Att uppnå datamognad: en organisatorisk balansakt

Av Techopedia Staff 8 november 2017

Takeaway: Värd Eric Kavanagh diskuterar datamognad och organisatorisk mognad med Jen Underwood från Impact Analytix och Ron Huizenga från IDERA.

Du är för närvarande inte inloggad. Logga in eller registrera dig för att se videon.

Eric Kavanagh: Okej, mina damer och herrar. Hej och välkommen tillbaka igen. Det är onsdag klockan 4 östra, vilket betyder att det är dags för Hot Technologies. Ja verkligen. Jag heter Eric Kavanagh; Jag kommer att vara din värd för vår show idag, som verkligen är definierad, utformad för att definiera vissa typer av teknik i vissa tillstånd i datahanteringens värld. Och vårt ämne idag är "Att uppnå datamognad: En organisationsbalanslag." Så det finns platsen för din verkligen, slå mig upp på Twitter, @eric_kavanagh. Jag retweetar alltid om du nämner mig, och jag ska försöka följa tillbaka också. Det är ett bra ställe att gå för att få information om vad som händer i världen. Jag älskar det formatet. Korta tecken, 140 tecken - eller mer i dag. Så skicka mig gärna en tweet så följer jag tillbaka.

I år är det naturligtvis varmt. Vi pratar allt om datamognad idag och här är lineupen, med din verkligen i toppen. Vi har en ny analytiker idag; Jag är väldigt upphetsad över att ha Jen Underwood från Impact Analytix. Hon är ganska expert på affärsinformation och analys och datavisualisering och alla dessa fantastiska ämnen. Och förstås datatid. Och vår goda kompis Ron Huizenga ringer in från IDERA. Så först hör vi från Jen och sedan från Ron. Och sedan kommer vi att ha en trevlig rundabordsdiskussion.

När jag trycker på nästa bild här, säger jag bara ett par snabba ord. Mognad för datahantering har varit ett ämne ett tag nu. Uppenbarligen i historien måste du komma till en viss punkt innan du börjar tänka på mognad, och mycket mognad livscykler har utvecklats - eller cykler - för att försöka ta reda på var du är i kurvan. Är du ett tidigt skede? Är du tonåring? Är du mogen? Etc.

Och jag tror att många organisationer är antingen under tonåren eller i slutet av tonåren eller i början av tjugoårsåldern när det gäller mognad. Och det säger inte något nedslående. Det är bara att vi fortfarande är så tidigt under de tidiga dagarna att kunna hantera data som en strategisk tillgång. Och saker har förändrats snabbt. Speciellt under de senaste fem till sju åren, eftersom vi har flyttat från små data till big data och de försöker förena dessa ganska olika världar och ny teknik med gammal teknik. Så arv är där ute, det är överallt.

En av skämt som jag hörde för många år sedan är att arvet är ett system som är i produktion. Det ögonblick ett system går i produktion, tekniskt sett är det arv. Och på ett sätt som är sant. Men i första hand har vi alla dessa system som har funnits länge och vi måste hitta ett sätt att förstå var vi befinner oss i vår egen mognadskurva för att kunna maximera och optimera värdet på data som en tillgång . Och naturligtvis finns det vissa efterlevnadsproblem, vissa regler som vi behöver oroa oss för, beroende på vilken bransch vi är i. Och så måste vi naturligtvis också oroa oss för hacking. Tidigare har vi pratat om datastyring och hur det verkligen är en del av säkerheten och bara förstå roller och ansvar för att använda data och se till att vi får det bästa värdet av det.

Och så med det kommer jag att överlämna nycklarna till Jen Underwood och hon kan berätta för oss sitt perspektiv på datamognad. Jen, ta bort den.

Jen Underwood: Tack, Eric, och tack för att du bjöd in mig. Så idag kommer jag att täcka några olika ämnen och sedan ska jag introducera Ron med IDERA och han kommer att gräva djupare i några andra områden i detta ämne. Jag kommer att säga att det är en kritisk roll i den digitala eran eller den digitala omvandlingen som vi befinner oss just nu och, som Eric hade sagt, är det en utvecklande era. Några roliga statistik från EDM-rådet, det fanns en referensrapport för datahantering. Det är nästan två år gammalt, men det är fortfarande ganska relevant och kommer att avslöja några av, du vet, faktoider i sig för att vara tonåring i detta utrymme. Jag ska prata lite om datamognad och styrelsens pelare i sig.

Om det här temat för den digitala eran eller den digitala omvandlingen som du hör överallt sker detta verkligen just nu. En av de intressanta fakta som jag har samlat när jag har följt branschen varje dag var en poäng av Gartner i deras tio bästa strategiska teknologetrender. Och de hade sagt till 2020 - så vi är bara några år bort från det - information kommer att användas för att återuppfinna, digitalisera och automatisera eller eliminera 80 procent av de processer som vi har gjort från ett decennium tidigare.

Och jag har sett detta ett tag, jag tror att du ser olika typer av människor som säger, du vet, "Data är den nya oljan", och de typerna av saker. Jag vill säga att data nu är digitalt guld. Och om du tänker på mjukvaruapplikationer och mjukvaruengagemang, var jag en världsomspännande produktchef för Microsoft tidigare, och till och med förändringen i min karriär från, du vet, skulle vi verkligen fokusera på programvara till nu är vi fokuserade på användare och samla in data och tänka på intäktsgenerering av data.

Vi går in i den här eran där data är digitalt guld och du börjar se att med uppkomsten av det som kallas den högsta datatjänsteman, och de är, de har, du vet, två primära uppdrag - och säkert ett par andra - att se till att uppgifterna är säkra och säkra och också hitta sätt att maximera värdet på data internt - och till och med externt - som den digitala tillgången. Så dessa typer av saker som kanske inte har varit, eller kanske inte har verkat viktiga för din organisation tidigare, data får äntligen plats vid C-nivå bordet med CDO och kommer att tas mycket mer allvarligt framöver.

Om du tänker på datahantering och mognad finns det två olika teman som jag har på den här bilden här. Den första är, du vet, själva datahantering. Det handlar mer om affärsfunktionerna som utvecklar och skapar data och dataflöden, några av policyn och praxis där. Och när du tänker på datahanteringens mognad är det en organisations förmåga att exakt definiera, enkelt integrera, du vet, utnyttja den information som de har igen för interna eller externa ändamål, t.ex. Och ett av de stora teman - och det har varit roligt, tidigare i min karriär, och jag faktiskt utnyttjade några av IDERA: s verktyg och dataarkitekturprojekt - var hela metadatakonceptet och vi fortsätter att tänka på metadata, och då pratades det inte ungefär en lång, lång tid. Jag ser äntligen att metadata är coola igen. Det är verkligen ganska viktigt att interagera med olika grupper, förstå var dina data är, vad data är. Särskilt i saker som en datasjö. Äntligen blir det äntligen intressant.

Nu lovade jag att jag hade lite statistik här från en branschrapport. Den här var från 2015 för EDM-rådet. Det handlar om att modernisera datakvalitet och styrning, och det finns några roliga faktoider i just den här. Så här inne har mer än 33 procent av organisationerna ett aktivt, formellt datahanteringsprogram på någon nivå i organisationen - bara 33. Så det är väldigt intressant i sig själv. Av de 50 procent som verkligen har formaliserats, vi vill hantera data, inser vi att detta är en riktigt viktig tillgång i vår organisation, precis som människor har mänskliga resurser. Endast 50 procent av dem hade program som var äldre än ett år. Så detta är återigen ett tillväxtområde, det är verkligen ganska intressant vad vi har blivit mer och mer viktiga, särskilt med saker som vissa av branschreglerna kommer ut.

Så på den punkten, många gånger - och det är intressant att ha varit i teknisk försäljning och roller under hela min karriär - var det egentligen inte, "Åh, vi kan spara pengar som skulle motivera en organisation" - det är vanligtvis rädsla. Det är mer av, "Åh, jag måste se till att vi är täckta. Vi vill inte förlora våra jobb. Och säkert saker som hacking och datarisker och dataläckning, det finns verkligen intressanta riktmärkesstudier om detta. Verizon gör en varje år och det är förmodligen en av mina favorit att granska. Vad du nästan alltid ser är en oavsiktlig, det är inte nödvändigtvis, du vet, avsiktligt missbruk av data eller missförvaltning av data som resulterar i en läcka. Och ofta - de har inte denna statistik för just den här sessionen - men det är fascinerande att dessa oavsiktliga läckor av felhantering av behörigheter och etcetera. Du vet, för att göra saker lite lättare går dessa läckor ut. Och vanligtvis till personer som är sidoanteckningar eller externa i din organisation, och det är inte vad du vill ha.

Så det är sådana saker när du funderar på att ha ett datahanteringssäkerhets- och styrningsprogram. Du vet, inte bara dåliga beslut och spara pengar, utan också se till att du vet att du är säker, du följer lagstiftning om integritet och säkerhet. Du kan tjäna pengar på data i den här digitala eran, och naturligtvis, du vet, du vill göra saker effektivt och återanvända data och ha det välsignade exemplet och ha det - jag hatar när folk säger, och jag är i analys och jag Jag har varit i analys länge, en version av sanningen. Det finns vanligtvis, du vet, det finns vanligtvis flera versioner av sanningen, bara från olika perspektiv. Men i huvudsak vill du att uppgifterna ska vara tillförlitliga som du bygger beslut på.

