在这篇文章中，我想从企业架构的角度分享一些关于数据驱动策略的思考。我希望它能帮助 IT 人员和业务人员从不同的角度看待这个主题，并为解决该领域当前的业务挑战提供清晰的思路。

　　我正在描述应该显而易见的事情；然而，有时重述显而易见的事实有助于达成共识。商业的简单定义是由一群人为了商誉或利润向客户提供增值产品（商品和服务）而组织的活动。人际互动和沟通是业务运营的固有组成部分，人们之间必须交换信息以进行各种业务活动以交付产品。

　　没有信息交换，商业就不可能存在。这种信息交换直接发生在客户和面向客户的员工之间，然后更多的信息交换发生在内部组织的员工之间，相互提供必要的服务以支持业务运营。每天，员工都会处理数百万笔交易。交换的信息量显然取决于业务的规模和性质。

　　如果以可以忽略不计的成本提供无限的数据存储容量，那么每个组织都可以以历史记录的形式保存所有交换的信息。他们将存储从每笔交易存在之初到当前时刻的相关数据。这就像保存整个业务交易历史的数字副本，每时每刻捕捉业务的每个状态转换。

　　有了这样的数据存储库，人们就可以在历史上的任何时刻重新创建业务快照，并能够检查业务在做什么以及它在当时所做的任何事情的执行情况。当然，在现实世界中，这还不可能；然而，如果组织只关注与重要且相关的交易相关的少数信息元素，并且只以数字数据的形式保留这些信息，那么他们仍然可以接近实现这一梦想。

　　为什么企业要关心保留这些数据？一旦交易结束，除非法律要求，否则数据不需要保留。

　　如果企业领导者认识到他们所掌握的历史数据的真正价值和潜力，并了解他们可以用这些数据做什么，他们毫无疑问会保留这些数据并最大限度地挖掘它，以提高他们在市场中的地位。那些看不到数据价值的人将会忘记他们可能会错过什么。

　　在利用数据的潜力方面，空间是无限的；这取决于他们的财力有多少。数据可用于通过各种类型的分析得出见解。现在数据领域的每个人都知道各种类型的分析 -

　　·描述性分析讲述过去发生的事情，

　　·诊断分析有助于理解过去发生某事的原因，

　　·预测分析预测未来最有可能发生的事情，以及

　　·规范性分析建议您可以采取哪些措施来影响这些结果。

　　但当然，天下没有免费的午餐。由人工智能支持的数据管理和分析是一项成本高昂的工作。对数据分析/人工智能潜在用例的无知，以及不了解企业内数据和分析能力的成本效益，是商人犹豫是否加入竞争的主要原因。

　　企业数据是我上面描述的内部和外部用户交换的重要且相关的数据，用于进行日常业务运营以向客户提供服务。当企业采用战略性“数据驱动”方法时，这意味着企业有意识地选择利用企业数据，通过数据分析和解释帮助组织各级做出基于事实的决策。

　　数据驱动的方法使企业能够检查和组织数据，以改善对其内部和外部客户的服务。通过使用数据来推动行动，企业可以将其消息传递给潜在客户，以实现情境化和个性化，以获得更好的体验。他们可以将数据货币化以提供新服务。

　　企业数据由涉及数百个业务系统处理的日常事务的各种操作和参考数据组成。组织保存有关其员工、客户、产品、各种合作伙伴的数据以及特定于其行业的各种其他参考数据。他们保存与会计和财务、销售和营销、法律、政策、标准、原则等相关的数据以及与业务规划和企业风险评估相关的数据。他们还保存有关业务和正在进行/计划的项目中使用的技术的数据。等等。

　　数据可以是结构化的，即可以使用数据库技术进行查询，也可以是非结构化的，即所有其他形式的数据，例如包含文本、电子邮件、附件、数字音频和视频等的文件，包括硬拷贝和手写笔记。

　　所有这些数据对于业务运营至关重要。长期保存如此大量的数据可能成本高昂，但它确实提供了额外的好处。从历史上看，企业一直对维护这些历史数据有良好的本能，因为它为他们提供了许多关于过去、当前和未来绩效的有用见解。大型组织几十年来一直使用决策支持系统来收集和分析大量数据，然后综合这些数据来生成全面的审计报告。

　　随着技术的进步，数据存储已经变得负担得起并且可供所有企业（无论大小）使用，从而创造了公平的竞争环境。随着人工智能的出现，现在企业可以获得有用的见解，并针对他们从未想过的情况做出决策。人工智能可以帮助人类以更快的速度做出更明智的决策，从而获得必要的竞争优势。

