Plán přechodu na Microsoft Fabric: Jazyková verze dat

Poznámka:

Tento článek je součástí řady článků s plánem přechodu na Microsoft Fabric. Přehled této série najdete v plánu přechodu na Microsoft Fabric.

Vytvoření datové kultury úzce souvisí s přijetím analýz a často je klíčovým aspektem digitální transformace organizace. Jazyková verze dat se dá definovat různými organizacemi různými způsoby. V této sérii článků znamená datová kultura sadu chování a norem v organizaci. Podporuje kulturu, která pravidelně využívá informované rozhodování o datech:

• Více zúčastněných stran ve více oblastech organizace.
• Na základě analýz, nikoli názorů.
• Efektivním a efektivním způsobem, který vychází z osvědčených postupů schválených centrem efektivity (COE).
• Na základě důvěryhodných dat.
• To snižuje závislost na nezdokumentovaných kmenových znalostech.
• To snižuje závislost na rozhodnutích o objetí a střevech.

Důležité

Datovou kulturu si představte jako to, co děláte, ne to, co říkáte. Vaše jazyková verze dat není sada pravidel (to je zásady správného řízení). Datová kultura je tedy poněkud abstraktní koncept. Jedná se o chování a normy, které jsou povoleny, odměněny a povzbuzeny – nebo ty, které jsou nepovolené a odporované. Mějte na paměti, že zdravá datová kultura motivuje zaměstnance na všech úrovních organizace, aby vygenerovali a distribuovali užitečné znalosti.

V rámci organizace budou mít určité organizační jednotky nebo týmy pravděpodobně vlastní chování a normy pro práci. Konkrétní způsoby, jak dosáhnout cílů datové kultury, se můžou lišit v rámci hranic organizace. Důležité je, že by měly být všechny v souladu s cíli kultury dat organizace. Tuto strukturu si můžete představit jako zarovnanou autonomii.

Následující kruhový diagram vyjadřuje vzájemně propojené aspekty, které ovlivňují jazykovou verzi dat:

Diagram znázorňuje poněkud nejednoznačné vztahy mezi následujícími položkami:

• Jazyková verze dat je vnější kruh. Všechna témata v ní přispívají ke stavu datové kultury.
• Vnitřní kruh je přijetí organizace (včetně aspektů implementace mentoringu a podpory uživatelů, podpory uživatelů, komunity praxe, zásad správného řízení a dohledu nad systémem). Všechna témata jsou hlavními přispěvateli datové kultury.
• Výkonná podpora a Centrum efektivity jsou hnacími faktory pro úspěch přijetí organizace.
• Datová gramotnost, demokratizace dat a zjišťování dat jsou aspekty datové kultury, které jsou silně ovlivněny přijetím organizace.
• Vlastnictví a správa obsahu a rozsah doručování obsahu úzce souvisí s demokratizací dat.

Prvky diagramu jsou popsány v této sérii článků.

Zpracování obrazu datové kultury

Koncept datové kultury může být obtížné definovat a měřit. I když je obtížné vyjádřit datovou kulturu způsobem, který je smysluplný, použitelný a měřitelný, musíte mít dobře pochopenou definici toho, co pro vaši organizaci znamená zdravá datová kultura. Tato vize zdravé datové kultury by měla:

• Pochází z úrovně vedení.
• Sladění s organizačními cíli
• Přímo ovlivnit strategii přechodu.
• Slouží jako základní zásady dodržování zásad správného řízení a pokynů.

Výstupy datové kultury nejsou výslovně pověřeny. Stav jazykové verze dat je spíše výsledkem dodržování pravidel zásad správného řízení při jejich vynucení (nebo nedostatku pravidel zásad správného řízení). Vedoucí pracovníci na všech úrovních musí aktivně předvádět své akce, které jsou pro ně důležité, včetně toho, jak chválí, rozpoznávají a odměňují pedagogy, kteří přijmou iniciativu.

