Η απλή συλλογή των Big Data δεν εγγυάται την πλήρη εκμετάλλευση της πιθανής αξίας και των ωφελειών τους. Όσοι κατανοούν το πώς λειτουργούν τα Analytics μπορούν να επιλύσουν επιχειρηματικά ζητήματα ή να εκμεταλλευτούν τις ευκαιρίες. Παρόλα αυτά, στελέχη με τα προσόντα αυτά είναι δύσκολο να βρεθούν.

Σύμφωνα με έρευνες, μόνο το 18% των εταιρειών πιστεύουν ότι τα στελέχη τους διαθέτουν τις απαραίτητες δεξιότητες για να συλλέγουν και να εκμεταλλεύονται αποτελεσματικά τα Big Data. Ταυτόχρονα, μόνο το 19% πιστεύει ότι οι διαδικασίες συλλογής των δεδομένων έχουν απευθείας αποτέλεσμα στις πωλήσεις. Οι εταιρείες δίνουν τόσο μεγάλη σημασία στα Big Data όχι μόνο γιατί η αξία τους είναι μεγάλη, αλλά και γιατί η επιρροή που μπορεί να έχουν στην επιχείρηση είναι ακόμη μεγαλύτερη. Πριν μερικά χρόνια, έρευνα της McKinsey Global Institute έδειχνε ότι οι εταιρείες λιανικής που εκμεταλλεύονται τα Big Data σε όλο το εύρος τους μπορούν να αυξήσουν τα λειτουργικά τους περιθώρια περισσότερο του 60%, ενώ ο κλάδος υγείας των Η.Π.Α. μπορεί να μειώσει τα κόστη του κατά 8% μέσω των Big Data και Analytics.

Δυστυχώς, για τις περισσότερες εταιρείες αυτό το επίπεδο αποδόσεων και επιτυχίας αποδείχθηκε ιδιαίτερα δύσκολο και τα αποτελέσματα ήταν περιορισμένα. Ωστόσο, είναι σημαντικό να αναφερθεί ότι ελάχιστοι τομείς είναι πιο καινοτόμοι και παρουσιάζουν αύξηση των επενδύσεων όσο τα Big Data και τα Analytics. Τα νέα εργαλεία και οι βελτιωμένες προσεγγίσεις σε όλο το οικοσύστημα των δεδομένων και της ανάλυσής τους παρέχουν τρόπους διαχείρισης των προκλήσεων για να επιτευχθούν οι τελικοί στόχοι. Για να γίνει αυτό, υπάρχουν τρεις προσεγγίσεις. Πρώτον, η εμφάνιση στοχευμένων λύσεων από λογισμικό που βασίζεται στα Analytics και παρόχους υπηρεσιών που βοηθούν τους πελάτες να επιτύχουν απευθείας και ταχύτερα αποτελέσματα.

Με τον τρόπο αυτό, χτίζονται μοντέλα που στοχεύουν σε συγκεκριμένους τομείς. Τα μοντέλα αυτά έχουν ξεκάθαρους επιχειρησιακούς στόχους που μπορούν να εφαρμοσθούν άμεσα. Ωστόσο, καθώς αυτές οι συγκεκριμένες λύσεις εφαρμόζονται σε μια ευρεία γκάμα επιχειρήσεων, μπορεί να είναι και πιο άμεσα διαθέσιμες. Συλλογικά, τέτοιες στοχευμένες εφαρμογές θα βοηθήσουν να αυξηθεί η εμπιστοσύνη των διευθυντικών στελεχών σε νέες επενδύσεις. Υπάρχει, βέβαια ακόμη ανάγκη αλλαγής της κουλτούρας και πρέπει να δοθεί έμφαση στην υιοθέτηση πιο εστιασμένων εργαλείων που φανερώνουν την πρόοδο των έργων. Δεύτερον, υπάρχουν τα self-service εργαλεία που χτίζουν την εμπιστοσύνη των χρηστών στα Analytics.

