سنگ بنای موفقیت در عصر هوش مصنوعی مولد

زمان مطالعه: 12 دقیقه

تا همین چند سال پیش، داده‌ها در سازمان‌ها بیشتر به‌عنوان منابعی پنهان در زیرساخت‌های اطلاعاتی تلقی می‌شدند؛ منابعی که در بهترین حالت برای تصمیم‌گیری یا تحلیل‌های آماری به کار می‌رفتند. اما با شتاب گرفتن توسعه مدل‌های زبانی بزرگ و سامانه‌های مولد مبتنی بر یادگیری عمیق؛ اکنون کیفیت، ساختار، قابلیت دسترسی و چرخه عمر داده‌ها به‌اندازه طراحی یک محصول جدید (حتی گاهی بیشتر از آن) اهمیت پیدا کرده است. سازمان‌هایی که این تحول مفهومی را درک کرده‌اند، به‌جای انبارش داده‌های بی‌هدف، اکنون به ساخت، مدیریت و نگه‌داری از داده‌هایی می‌پردازند که مانند یک محصول؛ قابل‌استفاده و ارزش‌آفرین هستند. گزارش «Treating data as a product in the era of GenAI» که توسط مؤسسه تحقیقاتی Deloitte منتشرشده است، به بررسی این تغییر نقش داده در سازمان‌ها و شخصیت جدید آن به‌عنوان یک محصول پرداخته است.

اصول اولیه

شاید تا ۲۰،۳۰ سال پیش، داده‌ها چندان مهم نبودند، به‌حساب نمی‌آمدند و صرفاً فقط وقتی پای مسائل مالی به میان می‌آمد می‌توانستند از یک‌گوشه خلوت بیرون بیایند و خودی نشان دهند. اما رفته‌رفته با پیشرفت فناوری، نرخ تولید داده‌ها به‌قدری سریع شد که دیگر در هیچ گوشه‌ای جا نمی‌شدند. داده‌ها به‌سرعت همه‌جا را فراگرفتند و دیگر صرفاً یک‌بار اضافی بر دوش سازمان‌ها نبودند؛ بلکه خود را به‌عنوان یک عامل تصمیم‌گیرنده به همه شناساندند. فرهنگ و ذهنیت داده‌محور در سازمان‌ها جا افتاد و دیگر به‌ناچار ناگزیر به استفاده از داده‌ها در همه چیز شدند.

در حال حاضر بسیاری از سازمان‌ها برای سامان‌دهی داده‌های خود رویکرد معماری «شبکه داده» یا «مش داده» (Data Mesh) را در پیش گرفته‌اند؛ معماری‌ای غیرمتمرکز که به آن‌ها امکان می‌دهد تا به تقاضای رو‌به‌رشد برای داده در سطح سازمان پاسخ دهند. استقرار معماری مش داده به طور مستقیم بر ۴ بعد و ارزش سازمانی شامل ارزش‌های تجاری کسب‌وکار، داده و فناوری، استعداد و فرهنگ سازمانی و مدیریت و حکمرانی داده تأثیرگذار است. سازمان‌ها از معماری مش داده برای سروسامان دادن و در نهایت استفاده مؤثر از داده‌ها، استفاده می‌کنند. معماری مش داده بر ۴ اصل کلیدی داده‌های دامنه‌محور، داده به‌عنوان محصول، زیرساخت‌های خودخدمت (Self-service) و چارچوب‌های محاسباتی حاکمیتی استوار است.

در معماری مش داده، داده صرفاً یک دارایی نیست، بلکه محصولی با صاحبان مشخص، مصرف‌کنندگان مشخص و استانداردهای مشخص برای کیفیت است. چنین نگاهی باعث می‌شود تیم‌ها، داده‌های خود را مانند محصولی مستقل مدیریت کرده و سایر بخش‌های سازمان را به‌عنوان «مشتری» خود در نظر بگیرند.

