虽然大多数公司都认识到他们的数据是一种战略资产，但许多公司并没有充分利用它来取得成功。下面我们讨论成功数据战略的关键要素，这些要素将帮助企业根据数据分析而不是直觉做出明智的决策。
即使公司对数据和分析计划的投资比以往任何时候都大，但孤立和不可信的数据、低效的数据管理实践以及缺乏有意义的见解等传统的障碍继续阻碍着释放数据的潜力。事实证明，一个好的数据战略可以帮助公司克服这些障碍，并确定实现更多数据驱动的途径。
一 什么是数据战略
数据战略是所有数据实践的基础。它不是解决数据问题的补丁，它解决的不仅仅是数据——它是一个长期的指导计划，定义了解决数据挑战和支持业务目标所需的人员、流程和技术。
制定成功的数据战略需要企业领导者从数据的角度审慎而客观地审视企业，并预测为实现公司定义的特定目标需要发生的事情。企业领导者应考虑：
●员工需要什么才能使他们能够更有效地使用数据。
●确保企业数据可访问且质量高所需的流程。
●将实现公司数据的存储、共享和分析的技术。
数据战略的目标是回答整个组织如何利用数据来支持业务决策的问题，并制定一个计划，将人员、流程和技术的作用结合起来，使计划成为现实。
二 为什么数据战略很重要
仅仅拥有数据是不够的——我们需要制定适当的战略来实现数据的价值并带来与业务目标一致的有意义的结果。数据战略使组织具有创新性，使业务用户有效，并使企业具有竞争力。如果没有适当的数据战略，公司可能会遇到数据挑战，包括：
●无法及时做出数据驱动的决策
●报告过去，而不是预测和准备未来
●用户对技术的采用率低
●在数据生命周期的各个部分被锁定在单一供应商
●指标和 KPI 的定义不一致、定义不明确或未记录
●数据被困在不同“真相”的孤岛和部门中
●手动整合来自不同数据源的数据
●花费太多时间准备原始数据
●数据质量和数据访问问题
●用户过于依赖 IT
数据战略框架是所有数据计划的基础，可让组织在压力下保持敏捷。
三 数据战略的 7 个要素
1. 与业务战略保持一致
数据计划必须解决特定的业务需求才能产生真正的价值——否则，可能会冒着错误的项目优先级、错失洞察力、浪费时间和资源，甚至对整个组织的数据计划失去兴趣和信心的风险。
数据战略与业务战略联系起来才可以获得成功。当数据计划支持公司目标时，就会获得业务支持——这意味着数据活动的优先级更高——并且整个组织都会获胜。
以下是使数据战略与业务策略保持一致的方法：
●确定可能受到数据和分析的积极影响的相关业务驱动因素(无论大小)。
●深入了解部门活动以及它们如何与业务目标同步。
●完成从行政级别开始一直向下到部门领导的访谈过程。引导对话以发现他们想要完成的事情，以及他们的日常工作是什么样的以及如何改进。
●注意他们试图衡量的内容、他们想要回答的问题，以及最终回答这些问题的KPI。
●将发现与行业标准进行比较，并注意组织的数据如何服务于每个业务驱动因素，以及哪些领域缺少数据洞察力。
数据计划必须获得业务的支持。没有高管的支持，任何数据战略都不会成功。展示数据如何支持他们的目标。确定代表特定部门或职能的业务负责人、重要利益相关者和主题专家。
2. 数据分析成熟度评估
评估当前的分析成熟度水平，有助于设定可实现的目标，并采取切合实际的渐进步骤，从而更加以数据为导向。
根据 Gartner 的定义，现代分析往往分为四个不同的类别：描述性、诊断性、预测性和规范性。
