Oversigt over indførelse af Microsoft Fabric: Datakultur

Bemærk

Denne artikel er en del af microsoft Fabric-køreplansserierne for indførelse af artikler. Du kan se en oversigt over serien i Microsoft Fabric-introduktionsoversigten.

Opbygning af en datakultur er tæt forbundet med at indføre analyser, og det er ofte et vigtigt aspekt af en organisations digitale transformation. Begrebet datakultur kan defineres på forskellige måder af forskellige organisationer. I denne serie af artikler betyder datakultur et sæt funktionsmåder og normer i en organisation. Det opfordrer til en kultur, der regelmæssigt anvender velunderbyggede beslutninger om data:

• Af flere interessenter i flere områder af organisationen.
• Baseret på analyse, ikke mening.
• På en effektiv og effektiv måde, der er baseret på bedste praksis, der er godkendt af COE (Center of Excellence).
• Baseret på data, der er tillid til.
• Det reducerer afhængigheden af udokumenteret stammeviden.
• Det reducerer afhængigheden af fornemmelser og tarmbeslutninger.

Vigtigt

Tænk på datakultur som det, du gør, ikke hvad du siger. Din datakultur er ikke et sæt regler (dvs. styring). Datakultur er derfor et noget abstrakt begreb. Det er de adfærds- og normer, der er tilladt, belønnet og opmuntret – eller dem, der ikke er tilladt og afskrækket. Vær opmærksom på, at en sund datakultur motiverer medarbejderne på alle niveauer i organisationen til at generere og distribuere handlingsbaseret viden.

I en organisation vil visse forretningsenheder eller teams sandsynligvis have deres egen funktionsmåde og normer for at få tingene gjort. De specifikke måder at nå datakulturmål på kan variere på tværs af organisationens grænser. Det vigtige er, at de alle skal være i overensstemmelse med målsætningerne for organisationsdatakulturen. Du kan betragte denne struktur som justeret autonomi.

I følgende cirkulære diagram gengives de indbyrdes forbundne aspekter, der påvirker din datakultur:

Diagrammet viser de noget tvetydige relationer mellem følgende elementer:

• Datakultur er den ydre cirkel. Alle emner i den bidrager til datakulturens tilstand.
• Implementering af organisationer (herunder implementeringsaspekterne af mentoring og brugeraktivering, brugersupport, community of practice, styring og systemtilsyn) er inderkredsen. Alle emner er vigtige bidragydere til datakulturen.
• Ledelsessupport og Center of Excellence er faktorer for succesen med at indføre organisationer.
• Datakendskab, datademokratisering og dataregistrering er datakulturaspekter, der er stærkt påvirket af organisationens indførelse.
• Indholdsejerskab og -administration samt omfang af levering af indhold er tæt relateret til datademokratisering.

Elementerne i diagrammet gennemgås i hele denne serie af artikler.

Vision for datakultur

Begrebet datakultur kan være svært at definere og måle. Selvom det er en udfordring at formulere datakulturen på en måde, der er meningsfuld, handlingsrettet og målbar, skal du have en velforstået definition af, hvad en sund datakultur betyder for din organisation. Denne vision om en sund datakultur bør:

• Stammer fra ledelsesniveauet.
• Tilpas til organisationens målsætninger.
• Direkte indflydelse på din adoptionsstrategi.
• Fungerer som de overordnede principper på højt niveau for at vedtage politikker og retningslinjer for styring.

Datakulturresultater er ikke specifikt mandat til. I stedet er datakulturens tilstand resultatet af at følge reglerne for styring, efterhånden som de håndhæves (eller manglen på regler for styring). Ledere på alle niveauer skal aktivt demonstrere gennem deres handlinger, hvad der er vigtigt for dem, herunder hvordan de roser, genkender og belønner medarbejdere, der tager initiativ.

