谈谈人工智能时代的数据战略

tayun

强大的数据战略提供了一个长期框架，可利用整个组织的数据来推动优化的业务决策。它整合了人员、流程和技术的作用，以构建一个支持组织战略目标的统一计划。

通过制定数据战略，组织可以定义清晰的数据管理准则和规则，确保所有价值链中数据流的高质量、可信和高效管理。这种结构化方法有助于做出明智的决策，并使组织能够最大限度地利用其数据资产的价值。

了解业务目标、评估数据和分析成熟度、创建组织数据运营模型、建立可扩展的平台格局、定义数据治理和管理框架、创建数据战略路线图来执行是一场长期的马拉松。

一 了解业务目标

即使经营的是同一领域，每家公司都是独特的。每位数据领导者都应该承认，了解核心业务、业务目标、中长期目标是成功数据战略的起点。

以 AirBnb 和 Booking.com 为例，了解即使在同一领域也可能出现不同的业务目标。AirBnb 专注于虚拟引人注目的应用程序设计、流畅的导航和高质量的住宿图片。Booking.com 并不关心应用程序设计，但他们非常注重实验和了解用户行为。尽管两者都注重客户体验，但他们关注的目标不同，因此他们的数据战略也不同。

为了更好地理解业务目标；

更深入地了解决策过程和主导决策过程的人，以确定核心决策动机

强调哪个功能是组织的主要驱动力；是销售、产品、工程还是运营驱动的组织

确定组织最关键的项目，并尝试在该领域找到容易取胜的长期合作伙伴关系

二 评估数据和分析成熟度

除非您是初创公司的创始成员，否则组织中总会对技术、产品和数据方面的人员、运营和流程进行一些投资。了解不同职能部门的现状，比较它们目前的状况以及它们根据业务目标的发展轨迹，有助于制定成功的数据战略。

1.了解分析结构和业务 KPI

无论驱动力如何，组织都依靠分析和报告结构来设置 KPI 并定期监控它们以评估组织的发展轨迹。

每个团队都有不同的模式来与分析和报告进行交互；营销和销售团队喜欢通过报告访问数据，下载它们并将它们与现有的 Excel 表相结合以获得更大的图景，运营团队主要关注更活跃、更频繁更新的报告和 KPI，以优化响应时间，产品团队喜欢收集产品数据来验证保留、流失和交互，以评估假设，优化其产品功能，如用户体验、设计等。

即使在同一组织中，每个团队与分析和报告交互的模式也不同。数据战略应该反映现状；

该组织是否有标准的分析和报告结构？

是否存在管理分析和报告的通用流程和工具包？

是否存在具有一致定义和计算的通用 KPI 列表？

2.信任数据

访谈团队并深入了解他们的分析和报告流程有助于了解他们是否信任数据。在大多数情况下，由于多份报告之间的结果不匹配、多次运行之间的报告不一致或仪表板计划触发意外交互、没有统一的 KPI 和计算最终导致不同的结果等原因，对数据的信任会丧失。

建立数据信任是一场马拉松，需要时间、精力和奉献精神。但其中最关键的部分是确定优先级，哪些数据质量和管理问题对业务最为关键？确定问题、分析其影响、获得多个团队的确认以及确定解决方案的优先级是逐步建立信任的关键。

3.员工能力

组织倾向于在不同的方向上发展业务，例如增加活跃用户、运营团队、地点、服务或产品。数据战略必须支持组织增长战略。员工是组织中战略的执行者。所需技能与员工能力之间的差距是执行成功数据战略的最大风险之一。

