Model Kematangan Data — Apa itu?

Jika Anda membaca ini, Anda mungkin tahu satu atau dua hal tentang data. Data adalah salah satu sumber daya yang paling cepat berkembang di dunia kita, dengan perkiraan 2,5 triliun byte dibuat setiap hari. Tampaknya lebih dari 90% data yang ada saat ini dibuat dalam lima tahun terakhir.

Manusia membuat kesalahan. Kami membuat kesalahan fakta dan kesalahan penilaian. Kami memiliki titik buta di bidang penglihatan kami dan celah dalam aliran perhatian kami. Terkadang kita bahkan tidak bisa menjawab pertanyaan paling sederhana. Di mana saya minggu lalu saat ini? Sudah berapa lama saya merasakan sakit di lutut saya ini? Berapa banyak uang yang biasanya saya habiskan dalam sehari? Kelemahan ini menempatkan kita pada posisi yang kurang menguntungkan. Kami membuat keputusan dengan informasi parsial. Kami dipaksa untuk mengarahkan dengan tebakan. Kami pergi dengan naluri kami.

Artinya, sebagian dari kita melakukannya. Lainnya menggunakan data.

Jadi apa model kematangan data?

Model kematangan data secara sederhana adalah peta jalan dari titik A ke titik B dengan tonggak penting di antaranya untuk menyediakan kerangka kerja yang membantu organisasi memahami dan meningkatkan praktik manajemen data mereka. Ini dirancang untuk membantu organisasi menilai keadaan manajemen data mereka saat ini dan mengidentifikasi area untuk perbaikan.

Dalam 5 tahun terakhir, karena jumlah data yang dihasilkan telah meningkat, kemampuan kami untuk memproses dan mengekstrak informasi dari data ini juga meningkat. Dengan kemampuan ini, kesenjangan antara Titik A dan Titik B terus meningkat, dengan organisasi membangun kasus penggunaan data yang canggih untuk mendukung kebutuhan bisnis mereka dengan lebih baik. Dengan keunggulan data yang diberikan atas para pesaingnya, strategi data tidak lagi mungkin tetapi suatu keharusan.

Kerangka biasanya secara luas diklasifikasikan ke dalam 4 atau 5 kategori besar untuk menggeneralisasi model ini.

Seperti apa tonggak penting dalam perjalanan dari Kesadaran data menjadi pelopor data?

Sadar Data:

1. Berdayakan orang yang tepat untuk mendukung perjalanan data Anda — Pada tahap ini, prioritaskan keahlian dan pengalaman yang luas daripada keahlian yang sempit. Meskipun Anda mungkin memerlukan spesialis data saat organisasi Anda semakin matang, pada tahap ini seorang generalis data lebih penting
2. Rilis data Anda dari solusi terpaket seperti google analytics yang tidak menyediakan metrik tersembunyi, melainkan mengumpulkan data Anda di seluruh kategori luas. Mentransfer data mentah Anda yang tidak diinginkan ke platform lain, Anda akan memiliki lebih banyak fleksibilitas untuk memanipulasi data.

1. Tentukan tujuan menyeluruh dari perjalanan data Anda. Anda mungkin ingin memberdayakan tim internal atau membuat produk data untuk penggunaan eksternal. Selaraskan sasaran data Anda dengan tujuan bisnis Anda, dan rencanakan cara menjangkaunya
2. Menjelajahi peralihan ke tumpukan data modular. Memahami keterbatasan platform analitik terpaket dan bagaimana membangun tumpukan data khusus akan mengatasinya.
3. Pikirkan tentang tata kelola data karena ini hanya akan menjadi lebih penting saat data Anda matang. Hal ini untuk memastikan bahwa data dipahami dan dipercaya di seluruh organisasi Anda, serta akurat, lengkap, dan sesuai.
4. Letakkan dasar untuk pengumpulan data pihak pertama, pelacakan anonim atau tanpa cookie yang pada gilirannya juga melindungi pengguna Anda.

