过去几年，人们越来越关注如何用数据计算投资回报率。也许是因为数百万元花在了无法解决业务需求的平台和管道上——它们整合了数据，但并没有让数据变得更有用或更易理解。

1914 年，唐纳森·布朗 (Donaldson Brown) 开发了投资回报率 (ROI) 公式，该公式在杜邦公司逐渐流行起来，随后风靡金融投资流程，多年来不断演变和发展。该公式有几种不同的表示方式，具体取决于投资类型，但简而言之，我们将使用最标准的版本：

这是一个简单的计算，而且效果相对较好……假设投资立即产生回报，而根本不考虑如何利用数据作为建模、机器学习、人工智能等的基础元素。此外，使用这些方法的早期数据项目通常无法获得承诺的投资回报率，因为实现大数据目标所需的时间、人才和基础设施成本没有充分体现在公式中。

当今的世界与过去的“云迁移”和“数据平台现代化”项目大不相同。我们需要考虑直接利益(可以且应该从任何运营或分析数据项目中获得)，以及基础回报。我们需要诚实地对待对人力的投资，以成为一家拥有值得信赖的数据驱动型公司，同时也要阐明通常被视为“合格”而非量化的投资回报率数字的长期利益。

考虑到这一点，我一直在研究一个新等式与财务团队分享，它是：

提出了针对数据驱动项目的现代投资回报率计算方法。Kim Thies，2024 年。

立即回报

我们实现回报的速度发生了翻天覆地的变化。现代数据平台的出现和数据空间中敏捷交付的使用使我们能够以前所未有的速度交付增量项目并快速实现投资回报。

这很奇怪，但在大多数业务案例和数据团队资金申请中，我们倾向于考虑长期回报，而不是我们能立即实现并在几周和几个月内证明的东西。我们需要同时考虑短期和长期收益才能正确计算。

专业提示：使用原型来证明投资回报的即时性。投资回报可以在几周或几个月内实现，而不是几年;如果是这样，就有机会随着时间的推移更快地扩大投资回报的影响。如果您使用原型，您可以快速转向以实现所需的业务目标，而不是在基础设施和数据移动上投入大量时间，而这些永远不会有回报。

基础回报

当我们谈论基础回报时，我们需要考虑三个受影响的领域：战略、业务环境和利益。

战略影响。您的公司可能已经为关键战略制定了 KPI;您的数据项目对这些 KPI 有何影响?您能直接将结果联系起来吗?例如，如果“利用人工智能将客户满意度提高 x% 并将收入提高 $y”在该列表中，那么数据对于实现这一目标至关重要。您能将您的项目与公司战略联系起来吗?如果可以，请将该战略影响纳入您的等式中。

将您的数据项目战略性地整合到公司目标中不仅会影响底线数字;您还可以找到计算结果和/或创建指数，或通过利用可信和情境化的数据提供对人才技能和能力产生积极影响的例子。例如，更多的人是否能够使用可信数据?新的可视化技术是否能让领导者做出更好的决策或看到他们以前“视而不见”的业务部分?

情境影响。得益于数据契约和数据产品的出现，我们的数据项目比以往任何时候都更快地对分析和运营数据集进行分类并赋予其意义。得益于利用情境数据的现代 BI 工具，高管不再需要等待被动报告或大型数据科学家团队来获取所需的见解。

想想通过您提议的工作，您的公司将面临哪些新情况。您是否能洞察从未使用过的数据集?使用以前只是成功指标、现在可以信赖的数据?想想有意义的方法，以衡量为数据提供意义的积极影响。

效益。数据项目带来的效益有多种形式，可以量化。有些效益很明显，有些则不那么明显。在计算数据计划的总体效益时，以下是一些提示：

• 阐明所有客户影响。确定将利用该解决方案的所有角色，以及他们对数据解决方案、套件、合同或产品的使用将如何为他们带来价值。这些角色可能是内部角色(例如利益相关者、工程师、分析师)，也可能是外部角色(包括最终用户、B2B 数据客户、营销目标等)。我们往往只关注谁在使用数据项目成果，而不是如何使用，以及它可能带来哪些下游优势。

• 始终将数据素养放在首位。请记住，当您与数据以外的同事交谈时，您使用的许多术语对其他人来说都是行话/术语。确保您不仅在正在设置的平台或数据基础方面，而且在财务和业务合作伙伴最关心的人员和流程结果方面，就该计划的好处进行教育。在这里扮演翻译的角色很重要。

• 分享其他公司取得的效益示例。很多时候，很难为尚未发生的事情定下数字。使用具有量化结果的业务案例、用例或行业示例可以帮助突出您的案例的基础效益。

• 从规模的角度考虑。如果项目正在奠定基础(例如，实施您的第一个数据产品、创建一个以消费者为中心的新分析数据平台等)，请务必阐明它将如何扩展以及随着时间的推移扩展到业务部门、其他数据产品等的潜力。

• 不要低估节省的时间。好的数据意味着更好的自动化。在您的业务案例中使用它，不要回避它!是的，基于裁员制定业务案例很诱人，而且通常是一种要求。只要有可能，我主张改变这一点，专注于道德劳动力的发展。花在手动文档、数据清理和管理上的时间的减少可以通过团队将有能力做更有意义的工作来衡量，例如创造新的见解和观点、预测分析、ML/AI 建模等。请记住，节省的时间比减少员工人数更有价值，它可以成倍增加，创造更大的价值和更有意义的工作。

成本

成本是最容易完全依赖公司会计的地方。如果您不熟悉资产负债表或损益表 (P&L 或 PnL) 及其含义，请花一些时间熟悉它们。了解项目中哪些是可资本化的，哪些不是，这一点很重要。如果您的财务规划和分析 (FP&A) 团队中有人专注于此，请与他们成为朋友，或者向财务部门的某人寻求指导。了解您的组织如何看待长期和短期投资不会占用您太多时间，但将带来巨大的回报，让您能够清楚地表达数据计划的投资回报率。

提前明确成本并包括转型的人力成本非常重要。许多数据项目都存在这个问题——它们没有包括变更管理成本和人力支持要求，因此似乎超出了预算，甚至更糟的是……解决方案一旦实施就永远不会被采用。

在进行成本核算时需要考虑以下几点：

• 数据治理影响— 可以通过自动化手动流程、通过标准和 SLA 强制执行数据质量以及确保项目成果的及时性和准确性来降低成本。但是，集成到当前目录、对员工进行文档标准再培训等都需要成本。

• 变革管理是成败的关键— 您可能会构建并推出有史以来最好的数据解决方案!……但如果没有人使用它，谁会在乎呢?确保在计算投资回报率时包括推广、培训和采用策略。数据驱动文化需要意图和投资，这是不可忽视的。

• 明确说明可扩展性和随时间推移的成本降低情况。第一次迭代成本最高，而第二次迭代成本大幅降低。如果您的计划跨越几个季度(甚至几年)，请务必说明交付和采用成本如何随时间推移而降低。但不要吝惜获得用户认可的前期成本。

专家提示：利用隐性成本为自己谋利。是的，我说过!虽然在开发投资回报率时成本通常倾向于以项目为中心，但请考虑上游和下游其他用户/部门/客户所产生的成本。您会增加还是减少他们的成本?您能将其视为一种收益吗?

我确信，这些只是我们与财务合作伙伴讨论投资回报率时的最高层次的反思。我很想听听您的想法……数据投资回报率方程式中缺少什么?我们如何才能更好地表达投资数据计划的好处，并着重于在未来产生质量、背景和可信度?