Microsoft Fabric-implementeringsöversikt: Datakultur

  • Artikel

Kommentar

Den här artikeln är en del av microsoft fabric-implementeringsöversiktsserien med artiklar. En översikt över serien finns i Microsoft Fabric-implementeringsöversikt.

Att skapa en datakultur är nära relaterat till att använda analys, och det är ofta en viktig aspekt av en organisations digitala omvandling. Termen datakultur kan definieras på olika sätt av olika organisationer. I den här artikelserien innebär datakulturen en uppsättning beteenden och normer i en organisation. Den uppmuntrar till en kultur som regelbundet använder välgrundade beslut om data:

  • Av fler intressenter inom fler delar av organisationen.
  • Baserat på analys, inte åsikt.
  • På ett effektivt och effektivt sätt som baseras på bästa praxis som godkänts av Center of Excellence (COE).
  • Baserat på betrodda data.
  • Det minskar beroendet av odokumenterad stamkunskap.
  • Det minskar beroendet av hunches och gut beslut.

Viktigt!

Tänk på datakulturen som det du gör, inte vad du säger. Din datakultur är inte en uppsättning regler (det är styrning). Datakulturen är alltså ett något abstrakt begrepp. Det är beteenden och normer som tillåts, belönas och uppmuntras – eller de som inte tillåts och avskräcks. Tänk på att en hälsosam datakultur motiverar anställda på alla nivåer i organisationen att generera och distribuera användbar kunskap.

Inom en organisation kommer vissa affärsenheter eller team sannolikt att ha sina egna beteenden och normer för att få saker gjorda. De specifika sätten att uppnå datakulturmål kan variera över organisationens gränser. Det viktiga är att alla ska överensstämma med organisationens datakulturmål. Du kan se den här strukturen som anpassad autonomi.

Följande cirkeldiagram förmedlar de relaterade aspekter som påverkar din datakultur:

Diagram shows various relationships and influences in a data culture, which are described below.

Diagrammet visar de något tvetydiga relationerna mellan följande objekt:

Elementen i diagrammet diskuteras i den här serien med artiklar.

Vision för datakultur

Begreppet datakultur kan vara svårt att definiera och mäta. Även om det är svårt att formulera datakulturen på ett sätt som är meningsfullt, handlingsbart och mätbart måste du ha en väl förstådd definition av vad en hälsosam datakultur innebär för din organisation. Den här visionen om en hälsosam datakultur bör:

  • Kommer från den verkställande nivån.
  • Anpassa till organisationens mål.
  • Påverka din implementeringsstrategi direkt.
  • Fungera som vägledande principer på hög nivå för att anta styrningsprinciper och riktlinjer.

Datakulturresultat är inte specifikt föreskrivna. I stället är datakulturens tillstånd resultatet av att följa styrningsreglerna när de tillämpas (eller bristen på styrningsregler). Ledare på alla nivåer måste aktivt demonstrera genom sina handlingar vad som är viktigt för dem, inklusive hur de berömmer, erkänner och belönar personal som tar initiativ.

Dricks

Om du kan ta för givet att dina ansträngningar för att utveckla en datalösning (till exempel en semantisk modell – tidigare känd som en datamängd, ett sjöhus eller en rapport) kommer att värderas och uppskattas, är det en utmärkt indikator på en hälsosam datakultur. Ibland beror det dock på vad din närmaste chef värderar mest.

Den första motivationen för att etablera en datakultur kommer ofta från ett specifikt strategiskt affärsproblem eller initiativ. Det kan vara:

  • En reaktiv förändring, till exempel att svara på ny agil konkurrens.
  • En proaktiv förändring, till exempel att starta en ny bransch eller expandera till nya marknader för att ta en "grön fält"-möjlighet. Att vara datadriven från början kan vara relativt enklare när det finns färre begränsningar och komplikationer jämfört med en etablerad organisation.
  • Drivs av externa förändringar, till exempel påtryckningar för att eliminera ineffektivitet och uppsägningar under en ekonomisk nedgång.

I var och en av dessa situationer finns det ofta ett specifikt område där datakulturen rotas. Det specifika området kan vara en omfattning av arbete som är mindre än hela organisationen, även om det fortfarande är betydande. När nödvändiga ändringar har gjorts i det här mindre omfånget kan de replikeras stegvis och anpassas för resten av organisationen.

