众所周知，在数据战略和数据管理领域，数据领导者正在尝试走向数据驱动的组织。当一家公司采用“数据驱动”方法时，这意味着它需要根据数据分析和解释做出战略决策，而不是基于直觉或既定经验。

　　这没有争议。德勤、毕马威、安永、普华永道、IBM、麦肯锡、BCG、AWS和许多其他思想领先的组织都传达了非常相似的信息。目标是成为数据驱动的，这意味着各个方面的增长，包括获得高管的支持、培育数据文化、培养合适的人才和技能、部署合适的技术、构建生态系统、将数据视为产品/资产，并推动数字化转型。

　　数据如何驱动

　　像任何其他数据战略爱好者一样，我也是组织变得数据驱动的坚定支持者。但有一个关键的区别，即它被理解并阐明了组织正在变得数据驱动的最终目标。仅仅说你想成为数据驱动型企业是不够的，这相当于一个企业家说她想创造利润，或者一个奥运队教练说他的目标是获胜。这是显而易见的，但是如何做呢，专注于什么呢？

　　根据组织及其独特的目标和约束条件，成为“数据驱动”可能意味着非常不同的事情。当然，规模很重要，如果您是当地的面包店，可能不需要内部数据平台。更重要的是，特定的业务目标可以推动组织实现数据驱动。

　　比较和对比特斯拉、劳斯莱斯和塔塔等汽车制造公司。特斯拉的竞争优势依赖于绝对的产品领先地位，他们通过在电池、自动驾驶和革命性设计方面的创新享有先发优势。特斯拉不做广告，定制选项也很有限。劳斯莱斯汽车极其独特、舒适，并且可以根据个人车主的品味进行定制。特斯拉以产品为中心，劳斯莱斯则以客户为中心。塔塔汽车公司则采取另一个极端，生产世界上最便宜的汽车。他们的主要竞争优势是他们知道如何以尽可能低的价格制造最低限度可行的汽车。

　　这三家公司都声称自己是数据驱动的，但显然鉴于它们完全不同的战略，它们的做法也截然不同。

　　战略不同数据驱动不同

　　战略原型对数据策略会很有帮助：

　　以产品为中心

　　公司可以通过增加高感知价值使产品或服务从竞争对手中脱颖而出，从而使自己具有领先优势。在这一领域表现出色的公司明确表明，它通过紧跟潮流的最高质量的创新产品提供市场上“最好的”产品或服务。

　　如果一家公司将产品创新置于中心位置，这对于所需的数据功能意味着什么？当然，这取决于“产品”，这里有一些经常看到的例子：

　　•数据科学家和产品创新者需要访问一个安全可靠的环境，以便他们可以进行实验并“快速失败”。这应该支持定向假设检验以及更一般的数据探索。

　　•数据平台可用于设计、执行实验并从中学习，鼓励数据科学家、产品经理、数据工程师和业务分析师积极协作。

　　•了解和访问外部数据源可以促进构思并实现外部验证的假设，例如通过将第三方数据纳入产品中。

　　•人工智能和数据科学能力可用于创建描述性、诊断性、预测性和规范性模型，这些模型可以推动更深入的理解（例如，了解什么构成了道路上的危险情况）并建议采取行动（例如，进行规避机动以避免碰撞）。

　　•面向业务的数据目录至关重要，尤其是在拥有大量数据源的大型、复杂组织中。它使数据科学家能够找到他们需要的数据，并通过随附的元数据正确解释它。

　　让我们考虑一下特斯拉：

　　我们拥有开发技术、系统和软件方面的专业知识，以支持主要使用基于视觉的传感器的自动驾驶车辆。我们的 FSD 计算机在车辆中运行神经网络，我们还在开发额外的计算机硬件，以更好地支持车辆捕获的大量现场数据，不断训练和改进这些神经网络，以实现实际性能。

　　自动驾驶的用例对于特斯拉来说至关重要。从上面的引述来看，至少三个数据功能显得至关重要：用于收集物联网生成数据的数据集成平台、用于保存数据的存储质量，以及用于训练和部署神经网络的数据科学应用程序。

　　从一开始，特斯拉就在其汽车上安装了生成数据的设备，并确保收集和存储这些数据以供进一步分析。随着多年来数据的积累（例如，超过30 亿记录的里程，其中3500 万英里是完全自动驾驶的里程），建立了模型来扫描和了解驾驶汽车的直接环境，识别危险状况并避免碰撞。有了基本的数据集成功能，还可以直接通过汽车控制台提供游戏和电影。

　　尽管埃隆·马斯克一直梦想着生产能够自动驾驶的电动汽车，但随后出现的许多渐进式创新在一开始并没有得到具体考虑。由于收集了大量的、质量受控的数据，它们成为可能。数据科学家和工程师能够访问大量干净、标记良好的数据，然后可以在安全的环境中将其暴露给人工智能和分析工具——这是数据驱动的创新蓬勃发展的沃土。

