組織無法承擔搞亂數據策略的后果，因為數字經濟中存在太多風險。

企業如何收集、存儲、清理、訪問和保護數據可能是其實現企業目標能力的主要因素。不幸的是，數據戰略成功之路充滿挑戰，因此首席信息官和其他技術領導者需要仔細規劃和執行。

IT 領導者應該明智地避免以下一些數據策略錯誤。

忽視企業使命

在不考慮組織整體業務目標的情況下創建數據策略將會導致失敗。在缺乏重點的策略上投入時間和金錢有什么意義呢？

金融服務公司 Vanguard 的首席數據分析官 Ryan Swann 表示：“大規模制定成功的數據戰略不僅僅是收集和分析數據。” “如果沒有以任務為導向，組織就很難優先考慮數據計劃、有效分配資源，并培養一支敬業的員工隊伍，清楚地了解自己的工作如何對業務成果產生真正的影響。”

在先鋒集團，“數據和分析使我們能夠履行我們的使命，為投資者提供投資成功的最佳機會，使我們能夠收集可行的見解來推動個性化的客戶體驗，擴大建議，優化投資和業務運營，并降低風險， ”斯旺說。

確保數據策略滿足企業目標的一部分包括進行數據管理，以確保既得利益方始終可以使用有組織的、可訪問的、高質量的數據。

“組織經常在沒有落實管理職責的情況下啟動并運行服務和應用程序，”醫療保健管理咨詢公司 Impact Advisors 的首席信息安全官兼高級顧問 Marc Johnson 表示。“與災難恢復、業務連續性和信息安全類似，數據策略需要經過深思熟慮和定義，以便為其他方面提供信息，同時為建立強大的業務奠定基礎。”

低估非結構化數據

組織積累的大部分數據都是非結構化的，無論是文本、視頻、音頻、社交媒體、圖像還是其他格式。

這些信息資源可以 為企業帶來巨大價值，使他們能夠獲得有關客戶和市場趨勢的新見解。忽視這些數據資源是一個很大的錯誤。

企業軟件開發商 IFS 的首席技術官 Kevin Miller 表示：“正確使用非結構化數據對于 IT 領導者來說將變得越來越重要。” “這不會是他們可以忽視的事情。對于尋求推動創新和創造額外業務價值的 IT 領導者來說，使用非結構化數據獲得可行的見解將是一項至關重要的任務。”

米勒說，從非結構化數據中受益的關鍵之一是定義明確的目標。“利用非結構化數據的目標是什么？”他說：“非結構化數據將如何促進收入或市場增長，獲得成本效率或其他戰略成果？這一步驟確保工作與業務目標保持一致，并且由此產生的見解是可行的。”

識別和評估哪些非結構化數據源將提供最大的價值和見解也很重要。“隨著業務條件的變化和新數據源的出現，非結構化數據的價值會隨著時間的推移而變化，”米勒說。“IT 領導者應該建立一個持續監控和改進的流程，通過實施定期審核周期來評估從非結構化數據中得出的見解的有效性，以確保見解保持可操作性和相關性。”

他們還需要建立明確的隱私、合規性和 數據治理 政策。“許多行業和地區都有嚴格的數據隱私和安全法規，”米勒說。“建立數據治理規則有助于組織遵守這些法規，降低法律和經濟處罰的風險。明確的治理規則還可以通過定義數據收集、存儲和格式化的標準來幫助確保數據質量，從而提高分析的準確性和可靠性。”

創建數據孤島

由于數據孤島而拒絕業務用戶訪問信息多年來一直是一個問題。當不同部門、業務單位或團體將數據存儲在其他人無法訪問的系統中時，就會降低數據的價值。

便利店運營商 RaceTrac 的企業數據和高級分析執行總監 John Williams 表示，數據孤島會導致不一致和運營效率低下。

RaceTrac 擁有近 800 個地點，處理大量數據，每年處理 2.6 億筆交易，以及來自商店攝像頭和燃油泵中嵌入的物聯網 (IoT) 設備的數據源。

“這種情況導致每個業務部門和部門內開發不同的公式、流程和定義來生成報告，從而從同一數據集中生成不同的結論和建議，”威廉姆斯說。

到 打破孤島，該公司創建了一個統一的數據環境，集成了各個系統的數據，以便在整個組織內共享數據。“實施集中式數據管理系統并鼓勵部門間溝通將在保證整個組織內可靠數據的一致性和可訪問性方面發揮關鍵作用，”威廉姆斯說。

