編?輯：石秀峰

來 源：談數據彭友們好，我是老彭。數據是企業的一項重要資產，這一觀點已經成為了大多數公司的共識。但現實中，很多企業并沒有將這項資產充分利用起來，用它來取得商業上的成功。

原因很多，很復雜！

但據老彭的觀察，之所以出現這個情況，主要的原因無外乎兩個：一是無數據可用，二是無可用數據。

一方面，“數”到用時方恨少。在一些傳統企業，IT一直被認為是支撐性職能，從來沒有將數據作為一個重要生產要素去看待。在以往的信息化建設過程中，都是“以流程為驅動，以線上化、自動化為目標”，數據思維和數據意識淡薄，沒有將精力放在數據的收集、整理和處理上，導致“無數據可用”。

另一方面，事因經過始知難。每個企業都希望將數據用起來，用它來驅動企業的決策和管理，實現數字化轉型。但是，數據分散在各個信息孤島中，缺乏統一的數據標準，彼此之間無法很好地通信，數據質量低下，不一致、不完整、不準確、不及時等問題常見，導致了“Garbage in, Garbage out”，有數據卻無可用的數據，你說氣人不？

“無數據可用”和“無可用數據”這兩個問題是可以解決的，數據驅動的數字化轉型也是可以實現的，它始于數據戰略！

—?01?—

數據戰略是什么？

這不是我們第一次聊數據戰略或數字化戰略了。

事實上，在本公眾號（談數據）的往期文章中，至少已經有兩期文章專門講過數據戰略這個事情，我們回顧一下：

其一，在《數據治理的成功要素1：數據戰略管理》一文中，我們曾提到：“數據戰略是企業為實現某些業務目標而做出的數據規劃和部署，主要包括四個方面內容：數據戰略目標、數據戰略范圍和內容、數據戰略實施策略、以及數據戰略的實施路徑和計劃”。今天我們要講的數據戰略的8個要素，事實上也是包含在這四方面內容之中。

其二，在《企業數字化轉型：數字化戰略！》一文中，我們探討“數字化戰略就是‘戰略性’的使用數據和IT來支撐企業業務戰略目標的實現”。大家對數據和IT都有著深刻的理解，但是對于“戰略性”使用，可能理解不夠清晰，或者沒有形成一致的理解。

第一篇文章我們將數據戰略定義為一個“名詞”，而在第二篇的文章中“戰略性”使用，這顯然是一個“動詞”。那么，這兩個定義矛盾嗎？在戰略管理理論體系中，有個非常著名的工具——“PDCA”，這兩個定義恰好反映了“PDCA”的兩個重要環節“Plan”和“Do”。一個完整的數據戰略，既要規劃好“Plan”，也要落實好“Do”。

今天我們要講的數據戰略的8個要素，本質就是“戰略性地使用數據”。這8個要素分別是：數據戰略，數據采集，數據治理，技術架構，數據文化，組織與流程，行動路線圖，數據應用。

—?02?—

數據戰略，對齊業務戰略

在以往的文章中，曾多次提到“對齊業務目標”的概念：數據治理目標與對齊業務目標，數字化轉型要對齊業務目標，數據戰略也要對齊業務目標。

那什么是業務目標，為什么要對齊業務目標？

經濟學中經常講企業經營的目標是追求最大化的利潤，長期追求的是企業價值最大化。其實，簡單的理解就是“降本、增效、提質”！

對大多數企業而言，數據戰略一定要首先對齊“降本、增效、提質”的業務目標，如果你的數據戰略在這一方面都不能發揮價值，很難相信它能在商業創新中“浴火重生”。

數據戰略從來不是孤立的存在，而是來源于企業的業務需求，數據必須滿足特定的業務需求，以實現業務目標并產生實際的業務價值。數據戰略目標的制定切不可定一些“可望不可即”高遠目標，而是要基于業務戰略目標定義出可執行、可實現、可衡量、能見效的業務目標。

—?03?—

采集數據，確保有數據可用

在分析了業務需求，定義了業務目標之后，我們需要轉到下一個話題：是否有數據可用。構建一個業務需求與所需數據的列表/矩陣，明確實現業務目標所需數據。

示例：數據需求與數據來源矩陣

這個時候你需要考慮如下問題：企業內部有哪些數據，這些數據在何處，該如何收集？還需要哪些外部數據，該如何收集？

對于企業內部已有數據，由于很多企業都存在“部門墻”，數據被隔絕在業務部門的“私有系統”中。還有一種情況更麻煩一些，有些數據沒有系統支撐而是在存放在業務部門的個人電腦中。而這些數據，如果能得到有效管理和共享就有可能發揮出巨大的價值。因此，在企業內部數據采集過程中，難的往往不是技術，而是跨部門的協作和協調。

對于企業內部沒有，需要到外部采集的數據，常見的采集方式有三種：1、網絡采集（通過網絡爬蟲或數據埋點進行采集）；2、直接購買（通過正規渠道進行購買），3、對等交換（通過數據交換的方式進行采集，這種方式在外部數據采集用的比較少）。

—?04?—

治理數據，確保有可用數據

數據采集到一起了，但是數據質量高不高，能不能支持數據共享使用和數據分析，又是另外一個問題。

這就引出的了數據治理。

數據治理是通過改善數據質量，確保“有可用數據”，讓合適的人可以訪問合適的數據，最終實現企業級數據共享，為數據分析、挖掘提供基礎。

在本號的歷史文章中，關于數據治理已經寫過了很多內容了。有興趣可以在歷史文章中查看，或者《數據治理，從方法到實踐，看這一篇就夠了！》

如果你還是不清楚數據治理要從哪里開始，有一個最佳實踐：制定好‘業務術語表’或開發好‘數據字典’。

業務術語表是國外數據治理常見的一個實踐，包含在元數據管理中，常常是元數據管理的起點。數據字典是對基礎數據項的標準化，正式定義了可用數據的度量和維度，在國內經常將其放在數據標準管理領域。實際上，業務術語表和數據字典并無本質區別，都是對人員、客戶、產品、基礎代碼等數據的標準化定義。

