی ارائه می‌دهند. علاوه بر این، ارزیابی بلوغ کلان داده ها سرعت پیشرفت و پذیرش برنامه های کلان داده را در سازمان اندازه گیری و مدیریت می کند.

چارچوب ارزیابی بلوغ  کلان داده با رویکرد MMC (Capability Maturity Model )

ارزیابی بلوغ چارچوب کلان داده نمونه ای از چنین ارزیابی بلوغ و بر اساس 6 بعد چارچوب کلان داده است. بلوغ کلان داده های سازمانی را بر روی هر یک از این مؤلفه ها بر اساس مقیاس پنج نقطه ای مدل بلوغ قابلیت (CMM) که توسط مؤسسه مهندسی نرم افزار کارنگی ملون توسعه یافته است، اندازه گیری می کند. CMM دستورالعمل هایی را برای سازمان ها ارائه می دهد تا بلوغ فرآیند فعلی خود را تعیین کنند و استراتژی ای برای بهبود کیفیت و فرآیندهای نرم افزار ایجاد کنند. شامل پنج مرحله زیر است:

پنج سطح بلوغ کلان داده بر اساس سطوح پنج مقیاس bigdataframework

1. Analytically Impaired (chaotic and ad hoc activity) – Minimal analytics activities and infrastructure across the enterprise, with ambiguous data and analytics strategy.
2. Localized Analytics (initial activity) – Pockets of analytics across the enterprise, however functioning in silos and no overarching data or analytics strategy.
3. Analytical Operation (repeatable activity) – Expanding siloed functional analytics to shared operational level analytics with support and commitment from the C-suite.
4. Analytical Enterprise (managed activity) – Data and analytics are viewed as an enterprise priority. The organization is developing enterprise wide analytics capabilities across all domains to create meaningful content and ideas.
5. Data Driven Enterprise (optimized activity) – Trusted insight created by enterprises with analytics that support strategic decision making. The enterprise is reaping the benefits and is focused on optimization of analytics.

1. اختلال تحلیلی (فعالیت هرج و مرج و موقت) – حداقل فعالیت های تحلیلی و زیرساخت در سراسر شرکت، با داده ها و استراتژی تجزیه و تحلیل مبهم.
2. تجزیه و تحلیل محلی (فعالیت اولیه) – مجموعه هایی از تجزیه و تحلیل در سراسر شرکت، با این وجود که در سیلوهای داده کار می کنند و داده های فراگیر یا استراتژی تحلیلی ندارند.
3. گسترش تجزیه و تحلیل عملکردی سیلو به تجزیه و تحلیل سطح عملیاتی مشترک با پشتیبانی و تعهد C-suite.
4. تشکیلات تحلیلی (فعالیت مدیریت شده) – داده ها و تجزیه و تحلیل ها به عنوان یک اولویت سازمانی در نظر گرفته می شوند. این سازمان در حال توسعه قابلیت‌های تحلیلی گسترده سازمانی در همه حوزه‌ها برای ایجاد محتوا و ایده‌های معنادار است.
5. سازمانی مبتنی بر داده (فعالیت بهینه شده) – بینش قابل اعتماد ایجاد شده توسط شرکت‌هایی با تجزیه و تحلیل‌هایی که از تصمیم‌گیری استراتژیک پشتیبانی می‌کنند. این شرکت از مزایای آن بهره می برد و بر بهینه سازی تجزیه و تحلیل متمرکز شده است.

هر بخش از چارچوب کلان داده متعاقباً برای تعیین سطح قابلیت ارزیابی می شود. نتیجه ارزیابی بلوغ چارچوب کلان داده در شکل زیر نشان داده شده است و اطلاعات ارزشمندی در مورد زمینه های بهبود بالقوه برای سازمان ارائه می دهد. ارزیابی بلوغ چارچوب کلان داده نمونه ای از چنین ارزیابی بلوغ و بر اساس 6 بعد زیر است. 

Big Data Maturity Assessment

مدل بلوغ کلان داده از نگاه (ADOPT)

مدل بلوغ کلان داده (BDMM) یک روش کیفی برای نشان دادن رشد و تأثیر فزاینده قابلیت‌های کلان داده در یک محیط فناوری اطلاعات از منظر تجاری و فناوری است. این شامل مجموعه ای از معیارها، پارامترها و عواملی است که می تواند برای توصیف و اندازه گیری اثربخشی پذیرش و اجرای کلان داده ها استفاده شود.

