Stavíme datové produkty a budujeme data mesh tak, aby se byznys obešel bez IT, říká Lukáš Mazánek, Raiffeisenbank

Má sen a pracuje na jeho realizaci. Chce vytvořit svět, kde firmy poskytují skutečnou hodnotu bez spoléhání na IT. S pomocí demokratizace dat a data meshe se snaží této vize dosáhnout. Hostem podcastu je Lukáš Mazánek, Chief Data Officer Raiffeisenbank v České republice.

Ivana Karhanová: Raiffeisenbank má vizi s názvem ‘Vize 2035’. Můžete nám o ní povědět více?

Lukáš Mazánek: Samozřejmě. Rok 2035 se může zdát vzdálený, ale máme důvod pro stanovení tak dlouhodobé vize. Věříme, že představuje hlubokou strukturální změnu. Chceme, aby to každý pochopil už z názvu – 2035 nám dává dostatek času na implementaci změny. Celá vize směřuje k dosažení autonomie byznysu a k poskytování nové hodnoty prostřednictvím dat a technologií souvisejících s data meshem.

Ivana Karhanová: Když mluvíte o autonomii byznysu, myslíte tím autonomii bez závislosti na IT, o které jsme se dříve bavili?

Lukáš Mazánek: Ve skutečnosti mám na mysli autonomii podniku v tom duchu, že podnik by měl být schopen samostatně poskytovat hodnotu od začátku do konce s veškerými potřebnými rolemi a technologiemi. Výzvou je propojit takové autonomní části firmy, aby poskytovaly ucelený produkt jako banka.

Ivana Karhanová: Produkt jako banka?

Lukáš Mazánek: Ano, myslím produkt v rámci pravidel banky.

Ivana Karhanová: Jste zodpovědný konkrétně za strategii dat. Snažíte se vytvořit data mesh a demokratizovat data uvnitř Raiffeisenbank. Často pracujete s pojmy jako ‘sémantická vrstva’. Mohl byste vysvětlit, co sémantická vrstva je a proč je tak důležitá pro data mesh a demokratizaci dat?

Lukáš Mazánek: V poslední době je to středobod mé práce. Nejprve pojďme probrat problém, kterému čelíme. Naše podnikání se stává stále složitějším. Přidání nové aplikace do složitého prostředí neznamená jen lineární zvýšení složitosti – násobí ji. Například máme asi 350 aplikací a systémů. Přidání jen jedné další to nezvýší na 351 kvůli složitým vazbám a integracím mezi aplikacemi, což tvoří 35 až 60 % výdajů na IT. Přidání jedné aplikace může vést ke stovkám nových datových integrací, což výrazně zvyšuje složitost.

Každý systém obvykle působí jako silo, které uzamyká data uvnitř. Data mají také různé významy v každé aplikaci. Vezměme si jednoduchý příklad, jako je jméno zákazníka. V některých zemích mají lidé třetí jméno, a pokud aplikace má pouze pole pro křestní jméno a příjmení, kam dáte třetí jméno? Liší se to od aplikace k aplikaci. Některé ho umístí do pole pro křestní jméno, jiné do příjmení, a najednou se změní význam atributu. To je základní příklad, ale v bankovnictví je to mnohem složitější. Abychom umožnili snadný přístup k datům napříč podnikem, potřebujeme vrstvu, která nabídne jednotný význam dat a informací.

Ivana Karhanová: Je to podobné tomu, co nazýváme datovým katalogem?

Lukáš Mazánek: Datový katalog je, řekl bych, jen začátek. Poskytuje informace o tom, jaké atributy jsou dostupné v celé organizaci a kde se nacházejí. Ale také musíte definovat význam těchto atributů. Každý atribut představuje koncept, a musíme být velmi opatrní s používanými slovy. Koncept není totéž, co objekt. Například když řeknu “židle”, mám na mysli koncept, který může zahrnovat různé typy židlí—čtyřnohé, trojnohé nebo jednonohé, v jakékoliv barvě. To je koncept, ne skutečná židle. To platí i v IT.

Ivana Karhanová: Takže říkáte, že je zásadní jasně popsat koncept, aby každý měl stejné pochopení, jako když máme konzistentní představu o tom, co židle představuje, i když nejsou všechny židle stejné?

