Leestijd 3 min

Tom De Wolf

Maak het concreet voor alle belanghebbenden Data Mesh wordt vaak gezien als iets zeer abstract en theoretisch, waardoor belanghebbenden onzeker zijn over de precieze implicaties en mogelijke oplossingen ervan. Daarom willen we het bij ACA Group zo concreet mogelijk maken voor business stakeholders, technische stakeholders en andere belanghebbenden in de organisatie. Wij raden aan om drie belangrijke uitdagingen tegelijkertijd aan te pakken: IDENTIFICEER BEDRIJFSWAARDE – Definieer hoe Data Mesh exact bijdraagt ​​aan de bedrijfswaarde door data als een product te beschouwen. ORGANISEER TEAMS – Specificeer de rol van elk team, teamlid en persona binnen de context van Data Mesh. BUILD PLATFORM – Laat zien hoe data mesh de technische architectuur beïnvloedt. Uitdaging 1: De bedrijfswaarde van Data Mesh identificeren Een van de eerste uitdagingen bij de introductie van Data Mesh is het uitleggen en bewijzen van de waarde voor de business. Bij ACA Group beginnen we met het identificeren van potentiële dataproducten, domeinen en use cases. Dit proces is gebaseerd op zakelijke input en resulteert in een dataproductlandschap. De figuur hieronder geeft een voorbeeld vanuit een e-commerce bedrijf (rechthoeken zijn applicaties, hexagonen zijn data producten, kleuren geven domeinen die ownership nemen). Dit landschap dient als navigatiekaart, inspireert nieuwe innovatieve zakelijke ideeën en laat de meerwaarde zien die Data Mesh voor de organisatie kan bieden. Door te laten zien hoe Data Mesh nieuwe mogelijkheden kan creëren, verduidelijken we de relevantie ervan voor zakelijke belanghebbenden. Data Mesh Oplossingen Afstemmen op Organisatiedoelen Om het maximale uit Data Mesh te halen, is afstemming op de algemene doelstellingen en strategie van de organisatie van het grootste belang. Het is cruciaal om ervoor te zorgen dat de investering in technologie en processen aansluit bij de bredere bedrijfsdoelstellingen. Door deze afstemming blijft de steun en het momentum behouden, wat cruciaal is voor het succes van een Data Mesh-initiatief. Data Mesh Opportuniteiten Identificeren met Gamestorming Bij ACA Group passen we gamestorming-technieken toe om domeinen en dataproducten te ontdekken. Dit proces begint met de identificatie van business mogelijkheden en datagebruiksscenario's. Dat doen we aan de hand van workshops, zoals het in kaart brengen van de impact. Door Data Mesh op deze aspecten af ​​te stemmen, identificeren we een dataproductlandschap vanuit twee perspectieven. Een inventarisatie van beschikbare data en potentiële dataproducten inspireert en genereert nieuwe zakelijke ideeën, terwijl de gewenste zakelijke impact en doelstellingen helpen bij het identificeren van de benodigde data en dataproducten. Uitdaging 2: Teams Organiseren en Individuen Empoweren Data Mesh gaat niet alleen over technologie; het gaat over het transformeren van de manier waarop teams en teamleden binnen de organisatie opereren. ACA Group gelooft in het effectief organiseren van teams om de kracht van Data Mesh te benutten. We gaan in gesprek met bestaande teams en teamleden en positioneren hun waardevolle rollen en expertise binnen een Data Mesh-teamorganisatie. Meestal zijn hierbij platformteams, domeinteams, faciliterende teams en een gefedereerd governanceteam betrokken. Daarnaast onderzoeken we de verschillende gebruikerstrajecten en ervaringen voor elke persona, om ervoor te zorgen dat Data Mesh een positieve invloed heeft op de organisatie, haar mensen en hun rollen. Uitdaging 3: De technische architectuur opzetten Het invoeren van Data Mesh is een transformerend traject voor elke organisatie. Door de uitdagingen op te splitsen in uitvoerbare stappen, zoals ACA Group doet, kan je Data Mesh tastbaarder maken, de waarde ervan verduidelijken en de oplossing afstemmen op de doelstellingen van je organisatie. Deze incrementele acties dienen om het mysterie weg te nemen rond Data Mesh, waardoor