نگاه محصول‌محور به داده

پذیرش فرهنگ و ذهنیت داده‌محور در سازمان‌ها، این نگرش که داده باید به‌عنوان محصول تلقی شود را به‌عنوان هسته اصلی این رویکرد تحول‌آفرین مطرح کرد. در این رویکرد، ساختار یکپارچه و غیرقابل‌انعطاف داده‌ها به واحدهای کوچک‌تر و هدفمندتر شکسته می‌شود؛ مفهومی که از اصول طراحی ماژولار و قابل‌استفاده مجددِ مبتنی بر API (“API-first” modular) که در توسعه نرم‌افزار رایج است، الهام گرفته شده. این تحول به سازمان‌ها کمک می‌کند تا داده را به‌عنوان یک دارایی سازمانی بپذیرند و آن را بر اساس منبع تولید یا شیوه مصرف، به‌صورت دامنه‌محور مدیریت کنند.

سیر تحول معماری داده در سازمان‌ها را می‌توان در ۴ رویکرد خلاصه کرد:

• تحلیل‌های جزیره‌ای (Siloed Analytics)

در سازمان، هر واحد مالک برنامه‌ها، داده‌های حاصل از آن و تحلیل‌های مربوط به خود است. بین واحدها اشتراک‌گذاری اطلاعات حداقلی است و مشتریان نیز به‌صورت مجزا مدیریت می‌شوند.

نتیجه: دیدگاه و برداشت‌های ناقص و ناهماهنگ (Fragmented hindsight)

• دریاچه‌های داده (Data Lakes)

برای کاهش هزینه‌های ذخیره‌سازی، بسیاری از سازمان‌ها بر روی ساخت دریاچه‌های داده سرمایه‌گذاری کردند تا داده‌های خام برنامه‌ها خود را در آن ذخیره و نگهداری کنند. اما به دلیل نبود داده‌های پالایش‌شده در این زیرساخت‌ها، تحلیل‌گران به‌ناچار می‌بایست زمان زیادی را صرف فرایند آماده‌سازی داده برای انجام تحلیل‌های نهایی خود کنند که گاه تا ۷۰٪ از زمان لازم برای یک فرایند تحلیل داده را به خود اختصاص می‌دهد. (نویسنده در متن اصلی از واژه «wrangle» برای فرایند آماده‌سازی داده استفاده کرده است که در به‌نوعی می‌توان مفهوم کشمکش، درگیری سخت یا سروکله زدن با داده را از آن برداشت کرد.)

نتیجه: بار اضافی اطلاعاتی (Information overload)

• مدل‌های سازمانی (Enterprise Models)

برخی سازمان‌ها با هدف تمرکز بر مشتری و بهبود تحلیل‌های خود، مدل‌های داده یکپارچه‌ای را برای کل سازمان خود طراحی کردند.
اما چه مشکلی پیش آمد؟

در سازمان‌های بزرگ با داده‌های پیچیده، همسان‌سازی داده‌ها نیازمند یک برنامه‌های بلندمدتی بود که ارزش ملموسی نیز ایجاد نمی‌کرد. ازاین‌رو، مدل‌های بزرگ و جامعه «همه‌کاره» (One-size-fits-all) به‌ناچار، مجبور شدند به تعداد زیادی مدل‌های سفارشی‌سازی شده کوچک تبدیل شود. وابستگی شدید به تیم‌های فناوری برای طراحی، ساخت و نگهداری جریان‌های‌داده (data pipelines) نیز به گلوگاه کلیدی تبدیل شد.

نتیجه: سردرگمی و بلاتکلیفی داده‌ای (Data purgatory) (نکته: عبارت «purgatory» یک واژه اعتقادی و به معنی برزخ است.)

• محصولات داده‌‌محور (Data Products)

راه‌حل این مشکلات چیست؟

ایجاد الگو یا به‌اصطلاح فنی پارادایمی که داده را نه به‌عنوان یک محصول جانبی، بلکه به‌عنوان محصولی مستقل با چرخه عمر خاص خود در نظر می‌گیرد. رویکرد مدیریت داده به‌عنوان محصول به سازمان‌ها کمک می‌کند کنترل دارایی‌های داده‌ای خود را به دست گرفته و ارزش تجاری ملموسی از آن به دست آورند.

