數據中臺的五要素是數據、業務、算法、應用和組織，這五要素是做好數據中臺的基本要求，也是幫助企業合理運用數字化平臺的重點。

1.數? ?據

伴隨移動互聯網的發展，數據量呈爆發式增長，不同規模、不同類型的企業都面臨數據質量問題。多變的用戶需求和商業場景也增加了數據的復雜性。企業在使用數據的過程中，很多時候需要從外部渠道采集數據，但這些數據的來源和結構的可靠性無法得到保證。數據信任危機已是企業面臨的共性問題。企業在數字化轉型過程中，必須采取一定的措施來解數據質量問題，以保證使用數據的結果。當企業的業務結果受到低質量的數據影響時，可采取一定的措施治理數據，改善數據質量。

1.1構建數據資產管理體系?

CDO是企業數據資產管理的推動者，對數據治理、提高數據質量負有重大責任。因此，CDO需要帶領數據治理團隊，采取一定的策略和措施，實現數據跨部門共享、統一數據定義，使公司內外部可流暢使用數據。

01? 梳理數據來源

數據有四大來源，即IT系統數據、外部系統數據、互聯網補錄數據及數據融合，下面分別進行詳細介紹。

IT系統數據

這里的IT系統是指企業內部的信息化管理系統。企業數字化轉型需要將內部多個IT系統內的數據進行打通和梳理。

外部系統數據

外部系統數據是指企業的供應商、合作商、集成商等合作伙伴的數據。匯集這些數據可以幫助企業形成全域數據中心，以全景數據的角度考量整個企業的運營、管理情況。

互聯網補錄數據

如果企業的內外部系統無法完全滿足業務需要，可以進行補錄網絡上公開的數據，行業內常稱其為“填數據”。比如針對某個產品使用屬性進行標注，以一定的合法技術手段獲取網絡公開數據，豐富用戶數據。

數據融合

以合法、合理的方式與其他數據供應商合作，或者通過各種合法合規的數據市場進行數據融合。從運營商數據到線上店鋪數據，再到工商數據，任何組織都可以通過合法合規的渠道獲得數據。

02? 創建數據管理條例

數字化轉型企業都應該建立一套數據驅動業務的條例用，詳細規定數據出處、數據使用對象、數據審批流程、數據應用方等，以便有效管理數據，讓企業達到數據賦能業務的目的。

03? 打造數據目錄，管理數據資產

數據目錄可幫助不同部門共享數據。在維護數據目錄時，CDO等數據治理團隊負責人可建立業務便捷使用機制，評估上游數據的治理情況，記錄下游數據分析應用的使用情況，同時跟蹤數據在不同產品方面的流轉。打造數據目錄可以幫助數據管理團隊更好地識別潛在的數據質量問題。

04? 建設合規數據

企業應分門別類地對數據進行存儲管理，如主數據管理、遺留數據整理，從不同類別的數據中提取共同特性，比如保障數據隱私、出具數據定義、監管數據資源。同時，數據來源是多樣的，意味著數據的使用面臨著風險。如果數據管理不善，在使用數據的過程中會面臨違反合約、侵犯隱私等風險。企業業務線越復雜，需要考量的數據安全使用問題就越多。因此，對數字化轉型企業來說，有必要設立數據風險控制職位甚至部門，對數據丟失、數據隱私保護、企業數據聲譽等環節加以管理。

05? 建立數據管理委員會

建立數據管理委員會表明企業重視數據資產管理。數據管理委員會的任務是創建數據資產管理體系，以一套規范性的體系來監督、管理數據資產的應用情況，即監控數據賦能業務的進程、價值等，從而為企業數字化轉型提供有針對性的建議。

不論是IT部門的技術專家還是業務部門的主力，都比較關注數據價值，數據管理委員會應聯合這些對挖掘數據價值感興趣的人共同進行數據管理，賦能一線生產。

06? 出臺數據資產管理辦法

企業數據多樣，也是公司的重要資產，數字化轉型企業需要運用一定的數據管理辦法加以管理。

1.2建設數據質量體系

在數據智能運用的道路上，數據煙囪、信息孤島遍布。由于頂層設計的缺失及歷史原因，企業的各個業務系統、管理系統等的數據壁壘問題嚴重。另外，由于所用技術不同、開發團隊水平不一、開發平臺和工具不統一、缺乏規范的數據管理標準，各個系統間的數據難以兼容及集成。數據無法共享，造成一定的數據存儲成本及數據管理成本的浪費。

