在這篇文章中，我想從企業架構的角度分享一些關於數據驅動策略的思考。我希望它能幫助 IT 人員和業務人員從不同的角度看待這個主題，併爲解決該領域當前的業務挑戰提供清晰的思路。

我正在描述應該顯而易見的事情；然而，有時重述顯而易見的事實有助於達成共識。商業的簡單定義是由一羣人爲了商譽或利潤向客戶提供增值產品（商品和服務）而組織的活動。人際互動和溝通是業務運營的固有組成部分，人們之間必須交換信息以進行各種業務活動以交付產品。

沒有信息交換，商業就不可能存在。這種信息交換直接發生在客戶和麪向客戶的員工之間，然後更多的信息交換髮生在內部組織的員工之間，相互提供必要的服務以支持業務運營。每天，員工都會處理數百萬筆交易。交換的信息量顯然取決於業務的規模和性質。

如果以可以忽略不計的成本提供無限的數據存儲容量，那麼每個組織都可以以歷史記錄的形式保存所有交換的信息。他們將存儲從每筆交易存在之初到當前時刻的相關數據。這就像保存整個業務交易歷史的數字副本，每時每刻捕捉業務的每個狀態轉換。

有了這樣的數據存儲庫，人們就可以在歷史上的任何時刻重新創建業務快照，並能夠檢查業務在做什麼以及它在當時所做的任何事情的執行情況。當然，在現實世界中，這還不可能；然而，如果組織只關注與重要且相關的交易相關的少數信息元素，並且只以數字數據的形式保留這些信息，那麼他們仍然可以接近實現這一夢想。

爲什麼企業要關心保留這些數據？一旦交易結束，除非法律要求，否則數據不需要保留。

如果企業領導者認識到他們所掌握的歷史數據的真正價值和潛力，並瞭解他們可以用這些數據做什麼，他們毫無疑問會保留這些數據並最大限度地挖掘它，以提高他們在市場中的地位。那些看不到數據價值的人將會忘記他們可能會錯過什麼。

在利用數據的潛力方面，空間是無限的；這取決於他們的財力有多少。數據可用於通過各種類型的分析得出見解。現在數據領域的每個人都知道各種類型的分析 -

·描述性分析講述過去發生的事情，

·診斷分析有助於理解過去發生某事的原因，

·預測分析預測未來最有可能發生的事情，以及

·規範性分析建議您可以採取哪些措施來影響這些結果。

但當然，天下沒有免費的午餐。由人工智能支持的數據管理和分析是一項成本高昂的工作。對數據分析/人工智能潛在用例的無知，以及不瞭解企業內數據和分析能力的成本效益，是商人猶豫是否加入競爭的主要原因。

企業數據是我上面描述的內部和外部用戶交換的重要且相關的數據，用於進行日常業務運營以向客戶提供服務。當企業採用戰略性“數據驅動”方法時，這意味着企業有意識地選擇利用企業數據，通過數據分析和解釋幫助組織各級做出基於事實的決策。

數據驅動的方法使企業能夠檢查和組織數據，以改善對其內部和外部客戶的服務。通過使用數據來推動行動，企業可以將其消息傳遞給潛在客戶，以實現情境化和個性化，以獲得更好的體驗。他們可以將數據貨幣化以提供新服務。

企業數據由涉及數百個業務系統處理的日常事務的各種操作和參考數據組成。組織保存有關其員工、客戶、產品、各種合作伙伴的數據以及特定於其行業的各種其他參考數據。他們保存與會計和財務、銷售和營銷、法律、政策、標準、原則等相關的數據以及與業務規劃和企業風險評估相關的數據。他們還保存有關業務和正在進行/計劃的項目中使用的技術的數據。等等。

數據可以是結構化的，即可以使用數據庫技術進行查詢，也可以是非結構化的，即所有其他形式的數據，例如包含文本、電子郵件、附件、數字音頻和視頻等的文件，包括硬拷貝和手寫筆記。

所有這些數據對於業務運營至關重要。長期保存如此大量的數據可能成本高昂，但它確實提供了額外的好處。從歷史上看，企業一直對維護這些歷史數據有良好的本能，因爲它爲他們提供了許多關於過去、當前和未來績效的有用見解。大型組織幾十年來一直使用決策支持系統來收集和分析大量數據，然後綜合這些數據來生成全面的審計報告。

隨着技術的進步，數據存儲已經變得負擔得起並且可供所有企業（無論大小）使用，從而創造了公平的競爭環境。隨着人工智能的出現，現在企業可以獲得有用的見解，並針對他們從未想過的情況做出決策。人工智能可以幫助人類以更快的速度做出更明智的決策，從而獲得必要的競爭優勢。

