[IT Systems] Data znamenají moc

Firemní data velmi často takovou péči nemají, a to i přesto, že jejich cena a dopady spojené s případnou havárií mohou být významnější než u vozového parku. Stará se o ně řada profesí s jasně definovanými odpovědnostmi, jako jsou například dispečeři nebo opraváři.

Firemní data velmi často takovou péči nemají. Přesto mohou být jejich cena a dopady související s případnou havárií významnější než u vozového parku. Ano, nejde zde obvykle o lidské životy, ale život firmy s nedostatečnou datovou analytikou v mnoha případech ohrožen je.

Důvodem takto nízké péče od data je skutečnost, že stále nejsou posuzována jako firemní aktivum, jehož hodnota by měla být sledována, udržována a obnovována. Data jsou sice vnímána jako velmi důležitá,  nezbytná pohonná hmota pro business, ale jejich ocenění, zrovnoprávnění s firemními auty, stroji nebo budovami stále chybí. A to i přes to, že ve většině datově intenzivních firem patří spolu se zaměstnanci k tomu nejdůležitějšímu, čím firma disponuje.

Je na čase si přiznat, že kdo má data, má i moc. Datovou moc můžeme chápat jako schopnost vědět něco dříve než ostatní a díky tomu něco vykonat nebo způsobit. Alternativně se na ni můžeme dívat jako na schopnost hluboké znalosti, kterou ostatní nemají, díky které můžeme někoho ovládat nebo mít nad někým převahu.

To jsou klíčové faktory úspěchu jakékoliv firmy. Firemní akvizice se dnes často dějí právě kvůli aktivům, jako jsou data, zaměstnanci nebo know-how. Málokdy se firmy kupují  nebo prodávají primárně kvůli tomu, že mají pěkný autopark.

Uznání dat jako jednoho z klíčových aktiv firmy často brání finanční oddělení, protože data není jednoduché účetně ocenit. Tento problém se ale postupně daří odstraňovat, což otevírá cestu podnikům si důležitost dat přiznat a začít s nimi nakládat odpovídajícím způsobem.

Data Governance

A jak vlastně o data pečovat? To, že má firma nastavenou datovou infrastrukturu, že se každý den ukládají nová data do datového skladu a vznikají nebo se aktualizují nové reporty, ještě neznamená, že je o data správně pečováno. Bylo by to stejné, jako se každý den dívat na firemní automobily a být spokojen s tím, že jezdí, zatímco by měl být kladen důraz na to, že jsou v pořádku pod kapotou a že budou bezpečně jezdit i zítra.

V oblasti dat jsou výše uvedené požadavky označovány termínem „data governance“. Ta je chápána jako proces zajišťující správu dostupnosti, použitelnosti, integrity a zabezpečení dat v podnikových systémech na základě interních datových standardů a zásad, které kontrolují i využití dat. Efektivní správa dat zajišťuje, že data jsou konzistentní a důvěryhodná a nedojde k jejich zneužití.

Správně navržený program správy dat obvykle zahrnuje tým správy a řízení dat, řídící výbor a skupinu správců dat. Tyto týmy společně vytvářejí standardy a zásady pro správu dat a také implementační a provozní postupy a směrnice, které jsou primárně prováděny správci dat.

Výše uvedená definice může znít poněkud těžkopádně, ale přesně vyjadřuje, co je potřeba v oblasti dat dělat. Svou strukturou se principiálně nijak neliší od postupů řízení a správy jiných firemních aktiv.

Nastavování postupů data governance následuje ve firmách zpravidla ihned po tom, co si uvědomí a přiznají, že pro ně data mají význam. Z mého pohledu je data governance trendem posledního roku (čest výjimkám, které už se problematice věnují delší dobu) a bude jedním z klíčových trendů v nejbližších  letech. Ono to ani jinak nepůjde. Stále dostupnější datová technologie, rostoucí množství generovaných a zpracovávaných dat je prostě nutné řídit, a data governance nabízí nástroje a postupy, jak toho dosáhnout.

Datová kvalita

Souběžně s data governance přichází trend měření a následného zlepšování kvality dat. V celém datovém toku, od zdroje dat až k analytickému výstupu, musíme mít jistotu, že zpracováváme data správná a kvalitní. V případě regulovaných společností, jako jsou například banky, k tomu navíc přibývají i celkem pochopitelné požadavky na kvalitu podkladů ze stran regulátorů trhu.

