Hendelser
31. mars, 23 - 2. apr., 23
Den ultimate Power BI-, Fabric-, SQL- og AI-fellesskapsledede hendelsen. 31 mars til 2 april. Bruk koden MSCUST for en rabatt på USD 150. Prisene går opp 11 februar.
Registrer deg i dagDenne nettleseren støttes ikke lenger.
Oppgrader til Microsoft Edge for å dra nytte av de nyeste funksjonene, sikkerhetsoppdateringene og den nyeste tekniske støtten.
Obs!
Denne artikkelen er en del av veikartserien for Innføring av Microsoft Fabric av artikler. Hvis du vil ha en oversikt over serien, kan du se Veikart for innføring av Microsoft Fabric.
Å bygge en datakultur er nært knyttet til å ta i bruk analyser, og det er ofte et viktig aspekt ved organisasjonens digitale transformasjon. Begrepet datakultur kan defineres på forskjellige måter av forskjellige organisasjoner. I denne serien med artikler betyr datakultur et sett med atferd og normer i en organisasjon. Det oppmuntrer til en kultur som regelmessig benytter informerte databeslutningsprosesser:
Viktig
Tenk på datakultur som det du gjør, ikke hva du sier. Datakulturen din er ikke et sett med regler (det er styring). Så datakultur er et litt abstrakt konsept. Det er atferden og normene som tillates, belønnes og oppmuntres – eller de som ikke er tillatt og motløs. Husk at en sunn datakultur motiverer ansatte på alle nivåer i organisasjonen til å generere og distribuere handlingsvennlig kunnskap.
I en organisasjon vil enkelte forretningsenheter eller team sannsynligvis ha sin egen atferd og normer for å få ting gjort. De spesifikke måtene å oppnå datakulturmål på, kan variere på tvers av organisasjonsgrenser. Det som er viktig er at de alle skal samsvare med organisasjonens datakulturmål. Du kan tenke på denne strukturen som justert autonomi.
Følgende sirkeldiagram formidler de sammenhengende aspektene som påvirker datakulturen:
Diagrammet viser de noe tvetydige relasjonene mellom følgende elementer:
Elementene i diagrammet diskuteres i denne serien med artikler.
Begrepet datakultur kan være vanskelig å definere og måle. Selv om det er utfordrende å artikulere datakultur på en måte som er meningsfull, handlingsbar og målbar, må du ha en godt forstått definisjon av hva en sunn datakultur betyr for organisasjonen. Denne visjonen om en sunn datakultur bør:
Datakulturresultater er ikke spesifikt obligatoriske. I stedet er tilstanden til datakulturen et resultat av å følge styringsreglene etter hvert som de håndheves (eller mangelen på styringsregler). Ledere på alle nivåer må aktivt demonstrere gjennom sine handlinger hva som er viktig for dem, inkludert hvordan de roser, anerkjenner og belønner ansatte som tar initiativ.
Tips
Hvis du kan ta for gitt at din innsats for å utvikle en dataløsning (for eksempel en semantisk modell, et lakehouse eller en rapport) vil bli verdsatt og verdsatt, er det en utmerket indikator på en sunn datakultur. Noen ganger avhenger det imidlertid av hva din nærmeste overordnede verdsetter mest.
Den første motivasjonen for å etablere en datakultur kommer ofte fra et bestemt strategisk forretningsproblem eller initiativ. Det kan være:
I hver av disse situasjonene er det ofte et bestemt område der datakulturen slår rot. Det bestemte området kan være et omfang av innsats som er mindre enn hele organisasjonen, selv om det fortsatt er betydelig. Etter at nødvendige endringer er gjort i dette mindre omfanget, kan de replikeres trinnvis og tilpasses resten av organisasjonen.
Selv om teknologi kan bidra til å fremme målene for en datakultur, er ikke implementering av bestemte verktøy eller funksjoner målet. Denne serien av artikler dekker mange emner som bidrar til innføring av en sunn datakultur. Resten av denne artikkelen tar for seg tre viktige aspekter ved datakultur: dataoppdagelse, datademokratisering og dataleseferdighet.
En vellykket datakultur avhenger av at brukere arbeider med de riktige dataene i sine daglige aktiviteter. For å nå dette målet må brukerne finne og få tilgang til datakilder, rapporter og andre elementer.
Dataoppdagelse er muligheten til effektivt å finne relevante dataressurser på tvers av organisasjonen. Først og fremst er dataoppdagelse opptatt av å forbedre bevisstheten om at det finnes data, noe som kan være spesielt utfordrende når data er siloert i avdelingssystemer.