想象一下未來會發生什麼，隨着每週都會發布新的大型語言和其他形式的生成人工智能模型，組織很有可能使用這些廉價模型並根據企業數據對其進行訓練，因此使用自然語言界面他們可以獲得各種信息的見解。這將成爲員工手中的強大工具。科技公司已經在提供此類人工智能服務，以提高各個業務運營領域的生產力。

當然，必須採取適當的措施，確保人工智能模型以道德和公正的方式進行訓練，這樣生成的內容不僅準確，而且還確保模型能夠識別用戶並通過應用正確的過濾器僅生成符合要求的信息來回答問題。準確，並且僅允許根據其工作職能具有正確訪問權限的用戶查看。

企業數據只有在組織在全球任何地方的所有業務部門之間共享時纔有用。數據必須乾淨、最新且準確，並以人類可消費的形式呈現。人們應該能夠輕鬆地發現和搜索所需的信息，並能夠使用人工智能工具得出所需的見解，而無需任何底層技術的技術知識。

如果數據管理不當，其價值就會迅速下降。有價值數據的丟失或被盜可能會給企業及其客戶帶來重大的財務損失，因此企業必須花費大量的前期時間和精力進行數據策略規劃和設計，即有效的數據建模、解決方案、安全性和存儲。

並非所有企業都能承受數據驅動的負擔，或者就這一點而言，考慮到其業務的性質和業務的生命階段，它們需要完全數據驅動。對於選擇數據驅動的企業來說，領導層必須完全接受這個想法。數據驅動方法是一項戰略業務決策。它需要大量投資。領導者必須給予關心和關注，以確保戰略數據計劃成功實施，以便開始實現預期回報。

數據驅動策略失敗的主要原因有幾個。

不明確的戰略願景、目標和目標：

採用數據驅動方法是一種業務策略；它不是 IT 或技術戰略。如果這不是頂級戰略業務目標，那麼該戰略很可能會因缺乏足夠的投資而失敗。

沒有企業領導支持：

即使企業決定確定優先級並啓動數據驅動的方法，如果負責實施該戰略計劃的領導層不瞭解自己正在做什麼，那麼它仍然可能會失敗。由於他們的無知和不願學習，該舉措得不到必要的行政關注和支持，並且更有可能失敗。成功的關鍵是利用企業最高領導層（包括董事會）的企業數據進行教育和培養“可能的藝術”的意識。

目標運營模式設計不當：

未能採用數據驅動方法的另一個關鍵原因是未能爲數據和分析管理實踐設計正確的運營模型。業務領導者必須確定他們必須使用新的數據和分析管理實踐來解決的正確戰略問題（用例）。這將有助於確定實踐所支持的正確服務，然後可以幫助運營模型設計者確保設計正確的組織結構，讓合適的人員具備所需的技能，並確保可以使用以下方式交付所識別的數據服務：定義明確的流程與 IT 和業務組織的其他部分很好地集成，然後最終應用正確的技術/解決方案來支持企業的數據和分析生態系統。

技術只是達到目的的手段；它決不能成爲數據驅動方法的焦點。

由技術供應商推動的 IT 主導計劃：

再次強調，數據驅動方法是業務戰略，而不是 IT 戰略。如果數據和分析管理實踐的形成是由 IT 發起，特別是在技術供應商（或就此而言，由 IT 諮詢公司）指導下進行的，那麼很可能無法在整個業務中獲得可見性，並且由於缺乏這種可見性和認可從業務角度來看，由於業務反應不熱情（由於缺乏與業務產生共鳴的業務用例），它可能會逐漸消失，這很快就會耗盡對不發達的數據分析/數據科學實踐的投資。大多數由技術供應商推動的數據戰略計劃最終都會增加現有的 IT 運營成本，通常是因爲業務人員從一開始就從未真正理解技術解決方案背後的基本原理。這又成爲“錘子找釘子”的例子。

總而言之，在當代業務運營中採用數據驅動的方法凸顯了企業數據在明智決策方面的潛在潛力及其在促進業務活動中不可或缺的作用。企業應認識到歷史數據的重要性以及高級分析和人工智能的變革性影響，並最大限度地利用其數據資產的力量。此外，他們應該認識到與管理大量數據相關的挑戰和機遇，並認識到戰略願景、領導支持、正確的運營模式設計和避免技術驅動的舉措的重要性。從本質上講，企業應該考慮採用與業務目標相一致的整體數據管理方法，並培養數據驅動決策的文化，以推動組織的成功。

本文來自微信公衆號“數據驅動智能”（ID：Data_0101），作者：曉曉，36氪經授權發佈。