Başarısız olan beklentiler, artan maliyetler, lüzumsuz yasal riskler; bir büyük veri projesine gözü kapalı girmeyi faydasız kılıyor..
“Büyük veri” büyük bir iş girişimi olarak geldi. Fakat çarpıcı keşifleri gün yüzüne çıkartmak için veri akışlarının modern, deneysel ve amaca özel kisvesi altında bir araya getirilmesi tüm organizasyonların hazır olmadığı yoğun kültürel ve teknolojik bir teşebbüsü maskeliyor.
İstikrarlı hedeflere, güçlü bir veri yönetimine, veri doğruluğunun temini için titiz süreçlere, doğru düşünce yapısı ve insanlara sahip olan bir stratejik plan olmaksızın, büyük veri teşebbüsleri kolaylıkla değerli bir varlık olmaktan ziyade büyük zaman kaybı olabilir.
Büyük veri başarısızlığından kaçınmak için beş stratejik ipucunu paylaşıyoruz. Çoğu durumda veri takımlarının boyutundan bağımsız olarak bu tavsiyeler tüm veri yönetim projeleri için geçerli. Ancak yoğun veri depolarının ortaya çıkışı, bir takım gizli tehlikeleri beraberinde getirdi. Organizasyonunuzun farklı kaynaklardan büyük veri havuzlarını başarılı bir biçimde harmanlaması ihtimalini buradaki tavsiyelerle arttırabilirsiniz.
Büyük veri başarısı İpucu No. 1: Büyük veriyi merkezi bir iş ilkesi yapın
Rearden Commerce CTO’su Phil Steitz büyük veri başarısındaki en önemli kalemi özetliyor: İş stratejinizin çekirdeği içine analitikleri ve veri güdümlü karar vermeyi entegre etmelisiniz.
“Eğer ‘büyük veri’ şirket içinde moda bir ifadeyse, bir problem için çözüm arayışı halini alıyor,” diyor Steitz.
Reardon Commerce için (firmanın e-ticaret platformu satıcılar ile alıcılar arasında ürün, servis ve bilgi değişimini optimize etmek için büyük veri ile diğer kaynaklardan faydalanıyor) “mutlak alaka” konsepti (doğru ticari fırsatı doğru ekonomik aracının önüne koymak) anahtar konumunda.
“Bu tür bir düşünceyi firma içinde merkezi bir strateji olarak teşvik etmenin bir örneği,” şeklinde konuşuyor Steitz.
Bu yaklaşım veri bilimcileri, semantik analistleri ve büyük veri mühendislerinden oluşan küçük, güçlü bir ekibin geliştirilmesi yaklaşımını içeriyor. Ardından bu ekip ile işletmedeki karar vericiler arasında sürdürülebilir, iki yönlü bir diyalog oluşturuyor, diyor Steitz.
“Modern analitik ve semantik analiz teknolojilerinden gerçek değeri açığa çıkartmadaki en büyük güçlük mümkün olanları gerçekten ortaya çıkartabilecek teknoloji uzmanlarının bunu anlayan ve neyin gerçekten değerli olduğu konusunda yardımcı olabilecek iş liderleriyle derin bir bağlantı kurması gereksinimidir,” diye konuşuyor Steitz.
Büyük veriyi işletmenin genel stratejisinin bir parçası yapmadaki bir diğer başarı etkeni, veri ortaklığının etkin yönetimidir.
“Günümüz dünyasında müşteri deneyimini ve ekonomik değeri kesin olarak optimize etmek kaçınılmaz olarak verinin işletmeler arasında paylaşımını gerektiriyor,” diyor Steitz. “Bunun acemi bir örneği: ‘tüm güncelleme dosyasını akşamları bize gönderin’; operasyonel, gizlilik ve güvenlik nedenlerinden berbat bir başarısızlık yaşayın.”
Büyük veri başarısı İpucu No. 2: Veri yönetimi hayatidir
Büyük veri projeleri güvenlik, gizlilik ve mevzuat uyumluluğu üzerindeki önemli endişeleri de beraberinde getiriyor. Bu, diğer hiçbir yerde sağlık endüstrisinde olduğundan daha hassas bir konu değil.