Dataoppdagelse er et litt annet konsept enn søk, fordi:
Tips
Det er viktig å ha en klar og enkel prosess, slik at brukere kan be om tilgang til data. Det å vite at det finnes data, men ikke får tilgang til dem innenfor retningslinjene og prosessene som domeneeieren har opprettet, kan være en kilde til frustrasjon for brukerne. Det kan tvinge dem til å bruke ineffektive midlertidige løsninger i stedet for å be om tilgang gjennom de riktige kanalene.
Dataoppdagelse bidrar til innføringsarbeid og implementering av styringspraksis ved å:
OneLake-katalogen og bruk av anbefalinger er viktige måter å fremme dataoppdagelse i organisasjonen på.
I tillegg er datakatalogløsninger svært verdifulle verktøy for dataoppdagelse. De kan registrere metadatakoder og beskrivelser for å gi dypere kontekst og mening. Microsoft Purview kan for eksempel skanne og katalogisere elementer fra en Fabric-leier (i tillegg til mange andre kilder).
Bruk spørsmål som de nedenfor til å vurdere dataoppdagelse.
Følgende forfallsnivåer kan hjelpe deg med å vurdere gjeldende tilstand for dataoppdagelse.
Nivå | Tilstand av stoff-dataoppdagelse |
---|---|
100: innledende | • Data er fragmentert og uorganisert, uten klare strukturer eller prosesser for å finne dem. • Brukere sliter med å finne og bruke data de trenger for oppgavene sine. |
200: gjentakbar | • Spredt eller organisk innsats for å organisere og dokumentere data er i gang, men bare i enkelte team eller avdelinger. • Innhold godkjennes av og til, men disse anbefalingene er ikke definert og prosessen administreres ikke. Data forblir siloed og fragmentert, og det er vanskelig å få tilgang til. |
300: definert | • Et sentralt repositorium, for eksempel OneLake-katalogen, brukes til å gjøre dataene enklere å finne for personer som trenger det. • En eksplisitt prosess er på plass for å godkjenne kvalitetsdata og innhold. • Grunnleggende dokumentasjon inneholder katalogdata, definisjoner og beregninger, samt hvor du finner dem. |
400: funksjonsdyktig | • Strukturerte, konsekvente prosesser veileder brukerne hvordan de støtter, dokumenterer og finner data fra en sentral hub. Datasiloer er unntaket i stedet for regelen. • Kvalitetsdataressurser godkjennes konsekvent og identifiseres enkelt. • Omfattende dataordlister opprettholdes og forbedrer dataoppdagelse. |
500: effektiv | • Data og metadata er systematisk organisert og dokumentert med full oversikt over dataavstammingen. • Kvalitetsressurser godkjennes og identifiseres enkelt. • Katalogverktøy, som Microsoft Purview, brukes til å gjøre data synlig for både bruk og styring. |
Datademokratisering refererer til å legge data i hendene på flere brukere som er ansvarlige for å løse forretningsproblemer. Det handler om å gjøre det mulig for flere brukere å ta bedre datadrevne beslutninger.
Obs!
Begrepet datademokratisering innebærer ikke mangel på sikkerhet eller mangel på begrunnelse basert på jobbrolle. Som en del av en sunn datakultur bidrar datademokratisering til å redusere skygge-IT ved å tilby semantiske modeller som:
Organisasjonens posisjon på datademokratisering vil ha en vidtrekkende innvirkning på innføring og styringsrelatert innsats.
Advarsel
Hvis tilgang til data eller muligheten til å utføre analyser er begrenset til et utvalgt antall personer i organisasjonen, er det vanligvis et advarselstegn fordi muligheten til å arbeide med data er en viktig egenskap ved en sunn datakultur.
Bruk spørsmål som de nedenfor til å vurdere datademokratisering.
Følgende forfallsnivåer kan hjelpe deg med å vurdere gjeldende tilstand av datademokratisering.
