3 modèles de réussite commerciale avec les données

Par George Trujillo, stratège principal des données, DataStax

J'ai été un praticien des données responsable de la mise en œuvre de stratégies de gestion des données dans les services financiers, la vente au détail en ligne et à peu près tout le reste. Dans tous ces rôles, j'ai rencontré des modèles qui permettent aux organisations de créer plus rapidement des informations commerciales et d'innover grâce aux données.

Ces modèles englobent un moyen de fournir de la valeur à l'entreprise avec des données ; Je les appelle collectivement le « modèle d'exploitation des données ». Il facilite l'alignement des personnes, des processus et de la technologie vers une vision et un objectif communs. Les résultats organisationnels tels que la gestion des données, la démocratisation des données, l'automatisation, le libre-service, la rapidité des développeurs et la fourniture d'informations plus rapides et d'une augmentation des revenus peuvent tous résulter de l'efficacité qu'un modèle d'exploitation des données engendre.

Ces résultats sont attrayants, mais pour les praticiens comme vous, l'exécution est là où le caoutchouc frappe la route. Dans cet article, j'explorerai les trois modèles d'exécution que j'ai rencontrés et qui ont engendré le succès avec les données : les technologies cloud natives, les données en temps réel et les logiciels open source.

Modèles d'exécution dans un modèle opérationnel

Si, commeGartner le dit , un modèle d'exploitation donne vie au modèle d'entreprise plus large, alors les modèles d'exécution sont un élément important pour donner vie à un modèle d'exploitation. Les modèles maintiennent la cohérence lors de l'exécution sur le modèle d'exploitation. Mike Tyson est souvent cité comme disant: "Tout le monde a un plan jusqu'à ce qu'il soit frappé à la bouche."

De même, un modèle opérationnel peut être remis en question en cas de changement de direction, d'architectes, de responsables techniques, de développeurs, de chefs de produit ou de nouveaux ajouts à une pile technologique. Mais les modèles d'exécution établis aident le modèle opérationnel, la stratégie et la vision à rester sur la bonne voie. Ils sont également une excellente aide pour recruter rapidement de nouveaux membres dans l'équipe.

1) Le modèle natif du cloud

Le premier modèle d'exécution estnatif du cloud.Plates-formes cloud natives servira de base à plus de 95 % des nouvelles initiatives numériques d'ici 2025, contre moins de 40 % en 2021. Pourquoi les entreprises se tournent-elles vers le cloud ? Ils essaient de tirer parti des avantages du cloud privé, hybride ou public. Un coût total de possession réduit, une économie unitaire évolutive, une fiabilité multirégionale, une transformation numérique, une livraison plus rapide des applications et des modèles d'apprentissage automatique : autant d'avantages commerciaux de l'adoption du cloud natif.

Communiquer la valeur commerciale de l'adoption du cloud natif est un élément important de ce modèle.Nuage natif est bien plus que le cloud, Kubernetes, les services, le CI/CD et l'automatisation. Dans le contexte des applications et des données, la création et la maintenance d'une stratégie cloud native offre la portabilité, la résilience, la tolérance aux pannes, l'évolutivité et la flexibilité. Un modèle cloud natif aide à gérer les coûts et les ressources de la pile technologique pour l'entreprise de manière cohérente.

La vitesse aide à stimuler l'innovation. Plus les applications peuvent être déployées rapidement, les données peuvent être intégrées et affinées, différents algorithmes et ensembles de données peuvent être testés pour de nouveaux modèles, plus l'entreprise peut prendre de nouvelles décisions rapidement. Un modèle cloud natif aide à réduire les obstacles à l'innovation, prend en charge le changement sans friction et permet à l'innovation avec des données de se produire plus rapidement.

2) Le modèle de données en temps réel

La capacité d'évaluer les données en temps réel devrait être l'un desprincipales tendances d'analyse de données pour 2022 . Selon Gartner, plus de50 % des nouveaux systèmes d'entrepriseutilisera des données en temps réel pour améliorer la prise de décision d'ici 2022. Prendre des décisions plus rapidement en temps réel avec des données fiables conduit à un avantage concurrentiel.