En av de största förarna som jag ser - och det är bra, det är bra att det blir coolt igen - är hela konceptet med EU: s BNP. Och låt mig prata lite om det. Så om du inte känner till GDPR kommer du att höra mycket om det det kommande året. Det är ny lagstiftning som äger rum i maj. Det kommer att verkställas i maj 2018 och det har några stora påföljder för felhantering av information. Du kanske har hört talat om detta i andra former - kanske inte att använda termen GDPR - du kanske har hört eller sett detta skrivet om som rätten att glömmas, vilket betyder att du kan nå ut och be leverantörer ta bort dina data. Återigen, tidigare dataarkitekter, skulle de inte ta bort data. Vi skulle ändra det, vi skulle göra det inaktivt i datalagringsscenarier. Vi har aldrig raderat våra data. Vi hade inte processer för det. Så det är, du vet, saker som kommer att beröra alla aspekter av din organisation och olika sätt och processer som du kanske aldrig har tänkt på att bygga din applikation eller datalager. Så om du ser saker om GDPR att tänka på, kommer du snart att behöva en rättslig grund för att motivera insamling och behandling av personuppgifter.

Så detta är mestadels på personlig nivå, så samtycke måste ges fritt: specifikt, informerat, otvetydigt. Och det kommer att påverka många områden av konstgjord intelligens och datavetenskap - det är det område jag mest täcker idag är datavetenskapens konsekvenser och bara se till att det finns viss öppenhet i själva modellerna - liksom många andra områden från din självbetjäning. BI, ditt datalager, din masterdatahantering, till och med dina kund 360-projekt, till anpassning och till och med din affärsapplikation. Så det här är något som kommer att beröra varje del av din org. Och till skillnad från sekretesslagarna i andra jurisdiktioner kommer GDPR att vara tillämplig på alla organisationer som ligger inom eller utanför Europeiska unionen. Och efterlevnaden av böter är återigen betydande. Det är din organisation som kan böjas med upp till fyra procent av din totala bruttoår - jag tror att det kallas omsättning - inkomst per se.

Förhoppningsvis har jag din uppmärksamhet och det här är saker du bör ta uppmärksamheten på. Om ditt företag redan följer några av dessa metoder och industristandarder med PCI, kanske det är en ISO - jag är inte säker på om jag kommer att säga det här rätt - 27001. Om du gör några av dem redan, borde det inte ' t vara för överväldigande, men det är något att säkert vara medveten om. Så när du förbereder dig för det finns det ett par områden, särskilt i datahanteringen och en av de första sakerna är att ha en katalog och klassificera dina data - veta var dina data finns. Och i en värld, en hybridvärld, där data bor överallt: Det är i molnet; det finns i dessa appar; det finns i säljkåren; Det är i något annat slumpmässigt program som marknadsföring också använder, du vet, dina kundsystem eller dina lager - alla dessa typer av platser. Vet var dina data är och det enklaste att göra - och detta har varit ett riktigt roligt område för datahantering, är detta begrepp i dessa datakataloger som har intelligens, även maskininlärningsklassificering är en del av informationen.

Och igen, metadata - jag nämnde att metadata blir coola igen, så att jag verkligen tänker på metadata och inte glansar över det viktiga ämnet när du börjar designa dataljöar och sådana saker, och naturligtvis reglera och övervaka dessa. Så övervakningen kommer att bli mycket viktigare när du måste gå tillbaka och någon från BNP, till exempel, kan be dig att bevisa vart gick den informationen, vem har den, vem som hade tillgång till den osv. För att du faktiskt måste visa myndigheterna vilka typer av saker.

För att hjälpa dig med datahanteringens mognad finns det faktiskt några tankar, och jag tror - jag är inte 100 procent säker - jag tror att jag såg i Rons däck att han kommer att täcka några av dessa, så att jag Jag kommer att prata om idag kommer från CMMI. Och den här, det här är tillgängligt för folk; det omfattar sex olika kategorier av datahantering, 25 processområden, 414 praxisförklaringar och 596 olika arbetsprodukter. Så när du tänker på bara alla saker du gör, som att du hanterar och arkiverar data, 596 funktionella arbetsprodukter, insåg du inte hur mycket du gjorde, eller hur? Eller vad du verkligen inte gör. När jag tittar på ett sådant nummer är det en av de saker som verkligen fastnar i mitt sinne. Så i det här, och det jag gillar med just den här, är det arkitektur och teknikneutral. Så det betyder att om du har, och de flesta av de större organisationerna som jag har konsulterat med eller arbetat och implementerat genom åren, vet du, de har alla möjliga olika tekniker där. Så du vill, du vet, översätta vad betyder DMM för plattformarna och teknologierna som du använder i din specifika miljö. Det är också branschoberoende, så det är inte nödvändigtvis specifikt för hälsovård, till exempel. Hälso-och sjukvård har vissa - oavsett om det är BAA eller olika typer av klassificeringar, du måste översätta eller titta på olika typer av saker när du sätter ihop ditt program eller din plan för att förbättra din nivå för datahanteringens mognad inom din organisation.

Vad är det här om det inte är några av dessa saker? I huvudsak är det att definiera vad, men inte berätta specifikt hur du gör det. Efter att ha varit en mycket typ A-personlighet större delen av min karriär, gillade jag när människor gav mig ett mål och jag kunde hitta ut hur jag skulle komma till det målet och inte, säga, mikromanera min tid, hur jag kommer dit. Det är så datahanteringens mognad, och dessa processer med CMMI, det ger dig målen och det ger dig hur du mäter dig själv inom några av dessa olika områden. Och de ger dig en nivå. Det finns olika sätt du kan göra och mäta själv, oavsett om det är nivå ett hela vägen upp till nivå fem, vilket innebär att du har optimerat det och att du har ett riktigt starkt program på plats.

Och för att bara ge dig en känsla för vad som verkligen betyder, har jag en liten översikt här vad det kan betyda. Så här inne, när du funderar på att ha en datorhanteringsprocessens livscykel, har den stödprocesserna på plats, av allt från krav, riskhantering, du måste stödja processer där, till datastyring och jag är snäll att glosa över det, men egentligen är datastyring ett helt program i sig själv. Med en affärsordlista har vi pratat om affärsordlistor och dataarkitekter för alltid - det borde vara något du har inom din organisation. Några av dessa katalogtyper av teknik där ute, de skapar, utvecklar en affärsordlista med att samla in information och ta och vad inte, och du vet att du sätter länkar i dokument till olika perspektiv på samma data, på datafältet, eller version av uppgifterna när de ändras under hela livscykeln för värdet.

Detta är de typer av saker som har blivit mycket bättre sedan jag började i min karriär. Tidigare var vi tvungna att utveckla hemodlade system för att göra sådana saker. Så vi tittar på helheten och den stora bilden, det är strategin och sedan alla de olika bitarna härifrån från ledningen till kvaliteten i styrning. Och en sak om datakvalitet, det är intressant när industrin blir mer automatiserad och vi har återigen dessa digitala processer med automatiserat beslutsfattande. Jag arbetar mycket på datavetenskapen där vi har några av dessa verktyg som automatiserar beslut och uppdaterar förutsägbara modeller i farten. Många av dessa verktyg och algoritmer kräver och antar att uppgifterna är bra. Det krävs att uppgifterna är giltiga för att ge dig ett bra automatiserat beslut. Så när du tänker på, känner du, kanske är datakvalitet vanligtvis en av de saker som människor sorts borstar åt sidan och inte tar det särskilt allvarligt. Men när du börjar automatisera beslutsfattande i modeller för prediktiv modellering och maskininlärning blir datakvalitet verkligen viktig.

Några sätt att mäta dina framsteg här är - och jag låter Ron tala med detta, han har en härlig bild på det här i sitt session också - jag ska bara ge dig en snabb sneak peak av, du vet, dessa olika nivåer i detta. I huvudsak är det en självbedömning, eller hur? Så du kommer att undersöka din datastyring och vad du tror att du har något på plats alls. Och var inte generad om du inte gör det. Som jag sa, det finns bara 33 procent av organisationerna som till och med har börjat göra den här typen av saker. Även om, du vet, har dessa typer av program åtminstone varit med - jag har varit i branschen i över 20 år och verkligen gjorde jag den här typen av saker för år sedan, vi kanske inte bara har kallat det så. CMMI, de har en övning som du kan självvärdera och du kan gå igenom och titta på och skapa dina egna - i detta fall den här typen av radarkarta - betygsatt alla dessa olika vinklar eller saker. Och varje organisation, som jag har gjort annorlunda, vet du, när jag brukade konsultera och genomföra dessa projekt, du vet, varje organisation är unik. Det kommer att vara områden som kommer att bli riktigt, verkligen viktiga för dem. Kanske, du vet, det är processhantering eller kvalitetshantering eller risker - beror på vad det är, men du vill se och skapa ett riktmärke eller en baslinje och sedan också tänka på vad som definierar dess framgång.