Ένα ιδιαίτερα δημοφιλές στοιχείο εδώ είναι ο «εκδημοκρατισμός» των Big Data και των Analytics. Δηλαδή η μετακίνησή τους από τους παραδοσιακούς data scientists στην ευχέρεια των χρηστών. Χωρίς να χρειάζεται να γνωρίζουν, για παράδειγμα, να γράφουν κώδικα, οι χρήστες νέων τεχνολογικών εργαλείων μπορούν να συνδέσουν τα δεδομένα με πολλαπλές πηγές (συμπεριλαμβανομένων και εξωτερικών πηγών) και να εφαρμόσουν τα Predictive Analytics. Τα εργαλεία virtualization, εν τω μεταξύ, δίνουν στους επιχειρησιακούς χρήστες τον έλεγχο των εργαλείων Αnalytics διευκολύνοντας τον διαχωρισμό και την κατανομή των δεδομένων, την εκκαθάρισή τους σχετικά με το πού είναι απαραίτητα μέσα στην επιχείρηση και την υποστήριξη στη λήψη αποφάσεων.

Η απευθείας εμπειρία (καθοδηγούμενη από εξειδικευμένα στελέχη από την αρχή) βοηθάει τους χρήστες να συνηθίσουν στη χρήση των δεδομένων. Αυτό χτίζει την εμπιστοσύνη τους σε αυτά σταδιακά και αυξάνει την κλίμακα και το πεδίο της επίλυσης των προβλημάτων μέσω των Big Data και την υποστήριξη της λήψης αποφάσεων. Τέλος, γίνεται όλο και πιο εύκολο να αυτοματοποιηθούν οι διαδικασίες και η λήψη αποφάσεων. Οι τεχνολογικές εξελίξεις επιτρέπουν μια ευρύτερη συλλογή δεδομένων σε πραγματικό χρόνο, διευκολύνοντας, παράλληλα, σε πραγματικό χρόνο και πάλι, την μεγάλης κλίμακας επεξεργασία των Big Data. Οι εξελίξεις αυτές ανοίγουν νέους δρόμους στην αυτοματοποίηση και το machine learning που προηγουμένως ήταν διαθέσιμα μόνο σε μεγάλες εταιρείες τεχνολογίας. Για παράδειγμα, μια ασφαλιστική εταιρεία μπορεί να χρησιμοποιήσει τα Big Data και τα Analytics για να αξιολογήσει τη σοβαρότητα των αποζημιώσεων που της ζητούνται. Τα αυτοματοποιημένα συστήματα συγκρίνουν άμεσα μια αίτηση αποζημίωσης με εκατομμύρια άλλα που βρίσκονται στα αρχεία, μειώνοντας σημαντικά τις ανθρώπινες εργατοώρες που θα απαιτούνταν διαφορετικά.

Εγκλιματίζοντας τον οργανισμό στα νέα εργαλεία
Τα νέα εργαλεία και οι νέες λύσεις Big Data απαιτούν από τον οργανισμό περαιτέρω δράσεις, όπως να εστιάσει πέραν των αρχικών δράσεων και να αλλάξει την κουλτούρα του. Ο εκδημοκρατισμός και τα νέα εργαλεία μπορούν να βοηθήσουν στο να ξεπεραστούν οι όποιες αμφιβολίες και ανησυχίες υπάρχουν σχετικά με τα οφέλη των Big Data και των Analytics. Ωστόσο, επιπλέον αυτών, τα διευθυντικά στελέχη πρέπει να αλλάξουν και τον τρόπο που λαμβάνουν τις αποφάσεις και εκμεταλλεύονται τα Big Data. Αυτό αποτελεί τον πυρήνα της αλλαγής του τρόπου διαχείρισης, ωστόσο δεν είναι εύκολο και χρειάζεται χρόνο. Προσπαθώντας τα στελέχη να «ενορχηστρώσουν» τις αλλαγές αυτές σε όλες τις καθημερινές διαδικασίες μιας επιχείρησης, αποτελεί δυσβάσταχτο στόχο και επομένως μη πρακτικό.

Παρόλα αυτά είναι πιθανό να οδηγηθούμε στην υιοθέτηση των νέων εργαλείων και στην αλλαγή συμπεριφοράς σε όλο το εύρος του οργανισμού, εστιάζοντας σε συγκεκριμένα κάθε φορά τμήματα. Παράλληλα, πρέπει να ανασχεδιαστούν οι εργασίες. Η αυτοματοποίηση τμημάτων των αρμοδιοτήτων των εργαζομένων σημαίνει ότι γίνονται μόνιμες αλλαγές στους ρόλους και στις ευθύνες τους. Αν, για παράδειγμα, αυτοματοποιηθεί η τιμολόγηση, δεν μπορεί ο υπεύθυνος του λογιστηρίου να είναι ο μόνος υπεύθυνος για τα κέρδη ή τις ζημίες – εφόσον ένα σημαντικό κομμάτι της δουλειάς του γίνεται αυτόματα. Και καθώς οι διευθυντικές ευθύνες εξελίσσονται ή εξαλείφονται, οι οργανισμοί θα πρέπει να προσαρμοστούν, επαναπροσδιορίζοντας τους ρόλους ώστε να υποστηρίζουν στο μέγιστο τη συνεχή ανάπτυξη αυτών των τεχνολογιών.