het begrijpelijk wordt voor een breed scala aan stakeholders en het pad wordt geëffend voor goed geïnformeerde beslissingen. Het omarmen van Data Mesh betekent het omarmen van de toekomst van datamanagement, en biedt een scala aan opportuniteiten voor je organisatie. Dit traject gaat over het praktisch realiseren van Data Mesh en tegelijkertijd zorgen voor afstemming op je organisatiedoelstellingen. Conclusie Het invoeren van Data Mesh is een transformerend traject voor elke organisatie. Door de uitdagingen op te splitsen in uitvoerbare stappen, zoals ACA Group doet, kan je Data Mesh tastbaarder maken, de waarde ervan verduidelijken en de oplossing afstemmen op de doelstellingen van je organisatie. Deze incrementele acties dienen om het mysterie weg te nemen rond Data Mesh, waardoor het begrijpelijk wordt voor een breed scala aan stakeholders en het pad wordt geëffend voor goed geïnformeerde beslissingen. Het omarmen van Data Mesh betekent het omarmen van de toekomst van datamanagement, en biedt een scala aan opportuniteiten voor je organisatie. Dit traject gaat over het praktisch realiseren van Data Mesh en tegelijkertijd zorgen voor afstemming op je organisatiedoelstellingen. Nieuwsgierig naar wat Data Mesh nog meer te bieden heeft? Ontdek het hier ✅

Leestijd 4 min

Marnick Vanloffelt

De wereld van gegevensanalyse verandert snel. AI-tools zoals Copilot automatiseren taken die ons vroeger uren kostten, en dat is opwindend! Maar het betekent ook dat we onze vaardigheden moeten ontwikkelen om de curve voor te blijven. In plaats van tijd te besteden aan repetitieve taken, kunnen data-analisten zich nu richten op het grotere geheel: strategie, het oplossen van problemen en het echt begrijpen van de business. Deze blog onderzoekt de belangrijkste vaardigheden die data-analisten nodig hebben om te gedijen in deze nieuwe, door AI aangedreven omgeving. De nieuwe focus van de data-analist: van repetitieve taken naar strategie Stel je voor dat je meer tijd hebt om je te richten op wat echt belangrijk is: de business begrijpen, complexe problemen oplossen en strategische beslissingen nemen. Dat is de kans die AI biedt. Om het potentieel van Copilot te maximaliseren, moeten data-analisten hun focus verleggen van handmatige taken naar werk dat diepgaande bedrijfskennis en kritisch denken vereist. Een cruciaal onderdeel van deze verschuiving is nauwe samenwerking met belanghebbenden. Data-analisten moeten hun uitdagingen begrijpen, de juiste vragen definiëren en ervoor zorgen dat hun inzichten de besluitvorming echt sturen. Belangrijkste vaardigheden die data-analisten nodig hebben bij het werken met AI 1. Geavanceerde datamodellering en metadatabeheer Waarom het belangrijk is: Nu AI-tools zoals Copilot een groot deel van de front-end rapportcreatie voor hun rekening nemen, zal de kwaliteit van de inzichten steeds meer afhangen van de robuustheid van het onderliggende datamodel. Data-analisten moeten tijd investeren in het verfijnen van hun vaardigheden op het gebied van datamodellering en metadatamanagement. Mogelijke stappen: Zorg ervoor dat datamodellen schoon, schaalbaar en goed gedocumenteerd zijn. Wees eerlijk, hoe vaak heb je het veld "Beschrijving" ingevuld in je Power BI-datamodel? Hoe vaak heb je het veld "Synoniemen" gebruikt? Onze gok is: niet zo vaak. Ironisch genoeg zullen deze velden nu cruciaal zijn in je streven naar kwalitatieve antwoorden van Copilot... Je zult metadata moeten organiseren om de vindbaarheid te verbeteren, zodat Copilot (of andere AI-tools) de juiste gegevens kunnen gebruiken om inzichten te genereren. Zorg dat je goed begrijpt hoe je data moet structureren zodat AI bruikbare, accurate inzichten kan genereren. Kijk goed naar je datamodel en hoe het is opgebouwd. Bepaal wat er kan worden verbeterd op basis van best practices en pas deze vervolgens systematisch toe. 2. Datagovernance en kwaliteitsborging Waarom het belangrijk is: Copilot kan alleen betrouwbare output produceren met data van hoge kwaliteit. Data-analisten zullen zich moeten richten op het waarborgen van dataconsistentie, betrouwbaarheid en governance. Te nemen stappen: Implementeer en onderhoud best practices voor data governance. Gebruik duidelijke naamgevingsconventies, vooraf gedefinieerde maatregelen en logische datastructuren die het Copilot makkelijker maken om bruikbare inzichten te genereren. 