成功的数据与人工智能战略是什么样的

对于任何战略数据管理领导者而言，首要步骤之一便是制定数据和人工智能战略。该战略必须以事实为依据，解决用户面临的实际挑战，并使用高管、股东和一线数据工作者都能理解的语言。任何数据和人工智能战略的核心都包含以下四个关键要素：

• 数据治理
• 数据创新
• 数据与人工智能分析
• 数据文化

一 数据治理

对于大多数刚接触数据治理或已经熟悉数据治理的组织而言，任何成功项目的关键都在于构建非侵入式的方式来接触目标受众。对于首席数据官 (CDO) 来说，这一点至关重要，需要仔细考虑组织承担数据治理职责的意愿。对于数据治理尚未正式化、没有专职人员负责数据治理的组织，则需要将数据治理融入日常流程，甚至将其写入岗位职责描述，以确保一线数据工作者在执行日常工作的同时，能够清晰地理解数据治理方法并为整体战略做出贡献。

考虑到这种背景，非侵入式数据治理的总体方法与其说是控制，不如说是将其视为一种价值功能，它帮助用户在受管边界内工作，同时提供数据可访问性和可用性，减少访问正确数据以驱动洞察并为组织创造价值的阻力。

对于首席数据官 (CDO) 而言，构建数据治理框架的首要任务之一是制定与组织风险状况相匹配的策略和标准。例如，在大多数组织中，数据分析是最大的数据使用者。成百上千份报告和仪表盘呈现着独特的洞察，需要进行优先级排序。最重要的是，分析生态系统中的用户需要了解数据使用指南、正确的数据访问权限，以及可通过自助服务访问的高质量数据的可用性。

在最初的 100 天内，首席数据官需要健全的数据治理政策和标准来保护数据、满足监管要求、确保敏感数据的可见性，并执行数据质量业务规则，以确保所访问的数据适合使用。

政策和标准的制定过程应与受影响的业务利益相关者协同进行，以避免给人留下“命令与控制”的印象，否则可能导致业务部门不予采纳。数据治理的很大一部分工作在于与人沟通并创建协作环境，从而积极展现业务领导者的风采。首席数据官（CDO）更侧重于创造价值，不仅要支持领导者满足其眼前的数据需求，还要赋能他们发挥领导作用，理解发展路线图，并识别因缺乏参与而可能产生的风险。

关键步骤包括制定支持组织数据态势的政策和标准，例如，制定企业级政策而非仅限于业务部门的政策。尽早建立并完善这一政策库是首席数据官 (CDO) 最高效的任务之一。数据治理的最终目标是建立政策和标准、明确数据所有权并确保数据质量。虽然这些目标目前仍有些抽象，但它们为实现积极的投资回报率 (ROI) 奠定了基础，本文稍后将对此进行探讨。

要点总结：

创建企业和本地数据策略及标准库

制定数据质量标准以提供高质量数据

通过纳入业务利益相关者来定义数据所有权。

二 数据创新

对于特定组织而言，数据创新取决于用户如何从现有数据中挖掘洞察，以应对战略性应用场景。例如，大多数银行或保险公司都在高度监管的市场中运营。酒店业面临着来自 Airbnb 等平台的巨大竞争，但又必须满足利益相关者的需求以提升客户忠诚度。同样，零售市场的目标是在保持低价的同时，管理复杂的供应链、供应商和产品，从而为消费者创造真正的价值。

数据创新能否成功，很大程度上取决于用户画像、他们的数据需求以及业务用例的映射。我曾与来自不同行业和地区的全球战略数据管理领导者交流，发现一个共同点：许多领导者都倾向于“包罗万象”。根据我以往的经验，这种现象在概念验证技术评估阶段尤为明显。领导者们常常收集大量的业务需求，但只有少数人真正推动了这些需求产生应有的影响。“包罗万象”的做法会阻碍数据驱动文化的形成。