Sağlık hizmetleri sağlayıcısı Beth Israel Deaconess Medical Center giderek artan bir şekilde büyük veriye dahil olan bir organizasyon. Kurum elektronik tıbbi kayıtlar, yeni sağlık telafi modelleri ve yıllar boyunca toplanan klinik ve şikayet verilerinden oluşan büyük hacimlerdeki veriyle çalışıyor. Veri yönetimi burada önemli bir rol oynayacak.
“Var olan verileri hızlı bir biçimde dönüştürmeleri için sağlıktaki IT organizasyonları üzerinde fazlaca baskı olacak,” şeklinde konuşuyor Beth Israel Deaconess CIO’su Bill Gillis.
Yerli yerinde güçlü bir yönetime sahip olmak organizasyonların verilerin doğru olduğundan, kaliteli ve gelişmiş bakım hizmetleri sağlayabilmeleri için ihtiyaç duydukları klinik hikayeyi anlattığından emin olmalarını sağlıyor.
“En başından yönetime sahip olmak gizli tehlikelerden uzak durulmasına ve işlerin rayında tutulmasına yardımcı olabilir,” diyor Gillis.
Tabii ki güvenlik ve gizlilik bunun büyük bir parçası.
“Yeni büyük veri etrafında var olan belirsizlikler söz konusuyken, önemli markalar için gizlilik ve güvenlik çıtası o kadar yüksek ki bu yeni veri için sunulan korumalar çoğu diğer geleneksel harici karar verisinden daha yüksektir,” şeklinde konuşuyor Aol, Cisco, First Data ve Yahoo gibi firmalara büyük veri danışmanlığı sağlayan danışmanlık firması Venture Development Center CEO’su Charles Stryker. “Hiçbir önde gelen marka gizlilik ve güvenlik hattının başarısız olduğu limitleri test etmek istemiyor,” diyor Stryker.
Bir projenin başında firmaların kaynağını dikkate alması ve söz konusu verileri herhangi bir büyük veri çözümü içinde kullanırken verilerden emin olması gerekiyor, diye konuşuyor hükümet kurumlarının büyük veri projelerinde yardımcı olan teknoloji ve yönetim danışmanlığı firması DRC’nin kıdemli danışmanlarından Louis Chabot.
“Veri kaynaklarının ve bunların güvenilirliğinin yönetimi sonradan ‘eklemleyebileceğiniz’ bir şey değil,” diyor Chabot. “Bu, teşebbüsün en başından tasarlanıp dahil edilmesi gereken bir bileşeni.” Uygunluk sağlandığında, kazara ve/veya kötü niyetli kurcalamalara karşı kaynağın korunması için dijital imzalar gibi özel tekniklerden faydalanılması gerektiğini söylüyor Chabot.
Organizasyonların aynı zamanda gizlilik kanunları ve mevzuatlarına riayet etmesi gerekiyor. “Verilerin anonimleştirilmesi, veri bileşenlerinin çıkarılması, dağıtımın ve kullanımın kısıtlanması gibi çeşitli teknikler kullanılabilir,”; böylelikle organizasyonların güvenlik ve gizlilik mevzuatlarıyla uyumlu olması sağlanır, diyor Chabot.
Büyük veri başarısı İpucu No. 3: Veri doğruluğunu eksik bırakmayın
Aberdeen Group’un yeni araştırması, büyük veri başarısı için bir diğer turnusol kağıdına vurgu yapıyor: veri doğruluğu.
Rapora göre sınıfının en iyisi firmalar (Aberdeen ölçütlerinde tanımlandığı şekliyle) yüzde 94 veri doğruluğunun organizasyonel hedefleri olduğunu ve bu hedefi yakalamak için yüzde 1’lik geliştirme gerektiğini rapor etti. Ancak endüstri ortalamasındaki işletmeler yüzde 91’lik bir veri doğruluğu hedefini açıkladı ve bunu başarmak için veri yönetim metodolojilerinde yüzde 18’lik bir geliştirmeye ihtiyaç olduğunu bildirdi. “Geride kalanlar” ise yüzde 80’lik bir veri doğruluğu hedefi açıklarken, mevcut performanslarında buna ulaşmak için yüzde 40’lık bir iyileştirme gerektiğini duyurdu.
Burada veri temizleme ve yönetimi büyük veri başarısı için kritik. “Bazı inanışların aksine, bu gereksinim ortadan kaybolmuyor,” şeklinde konuşuyor veri yönetimi ve büyük veri danışmanlık firması Caserta Concepts kurucusu ve CEO’su Joe Caserta. “Eğer büyük veri numunesi yeni kurumsal analitik platformu olacaksa, veri kaynağı ne olursa olsun müşteriler, ürünler, çalışanlar, konumlar vs. ile aynı hizada olmak zorunda.”
