近年来,“数据驱动”这个术语已经被广泛使用,很多人谈论要成为一个数据驱动的组织。我认为退一步讲,认识到不是所有的事情都适合数据驱动是很重要的。当整个数据到价值链可以通过数据流和计算机处理来实现时,数据驱动就可以很好地工作。但我们在商业中做的许多事情不能完全交给技术。它们需要人类的参与和判断。这些事情我认为是数据信息的而不是数据驱动的。
一 数据价值链
数据分析的最终目的是创造价值——多赚、少花、降低风险、留住好客户、获得新客户、招聘和留住有技能的员工、提高质量、适应变化等。在商业中创造价值的方法有很多。为了让分析联系起来,我们需要理解并实现数据到价值链。
从分析和数据科学的角度来看,数据到价值链描述了一系列过程,从数据创建开始,经过多个阶段,最终导致行动、结果和价值创造。
数据是起点。一切都始于数据——描述性的、定性的和定量的事实的数字收集,这些都是用来创建数字信息的原材料。
信息是在处理和分析数据时产生的。我们使用数据作为基本单元或构建块,将多个单元分组在一起。创建信息是一个连接相关数据元素并将它们置于比单个事实更有意义的上下文中的过程。
知识是通过信息流创造出来的。数字信息和经验信息都被人脑接收、吸收、理解和保存。协同知识尤其强大——新信息与已经掌握的知识相关并容易连接。既有知识和新创造的知识可能是个人的,也可能是组织的。个人知识与个人的经历、回忆和信念有关。组织或社会知识与一群人的共识信念和文化规范有关。
决策来源于知识。更准确地说,有意识和知情的决定来自知识。最基本的决定是是否根据接收到的信息和掌握的知识采取行动。这些问题是:我应该做些什么吗?如果是的话,我该怎么做?
行动是由决策塑造和驱动的。行动只是做某事的行为。开始做一些以前没做过的事情。停止做一些常规的事情。更改现有活动或流程的完成方式。继续做某事而不做任何改变。开始、停止、继续或改变——在宏观层面上,这些都是我们为了产生结果而采取的行动。
结果是行动的结果——在人、过程、产品、服务、行为、关系等方面产生的变化。
价值与结果直接相关。理想情况下,我们的行为会产生增加价值的积极结果,我们能够避免抑制或侵蚀价值的消极结果。积极的结果可能优化流程、降低风险、创新流程或产品等。
二 数据驱动的价值链
驱动价值链始于已描述的数据——经过处理和分析以创建信息的描述性、定性和定量事实。这些信息往往主要是人工智能和机器学习模型所理解和保留的预测性和规定性分析的结果。
模型就是决策者。直到行动点,一切都是计算机化的。
模型是决策者产生建议的或规定性的操作,这些操作包括批准或拒绝应用程序,激活或终止服务。直到行动点,一切都是计算机化的。在实现建议的操作时,操作是人们的责任,而在自动化规定的操作时,操作是技术的责任。
三 数据信息的价值链
数据到价值链的信息变化也从数据开始。典型的信息包括流向决策者的趋势、模式、诊断和预测,以扩展和补充他们的知识。在数据信息链中,这是活动从计算机化向人类化转变的点。在这种变化中,数据和信息是计算机化的,但知识、决策、行动和结果取决于人。
决策制定者的重要知识,记忆、经验和信念——对于决策过程和从数据中创建的知识一样重要。它需要数字知识和经验知识来提供洞察力、指导判断,并与决策者的信念和组织价值观相一致,作为决策过程的一部分。
从视觉上看,数据信息和数据驱动之间的区别是微妙的,但它们是重要的。人的角色、知识创造和决策的变化直接影响着每一种方法的优劣。
四 两种方法的比较
每种方法都有优点和缺点。下图总结了每种方法的优缺点。
这意味着决策的速度、决策中的偏见和影响、可解释的决策、中断、可持续性等等。依赖于用例的选择,数据驱动和数据信息都是有意义的。数据驱动、自动在线保险报价的价值是显而易见的。对人的依赖会减缓过程,并可能导致错误和决策的不一致性。自动化招聘、晋升和薪酬决策的风险同样明显。没有人情味和潜在偏见的决定肯定会带来抱怨和抵制,并对员工的士气造成损害。
这里的重点是,数据信息或数据驱动并不是一个放之四海而皆通的概念。正确的选择取决于用例。最终,每个组织都需要数据信息和数据驱动的组合。
五 使数据分析具有可操作性
从数据到价值,从数据得到信息,从数据驱动……这听起来很吸引人,但许多组织却很难从分析中获得影响。仅仅拥有数据并进行分析并不能保证创造价值。获取价值需要一些好的实践,使数据分析具有可操作性:
•将分析与人联系起来
•将分析与业务流程连接起来
•将分析与决策联系起来
•分析业务问题
•识别业务需求
•将要求转化为问题
•使用正确的数据
•将数据转化为答案
•把答案变成决定
•把决定变成行动
“数据驱动”一词描述了一种业务状态,其中数据用于有效地、实时地推动决策制定和其他相关活动。对于企业来说,达到数据驱动的状态就像开车和骑马的区别。数据驱动的企业能够更快更高效地到达目的地。数据驱动的特征包括良好集成的高质量数据和算法自动化,包括人工智能。