Μετά την αναγνώριση της αξίας των data ως «περιουσία» των οργανισμών, η καλύτερη δυνατή διαχείριση τους ακολουθεί για να αποκαλύψει την επιπλέον δυναμική τους, αλλά και να την μεταφράσει σε πραγματικό κέρδος, αναβαθμίζοντας το data management σε ένα συναρπαστικό κυνήγι θησαυρού για τον επιχειρηματικό κόσμο.
Στο τελευταίο Data Conference: Unlocking Data Value in an Uncertain World του netweek και της Boussias τον Σεπτέμβριο, o Tushar Joshi, Data Science Consultant & Tactical Research Lead της The DH Collaborative, ξεκίνησε την παρουσίαση του με μια «περίεργη» ιστορία. Πίσω στο 2002, η αμερικανική ομάδα baseball, Oakland Athletics βρίσκεται σε εξαιρετικά δύσκολη θέση όταν τρεις από τους καλύτερους παίκτες της φεύγουν λίγο πριν την αρχή της σεζόν, την ώρα που η ιδιοκτησία της ομάδας ζητά περικοπές αλλά και νίκες. Ο manager της, Billy Beane, πρέπει να «χτίσει» μια ομάδα που να μπορεί να φέρει νίκες, χωρίς το budget για καινούργιους star players. Η λύση που επιλέγει κάνει έξαλλους τους πάντες από τους ιδιοκτήτες ως τους οπαδούς. Πετάει τις προτάσεις μεταγραφών των scouts και τις παραδοσιακές στρατηγικές στα σκουπίδια και με τη χρήση advanced data analytics ποσοτικοποιεί τις αντικειμενικές επιδόσεις των παικτών που δεν θεωρούνταν star players σε ολόκληρη την κατηγορία. Επιλέγει μεταγραφές βάση των profile data τους, ανάμεσα σε αυτούς που άλλοι θεωρούσαν β’ διαλογής, αλλά ταιριάζουν στο budget και το νέο «στήσιμο» της ομάδας. Χάρη στα sabermetric analytics η νέα «data driven» ομάδα baseball σπάει το ρεκόρ που έστεκε για πάνω από μισό αιώνα στις ΗΠΑ, κερδίζοντας 20 συνεχόμενους αγώνες και στέκεται απέναντι στους Yankees των οποίων η ομάδα κοστίζει ακριβώς τα τριπλάσια.

Σύντομα όλες οι μεγάλες ομάδες της κατηγορίας απέκτησαν sport data analysts. Την επόμενη χρονιά η ιστορία των Oakland Athletics έγινε το βιβλίο «Moneyball: The Art of Winning an Unfair Game» του Michael Lewis και η λέξη Moneyball μπήκε στα αθλητικά λεξικά για να περιγράψει την επίδραση των data analytics στα ρόστερ όλων των ομαδικών σπορ. Το 2011 έγινε η χολιγουντιανή ταινία «Moneyball» με τον Brad Pitt ως Billy Beane και σήμερα στη μελέτη «The Oakland Athletics use of sabermetrics and the rise of big data analytics in business» μπορεί κανείς να βρει όλες τις τεχνικές λεπτομέρειες του «φαινομένου Moneyball». Αλλά και μια «meta-analysis» πάνω στην επίδραση του data management στα επιχειρηματικά μοντέλα και την «μαγική» ικανότητα του να αποκαλύπτει την αξία που κρύβεται εκεί που δεν μπορεί να ψάξει ο καθένας. Στις λεπτομέρειες, στα μεγάλα data pools και στη διαχείριση και ανάλυση τους. Στην ουσία στο μονοπάτι που συνδέει τα data με τον κρυμμένο θησαυρό των οργανισμών.

