谈谈如何实现企业的数据驱动
最近的一项调查强调显示，81%的企业认为数据应该成为所有决策的核心，有31%的公司为此进行了重大运营重组。
那么数据驱动型企业意味着什么呢?如何转变自己的业务以做出数据驱动的决策并主导竞争对手?
数据驱动的企业是那些使用数据和分析做出决策的企业。如果使用数据来推动企业想要的结果，那么导致这些结果的决策将根据事实而不是直觉做出。到目前为止，理解起来就这么简单。
数据驱动型企业的关键特征
数据驱动型企业的一些关键行为特征包括：
执行策略基于可观察的事实和趋势，而不是直觉。
决策者首先根据事实采取行动，其次考虑意见、意义;
员工愿意从经验中学习，并承认基于直觉的判断是错误的。
该组织在发布新产品时采用“测试第一”的心态。将所做的假设记录为假设，然后寻找数据来证明或反驳假设。
可以创建企业范围内的事实视图，而不是孤立或狭隘的。
员工渴望信息，不断寻求新知识并致力于将其运用起来。
企业优先考虑持续改进。这是必要的，因为数据驱动的道路是漫长而坎坷的。
您会注意到，我们省略了任何有关分析技能的提及。这是故意的遗漏。您的组织所需的分析技能水平取决于必须做出的决策。要求越复杂，需要的分析技能就越深入。关键点是不应该从分析开始然后倒退。从决策开始，然后从那里开始工作。
太多文章关注组合、显示和表示数据的最新方法，而不是有效使用数据所需的思维方式。数据素养是构建数据驱动型业务的关键能力。除非员工愿意并且能够使用数据来改进他们的工作，否则任何分析投资都将被浪费。
数据驱动的问题解决方法
数据驱动的方法利用可观察和已知的事实来解决问题。为了采用数据驱动的方法来解决问题，必须确定需要回答的关键问题，然后提供可以肯定地回答这些问题的事实。事实就是数据——因此，如果希望坚持数据驱动的方法，必须确保数据是高质量、易于理解且值得信赖的。
如果高管对提供的数据失去信任，数据驱动的方法就会失败。
为什么数据驱动很难
当今大多数企业的复杂性和规模带来了重大挑战。利用数据推动小型企业向前发展比在跨国组织中嵌入数据优先文化要简单得多。对于企业中的管理人员来说，要使用数据做出决策，他们首先需要知道数据的存在。一旦他们知道数据可用，下一步就是理解这一切。如今的数据量使得这项任务对许多人来说难以承受。
60%的组织表示，超过一半的组织数据没有被捕获，其中许多数据甚至不被理解为存在。
许多组织在改变数据行为时面临文化挑战。如果执行团队有忽视事实或不信任报告中提供的信息的历史，那么将面临一场艰苦的战斗。为了成功地充分利用数据的潜力，执行团队必须接受成功带来的可能性。这要求我们首先了解执行团队的战略重点，然后才能描绘出未来数据驱动业务的情况。
数据专业人员面临的挑战
对于数据专业人员来说，面临的挑战是弄清楚高管需要做出哪些决策。他们寻求什么结果?他们需要回答哪些业务问题才能实现这些结果?要建立数据驱动型业务，需要：
提供正确的数据；
让它在正确的地方可用；
在正确的时间；
凭借对质量的信任；
跨组织的数据含义保持一致。
这是一个重大挑战。为了兑现上述承诺，首先需要了解公司的整体战略方向。其次，可以取消必须做出的重大决定。最后，可以开始确定支持这些决策所需的数据。根据所在的组织，可能需要构建数据治理功能，以确保数据随着时间的推移适合用途。
数据驱动有什么好处
在使用数据驱动决策方面处于行业前三分之一的公司平均比竞争对手高出5%的生产力和6%的利润。
“数据驱动”的上市公司同比增长27%。
麦肯锡表示，大量使用客户分析可以更有可能超越竞争对手。以数据为驱动，获得客户的可能性提高23倍，留住客户的可能性提高6倍，盈利的可能性提高19倍。