3. Zakelijk inzicht en strategische inzichten genereren Waarom het belangrijk is: AI-tools missen contextueel begrip, dus moeten data-analisten deze kloof overbruggen. Door een goed begrip te ontwikkelen van bedrijfsactiviteiten, trends in de sector en strategische doelstellingen kunnen analisten inzichten creëren die zowel relevant als impactvol zijn. Mogelijke stappen: Investeer in kennis over de doelen en strategische uitdagingen van uw organisatie. Hoe beter u deze doelen en uitdagingen kunt begrijpen en documenteren, hoe beter u ze kunt vertalen naar relevante inzichten. Ga regelmatig de dialoog aan met bedrijfsleiders om de context achter de gegevens te begrijpen, wat op zijn beurt helpt bij het vertalen van bevindingen in bruikbare strategieën. 4. Communicatieve vaardigheden en storytelling Waarom het belangrijk is: Het vertalen van technische inzichten naar verhalen die aanslaan bij zakelijke belanghebbenden is cruciaal. Storytelling overbrugt de kloof tussen data en besluitvormers. Mogelijke stappen: Word een expert in het framen van de inzichten. Werk aan het presenteren van gegevens in verhalende formats die het "waarom" en "hoe" achter de inzichten benadrukken. Concentreer je op hoe de gegevens aansluiten bij de doelstellingen van het bedrijf en bied duidelijke aanbevelingen en visualisaties die belanghebbenden gemakkelijk kunnen begrijpen. Hoe deze vaardigheden te implementeren: praktische acties voor data-analisten Datamodellering en metadatabeheer ontwikkelen Met AI-tools zoals Copilot in de mix, is de kwaliteit van inzichten sterk afhankelijk van datamodellen. Data-analisten moeten tijd besteden aan het verfijnen van hun vaardigheden op het gebied van datamodellering, waarbij ze zich moeten richten op: Het organiseren en documenteren van data: Besteed aandacht aan metadatavelden zoals beschrijvingen en synoniemen, die AI zullen helpen nauwkeurigere outputs te genereren. Optimalisatie van gegevensstructuren : Zorg ervoor dat je datastructuur schaalbaar, schoon en flexibel is. Hierdoor kan Copilot naadloos met de gegevens werken. Samenwerken met zakelijke belanghebbenden AI-gegenereerde inzichten zijn alleen zo waardevol als ze overeenkomen met de bedrijfsdoelen. Data-analisten moeten regelmatig in gesprek gaan met belanghebbenden om: Duidelijke doelstellingen te definiëren: Doelstellingen en pijnpunten te bespreken met belanghebbenden om een duidelijke richting te bepalen voor AI-analyse. Feedback te verzamelen: Regelmatige feedback helpt bij het aanpassen van AI-gegenereerde inzichten om beter te voldoen aan bedrijfsbehoeften, zodat de output praktisch en bruikbaar is. Conclusie: de toekomst van data-analyse is hier AI-tools zoals Copilot transformeren data-analyse en het is een spannende tijd om op dit gebied actief te zijn! Door zich te richten op strategisch denken, communicatie en een sterke basis voor data, kunnen data-analisten zich niet alleen aanpassen, maar zich ook ontwikkelen. Het vermogen om data-inzichten te verbinden met de bedrijfscontext, gecombineerd met uitstekende communicatie en storytelling, zal de meest succesvolle data-analisten de komende jaren kenmerken. Door in deze vaardigheden te investeren, kunnen data-analisten in de voorhoede van datagestuurde innovatie blijven. Lees het artikel "How Copilot in Power BI is Transforming Data Analysis" voor meer informatie over hoe Copilot data-analyse vormgeeft . 🚀 Klaar om je datateam te voorzien van geavanceerde AI-vaardigheden? Neem contact op met onze experts om je transformatie te ondersteunen.