此外，在“建治用”的主流數據治理思路下，數據治理僅僅關注數據事實及數據邏輯，只是為了完成治理的目標而進行數據治理，沒有形成數據閉環，也沒有形成共享模式，數據治理結果不能幫助業務部門達成業務成果，無法為業務部門挖掘更多商機。在一些企業中，數據治理工作依靠人工完成，具備一定技術實力的研發人員將大部分精力放在人工梳理數據上，這一方面造成人力資源及時間的浪費，另一方面容易產生人工疏漏，無法保證數據正確，極易導致數據信任危機。

因此，對于數字化轉型企業來說，追溯數據來源、統一數據定義、分類數據存儲、消除無效數據，可以降低數據管理成本，規避數據應用的法律風險，降低產品維護及開發成本。

那么應該如何正確治理數據呢？

01? 整理業務規則，統一數據定義

在企業數字化轉型過程中，對數據的共同理解與解釋至關重要。數據質量問題通常是指同一數據集被解釋為不同事物，或者不同數據集被解釋為相同事物。無論是業務還是技術元數據，根據業務屬性明確數據定義對于提高數據質量相當重要。企業可令數據治理團隊運用一定的數據管理應用程序完成業務規則的梳理和數據定義的統一。

02? 跟蹤外部數據來源

面對競爭激烈的市場環境，企業數據應用的方向不再局限于內部數據，更多著眼于第三方數據，這成為構成分析解決方案的要素之一。無論是合作伙伴數據、供應商數據還是互聯網開放數據，都可以提升企業獲取新業務價值的資源。然而，依靠傳統的數據治理方式并不能追溯數據的真實情況。即使能夠確定數據質量，也不能保證數據源頭是固定的。因此，數據治理團隊有必要建立一個可行的模式，以保證外部數據的正確性。

03? 確認影響業務的關鍵數據指標

在商業場景中，業務需求、業務流程、業務績效等是關鍵數據指標。為了衡量一款產品及服務是否能夠滿足市場需求，必須采用一定的企業績效指標。不完整、不準確的數據可能導致客戶投訴，因此客戶流失率、KPI等數據指標的梳理及確定至關重要。

04? 分析關鍵業務的數據質量

在確定了企業內部影響業務的關鍵數據指標后，數據治理團隊還需要了解企業內支持關鍵業務流程的系統及程序的數據質量。在梳理過程中，數據治理團隊可以采用數據分析工具預測數據分析模型，在較短時間內了解數據質量。也可以創建針對數據存儲庫運行的腳本，解決高級別的跨應用數據分析需求。

05? 創建數據自動化管理調控體系

在數字經濟時代，眾多企業紛紛舉起數字化轉型的大旗，但大多數企業的數據體系都無法幫其實現數字化轉型。數據治理團隊應建立自動化管理體系，把關數據治理到數據應用的整個流程，在績效考核、分析決策、基礎數據質量之間建立明確的自動化反饋機制，以業務結果反饋數據治理效果。

06? 檢測數據質量對業務的影響程度

憑借專業的數據質量分析工具，數據治理團隊能夠測試數據質量，識別異常數據，以便開展有針對性的數據處理工作。通過業務影響程度測量數據質量，可以幫助企業有效篩查無價值數據，提高數據質量。

另外，數據質量的檢測應該是長期存在于數據應用過程中的。一旦企業決定進行數字化轉型，就必須定期評估數據質量對業務結果的影響，并且隨著新業務場景的出現，對數據質量評估的重點和方法作出相應調整。

07? 聽取、溝通業務需求，有針對性地治理數據

數據治理團隊在對數據進行清洗治理時，首先不要妄圖通過數據治理立即解決所有問題，而是應該認真聽取業務部門對數據的需求，通過有效溝通，確定行動計劃，探索數據內部潛在的問題，為分析決策提供支撐。

