Veikart for innføring av Microsoft Fabric: Datakultur

  • Artikkel

Merk

Denne artikkelen er en del av veikartserien for Innføring av Microsoft Fabric av artikler. Hvis du vil ha en oversikt over serien, kan du se Veikart for innføring av Microsoft Fabric.

Å bygge en datakultur er nært knyttet til å ta i bruk analyser, og det er ofte et viktig aspekt ved organisasjonens digitale transformasjon. Begrepet datakultur kan defineres på forskjellige måter av forskjellige organisasjoner. I denne serien med artikler betyr datakultur et sett med atferd og normer i en organisasjon. Det oppmuntrer til en kultur som regelmessig benytter informerte databeslutningsprosesser:

  • Av flere interessenter i flere områder av organisasjonen.
  • Basert på analyse, ikke mening.
  • På en effektiv og effektiv måte som er basert på anbefalte fremgangsmåter godkjent av Center of Excellence (COE).
  • Basert på klarerte data.
  • Det reduserer avhengigheten av udokumentert stammekunnskap.
  • Det reduserer avhengigheten av pukkel og tarmbeslutninger.

Viktig

Tenk på datakultur som det du gjør, ikke hva du sier. Datakulturen din er ikke et sett med regler (det er styring). Så datakultur er et litt abstrakt konsept. Det er atferden og normene som tillates, belønnes og oppmuntres – eller de som ikke er tillatt og motløs. Husk at en sunn datakultur motiverer ansatte på alle nivåer i organisasjonen til å generere og distribuere handlingsvennlig kunnskap.

I en organisasjon vil enkelte forretningsenheter eller team sannsynligvis ha sin egen atferd og normer for å få ting gjort. De spesifikke måtene å oppnå datakulturmål på, kan variere på tvers av organisasjonsgrenser. Det som er viktig er at de alle skal samsvare med organisasjonens datakulturmål. Du kan tenke på denne strukturen som justert autonomi.

Følgende sirkeldiagram formidler de sammenhengende aspektene som påvirker datakulturen:

Diagram shows various relationships and influences in a data culture, which are described below.

Diagrammet viser de noe tvetydige relasjonene mellom følgende elementer:

Elementene i diagrammet diskuteres i denne serien med artikler.

Datakulturvisjon

Begrepet datakultur kan være vanskelig å definere og måle. Selv om det er utfordrende å artikulere datakultur på en måte som er meningsfull, handlingsbar og målbar, må du ha en godt forstått definisjon av hva en sunn datakultur betyr for organisasjonen. Denne visjonen om en sunn datakultur bør:

  • Stammer fra ledernivå.
  • Juster med organisasjonsmål.
  • Påvirke innføringsstrategien direkte.
  • Fungerer som de veiledende prinsippene på høyt nivå for å vedta styringspolitikk og retningslinjer.

Datakulturresultater er ikke spesifikt obligatoriske. I stedet er tilstanden til datakulturen et resultat av å følge styringsreglene etter hvert som de håndheves (eller mangelen på styringsregler). Ledere på alle nivåer må aktivt demonstrere gjennom sine handlinger hva som er viktig for dem, inkludert hvordan de roser, anerkjenner og belønner ansatte som tar initiativ.

Tips

Hvis du kan ta for gitt at din innsats for å utvikle en dataløsning (for eksempel en semantisk modell – tidligere kjent som et datasett, et lakehouse eller en rapport) vil bli verdsatt og verdsatt, er det en utmerket indikator på en sunn datakultur. Noen ganger avhenger det imidlertid av hva din nærmeste overordnede verdsetter mest.

