毫无疑问，成为一家数据驱动型公司是企业议程的重中之重。IDC最近的一份白皮书发现，数据精通型公司报告收入增长了三倍，缩短新产品和服务上市时间的可能性几乎增加了两倍，提高了客户满意度、利润和运营效率的可能性增加了一倍多。
但NewVantage Partners 1月份对数据和信息高管的调查显示，只有25%的公司称自己是数据驱动型的，且只有21%的公司表示他们的企业中有数据文化。
虽然存在诸多关键因素来解释这种脱节现象，但80%的受访者认为，文化问题是阻碍他们从数据投资中获得价值的最大因素，只有20%的受访者认为关键因素是技术限制。根据专家的经验，以下是成为数据驱动型公司的6大关键障碍。
1. 识别不良数据
如果底层数据不好，即使是最好的分析策略也可能无济于事。但是解决数据质量问题需要对数据的含义和收集方式有深刻的理解。Data.org的首席数据和技术官Uyi Stewart认为，虽然解决重复数据是一个问题，但数据的准确性明显是一个更难解决的问题。Data.org是由万事达包容性增长中心(Mastercard Center for Inclusive Growth)和洛克菲勒基金会(Rockefeller Foundation)支持的非营利组织。
他表示，“准确性的挑战要困难得多，且需要花费更多时间。这就是你需要领域专业知识(domain expertise)来区分事实和虚构的原因。”
单纯的技术技能是远远不够的。这是雷诺·马里斯(Lenno Maris)在2017年加入跨国乳制品公司FrieslandCampina时明白的道理，当时该公司正着手实施一项战略计划，旨在成为一家数据驱动型公司。
这是一个巨大的挑战。因为该公司在31个国家拥有21000多名员工，客户遍布100多个国家。很明显，数据质量将成为一个巨大的障碍。
该公司负责企业数据和授权的高级全球总监Maris称，例如，库存是根据托盘数量报告的，但订单是根据单位数量报告的。这意味着人们必须进行手工转换，以确保以合适的价格交付合适的数量。
或者以商品代码为例。每个工厂输入最适合产品的商品代码，不同的工厂使用不同的代码，然后用于退还进出口税。但税务报告是在公司层面进行的，因此需要一致性。
为了解决数据问题，FrieslandCampina公司必须改进其数据的组织方式。在项目开始时，团队主要关注数据输入的技术细节。但这种情况很快就改变了。
Maris介绍称，“我们已经能够重新培训我们的团队，使其成为流程专家、数据质量专家和领域专家。这使我们能够过渡到主动数据支持，并成为我们业务同行的顾问。”
同样地，帮助公司提高数据质量的技术平台Syniti也必须适应。
Maris表示，“这个平台很好，但技术门槛很高。因此，我们在企业用户采用方面遇到了一些挑战。为了改变这种情况，我们要求Syniti提供与业务相关的用户界面。”
2018年，一级主数据对象已经到位：供应商、材料、客户和财务。第二年，这扩展到了第二层数据对象，包括合同、材料清单、回扣和定价。到2022年底，该公司已经完成了逻辑业务流程的编排，项目完全部署。结果是，数据质量提高了95%，生产力提高了108%。
Maris称，“在实施基础数据平台之前，我们每年要对主数据进行超过10000小时的返工。如今，这一比例已降至几乎为零。”
Aflac的CIOShelia Anderson称，数据质量也是Aflac公司面临的一个问题。当Aflac计划转型为一家数据驱动型公司时，Aflac的各种业务部门都有不同的业务运营方式。
她介绍称，Aflac公司内有多个数据接收系统，导致数据质量不一致。这使得很难从数据中获得有用的见解。为了解决这个问题，Aflac采取了以数字为先、以客户为中心的方法。这需要跨各种生态系统整合数据，因此，客户体验得到了改善，公司也能够提高其业务流程的自动化程度并降低错误率。其中，一个显著的好处是，它为客户服务人员腾出了精力，使他们能够专注于需要更个性化处理的更复杂的索赔。
2. 将数据整合视为一个技术问题
兰迪·赛克斯(Randy Sykes)的前任雇主花了八年时间建立了一个数据仓库，但没有成功。对此，他表示，“这是因为我们试图应用标准的系统开发技术，而没有确保其与业务步调保持一致。”
如今，Sykes已经成为黑斯廷斯互助保险公司(Hastings Mutual Insurance Co.)数据服务的IT总监。这一次，他采用了一种不同的方法来整合该公司的数据。
十年前，该公司决定将所有东西整合到一个数据仓库中。当时，报告需要45天才能生成，而且业务用户没有做出业务决策所需的信息。