08? 創建數據質量動態感知臺，監控數據治理進程

數據治理團隊一般會通過定期會議或者小組討論等形式同步各自的數據處理進度。但是定期的會議匯報無法隨時了解數據治理進程，因此數據治理團隊可以創建數據質量動態感知臺。數據質量動態感知臺可以根據KPI和關鍵業務操作流程制定數據質量的績效。在某些需要調整的地方，數據業務分析師可以與CDO溝通調整治理路線和重點。

成熟的數據業務分析師可以幫助企業進行數據管理，積極監控、提高數據質量。數據質量動態感知臺可以幫助企業管理數據風險，創造更多降低運營成本的機會。

09? 建立學習—分享—培訓機制

數據治理團隊中各成員分工不同，所處理的數據模塊也不相同，每個人遇到的數據質量問題都不同，而個人解決起來困難重重。因此團隊負責人需要建立一套學習—分享—培訓機制，團隊成員可以將發現的數據問題及時共享給團隊其他成員，一起討論數據治理的解決措施，幫助團隊成員提升自身能力。

10? 避免“IT怪圈”

數據治理團隊如果沒有完全打通企業的內外部數據，業務部門的需求便不能隨時得到滿足，數據治理團隊就會進入IT怪圈。首先，前端業務場景不斷變化，業務部門需要隨時響應。期間，業務部門會不斷向技術部門提出各種工作需求，即使有些業務需求簡單到并不需要技術人員操作，只須簡化數據治理的流程或步驟即可，但由于數據治理得不徹底，技術部門不得不隨時響應低端需求。

業務場景是瞬息萬變的，用戶的需求需要隨時被滿足，技術部門疲于應付前端業務部門低端的需求，導致業務需求響應慢，結果并不令人滿意，甚至延誤了商機。如此循環下去，技術部門將陷入IT怪圈，無法抽身。

2.業? ?務

對于業務來說，一切不能驅動業務發展的技術投入都是浪費資源。業務覆蓋企業各個部門、不同角色、不同業務場景。由于前端用戶的需求多變，業務也在發生改變。

數字化業務是通過數字技術顛覆、重塑整個商業體系，從而創造新的業務形式，即智能商業。智能商業以看得見的數字技術為企業提供便捷、智慧的運作流程和賦能價值。支撐智能商業的數字技術，譬如數據中臺，是以企業看不見的形式為其服務的。這些看得見的能力與看不見的技術共同構成了企業數字化轉型的基石，如圖所示。

能夠促進經濟活動產生效益的技術投入必然能夠驅動不同業務場景的運轉。在數字經濟時代，智能商業的技術投入主要是數據中臺。

作為企業數字化轉型的關鍵技術，數據中臺可以通過對互聯網用戶、物聯網設備、企業業務邏輯、業務單元等商業要素進行重構，提高整個數字化業務的效率，達到企業創收的目的。

01? 強化數字化業務邏輯能力

企業具備清晰的數字化商業業務邏輯，可以大大提高數據信息的應用效果，而這也是技術進步的主要來源。企業使用數字技術開展標準化、自動化的業務流程，使應用數字化業務的過程更有效率，但這離不開商業業務邏輯能力的配合與加持。在數字化轉型過程中，企業應該培養團隊的數字化業務邏輯能力，促使團隊積極地將這一能力運用到業務創新和產品研發中去。

02? 確立數字化業務單元

2020年，除了金融能力、行政能力等常規技能外，企業領袖還應具備數字領導能力。在企業領袖的帶領下，數字技術架構師建立數字化的業務單元架構，提高企業的數字業務能力。

3.算? ?法

在數字商業環境中，算法業務對于數字經濟的增長至關重要，但是對于企業領導者來說，將算法應用于商業業務仍然有難度。如今，以算法推動業務智能化成為一種趨勢，隨著這種趨勢的發展，算法業務將迎來更高水平的決策自動化，各企業開始高度重視算法的開發和應用。

在未來10年，全球超過一半的大型企業將會用先進的分析和專有的算法提高競爭力。對企業來說，了解算法在組織架構中的價值、制定配套的工作流程體系是非常關鍵的。

01? 了解算法的分類

建設數據中臺需要根據行業的不同特點構建應用算法。常用的算法大致可以分為三類：數據統計、數據挖掘和人工智能。數據統計包含常用的統計學算法；數據挖掘對數據進行關聯分析，常用的有聚類分析、相關性分析等；人工智能的核心是機器學習。人工智能包含統計學、概率論、基本數據挖掘算法等基礎內容，通過重新組織不斷改善自身的性能。