Även om tekniken kan bidra till att främja målen för en datakultur är det inte målet att implementera specifika verktyg eller funktioner. Den här serien med artiklar beskriver många ämnen som bidrar till införandet av en hälsosam datakultur. Resten av den här artikeln behandlar tre viktiga aspekter av datakulturen: dataidentifiering, datademokratisering och datakunskap.

Dataidentifiering

En lyckad datakultur beror på att användare arbetar med rätt data i sina dagliga aktiviteter. För att uppnå det här målet måste användarna hitta och komma åt datakällor, rapporter och andra objekt.

Dataidentifiering är möjligheten att effektivt hitta relevanta datatillgångar i organisationen. I första hand handlar dataidentifiering om att öka medvetenheten om att data finns, vilket kan vara särskilt utmanande när data siloeras i avdelningssystem.

Dataidentifiering är ett något annorlunda begrepp än sökning, eftersom:

  • Med dataidentifiering kan användarna se metadata för ett objekt, till exempel namnet på en semantisk modell, även om de för närvarande inte har åtkomst till det. När en användare är medveten om att den finns kan användaren gå igenom standardprocessen för att begära åtkomst till objektet.
  • Med sökning kan användarna hitta ett befintligt objekt när de redan har säkerhetsåtkomst till objektet.

Dricks

Det är viktigt att ha en tydlig och enkel process så att användarna kan begära åtkomst till data. Att veta att data finns – men att inte kunna komma åt dem i riktlinjerna och processerna som domänägaren har upprättat – kan vara en källa till frustration för användarna. Det kan tvinga dem att använda ineffektiva lösningar i stället för att begära åtkomst via rätt kanaler.

Dataidentifiering bidrar till implementeringsarbetet och implementeringen av styrningsmetoder genom att:

  • Uppmuntra användningen av betrodda datakällor av hög kvalitet.
  • Uppmuntra användare att dra nytta av befintliga investeringar i tillgängliga datatillgångar.
  • Främja användning och berikande av befintliga dataobjekt (till exempel ett sjöhus, informationslager, datapipeline, dataflöde eller semantisk modell) eller rapporteringsobjekt (till exempel rapporter, instrumentpaneler eller mått).
  • Hjälpa människor att förstå vem som äger och hanterar datatillgångar.
  • Upprätta anslutningar mellan konsumenter, skapare och ägare.

OneLake-datahubben och användningen av bekräftelser är viktiga sätt att främja dataidentifiering i din organisation.

Dessutom är datakataloglösningar mycket värdefulla verktyg för dataidentifiering. De kan registrera metadatataggar och beskrivningar för att ge djupare kontext och innebörd. Microsoft Purview kan till exempel genomsöka och katalogisera objekt från en Fabric-klientorganisation (samt många andra källor).

Frågor om dataidentifiering

Använd frågor som de som finns nedan för att utvärdera dataidentifiering.

  • Finns det en datahubb där företagsanvändare kan söka efter data?
  • Finns det en metadatakatalog som beskriver definitioner och dataplatser?
  • Stöds datakällor av hög kvalitet genom att certifiera eller marknadsföra dem?
  • I vilken utsträckning finns redundanta datakällor eftersom människor inte kan hitta de data de behöver? Vilka roller förväntas skapa dataobjekt? Vilka roller förväntas skapa rapporter eller utföra ad hoc-analys?
  • Kan slutanvändarna hitta och använda befintliga rapporter, eller insisterar de på dataexport för att skapa sina egna?
  • Vet slutanvändarna vilka rapporter som ska användas för att hantera specifika affärsfrågor eller hitta specifika data?
  • Använder personer lämpliga datakällor och verktyg, eller motsätter sig de dem till förmån för äldre?
  • Förstår analytiker hur man berikar befintliga certifierade semantiska modeller med nya data, till exempel med hjälp av en sammansatt Power BI-modell?
  • Hur konsekventa är dataobjekt i deras kvalitets-, fullständighets- och namngivningskonventioner?
  • Kan dataobjektägare följa data härstamning för att utföra påverkansanalys av dataobjekt?

Mognadsnivåer för dataidentifiering

Följande mognadsnivåer kan hjälpa dig att utvärdera ditt aktuella tillstånd för dataidentifiering.

