如何创建成功的数据策略

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

如何创建成功的数据策略
随着AI和数据科学的飞速发展，数据已成为每个企业的重要资产。因此，设置数据策略已成为每个企业的任务，尤其是在C Suite和执行级别中。什么是数据策略，我们如何创建正确的数据策略？我想通过这篇文章来回答这两个问题。
。
在讨论数据策略之前，我们需要了解什么是策略。使用简化的定义，策略是一个深思熟虑的计划，专注于更改当前状态以实现对未来的愿景。换句话说，正确的策略需要从愿景开始，而策略是进行一系列更改的一种方法，通常需要创新和开箱即用的思维才能实现愿景。每个企业在制定 数据策略之前 都必须具有适当的业务远景和业务策略。数据策略应与业务策略紧密结合，并有助于实现业务愿景。另一方面，数据与技术共存，同时为企业和客户提供价值。因此，数据策略也是数据和技术的策略。
。
鉴于数据的策略，这是什么的定义 是，我们也应该可以说数据的策略是什么 不。例如，去云计算，采用人工智能和聘用数据科学家不是数据策略；它们是我看到的经常与愿景或战略相混淆的手段和工具。这种混乱可能会导致代价高昂的“沸腾海洋”努力，或者由于一开始缺乏明确的方向和目标而注定要失败。技术正以前所未有的速度发展，特别是在数据和人工智能领域。成功采用一项新技术，只有在它可以帮助实现先前已无法实现的业务愿景时，才是重要且有意义的。因此，相对于现有系统，新技术可以带来的最终商业价值是探索新技术并将其纳入战略的正当理由。另一方面，新技术可以推动新产品的新想法或新的创收机会。在这种情况下，新产品或创收机会需要成为业务远景和业务战略的一部分，而技术则成为对数据战略的投资。换句话说，对新技术的探索和采用应与业务目标和业务远景保持一致。
。
创建成功的数据策略时，我们应重点关注6个领域：一致性，体系结构，流程，组织，人员和长期计划。
。
与业务战略保持一致
。
这可能是数据策略中最重要的方面。尽管数据战略的重要性已被广泛接受，但对于许多组织而言，其实施仍然是一个大问题。这主要是因为商务人员通常对技术不自信，并且数据科学家或技术专家过于专注于技术，而没有在面对业务挑战的情况下将技术工具具体化。因此，只有当双方都将重点放在业务成果上时，才能进行调整：
。
在业务环境中定义业务目标和策略
业务目标和策略应关注于客户和客户需要实现的结果，而不是限制潜在的技术解决方案。例如，当业务策略说“向公司的客户提供API”时，它立即缩小了技术人员为最终客户构建API解决方案的范围。尽管这可能是可能的解决方案之一，但它并不能真正反映客户的需求。更恰当地用不同的方式陈述该问题，因为“客户端需要一种便捷的方法来从他们想要的任何地方以最少的人工就可以检索数据”。有了这个目标，解决方案将大不相同，实际上，应该导致完全不同的策略，该策略将更多地侧重于用户体验，而不仅仅是API。
。
设计和实施技术解决方案，全面了解业务问题
技术人员总是在寻找新的工具，新的库甚至新的编程语言。从实施新技术的那一刻起，由于与新技术相比的局限性，它可能会逐渐失去荣耀并受到批评。因此，我多年来看到的一个严重陷阱是，仅出于技术进步的目的而进行实现或更新，而不能解决业务问题。有时，这是必要和不可避免的。另一方面，我们应该避免在技术世界中大肆宣传，而应将技术进步集中在业务用例上，并根据业务需求做出明智的决策。
更高层次上，数据策略的业务需求来自三个领域：产品，运营/流程改进和合规性。这些区域中每个区域的数据策略可能都非常不同。与产品相关的策略要求具有快速发现和与新数据源集成以及提供新用户体验的功能。运营/流程改进是最内部应用的，着重于效率，成本降低和质量改进。合规性侧重于数据安全性。因此，有效的数据策略应涵盖所有这些领域。
。
在AI和分析领域有很多机会的领域中，数据策略应与业务策略保持一致，以便确定优先级并确定从哪些领域开始以及下一步要规划哪些用例。明确定义AI和机器学习（ML）的优先级并非易事，首先需要对方法论，机会和大胆的愿景有深入的了解。在这种情况下，业务人员和产品人员应与技术和数据科学领导者紧密合作，共同创建愿景和战略。
。
体系结构：数据量问题
。
在处理数据体系结构时，了解现有和将来的数据资产是关键。需要提出一些重要的问题，例如，解决业务问题所需的数据类型，典型的用例是什么以及3到5年内的数量增长是多少。正如我在另一篇文章  （大数据性能原理）中所述， 使用小数据量更简单，这可以确保更快的周期并且需要更少的投资。但是，当处理大量数据时，该架构将变得更加复杂，因此成本将高得多，并且实现将花费更长的时间并带来更多风险。如果不同来源和应用程序的数据大小确实不同，则应从一开始就采用不同的思维方式和规划方式来解决每种情况。鉴于技术的不断发展和数据量的增加推动了大数据架构的复杂性，大数据架构的策略也应该具有深远的意义，其愿景可能不仅限于3-5年，而且在外观上-更长的时间。
。