Tip

Pokud se můžete rozhodnout, že vaše úsilí o vývoj datového řešení (jako je sémantický model– dříve označovaný jako datová sada, jezero nebo sestava) bude ohodnocen a ocení, což je vynikající indikátor zdravé kultury dat. Někdy ale závisí na tom, jaké hodnoty vašeho okamžitého manažera nejvíce hodnotí.

Počáteční motivace k vytvoření datové kultury často pochází z konkrétního strategického obchodního problému nebo iniciativy. Může to být:

• Reaktivní změna, například reakce na novou agilní soutěž.
• Proaktivní změna, například zahájení nové obchodní řady nebo rozšiřování nových trhů, aby se zabíjela příležitost "zelené pole". Řízení dat od začátku může být relativně jednodušší, pokud existuje méně omezení a komplikací v porovnání se zavedenou organizací.
• Řízený vnějšími změnami, jako je tlak na odstranění neekicience a redundance během ekonomického poklesu.

V každé z těchto situací je často určitá oblast, ve které datová jazyková verze přebírá kořen. Konkrétní oblastí může být rozsah úsilí, které je menší než celá organizace, i když je stále významné. Po provedení nezbytných změn v tomto menším rozsahu je možné je přírůstkově replikovat a přizpůsobit pro zbytek organizace.

I když technologie můžou pomoct s pokrokem v cílech datové kultury, implementace konkrétních nástrojů nebo funkcí není cílem. Tato série článků popisuje mnoho témat, která přispívají k přijetí zdravé datové kultury. Zbývající část tohoto článku se zabývá třemi základními aspekty datové kultury: zjišťování dat, demokratizace dat a datová gramotnost.

Zjišťování dat

Úspěšná jazyková verze dat závisí na uživatelích, kteří ve svých každodenních aktivitách pracují se správnými daty. K dosažení tohoto cíle musí uživatelé vyhledávat a přistupovat ke zdrojům dat, sestavám a dalším položkám.

Zjišťování dat je schopnost efektivně vyhledávat relevantní datové prostředky v celé organizaci. Zjišťování dat se primárně zabývá zlepšením povědomí o tom, že data existují, což může být obzvláště náročné v případě, že jsou data v odděleních vysílaná.

Zjišťování dat je trochu jiný koncept než vyhledávání, protože:

• Zjišťování dat umožňuje uživatelům zobrazit metadata pro položku, jako je název sémantického modelu, i když k ní aktuálně nemají přístup. Jakmile si uživatel uvědomí o své existenci, může tento uživatel projít standardním procesem a požádat o přístup k položce.
• Hledání umožňuje uživatelům najít existující položku, pokud už mají k položce přístup zabezpečení.

Tip

Je důležité mít jasný a jednoduchý proces, aby uživatelé mohli požádat o přístup k datům. Znalost, že data existují, ale nemůžou k datům přistupovat v rámci pokynů a procesů, které vlastník domény vytvořil, může být zdrojem frustrace pro uživatele. Může je vynutit, aby místo vyžádání přístupu přes správné kanály používaly neefektivní alternativní řešení.

Zjišťování dat přispívá k úsilí o přijetí a implementaci postupů zásad správného řízení:

• Podpora používání důvěryhodných vysoce kvalitních zdrojů dat.
• Povzbuzovat uživatele, aby využili stávajících investic do dostupných datových prostředků.
• Zvýšení úrovně využití a rozšiřování existujících datových položek (například lakehouse, datového skladu, datového kanálu, toku dat nebo sémantického modelu) nebo položek generování sestav (například sestav, řídicích panelů nebo metrik).
• Pomáháte lidem pochopit, kdo vlastní a spravuje datové prostředky.
• Navazování propojení mezi spotřebiteli, tvůrci a vlastníky

Datové centrum OneLake a použití doporučení jsou klíčovými způsoby propagace zjišťování dat ve vaší organizaci.

Řešení katalogu dat jsou navíc mimořádně cennými nástroji pro zjišťování dat. Můžou zaznamenávat značky metadat a popisy, aby poskytovaly hlubší kontext a význam. Například Microsoft Purview může prohledávat a katalogovat položky z tenanta Fabric (stejně jako mnoho dalších zdrojů).