Nivå | Tilstand av datademokratisering |
---|---|
100: innledende | • Data og analyser er begrenset til et lite antall roller, som har tilgang til andre. • Forretningsbrukere må be om tilgang til data eller verktøy for å fullføre oppgaver. De sliter med forsinkelser eller flaskehalser. • Selvbetjente initiativer finner sted med en viss suksess på ulike områder av organisasjonen. Disse aktivitetene skjer på en noe kaotisk måte, med få formelle prosesser og ingen strategisk plan. Det er mangel på tilsyn og innsyn i disse selvbetjente aktivitetene. Vellykket eller mislykket for hver løsning er ikke godt forstått. • Virksomhetsdatateamet kan ikke holde tritt med bedriftens behov. Det finnes en betydelig mengde forespørsler for dette teamet. |
200: gjentakbar | • Det pågår en begrenset innsats for å utvide tilgangen til data og verktøy. • Flere team har hatt målbar suksess med selvbetjente løsninger. Personer i organisasjonen begynner å være oppmerksomme. • Det gjøres investeringer for å identifisere den ideelle balansen mellom virksomheter og selvbetjente løsninger. |
300: definert | • Mange personer har tilgang til dataene og verktøyene de trenger, men ikke alle brukere er like aktivert eller holdt ansvarlige for innholdet de oppretter. • Effektive selvbetjente datapraksiser replikeres trinnvis og med hensikt i flere områder av organisasjonen. |
400: funksjonsdyktig | • Det finnes sunne partnerskap mellom bedrifts- og selvbetjente løsningsopprettere. Klar, realistisk brukeransvar og policyer reduserer risikoen for selvbetjent analyse og BI. • Klare og konsekvente prosesser er på plass for at brukerne skal kunne be om tilgang til data og verktøy. • Personer som tar initiativ til å bygge verdifulle løsninger blir anerkjent og belønnet. |
500: effektiv | • Brukeransvar og effektiv styring gir sentrale team tillit til hva brukerne gjør med data. • Automatiserte, overvåkede prosesser gjør det enkelt for personer å be om tilgang til data og verktøy. Alle med behov eller interesse for å bruke data kan følge disse prosessene for å utføre analyser. |
Dataleseferdighet refererer til muligheten til å tolke, opprette og kommunisere med data og analyser nøyaktig og effektivt.
Opplæringsarbeid, som beskrevet i artikkelen om veiledning og brukeraktivering , fokuserer ofte på hvordan du bruker selve teknologien. Teknologiferdigheter er viktige for å produsere løsninger av høy kvalitet, men det er også viktig å vurdere hvordan man med hensikt kan fremme dataleseferdighet i hele organisasjonen. Sagt på en annen måte, vellykket innføring tar mye mer enn bare å gi programvare og lisenser til brukere.
Hvordan du går om å forbedre dataleseferdighet i organisasjonen, avhenger av mange faktorer, for eksempel gjeldende brukerferdigheter, kompleksiteten i dataene og hvilke typer analyser som kreves. Du kan velge å fokusere på disse typene aktiviteter relatert til dataleseferdighet:
Tips
Hvis du sliter med å få godkjent datakultur eller styringsarbeid, kan det hjelpe å fokusere på konkrete fordeler som du kan oppnå med dataoppdagelse ("finn dataene"), datademokratisering ("bruk dataene"), eller dataleseferdighet ("forstå dataene"). Det kan også være nyttig å fokusere på spesifikke problemer som du kan løse eller redusere gjennom forbedringer i datakulturen.
Å få de riktige interessentene til å bli enige om problemet er vanligvis det første trinnet. Deretter er det et spørsmål om å få interessentene til å bli enige om den strategiske tilnærmingen til en løsning, sammen med løsningsdetaljene.
Bruk spørsmål som de nedenfor til å vurdere dataleseferdighet.
Følgende forfallsnivåer kan hjelpe deg med å vurdere gjeldende tilstand for dataleseferdighet.