När du tänker på att mäta och styra denna typ av saker kommer du först att säkra en viss verkställande sponsring för ett program som detta. Detta är något som kommer att vara tvärfunktionellt i hela organisationen, så även om Susie Q och John Smith beslutar de, "Japp, låt oss göra det. Vi måste göra det", de kan inte göra det i en silo i deras organisation, eller ens om det är IT. Du måste verkligen ha det inköpet från företaget och experterna från datainsamlingen. De måste ha lite tid. De vill inte att det bara ska vara en extra uppgift. Om du någonsin har arbetat med - jag tror att jag har gjort några masterdatahanteringsuppgifter, projekt tidigare och datakvalitet - och vanligtvis, du vet, kommer du till företaget och de, "Åh, datastyrning." Det är inte något de är glada över. Och de är som, "Åh, nej. Vi måste ha tid för detta, ”och de gör det. Så du kommer att vilja ha lite tid åtagande. Du måste ha den välsignelsen uppifrån. Du vill att det ska vara tvärfunktionellt.

Återigen är detta något som verkligen berör många områden i organisationen. Och med GDPR skulle det göra det lite lättare eftersom återigen lagarna från GDPR och där de personuppgifterna används för dina kunder och används i hela din organisation, det borde vara lite enklare om du tillämpar dem, om du har att hålla sig till GDPR. Blir tungt bunden här. Det borde vara lättare för dig att göra. Du vill tilldela något ansvar och sedan titta på, du vet, du kommer att anpassa dessa. Så du tittar alltid på den här typen av vägledning som dessa organisationer ger, och det är vanligtvis vad de är: De är riktlinjer för dig och du kommer att implementera för din kultur i din organisation.

Att ha arbetat i styrning har verkligen varit ett riktigt viktigt, en av de saker som vissa av produkterna som jag utvecklade när jag var i världsomspännande produkthantering på Microsoft var självbetjänings-BI och möjliggjorde för företagets användare och den icke-tekniska datanvändaren att spela med data och skapa sina egna rapporter, och många gånger skulle IT skjuta tillbaka. Så jag har spenderat mycket tid på denna styrning och se till att produkterna skulle ha rätt funktioner och granskning och loggning och, du vet, göra det så att de inte skulle ta ner databasen i sig. Men det finns en ram som, du vet, arbetar genom åren med just detta ämne av dessa typer av saker som verkligen liknar datahantering också. Du vill ha den stiftelsen som har skapats med verkställande sponsring för detta, och du vill ha det åtagandet mellan företag och IT.

Så det gör igen, vi pratade om budget / tidsfördelning och för att utveckla nya processer. Det kommer att bli en kulturell förändring när du gör några av dessa saker, du vet, börjar titta på data. Men du vet, det är mycket viktigt ur ett strategiskt perspektiv, igen. Och för att ge dig en känsla, här är ett exempel, och jag rensade det från ett av mina gamla projekt från år sedan om denna typ av saker. Och återigen är detta förmodligen mer ur generisk synvinkel, men kan verkligen återanvändas för dessa typer av projekt med att hantera och utveckla dina datahanteringsprocesser och styra dem. Du har expert på affärsmaterial, vi har datatillsynsmän här, IT-ämnesexperter, du vet, för olika branscher. Många företag som är större kommer att ha ditt företagskort och dina företagsarkitekter och dataarkitekter och modellerare där inne. Så det kommer att finnas några olika ämnesexperter från olika nivåer. Och igen, många av dessa - jag hatar att ha det som ett exempel - de kommer att anpassas efter din organisation och din kultur.

En av sakerna när du arbetar med dessa projekt, återigen är det många gånger förmodligen inte det mest spännande projektet i organisationerna, inte så visuellt som folk vill. Det är roligt, det är en av de saker som, när konsultföretaget kommer in eller till och med i din egen IT-grupp eller din BI-center för excellensgrupp kommer in eller ditt analytics Center of excellence kommer in och vi kommer att arbeta med data kvalitet och datahantering mognad, de kanske inte är oerhört glada att göra det. Men du måste hitta sätt att motivera dem och inkludera det i deras mätningar. Så när du tänker på vad det ska bli är det en sak att göra denna övning en gång och du får människor ombord. Och du får reda på att de älskade datakatalogen eller att de älskar några av dessa saker eftersom det gör deras liv lättare och de kan hitta vad data betyder eller förstå det, och de kan lägga till sitt eget perspektiv till det. Och saken, datakataloger är förmodligen ett av de största projekten för att hjälpa människor verkligen att bli kär i detta.

Så nästa sak är att hålla dem engagerade. Hur håller du någon som är engagerade att de kanske inte bryr sig om det här? Det är att definiera vissa mätvärden och inkludera det, deras mätning i och sedan tillhandahålla lite lärande för när det finns överträdelser och viss medvetenhet om att "Hej vi gjorde riktigt bra ett tag och då inte så bra efter ett tag." Så de är typer av saker att tänka på för att fortsätta. Och när du funderar på att göra poäng, och detta är ett exempel från CMMI, så är det hur de gör det. Återigen kommer du att ha dina egna instrumentpaneler, dina egna KPI: er, du vet, olika sätt folk mäts i en organisation. Men du har olika sätt att göra poäng och mäta din egen framgång. Min viktiga poäng att du bör ta bort från detta, eller en krok att ta bort från detta är att se till att du har ett sätt att mäta framgång och att du också kan fira dina framgångar.

Så med det uppskattar jag att du har hängt i det här spännande ämnet, och jag kommer att vända mig till Ron, det kommer att gräva lite djupare.

Ron Huizenga: Tack, Jen. Och tack, alla för att du gick med oss ​​idag. Jag ska nu ta ett par aspekter av det Jen talade om och gå lite djupare på vissa områden. Men vad jag också ska göra är att ge en slags sammanfattning av hur du åtminstone kan ha en slags självbedömning på hög nivå av vissa av dessa områden också. För som du såg med CMMI-modellerna och den typen av saker, kan du gå mycket djup mycket snabbt med många olika indikatorer. Så vad vi verkligen vill komma till är något så att du kan få en god känsla för var din organisation befinner sig på en ganska hög nivå och sedan börja borra i de andra. Så med det kommer jag att prata om organisatorisk effektivitet. Och jag kommer att basera det på CMMI och några av de andra standarderna eller kunskapsorganen som har slagit fram från det under åren. Och sedan kommer jag att prata om några av mognadsindikatorerna för datamognad och processmognad eftersom, när vi går igenom detta, kommer du att se att de går hand i hand. Och som stödjande perspektiv talade Jen om styrning på ett område. Och jag ska också prata lite om företagsarkitektur också. Och sedan sammanfattar vi det och kommer till själva rundbordet.

Om vi ​​tittar på det finns det många standarder och BOK: er som naturligtvis är kunskapsorgan - som har publicerats genom åren. Många av dessa har verkligen härstammat från förfallsmodellens förmåga. Och det är här CMMI som Jen talade om kom från. CMM-modellen var faktiskt 1998. Den startades faktiskt av en gentleman vid namn Watts Humphrey när han var med IBM. Han hade en 27-årig karriär på IBM. Men hans verkliga aktiva utveckling av den specifika modellen började när han var på Carnegie Mellon och den beställdes av det amerikanska försvarsdepartementet. Många andra standarder har använts för att härleda detta. Och något som är mycket bra att veta om branschen när vi pratar om detta i några av de andra standarderna är, när vi tittar på tidpunkten för detta, är det också mot bakgrund av saker som vi såg inom industrin i allmänhet. Detta var när kvalitetsrörelsen verkligen började ta tag, särskilt inom tillverkningen, och som snurrade till andra områden. Där vi tittade på sätt att förbättra tillverkningsprocesser, göra saker som total kvalitetshantering, just-in-time tillverkning och andra saker. Och en hel del filosofier som kom ut från det kom in i hela kvalitetsarbetet.

Och det är verkligen en slags hoppplats där många av dessa saker började. Det började i den allmänna branschen och tog sig också in i IT och data och process- och informationssystem. Andra standarder som vi ser som är närmare besläktade eller mer specifika för några av de saker som vi pratar om är naturligtvis datamodellen, som Jen pratade lite om. Det finns också affärsmetodens förfallsmodell av Object Management Group. Och ett antal andra standarder som du kanske har sett att din organisation kan kämpa med eller använda för olika verksamhetsområden, särskilt IT-driven, till exempel COBIT, som är kontrollmål för information och teknik, ITIL, som i allmänhet är infrastruktur -fokuserad, som många av er kanske har hanterat. Återigen total kvalitetsstyrning. Och speciellt när du kommer in i saker som statistik och allt annat kan du ha sett saker som statistisk processkontroll också komma in. Och så är naturligtvis några kunskapsorgan som vi hanterar med information eller IT-proffs. Datahanteringsorganet för kunskap av.

