大數據成熟度模型

大數據成熟度模型

　　所謂的「成熟度」是「趨於完整的，完美的或就位的狀態」，是「一個具體的能力，由初始到完成一特定目標的進化過程中的階段。」

    成熟度可以從流程、目標及人才三個主要的面向加以觀察，流程成熟度所注重的在於比較「一個被明確定義、管理、量測、管制和有效力的具體流程」的成熟程度。所謂的目標成熟度，是指達到一個特定的目標所預先定義的成熟水準的程度。而人才成熟度則是參與的人力資源的多寡，以及所具備產生知識和強化熟練度的能力。

一、     成熟度模型的概念

成熟度模型呈現兩個重要的概念，一是階段性，指成熟要素在質或量兩方面能力的增加或變化，用以評估在特定的重點領域中的進程。其次，它是一種工具，用以評估成熟要素的組織能力，並且選擇適當的行動，以促使成熟要素進入更高層次的成熟度。

二、     成熟度模型的功能

    成熟度模型的主要目的在對特定的政策或技術的佈署實施，應用多個不同的面向目標，以質化或量化的指標進行佈署實施進程的評估。成熟度模型可提供一「計劃、執行、檢查、行動」的模式，以實現持續性的「流程改進。」可以幫助組織管理階層「平衡不同的面向目標進程，以取得和保持競爭優勢，組裝新產品和服務，降低成本並縮短上市時間，提高品質。」協助組織藉由識別各成熟程度階段的目標，以降低成本、改善品質、以及縮短產品上市時程，以獲取並保持競爭優勢。藉由成熟度模型的量測，可以調節組織內部團隊的表現和效率，並且對團隊的建立經營有所幫助。

三、     成熟度模型的特性

    成熟度模型具有敍述定位、規範引導和比較改進三種特性。敍述定位是藉由觀察在現實中所產生的變化，以質性或量化的方式加以敍述說明成熟的階段。規範引導是以制定規範標準，引導驅使個體做出改變。比較改進則是以在實際的情境中，與個別產業中的最佳實務典範比較，以做為持續改進的管理決策的支撐[1] [2] 。

四、     SAAT成熟度模型

    企業組織在大數據應用的進程分成五個成熟階段，萌芽期（Pre-state）、探索期（Opportunistic）、驗證期（Repeatable）、進階期（Advanced）及優化創新期（Optimized），各階段的主要特徵如表 1所示[3] [4] [5] [6] 。

表 1　各階段大數據實施佈署的特徴

成熟階段	階段特徴
萌芽期	觀望、瞭解、思考可行性及適用性
探索期	著手進行可行性的評估，簡單的試驗
驗證期	由初期簡單試驗成功，再試行兩到三個方案的可行性
進階期	開始推行到企業的全面實行
優化創新期	優化並由實行中產生新的價值或創新，有獨立成為新事業群的可能

資料來源：本計劃整理

    大數據應用的五個成熟階段，可以科技的佈署實施的進程Knowledge Spread、Pilot Run、Practice scale-up三階段加以敍述（圖 1）。從萌芽期到探索初期，在此階段企業組織對大數據採取觀望階段，透過知識的汲取和傳遞，或是同質企業中實施的概況，摸索瞭解大數據的可能應用。在探索期開始可能選擇一個最容易或是最急迫的需求應用著手，開始小型實驗性質的實施應用。若是在此一實驗取得良好的成效，或達到預期的效益，可能擴大實驗範圍。取得更多的功成經驗後，才會全面性地擴大實施，並且加以優化。

圖 1　大數據成熟度與科技導入進程

依據大數據的五項主要成熟要素與五個成熟階段，發展出VDATC模型，以做為大數據應用成熟度的客觀評估。所謂的VDATC即為佈署實施所產生的價值（Value）、資料運用（Data）、分析應用（Analytics）、工具平台（Tools）及企業組織文化（Culture）。透過解析問題及困難，評估企業在VDATC模型中，五大要素的組成內涵，以及關聯程度。深入探討企業在接受大數據的佈署實施時，可能面臨的差距，以及必需予以補足的因子（表 2）。

