数据驱动内涵分析与实施举措
前言
近几年，各种驱动在天上飘，有产品驱动、技术驱动、政策驱动，大数据也不甘寂寞，于是乎“数据驱动”一词渐渐热了起来。很多企业都说自己在搞数据驱动，各个行业都在激动地讨论着“数据驱动”，下面我们将从数据驱动的概念、主流方法论、内涵和如何成为数据驱动的企业进行详细描述。
业界对数据驱动的理解
（一）数据驱动概念的理解
在数据时代的背景下，数据的价值逐渐在不同的行业应用中体现出来，关注重点不同使人们对数据驱动的理解出现差异。例如美国著名数据分析公司DZone【1】认为数据驱动是依赖于海量数据和智能分析，加强商业决策能力。通过进行数据预测，企业能有更强的数据洞察能力，从而为企业带来多重价值。布瑞恩·戈德西博士在《数据即未来》【2】中指出数据驱动是通过信息技术手段采集海量的数据，将数据进行组织形成信息，之后对相关的信息进行整合和提炼，在数据的基础上经过训练，形成自动化的决策。也有学者认为基于数据辅助做决策可以认为是数据驱动的初始阶段，基于数据自动做决策可以认为是数据驱动的进阶阶段。总结业界对数据驱动的理解和认识，关于数据驱动企业，如下几个方面是有共识的：
1、新一代信息技术催生数据驱动。伴随着信息系统、社交网络、物联网等信息技术的应用，生成并采集了海量数据。通过互联网、移动互联网等信息技术，解决了海量数据传输的问题。云计算能用较低的成本存储和计算海量的数据。大数据技术不断的挖掘出这些海量数据蕴含的价值，从而驱动企业进行生产、销售、经营、管理。
2、数据驱动能够为企业带来多重价值【3】。数据驱动可以为企业带来如下价值：一是更敏捷的组织，利用数据的优势，通过诊断性分析、预测性分析等多种手段增强组织决策判断的敏捷性。二是提升用户体验感，通过分析每个用户的行为，点击、浏览等洞察他/她的喜好,可以用于为客户提供个性化的服务。三是降低运营成本，通过对于运营数据的分析，洞察所有的成本的来源，用途，通过关联性分析，敏感性分析，预测分析等手段，提升精益化运营能力。四是提供生产效率，通过对生产数据的分析，发现优化生产的创新点，改良生产流程，提升生产效率。五是降低事故发生率，将合规的要求数据化，变成一个个可以量化的阈值，能够实时的在业务流转的时候做到合规检测风险预警。
3、数据驱动需要持续演进和深化。数据的价值逐渐在不同的行业应用中体现出来，各行业利用数据不断地驱动行业创新，同时各行业应用反过来对信息技术提出进一步发展要求。通过反复循环的过程，随着信息技术的进步及其应用数据范围的扩展、数据驱动企业创新也在不断演进、深化和扩展，这一过程只有起点，没有终点。
（二）德勤的数据驱动方法论解读【4】
德勤认为数字驱动的方法为：（1）制定数据驱动战略。规划企业的数据驱动的发展轨迹，为数字驱动及相关措施定好基调。（2）打好数据“地基”。第一，创造数据驱动文化氛围，鼓励大家基于数据来进行决策。第二，发掘和培养数据相关人才，包括高端的技术人才等。第三，提升技术支撑能力，包括建立数据管理平台，加强数据的处理和分析能力。关注人工智能与机器学习，为公司提供丰富的、预测性的洞察等。第四，进行数据管理和数据扩充，让数据的运用更加规范、顺畅。（3）持续建立数据驱动的场景。通过场景提升数据驱动的效果。
（三）阿里的数据驱动方法论解读【5】