نتیجه: بینش یکپارچه (Integrated insight)

محصول داده‌‌محور چیست؟

محصولات داده‌محور، دارایی‌هایی هستند که به سازمان‌ها کمک می‌کنند تا کنترل داده‌های خود را به دست گرفته و از آن‌ها ارزش تجاری واقعی استخراج کنند. این محصولات قابل اشتراک‌گذاری هستند و می‌توانند ظرفیت‌های پنهان داده را به شکلی نمایان کنند که هم ذی‌نفعان داخل سازمانی (مانند تحلیل‌گران و تیم‌های کسب‌وکار) و هم ذی‌نفعان برون‌سازمانی (مشتریان و شرکای تجاری) از آن بهره‌مند شوند.

سازمان‌ها می‌توانند با ترویج نگرش محصول‌محور در زیرساخت‌های داده‌ای خود، پایه‌گذار تحولی بنیادین در مسیر ارزش‌آفرینی از داده باشند. محصولات داده‌محور این امکان را فراهم می‌کنند تا تحلیل‌گران به‌جای درگیرشدن با چالش‌های پیش‌پردازش و آماده‌سازی داده‌ها، وقت و تمرکز خود را صرف استخراج بینش‌های تجاری معنادار و ارزشمند از داده‌ها کنند. محصولات داده‌محور پنج مزیت کلیدی زیر را برای سازمان‌ها به ارمغان می‌آورند:

• منبع اطلاعاتی واحد (Single Source of Truth): محصولات داده‌محور با ارائه مجموعه‌داده‌های کلیدی و استاندارد، می‌توانند موارد کاربرد مختلف را پوشش دهند و به‌این‌ترتیب، انسجام و هم‌راستایی تحلیل‌ها و تصمیم‌گیری‌ها در سراسر سازمان را تضمین کنند.
• ایجاد اعتماد و پاسخ‌گویی: وجود ساختار مستحکم، شیوه مصرف مشخص و نتایج قابل‌اتکا در محصولات داده‌محور موجب افزایش اعتماد تیم‌ها به داده می‌شود و زمینه پاسخ‌گویی دقیق‌تر به تصمیمات مبتنی بر داده را فراهم می‌کند.
• افزایش بهره‌وری و همکاری: وقتی داده‌های استاندارد و قابل‌استفاده مجدد در قالب محصولات داده‌محور در یک بازارچه داده (Data Marketplace) عرضه می‌شوند، تحلیل‌گران می‌توانند در میان آن‌ها جست‌وجو کنند، یافته‌ها و دانش خود را با دیگران به اشتراک بگذارند و از تکرار فعالیت‌های موازی جلوگیری کنند.
• تسریع در ارائه به بازار (Speed to Market): با رهاشدن تحلیل‌گران از بند چالش‌های فنی و تمرکز بر استخراج بینش از داده‌ها، سازمان می‌تواند با سرعت بیشتری به فرصت‌ها و نیازهای بازار پاسخ دهد و تصمیمات مبتنی بر داده را با سرعت بیشتری اجرایی کند.
• کاهش هزینه‌های زیرساخت و منابع: محصولات داده‌محور به سازمان کمک می‌کنند تا با ساده‌سازی فرایند استقرار معماری داده، بار کاری تیم‌های فناوری را کاهش دهند. همچنین سازمان می‌تواند از طریق استقرار مدل‌های تخصیص هزینه معکوس (chargeback)، بخشی از هزینه‌های پس‌انداز شده ناشی از کاهش هزینه‌کرد توسعه فناوری را به سایر اجزای درون‌سازمانی (Line-of-Business – LOB) تزریق کند.

انواع مختلف محصول داده‌محور

به‌کارگیری نگرش محصول‌محور در مدیریت داده‌های سازمانی، مستلزم درک دقیق از انواع مختلف محصولات داده‌محور است.
این محصولات را می‌توان به‌طورکلی بر اساس هدف استفاده و رخ پردازش و تبدیل انجام‌شده بر روی داده‌ها دسته‌بندی کرد. شناخت این انواع مختلف محصولات داده‌محور به سازمان‌ها کمک می‌کند تا داده‌های خود را به شکل مؤثرتری مدیریت و بهینه‌سازی کرده، از آن‌ها در کاربردهای گوناگون بهره ببرند و نهایتاً بینش و ارزش بیشتری از داده‌های سازمانی استخراج کنند. محصولات داده‌محور به چهار نوع تقسیم می‌شوند

الف) محصولات داده‌محور خام (Raw Data Products)

محصولات داده‌محور خام، پایه‌ای‌ترین و اولیه‌ترین شکل داده است که از منابع مختلف گردآوری شده و بدون تغییر یا با کمترین میزان پردازش و پاک‌سازی ارائه می‌شود. سازمان‌ها می‌توانند بسته به نیاز، این داده‌ها را بیشتر پردازش کرده و ارزش افزوده بیشتری از آن استخراج کنند.

