谈谈如何建立价值驱动的数据战略

“数据战略”是一个复杂的话题，许多组织将“数据战略”视为可交付成果，而不是动态过程。与业务战略一样，数据战略应根据当前业务环境对组织的“价值”来决定如何实施和动态调整，因为当前的商业环境也在不断变化。 今天，我们明显看到了由以下因素驱动的环境变化和挑战的聚合： 降低产品和服务利润 供应链、材料定价和供应链可预测性的中断 不断攀升的能源和劳动力成本 影响资本可用性的金融市场波动 通胀压力影响消费者信心 所以，您的数据战略应该与业务环境一样灵活并且紧密相关。

一、数据战略与业务战略的脱节

许多组织都在努力制定对业务决策者有吸引力的数据战略。业务领导者感到沮丧，因为 IT 需要很长时间才能交付支持有意义、相关、及时的业务成果交付的数据和分析。IT 和数据团队感到沮丧，因为他们无法获得必要的财务承诺和组织关注，以明确阐明和承诺数据和分析可以在何处以及如何影响业务。部分问题在于，企业领导者形成了需要长期才能交付的昂贵、冗长、复杂的 IT 项目的固有观念，而企业领导层则希望在项目结束时产出的成果在实际上都可以带来改进的业务成果，这种方法是历史上通过规模经济寻求竞争优势的组织的结果。规模经济是企业因其经营规模而获得的成本优势，通常通过降低单位产出成本来衡量。

传统上，大型组织利用规模经济和“颠覆式”方法将较小的参与者和新竞争对手锁定在市场之外，同时绑定主要供应商，以往这是一个非常成功的商业战略。例如，ERP 项目非常适合这些规模经济企业实施，因为 ERP 项目在财务、制造、物流、销售、营销和人力资源等领域实施标准化的“最佳实践”。规模经济的方法在事物不变的世界中非常有效，比如没有新的流行病、新的战争、新的技术中断、新的社会挑战、新的环境要求、新的经济中断和新的政治动荡的世界中，再加上基于消费者个人体验的快速变化的客户和组织期望。但规模经济有一个威胁性的因素潜伏在一个不断变化的世界角落。这就是规模不经济。

1、如何理解“规模不经济”当长期平均成本 (LRAC) 开始上升时，规模不经济就会出现管理结构变化。规模不经济有两个后果：由于遗留系统、流程和政策阻碍了对不断变化的客户、竞争对手和市场需求和机会的快速适应，边际收入增长率放缓。由于与组织规模、刚性和惰性增加相关的复合成本劣势，边际成本起初会降低，但最终会增加。组织无法快速适应不断变化的客户、竞争对手和市场需求和挑战，从而进一步加剧了规模不经济的后果，因为它采用了一种僵化的业务和运营模式，旨在解决由昨天的限制构成的昨天的问题。

2、如何认识学习经济在知识型产业中，学习经济比规模经济更强大。很快，每个行业都将成为知识型行业。我们已经进入了一个“学习经济”比“规模经济”更强大的时代。 “学习经济”的概念起源于 Eric Ries 的“精益创业”一书。在那本书中，作者介绍了实验和增量学习的概念，以便更快地变得有效率。例如，作者强调了将简报一次装入一个信封的增量学习方法与先将所有简报折叠、然后将所有简报装入信封然后密封所有信封的劳动专业化方法的好处。从流程的角度来看，您可以试验并学习最有效的信封填充方法，然后可以立即重新应用这些方法来改善业务和运营成果。此外，您不必等到整个过程结束才意识到您犯了一个代价高昂甚至致命的错误（例如在您意识到它们不适合信封之前以错误的方式折叠所有通讯录） .在以知识为基础的时代下，学习经济的好处通过利用 AI / ML 创建资产、流程和政策来增强，这些资产、流程和政策可以持续学习并适应其运营环境，而人工干预最少。组织正在利用学习经济来创建数据和分析资产，这些资产使用得越多，其价值就会升值而不是贬值。

学习模式有两个重要的经济效应：由于数据和分析的独特经济特征可以在无限数量的用例中以零边际成本共享和重用，边际成本保持不变。由于数据和分析资产的重复使用缩短了价值实现时间并降低了新用例实施的风险，边际收入加速增长。为了利用学习经济，我们需要采取不同的方法来构建数据战略。与其将数据战略视为一个一次性事件，最终具有静态交付成果，不如将数据战略视为一个持续的旅程，随着业务环境的发展而学习和发展。

