IPTOP ile Ölçeklenebilir Bir Veri Stratejisi Kurmak: Altyapı, İnsanlar, Araçlar, Organizasyon ve Süreçler

Günümüzde birçok kuruluş, dijital dönüşüm girişimlerinin bir parçası olarak veri bilimi uygulamalarını benimsiyor. Ancak çoğu, bir veri stratejisi ve kurum içinde veri bilimini ölçeklendirmek için net bir yol haritası olmadan verilerini analiz etmenin meyvelerini toplayamayacaktır. McKinsey, dijital dönüşüm girişimlerine başlayan 1.000 şirketten yalnızca sekizinin pilot projelerin ötesinde veri bilimini ölçekleyebildiğini buldu.

Ayrıca, çoğu kuruluş veri odaklı olmanın değerini anlasa da veri bilimini, farklı ekiplerden gelen talepler üzerinde çalışan, izole bir merkezi destek işlevi olarak ele alıyor. Bu yaklaşım, veri biliminin olması gereken şeyle—yani iş hedeflerine ulaşmak için bir araç olmakla—doğası gereği çelişiyor. Anaconda CEO’su Peter Wang’ın dediği gibi, veri bilimi iş dünyasında yol almak için “bir sorgulama ve keşif biçimidir”.

Bir fizikçi doğal dünyayı anlamlandırmak için matematik kullanırken, veri bilimciler iş dünyasını anlamlandırmak için matematiksel ve hesaplamalı araçlardan yararlanır. —Peter Wang, Anaconda CEO’su

Bu tecrit etkisi, veri biliminin nihai amacının her zaman bir kuruluş içindeki büyük üretim dikeylerini otomatikleştiren veya kolaylaştıran yapay zekâ modelleri olması gerektiği yönündeki yanlış öncülle daha da kötüleşir. Yatırımın anında geri dönüşünü bekleyen şirketler, bunun çoğu zaman böyle olmadığını görerek hayal kırıklığına uğruyor.

Veri bilimine bu dar bakış, değerini nispeten zor elde edilen öngörücü analitiğe (yani verilerle geleceği tahmin etme yeteneği) atfeder. Ayrıca, makine öğrenimini ölçekli biçimde gerçekleştirmek için gereken altyapı çalışmalarını göz ardı eder. Oysa veri biliminin değerinin büyük bir kısmı, nispeten daha basit betimleyici analitiğin (veriyi tanımlama ve doğru kişilerin eline ulaştırma) ve yönlendirici analitiğin (veriye dayalı kararlar alma) hayata geçirilmesinden gelir.

Başarılı bir dijital dönüşümü tamamlamak, veri bilimi ve analitik alanında kurumsal yetkinlikler geliştirmeyi gerektirir. Bu da akıllı, kapsayıcı ve ölçeklenebilir bir veri stratejisi oluşturup uygulamayı zorunlu kılar.

İşte burada IPTOP çerçevemiz devreye giriyor. IPTOP, veri stratejinizi başarılı bir dijital dönüşümü tamamlayacak şekilde ölçeklenebilir biçimde uygulamak için beş sütun (A ltyapı, İ nsanlar, A raçlar, O rganizasyon ve S üreçler) ortaya koyan bir çerçevedir. Daha fazlasını öğrenmek için yaklaşan webinar serimize katılın.

Altyapı

Her veri stratejisinin amacı, ham veriyi içgörülere ve kararlara dönüştürmektir. Bunun için kuruluşların verilerini herkes tarafından erişilebilir olacak şekilde güvenli ve verimli biçimde toplaması, kaydetmesi ve depolaması gerekir. Ancak veriler çoğu zaman farklı biçim, yapı ve boyutlarda toplanır. Bu yolculuğa yardımcı olan çeşitli veritabanları, veri gölleri, veri ambarları, betikler ve panolar, veri altyapısını oluşturur. Sağlam bir veri altyapısı kurmak, en iyi uygulamaları anlamayı gerektirir.

İnsanlar

Veri bilimine, daha iyi kararlar verme hedefinin bir aracı olarak bakmak, kuruluşların ekiplerini ihtiyaç duydukları becerilere göre kurmalarını sağlar. Role dayalı bir yaklaşım, performans hedeflerini, müşteri kaybını tahmin etmek veya panolarla veriyi görselleştirmek gibi iş hedeflerine ulaşmak için gereken becerilerle belirlemeyi, değerlendirmeyi ve eşlemeyi gerektirir. Bu da her rol için özel öğrenme yolları ile sonuçlanır.

İyi bir örnek, her çalışanın veriye dayalı kararlar almak için gereken becerilerle donatılmasını amaçlayan, kendilerine ait eğitim programı Airbnb Data University’dir. Mesleği veri bilimciliği olmayan çalışanların, bilinçli kararlar alabilen Vatandaş Veri Bilimciler hâline gelmesini sağlamak, veri bilimi ekibinin zamanını daha stratejik projelere ayırmasına imkân tanımıştır.