Den første motivasjonen for å etablere en datakultur kommer ofte fra et bestemt strategisk forretningsproblem eller initiativ. Det kan være:

  • En reaktiv endring, for eksempel å svare på ny smidig konkurranse.
  • En proaktiv endring, for eksempel å starte en ny bransje eller utvide til nye markeder for å gripe en "grønt felt" mulighet. Å være datadrevet fra begynnelsen kan være relativt enklere når det er færre begrensninger og komplikasjoner, sammenlignet med en etablert organisasjon.
  • Drevet av eksterne endringer, for eksempel press for å eliminere ineffektivitet og redundans under en økonomisk nedgangstid.

I hver av disse situasjonene er det ofte et bestemt område der datakulturen slår rot. Det bestemte området kan være et omfang av innsats som er mindre enn hele organisasjonen, selv om det fortsatt er betydelig. Etter at nødvendige endringer er gjort i dette mindre omfanget, kan de replikeres trinnvis og tilpasses resten av organisasjonen.

Selv om teknologi kan bidra til å fremme målene for en datakultur, er ikke implementering av bestemte verktøy eller funksjoner målet. Denne serien av artikler dekker mange emner som bidrar til innføring av en sunn datakultur. Resten av denne artikkelen tar for seg tre viktige aspekter ved datakultur: dataoppdagelse, datademokratisering og dataleseferdighet.

Dataoppdagelse

En vellykket datakultur avhenger av at brukere arbeider med de riktige dataene i sine daglige aktiviteter. For å nå dette målet må brukerne finne og få tilgang til datakilder, rapporter og andre elementer.

Dataoppdagelse er muligheten til effektivt å finne relevante dataressurser på tvers av organisasjonen. Først og fremst er dataoppdagelse opptatt av å forbedre bevisstheten om at det finnes data, noe som kan være spesielt utfordrende når data er siloert i avdelingssystemer.

Dataoppdagelse er et litt annet konsept enn søk, fordi:

  • Dataoppdagelse gjør det mulig for brukere å se metadata for et element, for eksempel navnet på en semantisk modell, selv om de for øyeblikket ikke har tilgang til det. Når en bruker er klar over sin eksistens, kan denne brukeren gå gjennom standardprosessen for å be om tilgang til elementet.
  • Søk gjør det mulig for brukere å finne et eksisterende element når de allerede har sikkerhetstilgang til elementet.

Tips

Det er viktig å ha en klar og enkel prosess, slik at brukere kan be om tilgang til data. Det å vite at det finnes data, men ikke får tilgang til dem innenfor retningslinjene og prosessene som domeneeieren har opprettet, kan være en kilde til frustrasjon for brukerne. Det kan tvinge dem til å bruke ineffektive midlertidige løsninger i stedet for å be om tilgang gjennom de riktige kanalene.

Dataoppdagelse bidrar til innføringsarbeid og implementering av styringspraksis ved å:

  • Oppmuntre til bruk av klarerte datakilder av høy kvalitet.
  • Oppmuntre brukere til å dra nytte av eksisterende investeringer i tilgjengelige dataressurser.
  • Fremme bruken og berikelsen av eksisterende dataelementer (for eksempel et lakehouse, datalager, datasamlebånd, dataflyt eller semantisk modell) eller rapporteringselementer (for eksempel rapporter, instrumentbord eller måledata).
  • Hjelper folk med å forstå hvem som eier og administrerer dataressurser.
  • Etablere tilkoblinger mellom forbrukere, opprettere og eiere.

OneLake-datahuben og bruken av anbefalinger er viktige måter å fremme dataoppdagelse i organisasjonen på.

I tillegg er datakatalogløsninger svært verdifulle verktøy for dataoppdagelse. De kan registrere metadatakoder og beskrivelser for å gi dypere kontekst og mening. Microsoft Purview kan for eksempel skanne og katalogisere elementer fra en Fabric-leier (i tillegg til mange andre kilder).

Spørsmål å stille om dataoppdagelse

Bruk spørsmål som de nedenfor til å vurdere dataoppdagelse.