Από την εποχή της στατιστικής ανάλυσης στην εποχή των Big Data
Ζούμε την πιο πλούσια σε data εποχή της ανθρώπινης ιστορίας, σωστά; Η ψηφιοποίηση όλο και περισσότερων διαδικασιών και αρχείων μας προσφέρει πρωτοφανή data streams. Οπότε τι μας κρατάει έξω από τον «παράδεισο» μιας ανάλογου με την γέννηση των data ρυθμού ανάπτυξης των επιχειρήσεων; Κυρίως το γεγονός ότι τα μονοπάτια που ξεκινούν από τα data είναι πάρα πολλά και μόνο μερικά τα συνδέουν με την ανάπτυξη και τη δημιουργία αξίας μέσα στους οργανισμούς τους. Το data management έρχεται ως η χαρτογράφηση και επιλογή αυτών των μονοπατιών.
«Για όσους από εμάς έχουν ζήσει την εποχή όπου η εφαρμοσμένη στατιστική ήταν το βασικότερο εργαλείο λήψης αποφάσεων, οι αλλαγές που έχουν συντελεστεί κατά την τελευταία δεκαετία είναι εντυπωσιακές», μας λέει ο Κωσταντίνος Τσιπτσής, Director of Advanced Analytics & Campaign Management | Digital Banking της Eurobank. «Πλέον, από την ανάλυση απλώς ενός συγκεκριμένου αντιπροσωπευτικού δείγματος, είμαστε σε θέση να εξετάσουμε -και μάλιστα σε πολύ υψηλές ταχύτητες- εκατομμύρια εγγραφών μιας νέας ισχυρής δεξαμενής επιπλέον δεδομένων, όπως το κείμενο, η ομιλία, η φωτογραφία και το βίντεο. Πρόκειται για έναν πλούτο υλικού, που δικαίως έχει χαρακτηριστεί από αναλυτές ως ο σύγχρονος μαύρος χρυσός και ο οποίος ισχυροποιεί την ποσότητα και την ποιότητα της διαθέσιμης πληροφορίας, καθώς και τη δυναμική συνδυασμών για τη λήψη ορθότερων αποφάσεων. Μία, ακόμη, σημαντική αλλαγή, αφορά και στον τρόπο αποθήκευσης των δεδομένων και στις διαφορετικές βάσεις, όπως για παράδειγμα οι graph databases».
Όπως μάλιστα μας εξηγεί τα Big Data, το Machine Learning και το AI θα είναι οι τρεις μεγάλοι gamechangers που ως καταλύτες επιτάχυναν, εμπλούτισαν και εμβάθυναν τη δυναμική αξιοποίησης δεδομένων.

«Καθώς βιώνουμε την εποχή του ψηφιακού μετασχηματισμού και της νέας πραγματικότητας στην μετά Covid εποχή, όπου τα digital touchpoints είναι αρκετά, αντιλαμβανόμαστε ότι τα δεδομένα είναι πιο πολύτιμα από ποτέ», μας λέει και ο Χαράλαμπος Α. Μπαμπίλης, Data & Analytics Leader, της Interamerican. «Στην κατεύθυνση αυτή η Interamerican ως leader στο κομμάτι του digital transformation, έχει ήδη διακρίνει την αξία από την advanced χρήση και ανάλυση των δεδομένων, δημιουργώντας μια σειρά από λύσεις που βοηθούν τους πελάτες της να ζήσουν ασφαλέστερα, περισσότερο, και καλύτερα.

Ενδεικτικά παραδείγματα είναι: α) ο αλγόριθμος machine learning στο site της Anytime, του direct brand της Interamerican, που δίνει full scaled personalized offers στους πελάτες, ώστε να επιλέξουν προϊόντα ή/και καλύψεις που επιθυμούν β) Τα predictive models πάνω στο κομμάτι διαχείρισης του χαρτοφυλακίου που εξετάζουν το churn probability γ) Οι τεχνικές data mining που αξιολογούν το sentiment των πελατών, ώστε να ελαχιστοποιηθεί το αρνητικό experience δ) Οι τεχνικές artificial intelligent που αυτοματοποιούν τις διαδικασίες ανάληψη κινδύνου μέσω RPA’s ε) Τα Image & Voice analytics για καλύτερο customer experience ζ) Τα marketing mix models και η) Τα forecasting models για καλύτερο και ακριβέστερο portfolio management. Φυσικά, έχοντας το βλέμμα στο μέλλον, υπάρχουν πολλές προκλήσεις που θα πρέπει να αντιμετωπιστούν στο κομμάτι των data & analytics, καθώς οι τεχνολογικές και όχι μόνο αλλαγές, είναι πλέον συνεχόμενες. Cloud/hybrid cloud computing, DataOps, MLOps, augmented artificial intelligence, adaptive AI systems, metadata management, data Literacy, data ethics, big data governance, data democratization & modernization of data architecture είναι μερικές από τις απαιτήσεις που οι σύγχρονοι οργανισμοί θα κληθούν να ανταποκριθούν».