مثال: فهرست کامل تراکنش‌های مربوط به محصولات در بازه‌ای مشخص از زمان.

ب) محصولات داده‌محور همسان‌سازی‌شده  (Conformed Data Products)

این نوع از محصولات داده‌محور، داده‌های خام یا پاک‌سازی‌شده را بر اساس یک ساختار داده همسان‌شده‌ای که با طبقه‌بندی و اعداف مشخص سازمانی هماهنگ است، پیکربندی می‌کنند.

مثال: یکپارچه‌سازی داده‌های تراکنش‌های مالی سکوهای بانکی مختلف سازمان برای ایجاد یک مجموعه منظم از اطلاعات مالی

پ) محصولات داده‌محور آماده برای هوش تجاری  (BI-ready Data Products)

این محصولات آماده برای تحلیل و معمولاً به‌صورت تجمیع‌شده و بهینه‌شده برای استفاده در ابزارهای تحلیل و داشبوردهای مدیریتی هستند.

مثال: تعداد کل محصولات فروخته‌شده در هر منطقه جغرافیایی.

ت) داده‌های آماده برای هوش مصنوعی  (AI-ready Data)

مدل‌های هوش مصنوعی برای تولید بینش‌های دقیق نیازمند داده‌هایی هستند که علاوه بر محتوا، دارای زمینه (Context) نیز باشند. در این نوع محصولات، داده‌ها چه ساختارافته باشند چه نیمه‌ساختارافته و چه غیرساختارافته؛ همگی پاک‌سازی، سازمان‌دهی، برچسب‌گذاری و دسته‌بندی می‌شوند تا برای آموزش مدل‌های زبانی بزرگ و قدرتمند هوش مصنوعی مولد (GenAI)  مناسب باشند.

مثال: ارائه خدمات مشتری به‌صورت خودکار و با استفاده از مدل‌های زبانی مبتنی بر داده‌های سازمانی.

چرخه عمر محصولات داده‌محور

چرخه عمر محصول داده‌محور، دنباله‌ای از مراحل توسعه و به‌روزرسانی است که محصول در طول حیات خود طی می‌کند. این چرخه با مرحله ورود و شناسایی نیاز آغاز شده و با مراحل نمونه‌سازی، توسعه، استقرار، بهبود و بازگشت به مرحله ورودی (بر اساس بازخوردها) ادامه میابد.

مسیر ساخت و مدیریت داده به‌عنوان محصول

نهادینه‌کردن «نگرش محصول‌محور» یک‌شبه اتفاق نمی‌افتد. سازمان‌ها در طی سال‌ها، راهکارهای مختلفی را برای مدیریت رشد داده‌ها و استخراج بینش‌های تجاری آزمایش کرده‌اند. برای پذیرش این نگرش جدید، لازم است برخی چالش‌های بنیادین را پشت سر گذاشت

۱.  چگونه اکوسیستم یکپارچه و متمرکز داده را به محصولات داده‌محور تفکیک کنیم؟

اولین گام، کنارگذاشتن معماری‌های متمرکز و یکپارچه سنتی (monolithic) است. این کار با تقسیم داده‌ها به زیرمجموعه‌های مشخص و توزیع مراحل در زنجیره پردازش داده آغاز می‌شود. اصل کلیدی در اینجا «تفکیک و توزیع» است؛
یعنی تقسیم داده‌های موجود در سازمان به بخش‌های کوچک‌تر و دامنه‌محور (domain-specific) که هرکدام قابل‌مدیریت و مقیاس‌پذیر باشند و بتوان آن‌ها را به‌صورت مؤثر در شبکه‌ای سازمان‌یافته به اشتراک گذاشت.

