“ Bắt đầu với mục tiêu trong đầu ” —trích từ “7 thói quen của người thành đạt” của Stephen Covey
Trong blog trước, chúng tôi đã giới thiệu khái niệm về Bản đồ hành trình quản lý dữ liệu của Dell – một bản đồ hướng dẫn các tổ chức về khả năng tận dụng dữ liệu và phân tích nâng cao của họ để đẩy nhanh hành trình từ nhu cầu kinh doanh đến kết quả kinh doanh.
Tầm quan trọng kinh doanh của quản lý dữ liệu đã tăng lên đáng kể trong vài năm qua khi các chuyên gia hàng đầu về trí tuệ nhân tạo (AI) đã ủng hộ việc chuyển đổi từ AI lấy thuật toán làm trung tâm sang AI lấy dữ liệu làm trung tâm. Tiến sĩ Andrew Ng, giáo sư Stanford và là cha đỡ đầu của AI hiện đại, đã ủng hộ quá trình chuyển đổi quan trọng là dành ít thời gian hơn để điều chỉnh các thuật toán AI và thay vào đó đầu tư nhiều thời gian hơn để cải thiện chất lượng dữ liệu, độ trễ, độ chi tiết và độ mạnh mẽ hỗ trợ các mô hình AI.
“Nếu 80% công việc của chúng tôi là chuẩn bị dữ liệu, thì việc đảm bảo chất lượng dữ liệu là công việc quan trọng của nhóm máy học.” – Andrew Ng¹
Thông điệp của Giáo sư Ng khá rõ ràng. Mặc dù việc điều chỉnh các thuật toán toán học AI sẽ dẫn đến những cải tiến gia tăng về hiệu quả của các mô hình AI, nhưng chúng ta có thể đạt được những cải tiến lớn hơn nhiều thông qua cải thiện chất lượng và tính đầy đủ của dữ liệu cung cấp cho các thuật toán AI. Và như một lợi ích bổ sung, những cải tiến trong tập dữ liệu cũng cải thiện hiệu suất dự đoán của bất kỳ trường hợp sử dụng nào sử dụng cùng tập dữ liệu đó – cơ sở cho Hiệu ứng số nhân kinh tế dữ liệu Schmarzo.
Vâng, những con chó dữ liệu cũ của chúng tôi biết quan sát này là GIGO, hay “rác vào, rác ra”.
Bắt đầu hành trình quản lý dữ liệu của bạn
Trong cuốn sách nổi tiếng của mình “7 thói quen của người thành đạt”, Stephen Covey đã có câu nói nổi tiếng: “Hãy bắt đầu với một mục tiêu trong đầu”. Và hành trình quản lý dữ liệu của bạn bắt đầu với cùng một lời khuyên: Xác định, hiểu và cộng tác xung quanh nhu cầu, thách thức hoặc sáng kiến kinh doanh được nhắm mục tiêu rõ ràng và rõ ràng. Đây là bước một.
Vì vậy, để đảm bảo hành trình quản lý dữ liệu thành công, trước tiên chúng ta phải hiểu ý định của người dùng. Đó là, người dùng đang cố gắng đạt được điều gì? Anh ấy hoặc cô ấy sẽ đo lường thành công như thế nào? Để xác định và hiểu kỹ ý định của người dùng, chúng tôi phải giải quyết các câu hỏi sau đây như là bước đầu tiên trong hành trình quản lý dữ liệu của mình.
![](https://gtekvn.com/wp-content/uploads/2023/04/2-10-300x125.png)
Chúng ta đang cố gắng giải quyết sáng kiến kinh doanh nào? KPI và số liệu dựa vào đó chúng ta sẽ đo lường tiến độ và thành công là gì? Kết quả mong muốn hoặc lý tưởng là gì?
Và mặc dù giải quyết những câu hỏi này là một khởi đầu tuyệt vời, nhưng bạn cũng cần thu hút sự tham gia của các bên liên quan chính bên trong và bên ngoài – những người tác động hoặc bị ảnh hưởng bởi các sáng kiến – đảm bảo hiểu quan điểm của họ là bước đầu tiên trong hành trình quản lý dữ liệu của bạn.
![](https://gtekvn.com/wp-content/uploads/2023/04/3-3-300x227.png)
Kết quả mong muốn của các bên liên quan này là gì? KPI và số liệu nào họ sẽ sử dụng để đo lường thành công? Sự phân nhánh và rủi ro tiềm ẩn từ sự thất bại của sáng kiến là gì?
Để có được một quan điểm thấu đáo và toàn diện về những câu hỏi đó đòi hỏi sự hợp tác giữa các bên liên quan bên trong và bên ngoài. Điều này không chỉ giúp đảm bảo các nỗ lực quản lý dữ liệu và kết quả AI đạt được được liên kết và tập trung hợp lý, mà còn tạo ra sự ủng hộ từ các bên liên quan chính, những người sẽ chịu trách nhiệm áp dụng dữ liệu và kết quả AI vào công việc hàng ngày của họ.
Ngoài ra, sự hợp tác chặt chẽ với các chuyên gia về chủ đề sẽ mang lại kết quả tốt hơn. Nếu khoa học dữ liệu là về việc xác định các biến số và chỉ số “có thể” là công cụ dự đoán tốt hơn về hiệu suất (còn được gọi là tính năng ML), thì việc thu hút và trao quyền cho các chuyên gia về chủ đề đó là rất quan trọng để xác định các biến, chỉ số đó và nguồn dữ liệu hỗ trợ “có thể ” dẫn đến kết quả phân tích phù hợp và chính xác hơn.
“Nếu bạn không có đủ những khoảnh khắc ‘có thể’, bạn sẽ không bao giờ có bất kỳ khoảnh khắc ‘đột phá’ nào.”
Nếu AI có tiềm năng kinh doanh và kinh tế để biến đổi mọi ngành và mọi khía cạnh của xã hội, đồng thời chất lượng dữ liệu trực tiếp thúc đẩy hiệu quả của các mô hình AI, thì thật hợp lý khi thấy việc chuyển đổi quản lý dữ liệu từ thực tiễn CNTT sang kỷ luật kinh doanh – tập trung vào việc tận dụng dữ liệu và phân tích để mang lại kết quả hoạt động và kinh doanh phù hợp hơn, có ý nghĩa hơn và quan trọng hơn.
Hãy để Dell Data Management dẫn đường
Tìm hiểu thêm về Hành trình quản lý dữ liệu với đồ họa thông tin tương tác của chúng tôi tại đây . Và hãy theo dõi blog của chúng tôi ở bước thứ hai của hành trình quản lý dữ liệu, sẽ ra mắt vào tháng tới. Bạn cũng có thể tìm hiểu thêm về các giải pháp Quản lý Dữ liệu của Dell trên trang Quản lý Dữ liệu Doanh nghiệp của chúng tôi .
1 Andrew Ng, Deep Learning AI, The Batch, Số 84 . Ngày 24 tháng 5 năm 2021.
Bài viết mới cập nhật
PowerStore—Sức mạnh của cụm
Tổng quan PowerStore được thiết kế để trở thành nền tảng ...
Triển khai VMware Cloud Foundation Workload Domains với PowerStore Systems
Tổng quan VMware Cloud Foundation là giải pháp đám mây lai ...
Có gì mới trong PowerStore OS 3.5?
Dell PowerStoreOS 3.5 là bản phát hành phần mềm mới nhất ...
Dell PowerStore – Dễ dàng tạo Metro Volume chỉ với sáu cú nhấp chuột
Trong bài viết ngắn này, tôi sẽ hướng dẫn bạn cách ...