  • Finnes det en datahub der forretningsbrukere kan søke etter data?
  • Finnes det en metadatakatalog som beskriver definisjoner og dataplasseringer?
  • Er datakilder av høy kvalitet godkjent ved å sertifisere eller promotere dem?
  • I hvilken grad finnes overflødige datakilder fordi personer ikke finner dataene de trenger? Hvilke roller forventes å opprette dataelementer? Hvilke roller forventes å opprette rapporter eller utføre ad hoc-analyse?
  • Kan sluttbrukere finne og bruke eksisterende rapporter, eller insisterer de på dataeksport for å opprette sine egne?
  • Vet sluttbrukere hvilke rapporter som skal brukes til å løse bestemte forretningsspørsmål eller finne bestemte data?
  • Bruker folk de aktuelle datakildene og verktøyene, eller motsetter seg dem til fordel for eldre?
  • Forstår analytikere hvordan man beriker eksisterende sertifiserte semantiske modeller med nye data– for eksempel ved hjelp av en sammensatt Power BI-modell?
  • Hvor konsekvent er dataelementer i deres kvalitets-, fullstendighets- og navnekonvensjoner?
  • Kan eiere av dataelementer følge dataavstamming for å utføre konsekvensanalyse av dataelementer?

Forfallsnivåer for dataoppdagelse

Følgende forfallsnivåer kan hjelpe deg med å vurdere gjeldende tilstand for dataoppdagelse.

Nivå Tilstand av stoff-dataoppdagelse
100: innledende • Data er fragmentert og uorganisert, uten klare strukturer eller prosesser for å finne dem.

• Brukere sliter med å finne og bruke data de trenger for oppgavene sine.
200: gjentakbar • Spredt eller organisk innsats for å organisere og dokumentere data er i gang, men bare i enkelte team eller avdelinger.

• Innhold godkjennes av og til, men disse anbefalingene er ikke definert og prosessen administreres ikke. Data forblir siloed og fragmentert, og det er vanskelig å få tilgang til.
300: definert • Et sentralt repositorium, som OneLake-datahuben, brukes til å gjøre det enklere å finne data for personer som trenger det.

• En eksplisitt prosess er på plass for å godkjenne kvalitetsdata og innhold.

• Grunnleggende dokumentasjon inneholder katalogdata, definisjoner og beregninger, samt hvor du finner dem.
400: funksjonsdyktig • Strukturerte, konsekvente prosesser veileder brukerne hvordan de støtter, dokumenterer og finner data fra en sentral hub. Datasiloer er unntaket i stedet for regelen.

• Kvalitetsdataressurser godkjennes konsekvent og identifiseres enkelt.

• Omfattende dataordlister opprettholdes og forbedrer dataoppdagelse.
500: effektiv • Data og metadata er systematisk organisert og dokumentert med full oversikt over dataavstammingen.

• Kvalitetsressurser godkjennes og identifiseres enkelt.

• Katalogverktøy, som Microsoft Purview, brukes til å gjøre data synlig for både bruk og styring.

Datademokratisering

Datademokratisering refererer til å legge data i hendene på flere brukere som er ansvarlige for å løse forretningsproblemer. Det handler om å gjøre det mulig for flere brukere å ta bedre datadrevne beslutninger.

Merk

Begrepet datademokratisering innebærer ikke mangel på sikkerhet eller mangel på begrunnelse basert på jobbrolle. Som en del av en sunn datakultur bidrar datademokratisering til å redusere skygge-IT ved å tilby semantiske modeller som:

  • Er sikret, styrt og godt forvaltet.
  • Møt forretningsbehov på kostnadseffektive og rettidige måter.

Organisasjonens posisjon på datademokratisering vil ha en vidtrekkende innvirkning på innføring og styringsrelatert innsats.

Advarsel!

Hvis tilgang til data eller muligheten til å utføre analyser er begrenset til et utvalgt antall personer i organisasjonen, er det vanligvis et advarselstegn fordi muligheten til å arbeide med data er en viktig egenskap ved en sunn datakultur.