Tip

Hvis du kan tage for givet, at din indsats for at udvikle en dataløsning (f.eks. en semantisk model– tidligere kendt som et datasæt, et lakehouse eller en rapport) vil blive værdsat og værdsat, er det en fremragende indikator for en sund datakultur. Nogle gange afhænger det dog af, hvad din nærmeste leder værdsætter mest.

Den indledende motivation for at etablere en datakultur kommer ofte fra et specifikt strategisk forretningsproblem eller -initiativ. Det kan være:

• En reaktiv ændring, f.eks. reaktion på ny fleksibel konkurrence.
• En proaktiv ændring, f.eks. at starte en ny branche eller udvide til nye markeder for at gribe en "grøn mark"-mulighed. Det kan være relativt nemmere at være datadrevet fra starten, når der er færre begrænsninger og komplikationer sammenlignet med en etableret organisation.
• Drevet af eksterne ændringer, f.eks. pres for at fjerne ineffektivitet og afskedigelser under en økonomisk nedgang.

I hver af disse situationer er der ofte et bestemt område, hvor datakulturen tager rod. Det specifikke område kan være et indsatsområde, der er mindre end hele organisationen, selvom det stadig er betydeligt. Når de nødvendige ændringer er foretaget i dette mindre omfang, kan de replikeres trinvist og tilpasses for resten af organisationen.

Selvom teknologi kan hjælpe med at fremme målene for en datakultur, er implementering af bestemte værktøjer eller funktioner ikke målet. Denne række artikler dækker en masse emner, der bidrager til indførelsen af en sund datakultur. Resten af denne artikel omhandler tre vigtige aspekter af datakulturen: dataregistrering, datademokratisering og datakendskab.

Datasøgning

En vellykket datakultur afhænger af, at brugerne arbejder med de rigtige data i deres daglige aktiviteter. For at nå dette mål skal brugerne finde og få adgang til datakilder, rapporter og andre elementer.

Dataregistrering er muligheden for effektivt at finde relevante dataaktiver på tværs af organisationen. Primært handler dataregistrering om at forbedre bevidstheden om, at der findes data, hvilket kan være særligt udfordrende, når data er siloeret i afdelingssystemer.

Dataregistrering er et lidt andet begreb end søgning, fordi:

• Dataregistrering giver brugerne mulighed for at se metadata for et element, f.eks. navnet på en semantisk model, selvom de i øjeblikket ikke har adgang til det. Når en bruger er klar over, at den findes, kan brugeren gennemgå standardprocessen for at anmode om adgang til elementet.
• Søgning giver brugerne mulighed for at finde et eksisterende element, når de allerede har sikkerhedsadgang til elementet.

Tip

Det er vigtigt at have en klar og enkel proces, så brugerne kan anmode om adgang til data. Hvis du ved, at data findes – men ikke kan få adgang til dem i de retningslinjer og processer, som domæneejeren har etableret – kan det være en kilde til frustration for brugerne. Det kan tvinge dem til at bruge ineffektive løsninger i stedet for at anmode om adgang via de korrekte kanaler.

Dataregistrering bidrager til implementering og implementering af styringspraksis ved at:

• Fremme brugen af datakilder af høj kvalitet, der er tillid til.
• Tilskynde brugerne til at drage fordel af eksisterende investeringer i tilgængelige dataaktiver.
• Fremme brugen og berigelsen af eksisterende dataelementer (f.eks. et lakehouse, et data warehouse, en datapipeline, et dataflow eller en semantisk model) eller rapporteringselementer (f.eks. rapporter, dashboards eller målepunkter).
• Hjælpe personer med at forstå, hvem der ejer og administrerer dataaktiver.
• Oprettelse af forbindelser mellem forbrugere, oprettere og ejere.

OneLake-datahubben og brugen af godkendelser er vigtige måder at fremme dataregistrering på i din organisation.

