CIO Ryan Snyder über die Vorteile der Interpretation von Daten als Schichtkuchen

Ryan Snyder, CIO von Thermo Fisher Scientific, erläutert ein abgestuftes Modell, mit dem Daten beim 40-Milliarden-Dollar-Hersteller von Laborausrüstung und -instrumenten in Wert umgewandelt werden.

Eine Daten- und Analysefähigkeit kann nicht allein aus einer IT- oder Geschäftsstrategie entstehen. Da sowohl die Technologie als auch die Unternehmensorganisation stark mit dem Was, Warum und Wie von Daten befasst sind, müssen Unternehmen funktionsübergreifende Datenteams bilden, um das Beste aus ihnen herauszuholen. Deshalb haben Ryan Snyder, CIO von Thermo Fisher Scientific, und seine Kollegen eine Datenschicht aufgebaut, die auf einer kaskadierenden Reihe von Diskussionen basiert und es IT- und Geschäftspartnern ermöglicht, als ein Team zu agieren. Martha Heller, CEO von Heller Search Associates, hat sich kürzlich mit Snyder zusammengesetzt, um mehr zu erfahren.

Martha Heller: Was sind die Geschäftstreiber hinter dem Datenarchitektur-Ökosystem, das Sie bei Thermo Fisher Scientific aufbauen?

Ryan Snyder: Lange Zeit stellten Unternehmen einfach Datenwissenschaftler ein, zeigten ihnen ihre Daten und erwarteten erstaunliche Erkenntnisse. Diese Strategie ist zum Scheitern verurteilt. Der beste Weg, eine Datenstrategie zu starten, besteht darin, einige echte Werttreiber zu etablieren, die das Unternehmen unterstützen kann. Bei Thermo Fisher Scientific lassen sich diese Werttreiber in drei verschiedene Bereiche unterteilen. Die eine ist die Optimierung unseres eigenen Backoffices, die anderen beiden beziehen sich auf die Geschäfte unserer Kunden, indem sie wissenschaftliche Entdeckungen vorantreiben und klinische Ergebnisse beschleunigen.

Welche Beispiele für Datenlösungen in jedem dieser Bereiche gibt es?

Ein sehr spannender Bereich im Backoffice ist für uns der Fertigungsbereich. Im Gegensatz zu vielen anderen Branchen umfasst die Fertigung im Life-Science-Bereich viele kundenspezifische, nicht wiederholbare Aktivitäten, sodass es bei der Art und Weise, wie Produkte hergestellt werden, zu enormen Schwankungen kommen kann. In der Vergangenheit haben wir die Produktivität durch Lean Six Sigma und die Optimierung von Arbeitsabläufen gesteigert. Aber mit dem Aufkommen von Industrie 4.0 statten wir unsere Fertigungsprozesse mit Sensoren aus, die uns riesige Datenmengen liefern, die unsere Führungskräfte nutzen, um diese Prozesse zu überdenken.

Im Hinblick auf wissenschaftliche Entdeckungen und klinische Ergebnisse werden viele der von uns verkauften Instrumente digitalisiert. Mikroskopie und Gensequenzierung beispielsweise erzeugen sehr große Datenmengen, die unsere Kunden zu analysieren versuchen. Je mehr wir Plattformen schaffen können, um sie zu verbinden und zu vereinfachen, desto einfacher ist es für sie, an die wichtigen Daten zu gelangen. Dies gilt insbesondere dann, wenn sie über Datensätze von mehreren Instrumenten verfügen. Wie führen sie all diese Daten zusammen? Früher war das die Last des Kunden. Aber als Anbieter können wir die Entdeckung beschleunigen, indem wir diese verschiedenen Datensätze verbinden.

Sie haben von Ihrer Datenplattform als Schichtkuchen gesprochen. Was sind die Schichten?

