Máte vo firme tisícky súborov v rôznych formátoch? Je pre vás ťažké nájsť to, čo potrebujete? Neviete, ktorá verzia je aktuálna? Trávite hodiny ručným kopírovaním údajov z tabuľky do tabuľky, len aby ste na konci zistili, že vám aj tak nesedia súčty?
Čo je správa dát
Správa dát (data management) je vlastne zber, spracovanie a zabezpečenie záznamov s cieľom maximalizovať ich hodnotu. Ľudsky povedané, je to ako mať dokonale upratanú špajzu. Viete, čo kde je, v akom je stave.
Moderný prístup zahŕňa nielen bezpečné ukladanie, ale aj governance: jasné pravidlá verzovania, metadáta, vlastníctvo (data owners) a procesy validácie. Vďaka tomu predídeme vzniku duplicitných súborov a každý vo firme pracuje s rovnakými číslami. Výsledkom je menej chýb a rýchlejšie rozhodovanie.
Bez kvalitných informácií sa firma spolieha na dohady namiesto faktov. Manažéri potom riešia problémy až vtedy, keď sú viditeľné v tržbách alebo reklamáciách. Záznamy pritom často už odpoveď obsahujú, len sú roztrúsené a neprehľadné.
Samotný prístup k dátam však nestačí. Je nevyhnutné dbať na ich čistotu. Pretože ak sú plné chýb alebo nekonzistentné, nepomôže žiadny systém ani report. Preto firmy najskôr dávajú dáta do poriadku – čistia ich, zjednocujú a digitalizujú – a až potom z nich robia prehľady či reporty.
Problémy v údajoch
Problémy v údajoch sa zvyčajne neobjavia naraz. Na počiatku to môžu byť len drobnosti – nesedia čísla v reporte, marketing pracuje s iným zoznamom kontaktov než obchod, sklad ukazuje iný stav, než aký je v skutočnosti. Postupne sa však tieto problémy nakopia a prerastú do vážnych chýb pri rozhodovaní.
Manažéri robia rozhodnutia na základe historických záznamov, marketing oslovuje nesprávne publikum a obchodníci trávia čas kontaktovaním nerelevantných klientov. Namiesto rastu tak vzniká frustrácia a pocit, že vynaložené úsilie neprináša očakávané výsledky.
Roztrieštené informácie spomaľujú prácu, pretože sú rozložené v rôznych súboroch a nástrojoch. Tie medzi sebou nemusia byť kompatibilné. Zamestnanci tak strácajú čas ich hľadaním, manuálnym prepájaním a kontrolovaním správnosti.
Celé to môže mať nepekný finančný dopad. Napríklad nesprávna fakturácia, zlé skladové rozhodnutia, nepresné analýzy... V horšom prípade môžu ohroziť dôveru zákazníkov alebo spôsobiť problémy pri kontrolách a auditoch.
Reálne príklady
Pozrime sa na pár príkladov z praxe:
- Unity Technologies – v prvom kvartáli roku 2022 načítali nesprávne údaje do nástroja pre reklamu, čo znížilo výkonnosť algoritmov. Preto museli znova trénovať modely a stratili približne 110 mil. USD.
- Uber – v roku 2017 nesprávne počítal provízie vodičov. Namiesto výpočtu z čistého obratu bral províziu z hrubých jázd, takže vodiči prišli o 2,6 % zo zárobku. Museli tak vyplatiť chýbajúce sumy s úrokom, čo ich stálo najmenej 45 mil. USD.
- Samsung Securities – v apríli 2018 zamestnanec Samsung Securities omylom zadal do systému príkaz na vydanie akcií namiesto vyplatenia dividendy. Softvér omylom pripísal 2,8 miliardy akcií; podľa tlače by to v danom okamihu teoreticky predstavovalo až ~105 mld. USD trhovej hodnoty (teoretická trhová hodnota chybných zápisov). Firma následne prijala nápravné opatrenia a reálne finančné dopady boli výrazne nižšie.
- Public Health England – britská agentúra medzi 25. septembrom a 2. októbrom 2020 neprihlásila 15 841 nových prípadov COVID-19. Dôvodom bola technická chyba v starom formáte Excelu XLS, ktorá obmedzila počet riadkov. Public Health England priznala, že 15 841 prípadov nebolo započítaných do systému kvôli chybe v spracovaní (Excel-limit). Niektoré správy odhadovali, že následné nesledovanie kontaktov mohlo viesť k tomu, že až desaťtisíce kontaktov neboli včas oslovované
- Amazon – algoritmus na výber uchádzačov odhalený v roku 2018 bol trénovaný na historicky nevyvážených dátach, následne bol zaujatý voči ženám. Algoritmus sa naučil priraďovať určité výrazy a kvalifikácie mužským kandidátom, čo viedlo k nižšiemu hodnoteniu rovnako kvalifikovaných žien. Ihneď po zistení chyby bol tento náborový model zrušený.
