设计数据和分析策略

设计数据和分析策略 通过传达数据和分析的商业价值来推进组织的战略 编辑者 Gartner杰出副总裁分析师AndrewWhite ©2019Gartner,Inc.和/或其附属公司。版权所有。PR_581843 介绍 数字业务的成功取决于现代有效的数据和分析。尽管组织开始了解业务价值 在数据和分析方面，迈出将数据素养整合到业务中的第一步可能会令人生畏。但未能正确利用数据资产的组织将被抛在后面 。 通过阅读这本电子书，数据和分析(D&A)领导者和其他高管将了解创建一个清晰、现代且与业务相关的数据和分析战略的重要性，并在整个组织中进行沟通，并可以开始为他们的员工决定最佳方法。自己的组织。 团队是否会使用数据使企业更有效地实现其目标？基于数据资产打造新的损益产品线？干脆什么都不做？ （剧透警告：不要什么都不做。） 作为战略讨论的一部分，领导者必须决定如何确保数据素养、数据和分析治理以及数据质量。数据团队可能会流利地说出数据，但业务的其他部分可能难以理解。做个好人 老师和好伙伴，看着你的数据和分析策略蓬勃发展。 为什么是数据？为什么现在？ 在任何一所大学主修物理的学生都可能需要参加基础数学课程，例如大一代数，然后才能继续深造。即使学生在该课程中获得C，大多数大学认为及格分数足以进入下一个级别。 佐治亚州立大学意识到，此类数据可用于在潜在问题发展为阻碍学生毕业的更大问题之前对其进行标记。该大学使用具有800多个警报和 10年数据的预测分析来帮助识别有可能无法毕业的当前学生，包括那些在早期课程中获得成绩的学生，这可能表明他们将无法在所选的学术轨道上取得进展，而无需额外的帮助。 一旦确定有风险的学生，他们需要与顾问会面以讨论潜在的解决方案，例如参加补习数学课程或考虑不同的专业。使用 每年与学生进行55,000次咨询会议的分析帮助该大学将毕业率提高了 7个百分点，并缩小了许多其他机构在毕业率方面存在的社会经济差距 。 事实是，数据和分析很复杂，但结果可能很强大。对于大学来说，毕业率更高。对于企业而言，结果可能是利润增加、新产品或全新的商业模式。 一项成功的计划需要文化和思维方式的转变，通过这种转变，数据和分析从支持性和次要性转变为数字业务转型的基础。它成为组织如何每天、每次做他们所做的事情的核心。 但这是值得的。 4 数据为好 2007年，当时的NationwideInsurance首席执行官发现他的家乡俄亥俄州哥伦布市的高中毕业率很低。该公司的数据和分析专家贡献了他们的时间来提供衡量熟练程度的数据，并为陷入困境的学生提供早期预警。这个公益项目非常成功，以至于它被分拆成自己的非营利组织。 “数据驱动的业务战略和信息产品的潜力比以往任何时候都大，”Gartner杰出副总裁分析师AndrewWhite说。 对于一些企业而言，数据和分析已成为其业务的主要驱动力。 这些企业将数据作为他们所做一切的一部分，这意味着他们提出了正确的问题： “有了这些数据或这种洞察力，我们如何才能从根本上改变我们对客户的价值主张？” “我们如何提供新的价值主张？” “鉴于这种新见解，业务流程和响应如何变化？” 回答这些问题，甚至知道提出这些问题，是数据和分析能力的扩展集以及整个组织接受数据素养的结果。这不仅适用于传统的业务成果。 设计数据和分析战略 “数据和分析超越竞争对手的成功需要数据和分析在商业价值创造中发挥更广泛的作用，”怀特说。 组织需要更聪明地了解可以改进哪些结果，以及跨数据和分析的哪些投资推动了这些结果。有可能 对数据质量、人工智能、数据虚拟化或其他选项的投资。 一个明确的战略，也考虑到数据质量、数据治理和数据素养，对于数据和分析投资的成功至关重要。 “数据和分析超越竞争对手的成功需要数据和分析在商业价值创造中发挥更广泛的作用。” 专注于战略 当组织将愿景与结果和价值主张联系起来时，就会出现数据和分析策略。 