5 filarów transformacji danych – proste wyjaśnienie

AI miała wyczyścić zaległości, przyspieszyć podejmowanie decyzji i dać każdemu zespołowi mądrzejszy sposób pracy. Zamiast tego wiele organizacji ma dziś Microsoft Copilot, Power BI, Microsoft Fabric, agentów AI i więcej danych niż kiedykolwiek wcześniej – a mimo to ważne decyzje wciąż grzęzną na spotkaniach, ponieważ nikt w pełni nie ufa liczbom ani nie wie, kto może na ich podstawie działać. Wydatki na technologie stale rosną. Działania – nie. Problemem często nie jest brak AI. Jest nim brak modelu operacyjnego łączącego dane, znaczenie, zarządzanie, technologię, ludzi i odpowiedzialność. W tym odcinku M365 FM – Simply Explained omawiamy pięć filarów, które organizacje muszą zbudować, aby stworzyć solidne fundamenty pod transformację danych i AI.

CZEGO SIĘ NAUCZYSZ
W tym odcinku omawiamy:

• Dlaczego AI nie może zrekompensować niewiarygodnych danych
• Jak zarządzanie danymi buduje zaufanie, zanim zacznie się automatyzacja
• Dlaczego jakość danych powinna zależeć od podejmowanej decyzji
• Jak Microsoft Purview może wspierać zarządzanie danymi i ich odkrywanie
• Jak Microsoft Fabric wspiera nowoczesną analitykę i platformy danych
• Dlaczego modele semantyczne są ważne dla Power BI i AI
• Jak sprzeczne definicje prowadzą do sprzecznych dashboardów
• Dlaczego glosariusze biznesowe są ważne zarówno dla ludzi, jak i dla agentów AI
• Jak własność danych wpływa na gotowość do wdrożenia AI
• Dlaczego dostęp, bezpieczeństwo i uprawnienia muszą być zdefiniowane, zanim AI zacznie się skalować
• Jak Copilot i agenci AI zależą od zaufanego kontekstu biznesowego
• Dlaczego odpowiedzialność człowieka pozostaje kluczowa, nawet gdy odpowiedź generuje AI

FILAR 1: ZARZĄDZANIE DANYMI – ZAUFANIE PRZED AUTOMATYZACJĄ
Zarządzanie danymi często brzmi jak polityki, spotkania dotyczące zgodności, dokumentacja i biurokracja. W praktyce zarządzanie odpowiada na kilka bardzo prostych pytań:

• Kto jest właścicielem tych danych?
• Kto ma prawo do nich dostępu?
• Skąd pochodzą dane?
• Czy możemy im ufać w tym konkretnym przypadku użycia?
• Co ludzie mogą z nimi robić?
• Co systemy AI mogą z nimi robić?

Bez jasnych odpowiedzi AI nie rozwiązuje problemu z danymi. Może go wręcz rozprzestrzeniać szybciej. Wyobraź sobie zespół kierowniczy przygotowujący prognozę sprzedaży. Dział sprzedaży przedstawia jedną wartość przychodów, a finanse – inną. Obie liczby pochodzą z systemów, które wydają się wiarygodne. Spotkanie nagle przestaje dotyczyć przyszłych decyzji. Zamiast tego wszyscy zaczynają spierać się o to, który arkusz lub dashboard jest poprawny. Podstawowym problemem może być to, że:

• CRM zawiera jedną wersję przychodów
• System finansowy zawiera inną
• Ręczne eksporty wprowadzają kolejne różnice
• Nikt nie jest właścicielem definicji przychodów
• Nikt nie odpowiada za jakość danych źródłowych
• Nikt nie potrafi jasno wyjaśnić, która liczba powinna kierować prognozą

Firma kończy na dyskusji o przeszłości zamiast o podejmowaniu decyzji dotyczących przyszłości.

CO SIĘ DZIEJE, GDY W GRĘ WCHODZI AI?
Wyobraź sobie teraz, że ktoś pyta agenta AI: „Który region sprzedaży jest w tyle?”. Odpowiedź może pojawić się w ciągu kilku sekund. Może jednak opierać się na:

• Zduplikowanych rekordach klientów
• Nieaktualnych przypisaniach kont
• Brakujących szansach sprzedaży
• Niepoprawnych etapach prognozy
• Nieaktualnych danych
• Błędnych uprawnieniach
• Informacjach, do których użytkownik nie powinien mieć dostępu

Odpowiedź może brzmieć pewnie. To nie oznacza automatycznie, że jest wiarygodna. Zarządzanie danymi tworzy ramy współpracy wokół danych, zanim automatyzacja zacznie z nich korzystać. Dobry model zarządzania zazwyczaj ustanawia:

• Wyznaczonych właścicieli danych
• Jasne obowiązki
• Klasyfikacje danych
• Zasady dostępu
• Dokumentację systemów źródłowych
• Oczekiwania dotyczące jakości danych
• Możliwość audytu
• Zasady dla wrażliwych informacji
• Reguły dotyczące AI i automatyzacji

Technologie Microsoft mogą wspierać ten proces. Microsoft Purview pomaga organizacjom odkrywać, klasyfikować, rozumieć i zarządzać informacjami. Microsoft Fabric pomaga łączyć dane, przygotowywać je, analizować, monitorować i udostępniać na potrzeby raportowania oraz scenariuszy AI. Technologia jednak nie rozstrzygnie wszystkiego. Organizacje nadal potrzebują ludzi, którzy zdecydują:

• Kto jest odpowiedzialny za dane klientów
• Które definicje są autorytatywne
• Jaka jakość danych jest akceptowalna
• Kto powinien mieć dostęp
• Kiedy odpowiedź wygenerowana przez AI jest bezpieczna do użycia
• Kto pozostaje odpowiedzialny za ostateczną decyzję

JAKOŚĆ DANYCH MUSI ODPOWIADAĆ DECYZJI
Wiele organizacji podchodzi do jakości danych tak, jakby każde pole w każdym systemie musiało być idealne. To rzadko jest realistyczne. Jakość danych należy oceniać w kontekście konkretnej decyzji biznesowej. Dla prognozy sprzedaży najważniejsze pola mogą obejmować:

• Etap szansy sprzedaży
• Oczekiwaną datę zamknięcia
• Kwotę prognozy
• Właściciela konta
• Terytorium
• Prawdopodobieństwo
• Status klienta

Inne pola mogą mieć mniejsze znaczenie dla tej konkretnej decyzji. Lepsze pytanie brzmi więc nie: „Jak wyczyścić wszystkie nasze dane?”, lecz: „Którym danym musimy ufać w tej decyzji?”. Dzięki temu problem staje się mniejszy, mierzalny i znacznie łatwiejszy do opanowania.

Zostań wspierającym tego podcastu: https://www.spreaker.com/podcast/m365-fm-a-microsoft-mvp-podcast-by-mirko-peters--6704921/support.