大数据的典型架构包括3个区域：1）数据源及其暂存区域；2）数据湖和数据处理平台；3）交付解决方案。一个成功的大数据数据策略应该 针对这三个领域进行不同的计划， 并使每个领域与业务目标保持一致。尤其是，为大数据重建Data Lake和Data Processing平台的成本非常高，并且可能需要很长时间和许多资源。另一方面，添加数据源或开发新的交付解决方案可以相对快速轻松地完成，以增加收入。建立可扩展，可集成和可持续的数据处理管道和平台是确保企业长期发展的核心战略。
。
组织：集中与分散
。
新想法和创新通常是从业务部门开始的，因为它们离客户和客户更近，而IT或集中式数据技术小组在变更管理，可伸缩生产系统，流程自动化和企业级解决方案方面拥有专业知识。在业务部门中具有“分散式” IT也被称为“影子IT”。其存在的原因显而易见：IT拥有集中的资源，这些资源通常无法满足快速灵活地满足客户需求的业务要求。另一方面，业务部门既没有大型生产环境的能力，也没有企业级软件解决方案的预算。
。
在数据科学和AI领域，这种冲突变得更加明显。虽然业务部门的小型数据科学团队可以快速尝试AI和机器学习算法，但他们还应该计划如何同时扩展和生产模型。 从试验新算法到集成和生产化的整个生命周期，  需要在数据策略中明确讨论和执行，并结合组织结构以及业务和技术部门之间的伙伴关系。此练习可以同时提高企业级效率和加快创新速度。例如，数据科学家可以专注于新思想，而不必担心支持生产，而IT /集中技术小组则专注于构建和支持具有最佳性能的可扩展集成生产平台。换句话说，一个好的策略可以使我们从最初的创新到最终的生产化和业务增长，从整体上看待数据生命周期。它还会促使技术和业务部门以相同的目标紧密合作，以实现双赢的结果。
。
流程：数据治理
。
任何数据策略的主题都是公司的数据资产。成功的数据策略应就如何释放数据资产的价值以实现业务目的制定明确的计划。数据治理是根据所有权，完整性，合规性，质量，内容以及与其他数据集的关系来管理这些数据集的过程。没有建立的治理，企业将缺乏对数据集的清晰度和洞察力，这可能会导致数据策略不一致或重叠。正如mime的前一篇文章（主数据管理：数据策略的重要组成部分）所述， 为了确保主数据管理作为数据策略的一部分，数据治理流程对于该策略的成功至关重要。数据治理是一个过程，其有效性取决于其交付的结果。其目的是提供透明性和效率，而不是混乱和官僚主义。鉴于其在管理数据资产中的重要功能，数据治理应成为数据战略的一部分，并针对如何建立，实施和持续改进企业的数据治理流程制定更具体的计划。
。
人：人才与文化
。
人员也应该成为企业任何策略的一部分，数据策略也不例外。数据策略的区别在于，技术人才很难找到，数据也需要机构知识才能产生。在培训或建立新人才管道之前，对当前人才进行评估并制定计划对于成功的数据战略至关重要。在这个领域，留住人才和寻找新人才同样重要。建立具有多种互补技能和丰富经验的团队，应该是成功的数据策略的重要方面。
。
另一方面是在组织中建立数据能力和数据文化。这并不是说任何访问数据的人都应该能够执行SQL，Python编程或运行机器学习算法。一个例子是，大多数人都能处理Excel电子表格中的数据。应该建立相同级别的覆盖范围和能力，以便人们可以使用组织内的标准化工具轻松访问数据，以便人们可以在不借助技术的帮助下就可以提取，分析和使用数据来改善决策和工作效率。人。当然，这取决于公司内部的几种功能：轻松的数据访问，清晰的数据分类，带有访问和分析数据的插件的自助服务工具的??可用性以及大量的培训。
。
长期能力和竞争力
。
数据是公司的资产，因此，处理数据是一项长期的工作，而数据战略需要长期的远见。实际上，成功的数据策略应该有一个总体计划，该计划可能会超过业务战略，从而为将来的业务战略和增长奠定长期基础。这是因为建立数据平台，基础架构，人才和文化需要时间，并且结果与数据一起成为公司的资产。使用数据资产与构建程序或界面非常不同。它需要仔细的管理，长期的投资和持续的努力。具有扎实基础和能力的稳定性对于公司高效，快速发展而又不会造成干扰和挫折的情况至关重要。虽然我们不完全知道技术前景如何，一个成功的数据策略将帮助企业准备和接受它，而不是一味地做出反应。在这方面，有效数据策略的优势强调数据资产和人员提供的价值，而不是新技术，而新技术仅仅是提取和实现数据价值的工具和方法。
。
摘要
。
尽管数据策略与业务策略具有相同的组成部分，但它在策略领域仍相对较新。建立正确的数据策略首先需要业务远景，并与业务战略保持一致。数据战略也应被视为实现长期愿景的推动力，为未来业务战略可以依靠的基础奠定基础。最后，防止数据策略仅以技术或IT为中心是成功的关键。换句话说，组织应采取整体方法采用长期数据策略，并优化技术投资，人员和流程，以实现业务的持续增长。毕竟，正如吉姆·罗恩（Jim Rohn）所说：“成功是20％的技能和80％的战略。您可能知道如何成功，但更重要的是，您的成功计划是什么？”。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Processing processI Python编程 Process 机器学习算法