“數據戰略”是一個復雜的話題，許多組織將“數據戰略”視為可交付成果，而不是動態過程。與業務戰略一樣，數據戰略應根據當前業務環境對組織的“價值”來決定如何實施和動態調整，因為當前的商業環境也在不斷變化。?今天，我們明顯看到了由以下因素驅動的環境變化和挑戰的聚合： 降低產品和服務利潤 供應鏈、材料定價和供應鏈可預測性的中斷 不斷攀升的能源和勞動力成本 影響資本可用性的金融市場波動 通脹壓力影響消費者信心 所以，您的數據戰略應該與業務環境一樣靈活并且緊密相關。

一、數據戰略與業務戰略的脫節

許多組織都在努力制定對業務決策者有吸引力的數據戰略。業務領導者感到沮喪，因為 IT 需要很長時間才能交付支持有意義、相關、及時的業務成果交付的數據和分析。IT 和數據團隊感到沮喪，因為他們無法獲得必要的財務承諾和組織關注，以明確闡明和承諾數據和分析可以在何處以及如何影響業務。部分問題在于，企業領導者形成了需要長期才能交付的昂貴、冗長、復雜的 IT 項目的固有觀念，而企業領導層則希望在項目結束時產出的成果在實際上都可以帶來改進的業務成果，這種方法是歷史上通過規模經濟尋求競爭優勢的組織的結果。規模經濟是企業因其經營規模而獲得的成本優勢，通常通過降低單位產出成本來衡量。

傳統上，大型組織利用規模經濟和“顛覆式”方法將較小的參與者和新競爭對手鎖定在市場之外，同時綁定主要供應商，以往這是一個非常成功的商業戰略。例如，ERP 項目非常適合這些規模經濟企業實施，因為 ERP 項目在財務、制造、物流、銷售、營銷和人力資源等領域實施標準化的“最佳實踐”。規模經濟的方法在事物不變的世界中非常有效，比如沒有新的流行病、新的戰爭、新的技術中斷、新的社會挑戰、新的環境要求、新的經濟中斷和新的政治動蕩的世界中，再加上基于消費者個人體驗的快速變化的客戶和組織期望。但規模經濟有一個威脅性的因素潛伏在一個不斷變化的世界角落。這就是規模不經濟。

1、如何理解“規模不經濟”當長期平均成本 (LRAC) 開始上升時，規模不經濟就會出現管理結構變化。規模不經濟有兩個后果：由于遺留系統、流程和政策阻礙了對不斷變化的客戶、競爭對手和市場需求和機會的快速適應，邊際收入增長率放緩。由于與組織規模、剛性和惰性增加相關的復合成本劣勢，邊際成本起初會降低，但最終會增加。組織無法快速適應不斷變化的客戶、競爭對手和市場需求和挑戰，從而進一步加劇了規模不經濟的后果，因為它采用了一種僵化的業務和運營模式，旨在解決由昨天的限制構成的昨天的問題。

2、如何認識學習經濟在知識型產業中，學習經濟比規模經濟更強大。很快，每個行業都將成為知識型行業。我們已經進入了一個“學習經濟”比“規模經濟”更強大的時代。 “學習經濟”的概念起源于 Eric Ries 的“精益創業”一書。在那本書中，作者介紹了實驗和增量學習的概念，以便更快地變得有效率。例如，作者強調了將簡報一次裝入一個信封的增量學習方法與先將所有簡報折疊、然后將所有簡報裝入信封然后密封所有信封的勞動專業化方法的好處。從流程的角度來看，您可以試驗并學習最有效的信封填充方法，然后可以立即重新應用這些方法來改善業務和運營成果。此外，您不必等到整個過程結束才意識到您犯了一個代價高昂甚至致命的錯誤（例如在您意識到它們不適合信封之前以錯誤的方式折疊所有通訊錄） .在以知識為基礎的時代下，學習經濟的好處通過利用 AI / ML 創建資產、流程和政策來增強，這些資產、流程和政策可以持續學習并適應其運營環境，而人工干預最少。組織正在利用學習經濟來創建數據和分析資產，這些資產使用得越多，其價值就會升值而不是貶值。

學習模式有兩個重要的經濟效應：由于數據和分析的獨特經濟特征可以在無限數量的用例中以零邊際成本共享和重用，邊際成本保持不變。由于數據和分析資產的重復使用縮短了價值實現時間并降低了新用例實施的風險，邊際收入加速增長。為了利用學習經濟，我們需要采取不同的方法來構建數據戰略。與其將數據戰略視為一個一次性事件，最終具有靜態交付成果，不如將數據戰略視為一個持續的旅程，隨著業務環境的發展而學習和發展。