Desuden er datakatalogløsninger yderst værdifulde værktøjer til dataregistrering. De kan registrere metadatatags og beskrivelser for at give en dybere kontekst og betydning. Microsoft Purview kan f.eks. scanne og katalogisere elementer fra en Fabric-lejer (samt mange andre kilder).

Spørgsmål, du skal stille om dataregistrering

Brug spørgsmål som dem, der findes nedenfor, til at vurdere dataregistrering.

• Er der et datahub, hvor erhvervsbrugere kan søge efter data?
• Er der et metadatakatalog, der beskriver definitioner og dataplaceringer?
• Er datakilder af høj kvalitet godkendt ved at certificere eller fremhæve dem?
• I hvilket omfang findes der redundante datakilder, fordi folk ikke kan finde de data, de har brug for? Hvilke roller forventes at oprette dataelementer? Hvilke roller forventes at oprette rapporter eller udføre ad hoc-analyser?
• Kan slutbrugerne finde og bruge eksisterende rapporter, eller insisterer de på, at dataeksport skal oprettes?
• Ved slutbrugerne, hvilke rapporter der skal bruges til at håndtere bestemte forretningsspørgsmål eller finde bestemte data?
• Bruger folk de relevante datakilder og værktøjer eller modsætter sig dem til fordel for ældre?
• Forstår analytikere, hvordan eksisterende certificerede semantiske modeller kan forbedres med nye data – f.eks. ved hjælp af en sammensat Power BI-model?
• Hvor ensartede er dataelementer i deres kvalitet, fuldstændighed og navngivningskonventioner?
• Kan ejere af dataelementer følge dataafstamningen for at udføre effektanalyse af dataelementer?

Udløbsniveauer for dataregistrering

Følgende modenhedsniveauer kan hjælpe dig med at vurdere din aktuelle status for dataregistrering.

Niveau	State of Fabric-dataregistrering
100: indledende	• Data er fragmenterede og uorganiserede uden klare strukturer eller processer til at finde dem. • Brugerne kæmper for at finde og bruge data, de har brug for til deres opgaver.
200: gentagelig	• Spredt eller organisk indsats for at organisere og dokumentere data er i gang, men kun i visse teams eller afdelinger. • Indhold godkendes af og til, men disse godkendelser er ikke defineret, og processen administreres ikke. Data forbliver siloerede og fragmenterede, og det er svært at få adgang til dem.
300: defineret	• Et centralt lager, f.eks. OneLake-datahubben, bruges til at gøre det nemmere at finde data for personer, der har brug for dem. • Der findes en eksplicit proces til at anbefale kvalitetsdata og -indhold. • Basisdokumentationen indeholder katalogdata, definitioner og beregninger samt hvor du kan finde dem.
400: kapabel	• Strukturerede, ensartede processer hjælper brugerne med at anbefale, dokumentere og finde data fra en central hub. Datasiloer er undtagelsen i stedet for reglen. • Kvalitetsdataaktiver er konsekvent godkendt og let identificerede. • Omfattende dataordbøger vedligeholdes og forbedrer dataregistreringen.
500: effektiv	• Data og metadata er systematisk organiseret og dokumenteret med en fuld visning af dataafstamningen. • Kvalitet aktiver er godkendt og let identificeres. • Katalogiseringsværktøjer, f.eks. Microsoft Purview, bruges til at gøre data tilgængelige til både brug og styring.

Datademokratisering

Datademokratisering refererer til at sætte data i hænderne på flere brugere, der er ansvarlige for at løse forretningsmæssige problemer. Det handler om at gøre det muligt for flere brugere at træffe bedre datadrevne beslutninger.

Bemærk

Begrebet datademokratisering indebærer ikke manglende sikkerhed eller manglende begrundelse baseret på jobrollen. Som en del af en sund datakultur hjælper datademokratisering med at reducere skygge-it ved at levere semantiske modeller, der:

• Er sikret, styret og veladministreret.
• Imødekomme forretningsmæssige behov på omkostningseffektive og rettidige måder.