　　想象一下未来会发生什么，随着每周都会发布新的大型语言和其他形式的生成人工智能模型，组织很有可能使用这些廉价模型并根据企业数据对其进行训练，因此使用自然语言界面他们可以获得各种信息的见解。这将成为员工手中的强大工具。科技公司已经在提供此类人工智能服务，以提高各个业务运营领域的生产力。

　　当然，必须采取适当的措施，确保人工智能模型以道德和公正的方式进行训练，这样生成的内容不仅准确，而且还确保模型能够识别用户并通过应用正确的过滤器仅生成符合要求的信息来回答问题。准确，并且仅允许根据其工作职能具有正确访问权限的用户查看。

　　企业数据只有在组织在全球任何地方的所有业务部门之间共享时才有用。数据必须干净、最新且准确，并以人类可消费的形式呈现。人们应该能够轻松地发现和搜索所需的信息，并能够使用人工智能工具得出所需的见解，而无需任何底层技术的技术知识。

　　如果数据管理不当，其价值就会迅速下降。有价值数据的丢失或被盗可能会给企业及其客户带来重大的财务损失，因此企业必须花费大量的前期时间和精力进行数据策略规划和设计，即有效的数据建模、解决方案、安全性和存储。

　　并非所有企业都能承受数据驱动的负担，或者就这一点而言，考虑到其业务的性质和业务的生命阶段，它们需要完全数据驱动。对于选择数据驱动的企业来说，领导层必须完全接受这个想法。数据驱动方法是一项战略业务决策。它需要大量投资。领导者必须给予关心和关注，以确保战略数据计划成功实施，以便开始实现预期回报。

　　数据驱动策略失败的主要原因有几个。

　　不明确的战略愿景、目标和目标：

　　采用数据驱动方法是一种业务策略；它不是 IT 或技术战略。如果这不是顶 级战略业务目标，那么该战略很可能会因缺乏足够的投资而失败。

　　没有企业领导支持：

　　即使企业决定确定优先级并启动数据驱动的方法，如果负责实施该战略计划的领导层不了解自己正在做什么，那么它仍然可能会失败。由于他们的无知和不愿学习，该举措得不到必要的行政关注和支持，并且更有可能失败。成功的关键是利用企业最高领导层（包括董事会）的企业数据进行教育和培养“可能的艺术”的意识。

　　目标运营模式设计不当：

　　未能采用数据驱动方法的另一个关键原因是未能为数据和分析管理实践设计正确的运营模型。业务领导者必须确定他们必须使用新的数据和分析管理实践来解决的正确战略问题（用例）。这将有助于确定实践所支持的正确服务，然后可以帮助运营模型设计者确保设计正确的组织结构，让合适的人员具备所需的技能，并确保可以使用以下方式交付所识别的数据服务：定义明确的流程与 IT 和业务组织的其他部分很好地集成，然后最终应用正确的技术/解决方案来支持企业的数据和分析生态系统。

　　技术只是达到目的的手段；它决不能成为数据驱动方法的焦点。

　　由技术供应商推动的 IT 主导计划：

　　再次强调，数据驱动方法是业务战略，而不是 IT 战略。如果数据和分析管理实践的形成是由 IT 发起，特别是在技术供应商（或就此而言，由 IT 咨询公司）指导下进行的，那么很可能无法在整个业务中获得可见性，并且由于缺乏这种可见性和认可从业务角度来看，由于业务反应不热情（由于缺乏与业务产生共鸣的业务用例），它可能会逐渐消失，这很快就会耗尽对不发达的数据分析/数据科学实践的投资。大多数由技术供应商推动的数据战略计划最终都会增加现有的 IT 运营成本，通常是因为业务人员从一开始就从未真正理解技术解决方案背后的基本原理。这又成为“锤子找钉子”的例子。

　　总而言之，在当代业务运营中采用数据驱动的方法凸显了企业数据在明智决策方面的潜在潜力及其在促进业务活动中不可或缺的作用。企业应认识到历史数据的重要性以及高级分析和人工智能的变革性影响，并最大限度地利用其数据资产的力量。此外，他们应该认识到与管理大量数据相关的挑战和机遇，并认识到战略愿景、领导支持、正确的运营模式设计和避免技术驱动的举措的重要性。从本质上讲，企业应该考虑采用与业务目标相一致的整体数据管理方法，并培养数据驱动决策的文化，以推动组织的成功。