In der IT sprechen wir oft über die Schichten eines Technologie-Stacks. Die Schichtkuchen-Metapher verlagert die Datendiskussion von einer IT-Diskussion hin zur Schnittstelle von Geschäftsstrategie und Technologie. Es geht also darum, wie wir Schichten vom Geschäftskonzept, etwa der Weiterentwicklung der Entdeckung, bis hin zu einer Technologielösung, etwa einem Visualisierungstool, erstellen.

Die erste Ebene ist die Ebene des Geschäftskonzepts, in der wir gezielt Sitzungen mit unseren Geschäftspartnern organisieren, um zu besprechen, wo in unseren Geschäftsdaten Wert geschaffen wird. Dies unterscheidet sich nicht von der Art und Weise, wie eine HR-Organisation eine Talentstrategie entwickeln würde, um eine Geschäftsstrategie zu untermauern. Die Ausarbeitung dieser Ideen ist daher ein wesentlicher Bestandteil der ersten Ebene.

Die zweite Schicht ist die Verbrauchsschicht, auf der sowohl interne als auch externe Kunden auf die Daten zugreifen und diese nutzen können. Hier wählen wir beispielsweise Visualisierungstools aus. Die dritte und komplizierteste Ebene ist Architektur und Governance, die wir als eine Ebene miteinander verbunden haben.

Bei den ersten beiden Ebenen ist das Unternehmen der Treiber, während die IT eine unterstützende Rolle übernimmt. Bei der Daten-Governance- und Architekturebene hingegen stehen die IT und das Unternehmen Seite an Seite und arbeiten gemeinsam an komplexen Entscheidungen über Governance und Architektur.

Die letzte Ebene sind Rohdaten. Hier holen wir die Daten aus den Quellsystemen, organisieren sie, sichern sie und finden heraus, welche Data Lakes wir verwenden sollen. Hierbei handelt es sich normalerweise nicht um geschäftliche Gespräche; Es ist größtenteils IT.

Mit dem Layer-Cake-Modell haben wir also eine kaskadenartige Reihe von Diskussionen zwischen der IT und unseren Geschäftspartnern, wobei das Geschäft auf der obersten Ebene und die IT auf der unteren Ebene vorangetrieben wird.

Was istEin Beispiel für ein Datenproblem, das die Funktionsweise der Ebenen veranschaulicht?

Nehmen wir zum Beispiel das Ziel, unsere Umsatzberichterstattung im gesamten Unternehmen zu vereinfachen, was in einem Unternehmen, das durch Akquisitionen gewachsen ist, von denen viele über eigene Finanzsysteme verfügen, übermäßig komplex werden kann. Auf der Ebene des Geschäftskonzepts führt die Finanzleitung eine Reihe von Diskussionen mit der IT- und Data-Engineering-Führung, um die Prozessänderungen zu besprechen, die für die Erstellung von Self-Service-Umsatzberichten für Unternehmen erforderlich sind. Auf der Verbrauchsmaterialebene entscheiden wir, wie Menschen die Umsatzdaten konsumieren. Ist unser Ziel ein Portal oder sollten wir ein Portal für Einnahmen auf der klinischen Seite und das andere für unsere Produktgeschäfte haben? Auf dieser Ebene beziehen wir die Geschäftsführer ein, die die Daten nutzen, und einige weitere IT-Mitarbeiter skalieren die Lösung. Wir klicken im Organigramm nach unten, während wir uns durch die Ebenen bewegen.

Was passiert auf der Architektur- und Governance-Ebene?

In den ersten beiden Schichten gestalten wir die Datenlösung im geschäftlichen Kontext, wobei das Unternehmen diese Diskussionen leitet, die IT jedoch weiterhin beteiligt ist. Auf Governance- und Architekturebene treibt jedoch das IT-Team die Diskussion voran, um über die Datenstandards und -regeln zu entscheiden, die es uns ermöglichen, die Verbrauchsmaterialschicht zu verwalten. Befinden sich die Daten in einer oder mehreren Clouds? Wollen wir für jedes Unternehmen die gleichen Visualisierungstools verwenden? Wer hat Zugriff auf die Daten?

