Новое исследование показало, что предприятия недостаточно используют новые данные, сталкиваются с нехваткой навыков и нуждаются в улучшении жизненного цикла аналитики данных (DataOps). Согласно новому отчету, текущее состояние DataOps оставляет желать лучшего. Совершенствование стратегий поможет извлечь выгоду из искусственного интеллекта и других новых технологий, сообщает портал ITPro Today.

Всестороннее исследование под названием «Putting the ’Ops’ in DataOps: Success Factors for Operationalizing Data» проливает новый свет на состояние управления данными и DataOps на крупных предприятиях по всему миру. В опросе, проведенном по заказу BMC компанией 451 Research, приняли участие 1100 профессионалов в области ИТ, данных и бизнеса из крупных предприятий в 11 странах.

Основные результаты исследования раскрывают возможности и проблемы DataOps, включая:

  • Недоиспользование новых данных. Только 17% поступающих данных относятся к новым типам данных, и лишь 9% новых данных обрабатываются или анализируются.
  • Нехватка навыков. 48% респондентов называют недостаток навыков одной из основных проблем в управлении данными.
  • Человеческий фактор и дефицит автоматизации. 43% отмечают в качестве основных препятствий как человеческий фактор, так и недостаточную автоматизацию технологий.
  • Отставание в области оркестровки конвейеров. Даже среди организаций с исключительной зрелостью в области данных только 41% сообщают о высокой зрелости в области конвейеров данных и оркестровки рабочих процессов приложений.
  • Влияние DataOps-зрелости. 75% организаций с развитой практикой DataOps имеют директора по данным, по сравнению с 54% с менее развитой практикой.
  • Преимущество крупных предприятий. 75% организаций со штатом более 5000 сотрудников активно управляют данными для реализации инициатив в области генеративного ИИ по сравнению с 50% небольших организаций.

«Одним из удивительных результатов опроса стало то, как мало организаций анализируют данные новых типов», — говорит Дженнифер Гленски, директор по управлению продуктами BMC.

По ее словам, несмотря на то, что организации стремятся извлечь выгоду из постоянно растущего объема данных, поступающих из новых источников и технологий, исследование показало, что только 9% обрабатываемых и анализируемых данных относятся к новым типам данных.

«Эти новые данные могут предоставить большую ценность для организаций в таких инициативах, как генеративный ИИ, большие языковые модели (LLM), FinOps или устойчивое развитие, если они смогут их использовать», — отмечает Гленски.

Почему DataOps — это так сложно?

Существует множество причин для принятия методологии DataOps, но, к сожалению, и множество препятствий на этом пути.

Гленски отмечает, что для организаций, которые хотят внедрить DataOps, чтобы получить больше пользы от своих данных, самыми большими препятствиями, как правило, являются отсутствие навыков и автоматизации технологий.

Осведомленность также является большой проблемой.

По словам Гленски, повышение осведомленности о многочисленных преимуществах DataOps, таких как использование автоматизации для усиления имеющихся навыков и сокращения количества ошибок, связанных с человеческим фактором, может помочь организациям определить приоритеты при разработке стратегии DataOps, отвечающей их потребностям.

В исследовании определены четыре уровня зрелости управления данными: развивающийся, функциональный, профессиональный и исключительный. Организации, находящиеся на более высоких уровнях зрелости, как правило, добиваются большего успеха в деятельности, основанной на данных.

Однако исследование выявило любопытную тенденцию: у достаточно зрелых организаций часто наблюдается снижение самооценки эффективности, вероятно, из-за повышения осведомленности о своих проблемах по мере того, как они сталкиваются с растущей сложностью.

Как улучшить DataOps

В отчете предлагается несколько ключевых стратегий для организаций, стремящихся улучшить свою практику DataOps:

  • Внедрить автоматизацию. Расширяйте использование автоматизации технологий для решения проблемы человеческого фактора и нехватки навыков.
  • Улучшить оркестровку конвейеров данных. Сосредоточьтесь на совершенствовании конвейера данных и оркестровки рабочих процессов приложений, это касается даже организаций с высоким уровнем зрелости в области данных.
  • Инвестируйте в развитие навыков. Решайте проблему нехватки навыков путем обучения и найма специалистов по управлению данными.
  • Согласуйте DataOps с бизнес-результатами. Убедитесь, что практика DataOps напрямую связана с важнейшими бизнес-результатами.
  • Применяйте индивидуальный подход. Реализуйте стратегии, основываясь на текущем уровне зрелости вашей организации.
  • Используйте новые данные. Активизируйте усилия по сбору, обработке и анализу новых типов данных для поддержки инновационных инициатив.
  • Обеспечьте сильное руководство. Рассмотрите возможность назначения директора по данным для обеспечения DataOps-зрелости в вашей организации.

«Чтобы совершенствоваться, организациям следует стремиться увязать стратегию, практику и архитектуру управления данными с важнейшими бизнес-результатами, — говорит Гленски. — Также полезно иметь человека или группу, отвечающую за стратегию и практику DataOps, чтобы помочь раскрыть их ценность в масштабе».