Dotazy týkající se zjišťování dat

Pomocí otázek, jako jsou ty, které najdete níže, můžete vyhodnotit zjišťování dat.

• Je v datovém centru, kde můžou podnikoví uživatelé hledat data?
• Existuje katalog metadat, který popisuje definice a umístění dat?
• Jsou vysoce kvalitní zdroje dat schválené certifikací nebo povýšením?
• V jakém rozsahu existují redundantní zdroje dat, protože lidé nemůžou najít potřebná data? U jakých rolí se očekává vytvoření datových položek? U jakých rolí se očekává vytváření sestav nebo provádění ad hoc analýzy?
• Můžou koncoví uživatelé najít a používat existující sestavy nebo trvají na exportech dat, aby si vytvořili vlastní?
• Vědí koncoví uživatelé, které sestavy mají použít k řešení konkrétních obchodních otázek nebo vyhledání konkrétních dat?
• Používají lidé vhodné zdroje dat a nástroje nebo jim brání ve prospěch starších zdrojů dat?
• Rozumí analytikům, jak rozšířit stávající certifikované sémantické modely o nová data – například pomocí složeného modelu Power BI?
• Jak konzistentní jsou datové položky v jejich kvalitě, úplnosti a konvencích pojmenování?
• Můžou vlastníci datových položek sledovat rodokmen dat, aby provedli analýzu dopadu na datové položky?

Úrovně vyspělosti zjišťování dat

Následující úrovně vyspělosti vám můžou pomoct vyhodnotit aktuální stav zjišťování dat.

Úroveň	Zjišťování dat prostředků infrastruktury
100: Počáteční	• Data jsou fragmentovaná a neuspořádaná, bez jasných struktur nebo procesů, které je najdou. • Uživatelé se snaží najít a používat data, která potřebují pro své úkoly.
200: Opakovatelná	• Probíhá bodové nebo organické úsilí o uspořádání a dokumentování dat, ale pouze v určitých týmech nebo odděleních. • Obsah se občas doporučuje, ale tato doporučení nejsou definovaná a proces se nespravuje. Data zůstávají vysílaná a fragmentovaná a je obtížné získat přístup.
300: Definovaná	• Centrální úložiště, jako je datové centrum OneLake, se používá k usnadnění hledání dat pro lidi, kteří je potřebují. • Je zaveden explicitní proces, který doporučuje kvalitní údaje a obsah. • Základní dokumentace zahrnuje data katalogu, definice a výpočty a také jejich nalezení.
400: Schopná	• Strukturované a konzistentní procesy vedou uživatele k tomu, jak doporučit, dokumentovat a najít data z centrálního centra. Datové sila jsou výjimkou místo pravidla. • Kvalitní datové prostředky jsou konzistentně schváleny a snadno identifikovat. • Komplexní slovníky dat se udržují a vylepšují zjišťování dat.
500: Efektivní	• Data a metadata jsou systematicky uspořádaná a zdokumentovaná s úplným přehledem rodokmenu dat. • Kvalitní prostředky jsou schváleny a snadno identifikovat. • Katalogovací nástroje, jako je Microsoft Purview, slouží k tomu, aby byla data zjistitelná jak pro použití, tak pro zásady správného řízení.

Demokratizace dat

Demokratizace dat označuje vložení dat do rukou více uživatelů, kteří jsou zodpovědní za řešení obchodních problémů. Jde o to, aby více uživatelům umožnilo lépe rozhodovat na základě dat.

Poznámka:

Koncept demokratizace dat neznamená nedostatek zabezpečení ani nedostatek odůvodnění na základě pracovní role. Jako součást zdravé datové kultury pomáhá demokratizace dat snížit stínové IT tím, že poskytuje sémantické modely, které:

• Jsou zabezpečená, řízená a dobře spravovaná.
• Uspokojte obchodní potřeby nákladově efektivním a včasným způsobem.

Pozice vaší organizace v oblasti demokratizace dat bude mít široký dopad na přijetí a úsilí související se zásadami správného řízení.