Για τον Αντώνη Γιαννόπουλο, Διευθυντή Ψηφιακού Μετασχηματισμού, της Γενικής Διεύθυνσης Οργάνωσης & Πληροφορικής της METRO ΑΕΒΕ, η εποχή που διανύουμε είναι «σαφέστατα data-driven σε όλους σχεδόν τους κλάδους» όπως λέει χαρακτηριστικά. «Ενώ αξιοσημείωτη είναι και η εξέλιξη των τελευταίων χρόνων σε οτιδήποτε αφορά στη συγκέντρωση και επεξεργασία των data. Με βάση τα παραπάνω, η στρατηγική της METRO ως προς τα data, έχει διαφοροποιηθεί σε σημαντικό βαθμό. Ο μεσοπρόθεσμος στόχος από την επεξεργασία των data, αλλά και από τις όποιες τεχνικές data analytics ακολουθεί ο οργανισμός, είναι πρωτίστως η βέλτιστη συσχέτιση δεδομένων. Αυτό δίνει στον οργανισμό τη δυνατότητα να ερμηνεύσει με τον καλύτερο δυνατό τρόπο τα δεδομένα που παράγονται. Μία καλύτερη ερμηνεία έχει δύο πολύ καίριες προεκτάσεις. Αφενός να γίνουν άμεσα διορθωτικές κινήσεις όπου κρίνεται απαραίτητο, με στόχο να αποφευχθούν σφάλματα του παρελθόντος και να σχεδιαστούν βελτιώσεις σε θέματα λειτουργίας και επικοινωνίας του οργανισμού. Αφετέρου να προχωρήσουμε σε καλύτερες εκτιμήσεις και προβλέψεις σχετικά με το πως θα διαμορφωθεί το επιχειρηματικό περιβάλλον σε βάθος χρόνου και να λάβουμε εγκαίρως τις αποφάσεις που θα φέρουν τον οργανισμό μας σε πλεονεκτική θέση έναντι του ανταγωνισμού».

H καρέκλα των Data στο ΔΣ
Η κοινή γραμμή και από τις τρεις πλευρές -banking, insurance αλλά και retail- δείχνει λοιπόν προς την ίδια κατεύθυνση: το data management, γίνεται βασικό αλλά και πολύτιμο εργαλείο -προσεχώς το βασικότερο;- του business management. Tα νούμερα το επιβεβαιώνουν. Σύμφωνα με την έρευνα της ResearchandMarkets με τίτλο «Enterprise Data Management Market Size, Share, & Trends Analysis Report by Component (Software, Services), by Services (Managed Services, Professional Services), by Deployment, by End Use, by Region, and Segment Forecasts, 2022-2030», η συνολική αγορά για enterprise data management ως το 2030 αναμένεται να φτάσει τα 265,68 δισεκατομμύρια δολάρια ως το 2030 -από τα 92,99 δις που βρίσκεται σήμερα- με ετήσιο ρυθμό ανάπτυξης 14%. Κύρια δύναμη πίσω από αυτή την ώθηση είναι η αυξανόμενη ανάγκη για on-time data delivery και διαρκή ψηφιοποίηση που φέρνει όλο και περισσότερα data και ανάγκες διαχείρισης τους.

«Η χρήση των Data Analytics προσφέρει πολλαπλά οφέλη για τις επιχειρήσεις και τους πελάτες τους» μας εξηγεί σχετικά ο Κωσταντίνος Τσιπτσής. «Οι επιχειρήσεις μπορούν να λαμβάνουν γρηγορότερα πιο αποτελεσματικές αποφάσεις, να κάνουν βέλτιστη χρήση πόρων, να αυξάνουν τα έσοδά τους και το επίπεδο ασφάλειας από απάτες και ηλεκτρονικές επιθέσεις. Οι πελάτες, έχουν, μεταξύ άλλων, πρόσβαση σε βέλτιστες, προσωποποιημένες εμπειρίες, σε υπηρεσίες που διευκολύνουν τη λήψη καθημερινών αποφάσεων, ενώ απολαμβάνουν ασφαλέστερες συναλλαγές.