Und dann trifft das IT-Team auf der Rohdatenebene Entscheidungen zu Technik, Speicher, Sicherheit und anderen Werkzeugen.

Welche Vorteile bietet es, Datenarchitektur und Governance auf einer Ebene zusammenzuführen?

Schnelligkeit und Vermeidung von Nacharbeiten. Als wir eine erste Bewertung unserer Datenkapazitäten durchführten, stellten wir fest, dass wir viele kleine Teams hatten, jedes mit kleinen Datenbanken, und jeder traf die richtigen Entscheidungen über Daten entsprechend seiner Sicht auf die Welt, aber niemand schaute sich diese kleinen Datenbanken an. Wir brauchten eine Ebene, die IT- und Unternehmensleiter zusammenbringt, um diese Landschaft zu überblicken. Um den besseren Weg zu finden, bedarf es einiger Investitionen von beiden Seiten.

Welchen Nutzen hatte die Schichtkuchenstruktur für das Unternehmen?

Es hat uns Agilität verliehen. Wir können sehr komplizierte Datensätze im gesamten Unternehmen verstehen und es den Mitarbeitern dann ermöglichen, Probleme auf sehr lokale, aber orchestrierte Weise zu lösen. Der Schichtkuchen gibt der IT die Möglichkeit, alle Geschäftsprobleme zu erkennen, die Daten lösen könnten, und diese Probleme schnell zu lösen. Es gibt dem Unternehmen auch eine gewisse Verantwortung für Datenentscheidungen.

Was waren die Herausforderungen beim Zusammenstellen der Schichttorte?

Wir mussten vom Projektmanagement auf ein Produktmanagementmodell umstellen, was sehr wichtig war, denn wenn man das Wachstum einer Datenstrategie Projekt für Projekt finanziert, steht man am Ende vor einem Frankenstein-Monster voller Abkürzungen, weil Geld oder Zeit ausgehen. In einem Produktmodell sind die Teams architektonisch nicht an eine bestimmte Zeit gebunden; Sie basieren auf Produktergebnissen und nicht auf Projektergebnissen. Der Wechsel zum Produktmodell kann viel Zeit und Mühe kosten.

Eine weitere Herausforderung bestand darin, dass ich zuließ, dass sich die Teams zu sehr an einige veraltete Technologien klammerten. Der Datenraum schreitet so schnell voran und in den Startup-Communities passiert so viel, dass man stecken bleiben kann, wenn man zu lange auf veralteten Technologien bleibt.

Die dritte Herausforderung bestand darin, sicherzustellen, dass wir ehrgeizige langfristige Datenstrategieziele haben, einschließlich künstlicher Intelligenz, aber klein anfangen und auf überschaubare Weise einen Mehrwert schaffen können. Man muss in der Lage sein, kleine Probleme zu lösen und sie gleichzeitig in eine Gesamtvision zu integrieren. Wenn Sie das nicht tun, könnten Sie ein Jahr damit verbringen, kleine Probleme zu lösen, während Sie die große Investitionsmöglichkeit verpassen.

Welchen Rat haben Sie für CIOs, die eine ähnliche Datenstruktur aufbauen möchten? Finden Sie ein paar interne Partner, die den Wunsch und die Fähigkeit haben, Ihnen beim Aufbau des Modells zu helfen, denn die Rollen, die Sie Ihren Geschäftspartnern übertragen, sind nicht die, die sie traditionell innehaben. Sie wollen die Daten, aber verstehen sie, wofür sie sich anmelden? Die Geschäfts- und IT-Teams können wirklich als Einheit agieren. Konzentrieren Sie sich darauf, wer Ihre ersten Partner sein sollten, denn die besten zusätzlichen Befürworter für die Entwicklung einer Datenstrategie werden nicht unbedingt von Ihnen kommen; Sie werden wahrscheinlich von anderen Geschäftspartnern stammen.