Správa dát ≠ len technická záležitosť
Mnohé firmy a e-shopy robia pri správe dát rovnakú chybu: považujú ju za čisto technický problém. Kúpia nový nástroj, prejdú na cloud a očakávajú automatické vyriešenie chaosu. Ako však upozorňuje Harvard Business Review, technológia sama osebe kvalitu nezaručí, ak spoločnosť nemá jasne nastavené procesy a zodpovednosti.
V praxi to znamená, že otázky typu ,,Kto zodpovedá za správnosť záznamov?“, ,,Ktoré údaje sú oficiálne?“, „Kedy sa aktualizujú?“ ostávajú nezodpovedané.
Záznamy potom vznikajú paralelne v rôznych oddeleniach a nikto nemá celkový prehľad.
Dôsledky takéhoto prístupu sú citeľné najmä v e-commerce. Ak marketing pracuje s iným zoznamom produktov než sklad, prípadne zákaznícka podpora, výsledkom sú chybné ceny, nesprávne skladové informácie a nespokojní zákazníci. Veľká časť strát vzniká kvôli procesným a organizačným zlyhaniam, nie kvôli technickým poruchám.
Data manažment je preto manažérska téma. Vyžaduje spoluprácu tímov, jasné pravidlá a firemnú kultúru. Až keď organizácia vyrieši tieto „netechnické“ otázky, majú investície do systémov a automatizácie skutočný zmysel.
Najlepšie postupy
Moderné organizácie čelia výzve, ako efektívne riadiť stále rastúci objem údajov. Aby mali pre firmu skutočnú hodnotu, je dôležité dbať na ich bezpečnosť a dostupnosť.
Základom je mať jasné pravidlá. Každý musí vedieť, odkiaľ údaje pochádzajú, kde sú uložené, kto za ne zodpovedá a ako sa majú používať.
Dôležitým krokom je vytvorenie centralizovaného dátového katalógu. Jeho účelom je centralizácia a definícia rolí a zodpovedností. Správcovia musia monitorovať metriky kvality, schvaľovať prístupové práva a riešiť spory.
Kvalita údajov predstavuje kritický prvok úspešnej správy. Jej riadenie zahŕňa procedúry a technológie zamerané na zabezpečenie presnosti, úplnosti, aktuálnosti a konzistentnosti dát.
Bezpečnosť je taktiež dôležitá. Medzi kľúčové bezpečnostné opatrenia patria šifrovanie, robustné kontroly prístupu, pravidelné bezpečnostné audity a hodnotenie zraniteľnosti. Sem patrí aj dodržiavanie predpisov, ako GDPR, CCPA a priemyselných štandardov (ISO 27001 či HIPAA).
Netreba zabúdať ani na vzdelávacie programy zlepšujúce znalosti zamestnancov. Organizácie potrebujú vytvoriť prehľadný, používateľsky prívetivý a ľahko zrozumiteľný reporting.
Umelá inteligencia a data management
Umelá inteligencia a strojové učenie menia spôsob, akým firmy pracujú s dátami. Tento spôsob je ideálny aj pri ich čistení. Odborníci však upozorňujú, že AI je spoľahlivá len vtedy, ak sú spoľahlivé aj vstupné údaje – mnohé AI projekty zlyhajú práve kvôli nekonzistentným či nekompletným údajom.
AI tiež zefektívňuje ich hľadanie a organizovanie. Inteligentné platformy dokážu automaticky prehľadávať siete a úložiská, indexovať nové súbory a ihneď ich kategorizovať podľa obsahu. Algoritmy strojového učenia rozpoznajú napríklad formáty konkrétnych čísel či textov – 9-ciferné číslo vie aplikácia vyhodnotiť ako americké rodné číslo (Social Security Number). Navyše moderné NLP modely dokážu extrahovať štruktúrované informácie z neštruktúrovaných zdrojov.
Mnohé moderné nástroje dokážu automatizovať detekciu chýb (anomaly detection), navrhnúť opravné akcie a čiastočne realizovať opravy. V praxi však je bežné, že finálna aplikácia opráv prechádza human-in-the-loop (ľudskou verifikáciou) — plne autonómna oprava bez ľudského auditu je často riziková a menej rozšírená
Niektoré nástroje automaticky odstraňujú duplikáty alebo dopĺňajú chýbajúce hodnoty na základe vzorov existujúcich údajov. Pri integrácii roztrúsených zdrojov si algoritmus všimne vzťahy medzi databázami a navrhne ich spájanie. Súčasne pomáha vytvárať centrálne katalógy záznamov – AI dokáže generovať popisy tabuliek a kategórií na základe existujúcich metadát (metadáta – dáta o dátach).