Στον τραπεζικό κλάδο, η χρήση των Data Analytics βρίσκει ευρύ πεδίο εφαρμογής:
• Διαμόρφωση προσωποποιημένων προτάσεων για προϊόντα και υπηρεσίες, με σκοπό την κάλυψη των αναγκών των πελατών.
• Ανάλυση των δεδομένων και των αξιολογήσεων που δίνουν οι πελάτες (feedback) και δυνατότητα ακόμη και διορθωτικών ενεργειών. Για παράδειγμα, αν ο πελάτης απαντήσει πως δεν κατάφερε να πραγματοποιήσει ένα είδος συναλλαγής, θα του αποσταλεί σύντομο βίντεο με σχετικές οδηγίες.
• Αυτοματοποιημένες συνομιλίες (chat bots) για επίλυση απλών αιτημάτων εξυπηρέτησης.
• Παροχή δεδομένων στους πελάτες ώστε να λαμβάνουν καλύτερες αποφάσεις για τα οικονομικά τους.
• Δημιουργία νέων υπηρεσιών προστιθέμενης αξίας που ξεφεύγουν των Τραπεζικών. Όπως διασύνδεση με δημόσιες υπηρεσίες, για παράδειγμα, η διασύνδεση με δημόσιες υπηρεσίες.
• Αυτόματη διαχείριση δανειακών αιτημάτων.
• Συμβολή σε έρευνες για τον εντοπισμό εγκληματικών ενεργειών, μέσω της αυξημένης δυναμικής διασταύρωσης. Μηχανική μάθηση για τον εντοπισμό μοτίβων απάτης και επιθέσεων στον κυβερνοχώρο.
• Αξιοποίηση βιομετρικών δεδομένων για έλεγχο ταυτότητας και εξουσιοδότηση.
• Βελτιστοποίηση δικτύου καταστημάτων και ATMs.
• Προληπτική συντήρηση μηχανών (ATM) και διαχείριση χρηματικών αποθεμάτων».

«Η μεγάλη πρόκληση για εμάς είναι ότι πρέπει να συνδυαστούν μεγάλοι όγκοι δεδομένων, από πολλαπλές πηγές σε πραγματικό χρόνο και να αναλυθούν οι βέλτιστες λύσεις» μας λέει ο Αντώνης Γιαννόπουλος. «Έτσι, ειδικά στο retail -που είναι ένας από τους χώρους που παράγεται μεγάλος όγκος δεδομένων σε καθημερινή βάση σε πολλά απομακρυσμένα σημεία- πρέπει να ικανοποιούνται αρκετές απαιτήσεις. Να μπορεί να εξυπηρετηθεί ο όγκος δεδομένων, να είναι σωστά τα data, να είναι εφικτή η γρήγορη επεξεργασία τους, χωρίς ανάγκη μεταφοράς τους σε κεντρικό σημείο και να μην τίθεται κανένα θέμα ασφάλειας δεδομένων, καθώς στα data συμπεριλαμβάνονται και στοιχεία που αφορούν σε πελάτες. Είναι μια μεγάλη πρόκληση, τόσο από την τεχνική, όσο και από την επιχειρηματική σκοπιά. Το πλήθος και ο όγκος των διαθέσιμων δεδομένων δημιουργεί αρκετά ζητήματα στο κομμάτι της υλοποίησης, καθώς οι λύσεις που καλούνται να δοθούν απαιτούν ιδιαίτερη μελέτη. Το θέμα δεν είναι μόνο να συγκεντρώσεις όλα τα δεδομένα που έχεις, αλλά και πως θα δομήσεις τα συστήματα σωστά, ώστε η πρόσβαση και η επεξεργασία των δεδομένων να μπορεί να γίνει πλέον σε άμεσο χρόνο».

Και όπως συμπληρώνει οι δυσκολίες δεν σταματούν εκεί. «Ένα άλλο μεγάλο θέμα που αντιμετωπίζει, όχι μόνο ο κλάδος της λιανικής αλλά νομίζω όλοι παγκοσμίως, είναι η δυσκολία να βρεθούν εκπαιδευμένα στελέχη που να μπορούν να υλοποιήσουν εφαρμογές που σχετίζονται με διαχείριση και ανάλυση δεδομένων. Η λύση σε αυτό το πρόβλημα προφανώς δεν είναι εύκολο να βρεθεί και εμείς προσπαθούμε εκτός από το να εντοπίζουμε στελέχη, να συνεργαστούμε με εταιρείες που εξειδικεύονται σε ανάλυση δεδομένων. Επιλέγουμε επίσης, να εκπαιδεύσουμε στελέχη της πληροφορικής, από άλλους ρόλους, σε επεξεργασία και ανάλυση δεδομένων».

