Модели зрелости больших данных (BDMM) - это артефакты, используемые для измерения зрелости больших данных. Эти модели помогают организациям создать структуру вокруг своих возможностей по работе с большими данными и определить, с чего начать. Они предоставляют инструменты, которые помогают организациям определять цели, связанные с их программой по работе с большими данными, и передавать свое видение больших данных всей организации. BDMM также предоставляют методологию для измерения и мониторинга состояния возможностей компании по работе с большими данными, усилий, необходимых для завершения текущего этапа или этапа зрелости и перехода к следующему этапу. Кроме того, BDMM измеряют и управляют скоростью как прогресса, так и внедрения программ больших данных в организации.
Цели BDMM:
Ключевые организационные области относятся к «Людям, процессам и технологиям», а подкомпоненты включают согласование, архитектура, данные, управление данными, доставка, разработка, измерение, управление программой, объем, навыки, спонсорство, статистическое моделирование, технологии, ценность и визуализация.
Этапы или фазы в BDMM отражают различные способы использования данных в организации и являются одним из ключевых инструментов для определения направления и мониторинга работоспособности программ больших данных организации.
В основе лежит предположение, что высокий уровень зрелости больших данных коррелирует с увеличением доходов и сокращением операционных расходов. Однако достижение наивысшего уровня зрелости требует значительных инвестиций в течение многих лет. Лишь несколько компаний считаются находящимися на «зрелой» стадии больших данных и аналитики. К ним относятся интернет-компании (такие как LinkedIn, Facebook и Amazon ) и другие компании, не связанные с Интернетом, включая финансовые учреждения (анализ мошенничества, обмен сообщениями с клиентами и моделирование поведения в реальном времени) и розничные организации (поток кликов аналитика вместе с аналитикой самообслуживания для команд).
Модели зрелости больших данных можно разбить на три большие категории, а именно:
Описательные модели оценивают текущую зрелость фирмы посредством качественного позиционирования фирмы на различных этапах или этапах. Модель не дает никаких рекомендаций относительно того, как компания может повысить зрелость своих больших данных.
Эта описательная модель предназначена для оценки ценности, создаваемой инвестициями в большие данные для поддержки стратегических бизнес-инициатив.
Уровни зрелости
Модель состоит из следующих уровней зрелости:
Области оценки
Уровни зрелости также охватывают области в матричном формате с упором на: бизнес-стратегию, информацию, аналитику, культуру и исполнение, архитектуру и управление.
Эта модель зрелости больших данных, состоящая из оценочного опроса, позволяет оценить готовность организации к реализации инициатив в области больших данных. Кроме того, модель направлена на определение шагов и соответствующих технологий, которые приведут организацию к зрелости больших данных.
Сравнительные модели зрелости больших данных нацелены на сравнение организации с отраслевыми аналогами и обычно состоят из опроса, содержащего количественную и качественную информацию.
Инструмент зрелости больших данных CSC выступает в качестве сравнительного инструмента для оценки зрелости больших данных организации. Проводится опрос, а затем результаты сравниваются с результатами других организаций в конкретной отрасли и на более широком рынке.
Модель зрелости больших данных TDWI - это модель в текущей области зрелости больших данных и, следовательно, состоит из значительного объема знаний.
Этапы зрелости
Различные этапы зрелости в TDWI BDMM можно резюмировать следующим образом:
Этап 1: зарождающийся
Начальный этап как среда до больших данных. На этом этапе:
Этап 2: Предварительное внедрение
На этапе предварительного принятия:
Этап 3: Раннее внедрение Пропасть Существует затем, как правило, необходимо преодолеть ряд препятствий. Эти препятствия включают:
Этап 4: Корпоративное принятие
Этап корпоративного принятия характеризуется участием конечных пользователей, организация получает более глубокое понимание и способ проведения бизнес трансформируется. На этом этапе:
Этап 5: зрелый / дальновидный.
Лишь несколько организаций можно считать дальновидными с точки зрения больших данных и аналитики больших данных. На этом этапе организация:
Результаты исследований
TDWI провела оценку 600 организаций и обнаружила, что большинство организаций находятся либо на стадии предварительного внедрения (50%), либо на стадии раннего внедрения (36%). Кроме того, только 8% выборки смогли преодолеть пропасть в направлении корпоративного принятия или стать зрелыми / дальновидными.
Большинство предписывающих BDMM следуют аналогичному принципу работы: сначала оценивается текущая ситуация, а затем следуют этапы, прокладывающие путь к повышению зрелости больших данных. Примеры:
Эта модель зрелости носит предписывающий характер в том смысле, что модель состоит из четырех отдельных фаз, каждая из которых прокладывает путь к зрелости больших данных.. Фазы:
Модель зрелости больших данных Рэдклиффа, как и другие модели, также состоит из различных уровней зрелости в диапазоне от:
Этот BDMM предоставляет структуру, которая не только позволяет организациям видеть степень своей текущей зрелости, но также определять цели и возможности для роста зрелости больших данных.. Модель состоит из четырех этапов, а именно:
Предписывающая модель, предложенная Ван Винстра, направлена на первое исследование существующей среды больших данных в организации, с последующими возможностями использования и путем роста к зрелости больших данных. Модель использует четыре фазы, а именно:
Текущие BDMM имеют оценивалась по следующим критериям:
TDWI и CSC имеют самые высокие общие показатели со стабильными оценками в каждой из групп критериев. Общие результаты показывают, что самые эффективные модели являются обширными, сбалансированными, хорошо документированными, простыми в использовании и охватывают большое количество возможностей больших данных, которые используются для создания ценности для бизнеса. Модели Booz Company и Knowledgent находятся за считанные секунды, и эти средние компании достойно решают вопрос создания ценности больших данных, но не справляются с задачей при изучении полноты моделей и простоты применения. Компания Knowledgent страдает от низкого качества разработки, так как практически не задокументировала какие-либо процессы разработки. Остальные модели, то есть Infotech, Radcliffe, van Veenstra и IBM, были отнесены к категории низкоэффективных. Хотя их контент хорошо согласуется с созданием ценности для бизнеса с помощью возможностей больших данных, всем им не хватает качества разработки, простоты применения и обширности. Наименьшие баллы получили IBM и Van Veenstra, поскольку обе они предоставляют низкоуровневые рекомендации по практическому использованию соответствующей модели зрелости, и у них полностью отсутствует документация, что в конечном итоге приводит к низкому качеству разработки и оценки.