02? 算法在組織架構中的匯報關系算法模型應服務于業務，而不是服務于技術。通常在組織架構里會出現以下4種匯報關系。

負責算法的人直接由CDO管理。

一些公司可能會設立首席分析官、首席算法官或首席科學家這類職位，讓其帶領團隊研究各種算法。

算法團隊向IT部門匯報算法模型。

算法團隊向運營部門、營銷業務部門匯報算法模型。以上匯報關系都不能達到算法應用的預期效果，所有的算法信息應該向業務部門匯報，而不是向傳統的IT部門匯報。算法團隊可以與業務部門合作，研究使用哪些算法來驅動公司發展。同時，算法團隊需要對現有的算法進行編目，確定現有算法如何工作。

03? 制定一套完整的工作流程企業要制定一套關于算法的完整工作流程。

算法團隊應該將人員、流程、數據、技術整合成一個可以協同、有效合作的單元，以便將算法應用在不同的業務上。

算法相當于一種無形資產，要形成有效的算法模型管理框架，同時要編制算法目錄，盤點現有的算法、外部開源的算法及第三方供應的算法。

要形成獨有的算法去管理算法市場，對未來要開發的算法進行優先級排序，根據排序配置人員和外部資源，并提前做好預算，占領算法市場的先機。

4.應? ?用

企業要針對不同的客戶定制專屬的數據應用系統，簡稱數據雷達。數據雷達不僅可以幫助企業快速作出決策，還可以提高工作效率、降低經營成本。企業在深入推進數字化轉型的過程中，會構建多種多樣的應用。

4.1數字化應用的作用不同種類的數字化應用可以幫助企業解決各種問題。01? 指導企業進行決策

數字化應用系統含有多種應用，有些應用可以幫助企業記錄和提取數據，對數據進行分析；有些應用可在用戶數據的數量和質量都達到一定程度時進行深度挖掘，企業可以利用這些實時的數據分析與挖掘應用產生的結果進行快速決策。

02? 為企業提供更多銷售機會

數字化應用系統能夠實時地為企業提供所需的信息，企業可以從不同維度清晰地了解用戶細節，將這些結果通過不同的形式展現出來，發現更多銷售機會、挖掘更多潛在客戶。數智化應用系統不僅可以幫助企業制定用戶關系管理方案，還可以幫助企業維護客戶關系，滿足客戶個性化需求，在不斷提高用戶滿意度和銷售業績的同時，將用戶資源牢牢掌控在自己手中。

03? 提高企業管理效率

企業的數字化管理其實就是借助計算機和網絡技術、運用數字化手段實現管理。一方面，數字化應用系統是把先進的管理思想落實到實際的應用中，幫助企業更加快速、準確地做出決策，提高企業管理效率，避免因決策時間長、決策困難而延誤商機。另一方面，企業可以通過數字化應用系統有效管理自身發展過程中的多項數據，提升數據真實性，加快數據與信息的交流和傳遞，對不同業務進行數據化處理，實現高效的數字化管理。

04? 降低企業經營成本

創新的數字化應用系統可以幫助企業降低經營成本。企業通過數字化應用系統對市場進行分析，根據市場動向調整發展戰略和目標，避免在對市場需求不夠了解的情況下盲目發展。

企業通過數字化應用系統可以分析客戶的購買意向、購買行為、購買頻率及可能接受的購買金額，據此將客戶進行細分，有針對性地進行產品銷售。

數字化應用系統可以對產品相關的數據進行分析，幫助企業了解市場對該產品的需求度，確定產品的研發方向，從而節約開發成本。

4.2構建數字化應用系統

目前，市面上的數字化應用系統很多，不同行業、不同規模的企業的需求各不相同。如果構建的應用不能滿足企業需求，不僅無法發揮作用，反而可能給企業帶來不必要的麻煩。因此，企業要結合自身的發展方向、戰略目標、企業規模、人員結構、行業特點、產品特性構建適用于自身的數字化應用系統。