Det finns också, likvärdigt med det, kunskapens affärsanalys. Och projektledningens kunskapsorgan. Du kan ha flera eller flera av dessa saker i spel som används av olika intressenter i din organisation samtidigt. Men låt oss filtrera ut genom BOK: er och låt oss gå tillbaka och säga, vad är mognad? Och vi listar definitionen av mogna eftersom, när du frågar vad mognad är, när du letar upp den i ordboken, säger den faktiskt "du är mogen." Så med ordet "mogen" betyder det verkligen att ha nått en avancerad utvecklingsstadium - naturligtvis väldigt generiskt. Men det vi verkligen tittar på här är att främja det vi gör till en högre och högre nivå när vi går igenom. Och när du tittar på många standarder, som du ser, CMMI i synnerhet och kapacitetsmognadsmodellen verkligen baserade saker på en fempunktsskala, så det ger oss ett gradvis sätt att se och säga, hur är vi utvecklas faktiskt längs denna skala i hur vi växer?

Men när vi tittar på mognad måste vi vara i balans när det gäller att uppnå organisatorisk mognad med de saker som vi är intresserade av. Du måste uppnå datamognad, och vi pratar om några av de kriterier som du måste göra där, men du måste uppnå processmognad samtidigt. De är två sidor av samma mynt och de måste gå hand i hand. Du kan inte gå från, till exempel, noll till fem på en datamognadskala utan att öka din processmognad, och detsamma gäller för processmognad. De är båda sammanfogade och de drar varandra med på resan när du faktiskt utvecklas genom de olika etapperna. Och jag ska prata om det lite mer i en framtida bild här. De andra sakerna vi måste inse är att uppnå både data och processmognad är grundläggande för företagets arkitektur och grundläggande för några av de styrsaker som Jen också pratade om. Vi möjliggör dem genom att uppnå mognad i några av dessa saker som vi försöker göra.

Nu på bilden som Jen sa att jag skulle prata om mer detaljerat. Jag har tagit bara några kategorier, och med hjälp av CMM-skalan här, och jag har faktiskt min egen, lägger jag faktiskt till en noll i termer på toppen av skalan eftersom det kan finnas vissa fall där du faktiskt inte har gjort någon dragkraft alls i dessa fall. Så det här är bara sätt att identifiera som har inträffat. Så om vi särskilt tittar på datastyrning kan du börja med noll eftersom du inte har några datastyrningsprogram på plats. Och när du börjar mogna genom de olika områdena, när du börjar introducera det på projektnivå, sedan en programnivå, genom divisioner och i slutändan företagets hela, så är du, från ett styrelseperspektiv, faktiskt mognar och växer du en organisation när du gör detta.

Andra aspekter av det, till exempel masterdatahantering, kan du börja på noll utan formella klassificeringar av materiedata. Då kommer du till, du växer till en punkt där du inser att du har stamdata och att du börjar klassificera, men det är inte integrerat. Sedan börjar du arbeta mot integrerade och delade förvar. När du kommer in i en standardiserad miljö är det när du tittar på att tillhandahålla datahanteringstjänster. Och när du går vidare där uppe kommer du att inrätta förvaltaruppgifter och så småningom ett datatillsynsråd som verkligen ser på detta allvarligt hela tiden. När du tittar på din tekniska miljö och de applikationer och databaser som du har från ett dataintegrationsperspektiv, återigen, i en omogen miljö, kommer du att ha ett antal ad hoc, punkt-till-punkt-gränssnitt och den typen av sak. Och när du växer igenom börjar du introducera några vanliga verktyg och standarder. Då börjar du titta på vanliga integrationsplattformar när du växer ut det. Och när du blir standardiserad arbetar du med standardiserad mellanprogram och möjliga enkla saker som företagstjänstbussar, kanonisk modell, kategoriserar alla dina uppgifter i din organisation och kopplar ihop saker som affärsregler i ditt arkiv och den typen sak. Och sedan gå ännu längre där du får den helt inbäddad i organisationskulturen. Och naturligtvis är kvalitet mycket viktig. När Jen talade om, många beslut och många verktyg som finns där uppe, antar du att du har högkvalitativ data som du arbetar med. Så datakvalitet är något som är ett grundläggande underlag för att uppnå datamognad.

Återigen, när du tittar på uppgifterna kan du ha mycket silo och spridd information i omogna miljöer. Du kan ha inkonsekvenser som accepteras. Och sedan börjar du arbeta med det, känner igen det inkonsekventa och sedan börjar titta på planering. Och om du tittar på hanterade miljöer här, är något mycket viktigt här rensning av data vid konsumtion för att använda uppgifterna i beslutsfattande. Så det vi verkligen pratar om där är datorengöring, där vi kommer att ladda det i datalager och andra beslutsstödverktyg. Och detta är analogt med vad vi brukade se i datatillverkningstypen av industrin där människor skulle bygga produkter, de skulle ta sig ner på monteringslinjen och i slutet av den skulle du inspektera produkten och gå, "Åh, vi har fel här. ”Återigen, en sak som du aldrig kan göra är att du aldrig kan förbättra produktens kvalitet genom att kontrollera den i slutet. Du kan se problemen med det och sedan kan du vidta åtgärder för att förbättra nästa och andra som kommer ner efter det, men du kommer aldrig att förbättra det genom att kontrollera det i slutet. Så det är här, när du går framåt, särskilt i data, flyttar du mer från en inspektion och en reningssynpunkt på konsumtionsplatsen där du börjar försöka bygga in den vid källan, precis där du fångar data, de processer som verkar på den informationen, vilket säkerställer att data är korrekta och passande för konsumtion vid varje process under hela vägen. När du utvecklas vidare börjar du utveckla och få en kvalitets KPI och börjar verkligen utveckla den förebyggande strategin för datakvalitet när du går framåt.

När det gäller organisatoriskt beteende eller saker som du ser är att om du inte tror att du har problem eller att du inte är medveten kan du vara, om det finns en förnekningsfas i din organisation, som säger att du är nere på en nivå noll eller potentiellt flytta in i en. Om det finns mycket kaos kring dina data och försöker lösa dessa inkonsekvenser, är du förmodligen på nivå. När du fortfarande är i ett reaktivt läge flyttar du till hanterade, men du kommer inte att bli standardiserad förrän du faktiskt har en mycket stabil datamiljö som omfattar både styrning, kvalitet, masterdatahantering och data integration, för att bara nämna några av punkterna. Och igen, när du väl har kommit förbi det, är det när du börjar bli riktigt proaktiv. Om du kommer till den del där du har ett mycket förutsägbart beteende och även analysen för att säkerhetskopiera den och KPI: erna för att säkerhetskopiera den i din organisation, när vi tittar på detta och överlagrar ett par saker, finns det några andra saker som vi kan se om organisationer och var de är. Låt oss titta på det primära IT-fokuset i en organisation. Om ditt primära fokus inom IT fortfarande är på teknik och infrastruktur, är du förmodligen nere mot det mindre mogna slutet av skalan. Men när du verkligen fokuserar på information och möjliggör information som möjliggör strategisk affärsaktivering, kommer du närmare den mogna änden av skalan. Även när du tittar på det från ett dataperspektiv, om du är i den låga änden, har du hög datarisk, och om du är i high end, har du sänkt risken relaterad till data. Och baksidan av det är värdegenerering av organisationen. Lägre datamognad innebär att du antagligen har en ganska låg värdegenereringsnivå, särskilt när det gäller de uppgifter du har i din organisation. Och när du går uppåt skalan får du en högvärdesgenerering.

Låt oss titta på detta i termer av själva datamodelleringen. Ibland har datamodellering blivit det röda huvudet. Och datamodellering är grundläggande för att uppnå datamognad. Så jag vill bara prata om några få tecken på hur datamodellering binder till detta. Om det bara används för dokumentation eller enkel, fysisk databasgenerering för små appar och den typen av saker, är du förmodligen nere på en nivå när det gäller datamognad. När du börjar omfamna och känna igen de olika typerna av modeller, inklusive konceptuell, den logiska modellen och den fysiska modelleringen där det också är, vet du, i princip kör du upp designen. Du använder det verkligen som designmässigt, då är du på en nivå.

När du börjar titta på det från en mer företagsnivå, inklusive att bygga ut företagsmässiga eller kanoniska modeller, introducera begreppen och knyta in flera modeller, datalinjer och bygga styrningsmetadata rakt in i dina modeller, börjar du komma till en nivå tre och sedan gå vidare till metadata med full styrning, integration av affärsordlistor osv. Att titta på livscykeln och värdekedjan är när du verkligen kommer till en nivå fyra. Och igen, helt integrerad modellering med affärsordlistor, metadata, att kunna driva saker som självbetjäningsanalys, det är verkligen när du har uppnått ett ganska moget tillstånd.

Som en del av det vill jag prata om livscykeln mycket kort. Och orsaken till att jag vill prata om det är datalivscykeln tyvärr ignoreras ofta. Och vad det handlar om, det beskrev verkligen hur ett dataelement skapas, läsas, uppdateras eller raderas och de processer som verkar på det i hela din organisation. Så de av oss som har varit i branschen länge hänvisar till detta som CRUD eftersom det är skapa, läsa, uppdatera och ta bort. Men vi måste förstå detta på en grundläggande nivå när vi arbetar med uppgifterna i vår organisation. Många faktorer kommer in. Vilka är affärsreglerna som agerar på det? Vilka är affärsprocesserna som konsumerar, producerar eller ändrar informationen? Vilka är de applikationer som faktiskt implementerar dessa affärsprocesser så att du kan göra det? Allt som spelar in när det gäller datalivscykeln.