5 levels of maturity are defined: Advanced, Dynamic, Optimized, Primitive, and Tentative (ADOPT). The definitions of all these levels are listed below:

1. Primitive: initial stage of disconnected activities in an unorganized fashion
2. Tentative: ad-hoc experiments of trial and error with some level of organized data management
3. Advanced: comprehensive framework and lifecycle for effective execution
4. Dynamic: consistent operationalization by means of reference architecture and best-practice patterns
5. Optimized: converged platform with a repeatable process and policy-driven codification

پنج سطح بلوغ تعریف شده است: پیشرفته، پویا، بهینه، اولیه و آزمایشی (ADOPT). تعاریف تمامی این سطوح در زیر آمده است:

1. ابتدایی: مرحله اولیه فعالیت های منفصل به صورت سازماندهی نشده
2. آزمایشی: آزمایش‌های موقت آزمون و خطا با سطحی از مدیریت داده‌های سازمان‌یافته
3. پیشرفته: چارچوب و چرخه حیات جامع برای اجرای موثر
4. پویا: عملیاتی سازی سازگار با استفاده از معماری مرجع و الگوهای بهترین عمل
5. بهینه شده: پلتفرم همگرا با فرآیندی تکرارپذیر و کدگذاری سیاست محور

مدل بلوغ کلان داده به صورت زیر نشان داده شده است.

http://cloudonomic.blogspot.com/2012/07/big-data-maturity-model.html

 

سطح بلوغ بیگ دیتا از نگاه Knowledgent 

بر اساس این نقشه راه، روش درست برای شروع با Big Data این است که درک روشنی داشته باشید که چیست و چه کاری می تواند برای سازمان شما انجام دهد و از آنجا به بعد شروع به توسعه و پیاده سازی مفاهیم با یک تیم چند رشته ای کنید. این اولین اثبات مفاهیم برای شرکت شما و داده محور شدن حیاتی است و بنابراین باید بین همه کارکنان به اشتراک گذاشته شود. از آنجا به بعد، به آرامی می توانید داده محورتر شوید. اینفوگرافیک زیر که توسط Knowledgent ایجاد شده است، پنج سطح بلوغ کلان داده را در یک سازمان نشان می دهد.

1. سطح اول را مرحله نوزادی می نامند، مرحله ای که در آن فرد شروع به درک داده های بزرگ و توسعه اثبات مفاهیم می کند.
2. سطح دومی که آنها شناسایی کرده اند، مرحله پذیرش فنی است، به این معنی که شرکت برای پیاده سازی فناوری های مختلف Big Data آماده می شود. این فناوری‌ها، چه در محل و چه در فضای ابری، سازمان را قادر می‌سازد تا Proof of Concepts / محصولات یا خدمات کلان داده جدید را سریع‌تر و بهتر توسعه دهد.
3. سطح سوم: هنگامی که بخش فناوری اطلاعات قادر به کار با فناوری‌های کلان داده باشد و کسب‌وکار بفهمد که داده‌های بزرگ می‌تواند برای سازمان انجام دهد، یک سازمان وارد سطح 3 شاخص بلوغ کلان داده می‌شود. پذیرش کسب و کار منجر به تجزیه و تحلیل عمیق تر داده های ساختاریافته و بدون ساختار موجود در شرکت می شود که منجر به بینش بیشتر و تصمیم گیری بهتر می شود.
4. سطح چهارم: پذیرش کلان داده در سراسر سازمان است و منجر به بینش پیش بینی یکپارچه در مورد عملیات تجاری می شود و جایی که تجزیه و تحلیل داده های بزرگ به بخشی جدایی ناپذیر از فرهنگ شرکت تبدیل شده است.
5. سطح پنجم: این سطح آخرین سطح قبل از یک سازمان کاملاً مبتنی بر داده است که به عنوان “ارائه دهنده خدمات داده” عمل می کند. شرکت‌هایی که به سطح 5 شاخص بلوغ کلان داده‌ها رسیده‌اند، تجزیه و تحلیل داده‌های بزرگ را در تمام سطوح سازمان خود ادغام کرده‌اند، واقعاً داده‌محور هستند و صرف‌نظر از محصول یا خدماتی که ارائه می‌دهند، می‌توانند به عنوان «شرکت‌های داده» دیده شوند. آنها بر اساس بینش Big Data خود به طور قابل توجهی از رقبای خود بهتر عمل خواهند کرد.

