数字智能时代，人工智能是企业未来发展的决定性趋势，人工智能的竞争最终是数据竞争。企业发展人工智能的核心是建立数据战略。在数据竞争中投入资源，抢占制高点，是开辟未来成功道路的关键。从企业的角度来看，数据战略就是让数据成为企业在竞争中自我定位的基石，并以此赢得更多的市场，从而实现企业长大。企业要对一系列数据计划深思熟虑，用创新思维来改变当前的状态，达成企业增长的远景。知盛集团CEO王晓梅，基于20多年在大数据分析与人工智能领域的实践经验，以及服务全球500强众多客户的积累，结合众多行业案例，通过《AI3.0：人工智能落地的商业逻辑》一书，深入解析了人工智能落地的策略和技巧。

作者 | 王晓梅

摘自《AI3.0：人工智能落地的商业逻辑》

来源 | 财大咖（ID:caidaka2019）

转载请在文章下留言

从数据的角度来看，数据战略旨在改进获取、存储、管理、共享和使用数据的方式。数据战略要确保所有数据资源易于企业定位、使用、共享和流动。在这个过程中，也会涉及数据技术的运用。

那么，该如何制定企业的数据战略？

每个企业在制定数据战略之前，都必须明确企业的业务远景和战略。数据战略与业务战略是统一和相辅相成的，两者不断为企业提供价值，实现企业的业务远景。企业在明确好业务远景和业务战略后，需要开始盘点数据资产，完成数据治理，最终成为以数据为中心的企业，实现数据价值的创新与创造。另外，在推进数据战略的过程中，企业良好的组织流程、人才储备和企业文化也至关重要。

在数据治理开始前，我们要先盘点企业的数据资产，察看其数据资源版图。

通常，企业有许多类型的数据。一般而言，企业的CRM（客户关系管理）、ERP（企业资源计划）、财务、OA（办公自动化）等数字化系统上往往存储着客户、供应链、员工、资产、运营流程、财务、行政管理等各类数据。不同类型的企业又拥有不同的行业数据。比如，金融行业拥有大量信贷和风险数据，零售行业有大量用户消费、商品零售和店面位置数据。

企业的数据是一套融合体系，虽然财务数据往往存储在财务系统中，但也可以从销售、采购、行政管理等数据中获得公司的日常流水数据，提取出财务数据。而且，从技术的角度来看，数据以不同的方式记录和存储。数据库中存储的是结构化数据，文件系统和文档存储的是非结构化数据。目前，企业的数据散落在不同的IT系统中，而不同的IT系统通常使用的是不同的架构和语言，由不同的IT服务供应商提供。因此，企业的数据治理比较复杂，耗时长。从我过往参与的全球多个落地项目来看，一个大数据分析项目，平均60%～80%的工作量花在数据的采集和处理上。当数据治理完成后，数据的分析与洞察往往进展比较快。

某金融企业每日采集数据的系统就超过20个，总表数也超过2万，总字段数超过50万。数据散乱，如何找到并利用好这些数据资产，成为令企业束手无策的大难题。

在我过往经历的大数据治理项目中，经常会遇到这样的数据难题。企业不仅理不清自身的数据资产，还无法衡量自身的数据资产价值，数据资产变现亦无从着手。业务一线要的是可产品化的数据服务，而数据分析团队往往脱离实际业务需求，闭门造车。因此，了解企业的数据资源版图后，就需要构建企业的数据治理规划。整个数据战略的关键是数据治理。数据治理成功了，企业的数据战略也将大概率取得成功。

整体来看，数据治理的实施有四个层次：第一个层次是从业务战略的高度来思考数据战略。第二个层次是在此基础上建立数据战略和数据安全原则。第三个层次是建立具体的治理原则、治理义务和治理方法。第四个层次是从技术、数据分类、组织管理等方面来保障数据治理的实施。

数据战略应该与业务战略保持一致，并决定好从哪些领域开始，以确定优先级和进一步的数据计划。

在外部，业务需求在不断变化，公司管理层需要随着竞争环境和整体企业战略的转变动态调整数据战略。数据战略对应的业务需求往往涉及产品、运营、流程改进等方面。与产品相关的数据战略要求能快速发现和集成新的数据源，提供更好的用户体验。运营与流程改进则主要应用于公司内部，关注效率、成本降低和质量改进。

业务战略是以客户为中心的，数据战略也同样要以客户为中心。比如，当客户提出要交付一个数据API产品时，客户实际包含的需求是便捷地从任何地方检索数据，而不只是一个产品方案。