Data Analytics και ΑΙ
Θα μπορούσε το outsourcing στην τεχνητή νοημοσύνη να είναι μια λύση; Σύμφωνα με τον Κωσταντίνο Τσιπτσή δεν είναι κάτι τόσο απλό. «Τα Data Analytics και το ΑΙ υπόσχονται αύξηση των εσόδων μέσω της προσωποποίησης, μείωση του κόστους μέσω της βελτιστοποίησης και της αυτοματοποίησης, καθώς και δημιουργία νέων υπηρεσιών προστιθέμενης αξίας για μια επιχείρηση. Το ερώτημα που γεννάται είναι, σε τι βαθμό έχουν εκπληρωθεί οι προσδοκίες της επιχειρηματικής κοινότητας, οι οποίες καλλιεργήθηκαν με την έναρξη εξάπλωσης των νέων αυτών δυνατοτήτων» μας λέει χαρακτηριστικά.
«Τα Data Analytics και το AI, σε κάποιες περιπτώσεις, αποτελούν έναν από τους βασικότερους παράγοντες επιτυχίας για πολλές εταιρείες» εξηγεί. «Εταιρείες όπως η Google, το Facebook και το Netflix, όχι μόνο εφαρμόζουν την τεχνητή νοημοσύνη, αλλά αναπτύσσουν διαρκώς την επιστήμη των δεδομένων μέσω έρευνας και εφαρμογής νέων αλγορίθμων και τεχνολογιών. Παρόλα αυτά, η χρήση την τεχνολογικών αυτών εργαλείων, ενέχει διάφορους κινδύνους όταν δεν εφαρμόζονται κατάλληλα. Το σημαντικότερο ρίσκο, είναι η έλλειψη στρατηγικής. Αν υπάρχει κάτι που ΔΕΝ μπορεί να κάνει η τεχνητή νοημοσύνη είναι να δημιουργεί ιδέες και στρατηγική. Αυτό παραμένει προνομιακό πεδίο για τον άνθρωπο και είναι δεδομένο πως η εφαρμογή του AI που δεν υποστηρίζεται από ορθά στοχευμένη και οριοθετημένη στρατηγική είναι καταδικασμένη να αποτύχει».

Αρχιτεκτονική δεδομένων και Data Fabric
Εξορισμού το data management είχε το στοιχείο της πολυπλοκότητας στο dna του. Έτσι ξεκίνησε σαν μια «πρακτική της συλλογής, φύλαξης και χρήσης των δεδομένων με ασφάλεια αποτελεσματικότητα και οικονομία, προκειμένου οι οργανισμοί να μπορούν με βάση αυτά να παίρνουν τις καλύτερες δυνατές αποφάσεις», όπως είναι ο πιο διαδεδομένος «αρχετυπικός» ορισμός του. Αλλά σύντομα στην εξίσωση μπήκαν από τα κανονιστικά πλαίσια, ως το cloud, το ML και το ΑΙ, κάνοντας το μια διαρκώς ανατροφοδοτούμενη, αλλά περίπλοκη εργαλειοθήκη. Οι αρχιτεκτονικές δεδομένων προκύπτουν σαν απάντηση στα προβλήματα αυτής της πολυπλοκότητας και το Data Fabric είναι από τις πιο σύγχρονες προτάσεις. Στην ουσία είναι μια προσέγγιση που απαντά στην ανάγκη για «τα σωστά data, στη σωστή στιγμή», προσπαθώντας να βελτιστοποιήσει τα «πακέτα» πληροφοριών που επιλέγονται από ένα σύστημα, λαμβάνοντας υπόψιν το «που» και το «πως» αναζητούνται οι πληροφορίες και προτείνει -αφού λάβει υπόψιν αυτές στις παραμέτρους- περεταίρω πακέτα δεδομένων που μπορεί να είναι ελαφρά διαφοροποιημένα, αλλά ακόμα πιο ταιριαστά για το εκάστοτε task. Φιλοδοξώντας από τη μία να μειώσει τη δουλειά του management και από την άλλη να αντλήσει περισσότερη αξία από τα data.

