Bag enhver succes med komplekse data står en master data manager, som får alt for lidt opmærksomhed 

AI-eksperter og ML-guruer er i tårnhøj kurs ude på jobmarkedet. Men uden ordentlige master data managers skaber de bare togulykker i høj fart!

”Jeg bliver ved med at sige, at det mest sexede job i de næste ti år vil være statistikere. Folk tror, ​​jeg laver sjov, men hvem ville have gættet, at computeringeniører ville have været det mest sexede job i 1990’erne?”

Daværende cheføkonom hos Google, Hal Varian, sagde disse bevingede ord i et interview i 2008. Han forudså, hvad bølgen af Big Data og AI ville betyde på jobmarkedet.

I dag har vi også her i vores lille andedam et klart underskud af STEM-uddannede, og erfarne data scientists sætter selv deres pris. Men bagved disse stjerner trænger en anden profil sig på. I hvert fald hvis vi ser på jobmarkedet ud fra, hvad der reelt skaber værdi i virksomhederne.

Master data er et fællessprog

Jeg taler om noget så umiddelbart kedeligt som master data. Master data er et slags ’lingua franca’. Et fællessprog for mange af de procesdrivende systemer i virksomhederne, som sætter os i stand til at bruge data fra netop disse mange forskellige kilder til at løse vores opgaver.

Master data er centralt både for at effektivisere operationelt og for at innovere med helt nye anvendelser af data. Når vi gør os den ulejlighed at sikre at eksempelvis vores kundedefinition er entydig og stringent, så vil det muligvis give en marginal forsinkelse af det enkeltstående projekt, men det betaler sig tifoldigt tilbage, fordi vores data kan bruges, genbruges, flyttes og befrugtes.

Udfordringen er organisatorisk

Det er umuligt at være uenig i, tænker du nok. Men faktum er, at mange virksomheder ikke har styr på det. Derfor ser vi i disse år mange Master Data Management (MDM)-projekter, fordi de viser sig så værdifulde.

Den største udfordring er at få organisation og proces på plads. Der er både et element af central styring og et kulturelt element, hvor dataejere og data stewards ude i enkelte domæner skal agere efter MDM-spillereglerne.

En god måde at lette de organisatoriske udfordringer kunne være at have en decentral strategi for master data. Overvej hvilke master data, der virkelig batter – altså de master data, der sikrer din digitale fødekæde. Her kan man med fordel etablere en solid central proces.

De øvrige vigtige – men dog lokale – master data skal vedligeholdes, hvor de bruges ude i forretningsområderne.

Og så foreslår jeg, at man bare krydser fingre for de master data, der er fortællende, men ikke afgørende for økonomien, for lokale eller for globale forretningsprocesser. Fra min egen verden kunne mindre vigtige master data være navne på mødelokaler, mine servere eller printer ID.

Værdibaseret MDM

Vi må derfor forlade troen på, at data management kan ske i en låst, firkantet proces for alle data til hver en tid, hvor vi kun har data som passer ind i vores MDM-arkitektur. Verden er for vild og voldsom og i for hurtig udvikling. Svaret er at sætte MDM-krudtet ind, hvor det giver mest værdi. Der hvor vi med sikkerhed ved, at vi skal bruge uniformitet i data.

Når vi fusionerer, bruger nye cloud-løsninger eller udvikler ny funktionalitet eller digitale forretningsmodeller skal vi have master data helt oppe i frontallappen. Datamodeller i forskellige domæner kan være forskellige men en must-have strategi for master data må ligge til grund for alt, hvad vi gør.

Når RPA-robotter går deres sejrsgang, så handler det ofte om, at softwaren løser problemer som rettidig MDM kunne have løst for os. Det bliver bare ikke fejret med samme pomp og pragt som en ny lækker RPA-implementering.

Den største innovatør

I det hele taget står hverdagens helte (master data managers!) voldsomt i skyggen af AI-specialisterne. Det svarer lidt til at forestille sig Brad Pitt på optagelse uden fotografer, lydfolk, lyssættere, runners og manuskript-forfattere.

Bag enhver succesombrust AI-specialist i spotlightet, står der en master data manager i kulissen.

I gamle dage var datahåndteringen langt mere manuel. Toget kørte langsomt. Nu automatiserer vi lystigt, og AI og ML sætter for alvor fart i toget. Men hvis data ikke er skarpt defineret og stringent holdt, så har vi en garbage-in-garbage-out-situation. Togulykker i høj fart skaber som bekendt meget større tragedier.

Pas godt på din master data manager. Hun er din største innovatør!

Af Thomas Madsen, Head of SAP Data Lab Copenhagen i SAP Experience Center Copenhagen

Oprindelig publiceret i Computerworld den 12. januar 2022.