همه شرکت ها باید برای سطح 5 از شاخص بلوغ کلان داده تلاش کنند زیرا این امر منجر به تصمیم گیری بهتر، محصولات بهتر و خدمات بهتر می شود.

سطح بلوغ تحلیل داده از نگاه گارتنر

تحلیل توصیفی (Descriptive Analytics)

این نوع از تحلیل همان‌گونه که از نام آن‌ بر می‌آید ذاتا توصیفی است. تحلیل‌های توصیفی داده‌ها را خلاصه‌سازی کرده و کمتر بر جزئیات دقیق هر بخش از اطلاعات تمرکز می‌کند و در عوض بر روایت کلی متمرکز می‌شود.

تحلیل پیش‌بین (Predictive Analytics)

تحلیل پیش بین فناوری است که از تجربه (داده) می‌آموزد رفتار آینده افراد را به منظور اتخاذ تصمیمات بهتر پیش‌بینی کند (منظور از افراد الزاما انسان‌ها نیست. بنابراین، الزاما رفتار انسانی پیش‌بینی نمی‌شود و امکان انجام انواع پیش‌بینی‌ها بر اساس داده‌های کنونی موجود وجود دارد).
تحلیل‌های پیش‌بین از مدل‌های ” پیش‌بین predictive models ” استفاده می‌کنند. مدل پیش‌بین، مکانیزمی است که رفتار یک فرد مانند کلیک، خرید، دروغ یا مرگ را پیش‌بینی می‌کند. این مدل، ویژگی‌های (مشخصه‌ها) افراد (موجودیت‌ها) را به عنوان ورودی دریافت کرده و یک امتیاز پیش‌بینی به عنوان خروجی فراهم می‌کند. هرچه امتیاز پیش‌بینی بالاتر باشد، احتمال آنکه آن موجودیت رفتار پیش‌بینی شده را از خود بروز دهد، بیشتر است.

تحلیل تجویزی (Prescriptive Analytics)

تحلیل‌های تجویزی عموما به دنبال جنسی از پیش‌بینی هستند که بر اساس خروجی مدل پیش‌بین بتوان اقداماتی را تجویز کرد.

چالش‌های پیش روی استفاده از کلان داده و حاکمیت داده ها

در ارتباط با مسائل مربوط به ظرفیت پردازش، طراحی معماری کلان داده چالشی رایج برای کاربران است. سیستم‌های کلان داده باید متناسب با نیازهای خاص سازمان باشد، انجام یک کار به تیم‌های فناوری اطلاعات و مدیریت داده نیاز دارد تا مجموعه‌ای از فناوری‌ها و ابزارهای سفارشی را با هم ترکیب کنند. استقرار و مدیریت سیستم‌های کلان داده نیز در مقایسه با مهارت‌های دیگر نرم افزاری در سطح پیچیده تری قرار دارد.
هر دوی این مسائل را می‌توان با استفاده از سرویس ابری مدیریت شده برطرف کرد، اما مدیران فناوری اطلاعات باید مراقب استفاده از فضای ابری باشند تا مطمئن شوند هزینه‌ها از کنترل خارج نمی‌شود. البته، انتقال مجموعه داده‌های داخلی و پردازش حجم کار به فضای ابر اغلب فرآیندی پیچیده است.
چالش‌های دیگر در مدیریت سیستم‌های کلان داده شامل در دسترس قرار دادن داده‌ها برای دانشمندان و تحلیلگران داده‌ها، به ویژه در محیط‌های توزیع شده که شامل ترکیبی از سیستم عامل‌ها و ذخیره داده‌های مختلف است، می‌شود. برای کمک به تحلیلگران برای یافتن داده‌های مربوطه، تیم‌های مدیریت داده و تجزیه و تحلیل به طور فزاینده‌ای فهرست‌های داده‌ای را ایجاد می‌کنند که شامل مدیریت فراداده و توابع نسب داده است. فرایند ادغام مجموعه داده‌های بزرگ به تنوع و سرعت داده‌ها اغلب پیچیده است.

آدرس کانال تلگرام سایت بیگ دیتا:

t.me/bigdata_channel

آدرس کانال سروش ما:
https://sapp.ir/bigdata_channel

جهت دیدن سرفصل های دوره های آموزشی بر روی اینجا کلیک کنید.

جهت ثبت نام در دوره های آموزشی بر روی اینجا کلیک کنید.

منابع:

http://cloudonomic.blogspot.com/2012/07/big-data-maturity-model.html

Big Data Maturity Assessment

Five Levels of Big Data Maturity in an Organisation

Visits: 334