Spørsmål å stille om datademokratisering

Bruk spørsmål som de nedenfor til å vurdere datademokratisering.

  • Er data og analyse lett tilgjengelig eller begrenset til begrensede roller og enkeltpersoner?
  • Er det en effektiv prosess der personer kan be om tilgang til nye data og verktøy?
  • Er data lett delt mellom team og forretningsenheter, eller er det siloed og nøye bevoktet?
  • Hvem har Power BI Desktop installert?
  • Hvem har du tillatelse til å ha Lisenser for Power BI Pro eller Power BI Premium per bruker (PPU) ?
  • Hvem har lov til å opprette ressurser i Fabric-arbeidsområder?
  • Hva er ønsket nivå av selvbetjent analyse og brukeraktivering av forretningsintelligens (BI) ? Hvordan varierer dette nivået avhengig av forretningsenhet eller jobbrolle?
  • Hva er den ønskede balansen mellom bedriftsanalyse og selvbetjent analyse og BI?
  • Hvilke datakilder er sterkt foretrukket for hvilke emner og forretningsdomener? Hva er tillatt bruk av ikke-sanksjonerte datakilder?
  • Hvem kan behandle innhold? Er denne beslutningen forskjellig for data kontra rapporter? Er beslutningen forskjellig for enterprise BI-brukere kontra desentraliserte brukere? Hvem kan eie og administrere selvbetjent BI-innhold?
  • Hvem kan bruke innhold? Er denne beslutningen forskjellig for eksterne partnere, kunder eller leverandører?

Forfallsnivåer for datademokratisering

Følgende forfallsnivåer kan hjelpe deg med å vurdere gjeldende tilstand av datademokratisering.

Nivå Tilstand av datademokratisering
100: innledende • Data og analyser er begrenset til et lite antall roller, som har tilgang til andre.

• Forretningsbrukere må be om tilgang til data eller verktøy for å fullføre oppgaver. De sliter med forsinkelser eller flaskehalser.

• Selvbetjente initiativer finner sted med en viss suksess på ulike områder av organisasjonen. Disse aktivitetene skjer på en noe kaotisk måte, med få formelle prosesser og ingen strategisk plan. Det er mangel på tilsyn og innsyn i disse selvbetjente aktivitetene. Vellykket eller mislykket for hver løsning er ikke godt forstått.

• Virksomhetsdatateamet kan ikke holde tritt med bedriftens behov. Det finnes en betydelig mengde forespørsler for dette teamet.
200: gjentakbar • Det pågår en begrenset innsats for å utvide tilgangen til data og verktøy.

• Flere team har hatt målbar suksess med selvbetjente løsninger. Folk i organisasjonen begynner å være oppmerksomme.

• Det gjøres investeringer for å identifisere den ideelle balansen mellom virksomheter og selvbetjente løsninger.
300: definert • Mange personer har tilgang til dataene og verktøyene de trenger, men ikke alle brukere er like aktivert eller holdt ansvarlige for innholdet de oppretter.

• Effektive selvbetjente datapraksiser replikeres trinnvis og med hensikt i flere områder av organisasjonen.
400: funksjonsdyktig • Det finnes sunne partnerskap mellom bedrifts- og selvbetjente løsningsopprettere. Klar, realistisk brukeransvar og policyer reduserer risikoen for selvbetjent analyse og BI.

• Klare og konsekvente prosesser er på plass for at brukerne skal kunne be om tilgang til data og verktøy.

• Personer som tar initiativ til å bygge verdifulle løsninger blir anerkjent og belønnet.
500: effektiv • Brukeransvar og effektiv styring gir sentrale team tillit til hva brukerne gjør med data.

• Automatiserte, overvåkede prosesser gjør det enkelt for personer å be om tilgang til data og verktøy. Alle med behov eller interesse for å bruke data kan følge disse prosessene for å utføre analyser.