01? 結合六圖法構建企業的數字化應用

企業在構建數字化應用系統時可以結合本書六圖法理論，從戰略、業務、需求、應用、算法、數據6個角度進行衡量和評估。可以說，六圖法便是企業數字化應用系統的構建過程。

02? 形成低成本、高效率的應用構建狀態

許多企業不敢構建應用系統是因為每個應用的產生成本太高。企業在構建數字化應用系統時要通過數據中臺等技術手段，建立應用開發制度，讓應用開發流程更加簡化、流暢、便捷，節約開發成本。

03? 形成完整的數字化應用體系

數字化應用體系可以幫助企業解決問題。很多企業的應用都存在一定問題。有些企業可能投入了大量資金，但研發的應用卻發揮不了價值。這是由于企業沒有形成良好的數字化應用體系，沒有加強各個應用之間的聯系，企業只是分散地、隨機地研發應用。這不僅造成每個應用的數據孤島，還使得共性功能不可復用，浪費后期維護成本。因此，企業需要結合自身的經驗形成完整的數字化應用體系，加強各個應用之間的聯系，從而幫助企業快速高效地生產應用，賦能前端業務。

總而言之，企業在構建數字化應用系統時，不僅要參考六圖法，還要形成可低成本、高效率地產生數字化應用的狀態，并將各個應用系統之間的數據打通，形成完整的數字化應用體系，從而持續為企業數字化轉型提供動力。

5.組? ?織

依托數字技術全面提升敏捷性、決策力、員工參與度、創造力及自主性，是企業數字化轉型的迫切需求。數字商業時代要求的互動、創新等主題讓企業不得不從上到下、從管理層到基層組織都建立相匹配的組織架構及人員分配。因此，強調用戶響應度及組織成員專業能力的敏捷組織以及數字化專業人才，成為數字化轉型企業的標配。

5.1解鎖敏捷組織建設方式

傳統組織與敏捷組織各有優勢，傳統的自上而下的組織結構有利于信息及資源一致下達與徹底執行，而新型的以任務為目標的敏捷組織則更強調響應度及成員的專業能力，但敏捷組織能力的構建無法一次成型。企業想要組織具備數據分析和智能決策能力，需要采用不同的方式來達成。

01? 數據分析部門轉變為跨職能部門

傳統企業的組織架構由數據部門、IT部門與業務部門構成，每個部門根據部門定義開展工作，上下級員工、部門與部門之間的角色定位主要是指揮與控制。在數字化轉型背景下，作為企業數字化的主要實現者，由數據科學家、數據建模師、數據分析師構成的數據分析部門將由獨立部門轉變為具備各種技能的跨職能部門。由此賦予每個團隊專業的數據專家能力，令團隊成員能根據任務規劃，靈活應對執行過程中出現的問題，及時做出響應，協作完成任務。

傳統的組織模式依賴數據科學家、數據建模師和業務分析師等不同崗位的數據技術處理人員完成特定項目。一個項目從發起到交付，需要多名數據技術專業人才完成各環節的工作。在主張為客戶提供個性化分析解決方案的數字時代，這種流程煩瑣、項目周期長的工作模式將被淘汰。

敏捷組織下的工作模式強調組織成員共同創建分析內容，跨職能團隊可以身兼多種角色，但數據集成能力、數據分析能力和業務領域知識是團隊成員都必須具備的。這種跨職能的敏捷組織既能分散，又能集中，有利于資源共享。同時，敏捷組織可針對相關需求，更快地完成項目迭代更新，及時滿足前端用戶多變的分析需求。

02? 組織成員需具備業務與數據的雙重能力

敏捷組織打破了傳統組織模式下各崗位各司其職，對其他崗位職責知之甚少的狀況。不同于傳統組織成員工作職能固化，敏捷組織成員的工作職能具備一定的交叉性。這對于數據分析人員和前端業務人員來說尤為明顯。

數據分析師一般分為業務和技術兩個方向，二者的工作內容不同。

業務類數據分析師一般分布在市場部、銷售部、運營部，其工作內容是根據數據報表編寫總結報告、規劃方案。

技術類數據分析師一般隸屬于IT部門、數據部門，根據工作環節可分為算法工程師、可視化工程師等。

數據分析師的工作內容各自獨立，技術類數據分析師不懂業務，而業務類數據分析師不懂技術。

在移動互聯網時代，前端業務場景不斷變化，意味著數據來源復雜、加工環節煩瑣、計算方式不斷更新。對于業務類數據分析師來說，首先要面對技術盲點，業務需求的業務邏輯決定著數據分析的維度及字段，不同的數據指標要對應不同的業務字段；對于技術類數據分析師來說，因對業務根源缺乏了解，會面臨數據質量無法保證、關鍵字段無法彌合、業務分析需求無法實現等問題。