Och återigen hänvisade Jen till detta tidigare - det kanske inte nödvändigtvis finns en källa till sanning. Och det kan finnas flera sätt att ett visst dataelement skapas. Och du kanske faktiskt måste komma in, olika saker kommer in genom flera system eller flera intag som du måste förena och lösa för att komma fram till vad den rätta datakällan är för just det beslutet vid den tidpunkten. Det kan finnas flera varianter av data för olika ändamål i en organisation. För att kunna uppnå detta måste du kunna modellera affärsprocesser, datastamning som inkluderar dataflöden, integration och som inkluderar saker som ETL, så extrahera, omvandla och ladda för ditt datalager, datamart och iscensättningsområden och naturligtvis kommer datalänkar på big data-sidan också in. När du drar denna information ur datasjön måste du veta hur du konsumerar den och hur du använder den. När det gäller själva livscykeln är det verkligen hur vi skapar eller samlar in nya data, hur vi klassificerar det - eftersom du måste klassificera det för att förstå och arbeta med det effektivt - hur du lagrar det, hur du använder den, hur du modifierar den till den affärsprocessen, där den delas i organisationen - och mycket viktigt: bevaring och arkivering. Hur länge behåller du informationen? När arkiverar du det? När förstör du i slutändan den informationen? Alla dessa saker måste beaktas i din datalivscykel och du måste göra alla dessa för att uppnå en hög nivå av datamognad i din organisation.

Nu vänder sidan, igen, sa jag att de är typ av tvillingar där du behöver prata om processmognad i samband med datamognad - de går hand i hand. Återigen, jag har några olika saker här och - oroa dig inte för att jag inte kommer att läsa igenom alla dessa, men bara en typ av en checklista så - igen kan du börja självvärdera var din organisation är i termer av processmognad. Låt oss titta på saker från första början igenom de optimerade sidorna igen. Återigen använder vi samma fempunktsskala som härstammar från kapacitetsmognadsmodellen. Om du tittar på saker som fokus, om du är nere på en lägre nivå eller den inledande nivån på processmognad, kan du hitta i din organisation att människor verkligen litar på sina egna metoder för att utföra sitt arbete. Och du kanske ser några hjältar och den typen av saker för att kunna få saker gjort. Sedan börjar du komma till en punkt där du är mer aktiv med det, där din ledning tar ansvar för arbetsenheter och prestanda. Sedan börjar du utveckla de integrerade standardprocesserna. Sedan processstabilitet och återanvändning. Då börjar du se mer av en kultur för mentorskap och statistisk hantering för att beräkna statistik och KPI: er för dessa processer och slutligen till full optimeringsnivå.

När du tittar på arbetshanteringen kan du gå till, du kommer att gå från ett område där du har inkonsekventa nivåer av arbetsledning till mer hanterad, där du balanserar åtminstone på en högre nivå dina åtaganden till resurser. Därefter till en punkt där du har en mer anpassningsbar eller smidig organisation så att du kan standardisera dina processer men skräddarsy dem för det bästa som används under olika omständigheter i din organisation. Och när du kommer till avancerat är det där empowerment är mycket viktigt, och det betyder vad alla intuitivt förstår vad som händer och personalen har processdata, så att de kan utvärdera och hantera sitt eget arbete.

Återigen till tillverkningsanalogin - när vi såg att när vi började modernisera våra monteringslinjer och allt liknande inom industrin, började vi prata om den totala kvaliteten och arbetskraftsstyrkan även på monteringslinjen, där om någon såg något fel i något särskilt produktionsstadium fick människor befogenhet att slå på den stora röda knappen och stänga av hela monteringslinjen tills problemen löstes innan saker gick vidare. Och det är den typen av mentalitet och den typ av kultur som vi letar efter data i våra processer för att se till att vi faktiskt optimerar våra data och våra processer i vår organisation.

Andra indikatorer på din kultur - är din kultur stagnerande i termer av att ingen identifierbar grund för verkligt engagemang i förbättring av dina affärsprocesser? Finns det en delegation av ansvar, som vi ser längre upp i skalan? Och när du går vidare kan du fortfarande ha silor, men när du börjar gå upp när det gäller kulturen och sakerna du gör i din affärsprocess, bryter du också ner de olika affärssilon och utnyttjar processer över hela din organisation. Det är väldigt viktigt att när du kommer till evenemangsfasen är det du verkligen baserar på det, snarare än tarmkänsla, att du faktiskt samlar in kvalitetsmätningar och att du har statistik på plats för att förutsäga din förmåga att prestera ditt företag operationer, och det är oerhört viktigt.

När det gäller arkitektur, låt oss prata om det eftersom många av oss här är inom IT eller alltid tittar på IT. Återigen samma typer av saker som vi såg i uppgifterna. Vi har desperata IT-system om du verkligen är nere i början av processmognad. När du börjar hantera dina processer kommer du att se vissa tjänster som skapas där du verkligen använder mer av en tjänstebaserad strategi. Om du sedan blir standardiserad, kommer du att se mer av en fullserviceadoption när det gäller data och tjänster och processtjänster och den typen av saker, precis där du kommer till en fullservice eller en ny arkitektur. Och så slutligen till ett fullständigt processdrivet företag som använder dina data.

Återigen samma vågar när vi tittar på detta. När det gäller produktivitet, på en låg nivå av processmognad, kommer du att se låga produktivitetsnivåer och hög processmognad, du kommer att se mycket högre produktivitet. Och kvalitet går hand i hand med det också. Samma som med uppgifterna - om du har en låg mognadsnivå kommer du att se en hög risknivå och också en hög avfallsnivå. Men ju högre din mognadsnivå kommer du att sänka den och sänka din risk och minska avfallet betydligt. När det gäller några av de saker du kanske ser som slags symptom eller indikatorer i en organisation, om den primära filosofin bygger på kostnadsbesparingar, är du förmodligen nere på en låg nivå av processmognad. Det kommer sedan att gå ut och gå upp mot att titta på effektivitet närmare i din organisation och sedan när du kommer till en mycket mogen nivå kommer du att fokusera på värdeskapande igen.

Ur ett organisationsledningsperspektiv, om kaos härskar, är det vanligtvis ett symptom på, återigen, organisationer med låg processmognad. Men du börjar fokusera på det jag kallar mer en ledarmentalitet där - och det kan finnas en del ledning genom dekret eller genom att införa saker - där du verkligen då, när du kommer till de mer mogna nivåerna, översätter din ledning till mer av ledarskap. Med andra ord, filosofin om förbättring är inbäddad i kulturen och från VD och ned, de främjar hela filosofin om att förbättra processer och ständiga, kontinuerliga förbättringar i din organisation som helhet.

När det gäller processmodell - och jag kommer att gå igenom dessa saker ganska snabbt här - låt oss igen titta på processmodeller när de binder sig till själva processmognaden. Återigen, väldigt lik de saker som vi såg på datamognaden, där du på låga nivåer eller nivå en kanske bara dokumenterar processer eller den aktuella tillståndsprocessen, men du använder verkligen inte det för att driva saker framåt. När du börjar mogna, kommer du att använda affärsprocessmodelleringen för att driva upp den faktiska affärsprocesshanteringen i organisationen, sedan utvecklas ytterligare där du använder den och kontinuerligt uppdatera dessa modeller för att driva processförbättring till där du i slutändan komma till processdesign. Och när du blir fullmogen, eller, du vet, vad du vanligtvis ser i mager eller organisationer som har antagit program av högre kvalitet, till exempel Sigma, är det igen där du har den kontinuerliga förbättringsmentaliteten och den är ingripen precis i modelleringen av din organisation. Så precis som vi använder tekniska ritningar för att bygga produkter, oavsett om det är flygplan eller byggnader och skyskrapor och den typen, så litar vi på att våra modeller faktiskt driver våra affärer framåt, för det är designelementet som faktiskt driver våra organisatoriska element framåt .

Nu, igen, kommer jag inte gå igenom detta och varje enskilt ord här i detalj. Det jag har gjort är att jag har tagit de två enklare rutnäten och jag har valt ett antal ord som användes i några av de andra beskrivningarna för både datatid och processmognad. Så när du tittar på detta efter det faktum kan du börja tänka på några av de ord som du ser komma ut i dina egna interna kulturer när det gäller saker som sägs. Och det hjälper dig att börja klassificera var vi, som en övergripande organisation, börjar passa på denna mognadsskala totalt sett. Så om du ser saker som inkonsekvens eller stillestående eller ineffektivitet uppstår ganska ofta eller kaos, kommer du vanligtvis att vara i den nedre änden av skalan. När du börjar tänka på saker som kontinuerlig förbättring, strategisk anpassning, ett förebyggande tillvägagångssätt för defekter och kvalitet och den typen av saker, full integration och du pratar om bästa praxis i konkurrensfördel, det är när du ska se dig själv upp vid optimeringen, högre ände av skalan.

Återigen, något som jag också vill påpeka att när du börjar titta på datastyring, särskilt när du tittar längst ner på skalan, är i början, kan datastyring bara införas på enskilda projektnivåer. Du måste utvecklas till en punkt där datastyrningen och det specifika målet är från projektdatastyrning och har utvecklats genom program- och divisionsstyrning, där det återigen är företagets breda och inbäddade i organisationen som helhet.