二、利用用例方法構建價值驅動數據戰略

在一個永不改變的世界中，將數據戰略視為靜態交付物可能效果很好。然而，今天您的數據戰略必須是一個不斷學習和適應的過程。您的數據戰略必須與運營所在的業務環境一樣敏捷和靈活。這意味著我們需要采取不同的方法來構建組織的數據戰略。我們將從僵化的規模經濟數據和分析策略轉向由持續、增量學習和適應驅動、價值驅動的敏捷的數據策略。

1、構建業務用例的價值用例是圍繞常見KPI或指標的一組決策，旨在交付明確定義的業務或運營成果，以支持組織的關鍵業務計劃。用例和構成用例的決策是確保數據策略相關性的強大工具，原因如下：決策很容易識別：每個業務利益相關者都知道他們必須做出哪些決定，因為他們今天已經在做出這些決定。決策是可操作的。決定推斷要采取的行動，包括不采取行動的決定，這與用于驗證或推動構思的問題非常不同。改進的決策是可歸因價值的來源。人們可以歸因和量化做出改進決策的價值以及投資回報。決策可以通過數據科學進行優化。雖然決策，在大多數情況下，多年來并沒有改變，但通過數據科學，答案已經改變了。答案變得更細化、延遲更低和更準確以實現精確決策。決策推動組織協作。優化決策需要業務利益相關者和數據科學團隊之間的協作，以確定那些可能更好地預測性能的變量和指標。

2、業務用例構建的方法專注于用例將是創建敏捷、持續學習的數據策略的關鍵，該策略會隨著不斷的客戶和市場中斷而起起落落。關注用例不僅可以確保業務 (ROI) 相關，而且還能發揮數據經濟乘數效應。數據經濟乘數效應是指通過以零邊際成本在無限數量的用例中共享相同數據集的能力實現推動每個數據集的可歸因和可量化價值在一個用例持續使用的基礎。下面介紹一些關鍵工具，以幫助組織支持價值驅動、持續學習和適應數據戰略的過程。

（1）采用優先級矩陣確定用例優先級組織不會因為缺乏用例而失敗；他們失敗是因為他們有太多。組織如何解決數量龐大的用例問題？要“像數據科學家一樣思考”的方法，從業務價值與實施可行性的角度來推動組織構想和圍繞識別、驗證、評估和確定組織的關鍵業務和運營用例的優先級。

（2）用例模板推動業務和數據科學的一致性必須預先投入大量精力來記錄組織的用例。用例設計模板推動了與利益相關者的協作，以確保我們對用例有深入的了解。

用例模板包括以下信息：用例說明，包括所需的業務成果衡量用例進度和成功的 KPI 和指標所有關鍵利益相關者收集到的預期業務和運營收益潛在障礙和風險解決潛在障礙和風險的實施注意事項對組織既定目標的影響

（3）映射和量化數據集的相對價值將用例的財務價值歸因于支持該用例優化的數據集，該方法使用一個非常直接但繁瑣的過程：確定每個用例的財務價值和實施風險，然后量化數據源的預測能力以支持每個用例。

該過程的結果提供了對數據集在優先用例中的價值的粗略估計，然后可以使用它來確定數據開發的優先級（數據轉換和豐富算法、數據管道、主數據管理、數據湖/數據網格架構）和分析（數據可視化、機器學習功能、機器學習模型、分析分數、API）功能。

（4）迭代構建數據湖最后，可以采用一種用例方法，根據該用例對組織的相對價值來構建數據湖架構。只需將數據集加載、管理到支持該用例所需的數據湖中，從而避免將所有數據加載到數據湖中并希望它為業務提供價值的“大爆炸”方法利益相關者。如果尋求利用數據的獨特性——資產永不枯竭、永不磨損，并且可以以零邊際成本在無限數量的用例中使用，那么將您的數據湖轉變為支持“協同價值創造”的平臺在整個組織中捕獲、共享、重用和優化數據資產。

例如，下圖中的用例 #1 是“提高供應商質量”（估計財務價值為 6000 萬美元），那么我們只需要加載和管理支持該用例所需的數據。對于用例 #2“提高供應商可靠性”，我們只需要加載和管理支持該用例所需的數據。

對于用例 #2，數據集 A 已經加載到數據湖中以支持用例 #1。用例 #2 可以以零邊際成本使用數據集 A。這就是數據經濟乘數效應！

三、小結

在一個從未改變的世界中，將數據戰略視為靜態交付物可能效果很好。然而，今天，數據戰略必須是一個不斷學習和適應的過程，數據戰略必須與業務戰略一樣敏捷。組織不需要大數據戰略，他們需要的是一個包含大數據的商業戰略。