为了尽量降低风险；

创建执行数据战略所需的技能能力矩阵

将团队的技能映射到所需的技能能力矩阵，以突出能力差距

优先考虑哪些技能差距比其他技能差距更为关键

寻求内部或外部资源来消除差距。该过程可能包括内部或外部培训、与外部机构合作推出关键举措和培训人员、招聘等

三 创建组织数据运营模型

运营模式是动态的，会随着时间和组织的需求而发展。没有一种运营模式适合所有公司，但大多数公司都会遵循类似的模式，无论它们拥有哪些资源、技能或目标。

根据数据和分析 (D&A) 的成熟度，组织在构建和扩展分析能力时通常会遵循三个步骤。这些阶段反映了整个企业处理和使用数据的方式日益复杂化，从早期的试验和孤立工作，到更加协调和集中的方法，最终回归到具有更平衡、更成熟的分析功能的分散化。

1.分散式模型

在数据与分析成熟度的早期阶段，大多数公司都采用分散式方法。此时，分析能力是临时性的，通常由寻求解决自身特定问题的各个部门或业务团队推动。这些部门可能会小规模地使用数据驱动的洞察来提高运营效率或客户体验，但整体方法缺乏协调或统一的战略。

分散模型的特点是；

对于如何使用或管理数据，通常没有总体愿景或企业范围的战略。

分析团队分散在不同的业务团队中，例如营销、销售、财务和运营，每个团队都有自己的工具、流程和目标。

数据通常在部门内孤立，因此很难创建全面的业务视图或跨职能执行高级分析。

2.集中式模型

随着公司开始意识到数据的潜在价值，他们通常会转向更集中的数据与分析方法。这通常标志着正式数据战略的开始。在此阶段，公司认识到需要集中资源并将分析功能统一到一个团队或部门。目标是建立一个中央数据与分析功能，以标准化实践、整合数据并为数据收集、分析和使用方式创建更统一的战略。

集中式模型的特点是；

成立中央 D&A 团队是为了标准化工具、流程和方法。这通常需要将来自不同业务团队的数据科学家、数据工程师、业务分析师和其他专家聚集到一个中央团队中。

该公司建立了数据治理框架，确保所有数据工作的一致性、质量和合规性。

为业务团队提供数据存储、分析和报告的通用平台，减少碎片化并更轻松地进行数据访问和协作。

3.联邦式模型

随着中央分析功能日趋成熟并获得关注，许多公司意识到，仅仅集中 D&A 是不够的。要使分析真正推动整个企业的创新和价值，它必须嵌入并由各个业务团队负责。此阶段代表着从最初自上而下的集中式结构向更加分散的方法的转变，其中每个部门或业务团队都拥有所需的工具、知识和支持，可以直接将分析应用于自己的挑战。

联邦式模型的特点是；

业务团队不再仅仅依赖中央团队，而是开始构建自己的分析能力。这可能涉及培训员工、为他们提供自助分析工具，并使他们能够独立处理与其领域相关的数据。

虽然业务团队拥有更多自主权，但他们仍会继续与中央 D&A 团队合作，以获得最佳实践、治理和基础设施方面的指导。中央团队充当战略推动者，而不是分析的主要执行者。

在成熟的组织中，业务团队可以利用更先进的分析技术，包括人工智能 (AI) 和机器学习 (ML)，从复杂的数据集中获取见解并自动化决策过程。

四 建立可扩展的平台架构

为了使业务、产品和运营团队能够在分析之旅中取得进步、推动创新并促进公司发展，可扩展的数据平台架构至关重要。近年来，数据平台架构得到了广泛关注，这得益于云计算的进步、存储成本的降低、更强大的计算引擎以及人工智能驱动工具的快速发展。这些创新使组织能够以前所未有的规模、敏捷性和速度利用数据。

1.数据存储

如今，组织会生成、获取和存储大量与客户相关的数据。数据存储是任何数据驱动型企业的骨干，提供存储、管理和检索数据的基础设施。随着技术的发展，存储解决方案也在不断发展。从主要关注可扩展数据收集的传统关系数据库 (RDBMS)向Data Lakehouse 的转变标志着一个关键的转折点。Data Lakehouse 提供无限的可扩展性、处理高级分析和动态数据收集的能力，使企业能够无缝集成和分析结构化、半结构化和非结构化数据。