Leestijd 6 min

Stijn Vandereyken

De afgelopen jaren hebben digitalisering en innovatie een enorme impact gehad op het applicatielandschap. Vroeger was de applicatiearchitectuur van een bedrijf relatief eenvoudig, maar dat is nu niet meer het geval. Talloze cloudoplossingen, die maandelijks worden gehuurd, maken de zaken nu zo ingewikkeld dat het niet meer duidelijk is welke gegevens waar worden bewaard . Combineer deze trend met de verschuiving naar zelfbedieningsapplicaties vanuit het perspectief van gegevensconsumptie en de impact op gegevensarchitecturen is onvermijdelijk. In deze blogpost duiken we dieper in deze (r)evolutie in de wereld van data en de impact van een veranderend applicatielandschap op je data-architectuur . Een open data-architectuur behouden Data' is een breed begrip en omvat ongelooflijk veel domeinen die allemaal specifieke kennis of een vorm van specialisatie vereisen. Er zijn voorbeelden te over: data-architectuur, datavisualisatie, datamanagement, databeveiliging, GDPR, enzovoort. In de loop der jaren hebben veel organisaties geprobeerd grip te krijgen op al deze verschillende 'datadomeinen'. En dit is echt geen peulenschil, want in elk van deze domeinen vinden innovatieve veranderingen plaats . Bovendien vallen ze vaak samen met andere en nieuwere concepten zoals AI, data science, machine learning en andere. In elk geval is het beter om je visie en gegevensarchitectuur zo 'open' mogelijk te houden . Dit houdt de impact van toekomstige veranderingen op je huidige implementatie zo laag mogelijk. Dergelijke veranderingen weigeren betekent innovatie vertragen, mogelijk uw eindgebruikers irriteren en de kans op enorme extra kosten een paar jaar later, wanneer de noodzaak om uw architectuur te herzien niet langer kan worden uitgesteld, enorm vergroten. Moderne toepassingen compliceren het combineren van gegevens De hoeveelheid gegevens neemt elk jaar exponentieel toe . Bovendien is de nieuwe generatie eindgebruikers gewend om op hun wenken bediend te worden. Dit is een trend die het huidige applicatielandschap duidelijk ondersteunt. Binnen veel applicaties bieden softwareleveranciers gegevens in real-time op een efficiënte, aantrekkelijke en inzichtelijke manier. Enorme steun voor deze leveranciers natuurlijk, maar dit zorgt voor extra problemen voor CIO's om gecombineerde gegevens aan eindgebruikers te leveren. "Wat is de impact van een marketingcampagne op de verkoop van een bepaald product?" Het beantwoorden van een vraag als deze vormt voor veel organisaties een uitdaging. Het antwoord vereist het combineren van gegevens uit twee (weliswaar goed georganiseerde) applicaties. Atlassian biedt bijvoorbeeld rapportagefuncties in Jira, terwijl Salesforce hetzelfde doet met zijn bekende CRM-platform. De rapportagefuncties in beide softwarepakketten zijn zeer gedetailleerd en stellen je in staat om krachtige rapporten te maken. Het is echter moeilijk om deze gegevens te combineren in één enkel rapport. Bovendien vereist een vraag als deze, naast goed gestructureerde marketing- en verkoopdomeinen, een overkoepelende technische en organisatorische afstemming. Welk domein heeft de verantwoordelijkheid of het mandaat om een dergelijke vraag te beantwoorden? Is er budget beschikbaar? Hoe zit het met de middelen? En welk domein zal deze kosten dragen? Biedt Self-Service BI een oplossing? In een poging om dergelijke vragen te