要避免的几个数据策略错误
组织无法承担搞乱数据策略的后果，因为数字经济中存在太多风险。
企业如何收集、存储、清理、访问和保护数据可能是其实现企业目标能力的主要因素。不幸的是，数据战略成功之路充满挑战，因此首席信息官和其他技术领导者需要仔细规划和执行。
IT 领导者应该明智地避免以下一些数据策略错误。
忽视企业使命
在不考虑组织整体业务目标的情况下创建数据策略将会导致失败。在缺乏重点的策略上投入时间和金钱有什么意义呢？
金融服务公司 Vanguard 的首席数据分析官 Ryan Swann 表示：“大规模制定成功的数据战略不仅仅是收集和分析数据。” “如果没有以任务为导向，组织就很难优先考虑数据计划、有效分配资源，并培养一支敬业的员工队伍，清楚地了解自己的工作如何对业务成果产生真正的影响。”
在先锋集团，“数据和分析使我们能够履行我们的使命，为投资者提供投资成功的最佳机会，使我们能够收集可行的见解来推动个性化的客户体验，扩大建议，优化投资和业务运营，并降低风险， ”斯旺说。
确保数据策略满足企业目标的一部分包括进行数据管理，以确保既得利益方始终可以使用有组织的、可访问的、高质量的数据。
“组织经常在没有落实管理职责的情况下启动并运行服务和应用程序，”医疗保健管理咨询公司 Impact Advisors 的首席信息安全官兼高级顾问 Marc Johnson 表示。“与灾难恢复、业务连续性和信息安全类似，数据策略需要经过深思熟虑和定义，以便为其他方面提供信息，同时为建立强大的业务奠定基础。”
低估非结构化数据
组织积累的大部分数据都是非结构化的，无论是文本、视频、音频、社交媒体、图像还是其他格式。
这些信息资源可以 为企业带来巨大价值，使他们能够获得有关客户和市场趋势的新见解。忽视这些数据资源是一个很大的错误。
企业软件开发商 IFS 的首席技术官 Kevin Miller 表示：“正确使用非结构化数据对于 IT 领导者来说将变得越来越重要。” “这不会是他们可以忽视的事情。对于寻求推动创新和创造额外业务价值的 IT 领导者来说，使用非结构化数据获得可行的见解将是一项至关重要的任务。”
米勒说，从非结构化数据中受益的关键之一是定义明确的目标。“利用非结构化数据的目标是什么？”他说：“非结构化数据将如何促进收入或市场增长，获得成本效率或其他战略成果？这一步骤确保工作与业务目标保持一致，并且由此产生的见解是可行的。”
识别和评估哪些非结构化数据源将提供最大的价值和见解也很重要。“随着业务条件的变化和新数据源的出现，非结构化数据的价值会随着时间的推移而变化，”米勒说。“IT 领导者应该建立一个持续监控和改进的流程，通过实施定期审核周期来评估从非结构化数据中得出的见解的有效性，以确保见解保持可操作性和相关性。”
他们还需要建立明确的隐私、合规性和 数据治理 政策。“许多行业和地区都有严格的数据隐私和安全法规，”米勒说。“建立数据治理规则有助于组织遵守这些法规，降低法律和经济处罚的风险。明确的治理规则还可以通过定义数据收集、存储和格式化的标准来帮助确保数据质量，从而提高分析的准确性和可靠性。”
创建数据孤岛
由于数据孤岛而拒绝业务用户访问信息多年来一直是一个问题。当不同部门、业务单位或团体将数据存储在其他人无法访问的系统中时，就会降低数据的价值。
便利店运营商 RaceTrac 的企业数据和高级分析执行总监 John Williams 表示，数据孤岛会导致不一致和运营效率低下。
RaceTrac 拥有近 800 个地点，处理大量数据，每年处理 2.6 亿笔交易，以及来自商店摄像头和燃油泵中嵌入的物联网 (IoT) 设备的数据源。
“这种情况导致每个业务部门和部门内开发不同的公式、流程和定义来生成报告，从而从同一数据集中生成不同的结论和建议，”威廉姆斯说。
到 打破孤岛，该公司创建了一个统一的数据环境，集成了各个系统的数据，以便在整个组织内共享数据。“实施集中式数据管理系统并鼓励部门间沟通将在保证整个组织内可靠数据的一致性和可访问性方面发挥关键作用，”威廉姆斯说。
RaceTrac 正在利用 Alation 的数据智能平台来集中数据并根据需要为用户提供自助分析。
分散数据团队
与创建孤岛类似，分散的数据团队可能会给组织带来问题并降低价值。
Vanguard 的 Swann 表示：“对于寻求开发和扩展有效数据策略以推动业务成果的组织来说，孤立的数据团队结构可能会带来特别大的问题。” “相反，数据团队的结构应在组织上集中，并且与业务物理上位于同一地点，目标与业务一致。”
Swann 表示，这种方法有助于建立统一的数据生态系统，从而实现整个组织内的无缝数据集成、共享和协作。
“数据专业人员和企业之间的密切合作还可以提供有价值的持续洞察、改进流程、提高效率并减少关键运营领域的摩擦，”Swann 说。“这种环境对于数据和分析专业人士来说也可以带来丰厚的回报。”
忽视数据治理
数据治理应该是任何数据策略的核心。否则，结果可能包括数据质量差、缺乏一致性和不遵守法规等问题。
“在缺乏标准化数据管理方法的情况下，保持数据的质量和一致性会带来挑战，”威廉姆斯说。“在将 Alation 纳入 RaceTrac 之前，我们一直在努力解决这些问题，导致对数据缺乏信心，并且冗余的工作阻碍了数据驱动的决策。”
威廉姆斯说，组织需要创建一个强大的数据治理框架。这包括分配数据管理员、建立透明的数据所有权以及实施数据准确性、可访问性和安全性指南。
威廉姆斯说，采用专门用于数据沿袭、治理和协作的数据智能平台“可以保证组织的所有成员都依赖可靠的事实来源进行分析和报告”。
使用质量差的数据
数据只有准确才对组织有价值。否则，可能会导致错误的决策，甚至损害客户体验。
Impact Advisor 的约翰逊表示，脏数据或质量差的数据是人工智能的最大问题。“事实上，生成式人工智能就是一个很好的例子，”他说。“他们的大型语言模型的数据很差或脏。证据在于他们在回应询问时引用的‘捏造’来源和事实。”
约翰逊说，数据清理工具是解决该问题的一种方法。他说，“然而，这又回到了一个经过深思熟虑的数据策略，该策略具有针对实体、属性、关系、数据类型、约束、层次结构等的通用数据模型”。
将本文加入收藏夹
新闻详情