领先者和落后者之间的差距很大，并且还在继续扩大。高绩效组织表示，他们的数据和分析投资在过去三年中贡献了20%的收益。
所有这些都表明数据驱动的投资回报率很高。如果能做到这一点，组织将赢得巨大胜利。
数据驱动有什么缺点
您可能会认为，鉴于成为数据驱动型企业的好处，一切都会一帆风顺。不幸的是，这种情况并非如此。为了追逐大型咨询公司的“蓝天”梦想，企业陷入了浪费投资的熊坑。结果，公司在数据和分析上投入了大量资金，而对其预期投资回报率却没有清晰的认识。亚马逊和Facebook等商业领袖凭借数据取胜，并不意味着您会立即效仿。
据估计，85%的大数据计划都失败了。在接受《哈佛商业评论》调查的公司中，只有不到一半认为他们的分析项目已经取得了可衡量的结果。大部分失败的项目都是由炒作推动的。供应商兜售数据驱动的好处，却没有诚实地面对挑战。这导致了“跟上攀比”的呼声，而技术落后的公司最终付出了代价。为了避免这些陷阱，需要记录重要的需求并为成功做好准备。不要从技术开始。
当今企业的数据驱动程度如何
最近的调查结果令人失望。尽管投入大量资金，公司仍在努力取得他们所寻求的进展：
不到一半(48.5%)正在利用数据推动创新。
只有41.2%的人在分析方面进行竞争。
只有39.3%将数据作为业务资产进行管理。
不到三分之一(30.0%)的公司拥有明确的数据战略。
根据研究，32%的公司表示已制定数据策略。其中许多文件没有得到很好的阐述，并且没有得到企业的认可。
只有24.4%的人已经形成了数据文化。
只有24.0%的人表示他们已经创建了一个数据驱动的组织。
如果组织目前缺乏数据治理，将很难释放组织数据的价值。数据可能会杂乱无章，并且不适合更高级的用途，除非已出于这些目的积极管理该数据。
如何建立数据驱动的业务
请按照以下步骤构建数据驱动型业务。
现在我们已经介绍了它的含义，让我们看看如何成为数据驱动型的组织。显而易见的目标是提高业务绩效。除非我们能够提高性能，否则我们不应该投资数据活动。让我们看看如何将其变为现实：
如何利用数据来提高业务绩效
作为数据领导者的企业显然正在交付令人印象深刻的成果。我们确定了这些公司突破极限并利用数据改善业务的9种方式：
利用数据提高决策的准确性和速度。
使用数据控制成本和支出指标。
更好地了解客户，并提高忠诚度和支出。
识别新市场或增长机会。
减少欺诈并消除其他业务风险。
创造更好的产品和服务。
与合作伙伴和客户出售或交易他们的数据，以产生新的收入来源。
提高员工敬业度和满意度。
提高关键业务流程的效率。
造成这一挑战的原因在于，需要将这些高级数据目标转化为适合当今业务的实际、务实的数据策略。
创建与组织战略相一致的数据战略
根据业务战略目的和目标调整数据策略。
为此，必须确定上述对业务最有利的要点。年度报告将显示业务发展方向。如果所在的私营公司不发布年度报告，请查找表明主要目标的战略文件。
获得这些文档后，就可以开始使数据目标与业务目标保持一致的工作。
对齐过程，分步骤：
1.首先，找到与上面列出的其中一个要点相符的战略目标。
也许公司正在尝试扩展到新的地区-在这种情况下，您将选择“识别新市场或增长机会”。
2.其次，集思广益如何使用有助于实现这一战略目标的数据。
继续这个例子，手头上可能有数据显示以前开设类似地区所需的投资。
还可以考虑当前没有的数据，例如GDP或人口统计数据。这些数据可以帮助高管做出启动选择。