　　以客户为中心

　　组织可以采用指导原则，将客户置于一切的中心。任何决定或优先顺序都应基于当前或潜在客户认为符合利益或最受当前或潜在客户赞赏的因素。

　　有几个数据功能可能很重要：

　　•可以通过 MDM 系统和/或扩展数据平台构建所谓的客户 360 度视图，以便在所有交互中对客户有完整、全面的了解。有些人使用“客户 720 视图”这一术语来强调通过集成外部数据（例如来自社交媒体源）的更丰富的数据驱动的客户视图。

　　•使用来自 360/720 视图的数据，可以根据驱动偏好、需求和其他特征的维度对客户进行细分。良好的客户细分可以推动行动——可以根据细分市场定制营销、销售或服务方法。

　　•随着我们周围数据的爆炸式增长，数百个组织涌现，提供包含所谓“数据信号”的数据。高级功能包括数据目录，该目录不断扫描世界以获取外部数据集，并将这些信号转换为可能的与客户相关的用例。

　　•客户满意度可以通过明确的指标来衡量、跟踪和提高。净推荐值（“NPS”）可能是最著名的例子。

　　•基本数据集成和可视化功能与智能（基于规则或人工智能驱动）推荐引擎的结合对于增强客户服务非常重要。当客户致电呼叫中心、走进分支机构或经历生活事件时，相应的公司代表并不会因为大量的 360/720 视图数据而受到帮助 - 相反，这应该转化为战术建议（例如，询问上周的问题是否已解决、确认电话号码或推荐新产品）。

　　让我们来看看劳斯莱斯，通过其首席执行官的描述其主要客户的话：

　　这些独特而认真、富有的个性对传统和顺从不感兴趣。他们之所以成功，正是因为他们按照自己的规则行事。由于这些人有效地利用了他们的个人品牌并取得了优异的成绩，因此他们对所购买的产品和所过的生活方式具有异常敏锐的洞察力是有道理的。他们的劳斯莱斯不仅仅反映了他们的个人品味；而且还体现了他们的品味。这是一个独特的品牌豪华胶囊，包含了他们的希望、梦想和成就。

　　正是由于这个原因，如此多的成功人士被劳斯莱斯极端以客户为中心的方法所吸引，我将这种方法称为“超级以客户为中心”。

　　劳斯莱斯以各种方式使用数据和洞察驱动的功能来优化他们为客户服务的方式。例如，劳斯莱斯在设计新款古思特车型之前，就对客户进行了深入访谈和研究。在其目标细分市场中收集了见解，在本例中，这得出了一个也许令人惊讶的结论：现有汽车被认为“过于华丽”。

　　远程信息处理用于最大限度地减少客户在维护或汽车出现故障时带来的不便。当需要维护时，所有相关数据可以自动发送给正确的经销商，以便他们安排维护检查。如果需要路边援助，只需单击一个按钮，位置和相关汽车数据就会传输给援助团队，然后援助团队就可以赶去提供帮助。这需要物联网传感器、连接性和带宽，还需要底层主数据来将客户与经销商匹配，并能够通过首选渠道联系他们。

　　然而，最差异化的因素是个性化。特斯拉有5 种颜色可供选择，而劳斯莱斯则有44,000 种颜色可供选择——如果这还不够，客户可以携带鲜花、宠物或珠宝等物品，然后定制颜色被创建。该公司组建了一个由设计师和工程师组成的“定制集体”，以实现极端的个人主义，以便客户可以共同创造汽车。这需要整个端到端供应链中极其仔细的数据流。可以通过多种方式从客户那里收集输入，然后输入到设计过程中，进一步下游将触发定制零件的订购。

　　以成本为中心

　　通过数据降低成本可以通过两种主要方式来实现。首先，无论建设什么数据能力，都可以优先考虑成本。例如，如果更基本（或内部）版本也可以满足最低要求，则可能不需要 Informatica 数据目录。在云环境中，可以指定更严格的规则来规定何时可以删除数据或将数据推送到较冷的存储。合理化可视化和数据科学工具有助于最大限度地降低许可成本，并允许协商降低总成本。

　　但其次，更符合本文的目的的是，可以优先考虑和构建数据功能，以促进数据驱动的决策以降低成本。仅举几个例子：

　　在流程挖掘中，数据科学应用于事件数据，以了解流程的执行方式以及如何改进流程。它可能是数据科学在管理和降低成本方面最具针对性的用途。

　　供应链分析可以深入了解供应网络的运营和绩效，减少浪费，并在正确的时间预测正确的供应。具体来说，确定最具成本效益的货物运输方式是一个经过验证的数据驱动用例。

　　从大量供应商那里采购商品和服务的公司可以使用数据和分析来为供应商选择和定价提供信息，这对于原材料尤其重要。

　　考虑到这一点，我们来看看塔塔汽车：

　　2021 年，我们通过创建 InDigital，增强了敏捷、完全数据驱动的数字化业务的能力。我们专注于分析、数据科学、数据工程和自动化的 250 名专家已经支持了一些举措，这些举措为本财年为业务带来了超过 3 亿英镑的回报。