Organisationens holdning til datademokratisering vil have en vidtrækkende indvirkning på adoptions- og styringsrelaterede bestræbelser.

Advarsel!

Hvis adgangen til data eller muligheden for at udføre analyser er begrænset til et udvalgt antal personer i organisationen, er det typisk et advarselstegn, fordi muligheden for at arbejde med data er et vigtigt kendetegn for en sund datakultur.

Spørgsmål, der skal stilles om datademokratisering

Brug spørgsmål som dem, der findes nedenfor, til at vurdere datademokratisering.

• Er data og analyser let tilgængelige eller begrænset til begrænsede roller og enkeltpersoner?
• Er der en effektiv proces, hvor folk kan anmode om adgang til nye data og værktøjer?
• Deles data let mellem teams og forretningsenheder, eller er de siloerede og nøje bevogtede?
• Hvem har tilladelse til at have Power BI Desktop installeret?
• Hvem har tilladelse til at have Power BI Pro- eller Power BI Premium pr. bruger-licenser?
• Hvem har tilladelse til at oprette aktiver i Fabric-arbejdsområder?
• Hvad er det ønskede niveau af selvbetjeningsanalyse og bi-brugeraktivering (Business Intelligence)? Hvordan varierer dette niveau afhængigt af forretningsenhed eller jobrolle?
• Hvad er den ønskede balance mellem virksomhedsanalyse og selvbetjeningsanalyse og BI?
• Hvilke datakilder foretrækkes stærkt for hvilke emner og forretningsdomæner? Hvad er den tilladte brug af ikke-sanktionerede datakilder?
• Hvem kan administrere indhold? Er denne beslutning anderledes for data i forhold til rapporter? Er beslutningen anderledes for virksomheds-BI-brugere i forhold til decentraliserede brugere? Hvem kan eje og administrere selvbetjent BI-indhold?
• Hvem kan forbruge indhold? Er denne beslutning anderledes for eksterne partnere, kunder eller leverandører?

Modenhedsniveauer for datademokratisering

Følgende modenhedsniveauer kan hjælpe dig med at vurdere din aktuelle status for datademokratisering.

Niveau	Status for datademokratisering
100: indledende	• Data og analyser er begrænset til et lille antal roller, som giver adgang til andre. • Erhvervsbrugere skal anmode om adgang til data eller værktøjer for at udføre opgaver. De kæmper med forsinkelser eller flaskehalse. • Selvbetjeningsinitiativer finder sted med en vis succes på forskellige områder af organisationen. Disse aktiviteter foregår lidt kaotisk med få formelle processer og ingen strategisk plan. Der er mangel på tilsyn og synlighed i disse selvbetjeningsaktiviteter. Succesen eller fejlen for hver løsning er ikke helt forstået. • Virksomhedsdatateamet kan ikke følge med virksomhedens behov. Der findes en betydelig restlog af anmodninger for dette team.
200: gentagelig	• Der gøres en begrænset indsats for at udvide adgangen til data og værktøjer. • Flere teams har haft målbar succes med selvbetjeningsløsninger. Mennesker i organisationen begynder at være opmærksom. • Der investeres for at identificere den ideelle balance mellem virksomheds- og selvbetjeningsløsninger.
300: defineret	• Mange personer har adgang til de data og værktøjer, de har brug for, selvom det ikke er alle brugere, der er lige aktiverede eller holdes ansvarlige for det indhold, de opretter. • Effektive selvbetjente datapraksisser replikeres trinvist og med vilje i flere områder af organisationen.
400: kapabel	• Der findes sunde partnerskaber blandt skabere af virksomhedsløsninger og selvbetjeningsløsninger. Tydelig, realistisk bruger ansvarlighed og politikker afhjælper risikoen for selvbetjeningsanalyse og BI. • Der er etableret klare og ensartede processer, så brugerne kan anmode om adgang til data og værktøjer. • Personer, der tager initiativ til at skabe værdifulde løsninger, anerkendes og belønnes.
500: effektiv	• Bruger ansvarlighed og effektiv styring giver centrale teams tillid til, hvad brugerne gør med data. • Automatiserede, overvågede processer giver brugerne mulighed for nemt at anmode om adgang til data og værktøjer. Alle, der har behov for eller interesseret i at bruge data, kan følge disse processer for at udføre analyser.

