Big data mognadsmodell
Big data maturity models (BDMM) är de artefakter som används för att mäta big data mognad. Dessa modeller hjälper organisationer att skapa struktur kring sina big data-kapaciteter och att identifiera var de ska börja. De tillhandahåller verktyg som hjälper organisationer att definiera mål kring sitt big data-program och att kommunicera sin big data-vision till hela organisationen. BDMM tillhandahåller också en metod för att mäta och övervaka tillståndet för ett företags big data-kapacitet, den ansträngning som krävs för att slutföra deras nuvarande stadium eller mognadsfas och för att gå vidare till nästa steg. Dessutom mäter och hanterar BDMMs hastigheten för både framsteg och införande av big data-program i organisationen.
Målen för BDMM:er är:
- Att tillhandahålla ett kapacitetsbedömningsverktyg som genererar specifikt fokus på big data inom viktiga organisatoriska områden
- Att hjälpa till att vägleda utvecklingsmilstolpar
- För att undvika fallgropar i att etablera och bygga stordatakapacitet
Viktiga organisatoriska områden hänvisar till "människor, process och teknik" och delkomponenterna inkluderar anpassning, arkitektur, data, datastyrning, leverans , utveckling, mätning, programstyrning, omfattning, kompetens, sponsring, statistisk modellering , teknologi, värde och visualisering.
Stadierna eller faserna i BDMMs skildrar de olika sätten på vilka data kan användas i en organisation och är ett av nyckelverktygen för att sätta riktning och övervaka hälsan hos en organisations big data-program.
Ett underliggande antagande är att en hög nivå av big data-mognad korrelerar med ökade intäkter och minskade operativa kostnader. Att nå den högsta mognadsnivån innebär dock stora investeringar under många år. Endast ett fåtal företag anses vara i ett "moget" stadium av big data och analys. Dessa inkluderar internetbaserade företag (som LinkedIn , Facebook och Amazon ) och andra icke-internetbaserade företag, inklusive finansiella institutioner (bedrägerianalys, kundmeddelanden i realtid och beteendemodellering) och detaljhandelsorganisationer ( klickströmsanalys tillsammans med självbetjäningsanalys för team).
Kategorier
Big data mognadsmodeller kan delas upp i tre breda kategorier, nämligen:
- Beskrivande
- Jämförande
- Normativ
Beskrivande
Beskrivande modeller bedömer företagets nuvarande mognad genom kvalitativ positionering av företaget i olika stadier eller faser. Modellen ger inga rekommendationer om hur ett företag skulle förbättra sin big data-mognad.
Big data och analysmognadsmodell (IBM-modell)
Denna beskrivande modell syftar till att bedöma värdet som genereras av investeringar i stordata för att stödja strategiska affärsinitiativ.
Mognadsnivåer
Modellen består av följande mognadsnivåer:
- Ad-hoc
- Grundläggande
- Konkurrensmässig differentiering
- Bryta sig loss
Bedömningsområden
Mognadsnivåer täcker också områden i matrisformat med fokus på: affärsstrategi, information, analys, kultur och utförande, arkitektur och styrning.
Kunnig big data mognadsbedömning
Denna mognadsmodell för big data, som består av en utvärderingsundersökning, bedömer en organisations beredskap att genomföra big data-initiativ. Dessutom syftar modellen till att identifiera de steg och lämpliga teknologier som kommer att leda en organisation mot big data-mognad.
Jämförande
Jämförande mognadsmodeller för big data syftar till att benchmarka en organisation i förhållande till dess branschkollegor och består normalt av en undersökning som innehåller kvantitativ och kvalitativ information.
CSC big data mognadsverktyg
CSC big data mognadsverktyget fungerar som ett jämförande verktyg för att jämföra en organisations big data mognad. En kartläggning genomförs och resultaten jämförs sedan med andra organisationer inom en specifik bransch och inom den bredare marknaden.
TDWI big data mognadsmodell
TDWI big data mognadsmodellen är en modell inom det nuvarande big data mognadsområdet och består därför av en betydande mängd kunskap.
