从收集数据到使其成为可操作的知识并查看对业务的影响，这可能是一条充满挑战的道路，特别是如果组织尚未进行数据驱动的转型或没有完全具备正确支持它的能力。
数据意味着价值
当涉及到各个行业的业务战略时，数据至关重要，并且是创新和生产力的催化剂。几乎所有公司现在都在投资数据分析。
“数据是新的石油”这一常见表述将数据定义为推动公司业务发展的重要资源。与石油一样，如果您知道如何正确提取和使用数据，数据就会成为非常宝贵的资产。原始数据本身不会带来更大价值。
数据资产是一个组织拥有的任何数据，如果充分有效地利用这些数据，就可以为该组织产生价值。(Laurent Fayet)
数据很难变得有价值，3V 让问题变得更难
3Vs 长期以来一直被用来描述“大数据”：
·要收集、存储和分析的数据量。
·各种数据通过不同类型的格式和特征来管理，而且它们的来源也非常多样化。
·数据的速度既包括收集的速度，也包括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维度上从未停止增长。最重要的是，这些数据所代表的业务环境也比以往任何时候都发展得更快。
所有这一切都使得确定正确的关注领域变得极其困难，并且需要推进结构化方法和框架来盘点、评估和从这些数据中创造价值。
数据价值涉及影响业务流程和 3Us 挑战
数据资产的价值来自于它在组织内的使用方式，它决定了它的重要性，最终决定了它的货币价值。
事实上，数据驱动计划的成功在于它影响了与公司目标一致的运营流程，这需要交付的解决方案来解决 3U：
·可用：集成在技术堆栈中并与操作系统连接。
·有用：被能够解释结果和建议并采取行动的业务用户理解。
·被用：实际被业务用户用于决策，并不断改进以遵循业务环境和演变。
数据分析确实需要被视为一种业务能力
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能够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分析项目产生了可操作的见解。(埃森哲)
……但是公司在这种数据驱动的转型中苦苦挣扎——推动业务的可持续性并证明数据的价值，实施全面的价值管理方法来应对挑战并实现收益至关重要。
数据分析价值管理依赖于 4 个强大的要素，以便连贯地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.管理和运营数据挑战的正确技术基础和架构。
3.有效设计、构建、部署和运营数据与分析计划的正确运营模式。
4.正确的环境和变革管理，以实现更高的数据素养和数据驱动的决策文化。
1. 正确的策略
数据分析是支持业务战略的推动力……本身并不是一个目标。
如果没有这个清晰的对齐框架，在收集、清理、准备和分析数据方面所做的努力都是徒劳的，因为它们不会导致有效的决策制定。
最终结果是高管们对缺乏效益与对人员和技术的大量投资感到沮丧。
因此，确保数据分析项目组合完全专注于交付成果并因此与业务战略保持一致至关重要：
·为了实现这一点，组织需要在企业级有一套明确定义的优先级，并定义将用于衡量成功的 KPI。
·然后，将所有举措映射到战略优先事项，确定相关风险和预期结果。
·同时，还需要意识到当前的成熟度水平，以便预测某些举措的影响，并过程中考虑这一维度。
·最后，可以通过选择正确的计划集、匹配投资能力、对转型的关注以及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执行。在这种情况下，需要从一开始就进行协作，以确保可操作性和支持。
还必须确保在计划的整个生命周期中持续可见和演进，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、对其进行限定，并在需要时调整产品组合。
数据分析战略作为一个框架，可以随着时间的推移选择正确的重点和投资领域，以构建、管理和交付最佳的数据分析计划组合。
2. 适合的技术
数据分析需要适合的工具和解决方案来有效管理和使用数据：捕获、存储、转换、分析和可视化来满足所有用户的不同需求，从偶尔需要报告和自助可视化的用户到需要高级分析能力的专家。
由于数据分析的技术市场发展迅速，创新频繁，因此在设计架构时需要考虑到灵活性和演进性。架构需要随成熟而扩展和适应，并且不想错过数据技术创新!
