Модель зрелости больших данных - Big Data Maturity Model

Модели зрелости больших данных (BDMM) - это артефакты, используемые для измерения зрелости больших данных.[1] Эти модели помогают организациям создать структуру вокруг своих возможностей по работе с большими данными и определить, с чего начать.[2] Они предоставляют инструменты, которые помогают организациям определить цели в рамках своей программы больших данных и донести свое видение больших данных до всей организации. BDMM также предоставляют методологию для измерения и мониторинга состояния возможностей компании по работе с большими данными, усилий, необходимых для завершения текущего этапа или этапа зрелости и перехода к следующему этапу. Кроме того, BDMM измеряют и управляют скоростью как прогресса, так и внедрения программ больших данных в организации.[1]

Цели BDMM:

  1. Предоставить инструмент оценки возможностей, который уделяет особое внимание большим данным в ключевых областях организации.
  2. Чтобы помочь определить основные этапы развития
  3. Чтобы избежать ошибок при создании и наращивании возможностей больших данных

Ключевые организационные области относятся к «Людям, процессам и технологиям», а подкомпоненты включают[3] выравнивание, архитектура, данные, управление данными, доставка, разработка, измерение, управление программой, масштаб, навыки, спонсорство, статистическое моделирование, технологии, ценность и визуализация.

Этапы или фазы в BDMM отражают различные способы использования данных в организации и являются одним из ключевых инструментов для определения направления и мониторинга работоспособности программ больших данных организации.[4][5]

В основе лежит предположение о том, что высокий уровень зрелости больших данных коррелирует с увеличением доходов и сокращением операционных расходов. Однако достижение наивысшего уровня зрелости требует значительных инвестиций в течение многих лет.[6] Лишь несколько компаний считаются находящимися на «зрелой» стадии больших данных и аналитики. К ним относятся интернет-компании (например, LinkedIn, Facebook, и Amazon ) и другие компании, не работающие в Интернете, включая финансовые учреждения (анализ мошенничества, обмен сообщениями с клиентами в режиме реального времени и моделирование поведения) и розничные организации (клик-поток аналитика вместе с аналитикой самообслуживания для команд).[6]

Категории моделей зрелости больших данных

Модели зрелости больших данных можно разбить на три большие категории, а именно:[1]

  1. Описательный
  2. Сравнительная степень
  3. Предписательные модели.

Описательные модели

Описательные модели оценивают текущую зрелость фирмы посредством качественного позиционирования фирмы на различных стадиях или этапах. Модель не дает никаких рекомендаций относительно того, как компания может повысить зрелость своих больших данных.

Модель зрелости больших данных и аналитики (модель IBM)[7]

Эта описательная модель призвана оценить ценность инвестиций в большие данные для поддержки стратегических бизнес-инициатив.

Уровни зрелости

Модель состоит из следующих уровней зрелости:

  • Для этого случая
  • Основополагающий
  • Конкурентная дифференциация
  • Вырваться.

Области оценки

Уровни зрелости также охватывают области в формате матрицы с упором на: бизнес-стратегию, информацию, аналитику, культуру и исполнение, архитектуру и управление.

Оценка зрелости Big Data от Knowledgent[8]

Эта модель зрелости больших данных, состоящая из оценочного опроса, позволяет оценить готовность организации к реализации инициатив в области больших данных. Кроме того, модель направлена ​​на определение шагов и соответствующих технологий, которые приведут организацию к зрелости больших данных.

Сравнительные модели

Сравнительные модели зрелости больших данных нацелены на сравнение организации с отраслевыми аналогами и обычно состоят из опроса, содержащего количественную и качественную информацию.

Инструмент зрелости больших данных CSC[9]

Инструмент зрелости больших данных CSC выступает в качестве сравнительного инструмента для оценки зрелости больших данных организации. Проводится опрос, а затем результаты сравниваются с результатами других организаций в конкретной отрасли и на более широком рынке.