Για παράδειγμα, στην ασφαλιστική εταιρεία, οι υπεύθυνοι των αποζημιώσεων δεν εστιάζουν πλέον σε όλες τις αιτήσεις, αλλά μόνο στις ιδιαίτερες περιπτώσεις, με τον μεγαλύτερο βαθμό πολυπλοκότητας. Και πάλι, απαιτείται προσοχή, καθώς ο ανασχεδιασμός των εργασιών είναι χρονοβόρα διαδικασία. Και μπορεί να γίνει μόνο όταν τα εργαλεία αυτοματοποίησης και οι νέοι ρόλοι έχουν αναπτυχθεί και δοκιμαστεί, ώστε να ανταποκρίνονται σε οποιεσδήποτε συνθήκες προκύψουν. Οι επιχειρήσεις εδώ και πολλά χρόνια «μιλούν» για κουλτούρες που καθορίζονται από τα δεδομένα, ωστόσο αυτό που χρειάζεται για να δημιουργηθεί μια τέτοια κουλτούρα είναι η αλλαγή ως αποτέλεσμα των νέων διαθέσιμων εργαλείων. Οι δημιουργικές εφαρμογές των νέων εργαλείων θα βοηθήσουν τις εταιρείες να αναπτυχθούν και να εξελιχθούν σε οργανισμούς Big Data και, παράλληλα, να εδραιώσουν την αλλαγή κουλτούρας σε ρεαλιστική βάση.

Υπάρχουν πολλοί οργανισμοί που αντιμετωπίζουν τα Big Data και τα δεδομένα τους γενικότερα ως περιουσιακό τους στοιχείο και το κεφαλαιοποιούν. Για παράδειγμα, οι κατασκευαστικές εταιρείες εξοπλίζουν τα προϊόντα τους με αισθητήρες ώστε να παρέχουν στους χρήστες πληροφορίες σχετικά με τη συντήρησή τους, την αποδοτικότητα της χρήσης τους κλπ. Οι τραπεζικοί και τηλεπικοινωνιακοί οργανισμοί και οι εταιρείες υπηρεσιών κοινής ωφέλειας ήδη παρέχουν στους πελάτες τους προσωποποιημένα dashboards που τους εκπαιδεύουν στη χρήση των προϊόντων/υπηρεσιών που τους παρέχονται, ενώ ορισμένοι από αυτούς χρεώνουν τους πελάτες τους για τις υπηρεσίες αυτές. Οι οργανισμοί που αντιμετωπίζουν τα Big Data ως προϊόν πρέπει να προσδιορίσουν τον κύκλο ζωής των δεδομένων, όπως ακριβώς κάνουν και με τα άλλα – συνηθισμένα – προϊόντα που διαθέτουν.

Ο κύκλος ζωής ξεκινά με την αναγνώριση μιας νέας επιχειρηματικής ευκαιρίας που βασίζεται στη διαθεσιμότητα των δεδομένων. Ωστόσο, η παροχή των Big Data ως προϊόν πρέπει να γίνει σταδιακά, αρχικά ίσως σε ένα μικρό μέρος πελατών δοκιμαστικά και έπειτα, εφόσον αποδειχθεί η επιτυχία του εγχειρήματος, το προϊόν μπορεί να λανσαριστεί σε ένα ευρύτερο κοινό. Μετά, όπως και με όλα τα προϊόντα, ο διαχωρισμός του ή η τμηματοποίησή του αποτελεί σημαντικό κομμάτι – βάσει, για παράδειγμα, της διαχρονικότητας των δεδομένων ή το επίπεδο της πρόσμιξής τους.