Lukáš Mazánek: Přesně tak. Židle nejsou stejné, ale koncept je. Například, když řeknu, že přesuneme židle z místnosti, nemusím specifikovat vzhled každé židle. Poznám je jako židle, když je uvidím, a přesunu je. Nejprve definujeme, že tento atribut představuje tento koncept, poté vysvětlíme, co tento koncept znamená, což se může lišit v závislosti na kontextu daného obchodního sektoru. Jsme zpět u autonomie byznysových domén. Je klíčové tyto domény definovat, protože poskytují kontext, který dává konceptům význam. Je to jako když se pokoušíte definovat obchodní termín s představiteli z celé firmy—požádáte je, aby definovali, kdo je jejich zákazník, a nikdy nedosáhnete konsensu. Pro maloobchod a korporátní sektor může zákazník znamenat fyzickou osobu nebo právnickou osobu—dvě zcela rozdílné koncepce. Nicméně konceptuálně si rozumějí, když mluví o zákaznících napříč odděleními. Takže musíme definovat tyto koncepty pro všechny atributy a vytvořit obchodní slovník. Jakmile tyto koncepty na úrovni byznysové domény stanovíme, můžeme pochopit, co každý datový bod v dané doméně znamená.

Tyto nástroje jsou k dispozici již mnoho let, to není nic nového. Nicméně vznik znalostních grafů je revoluční. Znalostní grafy vizualizují koncepty a jejich vzájemné vztahy, což usnadňuje pochopení těchto spojení. Tato vizualizace okamžitě zřetelně ukazuje důsledky. Sémantická vrstva poskytuje snadno pochopitelný a přístupný způsob, jak interagovat se všemi daty v podniku. Najednou nepotřebujete rozumět každému konkrétnímu systému, abyste získali přístup k jeho datům nebo informacím. Stačí se dotázat sémantické vrstvy a okamžitě dostanete odpovědi. Jedná se o změnu paradigmatu. Kromě toho je sémantická vrstva zásadní pro umělou inteligenci, která zvyšuje efektivitu, činí rozhodnutí a optimalizuje procesy. Ale AI potřebuje znalosti, nejen data. Rozdíl spočívá v poskytování kontextu, významu, zkušeností a dalších důležitých metadat. Obohacením dat těmito metadaty a jejich začleněním do sémantické vrstvy umožňujeme AI automaticky provádět rozhodnutí, a dokonce efektivně generovat shrnutí. Omlouvám se za dlouhou odpověď, ale je nutné pokrýt složitosti zahrnuté.

Ivana Karhanová: Znamená to, že jste už začali tuto vizi implementovat?

Lukáš Mazánek: Ano, pracujeme na tom již několik let, ale začali jsme s menšími iniciativami. Nejdříve jsme zavedli datový katalog a obchodní slovník. Také zkoumáme koncepty znalostních grafů a sémantické vrstvy.

Ivana Karhanová: Kterou byznysovou doménu jste si vybrali jako první?

Lukáš Mazánek: To je vynikající otázka. Aktuálně jsme uprostřed agilní transformace a budujeme naši první oficiální byznysovou doménou. Nicméně náš investiční sektor již funguje jako byznysová doména poměrně dlouho, i když oficiálně tak nebyl označen. Připravujeme důkaz konceptu data mesh pro tuto doménu. Je potřeba zdůraznit, že data mesh znamená více než jen sdílení dat – jde o vytváření standardizovaných datových produktů, což vyplývá z porozumění datům a jejich významu, což je úzce spojeno se sémantickou vrstvou.

Ivana Karhanová: Vypadá to, že efektivní data governance v každé byznysové doméně je také značnou výzvou, že?

Lukáš Mazánek: Absolutně, data governance je klíčová. Přijímáme doménově řízený design od Erica Evanse, který byznysovou doménu považuje za sféru znalostí a aktivit. Jenom nakreslení čar na organizačním diagramu nevytvoří byznysovou doménu. Musí mít vliv a fungovat jako koherentní jednotka. Když je správně nastavena, poskytuje potřebný kontext pro data.

Ivana Karhanová: Takže se vyvíjí zdola nahoru?