最后，可以查找合作伙伴数据。合作伙伴是否已经在目标地区开展业务?也许他们会与您的公司共享这些数据，或者将其交换为您拥有的有价值的数据。
3.最后，与负责做出决定的高管进行接触。
告诉他们帮助他们的计划。
解释希望如何提供更多数据来帮助他们做出更好的决策并消除他们面临的一些疑问和不确定性。
询问他们，如果他们想获得一个完美的结果，想要什么数据。
数据驱动计划必须让执行领导感到兴奋。如果在这一步失败，请返回到第一个方并重新开始。
通过根据业务的战略目标调整数据活动，将从执行团队中获得更多热情。不要要求高管帮助您将数据放在第一位，而是向他们展示如何将他们的决策放在第一位。
数据驱动的决策变得简单
我们使用数据提高业务绩效的9种方法中的第一种侧重于决策。事实上，改进决策将导致后续8个项目中每一个项目的改进。因此，我们希望花时间专注于这一步，并逐步了解如何在业务中实现这一目标。
数据驱动决策(DDDM)很简单。目的是利用我们手头的数据更快地做出更好的决策。询问任何一位高管，他们对重大决策有多大信心，你会发现(私下里)许多人被迫在没有全面了解的情况下做出决定。这是因为很难在准确的时间提供完美的信息。此外，许多高管还会告诉您，他们对所提供的数据缺乏信任。
67%的首席执行官忽视了数据分析提供的见解，因为它与他们自己的直觉或经验相矛盾。
不到一半的公司表示数据对于决策制定具有高度价值。我们必须解决这个问题。
不要急于获取业务数据。首先，我们必须关注重要的数据。我们认为，识别这些数据的最佳方法是使用决策智能。
使用决策智能来识别关键数据
决策智能是一项新技术，可以帮助我们对复杂决策进行建模。因此，它非常适合数据驱动的决策。
如何创建因果决策图
创建因果决策图的第一步是确定需要做出的决定。接下来，需要获得执行发起人的支持。即使他们不参与完整的因果决策流程，获得他们的指导也会产生巨大的影响。需要定义因果决策图将克服的问题陈述。让执行发起人签署此协议。
一个示例决策可能是“我们希望在2023年将业务增长10%。我们是否应该利用我们的技术进入中国市场?”。
这样的决定本质上是复杂的。因此，需要组建一支具有丰富经验的多元化团队，以帮助理解这一点。团队越多元化越好。
执行发起人可能需要制定一些基本规则。例如，可用于支持进入新市场的最高预算可能为100万美元。除非在开始建模之前就知道这一点，否则可能会创造出永远不会被使用的想法。因此，应该记下所有这些并使用它们来构建建模会话。
开始构建因果决策图
构建因果决策图的第一步是确定团队想要实现的结果。在我们的案例中，问题中阐述了其中之一——希望在2023年将业务增长10%。太棒了!接下来，我们需要充实这一点并记录其他结果。例如，我们可能有义务达到法律规定的特定环境目标。这需要记录下来，因为进入新市场的决定可能会对这些目标产生影响。最后，可能还有其他重要的结果，例如维持利润率或保护知识产权。把它们全部列出来。
仅有结果还不够好。一旦集思广益了尽可能多的内容，就该具体化了。首先定义可以实现的可衡量的目标。我们的第一个例子“2023年业务增长10%”是可衡量目标的一个例子。如果我们实现了，我们就会知道。定义衡量成功的指标。
充实细节
是时候进行另一次头脑风暴会议了。在本次会议中，团队应该列出尽可能多的杠杆-可以控制并可以选择的选项，这些选项可能会帮助实现目标。对于我们的示例，这可能包括新市场的定价选择。也许我们需要考虑运输方式或者是否在那个市场开设工厂。列出所有可以提供帮助的潜在选项。
最后，需要识别“外部”。这些是无法控制的事情，可能会影响您的决定。Covid-19是可能极大影响决定的外部变化的一个示例。虽然不可能全部预测，但团队可以在本次会议中列出尽可能多的内容。