Araçlar

Altyapı, kuruluşların veriden içgörü üretmesini sağlarken, araçlar kurum genelinde ortak bir veri dilinin benimsenmesini kolaylaştırır ve teşvik eder. Veriye erişim, analiz, görselleştirme ve panolar için araçlar kullanmak, kuruluşların daha verimli olmasını sağlar ve içgörü elde etme süresini kısaltır. Bu araçlar, Python, R ve SQL gibi açık kaynak programlama dillerinden Power BI, Tableau ve Excel gibi tıklayıp-seçmeli araçlara kadar uzanabilir.

Bu araçların üzerine, veriye erişimi yalınlaştıran kurumlara özel çerçeveler inşa etmek, veri biliminin ölçeklenmesi önündeki engeli önemli ölçüde düşürür. DataCamp’te, veri göllerine bağlanmayı, veri sorgulamayı ve basit komutlarla veriyi özetlemeyi soyutlayan kendimize ait Python ve R paketlerimiz var. Herkes “X dersinin son Y haftadaki puanı neydi?” gibi soruları bir iki satır kodla yanıtlayabilir. Benzer şekilde Airbnb, veriyi kendi tercih ettikleri görsel estetikle sorgulamayı ve görselleştirmeyi kolaylaştıran bir R paketine sahip; bu da kurum genelinde tutarlı veri analizi ve görselleştirmeyi sağlama konusunda tahmin yürütmeyi ortadan kaldırır.

Organizasyon

Bir veri stratejisinin önemli bir boyutu, veri profesyonellerinin nasıl organize edildiğidir. Çoğu şirkette raporlama yapıları ve gündemler işi yönlendirdiğinden, organizasyon yapısı şirketinizi sürdürülebilir başarı için konumlandırmalıdır. Veri bilimcilerin tek bir veri bilimi ekibinde yer aldığı merkezi bir model ile farklı departmanlara gömülü olduğu dağıtık bir model arasında ödünleşimler vardır.

Merkezi modelde, merkezi bir veri bilimi ekibi diğer departmanlardan gelen bilgi taleplerini önceliklendirir ve üzerinde çalışır. Bu modelde sorular içeri gelir, cevapların çıkması beklenir. Bu, veri bilimi ekibinin mükemmeliyet merkezi hâline gelmesini sağlar; veri bilimciler tek bir stratejik yönelim altında iş birliği yapar ve bilgi paylaşır. Ancak bu durum, veri bilimi ekiplerini ve araçlarını izole eder; bu da veri bilimciler için diğer departmanlarla koordinasyon ve iletişimi zorlaştırır.

Dağıtık modelde, veri bilimciler kuruluş içinde farklı departmanlara gömülüdür. Bu, veri bilimine masada bir koltuk vererek kendi departmanlarının stratejik yönünü etkilemelerini sağlar; zira veri bilimciler başarı için gereken alan bilgisini edinirler. Ancak dağınık olmaları ve iş ekiplerinin yöneticileri tarafından yönetilmeleri nedeniyle bunun bir dezavantajı, veri bilimcilerin büyüme, öğrenme ve gelişimlerinin ve iş birliği yapma kapasitelerinin zarar görebilmesidir.

Bu iki model, bir yelpazenin zıt uçları olarak görülmelidir. Merkezi ve dağıtık modellerin unsurlarını birleştiren; veri biliminin ölçekli değerini en üst düzeye çıkarmak için departmanları farklı şekillerde gruplayan pek çok hibrit model vardır.

Süreçler

Son olarak, ölçeklenebilir bir veri stratejisi oluşturmak, konvansiyonlar, en iyi uygulamalar ve süreçler üzerinde hizalanmayı gerektirir. Hizalanmayı teşvik etmek, iş birliğini kolaylaştırmak ve izole bir organizasyondan kaçınmak için kritik önemdedir. Bu, tüm ekiplerin ortak bir veri dili altında sorunsuzca birlikte çalışmasını ve iletişim kurmasını sağlar.

Süreçlerde hizalanma inşa etmeye başlamanın kolay bir yolu, analitik bir proje için farklı görev ve alt görevlerin gereksinimleriyle birlikte önceden haritalandığı, ön tanımlı bir proje yapısı ve şablonu oluşturmaktır. Microsoft, herhangi bir paydaşın proje gereksinimlerini açıkça anlamasını, veri analizi ve işlem gücüne erişim için şablonları kullanmasını ve sürecin farklı aşamalarının sahiplerini belirlemesini sağlayan Takım Veri Bilimi Sürecini benimsedi.

Kuruluşunuza ve sektörünüze bağlı olarak, ön tanımlı proje şablonları belirli düzenleyici gereksinimlere tabi olabilir ve karmaşık süreçler gerektirebilir. Ekipler ve veri profesyonelleri arasında hizalanmayı artırmak için proje yapı şablonları belirlemede açık kaynak araçlardan yararlanabilirsiniz.

Ekibinizin veriye yaklaşımını daha iyi anlamak için veri olgunluğu değerlendirmesini yapın.