具体而言，数据驱动是通过移动互联或其他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，在此基础上经过训练和拟合形成自动化的决策模型。信号、数据、信息、情报、知识、智慧，环环相扣，不断迭代上升，完成一个又一个决策过程。
当一个企业将数据视为生产要素，能够以一种及时的方式获取、处理和使用数据来创造效益，不断迭代并产生新决策、开发新产品，以及在数据中探索，就成为了一个数据驱动型的组织。
02 如何打造数据驱动力
事实上，大多数组织(尤其是大型企业)都已投入大量资源来收集、存储、保护和分析其业务数据，越来越多的企业管理层预期他们的投资会带来具有变革意义的回报。据McKinsey Global Institute研究表明，数据驱动型组织在客户获取率、客户保留率和盈利几率方面实现了23倍、6倍和19倍的提升，研究还表明数据驱动能为组织带来五大收益：增强组织的敏捷性、提升销量和用户忠诚度、降低成本、提升生产力和效率、降低风险提高合规。
数据驱动企业最重要的特征是企业的数据文化和素养，数据文化的建立，意味着企业从管理层到员工，全员都尊重数据，将数据作为重要的决策工具和沟通语言。这种文化不仅仅是将数据变成洞察、变成思想，还要通过系统的接口、通过API的集成，让数据分析的结果能直接改变和影响业务行为，让业务更高效、让决策更智能。
这里将企业的数据能力分为三个层次，通过在每一层构建对应的能力，才能打造成数据驱动的企业。
1.制定数据战略
拥有一个清晰的数据战略是第一步，每个组织的数据战略都有其基于目标的独特性，但是其基本范围可以大致包括如下六个领域：
- 数据资产的规划和治理;
- 数据资产的获取和存储;
- 数据资源的共享和协作;
- 价值场景的探索和挖掘;
- 数据服务的构建和利用;
- 数据产品的度量和运营。
高层的支持是数据战略贯彻落实的有效保证，一般而言需要成立单独的内部组织或团队来制定详细的数据战略和实施框架，监督和保证相关数据项目的进度和质量。国际数据管理协会(DAMA)出版的数据管理知识体系对此有较为全面的阐述，结合数据分析在企业价值链传递过程中的作用，就能够形成一套完整可行的数据战略规划。
2.打造数据中台
企业级数据中台，可以比喻为构建一个数据服务工厂，让企业能够持续、源源不断地创造和生产有价值的数据服务和产品，从而赋能业务。数据中台是数据战略规划在技术层面的实现，通过引入最新的大数据技术，以统一模型和统一标准串联数据资产，把数据活动置于数据治理的标准化管理框架内，实现对数据的“存、通、统、用”，满足“数据民主化”的目标，确保数据的整洁的同时，帮助人们快速找到并使用正确的数据集。
3.构建智能应用
“数据驱动，应用为先。”在数据中台之上，企业可以构建各种实时的数据服务，创造各种智能应用，从而赋能员工、业务甚至终端客户。不同于传统的数据分析和洞察，数据驱动型的智能应用通过结合数据科学方法的持续集成和持续交付能力，让AI建模和智能分析在一个持续交付的闭环内迭代优化，达到数据运营的持续智能化。
03 数据驱动遵循的数据科学方法
数据驱动组织离不开数据 科学团队，正确使用数据科学的方法论、技术和资源将帮助组织充分参与业务和数据运营流程。一个良好的数据科学方法包括如下三个部分：
1.了解业务和制定决策的过程
企业要对业务决策过程有清晰的理解，有了正确的数据思维，大量杂乱的信息就会变成一个简单清晰的决策点，从而帮助业务和分析人员从正确的问题着手，该问题必须是可度量、清晰、简洁的，并与核心业务有直接关联。例如：如何在不提高运营成本的情况下提高客户的利润。明确的问题，可以让数据科学团队瞄准目标，进而将业务问题转化为切实可行的解决方案和结果。
2.建立绩效指标
为了将业务目标转化为切实的结果，需要建立清晰的绩效指标，一般来说，绩效指标的建立分为三个步骤：1)决定度量什么;2)如何度量它;3)定义成功指标。以产品推荐为例，这是一种基于推荐算法的精准营销方式，通过对不同的客户展示不同的产品，实现千人千面的用户体验。对于这种业务我们可以根据业务目标来决定采用什么绩效指标，若业务目标为最终收益，则可以考察推荐产品的购买率×产品收益;若业务目标为客户活跃度，则可以度量推荐产品页面的PV和UV。
不同的指标就会有不同的度量方式，包括时间范围、度量单位、度量的范围等，在确定度量方式的同时，我们也能够定义成功指标——业务目标。仍以上述产品推荐为例，当考察指标为客户活跃，可以定义度量方式为MAU和DAU，业务目标可以为月活提升5%，日活提升7%，同时需要设定对照组用户，对这些用户不进行产品推荐或者采用随机推荐算法。在最终计算考核指标时可能还需要考虑剔除首次登陆用户或者当月注册新户，因为这些用户没有历史行为无法进行有效的产品推荐等。
3. 构建端到端的解决方案
在定义了业务目标并将它们转换为有效的度量标准后，就需要选择正确的工具组件，使得系统能够实际构建端到端的可测试/运行的框架。此时需要考虑诸如数据量、数据类型、数据生成和处理速度、异构数据整合等因素，基于数据中台或现有系统，进行系统化的开发、部署和集成。一个构架良好、功能完备的数据处理系统能够加速部署和降低风险，利用模块化的组件、云计算平台、流批一体的计算引擎、基于领域特定语言(DSL)的决策引擎，能够使的这种解决方案的落实更加灵活、安全和可控。而快速的部署又能够为企业提供敏捷能力，快速跟进业务发展，响应市场需求。
除了正确的方法和工具以外，数据科学团队与业务伙伴要保持持续交流，孤立工作将使组织缺乏共同承担的愿景、价值观和目标。另外也要营造一种实验的文化，哪里有清晰的需求，就在那里试点探索，刺激业务进一步试验和转变，即时评估反馈结果，不断改进最终方案，才能够真正发挥数据驱动的能力。
04 数据驱动助力银行数字化转型
在用户都被移动化、网络化和数字化习惯养成的时代下，银行必须从一个“物理存在”转型为一种“永远在线”的服务，通过数字化转型，提升客户体验，提升业务敏捷能力和开放合作能力。
数据驱动能力能够帮助银行在数字化转型过程中，完成从“烟囱式重复”到“沉淀服务化能力”，从“数据孤岛”到“数据智能决策”等核心能力的转变，通过自上而下培养和推进企业数字文化，打通业务、IT、数据分析团队的组织壁垒，实现从数据到服务的组件化、平台化、共享化，最终推进业务向灵活性、敏捷性、扩展性转变，充分体现出数据资产的业务价值，形成以数据为重要资产的核心竞争能力，服务和反哺业务，达成业务数据化、数据业务化的双引擎驱动。
文章来源：数据治理周周谈
好了，今天的文章分享到这就结束了，要是喜欢的朋友，请点个关注哦!--我是简搭(jabdp)，我为自己“带盐”，感谢大家关注。