阿里认为数字驱动的方法为：（1）计划阶段。第一，发现数据驱动价值，确定数据驱动方向。第二，制定数据驱动蓝图，具备可实施性。第三，根据业务需求的优先级，能力的情况做路径规划。（2）实施阶段。第一，从业务需求的角度去收集数据。第二，把收集到的数据整理好，比如提供竞争情况、新老客户的比例情况以及多种因素之间的关系。第三，根据整理的数据进行决策。第四，根据决策进行行动。如果发现没有达到目的，寻找问题出在哪个环节，进行迭代优化。（3）保障手段。第一，培养懂业务的数据分析人才。带着业务的问题来观察数据或者带着数据来观察业务，能够知道哪些数据对实现目标是有价值的。第二，建立统一的数据平台。统一不同部门的数据标准，使公司内部数据有统一的接口和数据口径。关联不同部门的数据，扩大支撑数据驱动的场景。第三，进行数据管理。数据管理的目的主要是如何让数据准确和稳定的被数据驱动所运用。
数据驱动的内涵分析
数据驱动是利用新一代信息技术通过自动化手段实时采集数据，通过高速网络进行传输，通过云数据中心进行存储，通过行业专家进行建模和加工，从而能够推测未来趋势驱动决策，让企业达到业务目标、成本及效率的兼顾。
（一）数据驱动的基础是物联网、云计算和大数据。
物联网因为拥有传感器，可以收集规模十分庞大的数据。云计算能用较低的成本存储和计算海量的数据，而正因为有了处理大数据的需求，对云计算的要求也越来越高，三者从数据广度、技术能力和应用深度三个视角推动整个数据行业不断高速发展。
（二）数字驱动的本质是通过数据进行决策
企业通过信息技术的进步，聚焦业务需求建立针对性的数据分析模型，不断释放数据的潜在价值，准确推断和判断未来可能发生的事情，提升企业决策能力。
（三）数据驱动是一个长期系统工程
对于大多数企业而言，数据驱动面临的挑战来自方方面面：从技术驾驭到业务创新，从组织变革到文化重塑，从能力建设到人才培养，因此数据驱动的成功不可能一蹴而就。
数据驱动的实施举措
借鉴数据驱动的主流理念，结合实践经验，围绕如何成为数据驱动的企业，详细阐述具体举措和开展方法。
（一） 全面数据化，形成数据储备
全面数据化要求企业采集并存储企业生产经营中的一切数据，形成企业数据资产的概念。例如：通过大量传感器记录生产环境的温度、湿度、粉尘度、振动强度和噪音强度等等，通过这些量化指标与产品质量的关联分析，得到影响产品优品率和良品率的关键因素，再进一步通过控制环境因素，明显提高产品的优品率。这些提升，都是建立在企业拥有相应数据的基础上。
但是在推进数据储备过程中，制定一个五年全面数据化战略，然后按部就班照章执行的做法是难以带来成功的数据驱动。需要正视内外部的变化将会伴随整个数据化的过程：技术/工具会演进、客户需求会升级等。因此基于核心需求确定数据储备的优先级，要把对公司最有价值、对用户最有价值的数据储备放在首位。有的数据是具有时效性的，因此对于无用的数据是不需进行数据储备的。
（二） 建设外部数据的战略储备
外部数据对于市场拓展、竞品分析、人才招聘、用户画像和产品推荐等意义重大，而网站、论坛、社交媒体和电商平台上聚集了很多有重要价值的公开数据，所以，企业要有意识地围绕业务目标开始建立自己的外部数据战略储备。例如一个服装企业要解决设计生产的规划问题，仅仅看自己的销售记录还不够，也要看看淘包、天猫和京东上服装的整体销售，了解什么款式、什么颜色、什么价位的服装在哪个地区最受欢迎呢？这就需要外部数据。
一方面，企业可以自建具备采集、清洗、存储和索引等功能的自动化系统，围绕企业目标自动积累外部数据；另一方面，企业可以通过和数据供应商合作，得到一些亟需的数据。
（三） 整理数据资源，建立数据标准，形成管理规范
