直接由专家构建企业数据战略的 5 个步骤

数据可能是一个可怕的词。

不应该是这样，但确实如此。主要是因为人们不知道如何管理它。

许多公司已经达到了拥有如此多数据的地步，他们不知道下一步该去哪里。其他人则认为它们很小，没有必要投资企业数据战略。

事实是，无论您的公司规模和数据的当前状态如何，您都将从实施数据策略中受益。

为了帮助您入门，我们聘请了以下专家的专业知识 佐西娅·科索斯基，HubSpot 商业智能团队的集团产品经理（即我们的内部数据策略专家。）

当您读完本文时，您将更好地了解公司当前的数据成熟度水平、制定策略之前需要考虑的因素以及在此过程中提供帮助的一些步骤。

尽管人们普遍认为，企业数据战略不仅仅适用于拥有大量数据的大公司。事实上，小型企业可以从早期投资数据策略中受益，并为帮助其扩大规模奠定基础。

企业数据战略的好处

许多组织面临的常见陷阱是，当他们收集大量数据时，每个团队都以自己的方式解释这些数据。没有标准的报告方法，每个团队可能会为同一指标报告不同的值。

这意味着每个人最终都会得到不同的数据，但无法清楚地了解哪些数据是准确的。当没有单一的事实来源时，信任您的数据并获取有价值的见解变得非常困难。

“数据不仅仅存在于孤岛中，”科索夫斯基说。 “营销团队不仅仅会使用其他团队无法影响的营销特定数据。他们也希望从不同领域获取信息。”

她继续说道，“因此，治理和标准化的要素以及通用语言对于确保这些团队能够相互沟通非常重要。”

因此，通过实施 EDS，您可以防止信息孤岛、建立对数据的信任并支持决策。

制定企业数据战略时要考虑什么

1. 您当前的数据成熟度级别

科索夫斯基建议在制定策略之前做的第一件事是自我评估。

问问自己：您的公司在数据成熟度阶段处于哪个阶段？

戴尔 有一个广泛使用的“数据成熟度模型”，可以帮助公司确定他们的公司实际上是如何由数据驱动的。有四个阶段：

• 数据感知 – 您的公司尚未标准化其报告系统，并且您的系统、数据源和数据库之间没有集成。另外，人们对数据本身缺乏信任。
• 数据精通 – 人们仍然缺乏对数据的信任，特别是其质量。您可能已经投资了数据仓库，但仍然缺少一些部分。
• 精通数据 – 您的公司有权根据您的数据做出业务决策。然而，业务领导者和 IT 之间仍然存在一些问题需要解决，因为 IT 致力于按需提供可靠的数据。
• 数据驱动 – IT 和业务部门紧密合作，步调一致。现在，重点是扩展数据战略，因为基础工作（特别是集成数据源）已经成功实施。