Datakendskab

Datakendskab refererer til evnen til at fortolke, oprette og kommunikere med data og analyser præcist og effektivt.

Uddannelsestiltag, som beskrevet i artiklen om mentoring og brugeraktivering , fokuserer ofte på, hvordan man bruger selve teknologien. Teknologifærdigheder er vigtige for at producere løsninger af høj kvalitet, men det er også vigtigt at overveje, hvordan du med vilje kan fremme datakendskab i hele organisationen. Sagt på en anden måde, en vellykket vedtagelse tager meget mere end blot at levere software og licenser til brugerne.

Hvordan du kan forbedre datakendskab i din organisation, afhænger af mange faktorer, f.eks. aktuelle brugerfærdigheder, kompleksiteten af dataene og de typer analyser, der kræves. Du kan vælge at fokusere på disse typer aktiviteter, der er relateret til datakendskab:

• Fortolkning af diagrammer og grafer
• Vurdering af validiteten af data
• Udfører analyse af rodårsag
• Skelnende korrelation fra årsagssammenhæng
• Om, hvordan kontekst og afvigende værdier påvirker, hvordan resultaterne præsenteres
• Brug historiefortælling til at hjælpe forbrugerne med hurtigt at forstå og handle

Tip

Hvis du kæmper for at få godkendt datakultur eller styringstiltag med fokus på konkrete fordele, som du kan opnå med dataregistrering ("find dataene"), kan datademokratisering ("brug dataene") eller datakendskab ("forstå dataene") hjælpe. Det kan også være nyttigt at fokusere på specifikke problemer, som du kan løse eller afhjælpe via fremskridt i datakulturen.

At få de rette interessenter til at blive enige om problemet er normalt det første skridt. Derefter handler det om at få interessenterne til at blive enige om den strategiske tilgang til en løsning sammen med løsningsdetaljerne.

Spørgsmål om datakendskab

Brug spørgsmål som dem, der findes nedenfor, til at vurdere datakendskab.

• Findes der et fælles analytisk ordforråd i organisationen til at tale om data og BI-løsninger? Alternativt kan definitioner være fragmenterede og forskellige på tværs af siloer?
• Hvor komfortable er folk med at træffe beslutninger baseret på data og beviser sammenlignet med intuition og subjektiv oplevelse?
• Hvordan reagerer de, når personer, der har en mening, konfronteres med modstridende beviser? Vurderer de dataene kritisk, eller afviser de dem? Kan de ændre deres mening, eller bliver de fastlåste og modstandsdygtige?
• Findes der træningsprogrammer, der understøtter personer i at lære om data og analyseværktøjer?
• Er der stor modstand mod visuel analyse og interaktiv rapportering til fordel for statiske regneark?
• Er folk åbne for nye analysemetoder og -værktøjer, så de kan håndtere deres forretningsspørgsmål mere effektivt? Alternativt foretrækker de at fortsætte med at bruge eksisterende metoder og værktøjer for at spare tid og energi?
• Er der metoder eller programmer til at vurdere eller forbedre datakendskab i organisationen? Har ledelsen en nøjagtig forståelse af niveauet for datakendskab?
• Er der roller, teams eller afdelinger, hvor datakendskab er særlig stærk eller svag?

Modenhedsniveauer for datakendskab

Følgende modenhedsniveauer kan hjælpe dig med at vurdere din aktuelle tilstand af datakendskab.