Nivå Tillstånd för identifiering av infrastrukturdata
100: Initial • Data är fragmenterade och oorganiserade, utan tydliga strukturer eller processer för att hitta dem.

• Användarna har svårt att hitta och använda data som de behöver för sina uppgifter.
200: Repeterbar • Spridda eller organiska insatser för att organisera och dokumentera data pågår, men endast i vissa team eller avdelningar.

• Innehåll stöds ibland, men dessa godkännanden definieras inte och processen hanteras inte. Data är fortfarande siloed och fragmenterade, och det är svårt att komma åt.
300: Definierad • En central lagringsplats, till exempel OneLake-datahubben, används för att göra data enklare att hitta för personer som behöver dem.

• Det finns en explicit process för att stödja kvalitetsdata och innehåll.

• Grundläggande dokumentation innehåller katalogdata, definitioner och beräkningar samt var du hittar dem.
400: Kapabel • Strukturerade, konsekventa processer hjälper användarna att godkänna, dokumentera och hitta data från en central hubb. Datasilor är undantaget i stället för regeln.

• Kvalitetsdatatillgångar är konsekvent godkända och lättidentifierade.

• Omfattande dataordlistor underhålls och förbättrar dataidentifieringen.
500: Effektiv • Data och metadata organiseras systematiskt och dokumenteras med en fullständig vy över data härstamningen.

• Kvalitetstillgångar är godkända och lättidentifierade.

• Katalogverktyg, till exempel Microsoft Purview, används för att göra dataidentifieringsbara för både användning och styrning.

Datademokratisering

Datademokratisering syftar på att lägga data i händerna på fler användare som ansvarar för att lösa affärsproblem. Det handlar om att göra det möjligt för fler användare att fatta bättre datadrivna beslut.

Kommentar

Begreppet datademokratisering innebär inte brist på säkerhet eller brist på motivering baserat på arbetsrollen. Som en del av en hälsosam datakultur bidrar datademokratisering till att minska skugg-IT genom att tillhandahålla semantiska modeller som:

  • Skyddas, styrs och hanteras väl.
  • Tillgodose affärsbehov på ett kostnadseffektivt och snabbt sätt.

Organisationens inställning till datademokratisering kommer att ha en omfattande inverkan på implementerings- och styrningsrelaterade insatser.

Varning

Om åtkomsten till data eller möjligheten att utföra analys begränsas till ett visst antal personer i organisationen är det vanligtvis ett varningstecken eftersom möjligheten att arbeta med data är en viktig egenskap hos en felfri datakultur.

Frågor om datademokratisering

Använd frågor som de som finns nedan för att utvärdera datademokratisering.

  • Är data och analyser lättillgängliga eller begränsade till begränsade roller och individer?
  • Finns det en effektiv process för personer att begära åtkomst till nya data och verktyg?
  • Delas data enkelt mellan team och affärsenheter, eller är de siloade och välbevakade?
  • Vem tillåts ha Power BI Desktop installerat?
  • Vem tillåts ha Power BI Pro- eller Power BI Premium-licenser per användare (PPU) ?
  • Vem tillåts att skapa tillgångar i Infrastrukturarbetsytor?
  • Vilken är önskad nivå av självbetjäningsanalys och business intelligence-användaraktivering (BI) ? Hur varierar den här nivån beroende på affärsenhet eller jobbroll?
  • Vad är den önskade balansen mellan företagsanalys och självbetjäningsanalys och BI?
  • Vilka datakällor föredras starkt för vilka ämnen och affärsdomäner? Vad är tillåten användning av osanktionerade datakällor?
  • Vem kan hantera innehåll? Är det här beslutet annorlunda för data jämfört med rapporter? Är beslutet annorlunda för enterprise BI-användare jämfört med decentraliserade användare? Vem kan äga och hantera BI-innehåll med självbetjäning?
  • Vem kan använda innehåll? Är det här beslutet annorlunda för externa partners, kunder eller leverantörer?

Mognadsnivåer för datademokratisering

Följande mognadsnivåer kan hjälpa dig att utvärdera ditt aktuella tillstånd för datademokratisering.

Nivå Tillstånd för datademokratisering
100: Initial • Data och analys är begränsade till ett litet antal roller, som gatekeep åtkomst till andra.