Jag har talat om det faktum att det här är tvillingar som fungerar tillsammans när det gäller datamognad och processmognad. När du uppnår denna mognad är på ena sidan av skalan en resa och du kan inte hoppa steg. Om du är i noll måste du utvecklas genom steg ett, två, tre, fyra och slutligen komma till fem. Och det finns väldigt få organisationer i världen som faktiskt är vid fem. Så många organisationer skulle mer än gärna vara på en punkt där de är i tre och sedan kunna använda det som en språngbräda framöver. Och igen kan du inte gå, du kan inte vara på fyra från en datamognad och en vid en processmognad. Det fungerar bara inte eftersom de är så sammanflätade att du måste förstå och ha ett bra handtag om dina data och processer i samband med varandra.

En bra analogi att tänka på som det är, på din resa mot organiserad mognad, låt oss anta att ditt team består av två personer: Den ena är processmognad och den andra är datamognad. Du kör en hinderbana och du är bunden med ett kort rep. Och för att komma till slutet av kursen betyder det att ni båda måste komma igenom, inte bara alla hinder, utan att ni måste komma igenom alla hinder nästan samtidigt eller väldigt nära varandra för att vara kunna gå vidare och komma till nästa hinder. Det är ett riktigt bra sätt att tänka på att balansera processmognad och datamognad. Så med andra ord, du kan vara något processcentrisk och du kan vara något datacentrisk, men det kommer att bli en ledande indikator, och det kan inte vara mycket gap att faktiskt få dig upp genom nivåerna.

Och när vi tittar på det igen från datastyring, är en av de saker jag ville påpeka om du inte var medveten om att DAMA faktiskt släppte Data Management Body of Knowledge Volume Two tidigare i år, och av de saker som ändras finns det faktiska DAMA-hjulet. Och jag representerade det faktiskt lite annorlunda, där datastyrningen står i centrum och de tio olika kategorierna runt det olika hjulet. Något som är mycket viktigt att se här är datamodellering och design har faktiskt sina egna områden på hjulet nu - det var lite blandat i de andra, tidigare. En av de saker som är en mycket grundläggande punkt här är datamodellering särskilt är grundläggande för alla dessa andra aspekter eftersom, oavsett om vi gör datamodellering av våra databaser eller metadata som vi har att göra, har datamodellering en roll att spela i alla dessa andra stycken som vi pratar om. Och processmodellering har också en roll att spela i många av dessa saker, förutom att vi förstår själva uppgifterna, måste vi förstå hur de används och det är hur processmodellering verkligen hjälper oss att göra det.

Låt oss nu byta redskap lite och prata om företagsarkitektur. Och modeller är också avgörande för företagets arkitektur. Och jag baserar detta på exempel och det är Zachman-ramverket som jag visar här mycket snabbt. Och när du tittar på detta ser du flera saker här. Du ser vad, hur, var, vem, när och varför är typ av skala längst upp. Och sedan går du igenom mer detaljerade nivåer av utarbetande, om du kommer, vad gäller typer av modellering eller typer av saker som du utarbetar när det gäller företagets arkitektur från en mycket hög kontextuell nivå ner till en detaljerad nivå, inklusive fysisk implementering. Om du tittar på de första kolumnerna, vad är mycket datakrävande och data involverade. Hur är mycket processdriven. Och om du tittar på de andra aspekterna kommer du att använda en kombination av process- och datamodellering när det gäller att driva upp resten av informationen. Du kommer att ha data om alla dessa olika saker och dina processmodeller kommer också att binda in saker, som där saker händer, ansvaret. Och även när det gäller processmodelleringen som vi gör i våra verktyg kan du börja knyta detta till mål och relationer och affärsregler som driver dessa olika saker du gör.

Ur ett övergripande perspektiv på Zachman-ramverket är ett av de goda sätten att tänka på detta också att du är modelldriven och du faktiskt går igenom de olika nivåerna. Så du börjar med en hög nivå och det kontextuella. Du utvecklas sedan mot affärsmodeller, ner i systemmodeller, sedan teknikmodeller och sedan din mycket detaljerade representation av de tekniska modellerna också. Och igen representerar data vad, processen är hur och det är verkligen en kombination av data och processinteraktion som driver alla andra egenskaper här.

Baserat på det är det inte en slump att sättet vi ser på företagets arkitekturidé baseras lite annorlunda än vissa andra kan. Ganska ofta hör du om de fyra pelarna i företagsarkitektur är data, förvärv, affärs- och teknisk arkitektur. Vi ser på det lite annorlunda än så. Vi ser dataarkitektur som den grundläggande grunden som driver all företagsarkitektur av två skäl. En, det är där det började. Till och med saker som Zachman-ramverket växte främst ut ur dataarkitektur och växte sedan till att omfatta de andra aspekterna av arkitekturen också. Och två, för det grundläggande bandet mellan process och data. Det är därför vi ser affärsarkitekturen som den centrala pelaren i företagets arkitektur. Och sedan kompletteras det naturligtvis av applikationsarkitektur och teknisk arkitektur, som är absolut nödvändiga möjliggörare, så att vi kan driva verklig företagsaktivering. Nu, när vi tittar på det i termer av ER Studio Enterprise Team Edition, vår integrerade modelleringsplattform, så är detta hur det spelar in. Och detta är ett högt sammanhangsdiagram över en del av modelleringen som vi gör och några av de grundläggande bakom det. Och detta drivs faktiskt in, detta är faktiskt diagramt i ett processdiagram. Så när vi särskilt tittar på vår dataarkitekturbit och vår affärsarkitektur nedanför levererar vi rollbaserade verktyg.

Och när du tittar på vårt affärsarkitektsverktyg nere i det nedre vänstra hörnet är det där typiskt affärsanalytiker och affärsarkitekter arbetar. Och de fokuserar vanligtvis på några av affärsprocesserna och börjar driva dem ut. Men de är också fokuserade på vad. Så då börjar vi göra en viss konceptuell datamodellering och den typen av saker. Vi kan utnyttja och ta med de konceptuella modelleringskomponenterna i vårt datamodelleringsverktyg och till dataarkitekten, där de vidareutarbetas till logiska datamodeller och naturligtvis i slutändan de fysiska modellerna så att vi kan generera de fysiska databaserna. Och vi kan också driva tillbaka så att de konceptuella modellerna uppgraderas även i affärsarkitekturutrymmet. En mycket viktig sak här är att vi stöder de olika modellerna. Så, återigen, BI är mycket viktigt och dataljöer och den typen av saker, så vi gör faktiskt en del modellering också, och också som en del av det, gör vi datalinjemodellering. Så inte bara ETL när det gäller hur du gör kartläggningen från dina fysiska modeller till dina dimensionella modeller för datalager eller till och med tar in saker från dina dataljöer och ser hur dessa kartlägger ut, vi kan binda alla dessa saker. Förutom vidarebefordring av backteknik från andra modelleringsplattformar, från big data-plattformar.

Och sedan också saker som ETL-verktyg, så vi faktiskt kan börja härleda datatrafikdiagram direkt från ETL-specifikationer som du kan ha i din egen miljö. Det är också mycket viktigt att veta att vi har behövt utvidgas utöver relationell modellering. Vi har vissa plattformar som Hive och särskilt MongoDB, vi börjar nu prata om dokumentaffärer, där vi har koncept som inbäddade objekt och matriser. Vi har faktiskt utökat notationen för att kunna tillgodose dessa typer av modeller också eftersom det är ett icke-relationellt koncept. Allt vi skapade i dataarkitektverktyget när det gäller dataartefakter, oavsett om det är logiska enheter eller fysiska tabeller och deras attribut, kan sedan skjutas tillbaka till affärsmodelleringen. Så när du utarbetar dina affärsprocessmodeller från en hög nivå och ner till en lägre nivå kan du faktiskt länka in faktiska dataelement. Så du kan agera, vi kan specificera CRUD-matriser för vad som faktiskt händer. Så det ger dig den datalivscykeln som jag talade om med skapa, läsa, uppdatera och radera på processnivå. Och vi utför även full BPM-processmodellering med vår egen uppsättning överlägg, så att du kan börja knyta samman affärsstrategier, affärsmål. Vi kan också binda in applikationer som implementerar dessa affärsprocesser, allt från en modellstyrd synvinkel.

Andra saker är extremt viktiga är också i våra datamodeller. Egenskaperna för datastyring eller datakvalitetsegenskaper behärskas och hanteras. Du kan definiera och bygga dina egna metadata där för de egenskaper du vill spåra, och det innebär att du nu använder din modell som planen för att driva det genom hela organisationen, till dina metadataförvaring och allt annat. Och naturligtvis, en av begränsningarna för modellering, för många år sedan när många av oss började i branschen som gör detta, är att vi skulle producera dessa modeller. Vad skulle vi göra? Vi skulle skriva ut dem, lägga dem på en vägg, eventuellt för teammedlemmar att dela och den typen av saker. Det verkliga värdet av detta är att kunna dela och samarbeta i våra organisationer. Så det är därför vi har ett förvarsdrivet tillvägagångssätt för var vi checka in och kolla in våra modeller och arbetsytor. Och vi delar dem med våra beståndsdelar som är organisationen, oavsett om de är andra tekniska intressenter, affärsanvändare och den typen av saker. Och binda det också i vår samarbetsplattform som heter Team Server.