首先，数据将通过每晚从遗留系统批量导入在着陆区域收集。然后它将转移到一个暂存区域，在这里将应用业务规则来合并和协调来自不同系统的数据。这需要深入了解公司的运作方式和数据的含义。但这一次，这个项目是成功的，因为团队中有主题专家。
Sykes补充道，“此外，我们的团队中还有几个业务人员，他们在公司工作了很长时间，对公司非常了解。因此，要想成功，你需要一个跨职能的团队。”
例如，不同的保险政策系统可能有不同的条款、不同的保险范围和风险。为了整合所有这些信息，数据团队需要很好地理解将原始数据转换为通用格式所需的业务语言和规则。
Sykes表示，“这是企业遇到的最大挑战。他们试图获得数据，并在技术上把它们整合在一起，但却忘记了信息背后的业务背景。很多时候，这类项目都以失败告终。”
他补充道，如今，一份过去需要45天才能完成的报告可以在24小时内完成。之后，随着数据库的不断现代化和事件驱动，信息将变得实时可用。
3. 没有短期的业务收益
从Hastings公司着手收集数据，这个数据项目就在一年内开始为公司创造价值，尽管数据仓库项目始于2014年，直到2017年才交付。
这是因为着陆和集结区域已经在收集和处理数据方面提供了价值。
Sykes称，“数据项目必须在整个过程中提供业务价值。没有人愿意永远等下去。”
NTT Americas的首席顾问Denise Allec在一家大公司担任企业IT主管时，也曾利用类似的“速胜”策略成功完成了一个大型数据项目。
她表示，为期六周的概念验证项目表明，该项目具有价值，并帮助克服了业务部门不愿放弃自己的数据孤岛等挑战。
她认为，“放弃对数据的所有权对许多人来说意味着失去控制，因为信息就是力量。”
不过，这种囤积数据的行为并不仅限于高管。员工往往也不相信别人的数据。他们想要验证和清理他们自己的资源，并创建他们自己的报告工具，以满足他们独特的需求。
她表示，“我们都见过一家公司存在大量重复的数据库，也见过这种情况带来的挑战。”
Genpact的首席数字策略Sanjay Srivastava证实，选择不能立即产生效益的数据项目是成功的数据计划的主要障碍。另一方面，选择没有任何扩展能力的项目是另一个主要障碍。如果没有扩展能力，数据项目将不会产生有意义的长期影响，而只是将资源用于小型或特殊的用例。
4. 没有给终端用户提供他们需要的自助服务工具
把业务用户放在第一位意味着以他们需要的形式向人们提供他们需要的数据。有时，这意味着Excel电子表格。例如，在Hastings公司，员工通常会将数据复制粘贴到Excel中，以便使用它。
Hastings的Sykes称，“每个人都用Excel。那么为什么我们不直接给你数据，这样你就不用再复制粘贴了。”
但该公司也一直在制作仪表板。如今，该公司420名员工中约有25%在使用仪表板和外部机构。对此，Sykes表示，“他们现在可以帮助代理商交叉销售我们的产品。这种情况是前所未见的。”
但是为用户提供他们需要的自助式分析工具仍然是一个挑战。Sykes称，“我们仍然有点落后。但随着200个以业务为重点的仪表板部署到位，这个过程正在顺利进行。”
另一个最近开始数据获取民主化进程的组织是俄亥俄州代顿市的代顿儿童医院(Dayton Children’s Hospital)。
代顿儿童医院CIO J.D. Whitlock表示，“五年前我们做得并不好。当时，我们还主要依赖电子表格。但现在我们正在使用微软的数据栈，如此一来，只要有人对如何使用PowerBI略知一二，我们就会以适当的格式提供适当的数据，并提供适当的安全性。”
此外，数据分析师也已经去中心化，所以人们不必带着数据问题去找一个团队。
Whitlock称，“假设你想知道某医生去年做了多少次手术。这是一个相对简单的问题。但如果你不给人们提供工具让他们自己去做，那么你就会有成千上万的请求。”
他补充道，使用自助式数据工具帮助公司向数据驱动型组织转变。但需要提醒的是，这是一个持续性的过程，永远没有所谓的“终点”。
5. 在开发过程中不包含终端用户
忽略用户需求几乎总会导致灾难。例如，全球咨询公司SSA & Company应用解决方案的领导者尼克·克雷默(Nick Kramer)最近与一家全国性餐饮服务公司合作，该公司在美国46个州设有办事处，年收入高达5亿美元。这家餐饮服务公司发展迅速，但服务水平却在下降。
Kramer介绍称，“该公司的每个人都在互相指责。但CIO没有仪表盘或报告，只有毫无根据的轶事和观点。”
其中一个问题是中央安装系统被广泛忽视。这个制度是强加给员工的，很难落实。