Dataleseferdighet

Dataleseferdighet refererer til muligheten til å tolke, opprette og kommunisere med data og analyser nøyaktig og effektivt.

Opplæringsarbeid, som beskrevet i artikkelen om veiledning og brukeraktivering , fokuserer ofte på hvordan du bruker selve teknologien. Teknologiferdigheter er viktige for å produsere løsninger av høy kvalitet, men det er også viktig å vurdere hvordan man med hensikt kan fremme dataleseferdighet i hele organisasjonen. Sagt på en annen måte, vellykket innføring tar mye mer enn bare å gi programvare og lisenser til brukere.

Hvordan du går om å forbedre dataleseferdighet i organisasjonen, avhenger av mange faktorer, for eksempel gjeldende brukerferdigheter, kompleksiteten i dataene og hvilke typer analyser som kreves. Du kan velge å fokusere på disse typene aktiviteter relatert til dataleseferdighet:

  • Tolke diagrammer og grafer
  • Vurdere gyldigheten av data
  • Utfører analyse av grunnårsak
  • Kresne korrelasjon fra årsakssammenheng
  • Forstå hvordan kontekst og ytterpunkter påvirker hvordan resultatene presenteres
  • Bruke historiefortelling til å hjelpe forbrukerne med å forstå og handle raskt

Tips

Hvis du sliter med å få godkjent datakultur eller styringsarbeid, kan det hjelpe å fokusere på konkrete fordeler som du kan oppnå med dataoppdagelse ("finn dataene"), datademokratisering ("bruk dataene"), eller dataleseferdighet ("forstå dataene"). Det kan også være nyttig å fokusere på spesifikke problemer som du kan løse eller redusere gjennom forbedringer i datakulturen.

Å få de riktige interessentene til å bli enige om problemet er vanligvis det første trinnet. Deretter er det et spørsmål om å få interessentene til å bli enige om den strategiske tilnærmingen til en løsning, sammen med løsningsdetaljene.

Spørsmål å stille om dataleseferdighet

Bruk spørsmål som de nedenfor til å vurdere dataleseferdighet.

  • Finnes det et vanlig analytisk vokabular i organisasjonen for å snakke om data og BI-løsninger? Alternativt er definisjoner fragmentert og forskjellig på tvers av siloer?
  • Hvor komfortable er det å ta avgjørelser basert på data og bevis sammenlignet med intuisjon og subjektiv erfaring?
  • Når folk som har en mening blir konfrontert med motstridende bevis, hvordan reagerer de? Appraise de kritisk dataene, eller avviser de dem? Kan de endre sin mening, eller blir de forankret og motstandsdyktige?
  • Finnes det opplæringsprogrammer for å støtte personer i å lære om data og analytiske verktøy?
  • Er det betydelig motstand mot visuell analyse og interaktiv rapportering til fordel for statiske regneark?
  • Er folk åpne for nye analytiske metoder og verktøy for å potensielt løse sine forretningsspørsmål mer effektivt? Alternativt foretrekker de å fortsette å bruke eksisterende metoder og verktøy for å spare tid og energi?
  • Finnes det metoder eller programmer for å vurdere eller forbedre dataleseferdighet i organisasjonen? Har ledelsen en nøyaktig forståelse av dataleseferdighetsnivåene?
  • Finnes det roller, team eller avdelinger der dataleseferdighet er spesielt sterk eller svak?

Forfallsnivåer for dataleseferdighet

Følgende forfallsnivåer kan hjelpe deg med å vurdere gjeldende tilstand for dataleseferdighet.

Nivå Tilstand av dataleseferdighet
100: innledende • Beslutninger tas ofte basert på intuisjon og subjektiv erfaring. Når de konfronteres med data som utfordrer eksisterende meninger, blir data ofte avvist.

• Enkeltpersoner har lav tillit til å bruke og forstå data i beslutningsprosesser eller diskusjoner.