RaceTrac 正在利用 Alation 的數據智能平臺來集中數據并根據需要為用戶提供自助分析。

分散數據團隊

與創建孤島類似，分散的數據團隊可能會給組織帶來問題并降低價值。

Vanguard 的 Swann 表示：“對于尋求開發和擴展有效數據策略以推動業務成果的組織來說，孤立的數據團隊結構可能會帶來特別大的問題。” “相反，數據團隊的結構應在組織上集中，并且與業務物理上位于同一地點，目標與業務一致。”

Swann 表示，這種方法有助于建立統一的數據生態系統，從而實現整個組織內的無縫數據集成、共享和協作。

“數據專業人員和企業之間的密切合作還可以提供有價值的持續洞察、改進流程、提高效率并減少關鍵運營領域的摩擦，”Swann 說。“這種環境對于數據和分析專業人士來說也可以帶來豐厚的回報。”

忽視數據治理

數據治理應該是任何數據策略的核心。否則，結果可能包括數據質量差、缺乏一致性和不遵守法規等問題。

“在缺乏標準化數據管理方法的情況下，保持數據的質量和一致性會帶來挑戰，”威廉姆斯說。“在將 Alation 納入 RaceTrac 之前，我們一直在努力解決這些問題，導致對數據缺乏信心，并且冗余的工作阻礙了數據驅動的決策。”

威廉姆斯說，組織需要創建一個強大的數據治理框架。這包括分配數據管理員、建立透明的數據所有權以及實施數據準確性、可訪問性和安全性指南。

威廉姆斯說，采用專門用于數據沿襲、治理和協作的數據智能平臺“可以保證組織的所有成員都依賴可靠的事實來源進行分析和報告”。

使用質量差的數據

數據只有準確才對組織有價值。否則，可能會導致錯誤的決策，甚至損害客戶體驗。

Impact Advisor 的約翰遜表示，臟數據或質量差的數據是人工智能的最大問題。“事實上，生成式人工智能就是一個很好的例子，”他說。“他們的大型語言模型的數據很差或臟。證據在于他們在回應詢問時引用的‘捏造’來源和事實。”

約翰遜說，數據清理工具是解決該問題的一種方法。他說，“然而，這又回到了一個經過深思熟慮的數據策略，該策略具有針對實體、屬性、關系、數據類型、約束、層次結構等的通用數據模型”。

缺乏實時數據的可見性

如果無法利用實時數據，公司可能會錯失適應客戶需求變化和提供更好客戶體驗的機會。

“在快速發展的商業世界中，擁有快速訪問和理解實時數據的能力至關重要，這可以為組織提供競爭優勢，”RaceTrac 的 Williams 說。

威廉姆斯說，如果沒有對組織數據的全面了解，就很難辨別數據的預期目的、確定其準確性、提高其質量并識別冗余。這可能導致在決策過程中使用不可靠、不合格或過時的數據。

“將可靠的數據轉變為跨越整個企業的資產需要數據用戶對組織內的完整數據生命周期有透徹的了解，”威廉姆斯。自 RaceTrac 進行數據轉型以來，“我們簡化了對法規的遵守，簡化了影響分析，并且可以及時向利益相關者實時通知上游數據的變化，”他說。“這使數據用戶能夠根據數據實時做出決策，并增強信心。”

獲取人才時忽視多元化背景

企業需要具有數據專業知識的專業人員，為了填補職位空缺以幫助執行數據戰略，擴大候選人庫可能是有意義的。

Vanguard 的 Swann 表示：“如果組織將數據和分析人才的搜尋范圍限制為具有豐富編碼或編程背景的人才，可能會發現很難建立有效的數據戰略。”

“多元化的團隊與更多的創新、更明智的決策、更廣泛的問題解決范圍以及對客戶需求和偏好的更深入的了解有關，”斯旺說。“因此，對數據和分析人才采取‘一刀切’的方法可能會阻礙協作、思想多樣性和績效提高。”

斯旺說，先鋒集團為其首席數據和分析辦公室聘用了來自各種背景的人員，其中包括一些學習過高級數學、英語和商業的人。

來源：www.cio.com