Niveau	Status for datakendskab
100: indledende	• Beslutninger træffes ofte på baggrund af intuition og subjektiv erfaring. Når data konfronteres med data, der udfordrer eksisterende meninger, afvises data ofte. • Enkeltpersoner har lav tillid til at bruge og forstå data i beslutningsprocesser eller diskussioner. • Rapportforbrugere foretrækker statiske tabeller stærkt. Disse forbrugere afviser interaktive visualiseringer eller avancerede analysemetoder som "fancy" eller unødvendige.
200: gentagelig	• Nogle teams og enkeltpersoner inkorporerer inkonsekvent data i deres beslutningstagning. Der er tydelige tilfælde, hvor fejlfortolkning af data har ført til forkerte beslutninger eller forkerte konklusioner. • Der er en vis modstand, når data udfordrer eksisterende overbevisninger. • Nogle personer er skeptiske over for interaktive visualiseringer og avancerede analysemetoder, selvom deres brug er stigende.
300: defineret	• De fleste teams og enkeltpersoner forstår data, der er relevante for deres forretningsområde, og bruger dem implicit til at informere om beslutninger. • Når data udfordrer eksisterende overbevisninger, medfører det kritiske diskussioner og nogle gange motiverer ændringer. • Visualiseringer og avancerede analyser accepteres mere bredt, men bruges ikke altid effektivt.
400: kapabel	• Datakendskab anerkendes eksplicit som en nødvendig færdighed i organisationen. Nogle træningsprogrammer omhandler datakendskab. Der gøres en særlig indsats for at hjælpe afdelinger, teams eller personer, der har særligt svage datakendskab. • De fleste personer kan effektivt bruge og anvende data til at træffe objektivt bedre beslutninger og træffe foranstaltninger. • Bedste praksis for visualisering og analyse dokumenteres og følges i strategisk vigtige dataløsninger.
500: effektiv	• Datakendskab, kritisk tænkning og kontinuerlig læring er strategiske færdigheder og værdier i organisationen. Effektive programmer overvåger status for at forbedre datakendskab i organisationen. • Beslutningstagningen er baseret på data på tværs af organisationen. Decision intelligence eller præskriptive analyser bruges til at anbefale vigtige beslutninger og handlinger. • Bedste praksis for visualiseringer og analyser anses for at være afgørende for at generere forretningsmæssig værdi med data.

Overvejelser og vigtige handlinger

Tjekliste – Her er nogle overvejelser og vigtige handlinger, du kan udføre for at styrke din datakultur.

• Juster målene og strategien for datakulturen: Tag alvorligt hensyn til den type datakultur, du vil dyrke. Ideelt set er det mere fra en position som bruger empowerment end en position som kommando og kontrol.
• Forstå din aktuelle tilstand: Tal med interessenter i forskellige forretningsenheder for at forstå, hvilke analysepraksisser der i øjeblikket fungerer godt, og hvilke fremgangsmåder der ikke fungerer godt i forbindelse med datadrevet beslutningstagning. Udfør en række workshops for at forstå den aktuelle tilstand og for at formulere den ønskede fremtidige tilstand.
• Tal med interessenter: Tal med interessenter i IT, BI og COE for at forstå, hvilke styringsbegrænsninger der skal overvejes. Disse samtaler kan give mulighed for at uddanne teams i emner som sikkerhed og infrastruktur. Du kan også bruge muligheden for at uddanne interessenter i de funktioner og funktioner, der er inkluderet i Fabric.
• Bekræft ledelsessponsorering: Kontrollér niveauet af ledelsessponsorering og support, som du har på plads for at fremme målene for datakulturen.
• Foretag målbevidste beslutninger om din datastrategi: Beslut, hvilken ideel balance mellem selvbetjening, administreret selvbetjening og virksomhedsdata, analyser og BI-use cases, der skal være for de vigtigste forretningsenheder i organisationen (beskrevet i artiklen om indholdsejerskab og administration ). Overvej også, hvordan datastrategien er relateret til omfanget af publiceret indhold til personlig, team-, afdelings- og virksomhedsanalyse og BI (beskrevet i artiklen om levering af indhold). Definer dine overordnede mål og prioriteter for denne strategiske planlægning. Bestem, hvordan disse beslutninger påvirker din taktiske planlægning.
• Opret en taktisk plan: Begynd at oprette en taktisk plan for øjeblikkelige, kortsigtede og langsigtede handlingselementer. Identificer forretningsgrupper og problemer, der repræsenterer "hurtige sejre", og som kan gøre en synlig forskel.
• Opret mål og målepunkter: Bestem, hvordan du måler effektiviteten for dine initiativer i datakulturen. Opret KPI'er (Key Performance Indicators) eller målsætninger og nøgleresultater (OKR'er) for at validere resultaterne af din indsats.