۳ رویکرد برای تقسیم ساختار متمرکز داده‌ها و تبدیل آن به شبکه‌ای ساختاریافته از محصولات داده‌محور در دامنه‌های خاص و با قابلیت‌های تجاری مخصوص معرفی شده است. 

هر یک از این رویکردها مزایا و چالش‌های خاص خود را نیز برای سازمان به همراه دارند:

• بر اساس واحدهای کسب‌وکار (LOBs) یا عملکردهای سازمانی: این رویکرد تطابق بالایی با ساختارهای IT فعلی سازمان‌ها دارد، چرا که اغلب سیستم‌ها و تیم‌ها از قبل با این واحدها هم‌راستا هستند؛ اما باید توجه داشت که ساختارهای سازمانی در طول زمان تغییر می‌کنند که می‌تواند تعاریف دامنه‌های داده را تغییر دهد.
• بر اساس نوع داده (تراکنشی، مرجع، اصلی یا مشتق‌شده): این روش به سازمان‌ها امکان می‌دهد دامنه‌های داده را بر پایه نوع داده شکل دهند. بااین‌حال، اجرای این رویکرد نیازمند جلب رضایت ذی‌نفعان و تعریف شفاف مالکیت داده‌هاست.
• بر اساس منابع داده و سیستم‌های تحلیلی: در این رویکرد، محصولات داده‌محور باتوجه‌به منابع تولید داده یا کاربردهای تحلیلی‌شان سازماندهی می‌شوند. این شیوه برای سازمان‌های کوچک مناسب‌تر است، اما در سازمان‌های بزرگ می‌تواند منجر به ایحاد محصولات مشابه در چند دامنه مختلف شود.

هیچ یک از این رویکردها به‌تنهایی کامل نیستند؛ بنابراین پیش از اقدام به تجزیه ساختارهای متمرکز داده‌ای، سازمان‌ها باید زمینه‌های خاص خود، از جمله ساختار سازمانی، نوع داده، فناوری موجود، اندازه، نیازها و الزامات خاص، را بررسی کنند. هدف این است که محصولات داده‌محوری طراحی شوند که در عین متمایز بودن، در مجموع همه نیازها را پوشش دهند؛ یعنی هم‌پوشانی نداشته باشند و درعین‌حال چیزی از قلم نیفتد.

۲- چگونه زیرساخت فناوری برای ساخت محصولات داده‌محور را فراهم کنیم؟

تیم‌هایی که مسئول ساخت محصولات داده‌محور هستند، به مجموعه‌ای متفاوت از زیرساخت، ابزار و فناوری نیاز دارند. زیرساخت یکپارچه داده (cohesive data infrastructure)، بستری است که امکانات لازم برای ساخت خطوط جریان داده، ذخیره‌سازی، پردازش جریانی (streaming)، و مدیریت داده را فراهم می‌کند. تیم زیرساخت داده می‌تواند مالکیت این ابزارها را بر عهده بگیرد و آن‌ها را در اختیار تیم‌های دامنه قرار دهد تا بتوانند داده‌های خود را گردآوری، پردازش، ذخیره و منتشر کنند. برای این منظور باید یک زیرساخت عمومی و مستقل از دامنه (domain-agnostic) برای داده‌ها طراحی و راه‌اندازی شود و مؤلفه‌های آن به‌صورت خودخدمت (self-service) در اختیار تیم‌ها قرار گیرد.

همچنین لازم است تیم زیرساخت داده مجموعه‌ای از استانداردها را برای تیم‌های دامنه تعریف کند. در ادامه چند راهکار برای این موضوع ارائه شده است:

• انتخاب ترکیب مناسب از ابزارها

هیچ ابزار یکسانی برای همه دامنه‌ها وجود ندارد، چراکه موارد استفاده هر تیم متفاوت است؛ بنابراین، تیم زیرساخت باید چهارچوب‌ها و خط‌مشی‌هایی مانند الزامات امنیتی و انطباقی (compliance) سازمان و قوانین مربوط به پذیرش ابزارهای جدید را برای کل سازمان وضع کند. در کنار این موارد، تیم زیرساخت باید به تیم‌های دامنه مشاوره دهد که باتوجه‌به نیازهای تجاری‌شان از چه ابزارهایی استفاده کنند. این کار برای اطمینان از قابلیت اشتراک‌گذاری آسان محصولات داده‌محور و جلوگیری از تولید نسخه‌های تکراری از داده‌ها ضروری است.