Lukáš Mazánek: Přesně tak, manifestuje se organicky. Například na workshopu se naše maloobchodní oddělení restrukturalizovalo do subdomén, jako jsou denní bankovní transakce, což ukazuje, jak se domény mohou přirozeně vyvíjet na základě interní dynamiky. Je zásadní, jak jsou tyto domény formovány, protože poskytují kontext datům. Snažím se pomoci našim obchodním jednotkám artikulovat jejich operace pomocí konceptuálního jazyka, jak je popsáno v koncepci obchodních znalostních plánů pana Rosse. Tento přístup pomáhá popsat celé konceptuální prostředí domény, čímž je srozumitelné i pro ty mimo ni.

Když se vrátím k data governance, naše filozofie umožňuje každé doméně autonomii spravovat své záležitosti podle vlastního uvážení, i když to občas znamená volit zkratky pro expedičnost a zisk. Nicméně, jakmile data překročí hranice domény, aplikuje se federativní governance. Ta by měla být standardizovaná a optimalizovaná, zahrnující governance jako kód v rámci data meshe – to znamená, že datové produkty přicházejí s vestavěnými pravidly. Pokud tato pravidla nejsou dodržena, přístup je odepřen. Plánujeme zavést top-level ontologii pro sjednocení definicí napříč doménami, což nás přivádí k termínu “ontologie” – termín, který ne každý má rád, ale je zásadní pro náš rámec.

Ivana Karhanová: Jak u mnoha termínů v tomto oboru, pochopení ‘ontologie’ je klíčové pro pochopení plného rozsahu toho, co implementujete.

Lukáš Mazánek: Omlouvám se, ale ontologie pomáhá v komunikaci. Ontologie, koncept hluboce zakořeněný ve filozofii, definuje věci a jejich vzájemné vztahy. Top-level ontologie nastiňuje, jaké prvky organizace má a jak jsou vzájemně propojeny. Naštěstí některou z této přípravné práce za nás již udělali jiní. Existují otevřené ontologie, jako je FIBO – Financial Industry Business Ontology – která poskytuje definice téměř každého konceptu ve finančním sektoru. Není to úplné, takže možná budete muset ontologii rozšířit, aby vyhovovala konkrétním potřebám. Ale jakmile je zavedena, slouží jako standard, umožňující každé doméně se s ní sladit. Uvnitř vaší domény můžete fungovat nezávisle, ale když překročíte hranici do jiné domény, musíte své koncepty propojit s touto top-level ontologií, čímž zajistíte, že všechny obchodní domény si navzájem rozumí.

Ivana Karhanová: Takže překročení těchto hranic domény nastává vždy, když někdo mimo vaši doménu z ní potřebuje data?

Lukáš Mazánek: Přesně tak to je.

Ivana Karhanová: A to platí pro většinu případů?

Lukáš Mazánek: Záleží na odvětví. V bankovnictví nebo jiných silně regulovaných sektorech je překračování hranic běžné. Nicméně v některých odvětvích probíhají aktivity a sdílení dat většinou uvnitř jednotlivých domén s minimální mezidoménovou interakcí. Tady se data mesh stává obzvláště užitečný. Je to metoda pro organizaci a sdílení dat v rámci domény decentralizovaným a škálovatelným způsobem. Toho dosahujeme vlastnictvím domény, vytvářením datových produktů, které balíčkují data se všemi potřebnými metadaty, jako jsou frekvence obnovy, dodací lhůty, bezpečnostní politiky atd. Klíčové je, aby podpora autonomie zahrnovala samoobslužnou platformu. To zabrání tomu, aby každá doména musela začínat od nuly, což by jinak vedlo k chaosu, nikoli k efektivnímu data meshi.

Implementace bezpečnostních opatření vícekrát v různých doménách by byla příliš drahá. Můžete to zvládnout jednou prostřednictvím samoobslužné vrstvy, která vyřeší všechny zbytečné a nudné dodržování předpisů a IT záležitosti, aby se podnik mohl soustředit na své cíle. Ve své strategii dat to popisuji jako robotizovanou výrobní linku – vše je připraveno a naleštěno, a pokud si podnik najednou přeje vyrábět červené auto místo bílého, může okamžitě zahájit výrobu. Máme také federativní governance, o které jsme se již zmínili.

Ivana Karhanová: Můžete mi dát příklad datového produktu?