数据创新的首要步骤之一是创建用例组合。战略数据管理领导者需要树立数据产品管理的思维模式，清晰定义每个用例的目标受众、业务问题、数据范围、所有权、质量标准等。与财务投资组合类似，用例可以进行投资回报率 (ROI) 跟踪，从而避免仅靠治理不足以实现的无形投入。

要点总结：

基于利益相关者调查和相互理解的库存使用案例非常重要

根据对组织目标的影响来确定用例的优先级，并专注于小规模的价值验证（POV）。

运用产品管理思维：明确问题陈述，绘制目标用户画像，并概述业务影响。

构建数据社区，确保积极参与，尤其是在首次观点评估阶段，以便快速取得成效。

三 数据与人工智能分析

在任何数据驱动型组织中，数据和人工智能分析都是最大的数据消耗者。如此高强度的生态系统需要更快地访问数据，从而提升数据的可访问性和可用性。分析人员反映的一项主要挑战是，如何找到并信任合适的数据用于报告、人工智能或机器学习模型。

对于数据和人工智能分析而言，战略数据管理领导者需要创造能够产生切实成果的价值。实现正向投资回报率需要以下关键要素：

数据自助服务：数据和人工智能分析社区的目标是挖掘洞察并创建人工智能/机器学习模型。获取干净、可靠的数据是提高生产力的关键。缺乏自助服务的组织会面临报告生成速度缓慢、团队各自为政导致报告重复、以及使用通用数据构建和共享人工智能/机器学习模型等挑战。由战略数据管理领导者协调的数据自助服务门户能够让分析团队成员更轻松地使用和访问数据。

单一数据源：创建单一数据源需要注册分析团队所依赖的关键数据源。数据目录有助于组织有效地理解和分类数据，从而实现隐私保护、安全管理、内部与外部数据共享以及项目管理。更重要的是，数据目录是构建数据产品的第一步：数据产品是将关键数据映射到策略、标准和战略用例的集合。

数据分析社区游戏化：并非所有数据分析成员的贡献都相同。游戏化能够促进分析师、科学家、工程师和其他人员之间的共享文化。战略数据领导者应识别关键贡献者，分配角色，并促进数据重用。许多组织依赖于分散的数据源或Excel/SharePoint文档，随着数据量的增长，这种方式难以扩展。游戏化有助于用户协作，提升数据素养，并生成与战略用例相匹配的适用解决方案。在这个系统中，积极的贡献者应获得奖励。首席数据官（CDO）的角色是创造价值，通过提高数据的可用性和可访问性来赋能用户。

人工智能增加了希望参与战略举措的日常数据用户流失的风险。营造这种环境有助于强化整体数据驱动文化。

四 数据文化

构建数据文化看似艰巨，因为存在无法立即体现价值的风险。许多领导者将文化与业务责任混淆，这可能会造成一种印象，即数据治理是为了控制而非创造价值。

一种非侵入式方法始于数据素养培训项目，该项目不会占用用户太多时间，并且会根据用户的承受能力进行调整。根据我的经验，成功的数据领导者会与培训和赋能团队协同推进数据素养计划，并与人力资源部门密切合作，将数据素养要求纳入职位描述，从而确保每位相关 人员都承担明确的责任。

小结

通过协调治理、创新、分析和文化，战略数据领导者可以将数据和人工智能转化为组织真正的价值驱动资产。以下是四个关键要点：

建立明确的政策和标准：制定企业和本地数据政策、标准和数据所有权，以确保高质量的数据，并为积极的投资回报率奠定基础。

优先考虑有影响力的数据用例：根据利益相关者的需求和组织目标，清点并优先考虑用例，运用数据产品管理思维来跟踪投资回报率，避免无形的努力。

通过可访问性增强分析能力：推动数据自助服务，构建单一数据源，并确保数据可用性，从而加快洞察速度、人工智能/机器学习开发和战略决策。

培养协作的数据文化：实施数据素养计划，通过游戏化吸引分析社区参与，并赋予用户在受管控范围内工作的能力，以最大限度地提高价值并推动采用。

本文来自微信公众号“数据驱动智能”（ID：Data_0101），作者：晓晓，36氪经授权发布。