Spørgsmål, du skal stille om datakultur

Brug spørgsmål som dem, der findes nedenfor, til at vurdere datakulturen.

• Betragtes data som et strategisk aktiv i organisationen?
• Er der en vision om en sund datakultur, der stammer fra ledelsen og er i overensstemmelse med organisationens målsætninger?
• Guider datakulturen til oprettelse af politikker og retningslinjer for styring?
• Har indholdsoprettere og forbrugere tillid til organisationsdatakilder?
• Bruger folk data som bevis, når de begrunder en udtalelse, en beslutning eller et valg?
• Er viden om analyse og dataanvendelse dokumenteret, eller er der en afhængighed af udokumenteret stammeviden?
• Værdsætter og værdsætter bruger-community'et indsatsen for at udvikle en dataløsning?

Modenhedsniveauer for datakultur

Følgende modenhedsniveauer hjælper dig med at vurdere den aktuelle tilstand for din datakultur.

Niveau	Datakulturens tilstand
100: indledende	• Virksomhedsdatateams kan ikke følge med virksomhedens behov. Der findes en betydelig restlog af anmodninger. • Selvbetjeningsdata og BI-initiativer finder sted med en vis succes på forskellige områder af organisationen. Disse aktiviteter finder sted på en noget kaotisk måde, med få formelle processer og ingen strategisk plan. • Der er mangel på tilsyn og synlighed i bi-aktiviteter med selvbetjening. Succeser eller fejl i forbindelse med data og BI-løsninger forstås ikke godt.
200: gentagelig	• Flere teams har haft målbare succeser med selvbetjeningsløsninger. Mennesker i organisationen begynder at være opmærksom. • Der foretages investeringer for at identificere den ideelle balance mellem virksomhedsdata, selvbetjeningsdata, analyser og BI.
300: defineret	• Der er fastlagt specifikke mål for at fremme datakulturen. Disse mål implementeres trinvist. • Læring fra, hvad der fungerer i individuelle forretningsenheder, deles. • Effektive selvbetjeningspraksisser replikeres trinvist og med vilje i flere områder af organisationen.
400: kapabel	• Målene for datakulturen til at anvende velunderbyggede beslutninger er i overensstemmelse med organisationens målsætninger. De understøttes aktivt af chefsponsoren, COE, og de har en direkte indvirkning på indføringsstrategier. • Der findes et sundt og produktivt partnerskab mellem chefsponsor, COE, forretningsenheder og it. Holdene arbejder mod delte mål. • Personer, der tager initiativ til at bygge værdifulde dataløsninger, anerkendes og belønnes.
500: effektiv	• Forretningsværdien af data, analyser og BI-løsninger evalueres og måles regelmæssigt. KPI'er eller OKR'er bruges til at spore mål for datakultur og resultaterne af disse bestræbelser. • Feedbackløkker er på plads, og de opfordrer til løbende forbedringer af datakulturen. • Løbende forbedring af implementering, implementering af brugere og løsning er en topprioritet.

Relateret indhold

I den næste artikel i serien af microsoft Fabric-adoptionsoversigter kan du få mere at vide om vigtigheden af en chefsponsor.