beantwoorden, kwamen oplossingen zoals Self-Service BI op de markt. Deze tools zijn in staat om eenvoudig gegevens te combineren en inzicht te verschaffen waar de gebruikers misschien nog niet aan hadden gedacht. De enige vereiste is dat deze tools toegang moeten hebben tot de gegevens in kwestie. Klinkt eenvoudig genoeg, toch? Self-Service BI-tools hebben de afgelopen jaren een hoge vlucht genomen, waarbij Microsoft het voorbeeld gaf met zijn Power-BI. Door visualisaties en intuïtieve 'self-service data loaders' tot een belangrijk onderdeel te maken, konden ze de 'business' overtuigen om te investeren. Maar dit creëert een zekere spanning tussen de zakelijke gebruikers van deze tools en de CIO's . De laatsten verliezen langzaam hun grip op hun bedrijf. Deze laatsten verliezen stilaan hun greep op hun eigen IT-landschap, aangezien een Self-Service BI-aanpak op de achtergrond ook heel wat 'schaduw-BI'-initiatieven kan voortbrengen . Iemand kan bijvoorbeeld op eigen initiatief Google Data Studio hebben gebruikt zonder dat de CIO het wist, terwijl die CIO een toolset met Power-BI probeert te standaardiseren. Conclusie: veel dubbele gegevens, inbreuk op de beveiliging en dan hebben we het nog niet eens gehad over GDPR-compliance. Welke andere oplossingen zijn er? De standaard inzichten en analyserapporten binnen applicaties zijn oud nieuws en de vraag naar real-time analytics, ook wel streaming analytics genoemd, neemt toe. Tijdens het online winkelen tonen winkels bijvoorbeeld hun actuele voorraad van een product op de productpagina zelf. Waarom is het dan zo moeilijk om de vraag naar de impact van mijn marketingcampagne op mijn verkoop te beantwoorden in een rapport? De eisen en behoeften aan gegevens veranderen. Wie is de eigenaar van welke gegevens en wie bepaalt het gebruik ervan? Verdwijnen historische gegevens als ze niet worden opgeslagen in een datawarehouse? Als de gegevens nog steeds beschikbaar zijn binnen de applicatie waar ze in eerste instantie zijn gemaakt, hoe lang blijven ze daar dan nog? Het opslaan van de gegevens in een data lake of data repository is een mogelijke goedkope(re) oplossing. Deze gegevens zijn echter niet of nauwelijks georganiseerd, waardoor ze moeilijk te gebruiken zijn voor zaken als managementrapportage. Misschien is het overbrengen van deze gegevens naar een datawarehouse de beste oplossing? Goed gestructureerde gegevens, gemakkelijk te combineren met gegevens uit andere domeinen en dus een ideale basis voor verdere analyse. Maar... de informatie is niet real-time beschikbaar en deze oplossing kan behoorlijk duur worden. Welke oplossing past het beste bij uw behoeften? Takeaway Zoals je inmiddels hebt gemerkt, is het gemakkelijk om een heleboel vragen en uitdagingen op te sommen met betrekking tot het structureren van data binnen organisaties. Sommige datagerelateerde vragen vereisen een snel antwoord, andere meer analytische of strategische vragen hebben eigenlijk geen real-time data nodig. Een data-architectuur die rekening houdt met al deze behoeften en open staat voor veranderingen is een must. Wij geloven in een data-aanpak waarbij de domeineigenaar ook eigenaar is van de data en deze data faciliteert naar de rest van de organisatie. Het is de verantwoordelijkheid van de domeineigenaar om zijn gegevens zo te organiseren dat ze een antwoord kunnen bieden op zoveel mogelijk vragen uit de organisatie. Het is mogelijk dat