Upozorňující

Pokud je přístup k datům nebo schopnost provádět analýzu omezen na vybraný počet jednotlivců v organizaci, obvykle se jedná o upozornění, protože schopnost pracovat s daty je klíčovou charakteristikou zdravé jazykové verze dat.

Dotazy týkající se demokratizace dat

K posouzení demokratizace dat použijte otázky, jako jsou ty, které najdete níže.

• Jsou data a analýzy snadno přístupné nebo omezené na omezené role a jednotlivce?
• Je účinný proces, který umožňuje uživatelům požádat o přístup k novým datům a nástrojům?
• Jsou data snadno sdílená mezi týmy a obchodními jednotkami, nebo jsou chycená a úzce chráněná?
• Kdo je povoleno mít Power BI Desktop nainstalovaný?
• Kdo je povoleno mít licence Power BI Pro nebo Power BI Premium na uživatele (PPU)?
• Kdo je povoleno vytvářet prostředky v pracovních prostorech Fabric?
• Jaká je požadovaná úroveň samoobslužné analýzy a povolení business intelligence (BI)? Jak se tato úroveň liší v závislosti na obchodní jednotce nebo pracovní roli?
• Jaký je požadovaný zůstatek mezi podnikovými a samoobslužnou analýzou a BI?
• Jaké zdroje dat jsou pro jaká témata a obchodní domény důrazně preferované? Jaké je povolené použití neschválené zdroje dat?
• Kdo může spravovat obsah? Liší se toto rozhodnutí pro data a sestavy? Liší se rozhodnutí pro podnikové uživatele BI a decentralizované uživatele? Kdo může vlastní a spravovat samoobslužný obsah BI?
• Kdo může využívat obsah? Liší se toto rozhodnutí u externích partnerů, zákazníků nebo dodavatelů?

Úrovně vyspělosti demokratizace dat

Následující úrovně vyspělosti vám můžou pomoct vyhodnotit aktuální stav demokratizace dat.

Úroveň	Stav demokratizace dat
100: Počáteční	• Data a analýzy jsou omezené na malý počet rolí, které vrátný přístup k ostatním. • Podnikoví uživatelé musí požádat o přístup k datům nebo nástrojům k dokončení úkolů. Bojuje se zpožděním nebo kritickými body. • Samoobslužné iniciativy probíhají s určitým úspěchem v různých oblastech organizace. K těmto aktivitám dochází poněkud chaoticky, s několika formálními procesy a žádným strategickým plánem. K těmto samoobslužným aktivitám chybí dohled a přehled. Úspěch nebo selhání každého řešení není dobře pochopitelné. • Podnikový datový tým nemůže držet krok s potřebami firmy. Pro tento tým existuje významný backlog požadavků.
200: Opakovatelná	• Probíhá omezené úsilí o rozšíření přístupu k datům a nástrojům. • Více týmů mělo měřitelný úspěch s samoobslužnými řešeními. Lidé v organizaci začínají věnovat pozornost. • Investice se provádějí s cílem identifikovat ideální rovnováhu podnikových a samoobslužných řešení.
300: Definovaná	• Mnoho lidí má přístup k datům a nástrojům, které potřebují, i když nejsou všichni uživatelé stejně povoleni nebo jsou zodpovědní za obsah, který vytvářejí. • Efektivní samoobslužné postupy pro data jsou přírůstkově a účelně replikovány v rámci více oblastí organizace.
400: Schopná	• Mezi podnikovými a samoobslužnými tvůrci řešení existují zdravá partnerství. Jasná, realistická odpovědnost uživatelů a zásady snižují riziko samoobslužných analýz a BI. • Jsou zavedeny jasné a konzistentní procesy, aby uživatelé požádali o přístup k datům a nástrojům. • Jednotlivci, kteří podniknou iniciativu při vytváření cenných řešení, jsou rozpoznáni a odměněni.
500: Efektivní	• Odpovědnost uživatelů a efektivní zásady správného řízení poskytují centrálním týmům důvěru v to, co uživatelé dělají s daty. • Automatizované, monitorované procesy umožňují uživatelům snadno požádat o přístup k datům a nástrojům. Při provádění analýz může tyto procesy sledovat kdokoli, kdo potřebuje data nebo je zajímá.