«Αυτή τη στιγμή έχουμε επενδύσει στη δημιουργία και υλοποίηση ενός σύγχρονου data warehouse, στο οποίο αποθηκεύονται τα data, μετά τον καθαρισμό και τη σχετική επεξεργασία. Παρακολουθούμε με ενδιαφέρον τις εξελίξεις στη διαχείριση των δεδομένων και είναι σίγουρο ότι η αρχιτεκτονική data fabric θα μας απασχολήσει πιο πολύ στο κοντινό μέλλον» μας λέει ο Αντώνης Γιαννόπουλος. «Όσο εξελίσσονται οι υποδομές (δίκτυα, cloud κλπ), τόσο γενικά στη χώρα όσο και στην εταιρεία, θα δοθεί η δυνατότητα να προχωρήσουμε σε μεταφορά βασικών διαδικασιών σε νέα αρχιτεκτονική και στην εξέλιξη των data services που παρέχουμε. Θα μπορέσουμε δηλαδή, να συνδυάσουμε δεδομένα από τα κεντρικοποιημένα συστήματα τα οποία ήδη έχουμε, με δεδομένα που θα προέρχονται από διάφορες απομακρυσμένες πηγές και θα αξιοποιούνται πιο άμεσα. Αυτό προφανώς θα γίνει σταδιακά ξεκινώντας με έναν υβριδικό σχεδιασμό και στη συνέχεια θα περάσουμε σε πιο αποκεντρωμένα μοντέλα, ειδικά στις περιπτώσεις όπου δεν υπάρχει η ανάγκη της ιστορικότητας για τα δεδομένα που απαιτούνται».

Από την πλευρά του ο Χαράλαμπος Μπαμπίλης τονίζει ότι στο κομμάτι της αρχιτεκτονικής δεδομένων, όλοι οι οργανισμοί που επιθυμούν να μεταβούν στο επονομαζόμενο “real time analytics & real time decision making” οφείλουν να δημιουργήσουν νέες ευέλικτες και “more adaptive” αρχιτεκτονικές. «Με λιγότερο batch processing, για να μπορούν να επεξεργάζονται μεγάλο όγκο δεδομένων και να έχουν scalable analytics και machine learning/artificial intelligence τεχνικές. Για το λόγο αυτό, οι αρχιτεκτονικές λύσεις τύπου data fabric ή data mesh είναι πλέον αρκετά διαδεδομένες, καθώς απομακρύνονται από το παραδοσιακό πλαίσιο των centralized on-premise data storage systems και κατευθύνονται σε πιο distributed και decentralized αρχιτεκτονικές (microservices), χρησιμοποιώντας fully or hybrid cloud computing.

Οι συγκεκριμένες επιλογές, είναι εμφανές ότι μπορούν να αξιοποιηθούν στην ελληνική ασφαλιστική αγορά, παρότι βρίσκεται σε πρώιμο στάδιο στον τομέα διαχείρισης και αξιοποίησης δεδομένων. Αναμφίβολα, η μετάβαση σε λογικές fully or hybrid cloud computing είναι θέμα “technology appetite” και ετοιμότητας κάθε οργανισμού» μας λέει. «Για παράδειγμα η λύση του data fabric παρέχει σε έναν οργανισμό ένα δυναμικό εργαλείο cloud τεχνολογίας για να διαχειρίζεται και να αναλύει δεδομένα μεγάλου όγκου. Στο συγκεκριμένο solution συγκεντρώνονται και αποθηκεύονται δεδομένα από πολλά και διαφορετικά data sources, δομημένα ή αδόμητα, τα οποία επεξεργάζονται και αναλύονται real time.

Σίγουρα, η συγκεκριμένη λειτουργία δεν μπορεί να γίνει μέσα σε μια μέρα, καθώς τόσο το η τεχνολογία, όσο και το migration cost είναι αρκετά μεγάλο, κυρίως για οργανισμούς που έχουν ήδη deployed data warehouses ή και μικρά ODS» μας εξηγεί. Συμπληρώνοντας όμως πως την ίδια στιγμή θέματα όπως «το security των δεδομένων, η ποιότητα και η ταχύτητα επεξεργασίας τους είναι μερικά πολύ σημαντικά χαρακτηριστικά που πρέπει να ελεγχθούν στην πορεία της μετάβασης, καθώς μπορεί να αποτελέσουν τροχοπέδη σε ένα πιθανό μη ορθό migration plan. Ταυτόχρονα με τα παραπάνω όλοι οι οργανισμοί που διαχειρίζονται ή θα διαχειριστούν κάποια δεδομένα, θα πρέπει να δημιουργήσουν και τους απαραίτητους μηχανισμούς για ένα σωστό και ασφαλές data governance framework, έτσι ώστε τόσο οι πελάτες τους να είναι σίγουροι πως τα δεδομένα τους θα είναι ασφαλή και δεν θα χρησιμοποιηθούν χωρίς τη θέληση τους για οποιοδήποτε σκοπό, όσο και ότι οι ίδιοι θα είναι compliant απέναντι σε όλα τα ισχύοντα εποπτικά και κανονιστικά πλαίσια».

