在数字时代，成功的企业与众不同之处在于它们已经发展了将数据作为整个企业资产进行管理的能力。这种能力取决于几个要素：强大的技术基础、管理数据处理的机制以及员工对良好管理数据的责任感。这些要素为何重要，它们如何帮助公司使用数据支持其业务目标。下面，我看看将数据作为资产进行管理涉及的九大问题。
问题一：企业如何利用数据来创造价值？
企业利用数据最大的价值来自能够收集和关联各种系统的数据形成洞察和决策。例如，大型石油公司过去使用传统的数据模型和数据库来确定油井的获利能力，他们从收集有关油井的数据开始，生产成本多少钱，有多少产量，然后他们可能会问，如果油价达到XX元，这口油井产生的效益是多少。这是对油井进行分析的传统方法。
现在，通过物联网IIoT，石油公司可以获得有关产量和维护状态等实际生产的更多数据并关联这些数据。因此，现在他们开发了预测分析，以识别运行效率最高的油井或利润最高的油井，进而做出实时决策。
我们在众多的行业中看到这一点。他们获取公司传统上处理利润、成本、费用等方面的数据，并将其与效率、维护、运行状态等基于物联网的更多数据相结合，从而形成更加精准的预测和科学的决策。
问题二：企业在集成来自不同系统的数据时遇到的主要挑战是什么？
当前造成最大痛苦的是如何在整个企业范围内对所有系统进行集成。从根本上讲，数据的设计、收集和存储方式与十年、二十年或三十年前的处理方式没有变化。数据是在特定业务计划或特定应用程序的建设下开发的。很多公司仍然优化单个业务计划的收集和设计数据的方式。假设您想对相同的数据进行其他操作和应用，比如在一家银行，可能已经收集了25年前建立的抵押申请系统的数据，现在他们希望在不同的场景中使用该数据，因此他们必须收集数据，清理数据并以不同的方式管理数据。一旦将我的数据提供给另一个业务部门，他们将如何处理？他们会打电话给我的客户吗？然后会发生什么呢？人们拥有他们的数据，但是没有动力去共享它们。这是必须克服的基本组织障碍。
当然不可避免的还有技术障碍。该数据采用什么格式？使用什么数据库？该数据是加密的还是未加密的？此外，使用数据的原始应用程序或业务系统可能已在其中内置了一定的逻辑，如果我在没有业务逻辑的情况下为您提供数据，那么这些数据是否仍然有用并且在新的场景中仍然有意义？
问题三：如何改变企业的数据管理方法，使其在整个企业中有效运作？
过去，每个业务功能，、每个应用程序都创建自己的数据模型和数据库。这导致了大量的数据以分散的方式进行了存储。现在有很多事情要做，以便在问题发生后通过数据进行分析。现在最大的变化是，如何从一开始就设计这种功能？这有点像几年前我们在制造业中看到的那样。Kaizen和其中的一些技术之所以进入市场，是因为管理人员意识到，在制造产品后，尤其是在产品已经发货的情况下，修复缺陷确实非常昂贵。在生产或设计阶段将缺陷修复的效率要高得多。这正是我们现在在数据世界中所看到的。
例如，您想创建一个新的客户数据库以分析客户行为、参与度等等。企业没有采取让您从不同地方收集所有数据，将它们拼凑在一起在进行分析和应用，而是退后一步说：“不，我们首先要做一个数据目录：确定我们拥有的数据，数据是高质量还是低质量，什么是敏感数据，什么不是敏感数据，是来自内部系统的数据，还是其他来源等等。” 有了该数据地图后，就可以设计和构建一个可扩展的新平台，能够支持客户数据的多个维度和场景的使用。
这是我们所看到的最大差异：了解如何收集和管理数据，并从一开始就将其设计到系统中。
问题四：数据资产管理如何适应数字化转型计划？
数据应支持许多业务举措，这些业务举措通常是数字化转型的一部分。例如，数字化转型通常涉及使用智能化数据分析平台。如何使公司内所有关键人员都可以使用分析，以便他们可以开发预测见解等等？如果您想使用智能化分析平台，则需要一个可以支持该分析的数据平台。
常见的例子就是360度的客户视图。许多公司都对如何真正改善客户体验和客户参与度感兴趣。大多数上一代系统都是为交易而构建的。在银行，这些系统是为支票账户交易或抵押交易而构建的。它们不是为体验而构建的。进行更改需要合并与交易以及与客户的所有交互相关的数据。