• Företagsanvändare måste begära åtkomst till data eller verktyg för att slutföra uppgifter. De kämpar med förseningar eller flaskhalsar.

• Självbetjäningsinitiativ sker med viss framgång inom olika delar av organisationen. Dessa aktiviteter sker på ett något kaotiskt sätt, med få formella processer och ingen strategisk plan. Det finns en brist på tillsyn och insyn i dessa självbetjäningsaktiviteter. Framgång eller misslyckande för varje lösning är inte väl förstådd.

• Företagsdatateamet kan inte hålla sig till verksamhetens behov. Det finns en betydande kvarvarande begäran för det här teamet.
200: Repeterbar • Det pågår begränsade ansträngningar för att utöka åtkomsten till data och verktyg.

• Flera team har haft mätbara framgångar med självbetjäningslösningar. Personer i organisationen börjar uppmärksammas.

• Investeringar görs för att identifiera den idealiska balansen mellan företagslösningar och självbetjäningslösningar.
300: Definierad • Många människor har tillgång till de data och verktyg de behöver, men inte alla användare är lika aktiverade eller hålls ansvariga för det innehåll de skapar.

• Effektiva datametoder för självbetjäning replikeras stegvis och avsiktligt inom fler delar av organisationen.
400: Kapabel • Sunda partnerskap finns bland skapare av företags- och självbetjäningslösningar. Tydliga, realistiska användarkonton och principer minskar risken för självbetjäningsanalys och BI.

• Tydliga och konsekventa processer finns på plats för användare att begära åtkomst till data och verktyg.

• Individer som tar initiativ till att skapa värdefulla lösningar är erkända och belönade.
500: Effektiv • Användaransvar och effektiv styrning ger centrala team förtroende för vad användarna gör med data.

• Automatiserade, övervakade processer gör det möjligt för människor att enkelt begära åtkomst till data och verktyg. Alla som behöver eller är intresserade av att använda data kan följa dessa processer för att utföra analyser.

Datakunskap

Datakunskap syftar på möjligheten att tolka, skapa och kommunicera med data och analys på ett korrekt och effektivt sätt.

Utbildningsinsatser, enligt beskrivningen i artikeln om mentorskap och användaraktivering , fokuserar ofta på hur man använder själva tekniken. Teknikkunskaper är viktiga för att skapa högkvalitativa lösningar, men det är också viktigt att tänka på hur man avsiktligt kan främja datakunskap i hela organisationen. Ett annat sätt är att en lyckad implementering kräver mycket mer än att bara tillhandahålla programvara och licenser till användarna.

Hur du kan förbättra datakunskapen i din organisation beror på många faktorer, till exempel aktuella användarkunskaper, datakomplexitet och vilka typer av analys som krävs. Du kan välja att fokusera på de här typerna av aktiviteter som rör datakunskap:

  • Tolka diagram och diagram
  • Utvärdera giltigheten av data
  • Utföra rotorsaksanalys
  • Kräsen korrelation från orsakssamband
  • Förstå hur kontext och extremvärden påverkar hur resultaten presenteras
  • Använda berättande för att hjälpa konsumenterna att snabbt förstå och agera

Dricks

Om du kämpar för att få datakulturen eller styrningsinsatserna godkända kan du fokusera på konkreta fördelar som du kan uppnå med dataidentifiering ("hitta data"), datademokratisering ("använd data") eller datakunskap ("förstå data") kan hjälpa. Det kan också vara bra att fokusera på specifika problem som du kan lösa eller minimera genom framsteg i datakulturen.

Att få rätt intressenter att komma överens om problemet är vanligtvis det första steget. Sedan handlar det om att få intressenterna att komma överens om den strategiska metoden för en lösning, tillsammans med lösningsinformationen.

Frågor att ställa om datakunskap

Använd frågor som de som finns nedan för att utvärdera datakunskap.