Mognadsstadier
De olika mognadsstadierna i TDWI BDMM kan sammanfattas enligt följande:
Steg 1: Begynnande
Det begynnande skedet som en pre-big data-miljö. Under detta skede:
- Organisationen har en låg medvetenhet om big data eller dess värde
- Det finns lite eller inget ledningsstöd för insatsen och endast vissa personer i organisationen är intresserade av potentiellt värde av big data
- Organisationen förstår fördelarna med analys och kan ha ett datalager
- En organisations styrningsstrategi är vanligtvis mer IT-centrerad snarare än att vara integrerande affärs- och IT-centrerad
Steg 2: Föradoption
Under pre-adoptionen:
- Organisationen börjar undersöka big data-analys
Steg 3: Tidig adoption "avgrunden" Det finns då i allmänhet en rad hinder som måste övervinnas. Dessa hinder inkluderar:
- Få rätt kompetens för att stödja förmågan, inklusive Hadoop och avancerade analytiska färdigheter
- Politiska frågor, dvs big data-projekt bedrivs inom områden inom organisationen och försök att utöka insatsen eller genomdriva strängare standarder och styrning leder till frågor om ägande och kontroll
Steg 4: Företagsadoption
Företagsadoptionsstadiet kännetecknas av slutanvändarnas engagemang, en organisation får ytterligare insikt och sättet att bedriva affärer förändras. Under detta skede:
- Slutanvändare kan ha börjat operationalisera big data-analyser eller ändra sina beslutsprocesser
- De flesta organisationer skulle redan upprepade gånger ha åtgärdat vissa luckor i sin infrastruktur, datahantering, styrning och analys
Steg 5: Mogen / visionär
Endast ett fåtal organisationer kan betraktas som visionära när det gäller big data och big data-analys. Under detta skede:
- kan köra big data-program som en väloljad maskin med mycket mogen infrastruktur
- har ett väletablerat big data-program och big data-styrningsstrategier
- genomför sitt big data-program som ett budgeterat och planerat initiativ ur ett organisationsövergripande perspektiv
- vars anställda delar en nivå av spänning och energi kring big data och big data-analys
Forskningsresultat
TDWI gjorde en bedömning av 600 organisationer och fann att majoriteten av organisationerna antingen befinner sig i pre-adoption (50 %) eller tidig adoption (36 %). Dessutom har endast 8% av urvalet lyckats ta sig förbi avgrunden mot företagsadoption eller att vara mogen/visionär.
Normativ
Majoriteten av föreskrivande BDMMs följer ett liknande modus operandi genom att den nuvarande situationen först bedöms följt av faser som plottar vägen mot ökad big data-mognad. Exempel är:
Info-tech big data mognadsbedömningsverktyg
Denna mognadsmodell är föreskrivande i den meningen att modellen består av fyra distinkta faser som var och en plottar en väg mot big data-mognad. Faserna är:
- Fas 1, genomgå big data utbildning
- Fas 2, utvärdera big data-beredskap
- Fas 3, peka ut ett mördande big data-användningsfall
- Fas 4, strukturera ett proof-of-concept-projekt för stordata
Radcliffe big data mognadsmodell
Radcliffe big data mognadsmodell, liksom andra modeller, består också av distinkta mognadsnivåer som sträcker sig från:
- 0 – "I mörkret"
- 1 – "Kom ikapp"
- 2 – "Första pilot"
- 3 – "Taktiskt värde"
- 4 – "Strategisk hävstång"
- 5 – "Optimera och utöka"
Booz & Companys modell
Denna BDMM tillhandahåller ett ramverk som inte bara gör det möjligt för organisationer att se omfattningen av sin nuvarande mognad, utan också att identifiera mål och möjligheter för tillväxt i big data-mognad. Modellen består av fyra steg, nämligen
- Steg 1: Prestationshantering
- Steg 2: Funktionellt område excellens
- Steg 3: Värdeförslag
- Steg 4: Transformation av affärsmodell
Van Veenstras modell
Den föreskrivande modellen som föreslagits av Van Veenstra syftar till att först utforska den befintliga big data-miljön i organisationen följt av exploateringsmöjligheter och en tillväxtväg mot big data-mognad. Modellen använder sig av fyra faser, nämligen:
- Effektivitet
- Effektivitet
- Nya lösningar
- Omvandling
Kritisk utvärdering
Aktuella BDMM har utvärderats enligt följande kriterier:
- Modellstrukturens fullständighet (fullständighet, konsekvens)
- Kvaliteten på modellutveckling och utvärdering (pålitlighet, stabilitet)
- Enkel applicering (lätt att använda, begriplighet)
- Värdeskapande av big data (aktualitet, relevans, prestanda)
TDWI och CSC har de starkaste övergripande resultaten med jämna poäng i var och en av kriteriegrupperna. De övergripande resultaten kommunicerar att de bästa modellerna är omfattande, balanserade, väldokumenterade, lätta att använda och de adresserar ett stort antal big data-kapaciteter som används för att skapa affärsvärde. Booz & Companys och Knowledgents modeller är nära sekunder och dessa mellanpresterande arbetar med värdeskapande av big data på ett lovvärt sätt, men misslyckas när man undersöker modellernas fullständighet och enkelheten att applicera. Knowledgent lider av dålig kvalitet på utvecklingen, har knappt dokumenterat någon av sina utvecklingsprocesser. Resten av modellerna, det vill säga Infotech, Radcliffe, van Veenstra och IBM, har kategoriserats som lågpresterande. Även om deras innehåll är väl anpassat till affärsvärdeskapande genom stordatakapacitet, saknar de alla utvecklingskvalitet, enkel tillämpning och omfattande. Lägsta poäng tilldelades IBM och Van Veenstra, eftersom båda ger vägledning på låg nivå för respektive mognadsmodells praktiska användning, och de saknar helt dokumentation, vilket i slutändan resulterar i dålig kvalitet på utveckling och utvärdering.