Aynı zamanda, veri analizlerinin güvenilirliğini uzun bir süredir tehdit eden veri kalitesi sorunları uygun bir biçimde çözülmedikleri takdirde büyük veri analitiği üzerinde de aynı etkiye sahip olacaktır, diyor Caserta.
Tipik bir büyük veri projesi üzerinde, veri yönetimi sıklıkla geliştirme ekibi tarafından “önceliği düşürülüyor” ve bu çözümsüz olabilir, diye ekliyor DRC’den Chabot. Efektif veri yönetimi, model yönetimi, metadata yönetimi, referans veri yönetimi, ana veri yönetimi, sözlük yönetimi, veri kalitesi yönetimi ve veri envanter yönetimini ele almak için olgunlaşmış tekniklerin (süreç ve otomasyon) yerli yerinde olmasının teminini içerir, şeklinde konuşuyor Chabot.
Büyük veri başarısı İpucu No. 4: En iyi sonuçlar için en iyi uygulamaları biriktirin
Konu büyük veri ve analitiklerin yönetimine geldiğinde insanlar neyin işe yaradığını neyin yaramadığını keşfediyor. Aynı organizasyon tarafından görevlendirildiklerinde, bu bilgi neden paylaşılmasın?
Bunu gerçekleştirmenin bir yolu bir büyük veri COE (mükemmeliyet merkezi) yaratmaktır; liderlik, en iyi uygulamalar ve bazı durumlarda destek ve eğitim sağlayan paylaşılan bir varlık.
Tipik olarak COE’ler ayrılmış bir bütçeye sahiptir ve sorunların analizi, teşebbüslerin, gelecekteki durum ve standartların tanımlanması, kullanıcıların eğitilmesi, planların yürütülmesi ve ilerlemenin kontrolü için tasarlanmıştır, diye konuşuyor büyük veri ve analitik programlarında uzmanlaşmış olan danışmanlık firması Massive Data Insight kurucularından Eliot Arnold. Bir COE’nin başlatılması var olan kaynakların tespit edilmesi ve direktör seviyesinden bir destek gerektirir, diyor Arnold.
Her ne kadar bir büyük veri COE’si kağıt üzerinde iyi bir fikir gibi gözükse de, onun etkinliği uygulamada ne kadar iyi kullanıldığıyla saptanacaktır, diyor DRC’den Chabot.
Bütün veri yaşam döngüsünü kapsayan bir CEO için çok sayıda temel güçlük bulunuyor, diyor Chabot. En iyi uygulamaların belirlenmesi; tarafsız bir biçimde ayrıntılı olarak incelenmeleri; uygulanabilirliklerini düzgün bir biçimde belgelemek; benimsenmelerini gözetmek; ve zaman içinde bunları modernize etmek de dahil.
DRC, organizasyonlar tarafından kullanılan bir süreç iyileştirme çerçevesi CMMI (Capability Maturity Model Integration) benzeri bir büyük veri olgunluk seviyesi tanımladı. Büyük veri olgunluk seviyesi modelleri ilgili en iyi uygulamaları ayrıntılı bir biçimde planlıyor. Bunlar dört gruba ayrılıyor: planlama/yönetim, proje yürütme, mimari ve konuşlandırma/yürütme. Bu, hızla aşırı karmaşık olmaya çalışmanın tehlikelerinden koruyor, diyor Chabot.
Büyük veri başarısı İpucu No. 5: Uzmanlık ve işbirliği anahtar
Büyük veri bir iş teşebbüsüdür, sadece bir teknoloji projesi değil. Dolayısıyla iş ve IT liderlerinin planlama, yürütme ve yönetimde anlaşıyor olmaları hayatidir.
“Bir program için en büyük tehlikelerden bir tanesi, IT ile iş tarafında strateji ve girişimleri kontrol edenlerin aralarındaki bağlantıyı kaybetmesidir,” diye konuşuyor Arnold. “Daha az olgunlaşmış organizasyonlarda belgelenmiş bir strateji yoktur, karmakarışık araçlar vardır ve karar vericiler stratejik istikameti planlamak için sezgilere dayanır. Bu tür işletmeler çoğunlukla verinin değerinin varlığından bihaberdir.”