Nivå | Tilstand av dataleseferdighet |
---|---|
100: innledende | • Beslutninger tas ofte basert på intuisjon og subjektiv erfaring. Når de konfronteres med data som utfordrer eksisterende meninger, blir data ofte avvist. • Enkeltpersoner har lav tillit til å bruke og forstå data i beslutningsprosesser eller diskusjoner. • Rapportforbrukere har en sterk preferanse for statiske tabeller. Disse forbrukerne avviser interaktive visualiseringer eller avanserte analytiske metoder som «fancy» eller unødvendige. |
200: gjentakbar | • Noen team og enkeltpersoner inkorporerer inkonsekvent data i beslutningsprosesser. Det finnes klare tilfeller der feiltolkning av data har ført til feilaktige beslutninger eller feil konklusjoner. • Det er en viss motstand når data utfordrer eksisterende tro. • Noen er skeptiske til interaktive visualiseringer og avanserte analytiske metoder, selv om bruken øker. |
300: definert | • De fleste team og enkeltpersoner forstår data som er relevante for forretningsområdet og bruker dem implisitt til å informere beslutninger. • Når data utfordrer eksisterende tro, produserer det kritiske diskusjoner og motiverer noen ganger endring. • Visualiseringer og avansert analyse er mer allment akseptert, men brukes ikke alltid effektivt. |
400: funksjonsdyktig | • Dataleseferdighet gjenkjennes eksplisitt som en nødvendig ferdighet i organisasjonen. Noen opplæringsprogrammer tar for seg dataleseferdighet. Det arbeides spesielt for å hjelpe avdelinger, team eller enkeltpersoner som har spesielt svak dataleseferdighet. • De fleste kan effektivt bruke og bruke data til å ta objektivt bedre beslutninger og utføre handlinger. • Visuelle og analytiske anbefalte fremgangsmåter er dokumentert og fulgt i strategisk viktige dataløsninger. |
500: effektiv | • Dataleseferdighet, kritisk tenkning og kontinuerlig læring er strategiske ferdigheter og verdier i organisasjonen. Effektive programmer overvåker fremdriften for å forbedre dataleseferdigheten i organisasjonen. • Beslutningsprosesser drives av data på tvers av organisasjonen. Beslutningsintelligens eller forhåndsskriptiv analyse brukes til å anbefale viktige beslutninger og handlinger. • Visuelle og analytiske anbefalte fremgangsmåter blir sett på som avgjørende for å generere forretningsverdi med data. |
Sjekkliste – Her er noen hensyn og viktige handlinger du kan gjøre for å styrke datakulturen.
Bruk spørsmål som de nedenfor til å vurdere datakultur.
Følgende forfallsnivåer vil hjelpe deg med å vurdere den gjeldende tilstanden til datakulturen.
Nivå | Tilstand av datakultur |
---|---|
100: innledende | • Virksomhetsdatateam kan ikke holde tritt med bedriftens behov. Det finnes en betydelig mengde forespørsler. • Selvbetjente data og BI-initiativer finner sted med en viss suksess på ulike områder av organisasjonen. Disse aktivitetene skjer på en noe kaotisk måte, med få formelle prosesser og ingen strategisk plan. • Det er mangel på tilsyn og innsyn i selvbetjente BI-aktiviteter. Vellykkede eller mislykkede data- og BI-løsninger er ikke godt forstått. |
200: gjentakbar | • Flere team har hatt målbare suksesser med selvbetjente løsninger. Personer i organisasjonen begynner å være oppmerksomme. • Det gjøres investeringer for å identifisere den ideelle balansen mellom virksomhets- og selvbetjente data, analyser og BI. |
300: definert | • Det etableres spesifikke mål for å fremme datakulturen. Disse målene implementeres trinnvis. • Læring fra det som fungerer i individuelle forretningsenheter deles. • Effektive selvbetjente praksiser replikeres trinnvis og med hensikt i flere områder av organisasjonen. |
400: funksjonsdyktig | • Målene for datakultur å bruke informerte beslutninger er i tråd med organisasjonens mål. De støttes aktivt av den utøvende sponsoren, COE, og de har en direkte innvirkning på innføringsstrategier. • Det finnes et sunt og produktivt partnerskap mellom den utøvende sponsoren, COE, forretningsenheter og IT. Teamene arbeider mot delte mål. • Personer som tar initiativ til å bygge verdifulle dataløsninger, blir anerkjent og belønnet. |
500: effektiv | • Forretningsverdien av data, analyse og BI-løsninger evalueres og måles regelmessig. KPI-er eller OKR-er brukes til å spore datakulturmål og resultatene av dette arbeidet. • Tilbakemeldingsløkker er på plass, og de oppmuntrer til kontinuerlige forbedringer i datakulturen. • Kontinuerlig forbedring av organisasjonsinnføring, brukerinnføring og løsningsinnføring er en høyeste prioritet. |
I den neste artikkelen i veikartserien for Innføring av Microsoft Fabric lærer du om viktigheten av en ledersponsor.
Hendelser
31. mars, 23 - 2. apr., 23
Den ultimate Power BI-, Fabric-, SQL- og AI-fellesskapsledede hendelsen. 31 mars til 2 april. Bruk koden MSCUST for en rabatt på USD 150. Prisene går opp 11 februar.
Registrer deg i dagOpplæring
Læringsbane
Implement finance and operations apps - Training
Plan and design your project methodology to successfully implement finance and operations apps with FastTrack services, data management and more.
Sertifisering
Microsoft Certified: Fabric Analytics Engineer Associate - Certifications
As a Fabric analytics engineer associate, you should have subject matter expertise in designing, creating, and deploying enterprise-scale data analytics solutions.