要全面了解分析和数据成熟度，需要清楚：
●使用的工具、技术和系统的清单。
●对数据基础架构以及现有数据架构的全面概述。
●评估与数据和分析相关的人员技能和组织流程。
通过了解当前状态，可以确定存在差距的地方、存在已知问题的地方以及需要优化的内容，以实现整个组织的业务目标，无论是技术、流程、人员还是所有方面。
数据和分析成熟度级别评估是一种工具，可以确定项目的优先级，并作为衡量提高能力和执行数据战略任务的进度的基准。
3. 数据架构与技术的选择
人们很容易被炒作和最新技术所吸引，并倾向于选择市场上“最新”的工具。人们也很容易被越来越多的选择弄得不知所措，并决定坚持现有的或采用单一供应商的方法。
有一些有效的方法可以消除市场的影响并选择最适合企业情况的技术：
●关注现代工具如何使员工更多地受数据驱动(即，避免从现代化到现代化的心态)。考虑技术的相关性、可访问性和性能。
相关性：谁将使用该技术，它会满足他们的需求吗?技术应该以对业务用户有意义的方式组织和呈现数据。
可访问性：部门和业务用户在访问数据时面临很多障碍。考虑一种工具，使组织中的每个人都能做出数据驱动的决策。
性能：市场上有强大的技术可以加速数据转换过程。考虑使业务用户能够主动而不是被动的工具。
●使用既定的方法和经过验证的技术组合。
我们没有确定通用的一流方法，而是根据成熟度级别、数据类型、规模和速度，以及团队规模和客户结构来选择定制的工具。
有一些经过验证的数据架构和技术组合可以很好地协同工作(例如，BigQuery、dbt、Looker、databricks 和 AWS/GCP/Azure)。了解什么与您拥有或计划采用的工具配合得很好。
解决数据生命周期每个阶段的技术问题。数据经过大量处理才能做好分析准备——确保每个阶段都采用正确的技术和流程来保持数据完整性并产生最大价值。
数据生命周期的各个阶段。
在选择工具和技术时，请记住它们不是独立的组件，而是数据架构的集成部分。
现代数据架构代表数据生命周期的所有阶段——此图代表生命周期每个阶段的一些工具选项，包括采集和摄取、数据存储和复制、数据转换、数据仓库和数据可视化。
4. 数据分析团队的运营模式
成为一个数据驱动的组织需要的不仅仅是技术——需要合适的人担任合适的角色，以确保采用技术和流程并实现业务目标。
建立高效数据分析团队的第一步是选择或确定运营模式。运营模式决定了实现目标所需的团队结构和角色。
组织可以采用三种类型的运营模式：分散式、集中式和混合式。一个并不比另一个好;该决定取决于组织的规模和资源及其当前和未来的数据需求。
●分散的运营模式将责任分配到不同的业务线和 IT 部门，从而形成一种协作方法来处理数据管理、数据战略和商业智能等事务。
●集中式运营模式更加结构化，一切都由特定的执行职能部门负责。这样可以更轻松地管理数据并改进决策。
●混合运营模式将分散式和集中式模式与一个*数据管理机构和整个组织的分散式业务单元组相结合。该模型允许一致的数据管理和数据治理，并允许每个业务线*地负责他们的数据和分析计划。
然后，应该评估团队的技能组合。首先要了解员工的优势以及他们需要支持的地方。
●如果正在采用新技术、架构，甚至是数据建模或开发方法标准，员工是否需要培训?
●每个人的数据素养水平如何?
●需要雇佣更多的人吗?
