以下文章来自肖骁的《数据驱动的智能》。

1.数据的价值意味着什么?
当涉及到不同行业的业务发展战略时,数据的作用至关重要,它是创新和可持续发展的催化剂。现在几乎所有的公司都在进行数据和分析项目。
常见的表述“数据是新的石油”将数据定义为推动公司业务发展的重要资源。
就像石油一样,如果你知道如何正确地提取和使用数据,数据将成为非常宝贵的资产。原始数据本身不会带来任何价值。
数据资产是组织拥有的任何数据,如果得到充分有效的利用,这些数据可以为组织创造价值。
2,3V特性使得提取数据值更加困难。
3V一直被用来描述“大数据”的特征:
v:有大量的数据需要收集、存储和分析。
v:各种数据由不同类型的格式和特性管理,它们的来源也非常多样。
v:数据的速度包括收集的速度,其来源和结构的变化速度。
企业管理的数据的复杂性在这三个方面从未停止增长。最重要的是,这些数据所代表的商业环境也在以前所未有的速度发展。
所有这些都使得确定正确的关注领域变得极其困难,因此有必要推进结构化的方法和框架来清点、评估这些数据并从中创造价值。
3.与数据价值相关的业务流程和3U挑战
数据资产的价值来源于其在组织中的使用方式,使用方式决定了数据资产的重要性,最终决定了数据资产的货币价值。
事实上,数据驱动的成功在于数据影响与公司目标一致的运营流程,这需要交付解决方案来解决3U:
u:数据必须可用,集成在技术堆栈中,并连接到操作系统。
u:被能够解释结果和建议并采取行动的商业用户所理解。
u:实际被业务用户用于决策,并不断改进以跟随业务环境和发展。
4.数据分析必须算是一种业务能力。
数据分析需要全面支持和整合核心业务功能和流程,最终创造可衡量的价值和影响。
只有32%的受访企业高管表示,他们可以从数据中创造可衡量的价值,而只有27%的受访者表示,他们的数据和分析项目产生了可操作的见解。
许多公司都在数据驱动的转型中挣扎,因此促进业务的可持续发展和证明数据的价值,实施全面的价值管理方法以应对挑战和实现效益至关重要。
5.数据创造价值的四个核心要素
数据价值管理依靠4个核心要素来持续处理所有不同的维度:
1.正确的数据策略,以协调工作并支持业务目标。
2.管理和应对数据挑战的正确技术基础和体系结构。
3.有效地设计、构建、部署和运行数据和分析计划的正确运行模式。
4.纠正环境和变化管理,以实现更高的数据素养和数据驱动的决策文化。
根据业务调整战略
而数据分析是支撑经营战略的驱动力,但分析本身不是目的。如果没有这个清晰的协调框架,收集、清理、准备和分析数据的努力都是徒劳的,因为它们不会导致有效的决策。
因此,高管们对收入的缺乏以及在人员和技术方面的大量投资感到沮丧。因此,必须确保数据和分析项目组合完全专注于交付结果,并因此与业务战略保持一致:
1.为了实现这一点,组织需要在企业级有一个清晰定义的优先级集,并定义将用于衡量成功的KPI。
2.组织需要将所有计划映射到它们的战略优先级,并确定相关的风险和预期结果。
3.组织需要了解当前的成熟度级别,以便预测某些计划的转型影响,并在实施过程中考虑这一方面。
4.您可以通过选择正确的计划集、匹配组织的投资能力、对转型的兴趣和预期的业务影响来优化投资组合。
这个调整过程需要通过收集整个组织的贡献来进行。在这种情况下,从一开始就需要协作,以确保可操作性和支持。