• تعریف استانداردها و قالب‌های توسعه

تیم زیرساخت باید استانداردهایی را برای رمزگذاری (encryption)، ناشناس‌سازی داده‌ها و سایر ملاحظات امنیتی تنظیم کند. همچنین لازم است قالب‌هایی برای طراحی خطوط جریان داده ایجاد شود و بهترین روش‌ها نظیر «مدیریت خطا و ثبت رویداد» (error handling and logging) به‌صورت مستند تهیه شود و در اختیار تیم‌های دامنه قرار گیرد.

• عملیات مالی مستحکم (FinOps)

تیم‌های دامنه معمولاً نگرش محصول‌محور دارند، یعنی اولویت آن‌ها تجربه کاربر و ارزشی است که محصول به مشتری می‌رساند. به همین شکل، تیم زیرساخت باید تیم‌های دامنه را مانند مشتریان خود در نظر بگیرد و بهترین خدمات، ابزارها و راهنمایی‌ها را در اختیار آن‌ها قرار دهد. این امر سبب می‌شود تا هزینه‌کرد و صورت‌حساب استفاده از خدمات به‌روشنی مشخص شود تا شفافیت مالی حفظ گردد.

۳- چگونه حاکمیت محصولات داده‌محور را در طول چرخه عمرشان مدیریت کنیم؟

حاکمیت داده (Data governance)، نقش حیاتی در حفظ کیفیت، انسجام و امنیت داده‌ها در طول چرخه عمر محصولات داده‌محور به‌ویژه در صنایع نظام‌مند و دارای مقررات سخت‌گیرانه دارد. یکی از مؤثرترین الگوها در این زمینه، مدل مدیریت مشارکتی یا به‌اصطلاح فنی، «سرپرستی فدرالی» (Federated Custodianship) است. در این مدل، مسئولیت تعیین و اجرای سیاست‌های حاکمیتی بین تیم‌های مرکزی و تیم‌های دامنه تقسیم می‌شود. این رویکرد ضمن تقویت فرهنگ همکاری، امکان شخصی‌سازی محصولات داده‌محور بر اساس نیازهای خاص هر دامنه را نیز فراهم می‌سازد. هدف اصلی این همکاری میان تیم‌های خودگردان دامنه‌ای و تیم مرکزی، پاسخگویی مؤثر به نیازهای کلان داده‌ای سازمان است. اتخاذ و پیاده‌سازی این رویکرد مشارکتی نسبت به داده، نگرش حکمرانی مقیاس‌پذیر و چابک را تقویت می‌کند، مالکیت و پذیرش را از سوی تیم‌های دامنه تقویت می‌کند و کیفیت ساختاری یکپارچه و انطباق داده‌ها را در کل چرخه عمر محصولات داده‌محور تضمین می‌کند.

اگر کمی دقیق‌تر به روند تفکیک وظایف در مدل سرپرستی فدرالی دقت کنیم، می‌بینیم که:

تیم‌های دامنه می‌توانند:

• تعریف، تولید و انتشار محصولات داده‌محور در مش داده (data mesh) را انجام دهند.
• مسئولیت حفظ و ارتقای کیفیت محصولات داده را بر عهده بگیرند.
• فهرست (کاتالوگ) دامنه خود را ایجاد و به‌روزرسانی کنند.

تیم‌های مرکزی نیز مسئول:

• تعریف استانداردها، سیاست‌ها و رویه‌هایی هستند که باید توسط تیم‌های دامنه رعایت شود.
• ایجاد فرایندها و قالب‌های مدیریت فراداده برای تیم‌های دامنه.
• تعیین نقش‌ها و مسئولیت‌ها

علاوه بر این‌ها، تیم مرکزی باید قراردادهای داده استانداردی تعریف کند تا تبادل و استفاده از داده میان دامنه‌های مختلف به‌صورت یکپارچه و بدون مشکل انجام شود. این کار از ایجاد جزیره‌های داده‌ای (Data Silos) جلوگیری می‌کند و قابلیت تعامل‌پذیری (Interoperability) را تضمین می‌نماید. تیم مرکزی همچنین مسئول طراحی و مدیریت مواردی از جمله جریان‌های کاری برای تخصیص دسترسی به داده، سازوکارهای نظارتی و توازن قدرت و تعریف شاخص‌های کلیدی عملکرد (KPI) سازمانی برای اطمینان از انطباق محصولات داده‌محور با استانداردهای حاکمیت داده نیز هست.