将因果决策图整合在一起
一旦有了一份包含杠杆、外部因素、结果和可衡量目标的清单，就可以开始将它们拼接在一起。此时团队必须利用他们的经验和知识将因果决策图整合在一起。例如，一位团队成员可能知道竞争对手在中国的价格为50美元。您自己制造商品的价格可能是30美元。然后，可以选择是从现有工厂运送产品，还是在中国建立新工厂以在当地供应货物。
通过中间链接将控制范围内的事物与目标联系起来
当考虑这两个杠杆时，需要将它们与团队定义的结果和目标联系起来。从现有工厂运送货物的成本可能为每件10美元，这意味着可以获得20%的利润率(高于您的目标)。与此同时，航运的碳足迹可能会对环境目标产生负面影响。这可能会取消这个选项。
仔细地将每个杠杆与目标联系起来，并注意任何反馈循环或意外的相互作用。
识别关键数据
根据经验，仅创建因果决策图就可以为业务带来巨大价值。大多数企业缺乏一个连贯的重大决策图。团队之间存在孤岛，这些团队可能会相互竞争相同的资源，或更糟糕的是，将公司拉向两个不同的方向。
当你浏览链条中的各个环节时，会有一些不确定的地方。在其他领域，将拥有可靠的数据，表明该特定杠杆的特定选择。在这两种情况下，这都描述了在做出这一重要决策时对管理人员有用的数据。
以出货杠杆为例。当对此进行分析时，可能会发现需要更多有关不同运输方式的碳足迹的数据。然而，一旦研究了在中国设立工厂的杠杆因素，就会发现，在海外工厂生产、运输和销售产品的成本不可能比在当地生产的成本更低。因此，寻找碳足迹数据是没有意义的。这与决定无关，因为一开始就不会选择使用该杠杆。
并非所有数据都是一样的。关注能够带来更好决策的数据，而不是最容易找到或最容易理解的数据。
通过使用决策智能等工具，可以识别关键数据所在的区域。这将帮助避免陷入“过度改进”业务未使用的数据的陷阱。这将节省时间、金钱和资源，以便可以将精力集中在为执行利益相关者提供有意义的价值的数据上
将所有内容整合在一起
更快地做出更好的决策是首先成为数据驱动的主要原因。关键是识别重要数据以帮助指导决策。决策智能是一种可以用来解决这一问题的技术。即使选择不利用决策智能，本节的主要要点也应该是：
专注于为业务增加真正价值的重要决策。通过这样做，将提高高级管理人员支持该项目的热情。
确定支持这些决策的关键数据。一旦确定了这些数据，就可以确保它适合预期目的。
不要旨在让每个人都可以使用所有数据。这是“沸腾的海洋”，会浪费项目时间和资源。
慢慢开始并在成功的基础上再接再厉。应该利用一切机会记录和展示数据驱动方法带来的价值。提前做好功课可以清楚地展示出强劲的投资回报。随后，您会发现说服其他高管遵循您的方法要容易得多。
成为数据驱动型企业面临的挑战
正如您从上面的章节中看到的，企业难以成为数据驱动型企业的原因有很多。让我们看一下一些主要挑战并探讨如何克服它们。
数据管理不善
数据治理功能的存在是为了确保数据适合用途。该功能的作用是对业务数据施加执行权限。例如，必须明确定义“客户”一词：
这是否意味着任何曾经从您的企业购买过商品的人?
这是否意味着有人在过去12个月内购买过东西?
或者是积极订阅持续服务的人?
正如您所看到的，像“客户”这样的简单术语对于不同的部门来说可以有多种含义。为了消除这些噪音并理解我们的数据，我们首先需要记录它的含义。之后，我们可以开始规定数据质量规则——我们的客户记录中是否需要电子邮件地址?我们应该多久验证这些电子邮件地址是否有效?在我们的业务中，谁应该做出这些决定?