deze persoon niet de nodige kennis of vaardigheden binnen zijn team heeft om dit allemaal te organiseren. Daarom is er een nieuwe rol binnen de organisatie nodig om domeineigenaren te ondersteunen met kennis en middelen: de rol van een Chief Data Officer (CDO). Zij orkestreren alles en iedereen in de organisatie als het gaat om data en hebben het mandaat om algemene richtlijnen af te dwingen. Uit onderzoek blijkt dat bedrijven die een CDO hebben aangesteld succesvoller zijn bij het uitrollen van nieuwe data-initiatieven. ACA Group engageert zich om zijn klanten zo goed mogelijk te begeleiden in hun data-aanpak. Het is van vitaal belang om een duidelijke visie te hebben, ondersteund door een toekomstbestendige data-architectuur: een architectuur die openstaat voor verandering en innovatie, niet alleen vanuit een technisch perspectief, maar ook als het gaat om veranderende eisen op het vlak van dataverbruik. Een relevantie voor de nieuwe generatie en een uitdaging voor de meeste data-architecturen en organisaties. {% module_block module "widget_ee7fe7f9-05fc-4bd8-b515-6bb400cb56b4" %}{% module_attribute "buttons" is_json="true" %}{% raw %}[{"appearance":{"link_color":"light","primary_color":"primary","secondary_color":"primary","tertiary_color":"light","tertiary_icon_accent_color":"dark","tertiary_text_color":"dark","variant":"primary"},"content":{"arrow":"right","icon":{"alt":null,"height":null,"loading":"disabled","size_type":null,"src":"","width":null},"tertiary_icon":{"alt":null,"height":null,"loading":"disabled","size_type":null,"src":"","width":null},"text":"Check out our data services"},"target":{"link":{"no_follow":false,"open_in_new_tab":false,"rel":"","sponsored":false,"url":{"content_id":null,"href":"https://acagroup.be/en/services/data/","href_with_scheme":"https://acagroup.be/en/services/data/","type":"EXTERNAL"},"user_generated_content":false}},"type":"normal"}]{% endraw %}{% end_module_attribute %}{% module_attribute "child_css" is_json="true" %}{% raw %}{}{% endraw %}{% end_module_attribute %}{% module_attribute "css" is_json="true" %}{% raw %}{}{% endraw %}{% end_module_attribute %}{% module_attribute "definition_id" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "field_types" is_json="true" %}{% raw %}{"buttons":"group","styles":"group"}{% endraw %}{% end_module_attribute %}{% module_attribute "isJsModule" is_json="true" %}{% raw %}true{% endraw %}{% end_module_attribute %}{% module_attribute "label" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "module_id" is_json="true" %}{% raw %}201493994716{% endraw %}{% end_module_attribute %}{% module_attribute "path" is_json="true" %}{% raw %}"@projects/aca-group-project/aca-group-app/components/modules/ButtonGroup"{% endraw %}{% end_module_attribute %}{% module_attribute "schema_version" is_json="true" %}{% raw %}2{% endraw %}{% end_module_attribute %}{% module_attribute "smart_objects" is_json="true" %}{% raw %}null{% endraw %}{% end_module_attribute %}{% module_attribute "smart_type" is_json="true" %}{% raw %}"NOT_SMART"{% endraw %}{% end_module_attribute %}{% module_attribute "tag" is_json="true" %}{% raw %}"module"{% endraw %}{% end_module_attribute %}{% module_attribute "type" is_json="true" %}{% raw %}"module"{% endraw %}{% end_module_attribute %}{% module_attribute "wrap_field_tag" is_json="true" %}{% raw %}"div"{% endraw %}{% end_module_attribute %}{% end_module_block %}