还需要确保蓝图和路径在计划的整个生命周期中持续可见,以免迷失方向。此外,定义一个持续的流程来管理新出现的想法,验证它们,并在需要时调整产品组合。
作为一个框架,数据分析策略可以随着时间的推移选择正确的重点领域和投资,以构建、管理和交付数据和分析计划的最佳组合。
专注前沿技术基础
数据分析计划需要经过调整的工具和解决方案来有效地管理和使用数据:捕获、存储、转换、分析和可视化其所有不同的属性,并满足所有用户的不同需求。
由于数据和分析技术市场充满活力,创新频繁,因此在设计架构时应考虑灵活性和演进性。我们希望该架构随着其成熟而扩展和适应,我们绝对不想错过下一波数据技术创新!
理想的数据架构也可以作为更广泛的IT转型的基础。通过与操作系统连接,它不仅可以作为数据源,还可以用于自动或手动决策。
数据分析体系结构的目标是定义关键的组织和操作指南,以部署工具、操作和管理数据存储和管道,并进行开发,类似于城市规划。
部署和利用这些基础还需要在技能方面进行大量长期投资,以利用新技术,并伴随整个组织的数据素养和方法的发展。
运营模式的持续改进
而且数据分析项目不是一次性的,它们需要一个持续的改进周期:
1.它们影响需要持续改进的业务流程。
2.它们依赖于各种数据源,并且它们都有自己的进化速率。
3.他们对环境变化非常敏感。
4.他们需要适应商业战略的演变。
因此,交付有影响力的数据和分析计划需要建立适当的运营模型,以便在整个生命周期内管理和优化投资组合,从计划的出现到其规划、优先级、实施、部署等。
这个运营模型需要包括跟踪成本、行为、性能和最终影响的能力,以评估价值和所需的维护和发展:防止模型衰退或漂移,合并额外的数据,管理数据源的发展,适应不断变化的业务环境等。
持续的监控创造了一个反馈循环,这是确保数据和分析计划随着时间推移的可靠性和准确性的关键,从而实现持续改进。
运营模式关键因素的有效数据及分析:
1可见性,组织内主动性、贡献者、预期和有效价值和影响的所有维度的可见性。
2.全面,覆盖整个生命周期,提供针对每个阶段量身定制的支持和指标。
3.适应性,考虑组织内部成熟度的差异和特殊性:能够结合一个通用的参考框架来跟踪计划和资产。
4.协作,以便有效地包括数据项在整个生命周期中的所有参与者:目标用户、业务专家、数据提供者、数据和分析小组、信息技术小组等。在某些情况下,这包括客户或供应商。
5.接受治理,以便共享清晰的流程、职责、角色和管理风险。
6.自动化,以便从XOps管道中连续、轻松地收集所有监控和跟踪信息。
价值驱动的数据文化
虽然组织投资于制定战略、建立正确的技术基础和部署有效的运营模式,但他们需要确保每个员工都有理解和使用数据和分析的技能。否则,数据驱动组织的概念可能会停留在一个想法而不是现实的阶段。
75%的员工不喜欢处理数据
个人不理解或不信任数据和分析的风险是巨大的,这将危及计划的采用和有效部署:他们要么不能正确使用可用数据来做出决策,要么恢复到以前的操作模式并忽略可用数据。
数据素养也是创新的关键,使个人能够信任可用的数据和交付的计划,识别和提出可以节省成本、提高效率、新收入来源等的新计划。
建立信任对实现价值至关重要。信任可以通过结合持续活动的可见性、可访问和可重用的知识、技能和员工的数据素养来建立!有了信任,组织就可以完全由数据驱动,提高创新能力。
数据素养的这种深刻的文化变化需要词汇,因为必须使用公共语言和定义来建立信任并鼓励团队之间的协作。
以及招聘和培训。大多数组织已经确定他们需要雇用数据人才,但他们还需要为现有的非数据专业人员提供培训,以培养他们为数据和分析计划做出贡献的技能和能力。
协作,在数据和分析程序的整个生命周期中涉及合适的人员,以便他们能够以正确的方式提供正确的见解,并建立社区来触发知识共享和丰富。
并支持变革管理,以确保个人获得所需的帮助,了解如何使用可用工具获得更多自主权,如何依靠现有数据和分析在其环境中采取行动,如何改进他们自己的流程,或确定对培训、工具或新举措的新需求,以满足他们的需求。
6.摘要
现在我们知道了通过数据和分析实现价值的关键要求,那么发展路径是什么?
最好的方法是评估组织的数据管理的成熟度,并在此基础上制定适合组织的数据开发和分析计划。

而数据分析计划应该始终包括以下四个核心要素:
1.首先,将组织的数据策略定义为让每个人都关注目标和关注点的方法。
2.定义和部署强大的技术和架构基础。
3.定义或改进组织的运营模式,以管理和优化您的计划和资产组合,并随着时间的推移监控所产生的价值。
4.投资于数据扫盲,激发强大的社区,以实现数据驱动的文化。同时,部署持续改进周期,随着成熟度的提高、业务条件的变化和新风险或机会的识别,不断丰富和发展以满足环境的要求。