Så vi talade om tidigare affärsordlistor och termer och vikten av det och att utveckla det ordförråd för företaget. Det har allt varit i Team Server, där användare, affärsanvändare kan samarbeta om dessa villkor. De är synliga, användbara i dataarkitekt, till exempel nära datamodeller och naturligtvis kommer många av dessa affärsordlistor ofta från några av de datalister som vi har skapat i våra datamodeller. Vi kan driva ut dem för - Även från dataarkitverktygen är en utgångspunkt affärsordlistan, där de kan förfinas ytterligare och allt med förändringshantering också.

Det var mycket. Bara för att sammanfatta, ett par saker som vi pratade om är att prova en riktig organisatorisk mognad, du behöver en balanserad strategi som består av datamognad och processmognad. Du kan inte uppnå en utan den andra. Återigen, grundläggande, måste du ha både och måste lita på detta, särskilt datamodellering och processmodellering för både företagsarkitektur och datastyring och processstyrning samt i dina organisationer. Företagsarkitektur kopplar det verkligen samman när det gäller att titta på dessa olika aspekter och perspektiv. Du behöver en solid grund för dataarkitektur för att göra det och du behöver integrerad processmodellering för att ge det affärsförhållandet och låta dig driva din affärsprocess och din datakonsumtion framåt. Återigen viktigare än någonsin tidigare. Jag kan säga, vad som är gammalt är nytt igen. Så datamodellering, processmodellering, avstamning, metadata och ordlistor är grundläggande för att kunna uppnå detta och ER / Studio Enterprise Team Edition är en samarbetsplattform som förenar allt detta.

Och med det kan vi gå vidare till frågorna.

Eric Kavanagh: Okej.

Ron Huizenga: Vi går till dig, Eric.

Eric Kavanagh: Ron, jag måste tippa min hatt till dig för all ansträngning du gör för att dokumentera dessa olika processer och ramverk. Det är mycket material du har fått där. Jag antar att den stora frågan jag har är vem som borde ha tillsyn över det här i en organisation, eftersom du berör så många olika saker. Du beräknar processer, det kommer att bli en chef för operatören eller någon operatör. Data livscykel, tror du att det kanske kommer att bli en chef för datatjänsteman. Du rör så många olika delar och så många olika komponenter till verksamheten. Hur hittar du rätt person eller grupp människor, och är det en styrkommitté? Vad är det? Vad kan du berätta om vem som borde göra detta i en organisation?

Ron Huizenga: Du vet, det är en intressant fråga. Vi kan faktiskt spendera en dag på att diskutera fördelarna med olika olika tillvägagångssätt där. Men något som jag definitivt såg, du vet, när jag konsulterade innan jag kom in i produkthanteringsrollen, är när jag tittade på organisationen, det har varit en del av problemet är att få ägandet och få människor att ta ägande av detta. Och när vi tittar på disciplinerna som vår datamodellering och till och med vår affärsprocessmodellering, eller i början, till och med, dataflödesdiagram och sådana saker, växte den typen av IT ut. Men när vi har kommit framåt, och jag tror nu att vi erkänner mer och mer att detta verkligen måste vara affärsdrivet. Så du vill verkligen att ägandet för detta ska vara i branschen.

Och jag kommer att kränka en del IT-människor här, men jag är övertygad om att anledningen till att vi har sett utvecklingen av rollen som chef för datatjänsten är CIO-rollen har misslyckats med detta i de flesta organisationer. Och det beror på att många av CIO: erna är tekniskt fokuserade snarare än data och processfokuserade. Så jag tror att du verkligen måste ha det, du kommer förmodligen att behöva någon typ av styrgrupp i de större organisationerna. Men detta måste verkligen ägas av verksamheten. Jag skulle göra argumentet om att ditt företag, din processmodellering, din datamodellering, alla behöver höra till i branschen, för det ger dig möjligheten att säkerställa att IT, vem som är vårdnadshavare för data och implementerar dessa processer genom vad de skapar, du har den hammaren för att se till att det händer om den faktiskt ägs av företaget.

Eric Kavanagh: Ja, jag tror att jag håller med det. Men Jen, vad tänker du på det?

Jen Underwood: Så det är verkligen intressant. Det var vad jag hänvisade till när jag sa att få människor att bry sig och vara interaktiva är förmodligen en av de viktigaste sakerna. Vid ett tillfälle, hade jag skrivit en vitbok om, det var självbetjäning BI-styrning som mycket liknar detta. Det handlar om att få det, hitta ett sätt att motivera människor, affärssidan av det, att få dem att bry sig om det. Och när de ser, eller de hittar, om det är datakatalogiseringen eller vilken vinkel det tar. Kanske minskar det transportkostnaderna, lägger något som någon har hållit ansvarigt för i organisationen, det är så du kan få det att ta hand om det. Och ja, verksamheten absolut. Affärsämnets experter kommer att göra eller bryta det.

Eric Kavanagh: Det är svårt. Jag tror att du alltid vill ha detta konsortium av intressenter från hela organisationen. Naturligtvis vill du inte analysförlamning. Du vill inte ha byråkrati för byråkrats skull. Det du vill är att organisationen ska ha en handlingsplan och att dessa saker ska dokumenteras. Du vet, jag tror att när du börjar prata om modellering av affärsprocesser, det var varmt för 25 år sedan, men det var mestadels fristående från den faktiska verksamheten. Jag tror att åtminstone i vissa branscher kan du dra mycket av den processen ur själva programvaran som kör saker. Men jag tror att vi i dag måste hitta ett sätt att balansera de två världarna, eller hur? Du vill ha processmodeller som är aktuella och uppdaterade och återspeglar vad som faktiskt händer. Så du vill inte ha det bara vara en separat övning där den är, den sitter på en hylla någonstans. Men det är, det blir lite utmanande, eller hur? Eftersom inte alla operativa system är i linje med den typen av körbar kod. Men vad tror du?

Ron Huizenga: Absolut. Och det är intressant eftersom en av de saker jag tittar på är när människor, du vet, vi har blivit ett omedelbart tillfredsställelsesamhälle. Folk tänker, "Åh, vi ska bara gå och köpa några verktyg och göra det här för oss." Det är som om du inte kommer att köpa processmognad. Du kommer inte att köpa datatid. Det är hårt arbete. Du måste rulla upp ärmarna och du måste få det att hända. Och mekanismen för att få det att hända är modelleringen. Det är för komplicerat för att inte ha en visuell representation av, inte bara det nuvarande tillståndet du arbetar med, utan att kunna utforma hur du ska förbättra de olika affärsprocesserna. Du behöver den visuella ramen för att kunna förstå vilken påverkan dessa förändringar kommer att göra.

Eric Kavanagh: Det är verkligen - jag bara twitrar; Jag tweetar det här just nu - "Du kommer inte att köpa processmognad, du kommer inte att köpa datamognad." Jag kan helt överens om båda dessa saker. Och Jen, jag skulle ta dig in för dina tankar. Och jag kommer att kasta en ny fråga ovanpå det. En av de deltagande frågar: vad menas med processdriven företag eller processmognad? Jen, kan du prata med det?

Jen Underwood: Jag kan faktiskt tala lite bättre mot föregående fråga. När jag tänker på, säger sanningen, är det den första du känner till verktyg. Det var en så stor, stor kommentar eftersom det är så sant. Men vad jag kommer att säga att det är ganska mycket bättre. Så jag granskar många lösningar och jag ser olika utrymmen och testar dem. Det som blir bättre är att upptäcka data, tagga och åtminstone ge dig en massiv körstart och också göra detta, när jag säger mindre smärtsamt är det nästan kul. Så föreställ dig att en datakatalog eller ett MDM-projekt är roligt. Det är, och du har folk i en organisation som använder denna information, oavsett om det är rapportering eller andra typer av saker och jag tror att någon till och med på linjen hade sagt, hej att få människor som bryr sig om sin individuella utvecklingsplan. Ja, ta till och med upp en nivå till. Det tar dessa saker och säger nu att vi har minskat felaktiga försändelser med 30 procent och det är hur mycket pengar som sparades. Det är bara att hantera våra data bättre. Det är sådana saker och du lägger pengar på det och du gör det roligt. Eller så gör du det intressant och relevant för vad de gör. Det är typ av magin, tror jag, det saknas i många av dessa engagemang som människor försöker göra detta i en organisation, och det har fastnat.

Eric Kavanagh: Ja, det är en bra poäng. Och, Ron, tillbaka till din kommentar för några ögonblick sedan kring vikten av att ha en visuell ram, jag tror att det är helt sant eftersom många gånger, om människor inte kan se något, det är verkligen svårt att linda huvudet runt vad det betyder, och säkert när du börjar prata om komplexa processer med beroendeförhållanden och kontrollpunkter och alla dessa saker, måste du kartlägga det någonstans vid något tillfälle, och idealiskt gör du det med programvara som har funktionalitet inbäddad i den för att katalogisera exempel, vilka transformationer som skedde med olika linjer från denna punkt till den punkten. Eller vad som är tillgängligt vid denna kontrollpunkt. Och jag hänvisar lite till min historia inom riskhantering där, där en kontrollpunkt är någon punkt i en process eller något alternativ eller en individuell eller mjukvaruapplikation där du faktiskt kan ändra något, eller hur? Det är vad de kallar en kontrollpunkt. Och för mig är det verkligen värdefullt att du får den visuella ramen. För då kan du se och typ av promenader och det tar bara tid. Det tar mänsklig hjärna tid att hantera saker och verkligen förstå det och därför optimera det, eller hur?