1. Membangun satu sumber kebenaran — Penting untuk membangun pusat penyimpanan data yang akan berfungsi sebagai 'otak' organisasi, menghilangkan silo data, menyatukan tim, dan memberdayakan analis untuk menyajikan data dari satu sumber kebenaran. Ini membangun kepercayaan pada data yang dikerjakan tim.
2. Membebaskan diri dari solusi terpaket seperti google analytics demi penyiapan modular yang menempatkan Anda di kursi pengemudi data Anda. Anda juga dapat membangun infrastruktur di sekitar bisnis Anda, bukan sebaliknya. Alat sumber terbuka juga merupakan opsi yang bagus karena mencegah kunci vendor dan memberi Anda fleksibilitas dengan data Anda.

1. Memperlakukan data sebagai produk — Sekarang semua pemangku kepentingan internal Anda merupakan bagian integral dari alur kerja data Anda, mereka menjadi pemangku kepentingan terbesar Anda. Jelajahi apa tujuan pemangku kepentingan internal Anda dan bangun produk data khusus untuk mencapainya
2. Buktikan nilai data dengan melewati visualisasi ke penceritaan — Manfaatkan kekuatan wawasan pelanggan untuk mendukung otomatisasi jika memungkinkan atau manfaatkan jika memungkinkan.

1. Membina budaya data yang dinamis sehingga data menjadi bagian dari keputusan bisnis sehari-hari. Pada tahap ini, banyak tim mendapat manfaat dari hubungan dekat dengan data. Berfokuslah untuk mempermudah konsumen data membuang data, dengan katalog data dan meningkatkan literasi data — dan berinvestasi dalam produksi data agar dapat diakses di mana saja.
2. Perketat tata kelola data — Manfaatkan pengujian otomatis untuk memastikan pelacakan dan validasi berfungsi seperti yang diharapkan sebelum menerapkan pelacakan baru. Ini akan semakin meningkatkan kualitas data Anda dan membangun jaminan bahwa data Anda akurat dan lengkap
3. Terakhir, Tinjau dan ubah untuk terus mendorong batasan untuk berinovasi dengan data.

(Saya suka berbicara tentang media karena banyak pekerjaan, implementasi, dan ide saya berputar di sekitar industri media)

Media adalah salah satu industri yang paling kompetitif, organisasi terus mencari keunggulan atas pesaing mereka dan salah satu keunggulan tersebut adalah data.

Contoh perusahaan media yang membuat keputusan berdasarkan data :

1. Netflix dalam film orisinal besar pertama mereka, Bright, yang dibintangi oleh Will Smith, menelan biaya perusahaan $90 juta dan diluncurkan di platform tersebut pada bulan Desember. Pembelian konsep film dan pemasaran selanjutnya sepenuhnya diinformasikan oleh data pelanggan. Bright mendapatkan 11 juta pemirsa dalam 3 hari pertama, meskipun mendapat ulasan buruk dari situs pemeringkat seperti Rotten Tomatoes. Akhirnya, Netflix dapat menulis ulang pedoman untuk pembuatan film blockbuster menggunakan data.
2. Readerscope solusi yang dikembangkan oleh New York Times dapat digunakan sebagai alat strategi konten untuk mengembangkan ide-ide kreatif untuk konten atau kampanye bermerek dengan mencari segmen audiens target merek (misalnya, wanita milenial) untuk memahami apa yang mereka baca, baik sebagai topik atau sebagai artikel representatif yang mencontohkan topik tersebut. Hal ini juga dapat membantu merek menemukan audiens atau geografi yang tepat untuk pesan tertentu dengan menelusuri topik (mis., hak asasi manusia, filantropi, atau perjalanan ) dan melihat segmen audiens mana yang mengindeks berlebihan untuk minat pada subjek tersebut. Topik dipelajari secara algoritme dari arsip artikel The New York Times menggunakan pemrosesan bahasa alami yang canggih, dan semua segmen pembaca dapat ditargetkan dengan media di NYTimes.com.