  • Finns det ett gemensamt analytiskt ordförråd i organisationen för att prata om data och BI-lösningar? Alternativt är definitionerna fragmenterade och olika mellan silor?
  • Hur bekväma är människor med att fatta beslut baserat på data och bevis jämfört med intuition och subjektiv upplevelse?
  • Hur reagerar de när människor som har en åsikt konfronteras med motstridiga bevis? Utvärderar de data kritiskt, eller avfärdar de dem? Kan de ändra sin åsikt, eller blir de förankrade och motståndskraftiga?
  • Finns det utbildningsprogram för att stödja människor i att lära sig om data- och analysverktyg?
  • Finns det betydande motstånd mot visuell analys och interaktiv rapportering till förmån för statiska kalkylblad?
  • Är personer öppna för nya analysmetoder och verktyg för att potentiellt hantera sina affärsfrågor mer effektivt? Alternativt föredrar de att fortsätta använda befintliga metoder och verktyg för att spara tid och energi?
  • Finns det metoder eller program för att utvärdera eller förbättra datakunskapen i organisationen? Har ledningen en korrekt förståelse för datakunskapsnivåer?
  • Finns det roller, team eller avdelningar där datakunskapen är särskilt stark eller svag?

Mognadsnivåer för datakunskap

Följande mognadsnivåer kan hjälpa dig att utvärdera ditt aktuella tillstånd för datakunskap.

Nivå Datakunskapens tillstånd
100: Initial • Beslut fattas ofta baserat på intuition och subjektiv erfarenhet. När data ställs inför data som utmanar befintliga åsikter avvisas ofta data.

• Individer har lågt förtroende för att använda och förstå data i beslutsprocesser eller diskussioner.

• Rapportkonsumenter har en stark inställning för statiska tabeller. Dessa konsumenter avfärdar interaktiva visualiseringar eller avancerade analysmetoder som "fancy" eller onödiga.
200: Repeterbar • Vissa team och individer införlivar inkonsekvent data i sitt beslutsfattande. Det finns tydliga fall där feltolkning av data har lett till felaktiga beslut eller felaktiga slutsatser.

• Det finns visst motstånd när data utmanar befintliga övertygelser.

• Vissa människor är skeptiska till interaktiva visualiseringar och avancerade analysmetoder, även om deras användning ökar.
300: Definierad • Majoriteten av teamen och individerna förstår data som är relevanta för deras affärsområde och använder dem implicit för att informera beslut.

• När data utmanar befintliga övertygelser skapar det kritiska diskussioner och motiverar ibland förändring.

• Visualiseringar och avancerad analys är mer allmänt accepterade, men används inte alltid effektivt.
400: Kapabel • Datakunskap identifieras uttryckligen som en nödvändig färdighet i organisationen. Vissa utbildningsprogram hanterar datakunskap. Särskilda ansträngningar görs för att hjälpa avdelningar, team eller individer som har särskilt svag datakunskap.

• De flesta individer kan effektivt använda och tillämpa data för att fatta objektivt bättre beslut och vidta åtgärder.

• Metodtips för visuella och analytiska objekt dokumenteras och följs i strategiskt viktiga datalösningar.
500: Effektiv • Datakunskap, kritiskt tänkande och kontinuerlig inlärning är strategiska färdigheter och värderingar i organisationen. Effektiva program övervakar förloppet för att förbättra datakunskapen i organisationen.

• Beslutsfattandet drivs av data i hela organisationen. Beslutsinformation eller normativ analys används för att rekommendera viktiga beslut och åtgärder.

• Visuella och analytiska metodtips ses som viktiga för att generera affärsvärde med data.

Överväganden och nyckelåtgärder

Checklista – Här följer några överväganden och viktiga åtgärder som du kan vidta för att stärka din datakultur.