• Rapportforbrukere har en sterk preferanse for statiske tabeller. Disse forbrukerne avviser interaktive visualiseringer eller avanserte analytiske metoder som «fancy» eller unødvendige.
200: gjentakbar • Noen team og enkeltpersoner inkorporerer inkonsekvent data i beslutningsprosesser. Det finnes klare tilfeller der feiltolkning av data har ført til feilaktige beslutninger eller feil konklusjoner.

• Det er en viss motstand når data utfordrer eksisterende tro.

• Noen er skeptiske til interaktive visualiseringer og avanserte analytiske metoder, selv om bruken øker.
300: definert • De fleste team og enkeltpersoner forstår data som er relevante for forretningsområdet og bruker dem implisitt til å informere beslutninger.

• Når data utfordrer eksisterende tro, produserer det kritiske diskusjoner og motiverer noen ganger endring.

• Visualiseringer og avansert analyse er mer allment akseptert, men brukes ikke alltid effektivt.
400: funksjonsdyktig • Dataleseferdighet gjenkjennes eksplisitt som en nødvendig ferdighet i organisasjonen. Noen opplæringsprogrammer tar for seg dataleseferdighet. Det arbeides spesielt for å hjelpe avdelinger, team eller enkeltpersoner som har spesielt svak dataleseferdighet.

• De fleste kan effektivt bruke og bruke data til å ta objektivt bedre beslutninger og utføre handlinger.

• Visuelle og analytiske anbefalte fremgangsmåter er dokumentert og fulgt i strategisk viktige dataløsninger.
500: effektiv • Dataleseferdighet, kritisk tenkning og kontinuerlig læring er strategiske ferdigheter og verdier i organisasjonen. Effektive programmer overvåker fremdriften for å forbedre dataleseferdigheten i organisasjonen.

• Beslutningsprosesser drives av data på tvers av organisasjonen. Beslutningsintelligens eller forhåndsskriptiv analyse brukes til å anbefale viktige beslutninger og handlinger.

• Visuelle og analytiske anbefalte fremgangsmåter blir sett på som avgjørende for å generere forretningsverdi med data.

Vurderinger og viktige tiltak

Sjekkliste – Her er noen hensyn og viktige handlinger du kan gjøre for å styrke datakulturen.

  • Juster målene og strategien for datakulturen: Ta hensyn til hvilken type datakultur du vil dyrke. Ideelt sett er det mer fra en posisjon av bruker empowerment enn en posisjon av kommando og kontroll.
  • Forstå gjeldende tilstand: Snakk med interessenter i ulike forretningsenheter for å forstå hvilke analysepraksiser som for øyeblikket fungerer bra, og hvilke praksiser som ikke fungerer bra for datadrevne beslutninger. Gjennomføre en rekke workshops for å forstå gjeldende tilstand og formulere ønsket fremtidig tilstand.
  • Snakk med interessenter: Snakk med interessenter i IT, BI og COE for å forstå hvilke styringsbegrensninger som må vurderes. Disse samtalene kan gi en mulighet til å lære team om emner som sikkerhet og infrastruktur. Du kan også bruke muligheten til å lære interessenter om funksjonene og funksjonene som er inkludert i Fabric.
  • Bekreft ledelsens sponsing: Bekreft nivået på støtte og støtte for ledelsen som du har på plass for å fremme datakulturmål.
  • Ta målrettede beslutninger om datastrategien: Bestem hva den ideelle balansen mellom forretningsledet selvbetjening, administrert selvbetjening og virksomhetsdata, analyse- og BI-brukstilfeller bør være for de viktigste forretningsenhetene i organisasjonen (som dekkes av innholdseierskapet og administrasjonsartikkelen). Vurder også hvordan datastrategien relaterer seg til omfanget av publisert innhold for personlig, team, avdelingsanalyse og bedriftsanalyse og BI (beskrevet i artikkelen om innholdsleveringsomfang ). Definer målene og prioriteringene på høyt nivå for denne strategiske planleggingen. Bestem hvordan disse beslutningene påvirker din taktiske planlegging.
  • Opprett en taktisk plan: Begynn å opprette en taktisk plan for umiddelbare, kortsiktige og langsiktige handlingselementer. Identifiser forretningsgrupper og problemer som representerer «raske gevinster» og kan gjøre en synlig forskjell.
  • Opprett mål og måledata: Bestem hvordan du skal måle effektiviteten for datakulturinitiativene dine. Opprett viktige ytelsesindikatorer (KPI-er) eller målsettinger og viktige resultater (OKRs) for å validere resultatene av innsatsen din.