这里最重要的是要现实地认识到你的公司的处境。

“我认为我看到的最大陷阱是没有真正诚实地了解自己的公司处于数据成熟阶段的哪个阶段，”科索夫斯基说。

她补充说，仅仅看看你对数据如何驱动你的感受是不够的 认为 你的公司是。看看事实。

首先确定您的公司当前面临的数据问题，因为这是表明您所处位置的重要指标。

2.您的行业和公司规模

您所处的行业和公司的规模将决定您是否采用集中式或分布式方法来制定数据策略。

但在我们分解这些方法之前，让我们先讨论两个数据策略框架：进攻和防守。

在我与 Kossowski 的交谈中，她提出了这个框架（详细解释了 此处）帮助 HubSpot 制定了自己的战略。

数据防御优先考虑数据安全、访问、治理和准确性等问题，而数据攻击则侧重于获得有助于决策的见解。

每个公司都需要攻守平衡。然而，有些人根据其所在行业更倾向于这一范围的一端。

例如，医疗保健组织或金融机构可能会处理高度敏感的数据，其中数据隐私和安全性至关重要。

获取实时数据和快速洞察可能不是首要任务，而为谁可以访问数据提供护栏可能才是首要任务。因此，他们将更倾向于防御框架。

另一方面，科技公司往往发展迅速，并且更加依赖数据洞察的快速周转。

所以，他们更倾向于进攻。话虽如此，科技公司（和其他快速发展的行业）内肯定有一些部门会更多地关注国防，例如金融。

现在回到集中式和分布式策略。

您使用的框架将告诉您哪种策略最适合您的公司。

在集中式结构中，您拥有一个集中式报告或商业智能 (BI) 团队来管理和准备数据以及报告。

科索夫斯基说：“这种[结构]在较小的组织中效果更好，尤其是在优先考虑防守的组织中，因为你的行动会变慢。” “你将成为瓶颈，但你也可以严格控制它的每一部分。”

另一方面，分布式模型更适合采取进攻方式的大型团队。这样，每个团队都可以快速行动，并有权以适合自己的方式开展工作。

Kossowski 解释说，在此模型中，BI 仅负责平台并设置护栏，而团队则负责开发工作。

“如果你考虑一个组织，随着公司变得越来越大，团队越来越集中，扩展就会变得越来越困难，”她说。 “你最终不得不雇佣越来越多的人才能实现这一目标。”

“所以我认为，在公司达到一定规模的情况下，无论如何，你最终都会越来越倾向于去中心化的[策略]。”

因此，一旦您了解哪种框架最适合您的行业和规模，您就可以实施适当的策略。

3. 您的数据管理团队

科索夫斯基表示，数据科学是目前数据管理领域的热门话题。她并没有错。

2012年，《哈佛商业评论》将其命名为 21世纪最性感的工作。近10年后， Glassdoor 被评为美国第二好的工作。

但是，如果您正在争论要在数据管理团队中添加什么角色，那么数据科学家不应该是您的第一选择。

科索夫斯基强调，数据科学的好坏取决于支撑它的数据。如果这些数据不可信，您将无法获得有价值的见解。

“数据科学并不是一根魔杖，可以神奇地将不良数据转化为见解。无论如何，您仍然需要该数据基础，”她补充道。 “所以，因为它是下一件大事而开始做某事，我认为这是一个大问题。”

如果您处于数据成熟度模型的早期阶段，Kossowski 会建议您将工作重点放在哪里。

“在编写 SQL 和构建 SQL 表方面经验丰富的数据仓库架构师甚至数据分析师，”她说。 “如果你只雇用一个人，而你没有那么多数据，那么这可能是一次非常有力的雇用，因为当你的规模较小时，一个人可以做很多事情。他们可以担任许多不同的角色并学习不同的东西。”

当涉及更多技术任务时，例如将数据提取到仓库中，您可以使用第三方工具来完成此任务。

在这个阶段，您真正需要的是有人帮助您构建数据。

1. 概述您的数据架构。

您要做的第一件事是详细了解您的数据。

问问自己这些问题：

• 数据将存放在哪里？
• 您将收集什么类型的数据以及从哪些来源收集？
• 数据将如何组织？

这里的目标是了解数据的结构。

如果不了解结构，您就无法制定有关如何管理数据的全面计划。

2. 定义 BI 和您的团队之间的关系。

在数据策略方面，最重要的步骤之一是定义参与流程的团队并设定对 BI 的期望。

在一个以前没有考虑过数据策略的大型组织中，你经常会发现每个团队都遵循不同的模型，与 BI 的关系也不同，这使得 BI 很难以精简和标准的方式运作。

它还模糊了数据分析师和 BI 角色之间的界限。

数据分析师应该了解其团队特定的业务逻辑以及所收集数据的结构。另一方面，BI 不需要了解其所支持的操作领域的具体知识，而应该专注于数据源和管理平台以支持分析师。

当 BI 定期调整其流程以匹配团队的特定业务逻辑时，它会减慢一切并产生持续的重新学习需求。

科索夫斯基的建议？将业务逻辑从 BI 层中剥离出来，并处理与尽可能多的团队相关的事情。

此外，提出一个标准的分析师档案以及 BI 和团队之间关系的模型。

“我们仍然会在某些地方处理数据集，而不是整个平台，”科索夫斯基说，“但我们会尽我们所能，清理基础数据，使加入变得容易，但不是实际上进行这些连接及其逻辑。”