Κάποια δεδομένα αξίζουν περισσότερο από άλλα, επομένως μετά τη βελτιστοποίηση των διαφορετικών πηγών εσόδων, πρέπει να παραχθεί κέρδος από τη διαδικασία αυτή και τα επίπεδα αυτοματοποίησης πρέπει να «ανέβουν», ώστε ο οργανισμός να εστιάσει στον επόμενο κύκλο καινοτομίας. Οι data scientists παίζουν σημαντικό ρόλο στην όλη διαδικασία, ιδιαίτερα στην αρχή της. Ωστόσο, οι επικεφαλής των κέντρων δεδομένων είναι αυτοί που θεωρούνται υπεύθυνοι για το επόμενο στάδιο, αυτό όπου τα δεδομένα λανσάρονται σε μεγαλύτερη κλίμακα και με πιο αποδοτικό τρόπο.

Ο αυξανόμενος όγκος, η ταχύτητα και ποικιλία των δεδομένων καταδεικνύονται σε πρόκληση για τη διαχείρισή τους, οδηγώντας σε νέες τεχνολογίες και απαίτηση νέων δεξιοτήτων. Όμως καθώς αυτά γίνονται διαθέσιμα και εξελίσσονται, τα τρία αυτά χαρακτηριστικά είναι πιο εύκολα και πιο αποδοτικά διαχειρίσιμα. Στο στάδιο αυτό υπάρχουν και άλλα χαρακτηριστικά που είναι σημαντικά, όπως η παροχή πρόσβασης και ελέγχου και η εξασφάλιση της συμβατικής αξίας των δεδομένων. Αυτά τα άλλα χαρακτηριστικά της διαχείρισης των δεδομένων αποτελούν το «πεδίο δράσης» των ηγετών των δεδομένων τις τελευταίες δεκαετίες.

Μείνετε εστιασμένοι, ωστόσο φροντίστε και το μέλλον
Η απαίτηση απόκτησης γρήγορων αποτελεσμάτων με την παράλληλη προετοιμασία για την μακροπρόθεσμη επιτυχία δεν αποτελεί κάτι καινούριο για τα Big Data. Σε πολλές περιπτώσεις, η επιχειρησιακή καινοτομία πραγματοποιείται εκτός του οργανισμού, όπου η αποδοτικότητα και οι απαιτήσεις των επιχειρησιακών στόχων είναι λιγότερο έντονα. Εδώ είναι δυνατόν να γίνουν πειραματισμοί και λάθη πριν τελικά καταλήξουμε στη σωστή λύση. Στις περισσότερες περιπτώσεις, οι πρώτοι πειραματισμοί και οι πρώτες εφαρμογές γίνονται ξεχωριστά από τα υπάρχοντα κέντρα δεδομένων και πολύ συχνά οι πρωτοβουλίες Big Data ξεκινούν στα τμήματα marketing ή στα λειτουργικά τμήματα ενός οργανισμού.

Στο στάδιο των δοκιμών, οι ομάδες που λαμβάνουν μέρος πρέπει να συνεργάζονται απόλυτα και αρμονικά. Το κέντρο δεδομένων χρειάζεται να ενσωματώσει τις τεχνολογίες Big Data και πολλές αρχιτεκτονικές κέντρων δεδομένων ήδη προχωρούν προς την ενσωμάτωση των Big Data, επιτρέποντάς τους να εξελιχθούν σε ένα σύστημα διαφοροποίησης παρά ένα σύστημα αρχειοθέτησης. Ταυτόχρονα, για να εξελιχθούν οι πρωτοβουλίες Big Data σε σύστημα διαφοροποίησης (από σύστημα καινοτομίας) χρειάζεται περισσότερη αυστηρότητα και περισσότερη δομή αν τα αποτελέσματα και τα αυξημένα επιχειρηματικά οφέλη πρόκειται να γίνουν βιώσιμα και επαναλαμβανόμενα. Οι αποφάσεις εφαρμογής λύσεων και οι επιλογές τεχνολογιών στο στάδιο των δοκιμών μπορεί να επηρεάσουν τη μελλοντική αρχιτεκτονική και αυτές οι αποφάσεις πρέπει να λαμβάνονται με ενημερωμένο τρόπο, ώστε οι διαφορετικές ομάδες να συνεργάζονται μεταξύ τους. Ο παραδοσιακός κόσμος της αποθήκευσης των δεδομένων και ο νέος κόσμος των Big Data θα συγκλίνουν και θα συνενωθούν αρμονικά.