从对组织使命的共同理解开始。从那里，优先考虑哪些业务成果最重要，并使用该优先级列表来定位数据和分析策略。记住要专注于实现业务目标。 通常，三种轨迹可用于查看数据和分析策略。他们倾向于关注： •D&A作为一种实用工具——一种通用能力。每个人都应该可以使用它来满足无数的需求和各种预期的商业价值。 •D&A作为推动者——始终以特定的业务目标为目标。次要价值应该来自将数据和分析重用于其他业务目的。 •D&A作为司机——实现新业务目标的一种手段。新工具可以发现新见解和新数据类型 可能导致新的业务问题；两者都推动了新的商业理念和收入来源。 为什么需要CDO 如何为首席数据官(CDO)制定业务案例？解释他们的工作： •确保合规性 •管理和利用信息资产 •应用数据和分析来推动成本优化和收入目标 •减少不确定性和风险 CDO可以帮助组织获得超越同行的竞争优势，并将数据和分析作为主要资产进行管理。 尽管理想的数据和分析策略会同时利用这三者，但大多数公司都使用数据和分析作为推动因素。没有正确或错误的选择——这取决于组织。建立业务价值并将其与公司的核心业务战略相匹配，以获得最佳的数据和分析方法。最常见的选项是： •卓越运营——通过成本关注带来价值。以对业务流程的卓越控制力胜过竞争对手。 •产品创新——通过创造市场上最需要的产品（或创新的商业模式）来寻求价值。利润率由技术先进或时尚产品/服务的溢价维持。 •客户关系-尽管没有最好或最便宜的产品，但表现出对客户的卓越知识和快速行动的能力。这些优惠总是非常适合当下。 •风险管理-通过能够降低其他人无法降低的业务风险来创造业务价值和差异化。 D&A战略的13种方法 价值主张的D&A方法 核心业务战略 实用程序启动器驱动程序 卓越运营 客户关系 产品创新 风险管理 1.总是上2.数据分析中心3.综合价值链 4.D&A作为服务5.360度看法6.个人分析 7.自助服务8.反馈9.数据分析产品 10.遵守11.风险减轻12.风险领导 13.什么都不做 资料来源：Gartner D&A战略分解的13种方法 1.永远在线将数据和分析用作“始终在线”的一组功能，不需要一组特定的预定义业务功能。 2.D&A中心使用数据并要求企业获得可衡量的回报；通常围绕业务成本、时间和质量优化。 3.整合价值链创建一个完全集成的信息价值链，在整个链中使用数据和分析。 4.D&A即服务在法律范围内收集尽可能多的客户数据，用于交叉销售、追加销售和深度销售。 5.360度全景使用数据来建立对客户需求的深入了解，并提供更好的销售机会。 6.个人分析与客户共享数据，使他们能够改善生活，而不是为了企业的利益来建立忠诚度。 7.自助服务使用数据和分析作为支持客户的工具，使客户服务成为自助服务，并使企业专注于创新。 8.反馈使用数据和分析来启用新的业务模型，例如预测性资产维护。 9.D&A产品使用数据和分析来推动新业务，使数据本身成为产品。成功是通过归因于数据的收入百分比来衡量的。 10.合规旨在使用数据进行合规报告并最大限度地降低相关成本。 11.风险缓解使用数据来降低风险并根据投资/回报选择商业机会。 12.风险领导与不使用数据的公司相比，使用数据更准确地评估风险，从而创造新的商机。 13.什么都不做（不推荐）未能认识到数据和分析的价值，无论是无意识的还是有目的的业务决策。这会导致数据碎片化和通常不受欢迎的状态。 成功的关键是明确地与利益相关者分享计划。假设每个人都同意您对数据是实用程序、推动者还是驱动因素的看法，这是有风险的。数据和分析领导者必须就计划达成明确共识，并制定适合组织的战略。 数据素养 对于大多数组织而言，数据素养是一个日益严峻的挑战。到2020年， 80%的组织将在数据素养领域启动有意识的能力发展，承认他们的极端缺陷。 挑战在于，在大多数组织中，业务人员可能不了解数据和分析如何支持他们的工作的重要性，同样，数据和分析专业人员可能对其工作的业务环境没有足够的了解。 