　　在同一份年度报告中，提供了塔塔重新聚焦计划的详细信息。它包含 4 个基本支柱，其中一个旨在利用“数据和技术推动转型”：

　　正如预期的那样，人们非常重视控制成本——基本支柱之一“负责任的支出”甚至专门致力于此，旨在重塑塔塔汽车公司的“支出和投资方式，更新我们的采购流程，改善效率和成本，节省时间。” 在 6 个运营支柱中，3 个通过减少保修支出和降低车辆成本来直接降低成本，其余 3 个通过缩短交付时间和提高数字化能力来间接降低成本，从而提高盈利能力。

　　事实上，塔塔汽车公司正在使用各种数据驱动的方法和功能，特别是牢记其成本领先目标。例如，他们成功地将超过 50 万辆车辆装载到互联车辆平台上，该公司表示这是迈向通用标准技术堆栈的一步，以提供可扩展性并转变内部运营。它被构建为一个模块化平台，可以扩展以通过 API 为第三方应用程序提供一系列解决方案。因此，它可以通过其更广泛的合作伙伴生态系统（包括经销商和供应商）安全且有选择性地访问平台和相关数据。反过来，这将帮助原始设备制造商将数据和见解转化为更低的成本。

　　治理与合规

　　在世界各地，客户和监管机构的期望越来越严格，因为这关系到数据的安全、保护和合乎道德的使用方式。遵守各种监管指南与数据隐私、特定行业法规（例如与风险报告和反洗钱相关的法规）等主题相关。

　　除了响应外部期望之外，组织还可以出于内部原因优先考虑数据治理，例如确保数据可用性和可靠性，并保护自身免受运营风险。

　　推动数据治理和合规性的一些功能：

　　•正式的数据治理实践为组织中的每个人建立了规则，以遵循并监控这些规则的遵守情况。组件通常包括数据政策和标准、数据（治理）论坛和合规流程（可能有3 道防线）。

　　•可以建立数据质量控制来定义标准并实施控制以确保数据满足这些标准。可以根据各种质量维度来衡量数据，例如完整性和准确性。

　　•可以记录数据沿袭，跟踪数据如何在组织及其业务流程中移动和转换。

　　•数据分类可以识别敏感数据，并随后对其进行相应的保护。

　　•在推动治理和合规性的防御性措施与业务用户的剩余灵活性之间存在重要的权衡。如果您以严格指定的格式锁定数据并限制访问，则会限制数据科学家和其他人可以使用这些数据的程度，例如与产品领导力和以客户为中心相关的用例。

　　我不认为以上3 个案例（特斯拉、劳斯莱斯和塔塔）中的任何一个主要关注治理和合规性。这并不意味着他们不关注它——事实上，他们都关注。这三者都在采取措施确保遵守环境、隐私和其他立法。他们都实施了内部控制来防范运营风险。

　　战略不应过于简单化

　　尽管这一观点概述的战略描绘了一幅清晰而独特的图景，但我们不应该过度简化它们——这并不意味着在考虑任何次要目标时蒙上眼罩。

　　事实上，如上所述，所有三个汽车制造商都具备数据能力来推动数据治理和监管标准的合规性。例如，塔塔汽车公司（Tata Motors）注意到，他们与供应商合作交换可持续发展数据，以推动遵守其环境和社会要求指南，该指南规定了道德、环境、人权和工作条件方面的期望。

　　在另一个例子中，尽管特斯拉在电动汽车领域的产品领先目标确实次要，但它表示控制成本对于长期成功也很重要：

　　在宏观经济不确定、高利率（因此车辆融资成本较高）和车辆价格通缩的时期，我们特别关注车辆成本。我们继续关注成本效率，同时提高功能和可靠性。虽然电动汽车的成本高效制造在大多数行业中仍然很少见，但它对于规模盈利至关重要，并将最终决定原始设备制造商的长期成功。

　　启示

　　回到最初的观察，即当前的数据策略通常声称是数据驱动的，我认为数据策略师在断言数据能力需要为业务服务时应该采取一些自己的措施。

　　组织策略不应该通过一系列已确定的用例来进行分析，尽早在这方面花时间是至关重要的。向企业领导层提出挑战，了解数据能力如何推动持久的竞争优势并推动硬愿景设定和决策。这些都不是不言自明的，也不是可以从数据管理指南中得出的。仅仅成为数据驱动型还不够——准确地弄清楚哪些数据能力是至关重要的，以及为什么。