Lukáš Mazánek: Jistě. Vezměme si jako příklad prodej. Kdybychom chtěli vytvořit strojový model pro analýzu transakcí zákazníků, bylo by užitečné mít tyto transakce. V byznysové doméně maloobchodu, kde jsou transakce daného zákazníka zachyceny, jsou tyto transakce obaleny pravidly, jako jsou přístupová práva nebo regulace GDPR. Tento balíček je pak obvykle poskytován jako služba ostatním byznysovým doménám a je také zaregistrován na takzvaném tržišti. Tímto způsobem může každý ve firmě vidět, že tento datový produkt, pravděpodobně nazvaný něco jako “Všechny transakce maloobchodních zákazníků,” je k dispozici. Je poskytován na tržišti a pak ho může kdokoli využít.

Ivana Karhanová: Takže pokud to chápu správně, mohu přijít na tržiště, požádat o data transakcí maloobchodních zákazníků a položit mnoho otázek, které mě zajímají, například z marketingového hlediska, abych vytvořila lepší strategii. To je to, co by měl datový produkt umožňovat?

Lukáš Mazánek: Rozhodně. Typickými uživateli tržiště jsou datoví vědci, ale může to být také finanční ředitel nebo risk manažer, který by mohl data využít k detekci podvodného chování nebo k výpočtu finanční pozice zákazníka.

Ivana Karhanová: Takže pokud přicházím z jiné byznysové domény, mohu jednoduše položit otázky tomuto datovému produktu a získat odpovědi, které potřebuji?

Lukáš Mazánek: To, co obdržíte, je balíček dat. Co s ním uděláte, záleží na vás. Můžete ho načíst do aplikace nebo třeba do Excelu. Ale pak s ním můžete dělat, co chcete, protože význam dat je jasný—každý atribut je definován ve sémantické vrstvě. Můžete si přečíst jeho definici, pochopit zamýšlené použití a pak ho využít podle potřeby. Můžete dokonce nastavit nový pipeline pro pravidelné čtení těchto dat—každou hodinu, každý den—cokoli vyhovuje vašim potřebám a vybudovat vaši aplikaci kolem tohoto pipeline. Novinkou zde je oddělení, protože ne všechna data jsou uložena na stejném místě. Pokud dojde k výpadku v jednom systému, ale data jsou decentralizovaná, zůstávají přístupná. Pokud by byla všechna data centralizovaná a došlo by k výpadku, byli by ovlivněni všichni. To ilustruje koncept decentralizace. Ne každý přístup se hodí pro každý problém; některé vyžadují centralizovaná řešení, jiné decentralizovaná. Data mesh se hodí pro složité a velké organizace. Pokud má vaše firma pár jednoduchých systémů, data mesh nemusí být nutný. Ale pokud máte stovky systémů a nejasné porozumění jim, pak je nezbytný.

Ivana Karhanová: Jak to souvisí s konceptem Microsoft Fabric, který by měl podporovat přístup data meshe?

Lukáš Mazánek: To je vynikající otázka. Data Fabric dokonale souzní s data meshem, protože automatizuje to, co by bylo ručně příliš náročné zvládnout. Například využíváme rozšířený datový katalog, který je silně obohacen metadaty z našeho datového skladu—asi 80 % všech dat naší firmy, dobře zdokumentovaných. Plánujeme trénovat velký jazykový model na těchto datech a metadatech, abychom našli podobnosti v jiných systémech a obohatili je o metadata. To nám pomůže naplnit náš datový slovník a pomoci definovat koncepty pomocí top-level ontologie a umělé inteligence, čímž vylepšíme náš obchodní slovník a sémantickou vrstvu. Data Fabric a data mesh se tedy vzájemně doplňují, jeden jako technologický nástroj a druhý jako organizační metodologie.

Ivana Karhanová: Ale to vyžaduje určitou úroveň zralosti jak vašeho obchodního oddělení, tak IT, že?

Lukáš Mazánek: Absolutně, a to je klíčový bod. Jedním z hlavních cílů IT je snížit kognitivní zátěž—množství znalostí potřebných k vykonání úkolů. Snažíme se zajistit, aby ne každý zákazník musel být datovým analytikem nebo vědcem, aby mohl s daty efektivně pracovat.

Ivana Karhanová: O jakých zákaznících hovoříte?