İş liderleri ve IT profesyonelleri, amaçları ve gereksinimleri dikkatlice belirleyerek; yatırım geri dönüşünü hesaplayarak; işletme/görev ihtiyaçları için analitik yeteneklerini planlayarak; ve kesintisiz geribesleme için bir mekanizma oluşturarak büyük veri projelerinin başarısını temin edebilir, şeklinde konuşuyor DRC’den Chabot. “Bir büyük veri projesi birden çok faza bölünmeli, organizasyona artımlı olarak değer eklemelidir,” diyor Chabot.
Fakat IT ve iş liderlerinin anlaşmasını sağlamak, departmanların veri teşebbüsleri üzerinde birlikte çalışmalarını sağlamak kolay bir şey değil.
“Benim deneyimime göre, önde gelen firmalar için bu gerçekten kurumsal bir güçlük halini alıyor,” diyor Venture Development Center’dan Stryker. “Veriden sorumlu yöneticiyle ilişkilendirilen iş sorumluluğu IT departmanında mı, pazarlama departmanında mı, risk yönetimi departmanında mı bulunuyor yoksa bu departmanların her biri kendi büyük veri teşebbüslerine sahipler ve birbirleriyle koordinasyon halindeler mi?”
Firmaların aynı zamanda Hadoop gibi (veri takımlarının ve analiz görevlerinin düşük maliyetli, bilgiişlemsel olarak etkin yönetimini mümkün kılan) büyük veri teknolojilerinden faydalanmak için lazım olan uzmanlığı getirmeleri gerekiyor.
“Büyük veri tarafına büyük yöneliş kurumsal organizasyon içinde yeni bir rolü, veri bilimcisini, ortaya çıkartıyor,” diyor Caserta. “Bu rol ileri seviye matematik, sistem mühendisliği, veri mühendisliği ve işletme uzmanlığında derinlemesine bir anlayış gerektiriyor.” Pratikte istatistikçilerin, teknoloji uzmanlarının ve iş tarafının kolektif bir biçimde problemleri çözüp çözümler sağlaması için bir veri bilim takımı kullanmak yaygındır, diye sürdürüyor konuşmasını Caserta.
Halihazırda veri analitiğinde çalışıyor olan birçok insanın kültür şoku için hazır olması gerekecek, diyor Caserta.
“Bir büyük veri projesi başlamadan evvel, yeni numunenin benimsenmesini değerlendirmek için stratejik bir hazır olma testi gerçekleştirilmelidir,” diyor Caserta. İş analistlerinin yeniden eğitilmesi ve amaçlarının yeniden düzenlenmesi gerekecek. Bir büyük veri platformuna geçme hedefi, reaktif analizden (söz gelimi bir kampanyanın ne kadar iyi yürüdüğü) tahmine dayalı olana (bir sonraki kampanya ne önermeli) değişimi içerebilir, diyor Caserta , “çünkü biz şimdi proaktif olarak müşteri olmayanların sadık müşterilerin davranış kalıplarını takip etmesinde etkili olabilir; veya onların davranış kalıpları kayıp bir müşteri gibi gözüktüğünde aktif müşterileri yeniden teşvik edebiliriz.”
Güçlü, kaynaştırıcı bir büyük veri stratejisi inşa etmemenin riskleri neler? Vaatlerini yerine getirmede başarısız olan pahalı çalışmalar başlatmak.
“Tipik olarak büyük veri projeleri çok yönlü ve karmaşık teşebbüslerdir,” diyor Chabot. “Bunlar önemli oradan ön planlama gerektirir.” Büyük bir veri projesine girişmeden önce, organizasyonel liderler stratejik, fonksiyonellik, veri, analitik ve teknoloji yol haritaları arasındaki uyumu temin etmek durumunda, diyor Chabot. Bu yol haritalarının işletme, sistem, yazılım, veri ve teknoloji mimarisi içinde yansıtılması gerekiyor.
“Bu yol haritalarının herhangi birindeki uyumsuzluk tüm projenin raydan çıkmasına neden olabilir,” şeklinde konuşuyor Chabot. “Uygun yol haritaları ve mimarilerle birlikte güçlü, kaynaştırıcı bir büyük veri stratejisine sahip olmamanın riskleri, büyük olasılıkla aşırı maliyetler, beklentilerin karşılanmaması, değer eksikliği ve nihayetinde programın başarısız olmasıdır.”