3. 分配所有权。

在您的团队和 BI 之间建立关系后，下一步是定义谁将拥有什么。

数据的每个部分通常都有不同的所有者。例如，一个人或团队可能拥有操作数据，而另一个人或团队可能拥有报告数据。

您可能还需要在管道的不同阶段分配所有者。 BI 团队可能拥有特定阶段的数据，然后将其传递给分析师。

科索夫斯基认为所有权始于生成数据的团队。

“他们需要感受到对数据的某种程度的所有权，并在出现问题时承担一定程度的责任，”她说。 “因为如果源头出了问题，BI 就无能为力。”

她继续说道，“如果你尝试在这个级别上打补丁，你只会遇到更多问题，所以这种关系也很重要。”

4. 建立数据治理。

数据治理是一组政策和法规，告知如何收集和存储数据以确保准确性和质量。

简单来说，数据治理就是“嘿，您想使用我们创建的真实数据源并成为其中的一部分吗？那么你必须满足这个标准。“

这可以包括满足编码标准、拥有一定数量的审阅者以及遵循特定的文档流程。

“当我们考虑治理和采用时，实际上是关于您可以为遵守而采取的机制，”科索夫斯基说。

在治理方面，您必须考虑两个方面：文化方面和技术方面。

从文化角度来看，如何让您的团队采用这些标准？从技术角度来看，哪些流程可以自动化，以便一切都不需要行为修改？

当您考虑这两部分时，您必须同时考虑分析师方面和工程师（或源团队）方面。

Kossowski 解释说，对于工程团队来说，很难考虑数据进入仓库时是什么样子，因为这不是他们产品或职责的核心部分。

他们可能看不到数据的实际好处，除非是一个与分析师紧密合作的数据驱动型组织。在这种情况下，分析师可以传达数据正在推动 X 决策，因此在数据意味着 Y 需求之前，无法做出决策。

对于分析师来说，更容易看到好处，因为他们更接近业务并且可以看到直接影响。他们可以意识到，遵循数据治理标准意味着减少对 BI 的依赖，从而使事情进展得更快。

“来自数据的见解必须为有关产品的决策提供动力，因为这是您获得产品和工程团队的唯一途径

相信数据的价值，并在数据导出时考虑数据的价值。”科索夫斯基说道。

5.定期重新评估。

无论您处于数据成熟度模型的哪个位置，您的数据策略始终需要进行一些调整。

“[在 HubSpot]，我们有一个三年计划以及关于每一年发生的事情的所有这些想法，”科索夫斯基说。但我完全预计，一年后，当我们审视它时，我们会根据情况的变化进行调整。”

例如，假设您在产品或服务中引入了一项新功能，现在正在收集更敏感的客户数据。这可能需要采取更具防御性的方法。如果您的公司呈指数级增长，您可能需要转向分布式策略而不是集中式策略。

即使您公司的运营方式没有变化，您可能仍然需要重新评估。以下是两个主要指标，是时候审查您的数据策略了：

• 人们对事情花费的时间感到沮丧。
• 人们对数据缺乏信任。

科索夫斯基说，找到两者之间的平衡是关键。

“你不希望 BI 做所有事情，因为那样会花费很长时间，”她说，“但你也不希望分析师群体拥有如此多的自由，以至于你不能真正依赖任何人。数据。”

一个好的经验法则是每六个月到一年审查一次您的策略。与业务领导者、IT 人员和您的团队交谈，了解每个人对您的进展的看法，并确定需要进行哪些更改。

构建 EDS 的过程因公司而异，因为您的数据成熟度水平、行业和公司规模都会影响您采取的步骤。

通过评估您公司目前的状况，您可以制定满足您业务特定需求的战略。

资料来源：https://blog.hubspot.com/marketing/enterprise-data-strategy