۴- کدام مدل مدیریت استعداد برای ساخت و مدیریت محصولات داده‌محور در طول چرخه عمر آن‌ها لازم است؟

فرایند شکستن ساختار یکپارچه داده‌ها (monolith) به محصولات داده‌محور کوچک‌تر، مستلزم بازنگری در مدل مدیریت استعداد نیروی انسانی در حوزه‌های مهندسی داده و تحلیل داده در سازمان است. تیم‌های محصولات داده و تیم‌های دامنه‌ای باید از افراد متخصص و متمرکزی تشکیل شوند که همسو با یکدیگر کار می‌کنند تا محصولات داده‌محور باکیفیت و قابل‌اعتمادی تولید و ارائه کنند. البته موفقیت معماری مش داده و تیم‌های محصولات داده‌محور، به حمایت سایر تیم‌ها نیز وابسته است.

تیم‌های دامنه (Domain Teams)

این تیم‌ها ستون فقرات معماری مش داده هستند و مسئولیت اصلی تولید و نگهداری محصولات داده‌محور باکیفیت بالا را برعهده دارند. این تیم‌ها باید با مجموعه مهارت‌های جدیدی مانند مالک محصول داده و توسعه‌دهندگان محصولات داده‌محور (مانند مهندس داده و تحلیلگر داده) تقویت شوند تا بتواند به طور مؤثر با سایر تیم‌ها همکاری کنند. مسئولیت‌ها و وظایف تیم دامنه شامل موارد زیر می‌شود:

• درک معماری سطح بالا و تعاریف دامنه‌ای
• توسعه و بهره‌برداری (عملیاتی‌سازی) از محصولات داده‌محور
• درک فرایندها و منطق کسب‌وکار برای اطمینان از تناسب داده با نیازهای سازمان
• عرضه محصولات داده‌محور در بازارچه داخلی همراه با «توافق‌نامه سطح خدما»ت مشخص (service-level agreements – SLA) و KPIهای قابل‌سنجش

تیم سکوی زیرساخت داده (Data Infrastructure Platform Team)

این تیم برای اجرای موفق و نگهداری ابزارها و فناوری‌های پایه‌ای موردنیاز در توسعه محصولات داده‌محور و معماری مش داده، حیاتی است. وظایف آن‌ها عبارت‌اند از:

• طراحی معماری مش داده برای به‌اشتراک‌گذاری داده‌های با تعاریف و مرزبندی دامنه‌ای واضح
• مدیریت بازارچه داده (Data Marketplace) برای کشف آسان محصولات داده‌محور
• بررسی و تأیید طراحی‌های دامنه برای حفظ انسجام
• نصب و مدیریت ابزارهای حاکمیتی برای تضمین امنیت و انطباق
• فراهم‌کردن زیرساخت‌های خودخدمت (self-service modules) و آموزش آن برای تیم‌های دامنه

تیم مرکزی (Central Team)

نقش این تیم بسیار کلیدی و راهبردی است. تیم مرکزی مسئول حفظ انسجام، کیفیت و انطباق داده‌های سازمانی در سطح کلان است. وظایف آن شامل؛

• تعیین نیازهای حاکمیت داده و تطبیق فرایندها با شرایط جدید
• توسعه و نگهداری استانداردهای حاکمیت سازمانی، منطبق با اهداف کلان سازمان و بهترین رویه‌های صنعت در طول چرخه عمر محصولات داده‌محور
• تدوین منشور حاکمیت داده، برگزاری جلسات مشارکتی با ذی‌نفعان، پایش شاخص‌ها و حل چالش‌های جدید
• استفاده از ابزارهای پیشرفته حاکمیتی برای پایش داده‌های سازمانی و اطمینان از رعایت مقررات و استانداردها