Datová gramotnost

Datová gramotnost odkazuje na schopnost interpretovat, vytvářet a komunikovat s daty a analýzami přesně a efektivně.

Školení, jak je popsáno v článku o mentoringu a povolení uživatelů, se často zaměřují na to, jak používat samotnou technologii. Technologické dovednosti jsou důležité pro vytváření vysoce kvalitních řešení, ale je také důležité zvážit, jak účelně rozvíjet datovou gramotnost v celé organizaci. Dalším způsobem, úspěšný přechod trvá mnohem víc než pouhé poskytování softwaru a licencí uživatelům.

Způsob, jakým se ve vaší organizaci snažíte zlepšit datovou gramotnost, závisí na mnoha faktorech, jako jsou aktuální sady dovedností uživatelů, složitost dat a požadované typy analýz. Můžete se zaměřit na tyto typy aktivit týkajících se datové gramotnosti:

• Interpretace grafů a grafů
• Posouzení platnosti dat
• Analýza původní příčiny
• Rozlišování korelace od příčin
• Vysvětlení toho, jak kontext a odlehlé hodnoty ovlivňují způsob prezentování výsledků
• Použití vyprávění příběhů, které pomáhá spotřebitelům rychle pochopit a jednat

Tip

Pokud se snažíte získat schválenou kulturu dat nebo úsilí o zásady správného řízení, můžete se zaměřit na hmatatelné výhody, kterých můžete dosáhnout při zjišťování dat ("najít data"), demokratizaci dat ("použití dat") nebo "porozumění datům" ("pochopení dat"). Může být také užitečné zaměřit se na konkrétní problémy, které můžete vyřešit nebo zmírnit prostřednictvím pokroku v datové kultuře.

Získání správných zúčastněných stran ke souhlasu s problémem je obvykle prvním krokem. Pak je důležité, aby se zúčastněné strany dohodly na strategickém přístupu k řešení spolu s podrobnostmi o řešení.

Otázky týkající se datové gramotnosti

Pomocí otázek, jako jsou ty, které najdete níže, použijte k posouzení datové gramotnosti.

• Existuje v organizaci běžná analytická slovní zásoba, která se týká dat a řešení BI? Alternativně se definice fragmentují a liší se napříč silami?
• Jak pohodlné jsou lidé s rozhodováním na základě dat a důkazů v porovnání s intuitivní a subjektivní zkušeností?
• Když jsou lidé, kteří drží názor, konfrontováni s konfliktní důkazy, jak reagují? Zhodnotili data kriticky, nebo je zavřeli? Můžou změnit svůj názor, nebo se stanou ukotvenými a odolnými?
• Existují školicí programy, které podporují lidi při učení se o datech a analytických nástrojích?
• Je ve prospěch statických tabulek významný odpor vůči vizuálním analýzám a interaktivním generování sestav?
• Otevírají se lidé novým analytickým metodám a nástrojům pro efektivnější řešení obchodních otázek? Nebo raději používají stávající metody a nástroje, aby ušetřili čas a energii?
• Existují metody nebo programy pro posouzení nebo zlepšení datové gramotnosti v organizaci? Má vedení přesné porozumění úrovním datové gramotnosti?
• Existují role, týmy nebo oddělení, kde je datová gramotnost obzvláště silná nebo slabá?

Vyspělost datových znalostí

Následující úrovně vyspělosti vám můžou pomoct vyhodnotit aktuální stav datové gramotnosti.