Spørsmål å stille om datakultur

Bruk spørsmål som de nedenfor til å vurdere datakultur.

  • Regnes data som en strategisk ressurs i organisasjonen?
  • Er det en visjon om en sunn datakultur som stammer fra lederledelse og er i tråd med organisasjonens mål?
  • Veileder datakulturen opprettelsen av styringspolicyer og retningslinjer?
  • Er organisasjonsdatakilder klarert av innholdsopprettere og forbrukere?
  • Når man rettferdiggjør en mening, beslutning eller et valg, bruker folk data som bevis?
  • Er kunnskap om analyse og databruk dokumentert, eller er det en avhengighet av udokumentert stammekunnskap?
  • Er arbeidet med å utvikle en dataløsning verdsatt og verdsatt av brukerfelleskapet?

Forfallsnivåer for datakultur

Følgende forfallsnivåer vil hjelpe deg med å vurdere den gjeldende tilstanden til datakulturen.

Nivå Tilstand av datakultur
100: innledende • Virksomhetsdatateam kan ikke holde tritt med bedriftens behov. Det finnes en betydelig mengde forespørsler.

• Selvbetjente data og BI-initiativer finner sted med en viss suksess på ulike områder av organisasjonen. Disse aktivitetene skjer på en noe kaotisk måte, med få formelle prosesser og ingen strategisk plan.

• Det er mangel på tilsyn og innsyn i selvbetjente BI-aktiviteter. Vellykkede eller mislykkede data- og BI-løsninger er ikke godt forstått.
200: gjentakbar • Flere team har hatt målbare suksesser med selvbetjente løsninger. Folk i organisasjonen begynner å være oppmerksomme.

• Det gjøres investeringer for å identifisere den ideelle balansen mellom virksomhets- og selvbetjente data, analyser og BI.
300: definert • Det etableres spesifikke mål for å fremme datakulturen. Disse målene implementeres trinnvis.

• Læring fra det som fungerer i individuelle forretningsenheter deles.

• Effektive selvbetjente praksiser replikeres trinnvis og med hensikt i flere områder av organisasjonen.
400: funksjonsdyktig • Målene for datakultur å bruke informerte beslutninger er i tråd med organisasjonens mål. De støttes aktivt av den utøvende sponsoren, COE, og de har en direkte innvirkning på innføringsstrategier.

• Det finnes et sunt og produktivt partnerskap mellom den utøvende sponsoren, COE, forretningsenheter og IT. Teamene arbeider mot delte mål.

• Personer som tar initiativ til å bygge verdifulle dataløsninger, blir anerkjent og belønnet.
500: effektiv • Forretningsverdien av data, analyse og BI-løsninger evalueres og måles regelmessig. KPI-er eller OKR-er brukes til å spore datakulturmål og resultatene av dette arbeidet.

• Tilbakemeldingsløkker er på plass, og de oppmuntrer til kontinuerlige forbedringer i datakulturen.

• Kontinuerlig forbedring av organisasjonsinnføring, brukerinnføring og løsningsinnføring er en høyeste prioritet.

Relatert innhold

I den neste artikkelen i veikartserien for Innføring av Microsoft Fabric lærer du om viktigheten av en ledersponsor.