企业需要进行全面的数据调研，了解数据资源的整体情况并建立数据资源情况更新的流程和规范。数据资源最基本的呈现方式是数据目录，但数据资源又不仅仅是数据目录，还涉及到每一个数据项的完备性、更新程度、有效性等描述。掌握了数据资源后，企业要根据自己业务发展的需求，建立数据标准，使现有数据和未来所有的新增数据都能够在同一个标准下统一管理，避免“信息系统建设越多，未来数据整合越难”的困境。还要形成数据全流程管理的规范，从源头把控，提升数据质量，并对数据进行分级分权限的管理。
在推进数据目录中应该按业务需求优先级逐步开展工作。针对不同角色需要掌握的数据目录内容也不一样，比如管理团队需要知道数据的整体情况，技术团队需要知道数据的技术属性，分析团队需要知道数据的标签意义，并需要掌握数据和数据之间的关系。知识图谱并不是数据，而是数据和数据之间的关系。当数据被使用的时候，需要对数据的源头以及对处理数据阶段的所有过程进行可信度和质量评分，确保数据驱动场景使用的数据是准确的。
（四） 建设数据管理平台
首先，数据管理平台要为企业量身定做一套数据组织和管理的解决方案，特别是企业各部门之间数据的共融共通，以及企业数据怎么样进行索引和关联。其次，数据管理平台是由业务所引导的，先进的流数据智能处理系统，要为业务提供直接的支撑。最后，数据管理平台的建设要量体裁衣，强调可扩展性，没有必要一开始就投入大量经费，因为硬件成本的下降也很快，只要架构设计合理，到需要的时候扩充硬件是容易的。
数据管理平台的搭建需要深度了解企业最重要的核心业务，通过有重大价值的示范性应用来牵引数据管理平台的建设。例如针对零售类的企业，就应该形成以消费者为中心的索引和画像系统，主要支持精准广告、智能客服等核心业务。
（五） 增强海量数据的深入分析能力
要想建立针对多元异构、跨域关联的海量数据，通过深度分析挖掘获取价值的能力，主要要是需要具备两方面的能力。第一，非结构化数据的分析处理能力。包括文本、音频、图像、视频、网络和轨迹等数据。对于和企业自身业务有密切关系的非结构化数据，需要专业团队能够挖掘其间价值，甚至将其转化为结构化的数据。第二，大数据下的机器学习的能力。绝大部分我们可以想象到的数据驱动场景，其本质都是通过预测帮助决策，包括个性化推荐、精分营销、小微企业贷款、生产线控制、精准广告等等。解决这些问题最有力的武器就是机器学习。
企业可以通过以下途径来获取以上能力：第一，招聘大数据人才。第二，通过参与外部培训，培养数据分析团队。第三，成立联合小组共同进行研发，投入人员去学习。
（六） 建立数据驱动的创新能力
让员工用数据解决自己遇到的业务问题比较容易，让他们去思考自己业务的数据能不能在其他地方产生重大价值，就没有那么敏感了。其实，这些创新性的想法往往能够带来新的巨大价值。企业通过智能终端、传感网络、物流记录、网点记录和电子商务平台等等，获得的第一手数据，很多都可以用于支持跨部门的创新型应用。把握住这些机会，就能够放大企业当前业务的价值，带来持久可观的收益。比如通过对可穿戴设备采集的个人健康监测数据，结合医院信息系统中对个人就诊和体检等完整信息，使用专业的智能分析算法，进行数据分析，可以使得慢病监控等问题得到良好的解决。
要建立这些能力可以通过以下途径：（1）建立良好的数据驱动文化氛围。对于领导者需要清晰地了解企业的数据驱动策略，对于员工需要制定数据驱动的业绩指标，对于企业需要培养用数据决策的氛围。（2）建立跨职能协作机制。高层围绕数据驱动创新目标设定团队KPI，让业务、数据和技术三个团队紧密协作。