Модель зрелости больших данных TDWI [6]

Модель зрелости больших данных TDWI представляет собой модель в современной области зрелости больших данных и, следовательно, состоит из значительного объема знаний.

Этапы зрелости

Различные стадии зрелости TDWI BDMM можно резюмировать следующим образом:

Этап 1: зарождение

Зарождающийся этап как среда до больших данных. На этом этапе:

  • Организация плохо осведомлена о больших данных или их ценности;
  • Эти усилия практически не поддерживаются руководством, и лишь некоторые люди в организации заинтересованы в потенциальной ценности больших данных;
  • Организация понимает преимущества аналитики и может иметь хранилище данных.
  • Стратегия управления организации обычно больше ориентирована на ИТ, а не на интеграцию бизнеса и ИТ.

Этап 2: предварительное усыновление

На этапе до усыновления:

  • Организация начинает изучать аналитику больших данных.

Этап 3: Раннее усыновлениеПропастьВ этом случае, как правило, необходимо преодолеть ряд препятствий. Эти препятствия включают:

  • Получение правильного набора навыков для поддержки возможностей, включая Hadoop и продвинутые аналитические навыки;
  • Политические вопросы, то есть проекты больших данных, реализуются в областях внутри организации, и попытки расширить усилия или обеспечить соблюдение более строгих стандартов и управления приводят к проблемам, связанным с владением и контролем.

Этап 4: корпоративное принятие

Этап корпоративного внедрения характеризуется вовлечением конечных пользователей, организация получает более глубокое понимание и способ ведения бизнеса трансформируется. На этом этапе:

  • Конечные пользователи могли начать использовать аналитику больших данных или изменить свои процессы принятия решений;
  • Большинство организаций уже неоднократно устраняли определенные пробелы в своей инфраструктуре, управлении данными, управлении и аналитике.

Этап 5: зрелый / дальновидный.

Лишь несколько организаций можно считать провидцами с точки зрения больших данных и аналитики больших данных. На этом этапе организация:

  • Может выполнять программы с большими данными на хорошо отлаженной машине с развитой инфраструктурой.
  • Имеет хорошо зарекомендовавшую себя программу больших данных и стратегии управления большими данными.
  • Выполняет свою программу больших данных как запланированную и запланированную инициативу с точки зрения всей организации.
  • Сотрудники разделяют энтузиазм и энтузиазм в отношении больших данных и их аналитики.

Результаты исследований

TDWI[6] провела оценку 600 организаций и обнаружила, что большинство организаций находятся на стадии предварительного усыновления (50%) или раннего усыновления (36%). Кроме того, только 8% выборки смогли преодолеть пропасть в направлении корпоративного принятия или стать зрелыми / дальновидными.

Предписательные модели

Большинство предписывающих BDMM следуют схожему принципу работы: сначала оценивается текущая ситуация, а затем следуют этапы, прокладывающие путь к повышению зрелости больших данных. Вот примеры:

Инструмент оценки зрелости больших данных Info-Tech [10]

Эта модель зрелости носит предписывающий характер в том смысле, что модель состоит из четырех отдельных фаз, каждая из которых прокладывает путь к зрелости больших данных. Фазы:

  • Этап 1. Пройдите обучение по большим данным
  • Этап 2, оценка готовности к большим данным
  • Этап 3: определение убийственного сценария использования больших данных
  • Этап 4, структура проекта подтверждения концепции больших данных.

Модель зрелости больших данных Рэдклиффа[5]

Модель зрелости больших данных Рэдклиффа, как и другие модели, также состоит из различных уровней зрелости, начиная от:

  • 0 - В темноте
  • 1 - Догонять
  • 2 - Первый пилот
  • 3 - Тактическая ценность
  • 4 - Стратегическое плечо
  • 5 - Оптимизация и расширение

Модель Booz & Company[4]

Этот BDMM обеспечивает основу, которая не только позволяет организациям видеть степень своей текущей зрелости, но также определять цели и возможности для роста зрелости больших данных. Модель состоит из четырех этапов, а именно:

  • Этап 1: Управление эффективностью
  • Этап 2: совершенство функциональной области
  • Этап 3. Улучшение ценностного предложения
  • Этап 4: Трансформация бизнес-модели

Модель Ван Винстры [11]

Предписывающая модель, предложенная Ван Винстра, направлена ​​на то, чтобы сначала изучить существующую среду больших данных в организации, а затем возможности ее использования и путь роста к зрелости больших данных. Модель использует четыре фазы, а именно:

  • Эффективность
  • Эффективность
  • Новые решения
  • Преобразование.