这种评估还应该与运营模式相关联——数据分析师应该与业务部门还是与 IT 保持一致?IT 将如何支持企业的分析需求?甚至应该评估员工评论和激励计划等。毕竟，这些杠杆可用于鼓励员工以组织要求的方式使用数据。
关注业务用户在各种工具和分析能力方面的技能水平是数据战略的一个重要考虑因素。制定一个解决差距的培训计划。
5. 数据治理的嵌入
数据治理最终会带来高质量的数据，并允许跨企业进行企业级数据共享。
虽然数据治理对数据战略非常重要，但重要的是要了解，就像数据和分析成熟度级别对组织而言是独一无二的一样，对数据治理的需求也是如此。
数据治理的黄金法则
-
实用、可维护且成比例
-
将数据治理作为计划而不是项目进行投资
-
数据治理不是一种工具
尽管市场上有一些很棒的工具可以支持治理的有效应用，但数据治理本身并不是可以购买的工具或平台，而且没有一种方法可以实现。如果实施不正确，实施数据治理会带来低采用率的高风险，并且可能会在匆忙中付出高昂的代价。为避免这种情况，数据治理计划应该考虑公司的需求、规模、紧迫性、成熟度和能力。
当数据治理切实可行并且融入日常运营时，用户就会采用数据和分析。
数据治理需要领导，有时需要通过艰难的对话进行导航。开发业务词汇表是一个很好的起点。业务词汇表是一个动态文档，其中正式定义了所有可用的最终用户度量和维度。在这些对话中，对术语的误解得到识别和纠正。
6. 数据战略路线图
数据战略路线图是所有工作的结晶，也是使所有工作具有可操作性的要素。已经确定了将从当前位置带到想去的地方所需发生的所有事情，但在开始任何设计、构建、培训或重新设计业务流程之前，确定优先级至关重要活动。
对于有助于缩小从当前状态到未来状态的差距的每项建议，定义其将提供的可行性和预期商业价值。该计划应优先考虑最容易实施但也能为企业带来速赢的活动。
使用优先级矩阵，每个计划的项目都根据其商业价值和技术可行性进行评分和绘制。
数据战略路线图中要包括的其他因素包括：
●人员可用性以及是否需要外部帮助
●公司的预算流程，特别是在需要资本投资的情况下
●可能会阻止正确资源参与的竞争项目
●公司的主要里程碑，例如预期的新产品发布或计划中的并购
在路线图中制定一个时间表，允许庆祝一路上获得的增量胜利，这将有助于保持团队积极性和士气高涨。
如果没有深思熟虑的时间表来执行数据战略中的所有计划活动，任何路线图都是不完整的。
7. 文化变革和采用
有了路线图，就可以开始进行数据计划了。
最后但并非最不重要的一点是解决变更管理，因为团队将处理大量变更，可能还有新的职责和期望。如果不改变文化，数据战略工作将无法发挥其最大潜力。
考虑培训和支持、预算支持和沟通，以促进数据驱动的文化、提高采用率和改进决策。
●培训和支持：完成了评估员工技能组合和弥补差距的艰苦工作后，需要制定一个计划，让他们掌握成功和富有成效所需的知识。考虑围绕数据素养提供适当的指导和培训、新技术、最佳实践和机构知识。
●预算支持：制定数据战略并不是一个一劳永逸的过程。需要考虑对路线图中所有项目的持续预算支持和不可预见的变化。要保持财务支持，非常具体地衡量和强调数据战略如何帮助组织满足业务需求至关重要。比起提供因自动化而每周“节省的小时数”的指标，更深入地挖掘，并讨论如何花费这些时间来提高生产力和增加价值。依靠拥护者和利益相关者来支持和担保 ROI 消息传递。
●沟通：缺乏关于数据战略更改的原因和时间的沟通可能不利于数据计划。需要制定一个沟通计划，详细说明应该通知谁、何时以及通过什么方法。考虑流程或技术的变化、需要讨论哪些指标、即将推出的计划以及数据素养等教育内容。与信息保持一致，显示有关进度和业务影响的有意义的统计数据，并庆祝无论大小的胜利。沟通方面的行政支持将产生重大影响。
四 构建数据战略路线图的五个步骤
构建数据战略路线图，确定速赢和关键举措，根据业务目标设置高级别里程碑，将举措和细节添加到时间表，并计划与公司的沟通，以使用数据推动业务增长。
数据战略路线图应包括速赢和高度关键的计划、高级里程碑、计划时间表、其他详细信息和依赖项，以及与公司沟通时间表的计划。
第 1 步：确定速赢措施和高度关键/紧急的举措
构建数据战略路线图的第一步是确定应优先考虑哪些数据和分析计划。这包括确定可以轻松实施的容易实现的成果，以及为实现业务目标而必须解决的非常关键或紧急的举措。
确定优先级需要：
-
明确目标和目的，使团队能够专注于数据战略路线图最重要的方面，并相应地分配资源。
-
确定潜在的风险和挑战，并制定应急计划以减轻这些风险。
-
设定切合实际的期望并将其清楚地传达给利益相关者。
-
使路线图与整体业务战略保持一致，并支持实现业务目标。
第 2 步：根据业务目标或预期的业务变化确定高级里程碑
下一步是根据业务目标或预期的业务变化来确定高级里程碑。这些里程碑将有助于确定完成数据计划所需的速度，这些计划将在所需时间范围内支持业务目标。
提出以下问题：
-
公司的总体目标或“重点指标”是什么?这些目标设定在什么时间范围内?