二、利用用例方法构建价值驱动数据战略

在一个永不改变的世界中，将数据战略视为静态交付物可能效果很好。然而，今天您的数据战略必须是一个不断学习和适应的过程。您的数据战略必须与运营所在的业务环境一样敏捷和灵活。这意味着我们需要采取不同的方法来构建组织的数据战略。我们将从僵化的规模经济数据和分析策略转向由持续、增量学习和适应驱动、价值驱动的敏捷的数据策略。

1、构建业务用例的价值用例是围绕常见KPI或指标的一组决策，旨在交付明确定义的业务或运营成果，以支持组织的关键业务计划。用例和构成用例的决策是确保数据策略相关性的强大工具，原因如下：决策很容易识别：每个业务利益相关者都知道他们必须做出哪些决定，因为他们今天已经在做出这些决定。决策是可操作的。决定推断要采取的行动，包括不采取行动的决定，这与用于验证或推动构思的问题非常不同。改进的决策是可归因价值的来源。人们可以归因和量化做出改进决策的价值以及投资回报。决策可以通过数据科学进行优化。虽然决策，在大多数情况下，多年来并没有改变，但通过数据科学，答案已经改变了。答案变得更细化、延迟更低和更准确以实现精确决策。决策推动组织协作。优化决策需要业务利益相关者和数据科学团队之间的协作，以确定那些可能更好地预测性能的变量和指标。

2、业务用例构建的方法专注于用例将是创建敏捷、持续学习的数据策略的关键，该策略会随着不断的客户和市场中断而起起落落。关注用例不仅可以确保业务 (ROI) 相关，而且还能发挥数据经济乘数效应。数据经济乘数效应是指通过以零边际成本在无限数量的用例中共享相同数据集的能力实现推动每个数据集的可归因和可量化价值在一个用例持续使用的基础。下面介绍一些关键工具，以帮助组织支持价值驱动、持续学习和适应数据战略的过程。

（1）采用优先级矩阵确定用例优先级组织不会因为缺乏用例而失败；他们失败是因为他们有太多。组织如何解决数量庞大的用例问题？要“像数据科学家一样思考”的方法，从业务价值与实施可行性的角度来推动组织构想和围绕识别、验证、评估和确定组织的关键业务和运营用例的优先级。

（2）用例模板推动业务和数据科学的一致性必须预先投入大量精力来记录组织的用例。用例设计模板推动了与利益相关者的协作，以确保我们对用例有深入的了解。

用例模板包括以下信息：用例说明，包括所需的业务成果衡量用例进度和成功的 KPI 和指标所有关键利益相关者收集到的预期业务和运营收益潜在障碍和风险解决潜在障碍和风险的实施注意事项对组织既定目标的影响

（3）映射和量化数据集的相对价值将用例的财务价值归因于支持该用例优化的数据集，该方法使用一个非常直接但繁琐的过程：确定每个用例的财务价值和实施风险，然后量化数据源的预测能力以支持每个用例。

该过程的结果提供了对数据集在优先用例中的价值的粗略估计，然后可以使用它来确定数据开发的优先级（数据转换和丰富算法、数据管道、主数据管理、数据湖/数据网格架构）和分析（数据可视化、机器学习功能、机器学习模型、分析分数、API）功能。

（4）迭代构建数据湖最后，可以采用一种用例方法，根据该用例对组织的相对价值来构建数据湖架构。只需将数据集加载、管理到支持该用例所需的数据湖中，从而避免将所有数据加载到数据湖中并希望它为业务提供价值的“大爆炸”方法利益相关者。如果寻求利用数据的独特性——资产永不枯竭、永不磨损，并且可以以零边际成本在无限数量的用例中使用，那么将您的数据湖转变为支持“协同价值创造”的平台在整个组织中捕获、共享、重用和优化数据资产。

例如，下图中的用例 #1 是“提高供应商质量”（估计财务价值为 6000 万美元），那么我们只需要加载和管理支持该用例所需的数据。对于用例 #2“提高供应商可靠性”，我们只需要加载和管理支持该用例所需的数据。

对于用例 #2，数据集 A 已经加载到数据湖中以支持用例 #1。用例 #2 可以以零边际成本使用数据集 A。这就是数据经济乘数效应！

三、小结

在一个从未改变的世界中，将数据战略视为静态交付物可能效果很好。然而，今天，数据战略必须是一个不断学习和适应的过程，数据战略必须与业务战略一样敏捷。组织不需要大数据战略，他们需要的是一个包含大数据的商业战略。