Základní definice datové kvality vychází z toho, jak dobře soubor dat slouží svému konkrétnímu účelu. Míra kvality dat je založena na charakteristikách kvality dat, jako je přesnost, úplnost, konzistence, platnost, jedinečnost a aktuálnost. Mezi příklady problémů s kvalitou dat patří duplicitní, neúplná, nekonzistentní, nesprávná, nedostatečně definovaná nebo neuspořádaná data, či nezabezpečená data.

O termínu datová kvalita slýcháme více než dvacet let, ale teprve v současnosti vidíme, že se jím firmy začínají vážně zabývat a chtějí kvalitu svých firemních dat měřit. Problematiku kvality dat lze označit za extrémně důležitou pro nejbližší roky ve všech firmách, které s daty pracují.

Když bychom použili opět příměr k firemnímu autoparku – když nebudu kontrolovat, v jakém stavu mám firemní auta, těžko si mohu být jist, že je druhý den vůbec nastartuji.

Nasazení jak data governance, tak datové kvality bude vždy projektem, který se netýká jen oddělení IT nebo datové analytiky. Takový  projekt vždy prorůstá celou firmou a bez jasné podpory z pozice majitelů nebo vedení nemá šanci na úspěch. A taková podpora přijde teprve ve chvíli, kdy majitelé a vedení firmy začnou chápat, že v datech je moc, že je to cenné aktivum a je potřeba se o něj starat.

Datová gramotnost

Poslední trend, který souvisí s datovou mocí, data governance a datovou kvalitou si opět můžeme demonstrovat na příkladu firemního autoparku. Můžete ho mít výborně vedený, s krásnými kvalitními auty, procesy a zodpovědnostmi. Ve chvíli, kdy ale do aut zasednou firemní zaměstnanci, kteří neumí řídit nebo neznají pravidla silničního provozu, hned za bránou nabourají. A i když se u toho sami nezmrzačí, firmě mohou svým amatérským postupem při řízení způsobit velké škody. Druhým problémem budou zaměstnanci, kteří řídit auto neumí, a proto nebudou autopark využívat. Místo toho, aby si udělali řidičský průkaz, referentské zkoušky a začali auto využívat, bude na jejich prostojích firma tratit a draho budovaný autopark bude ležet ladem.

V datové analytice je to stejné, možná i horší v tom, že těch amatérských řidičů nebo těch, co chodí pěšky, je mnohem více. Bez toho, aby firmy vzdělaly svoje zaměstnance v práci s analytickými výstupy a tím, jak jim mohou v jejich každodenní práci pomoci, budou zaměstnanci jen těžko využívat data k tomu, aby celou firmu posouvali dále. Firmy i zaměstnanci tak ztrácejí šanci na zmiňovanou datovou moc.

Edukace zaměstnanců je faktor, který významně limituje úspěch analytických projektů ve firmách. Zpravidla se vytvoří blyštivá technologie, a tak nějak na pozadí se předpokládá, že ji budou lidé ve firmě umět používat.  Praxe ale ukazuje, že tomu tak není a že bez datového vzdělání – datové gramotnosti celé firmy – nemohou mít nové technologie očekávané přínosy.

S tématem vzdělávání v oblasti datové analytiky se pojí i otázka, jak vlastně poznat úroveň datové gramotnosti zaměstnanců, jak poznat, zda jsou na nové nástroje a metody datové analytiky jako uživatelé připraveni. Zde musí nastoupit testování a měření datové gramotnosti na skutečných příkladech. Ve světě i u nás v ČR, například v rámci iniciativy Data a Business VŠE, vznikají první projekty, které pomáhají datovou gramotnost změřit a umožnit tak firmě poznat, jak na tom její zaměstnanci reálně jsou.

I v oblasti datové analytiky platí, že než se začne investovat do velkých a nákladných řešení, je potřeba investovat do lidí, kteří budou schopni s nimi pracovat. Bez nich žádné, ani robustní, řešení nepřinese požadované výsledky.

Mezi trendy pro další roky, kterým je třeba se intenzivně věnovat, bych paradoxně nezařadil nové technologie, které jdou raketovou rychlostí dopředu, nebo big data a jejich zpracování. Nejdůležitější je nyní ve firmách splnit základní předpoklady, aby technologie mohly dobře fungovat a přispívat k plnění obchodních cílů – uvědomit si význam datové moci a dat jako firemního aktiva, význam data governance a datová kvalita, a to vše podpořené datovou gramotností zaměstnanců.

Autor: Ing. Ota Novotný Ph.D.
Zdroj: IT Systems