Úroveň	Stav datové gramotnosti
100: Počáteční	• Rozhodnutí se často provádějí na základě intuitivní a subjektivní zkušenosti. Když se setkáváte s daty, která čelí stávajícím názorům, data se často zamítnou. • Jednotlivci mají nízkou důvěru v používání a pochopení dat v rozhodovacích procesech nebo diskusích. • Uživatelé sestav mají silnou předvolbu pro statické tabulky. Tito uživatelé zamítnou interaktivní vizualizace nebo sofistikované analytické metody jako "fancy" nebo nepotřebné.
200: Opakovatelná	• Některé týmy a jednotlivci nekonzistentně začleňují data do rozhodování. Existují jasné případy, kdy nesprávná interpretace dat vedla k vadným rozhodnutím nebo nesprávným závěrům. • Existuje nějaký odpor, když data čelí před existujícím přesvědčením. • Někteří lidé jsou skeptičtí z interaktivních vizualizací a sofistikovaných analytických metod, i když jejich použití roste.
300: Definovaná	• Většina týmů a jednotlivců rozumí datům relevantním pro jejich obchodní oblast a implicitně je používá k informování rozhodnutí. • Když data čelí stávajícím přesvědčením, vytváří kritické diskuze a někdy motivuje změnu. • Vizualizace a pokročilá analýza jsou obecněji přijímány, i když se ne vždy používají efektivně.
400: Schopná	• Datová gramotnost je výslovně považována za nezbytnou dovednost v organizaci. Některé školicí programy řeší datovou gramotnost. Zvláštní úsilí je třeba usnadnit oddělením, týmům nebo jednotlivcům, kteří mají obzvláště slabou jazyknou výchovu k datům. • Většina jednotlivců může efektivně využívat a uplatňovat data k objektivnímu lepšímu rozhodování a provádění opatření. • Vizuální a analytické osvědčené postupy jsou zdokumentované a sledované v strategicky důležitých datových řešeních.
500: Efektivní	• Datová gramotnost, kritické myšlení a průběžné učení jsou strategické dovednosti a hodnoty v organizaci. Účinné programy monitorují pokrok v oblasti vzdělávání dat v organizaci. • Rozhodování je řízeno daty v celé organizaci. Rozhodovací funkce nebo preskriptivní analýzy se používají k doporučování klíčových rozhodnutí a akcí. • Vizuální a analytické osvědčené postupy jsou považovány za nezbytné pro generování obchodní hodnoty s daty.

Důležité informace a klíčové akce

Kontrolní seznam – Tady jsou některé důležité informace a klíčové akce, které můžete provést k posílení datové kultury.

• Sladění cílů a strategie datové kultury: Přiznávejte vážné úvahy o typu datové kultury, kterou chcete kultivovat. V ideálním případě je to spíše z pozice posílení postavení uživatele než pozice příkazu a řízení.
• Porozumíte vašemu aktuálnímu stavu: Promluvte si se zúčastněnými stranami v různých organizačních jednotkách, abyste pochopili, které analytické postupy aktuálně dobře fungují a které postupy nefungují dobře pro rozhodování řízené daty. Proveďte řadu workshopů, abyste porozuměli aktuálnímu stavu a formulovali požadovaný budoucí stav.
• Promluvte si se zúčastněnými stranami: Promluvte si se zúčastněnými stranami v OBLASTI IT, BI a COE , abyste pochopili, která omezení zásad správného řízení potřebují vzít v úvahu. Tyto konverzace můžou prezentovat příležitost informovat týmy o tématech, jako je zabezpečení a infrastruktura. Můžete také využít příležitost informovat zúčastněné strany o funkcích a možnostech zahrnutých v prostředcích infrastruktury.
• Ověření nabídky Executive Sponsorship: Ověřte úroveň sponzorství a podpory vedoucích pracovníků, které máte k dispozici pro zvýšení cílů datové kultury.
• Účelová rozhodnutí o strategii pro data: Rozhodněte se, jaký je ideální zůstatek samoobslužných služeb, spravovaných samoobslužných a podnikových dat, analýzy a případy použití BI pro klíčové obchodní jednotky v organizaci (probírané v článku o vlastnictví obsahu a správě ). Zvažte také, jak strategie dat souvisí s rozsahem publikovaného obsahu pro osobní, týmové, oddělení a podnikové analýzy a BI (popsané v článku o rozsahu doručování obsahu). Definujte své cíle a priority vysoké úrovně pro toto strategické plánování. Určete, jak tato rozhodnutí ovlivňují taktické plánování.
• Vytvoření taktického plánu: Začněte vytvářet taktický plán pro okamžité, krátkodobé a dlouhodobé akční položky. Identifikujte obchodní skupiny a problémy, které představují "rychlé výhry" a můžou představovat viditelný rozdíl.
• Vytváření cílů a metrik: Určete, jak budete měřit efektivitu iniciativ datové kultury. Vytvořte klíčové ukazatele výkonu (KPI) nebo cíle a klíčové výsledky (OKR), abyste ověřili výsledky vašeho úsilí.