Kramer解释称，“订单部门、销售部门、法务部门和安装部门的人——每个办公室都有自己的电子表格，他们在上面运行日程安排。没有任何通信发生，数据也没有流动。所以你必须一个办公室一个办公室地去了解谁在做什么，做得怎么样，哪些延误是无法解决的，哪些是可以解决的。”
正确的解决方案应该能够接近业务用户，了解数据是如何使用的。
科尔尼(Kearney)合伙人Joshua Swartz最近也有过类似的经历，当时他正在为一家年收入达数十亿美元的美国食品公司做咨询项目。
该公司希望使生产经理能够根据真实数据做出更好的生产决策。
Swartz称，“例如，在某个生产基地有一条生产线，它可以生产玉米片或皮塔饼。如果发生切换，你必须停下来清洗并更换成分。由于食品容易腐烂，生产失误意味着一些产品将不得不被扔掉。但当公司最初设计解决方案时，生产工人并没有参与。因为他们忙于生产粮食，没有时间停下来参加会议。”
因为公司的文化是等级分明的，所以这个问题并没有得到重视。他说，“当首席执行官说了什么，并把拳头放在桌子上时，每个人都必须效仿。”
但是新系统只在试验点使用了几个星期，然后员工们发现这个系统并不适合他们，于是又回到了老方法。此外，该公司的数据主管位于公司技术部门的下几层，无缘靠近最高管理层或业务部门，因此也无法提供任何帮助。
解决这个问题需要将真正的员工带到设计套件中，即使它需要增加生产线的产能以释放工人。
Swartz称，“利润微薄的食品公司不愿意进行这样的投资。但当他们成为过程的一部分时，他们能够为解决方案做出贡献，今天三分之一到一半的设施正在使用这项新技术。”
Swartz还建议，首席数据官(CDO)的位置应该离公司最有价值的数据更近。
他表示，“如果数据是企业的一项战略资产，我会把CDO安排在更接近拥有数据所有权的业务部门的位置。如果企业专注于利用数据提高运营效率，那么首席运营官可能是合适的人选。”
不过，他说，以销售为导向的公司可能希望将CDO置于销售官之下，而产品公司可能希望将CDO置于营销官之下。他工作过的一家包装消费品公司实际上让CDO直接向CEO汇报。
Swartz认为，“如果你认为数据是一个技术问题，你就会在从数据和分析中获得价值方面不断遭遇挑战。”
6. 缺乏信任
负责任地使用数据对于数据计划的成功至关重要，在金融领域更是如此。
星展银行(DBS Bank)的首席分析官Sameer Gupta表示，“信任在银行业至关重要。负责任地使用数据和模型至关重要，在使用数据时必须坚持道德考虑。”
他说，数据的使用应该是有目的的、可解释的，而且不应该让人感到意外。通过专注于信任，DBS银行已经能够在整个企业(最新统计为260个)部署人工智能和数据用例，从消费者和中小企业银行等面向客户的业务，到合规、营销和人力资源等支持功能。
他说，“2022年，我们的人工智能和机器学习计划带来的收入增长约为1.5亿新元(约合1.12亿美元)，是前一年的两倍多。我们希望在未来五年内实现10亿新元的目标。”
赢得信任需要时间和承诺。没有它，成为一家数据驱动型公司几乎是不可能的。一旦获得信任，就会开始一个良性循环。根据凯捷(CapGemini)今年1月发布的一份变革管理研究报告，在拥有强大数据分析能力的企业中，员工信任公司的可能性要高出18%。当这些公司需要进一步发展时，成功变革的可能性比其他企业高23%到27%。
麻省理工学院(MIT)前人工智能研究科学家Eugenio Zuccarelli表示，“包括数据专家在内的许多人都认为，在向数据驱动型公司转型的过程中，大多数问题都与技术有关。”
但他表示，真正的障碍在于个人，因为人们必须学会理解基于数据做出决策的价值。
他解释称，“在麻省理工学院做研究时，我经常看到专家和组织领导人在向数据驱动型组织转型的过程中遇到困难。主要问题通常是文化上的，比如相信技术会取代他们的决策，而不是赋予他们权力，以及根据经验和直觉做出决定的普遍倾向。”
他补充道，人们需要明白，他们的专业知识仍然至关重要，数据可以提供额外的输入。
企业需要停止将成为一家数据驱动型公司视为一个技术问题。
Lotis Blue Consulting收入增长实践合伙人、数据科学团队负责人Donncha Carroll表示，“我们所有的客户都致力于成为数据驱动型企业，但他们都不知道这意味着什么。他们关注的是自己的技术能力，而不是人们能够用他们获得的数据做什么。他们没有把解决方案的用户放在框架内。而且，许多数据分析团队提供的数据仪表板提供的信息既没有用也不具备可操作性。这都注定他们的计划将胎死腹中。”