这就是为什么您需要一个数据平台：支持与数字化转型相关的典型计划。最终，数据成为推动业务转型过程中可能需要的分析应用或发现新机会或新业务模式的动力。
问题五：数字化转型在技术层面上涉及什么？
对于大多数公司而言，传统的IT管理方法是围绕大型应用程序项目制定预算。现在，大多数企业意识到，他们需要采用更加敏捷的模式，在这种模式中，他们开发的应用程序是模块化的，颗粒度更小。拥有可支持不同应用程序的数据平台，确实有助于实现向敏捷模式的转变。一旦构建了独立的数据平台，就可以使应用程序开发更加敏捷。
该平台必须基于元数据，这样才可以真正理解并拥有真实的数据目录。它不必存储所有数据，只是创建一个抽象层。
我们想一下来自后端系统和较旧系统的数据供应，它们只能让数据移动得更快，而且数据的消耗正在迅速变化。通过在数据平台上创建抽象层，可以使新应用程序更快地实现，而不必创建点对点连接。
问题六：领导数字化转型工作的是谁？
公司通常从启动大型数字化转型计划开始，这涉及指定首席数据官。首席数据官将负责确定公司将使用新的数字技术转变的关键流程。现在，可能出于几个不同的原因任命首席数据官。由于合规性要求，一些公司需要首席数据官；许多公司之所以拥有一个，是因为他们想要建立一个数据平台，使他们能够从各种不同的系统中引入数据，以推动其数字化转型。首席数据官在教会公司中的每个人如何使用数据方面发挥着作用。
问题七：数字化转型中数据处理方法在组织中还有哪些其他方面？
我认为最好的公司将数据视为每个人都必须进行良好管理的战略资产。说到资金管理，这不仅是首席财务官的问题，有效地使用公司的资源是每个人的工作。吸引、留住和发展人才是同样的事情，这不仅仅是CHRO的[首席人力资源官]的问题。我认为数据已经开始发生这种变化。人们认为这不是他们的数据，这是公司的数据。因此，要建立数据思维文化，首先要从领导层的思维调整开始。
一旦拥有了正确的文化，公司就可以开始考虑如何管理数据，以便人们可以工作并针对优先级进行优化，同时平衡公司对未来的需求。
您如何取得适当的平衡？对于每个公司来说，答案都是不同的，但这就是首席数据官扮演的角色：“这是您拥有自主权并做出决定的地方。这就是您需要发挥作用的地方，以及我们如何将数据视为整个公司的资产。”
问题八：如何改变员工日常管理数据的方式？
从集中的事后处理的数据治理和数据质量方式到协作的方式，思维方式发生了巨大的变化。
过去，您将建立一个数据仓库，您将所有数据放入仓库，并成立了一个由数据管理专家或数据质量人员组成的团队，以对记录进行抽样和检查，并确定数据是否完整和一致。这种方法根本无法扩展，特别是当我们现在拥有大量的数据时。
当前的方法是使数据治理和质量成为公司中最接近数据并在业务环境中了解数据的人员中的一部分。它是在收集和处理数据之前完成的。还有一个过程，如果您仍然有不是最高质量的数据，则可以以迭代，在数据质量基线的基础上（而不是事后）对其进行清理。
问题九：人工智能[AI]在确保数据质量方面是否能够发挥作用？
的确如此，这已经在发生。例如，围绕识别敏感数据有新技术。通用数据保护条例[GDPR]指出，如果您拥有与欧洲客户或欧洲雇员有关的数据，则需要以某种方式处理该数据。您需要知道在哪里存储与欧洲客户有关的数据，并确定保存该数据的数据库。许多AI和机器学习[ML]技术都用于解决这类问题。结果可能不是100％正确的，就像其他任何AI或ML系统的输出一样。但是，即使90％正确，其余的10％也可能来自人类专家，他会查看输出并确认考虑到GDPR保证了数据库的安全。
如果纯人工完成整个工作很困难，因为这些任务是大量重复的。即使您可以让某人对前十个数据库执行此操作，但如果说对后一千个数据库也执行此操作，那是不切实际的。因此，我认为用软件机器人来完成这项任务要好得多，要尽可能多地将这些繁琐的工作自动化，并由人类来处理需要更多判断的异常情况。
联系客服