Ron Huizenga: Absolut. Och för att använda en annan analogi som jag tror sätter det i perspektiv: Jag är lite av en luftmutter, så skulle jag säga, om du försöker tänka på detta på ett parallellt sätt, tänk på att bygga en 747 - eller en Airbus 380, så jag väljer inte en leverantör över den andra - tänk på hur svårt det skulle vara att göra det baserat på dokument som endast består av text snarare än ritningar och 3-D CAD-ritningar och allt om hur som faktiskt monteras tillsammans.

Eric Kavanagh: Ja det skulle vara grovt. Och Jen måste också tala.

Ron Huizenga: Verksamheten är densamma, eller hur?

Eric Kavanagh: Ja, nej det stämmer. Jen måste prata med ett av dina heta områden du gillar att studera, vilket är visualisering. Du måste kunna visualisera något för att förstå det fullt ut, verkar det för mig.

Jen Underwood: Många människor gör det, ja. Och till och med bara en visualisering talar, vad är ordstävet, tusentals ord eller något liknande. När de ser det kan de tro det. Och de får det.

Eric Kavanagh: Jag håller med. Och jag älskar, Ron, på det sättet du har tagit det här tillsammans. Jag antar att jag bara frågar mig igen, du behöver en mästare i organisationen och vem som kommer att vara där ute, fungera som samband till olika grupper. Datatillsynsmän är något vi pratar om ofta - jag tror att det är en viktig roll och jag känner att det är en roll som har fått mycket mer uppmärksamhet under de senaste tre eller fyra åren eftersom vi har uppskattat värdet av data styrning, eller hur? Den datatillsynsmannen är någon som kan prata med företaget men också förstå systemen, förstå datalivscykeln, hela bilden. Och jag antar att den personen kan och borde förmodligen vara under VD: s regel, eller hur?

Ron Huizenga: Ja, och du kommer att behöva ett multifunktionellt team, eller hur? Så du kommer att behöva människor som består av ett team som gör det eller som kommer från de olika områden som representerar den tekniska sidan, känner du, de olika affärsområdena. Och du vet, beroende på vilken typ av organisation du är, om du har ett projektledningskontor och många av de initiativ du gör drivs av en PMO, kommer du att vilja se till att du har PMO engagemang samt bara för att hålla alla slags i harmoni och synkronisera hur de arbetar med saker.

Eric Kavanagh: Japp, och du vet, en sista sak, jag lägger den här sista bilden, styrningsramen. Vi fick en deltagare fråga, saknas data från den bilden? Är det, är data implicerade i bilden eller vad du tycker om kommentaren om data som saknas från bilden?

Jen Underwood: Nej, och detta är bara en generisk ram för styrning. I huvudsak kommer detta från BI-utrymmet för självbetjäning, så data impliceras i mycket av detta. Det kom bara från min vinkel och mina perspektiv och inte lika fokuserad på datasidan när det gäller att sätta ihop detta. Men data skulle verkligen vara, när du tänker på alla dessa delar, skulle det finnas data. Oavsett om det är grunden för data, ansvarsskyldighet som använder data genom hela processen och genom hela ramverket.

Eric Kavanagh: Ja, nej det är helt meningsfullt. Och jag antar att jag kommer att kasta bara en sista fråga till dig när vi slår upp här, Ron. Om jag tänker på hur mycket mer information och hur mycket mer data vi använder idag och hur långtgående organisationer är, vad är betydelsen av ekosystem i dessa dagar mellan kanalpartners och hur vi kan dela information över dessa partnerskap och i ett lite snabb referens av blockchain till detta - för att inte få saker för komplicerade. Sammanfattningen är att vi befinner oss i allt mer datadriven ansluten värld, både ur ett affärsperspektiv och bara från vårt dagliga liv. Och för mig kommer det bara att höja insatserna ännu mer för att organisationer verkligen ska titta hårt på vad du föreslår här, vilket är deras mognad, var de står och hur långt de är i fråga om kurvan och verkligen vara ärliga mot sig själva om det, eller hur? För om du inte vet bättre kan du inte göra bättre, och om du inte funderar på saker kommer du inte att veta bättre, eller hur?

Ron Huizenga: Exakt. Och jag antar att en fras som jag skulle använda är att du förmodligen inte är så bra som du tror att du är. Det kan låta svårt, men människor kan vara ganska optimistiska om detta, men om du tar en riktigt hård titt på det och en riktigt bra, kritisk självbedömning, tror jag att alla organisationer kommer att hitta, du vet, betydande luckor som de behöver adressera.

Eric Kavanagh: Jag måste hålla med. Och en av våra kollegor där ute kommenterade vikten av metadata, uppgifterna om data. Det råder ingen tvekan om det. Metadata är limet som håller samman alla dessa system och vi har fortfarande aldrig riktigt helt knäckt den koden och med goda skäl, uppriktigt sagt, eftersom metadata ändras. Det skiljer sig från system till system. Du vet, ju mer du försöker normalisera dina data, desto mindre exakt tror jag att det blir.

Så vi är typ i den konstiga världen just nu och jag kanske antar att jag kommer att utöka en fråga till dig, Jen, eftersom du nämnde datakataloger ett par gånger. Jag älskar verkligen denna nya rörelse av datakatalogteknologi som automatiskt skannar dina informationssystem, fastställer metadatakolumnamn, så vidare och så vidare, och hjälper dig stegvis att bygga upp den strategiska bilden av dina data och dina metadata i dina system. För mig att manuellt göra det, det är bara, det är bara för mycket. Och du kommer aldrig att komma till toppen av den kullen innan lavin kommer ner på dig och, du vet, du antingen har normaliserats till punkten för att spela deggrå eller så har du inte normaliserat tillräckligt där du verkligen inte Jag vet inte vad som händer. För mig, att använda maskinerna, maskininlärningen som vi fortsätter att prata om, det kommer att vara nyckeln i framtiden att hjälpa oss åtminstone få ett rep runt tillräckligt med data för att ha en god förståelse för vad som finns där, rätt Jen ?

Jen Underwood: Ja, det gör jag. Jag älskar dessa tekniker. De är väldigt, väldigt coola. Och sedan tänker du på det, det ger dig den massiva körstarten. Och sedan kan du skaffa massor. Du har dina datatillsynsmän, du vet att du tar dig framåt, oavsett om de lägger till sin egen dokumentation eller så är det perspektivet där ute, det är förändringarna. Du vet att du säger att det är de certifierade datakällorna som ska användas för rapportering. Människor kan söka och hitta rätt data. Det är verkligen ganska trevligt. Och hjälper också till - när jag tänker på affärer och hur kryptisk datahantering var när jag var när jag gjorde DBA-saker - använde vi utökade egenskaper och SQL Server och skannade med verktyg som IDERA: s? För att försöka skapa en datakatalog. Men i DBA eller dataarkitekters version av, vet du, oavsett vilket värde det var eller vilken kolumn eller fält var, det stämmer säkert inte med vad verksamheten var. Så nu att verksamheten ska kunna verkligen enkelt, du vet, gå in och hitta och hantera och att allt ska vara målbaserat, det är verkligen, jag önskar att vi skulle ha haft det för länge sedan, helt uppriktigt. Så det blir mycket bättre.

Eric Kavanagh: Det är roligt. Vi har fått en sista kommentar från en publikmedlem och säger att blockchain kanske kommer att vara den mest värdefulla för att sätta en stämpel för autentisering för metadata. Det är en bra poäng och, du vet, blockchain är verkligen fantastisk teknik. Jag ser det som ett slags sammanhängande fundament för att ansluta många punkter mellan system och applikationer och så vidare. Och du vet, vi befinner oss i de tidiga stadierna av blockchain-utvecklingen, men vi ser nu att det är naturligtvis avstängt från den punkten där det ursprungligen kom fram, och nu har du fått IBM att jobba väldigt hårt på blockchain-teknologier. SAP har köpt in allt detta. Och verkligen är det, det ger en möjlighet för en djupare grund och ram för att koppla samman alla dessa system och alla dessa punkter.

Så, folk, har bränt väl över en timme. Tack för att du stannar tillsammans med oss ​​idag, men vi gillar alltid att svara på dina frågor och komma till alla kommentarer. Vi arkiverar alla dessa webbsändningar för senare visning, så hopp online till insideanalysis.com, där du kan hitta länken till det. Det bör vara uppe inom några timmar, vanligtvis efter evenemanget. Och vi kommer att komma ihåg dig nästa gång. Vi fick ytterligare ett par evenemang nästa vecka - massor av saker som pågår. Men det kommer att säga dig farväl, folkens. Tack för din tid. Ta hand om dig. Hej då.