—?05?—

技術架構，不為新概念所擾

數據戰略關注的另一個問題是通過什么樣的技術架構來落地業務目標。

構建一個可伸縮、可擴展、靈活且強大的數據技術體系是一個很復雜的問題，我的一個建議是：不要被炒作和所謂新技術所困擾，將精力聚焦到業務需求上來。

在這個新技術層出不窮，新概念真假難辨的年代，每個企業都需要一雙“火眼金睛”，去鑒別哪些技術是你切實需要的，哪些技術代表了未來的趨勢，而哪些技術就只是概念上的忽悠！

數據技術架構的選型需要考慮的問題：

需要處理的數據類型都有哪些？ 業務對數據處理的實時性要求？ 企業內缺少的數據該如何獲取，網絡采集還是從第三方市場中購買？ 如何提供用戶對數據的訪問？ 數據架構與其他基礎技術架構的集成關系？ 公司是否具備支持本地數據倉庫或其他本地化數據架構方案的技能，或者選基于云的解決方案更有意義？ 同時，數據架構的選型與大多數設計一樣，你對未來需求的考慮越多，該解決方案對業務的實際支持就越多、變更的風險就越小。

—?06?—

數據文化，滋養數據戰略的土壤

企業數據戰略能夠成功落地的保障是具有滋養它的土壤，而這片土壤我們稱之為“數據文化”！

數字化時代，隨著人們掌握的信息越來越平，人們將越來越多的尊重事實和數據，學會利用事實和數據來思考問題、解決問題，這一過程就是建立數據思維、形成數據文化的過程。

所謂數據文化，就是企業中形成“用數據思考、用數據說話、用數據管理、用數據決策”的文化氛圍。數字化文化是以數據為驅動，促進科學決策、團隊協作的企業文化，是現代管理科學與數字化實踐的產物。

企業需要將數據文化理念轉化為具有可操作性的管理制度，通過制度對員工的行為加以約束，實現數據文化從“人治”到“法治”的轉變。真正將數據文化“內化于心、外化于行、固化于制”！

—?07 —

組織與流程，戰略落地的保障

正如我們一貫的觀點，要成為數據驅動型企業，不僅需要技術，還需要著眼于組織的建設、人才的培養以及數據創建、管理和應用的流程。

數據戰略的實施對人員的能力提出了更高要求。基于此，有必要對用戶的技能進行摸底，了解他們的優勢和不足，找到需要重點支持或培訓的地方，亦或是需要從外部進行相關領域的高端人才。

同時，還應該建立相關的激勵制度，讓IT部門與業務部門協同工作，使IT與業務的工作目標保持一致，并鼓勵員工在工作中使用數據，“用數據說話、用數據管理、用數據決策”。

示例：數據技能培訓計劃

建立數據創建、采集、處理、分析、應用、共享的流程，實現對數據的全生命周期管理，明確數據的流向，明確每個流程節點數據的輸入、輸出和約束。另外，數據源于業務，有些數據問題也來自業務，業務流程設置不合理，業務表單用戶體驗不佳都會導致數據質量問題。也因此，數據治理治的不僅是數據，還有不合理的業務流程。

—?08?—

行動路線圖，將規劃付諸于行動

數據戰略目標的達成不是一蹴而就的，需要制定一個“以終為始，螺旋迭代”的數據治理路線圖，循序漸進的推進。

首先，需要對數據戰略目標進行拆解，定義將有助于彌合當前狀態與未來狀態之間的差距的每個業務活動。然后，根據需求的緊迫程度，對業務的影響程度，數據的共享程度，實施的難以程度，以及預期的價值等多個維度分析進行綜合分析的結果，識別應優先考慮最容易實施且又能為企業帶來快速成功的活動。基于此，制定出數據戰略實施的行動計劃。

制定行動路線圖除了明確要明確任務活動的計劃表之外，還必要明確以下內容：

現有的資源和人員技能是否滿足，是否需要引入外部資源或幫助。

公司的資金預算在數據戰略的投入是否合理，以及如何獲取更多的資金支持。

資源風險，溝通風險、進度風險、質量風險的預估和應對策略。

干系人管理和溝通計劃。

示例：數據治理路線圖

—?09?—

數據分析，將數據轉化為洞察力

數據是對事實的記錄，其價值并不大，要發揮數據的價值，就需要將其轉化為信息或者知識。從古代的“結繩記事”，到現在的“智能儀表盤”，在數據到信息再到知識的轉化過程中，數據分析和可視化是關鍵。數據分析和可視化不僅讓數據看起來很不錯，更重要的是，使數據更易于理解和解釋。

Gartner給出了數據分析的四個層次：1、描述性分析——發生了什么；2、診斷性分析——為什么會發生；3、預測性分析——可能會發生什么；4、處方性分析——該做些什么。這是一個從數據中得到“后見之明”，到從數據中獲取“洞察力”，再到給出“遠見”的過程，不同層次的分析所需的技術、算法、方法、工具會有所側重或不同。

數據分析、挖掘、可視化的工具有助于提升數據處理、數據分析、數據展現的效率和效果，充分挖掘數據中蘊含的價值。