メインコンテンツへジャンプ

エグゼクティブのためのデータ、アナリティクス、AI変革ガイド 第5回:情報に基づいたビルドと購入の意思決定

クリス・ダゴスティーノ
Mimi Park
Usman Zubair
Share this post

Original :The Executive’s Guide to Data, Analytics and AI Transformation, Part 5: Make informed build vs. buy decisions
translate by junichi.maruyama 

データおよびAIトランスフォーメーション戦略の重要な要素として、データエコシステムのどのコンポーネントを社内のエンジニアリングチームが構築し、どのコンポーネントをベンダーとの関係を通じて購入するかを決定することが挙げられます。エンジニアリング・チーム内では、「ビルダー」アプローチを取ることが重視されるようになってきています。つまり、エンジニアリング・チームは、ベンダー製品に依存するのではなく、自社で独自のソリューションを開発することを好むのです。

競争優位性

この「Roll your own」アプローチには、製品全体のビジョンを確立し、機能の優先順位をつけ、ソフトウェアを構築するためのリソースを直接割り当てることができるなどのメリットがあります。しかし、開発努力のどの側面が最も競争力をもたらすかを念頭に置いておくことが重要です。

データ・トランスフォーメーションの運営委員会やその他のステークホルダーと協力して、データ・エコシステムのさまざまな部分を構築することの是非を議論するのに時間をかけましょう。その第一の要因は、あるソリューションが組織にとって真の競争優位をもたらすかどうかに帰結するはずです。このソフトウェアの一部を構築することで、競合他社があなたと競争するのが難しくなるのでしょうか?もし答えがノーなら、エンジニアリングとデータサイエンスのリソースを、データから洞察を得ることに集中させる方がよいでしょう。

注意:自社のソフトウェアベンダーになること

多くのエンジニアリーダーが知っているように、独自のソフトウェアを構築することは、エキサイティングなチャレンジです。つまり、プロジェクト全体のタイムラインとコストを管理し、設計、実装、テスト、文書化、トレーニング、そして継続的なメンテナンスとアップデートに責任を持つということです。つまり、プロジェクト全体のタイムラインを管理し、設計、実装、テスト、ドキュメンテーション、トレーニング、継続的なメンテナンスとアップデートに責任を持つことになります。標準的な規模のチームのコストを考えると、新しいデータシステムの個々の構成部分を構築するのに年間数百万ドルを費やすことは珍しくありません。これには、本番稼働後のソフトウェアの運用・保守にかかる費用は含まれません。

予想される開発コストを相殺するために、エンジニアリングチームはしばしば、オープンソースソフトウェアから始めて、組織の「固有の要件」を満たすように拡張しているという主張をする。このアプローチをテストし、a)要件が本当にユニークであること、b)開発によって必要な競争優位性が得られることを確認する価値があります。

オープンソースの上に構築されたソフトウェアであっても、統合とテストに多大な投資が必要です。データサイエンスの分野では、オープンソースのライブラリが数多く必要なため、統合作業は特に困難です。問題は、"これは本当にエンジニアリング・チームが集中すべき分野なのか "ということです。それとも、このコンポーネントをサードパーティに「アウトソース」したほうがいいのでしょうか?

どれくらいの時間がかかるのか?組織には待つ余裕があるのか?

ソフトウェア・コンポーネントが競争優位性をもたらし、自社で構築する価値があると判断した場合でも、次に問うべきは "どのくらいの時間がかかるのか "ということです。市場投入までの時間を考慮する必要があるのは確かで、構築か購入かの判断は、予想される納期がビジネスに与える影響も考慮する必要があります。ソフトウェア開発プロジェクトは、通常、当初の計画よりも長い期間と費用がかかることを念頭に置いてください。

また、自社開発に関連する機能については、日々のエコシステムの全体的なパフォーマンスや機能への影響も理解する必要があります。ビジネスパートナーは、データエコシステムがどのように実装されようとも、それが機能し、ニーズを満たし、パフォーマンスと信頼性が高く、納期が守られる限り、気にしない可能性が高い。競争優位性、コスト、機能、スケジュールなどのトレードオフを慎重に検討する。

データを忘れてはいけない

最新のデータスタックの最も重要な特徴は、データセットや「データ資産」をエンドユーザーやシステムで利用できるようにすることでしょう。データの洞察、モデルのトレーニング、モデルの実行は、それらが依存するデータが信頼でき、良質でなければ、信頼できる方法で行うことはできません。大規模な組織では、収益機会やリスク低減の能力は、複数の事業部門や部署からのデータセットを統合することに依存することが多い。データエンジニアリングとデータサイエンスの取り組みを、データのキュレーションと堅牢で信頼性の高いパイプラインの作成に集中させることが、真の競争優位性を生み出す最大のチャンスになる可能性があります。

データのカタログ化、スキーマの強化、品質チェック、パーティション、セキュリティ、分析用データの提供などを適切に行うために必要な作業量は、過小評価されるべきではありません。この作業の価値は、ビジネスにとっても同様に重要です。ゲームを変えるような洞察を可能にするデータを管理する能力は、CDOとCIOが主導する作業の焦点になるはずです。これは、真の競争優位性をもたらさないコンポーネントをエンジニアに革新させる能力よりも、データとの関係性がはるかに大きい。

データマネジメント、データサイエンス、データガバナンスの各プラットフォームを一元化して構築する方法については、今すぐ弊社にお問い合わせください。

このブログ記事は、上級管理職向けの複数回シリーズの一部で、DatabricksのeBook「Transform and Scale Your Organization With Data and AI」から引用されています。全コンテンツにはこちらからアクセスしてください。

Databricks 無料トライアル

関連記事

エグゼクティブのためのデータ、アナリティクス、AI変革ガイド 第2回:ユースケースの特定と優先順位付け

April 7, 2023 クリス・ダゴスティーノMimi ParkUsman Zubair による投稿 in 製品
Original Blog : The Executive’s Guide to Data, Analytics and AI Transformation, Part 2: Identify and prioritize use cases 翻訳: junichi.maruyama 本連載は、データおよびAIの変革イニシアチブを率いるシニアエグゼクティブと重要な洞察と戦術を共有するための複数回シリーズのパート2です。シリーズのパート1は こちら...
データ戦略一覧へ