2.数据目录

数据目录充当唯一事实来源，提供组织内数据的集中统一视图。数据驱动型组织面临的最大挑战之一是不同团队对数据的定义和解释不一致。一个简单的问题，如“我的客户是谁？”，可能会根据您询问的是营销、销售、产品还是其他团队而得到不同的答案。组织良好的数据目录通过提供标准化的定义和指标来消除这种歧义，从而实现跨职能协调。通过创建对组织数据资产的共同理解，目录使团队能够专注于创新，并对他们正在处理的数据的准确性和一致性充满信心。

3.数据转换

数据转换是将原始数据转换为有意义、可操作信息的过程。它通常由特定的业务需求触发，团队需要从原始的非结构化数据中获取无法轻易获得的见解。通过转换，数据被清理、丰富和组织以用于特定目的。无论是汇总客户数据以进行个性化营销活动，还是优化运营数据以提高效率，转换的目标都是让决策者能够访问数据并让数据有价值。

数据可视化

4.数据收集、转换和提炼后，需要便于业务团队访问和解读。数据可视化在此过程中发挥着关键作用，可将复杂数据转化为清晰易懂的见解。无论是通过交互式仪表板、静态报告还是引人入胜的视觉叙事，关键在于以一种能够让团队创造价值的方式呈现数据。有效的数据可视化可帮助业务领导者发现趋势、识别机会并自信地做出数据驱动的决策。在现代分析生态系统中，可视化不仅仅是为了美观，它们还是推动业务成果的工具。

五 创建数据战略路线图

到目前为止制定的所有结构和战略都是理论框架，需要实际实施、监控、评估和改进，以符合实际的组织结构和运营现实。重要的是要认识到这些变化不可能一蹴而就；它们需要仔细规划和分阶段实施。因此，制定详细的路线图对于指导实施过程至关重要。

精心设计的路线图是协调利益相关者、管理期望和确保顺利执行复杂计划的有力工具。然而，路线图不仅仅是一份任务清单；它们需要清晰、灵活，并能适应组织不断变化的需求。它们还必须具有可扩展性，能够随着项目范围的扩大而增长和发展。

数据战略路线图有几个重要目的，包括但不限于：

路线图概述了行动和里程碑的精确顺序，帮助团队了解需要做什么以及何时做。

它还允许识别依赖关系，确保活动按照合乎逻辑、可管理的顺序进行。

哪些团队、部门或个人将受到影响，以及了解每个变化将如何影响现有流程、技术和工作流程。

确定最佳沟通渠道（无论是通过定期更新、会议还是数字平台），并确保沟通一致、透明且适合不同受众的需求。

设置关键绩效指标 (KPI)、反馈循环和定期审查来衡量实施的成功。

小结

强大的数据战略是任何组织成功采用 AI 的基础。随着 AI 技术不断改变行业，未能优先考虑和优化数据的公司将难以充分发挥 AI 的潜力。精心设计的数据战略可确保不仅收集数据，而且还以 AI 系统可以有效使用的方式组织、清理和访问数据。通过建立明确的数据治理、提高数据质量并确保跨系统的无缝集成，组织可以创建 AI 可以蓬勃发展的环境。

此外，强大的数据战略可将 AI 计划与业务目标相结合，促进部门间协作，并帮助弥合数据科学、技术和业务运营之间的差距。它使组织能够有效地扩展 AI 解决方案，做出数据驱动的决策，并充满信心地推动创新。

归根结底，成功采用人工智能取决于数据的战略性使用。如果没有全面、前瞻性的数据战略，公司就有可能未充分利用人工智能的功能，错失增长机会，并在竞争日益激烈的市场中落后。通过投资和不断完善数据战略，公司不仅可以实施人工智能技术，还可以利用这些技术提供切实的商业价值并推动长期成功。


来源：36kr