Les données en temps réel circulent dans un écosystème de données. Plus les bonnes données peuvent être transmises « facilement » aux bonnes personnes au bon moment, plus l'écosystème est sain pour générer des résultats commerciaux. Les flux de données sont générés à partir des applications,technologies de streaming et de messagerie , et bases de données. Alors que l'entreprise recherche différentes façons d'examiner les données ou des sources de données supplémentaires pour obtenir des informations commerciales, la vitesse de l'entreprise est déterminée par la facilité avec laquelle il est possible de corréler, d'intégrer et d'affiner ces flux de données de nouvelles façons.

Un modèle de données en temps réel guide les architectes, les ingénieurs de données et les développeurs dans la gestion du changement. La réduction des obstacles à l'accès aux données et à la complexité facilite l'innovation avec les données. La complexité est l'ennemi juré de la qualité des données, de la confiance et de la vitesse de l'entreprise. S'en tenir à des modèles reconnus et éprouvés aide à minimiser les changements qui créeront des obstacles et de la complexité (marécages de données) dans les cycles futurs.

Il est de plus en plus courant que les secteurs d'activité demandent l'intégration et l'affinement de différents ensembles de données en aval pour un traitement en temps réel. Je ne me souviens pas de la dernière fois qu'un dirigeant d'entreprise a demandé plus de données par lots. Ce que j'entends à la place, c'est : "Nous devons prendre des décisions sur les données plus rapidement et en temps réel."

Pour les applications numériques, les technologies de streaming et de messagerie, et les bases de données qui les prennent en charge, les données doivent pouvoir circuler facilement dans l'écosystème. La mise en place d'un modèle pour ce type de flux de données en temps réel au sein d'une organisation aide tous les membres de l'écosystème de données à comprendre et à prendre en charge la direction des données en temps réel dans laquelle l'organisation doit évoluer pour atteindre les objectifs commerciaux.

3) Le modèle de logiciel open source

Enfin, il y alogiciels open source . L'OSS est à l'origine de nombreuses innovations technologiques pour les entreprises. D'une part, OSS permet aux équipes d'expérimenter ou de créer des preuves de concept avec des logiciels complets, essentiellement gratuits. Cela déplace le processus de prise de décision concernant les technologies à utiliser loin des débats sans fin et vers le succès (ou l'échec de l'apprentissage). Cela réduit également les risques qui accompagnent le blocage d'un fournisseur particulier (en savoir plus sur l'OSS et l'innovationici).

L'utilisation de l'open source est devenue un élément important des stratégies de gestion des applications et des données. Dans la communauté CDO, un thème récurrent parmi les leaders des données est l'importance de la culture des données. L'open source est plus que l'innovation, l'économie unitaire évolutive et la facilité d'utilisation. L'open source, c'est aussi la culture ; cela a un impact sur la façon de penser d'un groupe, ses valeurs et ses croyances. Lorsque les développeurs natifs du cloud et les ingénieurs de données en temps réel envisagent l'innovation des données pour la transformation numérique, ils se tournent naturellement vers l'open source. C'est un modèle qui contribue à nourrir l'innovation dans une culture des données.

Emballer

En tant que spécialiste des données, je vois constamment des entreprises suivre les modèles d'exécution de l'adoption native du cloud, se concentrer davantage sur les données en temps réel et tirer parti de l'open source. Alors, quelle est la clé pour les mettre tous ensemble ?

Il s'agit de créer une congruence avec un modèle opérationnel. Il crée une harmonie et une synergie avec une vision qui aligne l'adoption native du cloud, une stratégie de gestion des données en temps réel et l'exploitation de l'open source. Ces trois modèles d'exécution doivent fonctionner ensemble et se compléter. Malheureusement, trop souvent, la stratégie cloud, la stratégie de données et les décisions open source sont toutes dirigées par différentes unités commerciales avec des objectifs distincts qui ne sont pas alignés. Tous ces modèles d'exécution doivent faire partie d'une vision unificatrice et d'un modèle d'exploitation des données.

Dans un prochain article, je partagerai un parcours de données avec des modèles d'exécution qui créent des résultats commerciaux avec un modèle d'exploitation de données en temps réel, et je vous montrerai une plate-forme de données en temps réel pour aider les consommateurs de données à innover.

En savoir plus sur DataStax.

À propos de George Trujillo :

George est stratège principal des données chez DataStax. Auparavant, il a constitué des équipes hautement performantes pour des initiatives axées sur la valeur des données dans des organisations telles que Charles Schwab, Overstock et VMware. George travaille avec des CDO et des responsables de données sur l'évolution continue des stratégies de données en temps réel pour leur écosystème de données d'entreprise.