-
哪些重要的公司活动或季节性因素需要列入时间表?
-
公司是否有任何已知的重大变化应包含在时间表中，例如新产品发布、计划收购或新 ERP 系统上线日期?
-
数据和分析成熟度需要在时间表上的每个里程碑上达到什么水平?
第 3 步：用计划填写时间表
随着高级别里程碑的到位，下一步是用构建数据架构所需的举措和迭代中的其他要求填写时间表，这些举措将逐步提高数据和分析的成熟度，同时提供价值。在第一次迭代中，提出如下问题：
-
是否需要设置新的工具或技术?如果是这样，是否有实施合作伙伴或是否需要雇用一个?
-
是否需要创建新的数据管道?有内部人才来做这件事吗?
-
我们的定义在整个组织中是否一致?我们是否制定了数据治理计划来解决未来的这个问题?
请记住考虑第一次迭代所需的所有步骤，即使它们看起来很小。过早跳过一项小任务可能会导致不得不返回并重新聘请现在有其他优先事项的人。重要的是要考虑每种工具、技术或流程如何适应更广泛的数据架构，并分阶段实施。
第 4 步：添加其他详细信息和依赖项
为确保数据战略路线图是可操作和可实现的，添加额外的细节和依赖关系很重要。这包括：
-
确定完成计划所需的人员和资源，包括可能涉及的任何外部合作伙伴或供应商。
-
确定可能影响时间表的任何依赖性或相互依赖性，例如完成其他人前进所需的某些计划。
-
创建一个资源计划，概述每个团队成员所需的角色和职责，以及每个计划所需的估计时间和预算。这有助于确保每个人都清楚自己的角色和职责，并且团队拥有必要的资源来按计划完成计划。
-
考虑可能影响时间表或预算的任何约束或限制，例如监管要求、数据隐私考虑或技术限制。这些因素可能需要额外的规划和资源来解决，因此将它们纳入路线图中很重要。
第 5 步：与公司沟通时间表的计划
一旦制定了数据战略路线图，重要的是将其传达给公司以建立支持并确保每个人都保持一致并朝着相同的目标努力。有效沟通：
-
清晰简洁地传达数据战略路线图的愿景和目标，强调它将如何支持关键业务目标的实现并与整体业务战略保持一致。
-
与公司分享时间表和里程碑，并清楚地解释每项举措的目的和意义。
-
定期与利益相关者合作，收集有关数据战略路线图的反馈和意见，确保其切合实际并解决所有相关方的需求和担忧。
-
提供路线图进展的最新信息，解决出现的任何问题或挑战，并根据需要进行调整以反映不断变化的优先事项或情况。
-
确保沟通透明和公开，鼓励所有相关方的合作和支持。
第 6 步：审查、修改和重新调整数据战略路线图
数据战略路线图不是静态文档，定期审查和修订它以确保它保持相关性并与业务目标保持一致非常重要。这可能涉及根据需要修改优先级、更新资源和调整时间表。请记住让主要利益相关者参与审查过程，因为他们可以就数据战略路线图的有效性提供有价值的见解和观点。通过保持敏捷性和适应性，组织可以有效地使用数据来推动业务增长和决策制定。
五、综述
数据战略是所有数据和分析需求的基础——尤其是当组织希望在分析上变得更加成熟时。它不专注于短期项目，而是一个全面审视人员、流程和技术的长期计划。
在制定数据战略框架时，请记住七个关键要素——与业务战略、分析和数据成熟度评估、数据架构和技术、数据分析团队、数据治理、数据战略路线图以及文化变革和管理保持一致，在寻求克服数据挑战、改进决策制定和支持业务需求时，这些都是解决难题的关键部分。