Business the Data Way
Κωσταντίνος Τσιπτσής, Director of Advanced Analytics & Campaign Management | Digital Banking, Eurobank
«Αξιοποιώντας τον «μαύρο χρυσό» των data για ένα σύγχρονο ανθρωποκεντρικό μοντέλο εξυπηρέτησης η Eurobank, επενδύοντας σε τεχνολογίες αιχμής και με σταθερή εστίαση στον άνθρωπο, έχει υιοθετήσει ένα νέο phygital μοντέλο, που συνδυάζει την τεχνολογία με την εμπειρία του, υψηλής κατάρτισης, προσωπικού της. Στο πλαίσιο αυτό, η Τράπεζα, έχει επενδύσει περισσότερα από 200 εκατ. ευρώ την τελευταία τριετία σε έργα τεχνολογίας, προκειμένου να παρέχει υπηρεσίες διαθέσιμες 24/7 μέσω και των ψηφιακών της καναλιών.

Αναγνωρίζοντας πως στην σημερινή εποχή τα δεδομένα, που εύστοχα έχουν χαρακτηριστεί ως ο νέος μαύρος χρυσός, μέσω της τεχνητής νοημοσύνης και της μηχανικής μάθησης βοηθούν στην ευκολότερη, καλύτερη και έγκαιρη κατανόηση των αναγκών των πελατών, στην πρόβλεψη πιθανών κινδύνων και στην ανάπτυξη προσωποποιημένης εξυπηρέτησης, η Τράπεζα αξιοποιεί τα εργαλεία αυτά προκειμένου να υποστηρίξει επιτυχημένα τον μετασχηματισμό της:

1. Διατηρεί τον πελάτη στο επίκεντρο, με γνώμονα την αδιάλειπτη και προσωποποιημένη εμπειρία του.
2. Ενθαρρύνει τη διαρκή εξοικείωση των εργαζομένων της με την εξέλιξη της τεχνολογίας προκειμένου να εφαρμόζει την στρατηγική της και να διαχειρίζεται τους πελάτες της με ένα σύγχρονο και ταυτόχρονα ανθρωποκεντρικό μοντέλο. Καλλιεργώντας προς αυτή την κατεύθυνση τη γνώση και την ανάπτυξη δεξιότητας στην επιστήμη των δεδομένων, κάτι που χρηματοδοτεί κυρίως με ίδιους πόρους.
3. Επενδύει στην τεχνολογία με αιχμή στην αξιοποίηση του υπολογιστικού νέφους (cloud computing). Η Eurobank αυτή την περίοδο «τρέχει» ένα φιλόδοξο πλάνο για τη μεταφορά του μεγαλύτερου μέρους του data center της σε cloud υποδομές και επιδιώκει να οικοδομήσει την πιο καινοτόμο Πλατφόρμα Ανάλυσης Δεδομένων (Data Analytics Platform) αξιοποιώντας το Cloud Computing (υπολογιστικό νέφος) και τις σύγχρονες δυνατότητες στην ανάλυση και επεξεργασία δεδομένων».

Αντώνης Γιαννόπουλος, Διευθυντής Ψηφιακού Μετασχηματισμού, της Γενικής Διεύθυνσης Οργάνωσης & Πληροφορικής, METRO ΑΕΒΕ
«Η ανάλυση δεδομένων δεν είναι κάτι νέο για τη METRO, ωστόσο η εξέλιξη της εταιρείας τα τελευταία χρόνια είναι ανάλογη της αλματώδους ανάπτυξης της τεχνολογίας. Επενδύσαμε σε νέα BI εργαλεία που έχουν ενσωματωμένες εντυπωσιακές δυνατότητες ανάλυσης. Αυτή και μόνο η αλλαγή, όχι μόνο έκανε πιο ελκυστική την παρουσίαση των αναλύσεων, αλλά βελτίωσε σημαντικά και το χρόνο που απαιτείται για να παραχθούν τα αποτελέσματα, για να υποστηρίξουν πιο γρήγορες αποφάσεις. Επίπονες και χρονοβόρες διαδικασίες ελέγχου και αξιολόγησης μεγάλου όγκου δεδομένων που απαιτούσαν εξαγωγή στοιχείων από δεκάδες αναφορές, ενοποίηση τους και επεξεργασία, ενώ πριν από μόλις λίγα χρόνια απαιτούσαν εβδομάδες, πλέον γίνονται σε λίγα λεπτά.