Lukáš Mazánek: O interních zákaznících. Mluvím z pohledu IT. Musíme vytvořit prostředí, které odstraní tyto překážky, automatizací s pravidly a aplikacemi. Například právě testujeme nástroj pro správu našeho obchodního a datového slovníku. Tento nástroj umožňuje uživatelům vytvářet aplikace jednoduše konfigurací metadat definovaných v něm. Jakmile definujete své koncepty a vztahy a specifikujete umístění dat v datovém katalogu pomocí tohoto nástroje, můžete generovat front-endovou aplikaci. Uživatelé zadávají data jako obvykle, ale nyní jsou data zaznamenána spolu s jejich metadaty, což propojuje pole s koncepty a vztahy. To snižuje kognitivní zátěž uživatelů, což je klíčový cíl IT.

Ivana Karhanová: Myslíte, že toho dosáhnete do roku 2035?

Lukáš Mazánek: Očekávám, že výsledky uvidíme mnohem dříve v některých vybraných doménách. Nemám rád obrovské transformační projekty, které mají za cíl zcela přetvořit organizaci během desetiletí; je to příliš ambiciózní. Místo toho bychom měli postupovat krok za krokem.

Ivana Karhanová: Takže postupný přístup?

Lukáš Mazánek: Přesně tak. Vezměte příklad data mesh, který v roce 2019 definoval Zhamak Dehghani – je to velmi nový koncept. Musíme být opatrní, začínat malými kroky a postupně rozšiřovat. Mým počátečním cílem je zachytit nová data novým způsobem, nikoli okamžitě transformovat celou organizaci, ale vyhnout se zhoršení současné situace. Možná to nezní ambiciózně, ale věřím, že je to správný přístup.

Ivana Karhanová: Jaké hlavní výzvy očekáváte?

Lukáš Mazánek: Největší výzvou je kulturní změna. Žijeme ve světě, kde jsou na prvním místě aplikace. Na schůzkách o nových produktech se často zaměřujeme na chování aplikace, jak bude reagovat nebo kde budou tlačítka, spíše než na data management. Ale paradigma se mění. Momentálně čtu knihu “Data-Centric Revolution”, kterou vřele doporučuji. Diskutuje, proč jsou tyto změny obtížné. Vypráví příběh maďarského lékaře z 19. století, který spojil hygienu s poporodními komplikacemi. Předvedl zlepšení v nemocničních podmínkách, přesto byl vysmíván a skončil v psychiatrické léčebně, umíral bez uznání svých zjištění. To ilustruje, jak těžké je pro lidi změnit paradigma, i když jsou v sázce životy.

Například námořníci, kteří trpěli kurdějemi kvůli nedostatku vitaminu C. Provedli experimenty s citronovou šťávou, které problém vyřešily, ale trvalo desetiletí, než se stalo standardní praxí pít citronovou šťávu během plavby. Mezitím lidé umírali. Hlavní výzvou, které čelíme, je kulturní změna, protože přijetí datově centrického myšlení je zásadně odlišné. Jde o to dát přednost péči o data, usilovat o jednotný význam dat napříč organizací a vytvářet jednoduché aplikace, které lze snadno nahradit podle potřeby. Vždy mě to udivuje – je to tak zřejmé v korporacích, kde jsou staré systémy nahrazovány bez náležité pozornosti k datům samotným. Migrace dat je běžná, ale zaměření se zřídka přesouvá na skutečnou péči o data.

Ivana Karhanová: Jde tedy více o využití nových funkcí a vlastností?

Lukáš Mazánek: Přesně tak. Kulturní změna nebude snadná. Je to největší překážka, ne technologie nebo metodologie. Máme všechny potřebné nástroje; výzvou je přesvědčit lidi o této cestě a zapojit je do procesu. Často začínám své přednášky otázkou, kdo považuje data governance za sexy. Překvapivě nyní zvedá ruce více lidí, dokonce i ti z obchodních rolí, což naznačuje změnu vnímání. Přesto data management stále většinou závisí na příliš malém týmu bez širší podpory. Potřebujeme dosáhnout síťového efektu, kdy každý zaměstnanec rozumí a zachází s daty jako s klíčovým aktivem, i když přiznávám, že nazývat „data jako aktivum“ může znít vágně. Jde o to pochopit, že data jsou zásadní a zacházet s nimi jako s nejcennějším zdrojem společnosti.

Ivana Karhanová: Děkuji, že jste s námi sdílel své postřehy.

Lukáš Mazánek: Děkuji moc. Bylo mi potěšením.