Dotazy týkající se datové kultury

Pomocí otázek, jako jsou ty, které najdete níže, můžete vyhodnotit jazykovou verzi dat.

• Považují se data za strategická aktiva v organizaci?
• Existuje vize zdravé datové kultury, která pochází z vedení vedení a je v souladu s organizačními cíli?
• Je průvodce jazykovou verzí dat vytváření zásad správného řízení a pokynů?
• Jsou zdroje dat organizace důvěryhodné tvůrci obsahu a spotřebiteli?
• Při odůvodnění stanoviska, rozhodnutí nebo volby lidé používají data jako důkazy?
• Jsou znalosti o analýze a použití dat zdokumentované nebo se spoléhají na nezdokumentované kmenové znalosti?
• Jedná se o úsilí o vývoj datového řešení hodnotné a oceňované komunitou uživatelů?

Úrovně vyspělosti datové jazykové verze

Následující úrovně vyspělosti vám pomůžou vyhodnotit aktuální stav datové kultury.

Úroveň	Stav datové jazykové verze
100: Počáteční	• Podnikové datové týmy nemohou držet krok s potřebami firmy. Existuje významný backlog požadavků. • Samoobslužná data a iniciativy BI probíhají s určitým úspěchem v různých oblastech organizace. K těmto aktivitám dochází poněkud chaoticky, s několika formálními procesy a žádným strategickým plánem. • Chybí dohled a přehled o samoobslužných aktivitách BI. Úspěch nebo selhání dat a řešení BI nejsou dobře pochopitelné.
200: Opakovatelná	• Několik týmů mělo měřitelné úspěchy s samoobslužnými řešeními. Lidé v organizaci začínají věnovat pozornost. • Investice se provádějí s cílem identifikovat ideální rovnováhu podnikových a samoobslužných dat, analýz a BI.
300: Definovaná	• Stanoví se konkrétní cíle pro rozvoj datové kultury. Tyto cíle se implementují přírůstkově. • Učení z toho, co funguje v jednotlivých organizačních jednotkách, je sdíleno. • Efektivní samoobslužné postupy jsou přírůstkově a účelně replikovány v rámci více oblastí organizace.
400: Schopná	• Cíle datové kultury, které mají využívat informované rozhodování, jsou v souladu s organizačními cíli. Jsou aktivně podporovány výkonným sponzorem, COE a mají přímý dopad na strategie přijetí. • Mezi výkonným sponzorem, COE, obchodními jednotkami a IT existuje zdravé a produktivní partnerství. Týmy pracují na sdílených cílech. • Jednotlivci, kteří podniknou iniciativu při vytváření cenných datových řešení, jsou rozpoznáni a odměněni.
500: Efektivní	• Obchodní hodnota dat, analýz a řešení BI se pravidelně vyhodnocuje a měří. Klíčové ukazatele výkonu nebo žádosti o přijetí změn se používají ke sledování cílů kultury dat a výsledků tohoto úsilí. • Jsou zavedeny smyčky zpětné vazby a podporují průběžné vylepšování kultury dat. • Hlavní prioritou je neustálé vylepšování přechodu organizace, přijetí uživatelů a přijetí řešení.

Související obsah

V dalším článku v sérii plánů přechodu na Microsoft Fabric se dozvíte o důležitosti výkonného sponzora.