Ζωτικής σημασίας είναι η «ποιότητα των data». Θέλουμε να είμαστε σίγουροι ότι μιλάμε όντως για αξιόπιστα data και όχι απλά για “input”. Οπότε πολύ σημαντική θέση στην παρούσα στρατηγική της METRO κατέχει το θέμα των σωστών δεδομένων, τα οποία είναι καλώς ορισμένα και κοινώς αποδεκτά από όλα τα Business Units της εταιρίας. Για να μιλάει ολόκληρος ο οργανισμός την ίδια γλώσσα, και να εξασφαλίζεται η ακρίβεια και η συνέπεια τους και το “single point of truth”. Χωρίς πολυφωνία και διαφορετικές αναγνώσεις και ερμηνείες. Η ασφάλεια των δεδομένων είναι επίσης πολύ σημαντική από τη στιγμή που λόγω GDPR έχουν τεθεί ξεκάθαροι κανόνες για το ποια στοιχεία επιτρέπεται να χρησιμοποιούνται και να διαμοιράζονται με προμηθευτές ή συνεργάτες. Έχοντας μία τεράστια βάση πελατών, οι διαδικασίες που εξασφαλίζουν την ασφαλή μεταφορά των δεδομένων τους, αλλά και ο έλεγχος των προσωπικών τους στοιχείων, ώστε τα δεδομένα που διαμοιράζονται να πληρούν τους κανόνες ιδιωτικότητας που επιβάλλονται, είτε νομικά, είτε ηθικά, είναι πλέον μέρος της καθημερινής διαδικασίας επεξεργασίας των δεδομένων που χρησιμοποιούμε».

Χαράλαμπος Α. Μπαμπίλης, Data & Analytics Leader, Interamerican
«Ο όμιλος Interamerican τα τελευταία έξι χρόνια, έχει θέσει γερά θεμέλια στον τομέα των data & analytics δημιουργώντας ένα ενιαίο, ευέλικτο και μοντέρνο data strategy. Μέσω της πολυάριθμης in-house ομάδας του οργανισμού, το strategy περιλαμβάνει ένα ευρύ φάσμα δραστηριοτήτων στη διαχείριση δεδομένων όπως αποθήκευση, αρχιτεκτονική και ανάλυση, καθώς επίσης διαχείριση και διακυβέρνηση των δεδομένων μεγάλης κλίμακας που αποτελούν τη βάση του «agile modern data ecosystem». Κύρια χαρακτηριστικά του συγκεκριμένου ecosystem της Interamerican είναι η άρτια τεχνική γνώση των εργαζόμενων (data scientists, data analysts, data engineers, data governance & quality analysts), αλλά και η ενσωμάτωση και χρήση των νέων τεχνολογιών που βοηθάει τον όμιλο να δημιουργεί προϊόντα και υπηρεσίες για τις ανάγκες των πελατών του. Σε αυτό το πλαίσιο, η Interamerican επιθυμεί να αναδείξει τα δεδομένα ως ένα valuable corporate asset που θα βοηθήσει στην πλήρη ενσωμάτωση τεχνικών data monetization & value management. Φυσικά, υπάρχει δρόμος μέχρι να ισχυριστούμε ότι έχουμε φτάσει στο ιδανικό σημείο που θέλουμε. Όμως, είναι πολύ σημαντικό ότι γίνονται τα βασικά βήματα με σωστό τρόπο και με σύγχρονο σχεδιασμό. Θα λέγαμε ότι η προσοχή μας έχει στραφεί στον άρτιο σχεδιασμό και στην άμεση αξιοποίηση μιας σύγχρονης υποδομής με εξαιρετικές προοπτικές και τη συμμετοχή όλων των ενδιαφερόμενων».