数据素养是 “在上下文中读取、写入和交流数据的能力，包括理解数据源和结构、应用的分析方法和技术，以及描述用例应用程序和结果价值的能力。” 数据和分析对于组织来说是越来越有价值的资产，这意味着所有员工都需要能够在最重要的时刻理解和利用与其角色相关的信息。在数字社会中，数据与“人、流程和技术”的经典业务驱动力一样重要。信息必须变得像第二语言。 9 设计数据和分析策略 数据为好 社区技术联盟(CTA)，成立于1991年，旨在开发数据驱动的贫困解决方案 和无家可归者，负责协调数据收集和清理。 这些信息被放入仪表板，以帮助了解无家可归者的需求，并在多个机构之间协调和提供护理。 2015年，在Tableau基金会和Interworks的支持下，CTA启动了一项数据研究员计划，以开发数据线索，其任务是利用数据讲述城市中无家可归者的故事。 数据和分析领导者如何建立“信息作为第二语言”？ 首先，从“价值”、“信息”和“分析”等关键要素开始，在整个企业中建立基本词汇。然后，确定数据素养优势的领域以及影响沟通的障碍。 对于概念验证，请选择需要改进但也表现出对变革开放的业务领域之一 。 最后，改变您和您的团队与其他业务部门的沟通方式。通过在会议中讲述与商业机会和价值相关的数据来树立一个好榜样。 设计数据和分析战略10 数据和分析治理 数据和分析治理，或简称数据治理，是指管理数据以确保可用性、可用性、隐私、安全质量和其他因素，这些因素可以极大地影响数据、分析或算法对业务的价值。 实施这10个关键因素以确保成功的数据治理计划： 1.清楚地确定您需要管理相关数据的优先业务成果。 根据这些结果明确界定数据治理任务和目标。明确的目的将为将稀缺资源应用于最重要的治理活动提供焦点。 ） 2.根据所涉及的数据资产和结果应用不同程度的治理策略（有8个支持的。对具有最高影响或业务价值以及最广泛企业用途的数据资产优先考虑最高级别的严格性。 3.根据数据类型特征定制管理模型（针对业务用户）。分析特征数据，例如业务价值和数量，以确定适当的数据管理模型。 动 4.建立明确的程序来指导项目与数据治理机构的互动。概述这种互包括项目详细信息的及时知识交流可确保跨项目一致地解决数据问题并提高数据解决方案的质量。 5. 让业务参与数据管理角色和任务。数据是一种商业资产，需要 由企业主管理。确保在管理委员会中的业务代表。 设计数据和分析战略11 6. 在启动数据标准化工作时针对类似的数据用户。识别志同道合的群体 数据用户就数据定义和标准达成共识。 7. 对数据标准化和标准采取机会主义的方法——不要把它作为重点 。追求 业务环境中的事件（例如合并或新的高级管理人员）突出了数据标准化和集成的机会，这些事件将引发新的信息需求和需求。 8.正式推进主数据管理（MDM）和应用数据管理（ADM）标准和原则。使用具有明确定义范围的结构化论坛来定义和 倡导企业范围的MDM以及本地或区域ADM实施解决方案和重用。 根据数据相对于其重要性的质量差距确定数据质量改进的优先级 9. 该组织。从多个用户的角度和不同的环境中突出数据质量问题，以确保以正确的数据为目标来改进质量。 10. 跟踪数据成熟度目标的进度。定义一组特定的成熟度里程碑指标 并监控跨数据域的整体进展。 设计数据和分析战略12 数据质量和信任 组织开始意识到糟糕的数据质量和信任可能产生的财务影响。2018 年，组织估计仅糟糕的数据质量每年就使他们每人平均损失1180万美元。 到2020年，80%的组织将无法从数据质量投资中获得全部收益，因为只有不到20%的组织拥有正式的数据质量指标。 数据为好 万事达卡与纽约大学共享匿名数据，以检查其重建项目、智慧城市计划和减少温室气体的计划是否成功。 2018年，各组织估计 仅糟糕的数据质量每年就使他们每人平均损失 1180万美元。 Gartn