当数据治理缺失时，数据就会陷入混乱。从管理不善的数据中找出意义是一场艰苦的战斗。基于管理不善的数据的报告会削弱高管的信任并产生分歧。在成为数据驱动之前，必须解决这个问题。
数据成熟度报告的主要发现：
56%的企业表示，数据是其业务的战略推动者或竞争优势
然而，35%的企业只从成本角度看待数据价值，无法看到更大的前景
目前只有32%的公司制定了数据战略，领导者的数据成熟度得分远高于没有任何战略方向的公司。
高级利益相关者尚未接受数据治理——只有16%的公司最高级资源积极参与
三分之一的企业(33%)没有专门的预算来改进其数据
数据所有权仍然是一个模糊且令人困惑的话题–42%的公司没有数据所有者或依赖IT发挥这一关键作用
37%的公司知道他们的数据质量很差，但仍然没有适当的流程来改进数据
元数据管理工具尚未达到黄金时段——只有2%的参与者表示这些技术得到了广泛使用和采用
数据团队未能为自己的工作设定和衡量KPI——77%的企业无法告诉我们事情是否因他们的工作而有所改善
常见的数据成熟度问题
我们看到的第一个主要数据成熟度问题是缺乏业务案例。企业告诉我们，他们没有商业案例，或者他们的商业案例结构不完善。反过来，这又导致高管缺乏对项目的参与以及数据计划的资金不足。如果希望数据驱动的计划能够长期持续，就必须构建良好的业务案例。
其次，我们经常看到数据所有权方面的挑战。简而言之，数据所有者必须对其“拥有”的数据负责。这个角色至关重要。对数据负责意味着需要拥有权力、预算和影响力来改进数据。具体来说，这个角色必须有权对不良数据“采取行动”。通常，这意味着任命“数据管理员”来进行改进工作，并清除内部导致不良数据的障碍。
常见数据所有权问题
1.没有人拥有这些数据。这意味着组织中的数据不承担任何责任。如果没有问责制，就没有人可以报告数据问题和错误。
据调查，16.3%的公司没有人对其数据负责。
2.IT拥有数据。这并不比上面的好多少。IT部门可能拥有数据所在的系统，但他们对该系统内的数据并不了解。因此，他们不能对数据问题负责。
25.6%的公司犯过这个错误
3.错误的人拥有数据。数据所有权可能是一个棘手的话题。仅仅因为商业支持者被任命，并不意味着他就自动成为该职位的合适人选。
我们采访的公司中有18.6%正在指定数据所有者。这意味着我们能够帮助指导他们的选择并支持这一关键角色。
存在的其他问题包括人们“囤积数据”。不幸的是，将此角色称为“数据所有者”的一个副作用可能意味着有些人认为他们可以用它做任何他们喜欢做的事情。事实并非如此，需要迅速消灭在萌芽状态。
数据质量问题
数据质量很重要。如果数据质量很差，那么根据该数据做出的决策也会质量很差。因此，获得高数据质量分数是构建数据驱动型业务的重要一步。
简而言之，数据必须适合其预期目的。这意味着与业务部门交谈、了解决策并就预期质量指标达成一致。把这件事做好，你就会让你的高管感到高兴，并使其他一切变得更容易。
我们发现这对企业来说是一个艰巨的挑战。37.2%的公司表示“数据被认为质量较差，但没有正式的流程来解决它”。另有27.9%的公司表示IT部门负责修复不良数据。
与数据所有权一样，IT部门不能负责修复不良数据，除非他们知道“适合目的”的含义。此外，修复不良数据的成本也很高。消除不良数据的根本原因。为此，必须更改捕获数据的方式。这将带来长期成功并降低管理数据的成本。
高管不感兴趣
根据调查，53.5%的企业表示，他们的执行领导者要么对数据治理不感兴趣，要么对此主题兴趣有限。结果，没有用于改进数据的预算，而且现有的项目也得不到很好的资助。
“为什么这么多大数据项目失败?”中说：
管理层阻力和内部政治(Gartner报告)。
组织协调不足、中层管理人员缺乏采用和理解以及业务阻力
改变组织的文化是一项挑战。取得进步的唯一方法是展示切实的商业价值。除非能够证明投资回报，否则永远不会让管理层关心。因此，数据从业者需要停止将这些失败归咎于管理层，并开始学习如何更有效地传达他们的价值。
缺乏数据素养
“数据素养是读取、使用、分析数据和与数据进行交流的能力”。这意味着决策者需要这些技能才能使用提供的数据。事实上，可以提供世界上最好的分析，但除非主管能够理解它，否则就是在浪费时间。
与我们对数据分析的评论类似，首先要了解今天的数据素养水平。接下来，考虑明天您需要什么级别的数据素养。根据受众的需求来培训他们，否则，会让人们感到厌烦，并让他们终生远离数据。
为了有效地做到这一点，必须根据受众量身定制培训。有些人想“探究”细节，其他人则乐意接受“黑匣子”的结果。因此，培训那些需要培训的人。只要对您提供的结果有信心，并且对数据采取行动，您就成功了。
