投资回报率 (ROI) 是用于评估投资表现的盈利能力指标。投资回报率是一个简单的术语，要衡量数据的投资回报率，我们只需遵循以下 3 个步骤：

　　1.拥有一组代表数据“盈利能力”的KPI

　　2.通过数据改进KPI

　　3.衡量数据贡献的影响

　　然而，数据团队在这一过程的每一步都面临着障碍。Gartner 的 2023 年 CDO 调查显示，69% 的数据和分析领导者正在努力提供可衡量的投资回报率。无法提供切实的投资回报率是许多数据团队的一个常见且致命的弱点。

　　尽管它很受欢迎，但我们不必将有形数据投资回报率的交付视为一场复杂的斗争。我认为当我们从基础开始并使用第一原理进行推理时，复杂的问题可以变得更简单。

　　在这篇文章中，我将从 ROI 测量的最基本定义开始，将其分为 3 个步骤，识别数据团队在提供切实投资回报方面的五个常见障碍。

　　1.拥有代表数据“盈利能力”的KPI

　　“盈利能力”是根据数据可以创造的有形业务影响来衡量的。它们是面向业务的 KPI。

　　障碍 1：接触高层管理者以获取正确的面向业务的 KPI

　　如果不了解高级管理者的优先事项，数据领导者就无法提出这些 KPI。当数据领导者的 KPI 与高级管理者的优先事项相同时，他们会吸引更多关注。他们将有更多的发言空间、更多的探索空间、更多的展示空间。这将创造一个良性循环，帮助数据领导者做得更好、更相关的工作，同时赢得更多信任并吸引更多数据投资。

　　拥有面向业务的 KPI 和多个业务合作伙伴的 CDO 在持续产生明确的业务价值方面的效率要高出 1.7 倍（Gartner，2021 年）

　　将数据 KPI 与高层领导优先事项保持一致的最 佳方法是让数据领导者亲自出席经营管理会议。由此可见 CDO 角色的重要性。CDO 可以直接进入董事会，并可以确定最需要帮助的领域。然而，全球最大的 2,500 家上市公司中，只有 27% 拥有 CDO（Statista，2022 年）。

　　对于没有 CDO 的公司来说，他们最资深的数据领导者通常受到职能职责的限制。报告主管的目的通常是支持财务报告。数据分析主管通常向核心业务职能主管汇报。这些数据领导者远离最高管理层，在理解高层领导的优先事项方面面临着挑战。除了数据领导者的使命直接从高层领导传达（自上而下的方法）之外，比最高管理层低几个级别的数据领导者都只关注战术目标，而忽视了面向业务战略目标的 KPI。

　　2. 为改善KPI做出贡献

　　改进面向业务的 KPI 首先是业务职能部门的工作。因此，对于数据领导者来说，与业务最终用户并肩解决问题的过程并了解数据如何帮助他们至关重要。讽刺的是，如果数据团队经常将业务称为“业务”，那么两个团队之间很可能存在孤岛。这将我们引向下一个障碍：

　　障碍 2：为数据项目设定正确的期望

　　数据领导者和业务领导者可能抱有的危险期望是数据本身就能创造奇迹。当数据项目没有带来投资回报时，这会导致失望。

　　很多时候，最好的数据项目不是由数据团队驱动的，而是由职能团队中精通数据的人员驱动的。营销最擅长优化点击率和转化率，节省广告费用。财务最擅长了解哪些活动带来的成本最高，或者哪些产品利润最高。如果有一个与业务分离的数据团队，，他们的存在并不是为了取代业务解决问题和决策的功能，而是为了帮助他们提供更多更好的数据，同时最大化数据激活资源的价值。

　　障碍 3：确定 KPI 的驱动因素

　　为改进面向业务的 KPI 而进行的分析至少应该是描述性和诊断性的结合。除了明确问题所在，我们还需要找出问题的根源并解决问题。

　　描述性分析非常适合定义问题。它使我们能够从多个角度研究 KPI。然而，它未能指出根本原因。为了提供见解，我们在描述性分析期间和之后应该寻找的是通过诊断分析形成假设。然而，许多数据和分析都是无假设的数据挖掘（罗杰·马丁）。

　　缺乏假设的一种解决方案是评估数据是否由正确的人进行分析。理想的人选是能够将数据转化为具体的业务事件，形成有关业务实体之间因果关系的假设，并遵循分析方法来检验他们的假设。

　　另一件要做的事情是评估提供给该人的工具是否合适。工具不合适的一个指标是最终用户请求原始数据的频率。有时仪表板并不是诊断根本原因的最 佳工具。需要进行基准测试、假设检验和 A/B 测试，所有这些都最好使用 Jupyter Notebooks 或原始 excel 文件来执行。

　　障碍 4：将见解转化为行动

　　虽然我们需要根据数据驱动的见解采取行动似乎是合情合理的，但通常会因文化阻力、时间限制或缺乏资源而阻碍采取行动。

　　优秀的数据领导者会激励人们采取数据驱动的行动。它们可以通过相关论坛、即时通知或反向 ETL传递见解。它们使通过规范性分析（即数据支持的推荐系统，通常采用机器学习的形式）更容易识别操作。他们甚至可以自动化操作，将预测性和规范性分析嵌入到生产环境中，就像系统的动态预警所做的那样。

　　然而，大规模实施智能行动需要投资——而大多数数据领导者都很难获得这种投资。如果没有健全的数据战略、快速获胜和整个组织的信任，数据领导者将无法获得适当的投资来创造突破。

　　3. 衡量数据贡献的影响

　　在确定并为正确的 KPI 做出贡献之后，需要进行实现切实投资回报率的最后一步了——衡量影响。

　　障碍 5：将影响力衡量纳入数据从业者的工作描述中

　　一些数据团队没有采取额外的步骤来衡量其影响。他们太忙于生产或处理临时请求。这些团队仍然像软件团队或服务团队一样运作。他们根据发布时间表、SLA 工作，远离业务计划，不知道他们的工作结果。它们是以这种方式创建的，因此也以这种方式运作。

　　数据组织本身缺乏对影响衡量的关注。纵观组织结构，数据领导者不能依赖数据工程师、数据架构师、DevOps 工程师、数据隐私官、数据治理官或数据管理员来专注于衡量数据的影响。这不是他们工作的目标。人们可能对数据产品经理抱有一些希望，但这个角色还处于起步阶段，大家仍然在争论什么是真正的数据产品。

　　必须有人带领团队衡量影响，进行数学计算，并将其传达给高层领导。理想情况下，该人将是 CDO，或组织中最 高级的数据领导者。然而，我认为数据团队可以从文化变革中突破，每个数据从业者都将投资回报率作为首要指标。数据团队的运作应该更像初创企业孵化器，其中每个项目都是一项投资。所有数据从业者都应该密切关注他们的时间、费用和工作的回报。