只懂營銷、不懂數據技術的業務類數據分析師，和只懂技術、不懂業務分析原理的技術類數據分析師，在敏捷組織模式下，均可以通過組織培訓、項目經驗的積累完成角色互換與交融，真正獲得“數據科學家”的能力。

03? 構建具備描述、診斷、預測、預警能力的組織體系

敏捷組織特有的靈活性并不意味著組織內部工作會無序、失控，敏捷組織在有效建立各部門的連接與交互能力的基礎上，還需要建立一套利于數字化任務快速、有效完成的體系。這便是具備任務描述、診斷、預測、預警的組織體系，可幫助企業在數字化任務實施過程中更為有序、高效、精準。

在需求描述階段，項目負責人應該十分清晰任務要達成的目標，設定任務完成過程中各個階段需要達到的效果，在實施過程中隨時監控完成情況。假如在某個階段任務完成的指標是95%，而按時交付的實際完成值為85%，那么團隊應該進行診斷分析，從數據源分析未達成指定目標的原因，并逐一采取措施，最終達到目標。

由于數據源類型多樣，團隊執行的分析任務眾多，會涉及關聯分析、分類分析和異常值檢測等環節，這種不定時的分析任務會用到預測分析能力。預測分析能力是敏捷組織應具備的能力之一，可以幫助團隊對常規、可重復的流程建立準確的預測模型，從而預測出項目交付時間以及其他變量。敏捷組織還需要構建預警能力，在達到項目的某些峰值時顯示預警信號，指導團隊采取應付措施。

描述、診斷、預測、預警的組織體系可幫助企業在敏捷組織內形成標準化的工作流范式，從而統一、規范項目制工作流程，保障各個項目及任務有序進行。

5.2配備數字化專業人才

敏捷組織是企業數字化轉型必備的組織，其概念源于特種部隊，是企業為實現數字化轉型而打造的作戰隊伍。該組織具備一定的自治能力，一線執行人員可以在理解任務意圖之后，自主完成任務。組建敏捷組織要求團隊成員具備一定的專業經驗及能力，能夠在復雜的商業環境中高效、精準地完成任務。敏捷組織的規模不限，但通常應配有以下幾個重要角色，如圖所示。

01? 數據研發工程師

數據研發工程師需要熟悉大數據開發平臺，熟練掌握大數據研發工具，能夠運用各種大數據開發技術進行數據開發，并有良好的寫代碼習慣和一定的架構能力。

02? 數據應用工程師

數據應用工程師需要掌握時下流行的前后端開發技術，熟悉大數據環境下的應用開發框架，熟悉大數據應用架構和性能優化等綜合技能。

03? 數據智能科學家

數據智能科學家需要掌握通用的數據挖掘和分析工具，包括機器學習和深度學習等前沿技術，并能夠將其有效應用于業務場景，解決客戶的實際問題。

04? 數據產品經理

數據產品經理需要掌握數據技術，熟悉客戶并對數據有獨到的商業理解和思考，最終能以有形或無形的數據產品滿足客戶利益、數據和商業價值最大化。

05? 數據可視化設計師

數據可視化設計師需要掌握數據交互或視覺設計能力，擁有很強的交互體感和極致且成本可控的審美，最終以全流程、高保真交互與視覺體驗稿為交付物。

06? 數據模型師

數據模型師需要掌握數據技術，理解業務需求并具備全局架構、模型設計、數據研發和運維調優等能力，最終可以低成本、高效率地交付具備高可用性和高擴展性的數據。

除以上人員外，企業還可以根據需要設置數據隱私官、數據管理主管、數據治理經理、數據服務總監、數據分析主管、大數據管理者、主數據管理主管、數據質量負責人、數據內容管理者等。這些人員配置將豐富企業的人才建設，滿足企業多方面的用人需求。