企业的数据庞杂，对所有数据进行分析是不切实际的。因此，数据治理要有针对性，要专注于为企业创造价值。企业要明确，数据治理的目的是给企业的产品与服务、业务判断、工具和方法提供决策支持。只有紧紧围绕业务，企业才能一直将数据治理聚焦于正确的人员和流程上。

对于即将上线的新业务，企业要提前确定数据治理的框架：选择要保存数据的业务类型——是前台的销售数据还是后台的人力资源数据？选择要保存的数据种类——是时间序列数据还是截面数据，是结构化数据还是非结构化数据？然后选取合适的数据存储方式，让数据分析和业务洞察更方便、有效。

数据治理要符合公司管理数据、使用数据的法规，符合安全性原则。不同数据需要的安全级别不同，所以要分别设置安全权限。比如，需要加密个人敏感数据，只有拥有业务需求和访问权限的员工，才能将数据复制到便携式存储设备上。

数据治理是技术与企业管理的组合拳。一方面，在技术上，除了要确定数据收集、管理、分发、处理的规则，针对不同的数据选择合适的处理技术，还要判定数据治理过程中的各方责任。数据治理技术成熟后，也会成为企业的核心竞争力之一。另一方面，企业的业务与组织流程往往十分复杂，需要通过企业运营流程、文化和流程管控，将数据治理的要求编码为企业的角色、流程和技术要求，保障数据治理的稳妥推进。同时，在数据治理过程中，为了提高数据治理的效率与质量，还要将企业的数据进行分类。不同数据描述了企业不同维度的业务特征，可用于分析不同的业务需求，获得对应的商业洞察。

数据分类可以让数据目录清晰，方便员工找寻，并且每个数据集包含的数据数量有限，更易于员工对数据的理解和学习，加快数据治理的效率。在数据分类的过程中，企业也可以对IT系统和企业流程进行改进，这有助于确定实施数据治理机制。在企业的数据架构不变的情况下，如果新的数据集要加入，就可以直接在数据分类的基础上进行较好的数据扩展。

数据治理是一个渐进的过程。在这个过程中，企业需要不断完善数据成熟度，实现业务价值。同时，企业也需要不断变化，满足不断增长的数据需求，协调各方利益，实现数据资产的良性循环。

举个常见的例子：企业中实施数据治理的团队与从数据治理中获益的团队，往往不是同一拨人。数据治理过程中经常会产生资源、利益等方面的冲突，从而影响企业数据治理目标的达成。因此，在初期，只有强制性的规章制度才能在企业中实现成本和收益的不对称分配。而随着数据治理的发展，企业需要恢复成本与收益的平衡，让数据治理上的投入可以通过提高运营效率和产品销售获得投资回报，从而实现良性循环。

最终，数据治理完成，企业成为以数据为中心的组织。这个过程改变了IT系统的开发和操作方式，改变了以流程为中心的企业组织方式，同时还给每位员工设定了一个数据身份，获取相对应的数据，让员工不断进行以数据为中心的价值创新。

至此，企业整体走完了盘点数据资产、构建数据治理、以数据为中心的历程。在具体的实践中，每个企业的情况不同，可以通过数据治理的成熟度级别来判断企业的数据化程度，更准确地指导企业构建数据治理框架，最终成为以数据为中心的企业。

一般来说，企业的数据成熟度可分为五个级别。

第一个级别是数据编目。编目是给企业使用的所有数据存储区和数据源建立列表或清单，建立元数据。元数据是指描述数据的数据，可以描述数据的属性、存储位置、历史数据、资源查找、文件记录等。有了数据编目，企业可以迅速知道其拥有哪些数据、该数据位于何处。

刚开始，数据编目主要包含数据名称、位置等简单信息，数据存储库和创建数据存储库引擎可以通过机器自动来完成，之后需要查看数据本身，并记录详细信息，初步评估数据质量。接着，再通过人工进行数据分类，完成数据编目工作。

第二个级别是定义治理，指的是在数据治理前需要做好准备，建立治理原则，指导企业设定数据治理的步骤。通过相关技术和工具，将数据治理的需求，包括业务需求和分类需求，与元数据进行链接。企业还需要使用数字服务和工具进行数据的定位、访问和管理，以获得全面的数据治理框架。

除了企业要建立自身的数据治理标准，行业组织也需要针对行业的数据特点建立数据治理标准。在过往的数据治理中，大多数金融机构花费了大量时间处理纷繁复杂的数据，但由于行业内缺乏统一的标准，使得数据治理事倍功半，很多金融机构的数据依然杂乱无章，无法提高使用效率。2018年，中国银行保险监督管理委员发布《银行业金融机构数据治理指引》，其中明确了银行业数据治理的统一数据模型、客户标识和安全隐私标准。这对提升行业的数据质量与行业数据成熟度颇有帮助。