理想的数据架构还可以作为更广泛的 IT 转型的基础，通过与操作系统连接，不仅作为数据源，而且还用于自动或手动决策。
数据分析架构的目标是定义关键的组织和运营指南，以部署工具、运营和管理数据存储以及未来的扩展。
部署和利用这些技术还需要对技能进行大量长期投资，以利用新技术并伴随整个组织的数据素养和方法论的演变。
3. 持续改进的运营模式
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：
·需要不断改进的业务流程。
·依赖于各种不断改进的数据源。
·个人行为、经济环境、意外事件等环境变化。
·需要适应业务战略的演变。
因此，交付具有影响力的数据分析计划需要建立适当的运营模型来管理和优化整个生命周期内的投资组合，从计划的出现到其立项、优先级、实施、部署等。
此运营模型需要包括跟踪成本、行为、性能和最终影响随时间推移的能力以评估价值以及所需的维护和演变：防止模型衰减，合并额外数据，管理数据源的演变，适应不断变化的业务环境等。
持续监控创建了一个反馈循环，这是确保数据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。
有效的数据分析运营模式的关键因素：
·可见性，在组织内对倡议、贡献者、他们的预期与有效价值和影响的所有维度进行可见性。
·全面，涵盖整个生命周期，提供针对每个阶段量身定制的支持和指标。
·适应，考虑到组织内成熟度的差异和当地的特殊性：能够结合一个共同的参考框架来跟踪计划和资产。
·协作，包括在整个生命周期中参与数据项目的所有参与者：目标用户、业务专家、数据提供者、数据分析团队、IT 团队等。这在某些情况下包括客户或供应商。
·治理，以便共享清晰的流程、职责、角色和管理风险。
·自动，以便从 xOps 管道连续地收集所有监控和跟踪信息。
4. 价值驱动的数据文化对于实现商业价值至关重要
虽然公司投资于制定战略、建立正确的技术基础和部署有效的运营模式，但他们需要确保每位员工都具备理解和使用数据分析的技能。否则，分析驱动的组织概念可能会停留在一个想法而不是现实的阶段。
据调查，75% 的员工不喜欢处理数据。个人不理解或不信任数据分析的风险是巨大的，这将危及举措的采用和有效部署：他们要么无法正确使用可用数据进行决策，要么恢复到以前的操作方式并忽略可用数据。
数据素养也是创新的关键，使个人能够信任可用数据和交付的计划，识别并提出可以节省成本、提高效率、新收入来源等的新计划。
建立信任对于实现价值至关重要。结合对持续活动的可见性、可访问和可重复使用的知识、员工的技能和数据素养，可以建立信任!有了信任，组织可以完全由数据驱动并提高他们的创新能力。
这种面向数据素养的深刻文化变革需要：
·词汇表，因为必须使用通用语言和定义来建立信任并鼓励团队之间的协作。
·招聘和培训，大多数组织已经确定需要聘请数据人才，但也需要为其现有的非数据专业员工提供培训，以培养他们为数据分析计划做出贡献的技能和能力。
·协作，在整个数据分析计划生命周期中让合适的人参与进来，以便他们以正确的方式提供正确的见解，并建立社区以触发知识共享和丰富。
·支持和变更管理，以确保个人获得所需的帮助。比如了解如何使用可用工具获得更多自主权，如何依靠现有数据分析在他们的环境中采取行动，如何改进自己的流程、确定培训、工具或新举措方面的新需求。
结论
既然我们已经知道了数据分析实现价值的关键要求，那么途径是什么?最好的方法是从评估企业成熟度开始，并在此基础上制定自己的计划。
回顾一下，数据分析计划应始终包括这4 个要素：
1.首先将数据战略定义为让每个人都关注目标的方式。
2.定义和部署强大的技术和架构基础。
3.定义或改进运营模式，以管理和优化计划和资产组合，并随着时间的推移监控所产生的价值。
4.投资于数据素养并为强大的社区注入活力，以实现数据驱动的文化。
同时，部署一个持续改进周期，随着成熟度的提高、不断变化的业务条件和新的风险或机会的识别，丰富、发展和适应所有这些。