随着经济环境变得更加黯淡，企业开始关注实现盈利性增长，而不仅仅是增长。数据驱动的决策可以加速实现这一目标，但组织必须发展新的数据力量才能实现这一目标。
过去几个月对商业世界来说是一场旋风：增长放缓、资本市场黯淡、裁员、经济衰退的可能性、投资者风险偏好降低以及整体经济环境不确定。这些都迫使公司重新考虑他们的战略并纠正他们的道路。最大的修正之一是 平衡增长与盈利能力. 尽管这在高增长科技公司中最为突出，但其影响是广泛的。
随着新现实的出现，思维方式必须进化，并且必须开发新的数据力量。过去十年的疯狂增长意味着数据分析在需求生成、追加销售交叉销售模型、增长营销等领域。虽然这些仍然很重要，甚至可能更重要，但必须建立新的数据分析力量来补充现有的力量——帮助提高效率和最大化的力量投资回报。许多事情在很长一段时间内都不是重点领域，但现在需要成为重点领域。具体来说，企业现在应该重点关注五个领域：
- 精益技术和运营模式以消除低效率： 在多个领域，低效模型变得司空见惯。一个典型的例子是让多个软件和供应商做非常相似的事情或做不需要的事情的技术模型。在数据世界中，它表现为公司拥有多个“数据平台”、数据仓库技术、BI 工具等形式。其起源是团队有资金购买和部署他们认为最方便的技术他们。这让组织拥有多个无法互操作的堆栈。资源方面存在类似的主题，例如，跨团队的数据工程师和分析师正在做重叠的工作。公司最终会得到多个版本的“相似但不同”的数据产品，这会引起混淆。
- 优化焦点补充最大化焦点。 重视和庆祝优化胜利的文化变革对于加强这种关注是必要的。改进的流程、自动化的工作流程、确定的利润流失，所有这些都需要像获得新客户一样值得庆祝。收入增长是最重要的，但今天的利润也是如此。这意味着定价模型需要更严格以确保创收是有利可图的，预测模型需要更准确以更好地规划运营费用等。总体而言，数据团队需要开发新的技能组合并专注于更新的算法，例如客户流失与需求生成相比，高管需要对数据团队提出更有针对性的要求。
- 通过分析捕捉小信号以识别机会。 当资本便宜时，专注于最大的机会并在其后进行投资是有意义的。现在这需要演变为不追求一些底线稀释机会，而是确定几个较小的机会，这些机会加起来大于部分的总和。多变量 机器学习 技术可以帮助识别人类可能遗漏的内容。这在媒体领域的一个例子是，不仅要专注于销售更新内容的交易，还要确定哪些旧内容会引起买方观众的共鸣，并将其作为一个包进行销售。例如，在战术上，销售推荐引擎需要更新以包含旧内容而不仅仅是新内容。
- 将数据驱动的决策和结果置于中心位置。 新经济环境的一线希望之一是高管们变得更加有意识。这为数据团队提供了一个很好的平台，可以通过使用数据产生洞察力然后推动成果来增加价值。将数据和业务团队结合在一起并能够设计出有效的人机交互界面的公司将比那些不这样做的公司具有决定性的优势。最强大的工具之一是会议仪式，例如，管理人员可以在所有会议开始时进行指标审查，并要求团队为他们希望支持的任何决策提供指标。
- 最后，需要的关键力量是对投资的舒适感 数据基础. 多年来，在“水涨船高”的环境中，表面层面的分析和报告已经足够了。大多数公司没有投资于基本功能，例如简化的数据技术堆栈、数据治理以及为数据团队建立正确的组织模型。这需要改变以消除系统的脆弱性，并使数据成为盈利增长的强大差异化因素。
组织数据肌肉很像人的肌肉：不锻炼的肌肉就变弱了。新环境需要新环境才能获胜——就像短跑运动员需要不同的训练方案才能成为游泳运动员一样。未来几年的赢家将是那些在实现盈利增长的过程中迅速转向以更新的方式做事的公司。