تیم توانمندسازی (Enablement Team)

این تیم برای پیاده‌سازی موفق معماری مش داده ضروری است. مسئولیت‌های کلیدی آن عبارت‌اند از:

• تسهیل فرایند گذار سازمان به معماری مش داده و پشتیبانی از پذیرش این معماری
• ارائه آموزش‌های فنی برای تیم‌ها
• مشاوره در زمینه بهترین رویه‌های مدیریت داده
• فرهنگ‌سازی همکاری‌های میان‌وظیفه‌ای (cross-functional)
• ترویج سواد داده در سطح سازمان
• ایجاد چرخه بازخورد و بهبود مستمر برای فرایندها

نکات کلیدی برای موفقیت در این مسیر چیست؟

وقتی که قصد دارید با نگرش محصول‌محور وارد مسیر پیاده‌سازی معماری مش داده شوید، برخی اقدامات ضروری وجود دارد که باید رعایت شوند تا موفقیت حاصل شود:

• تعداد محصولات داده‌محور: قدم‌های کوچک بردارید؛ یعنی یک محصول داده‌محور را به‌صورت مجزا بسازید و به‌تدریج به سمت ایجاد یک شبکه کامل از معماری مش داده پیش بروید. حتماً با مجموعه‌ای از کاربردهایی شروع کنید که به هدف مشخصی در کسب‌وکار مرتبط باشد. به‌عبارت‌دیگر، فقط به این دلیل که توانایی ساخت محصول داده‌محور را دارید، این کار را نکنید.
• تغییر فرهنگ و توانمندسازی: پیاده‌سازی رویکرد مش داده نه‌تنها تغییرات فنی بلکه تغییر در فرهنگ سازمانی و ساخت تیم‌های توانمندسازی را می‌طلبد و نقش مهمی در انتقال از زیرساخت داده‌ یکپارچه سنتی به معماری مش داده ایفا می‌کند.
• شاخص‌های کلیدی عملکرد (KPI) قابل‌اندازه‌گیری و تجربه مشتری: تعریف معیارهای موفقیت و KPIهای کسب‌وکاری که قابل‌سنجش باشند، به‌ویژه در حوزه محصولات داده‌محور، بسیار اهمیت دارد. مثلاً تعداد محصولاتی که ساخته شده‌اند، تعداد محصولاتی که به‌درستی مصرف شده‌اند، نرخ استفاده از محصولات داده‌محور و شاخص‌های داده‌محور مانند کیفیت داده و دسترسی‌پذیری آن را می‌توان شماری از KPIهای این حوزه دانست.
• حمایت مدیریت سازمان: برای هر ابتکاری که نیازمند تغییرات سازمانی در سطح کلان است، حمایت و همراهی مدیریت اهمیت حیاتی دارد. این حمایت برای اتخاذ تصمیمات، ایجاد انگیزه و تضمین تعهد در زمینه تأمین منابع لازم ضروری است.

شروع مسیر

برای هر سازمانی، چه بزرگ چه کوچک، آغاز مسیر نوسازی پلتفرم داده سازمانی با درک دقیق محرک‌های کسب‌وکار شروع می‌شود. شکستن ساختار داده‌های یکپارچه سازمانی به محصولات داده‌محور کوچک‌تر، این امکان را فراهم می‌کند که سازمان‌ها بتوانند به تقاضای روبه‌رشد داده پاسخ دهند و کیفیت داده را در همه محصولات حفظ کنند.

بااین‌حال، سازمان‌ها باید پیش از قدم‌گذاشتن در مسیر استقرار معماری مش داده، بلوغ داده‌ها و فناوری‌های خود، فرایندهای حاکمیت، فرهنگ سازمانی و نیروی انسانی خود را به طور جامع را ارزیابی کنند. درک دقیق شرایط و زمینه سازمان برای تجزیه ساختار یکپارچه به محصولات داده‌محور ضروری است تا سازمان بتواند تعداد مناسبی از محصولات داده‌محور را توسعه دهد و از دارایی‌های داده‌ای خود ارزش واقعی کسب کند.