第三个级别是运营治理，从运营流程管理的角度来接入数据治理。企业在实际运营流程中，能够利用工具进行数据个性化。比如，针对特定用户，显示特定类型的数据；不同员工在运营数据时，展示不同的数据。并且，数据移动引擎、数据访问API、安全等治理工具可以自动帮助企业在数据运营中进行流程管理与执行。

在这个阶段，企业可以使用通用SaaS、通用IT方案等来降低数据治理的成本，还可以使用人工智能来提高数据治理的效率。在运营时，通过反馈学习可以自动匹配相同语义的数据，如果匹配的得分低于某个阈值，系统就会将候选数据提交给人类专家做判断。此时专家再进行数据比对，阅读的数据量就会比较小，从而提高数据治理的效率。

第四个级别是业务控制的治理，是指在数据目录、定义治理框架、运营治理之后，整个数据治理最终要在业务战略的指导下完成。如果业务需求发生变化，那么相应的数据治理也要发生变化。一旦数据目录、治理框架或运营思路发生任何变化，数据治理的方法也需要更新。

无论数据存储在哪一类IT平台，业务控制的治理可以随时随地调取数据，数据提取的格式和分类也要统一，形成相应的链接。

在这里，有一个小技巧屡试不爽。在全局规划的基础上，企业可以进行单一业务需求的专项数据治理，以专项整改的方式快速提升重点数据质量，实现局部速赢。无论是哪种类型或规模的企业，资源都是紧缺的，想要在有限的资源内实现高效的数据治理，专项数据治理无疑是一个好方法。

第五个级别是数据驱动的企业，是指使用企业内部和外部的各种数据来制定业务决策，实现数据价值创造。数据驱动的企业要发展数据治理的群体，参与者可以从一些受过数据治理训练的个人扩展到企业中的每个人。企业中，每位员工都有数据思维，因此可以获得相应的数据权限，从而获取数据位置、调动数据，在业务中融入数据，实现数据价值的创造。在这样的企业中，个人拥有并管理数据，所有员工围绕数据进行协作，一同开发可共享的数据分析和数据可视化，为数据驱动的实现提供实时反馈意见。

总体来看，数据治理对数据战略至关重要，数据治理是按照所有权、完整性、遵从性、质量、内容及与其他数据集的关系来管理数据集的过程。在数据治理的过程中，企业不断提高数据交付的结果，增强数据透明度和效率。没有成功的数据治理，企业会缺乏对数据集的洞察力，因而无法建立数据战略。

此外，数据战略的落地还需要人才、组织和文化的保障。目前，数据技术人才供给远远小于需求，企业很难找到合适的数据技术人才。因此，企业要花费大力气对公司的数据技术人才进行培训与评估，想方设法引入高级别人才，搭建全方位、多层次的数据技术人才团队，才能保证数据战略的成功。

在数据战略落地的过程中，企业要构建数据文化，提升组织的数据能力。在不远的将来，企业的大多数人可以方便地使用企业的标准化工具访问数据，就像现在大多数人都能灵活使用办公软件一样。这样，大多数人就可以访问、使用和分析数据来提升业务决策效率。同时，企业应该优化技术投资、人员和流程来保证数据战略的落地。

数据战略应该关注数据的整体生命周期，思考企业的数据从哪里来，有哪些作用，未来到哪里去。企业要更加关注自有数据的价值创新，建设自有数据的网络效应，将其货币化。并且，企业还要一手抓进攻性数据（商业分析），另一手抓防御性数据（安全性），双管齐下，避免数据泄漏。在保证数据资产的质量与安全的同时，保证数据战略的实施，释放数据资产价值，最终使其服务于业务需求。

数据战略最终要实现商业价值，这是验证数据战略是否成功的真理。某电信运营商拥有海量的用户数据，通过盘点数据资产，发现其有3700余个用户标签、4000多个手机品牌、9万多个手机终端型号等数据。通过数据治理，企业可以灵活、便捷地调用用户数据、手机品牌数据、终端型号数据，也可以高效地进行数据分析。于是该公司做出定制化报告和个性化模型，研发出基于居民区、工作区与商圈的人群分析，以及基于终端的人群分析的数据产品，通过API接口提供反欺诈、信息核验、风险评估等数据服务，最终获得数据资产的商业变现。

最后要强调的是，数据战略需要有长期的规划。成功的数据战略应该包含数据资产、数据治理、数据价值创造、人才储备等在内的总体计划，为未来的业务增长奠定基础，提供持续不断的数据动力。