（一）、     萌芽期

    在萌芽期，企業組織對數據的運用能力十分的薄弱，侷限於運用企業內部有限的結構化歷史資料，產生對過去狀況的敍述，無法運用數據產生新的、預測性的價值。資料的管理與產生也有嚴重的筒倉現象（data silos），缺乏統一、整合性的管理和儲存方式。在此一階段，最重要的工作在於盤點既有的資料加以整合，並檢視為解決現下最急迫的問題還需要那些資料。

（二）、     探索期

探索期最大的價值產生在於以可行性實驗，取得初期的成功經驗。在資料的運用上主要仍以內部的結構化歷史資料為主，但已經過有限度的盤整和格式統一的過程，資料的儲存也開始朝向統一的資料倉儲移動。在此一階段，企業對資料的運用和儲存能力仍然有限，資料保存也還未到達全面性，仍然有抛棄資料的習慣，但為因應資料儲存因時間累積而造成量的劇增，企業開始研擬資料生命週期管理策略。分析工具的應用以傳統的business intelligence為主，但在某些特定方面開始試用新的大數據應用技術。

（三）、     驗證期

經過探索期的試驗成功，可以增加企業採取大數據分析應用的信心。但在驗證期時的企業對大數據分析應用仍然採取謹慎但較開放的態度，會再試驗幾個應用，加以驗證。這個時期的大數據分應用的價值在於確定再現性和擴大實行前的反覆驗證。

    在資料方面，除了原本企業內部既有的結構化資料，也開始運用半結構化或非結構化的資料，也可能取得外部資料以補足內部資料的不足。在驗證期企業在資料儲存能力大幅提高，保存所有資料，但更著重資料的完整性和品質，傾向以data warehouse 或 data center 對數據集中管理。

在分析上，也進入predictive analytics階段。個別部門及經營管理者，縱向的交流溝通更為頻繁，可以及時追踪分析產出結果。

    在驗證期，企業因應用大數據分析所產生的組織文化改變開始顯現，大數據分析與business intelligence部門的融合，實驗場域中的工作人員可取得分析的結果，加速企業內部的大數據分析教育。

（四）、     進階期及優化創新期

    從驗證期進入進階期將會是一個巨大的轉變，在進階期企業全面性地佈署實施大數據分析應用。全面性的佈署也表示投入更多的資源，包括更多、更快的軟、硬體設備和人才的擴張。以國外的範例和研究發現，這個過程可能會延續一段很長的時間，或是企業會停滯在驗證期不前。

    進入進階期，企業組織也進入了由資料及分析驅動決策（data & analytics driven decision making）的階段，資料管理能力及基礎建設完備，資料具有高度的完整性和品質，大數據分析與business intelligence部門的融合。在此一階段最大的特徴在企業組織行為的改變，及時的數據和資料分析，並且企業組織全體可以分享分析結果，及時反應現場狀況，集中式服務和部門個別管理達到平衡和敏捷管理。換而言之，即是資料的完全整合，一致性及分析管理的普遍化。

        由大數據分析的全面佈署實施到產生全新的價值或是發掘創新的可能，其中包括產生新商業模式，尚需要經過一段優化的過程。這一過程並非單單在IT技術上的投入及優化，更是企業內部對數據分析應用的熟稔適應，將分析作為企業組織溝通、決策的一種常態性工具，形成對資料運用高度精敏的企業文化。