Критическая оценка

Текущие BDMM были оценены по следующим критериям:[1]

  • Полнота структуры модели (полнота, непротиворечивость)
  • Качество разработки и оценки модели (надежность, стабильность)
  • Легкость применения (удобство использования, понятность)
  • Создание ценности больших данных (актуальность, актуальность, эффективность)

TDWI и CSC имеют самые высокие общие показатели с стабильными баллами по каждой из групп критериев. Общие результаты показывают, что наиболее эффективные модели являются обширными, сбалансированными, хорошо документированными, простыми в использовании и охватывают большое количество возможностей больших данных, которые используются для создания ценности для бизнеса. Модели Booz & Company и Knowledgent находятся за считанные секунды, и эти средние компании достойно решают вопрос создания ценности больших данных, но не справляются с задачей при изучении полноты моделей и простоты применения. Компания Knowledgent страдает от низкого качества разработки, так как практически не задокументировала какие-либо процессы разработки. Остальные модели, то есть Infotech, Radcliffe, van Veenstra и IBM, были отнесены к категории низкоэффективных. Хотя их контент хорошо согласован с созданием ценности для бизнеса с помощью возможностей больших данных, всем им не хватает качества разработки, простоты применения и обширности. Наименьшие баллы получили IBM и Van Veenstra, поскольку обе они предоставляют низкоуровневые рекомендации по практическому использованию соответствующей модели зрелости и полностью лишены документации, что в конечном итоге приводит к низкому качеству разработки и оценки.[1]

Смотрите также

Рекомендации

  1. ^ а б c d е Браун, Хенрик (2015). «Оценка моделей зрелости больших данных: сравнительное исследование для поддержки оценки больших данных в организациях». Магистерская работа - Технологический университет Тампере.
  2. ^ Халпер, Ф., и Кришнан, К. (2014). Руководство TDWI по модели зрелости больших данных. TDWI Research.
  3. ^ Кришнан (2014). «Измерение зрелости инициатив в области больших данных». Архивировано из оригинал на 2015-03-16. Получено 2017-05-21.
  4. ^ а б Эль-Дарвиче; и другие. (2014). «Зрелость больших данных: план действий для политиков и руководителей». Всемирный Экономический Форум.
  5. ^ а б «Используйте модель зрелости больших данных для построения дорожной карты больших данных» (PDF). 2014. Архивировано с оригинал (PDF) на 2017-08-02. Получено 2017-05-21.
  6. ^ а б c d Хальпер, Ферн (2016). «Руководство по достижению зрелости аналитики больших данных». Руководство по тестированию TDWI.
  7. ^ «Модель зрелости больших данных и аналитики». IBM Big Data & Analytics Hub. Получено 2017-05-21.
  8. ^ «Главная | Оценка зрелости больших данных». bigdatamaturity.knowledgent.com. Архивировано из оригинал на 2015-02-14. Получено 2017-05-21.
  9. ^ Inc., Творческие услуги Cyclone Interactive Multimedia Group, Inc. (www.cycloneinteractive.com). Сайт разработан и размещен Cyclone Interactive Multimedia Group. «Инструмент зрелости больших данных CSC: ценность для бизнеса, движущие силы и проблемы». csc.bigdatamaturity.com. Получено 2017-05-21.
  10. ^ «Инструмент оценки зрелости больших данных». www.infotech.com. Получено 2017-05-21.
  11. ^ ван Винстра, Энн Флер. «Большие данные малыми шагами: оценка ценности данных» (PDF). Белая бумага.