  • Justera dina datakulturmål och din strategi: Ta allvarligt hänsyn till vilken typ av datakultur du vill odla. Helst är det mer från en position för användarinflytande än en position för kommando och kontroll.
  • Förstå ditt aktuella tillstånd: Prata med intressenter i olika affärsenheter för att förstå vilka analysmetoder som fungerar bra för närvarande och vilka metoder som inte fungerar bra för datadrivet beslutsfattande. Genomför en serie workshops för att förstå det aktuella tillståndet och för att formulera önskat framtida tillstånd.
  • Tala med intressenter: Prata med intressenter inom IT, BI och COE för att förstå vilka styrningsbegränsningar som behöver beaktas. Dessa konversationer kan ge en möjlighet att utbilda team om ämnen som säkerhet och infrastruktur. Du kan också använda möjligheten att utbilda intressenter om de funktioner som ingår i Infrastrukturresurser.
  • Verifiera exekutiv sponsring: Kontrollera nivån på den verkställande sponsringen och supporten som du har på plats för att främja datakulturmål.
  • Fatta målmedvetna beslut om din datastrategi: Bestäm vilken optimal balans mellan företagsledd självbetjäning, hanterad självbetjäning och företagsdata, analys och BI-användningsfall ska vara för de viktigaste affärsenheterna i organisationen (som beskrivs i artikeln om innehållsägarskap och hantering ). Tänk också på hur datastrategin relaterar till omfattningen av publicerat innehåll för personligt, team, avdelnings- och företagsanalys och BI (beskrivs i artikeln om innehållsleveransomfång ). Definiera dina övergripande mål och prioriteringar för den här strategiska planeringen. Bestäm hur dessa beslut påverkar din taktiska planering.
  • Skapa en taktisk plan: Börja skapa en taktisk plan för omedelbara, kortsiktiga och långsiktiga åtgärdsobjekt. Identifiera företagsgrupper och problem som representerar "snabba vinster" och kan göra en synlig skillnad.
  • Skapa mål och mått: Bestäm hur du ska mäta effektiviteten för dina datakulturinitiativ. Skapa viktiga prestandaindikatorer (KPI:er) eller mål och viktiga resultat (OKR) för att verifiera resultatet av dina ansträngningar.

Frågor att ställa om datakultur

Använd frågor som de som finns nedan för att utvärdera datakulturen.

  • Betraktas data som en strategisk tillgång i organisationen?
  • Finns det en vision om en hälsosam datakultur som kommer från ledningen och överensstämmer med organisationens mål?
  • Vägleder datakulturen skapandet av styrningsprinciper och riktlinjer?
  • Är organisationens datakällor betrodda av innehållsskapare och konsumenter?
  • När man motiverar ett yttrande, beslut eller val, använder människor data som bevis?
  • Är kunskap om analys och dataanvändning dokumenterad eller är det beroende av odokumenterad stamkunskap?
  • Värderas och uppskattas arbetet med att utveckla en datalösning av användarcommunityn?

Mognadsnivåer för datakultur

Följande mognadsnivåer hjälper dig att utvärdera datakulturens aktuella tillstånd.

Nivå Tillstånd för datakultur
100: Initial • Företagsdatateamen kan inte hålla koll på verksamhetens behov. Det finns en betydande kvarvarande begäranden.

• Självbetjäningsdata och BI-initiativ sker med viss framgång inom olika delar av organisationen. Dessa aktiviteter sker på ett något kaotiskt sätt, med få formella processer och ingen strategisk plan.

• Det saknas tillsyn och insyn i BI-aktiviteter med självbetjäning. Lyckade eller misslyckade data- och BI-lösningar är inte väl förstådda.
200: Repeterbar • Flera team har haft mätbara framgångar med självbetjäningslösningar. Personer i organisationen börjar uppmärksammas.

• Investeringar görs för att identifiera den idealiska balansen mellan företagsdata och självbetjäningsdata, analys och BI.
300: Definierad • Särskilda mål fastställs för att främja datakulturen. Dessa mål implementeras stegvis.

• Lärdomar från vad som fungerar i enskilda affärsenheter delas.

• Effektiva självbetjäningsmetoder replikeras stegvis och avsiktligt inom fler delar av organisationen.
400: Kapabel • Datakulturens mål för att använda välinformerat beslutsfattande är i linje med organisationens mål. De stöds aktivt av den verkställande sponsorn, COE, och de har en direkt inverkan på implementeringsstrategier.

• Det finns ett sunt och produktivt partnerskap mellan den verkställande sponsorn, COE, affärsenheter och IT. Teamen arbetar mot gemensamma mål.

• Individer som tar initiativ till att skapa värdefulla datalösningar är erkända och belönade.
500: Effektiv • Affärsvärdet för data, analys och BI-lösningar utvärderas och mäts regelbundet. KPI:er eller OKR används för att spåra datakulturmål och resultatet av dessa ansträngningar.

• Feedbackslingor finns på plats och de uppmuntrar till kontinuerliga förbättringar av datakulturen.

• Kontinuerlig förbättring av organisationsimplementering, användarimplementering och lösningsimplementering har högsta prioritet.

Relaterat innehåll

I nästa artikel i microsoft fabric-implementeringsöversiktsserien får du lära dig om vikten av en chefssponsor.