表 2 大數據的主要成熟要素在各階段的形態及樣貌

	萌芽期（Pre-state）	探索期（Opportunistic）	驗證期（Repeatable）	進階期（Advanced）	優化創新期（Optimized）
Value	・    無法產生價值	・    可行性實驗，取得初期的成功經驗	・    再現性和擴大實行的反覆驗證	・    資料的完全整合，一致性及分析管理的普遍化	・    由企業內部使用的優化產生新價值和發掘創新的可能，包括產生新商業模式
Data	・    內部資料為主 ・    只使用結構化資料 ・    個別部門管理	・    內部資料為主料 ・    只使用結構化資料 ・    個別部門管理，開始整合至一個資料倉儲中	・    導入源自企業外部的資料 ・    開始導入使用半結構化或非結構化資料 ・    集中管理，data warehouse 或 data center 使用	・    內外部資料的整合應用 ・    結構化、半結構化及非結構化資料的整合應用 ・    資料自動產生，集中統一管理	・    內外部資料的整合應用 ・    結構化、半結構化及非結構化資料的整合應用 ・    資料自動產生，集中統一管理
Analytics	・    個別部門及經營管理者 ・    追踪報表 ・    Descriptive、Diagnostic	・    個別部門及經營管理者，橫向交流性的溝通 ・    追踪報表 ・    Descriptive、 Diagnostic	・    個別部門及經營管理者，縱向的交流溝通 ・    追踪報表、及時分析 ・    Predictive	・    企業組織全體分享分析結果 ・    及時分析 ・    Predictive	・    組織企業全體分享分析結果 ・    及時分析 ・    Predictive、Prescriptive
Tools	・    傳統的資料或是Business Intelligence分析 ・    依據過去的歷史資料抽樣，以少數的參數進行建模	・    傳統的資料或是Business Intelligence分析，對特定的Big data開始著手小型的試行 ・    因特殊的試行目的，導入少量的分析新技術	・    傳統的資料、Business Intelligence與Big Data技術進入整合期 ・    導入更多的分析新技術，進入佈署期	・    全面性的big data佈署實施 ・    Big Data技術取代原有的Business Intelligence工具	・    全面性的Big Data佈署實施後，系統高度的優化
Culture	・    整體資料儲存能力有限，有抛棄資料的習慣 ・    由各部門個別進行，以報表供決策者使用 ・    分析需求時進行資料整合	・    整體資料儲存能力有限，有抛棄資料的習慣，開始研擬資料生命週期管理策略 ・    開始嚐試小規模的整合應用，但侷限在小範圍的實驗場域 ・    分析需求時進行資料整合	・    資料儲存能力大幅提高，保存所有資料，但更著重資料的完整性和品質 ・    分析與Business Intelligence部門的融合，實驗場域中的工作人員皆可取得分析的結果，同時在內部進行教育 ・    資料逐漸向集中管理整合移動	・    資料管理能力及基礎建設完備，資料具有高度的完整性和品質 ・    分析與Business Intelligence部門的融合，所有工作人員可以取得分析結果，及時反應現場狀況 ・    集中式服務和部門個別管理達到平衡和敏捷管理	・    資料管理能力及基礎建設完備，資料具有高度的完整性和品質 ・    形成對資料運用高度精敏的企業文化 ・    由資料中產生新的價值、應用或商業模式，並且關注分析技術的新應用和發展

References

[1]      Chris Nott, A maturity model for big data and analytics, May 26, 2015

[2]      Henrik Braun, Evaluation of big data maturity models – a benchmarking study to support big data maturity assessment in organizations, Feb. 4, 2015

[3]      Adelaide O’Brien, IDC MaturityScape Benchmark: Big Data and Analytics in Government, Jun. 2014

[4]      Informatica , Preparing for the Big Data Journey – A Strategic Roadmap to Maximizing Your Return from Big Data, Mar. 2013

[5]      Oracle, An Enterprise Architect’s Guide to Big Data, May 2015

[6]      TDWI, TDWI Big Data Maturity Model and Assessment Tool

[7]      Stephanie Baum, Early detection of heart failure gets the big data treatment in NIH study with Geisinger Health, IBM, MedCityNew, Oct. 9, 2013.

[8]      Brian T. Horowitz, Using Predictive Analytics to Track Heart-Failure Risk, Cruxialcio, Mar. 24, 2014

[9]      IBM, IBM Predictive Analytics to Detect Patients at Risk for Heart Failure, Feb. 19, 2014

[10]  全民健康保險醫療品質資訊公開網　

[11]  103年醫院總額整體性醫療品質資訊公開報告專業版

[12]  Kiyana Zolfaghar, et al, Big Data Solutions for Predicting Risk-of-Readmission for Congestive Heart Failure Patients, 2013 IEEE International Conference on Big Data

[13]  Arian Hosseinzadeh , et al, Assessing the Predictability of Hospital Readmission Using Machine Learning, Proceedings of the Twenty-Fifth Innovative Applications of Artificial Intelligence Conference

[14]  Amarasingham R, et al. Allocating scarce resources in real-time to reduce heart failure readmissions: a prospective, controlled study BMJ Qual Saf July 31 2013