如今，许多组织都将数据科学实践纳入数字化转型计划。然而，如果没有一套数据战略以及在组织内扩展数据科学的清晰蓝图，他们大多无法从数据挖掘中获得回报。麦肯锡发现，在推进数字化转型的企业中，每一千家仅有八家能够将数据科学从少量试点项目扩展出去。
此外，尽管大多数组织理解数据驱动的价值，许多组织仍将数据科学视为孤立的集中化支持职能，应对各团队的请求。这与数据科学应有的定位相悖——它应是实现业务目标的手段。正如Anaconda 首席执行官 Peter Wang所言，数据科学是“在商业世界中探索与求证的一种方式”。
就像物理学家用数学来理解自然世界一样，数据科学家利用数学与计算工具来理解商业世界。——Peter Wang，Anaconda 首席执行官
这种“孤岛化”因一个错误前提而加剧：数据科学的最终目标应总是构建人工智能模型，以自动化或优化组织内主要生产领域。寻求立即回报的公司往往会失望，因为事实常常并非如此。
这种对数据科学的狭隘认知，将其价值归结于相对难以实现的预测分析（即用数据预测未来），并忽视了大规模开展机器学习所需的基础设施工作。然而，数据科学的很大一部分价值，来自于实施相对更简单的描述性分析（描述数据并将其交到合适的人手中）和规范性分析（以数据驱动决策）。
要实现成功的数字化转型，必须打造组织在数据科学与分析方面的核心能力。这需要制定并执行一套聪明、包容且可扩展的数据战略。
这正是我们的 IPTOP 框架发挥作用之处。IPTOP 框架确立了五大支柱（I nfrastructure 基础设施、P eople 人员、T ools 工具、O rganization 组织与P rocesses 流程），以可扩展的方式执行您的数据战略，助力完成成功的数字化转型。想了解更多，欢迎参加我们即将举行的网络研讨会系列。
Infrastructure
任何数据战略的目标，都是将原始数据转化为洞察与决策。这要求组织以安全高效的方式收集、记录并存储数据，且能被所有人访问。但数据常以不同的形式、结构与规模被采集。支持这一过程的各类数据库、数据湖、数据仓库、脚本与仪表板共同构成了数据基础设施。要构建稳健的数据基础设施，需要理解并遵循最佳实践。
People
将数据科学视为实现更优决策的手段，有助于组织依据所需技能来搭建团队。一种基于角色的方法，要求识别、评估并将绩效目标与实现业务目标所需的技能相匹配，例如预测流失或用仪表板可视化数据。这样便能为每个角色设计专属的学习路径。
一个很好的例子是Airbnb 的数据大学，这是其自有培训项目，旨在让每位员工具备做出数据驱动决策所需的技能。让非专业数据科学家的员工成为能够作出明智判断的公民数据科学家，释放了数据科学团队的时间，以投入到更具战略性的项目中。
基础设施让组织能从数据中产出洞察，而工具则促进并激励全组织采用共同的数据语言。使用用于数据访问、分析、可视化与仪表板的工具，可以提升组织效率，缩短获得洞察的时间。这些工具既包括 Python、R、SQL 等开源编程语言，也包括 Power BI、Tableau、Excel 等点选式工具。
在这些工具之上构建组织专用的框架，以简化数据访问，能大幅降低扩展数据科学的门槛。在 DataCamp，我们拥有自研的 Python 与 R 包，通过简单命令就能抽象化地连接数据湖、查询与聚合数据。任何人都能用一两行代码回答诸如“过去 Y 周课程 X 的评分是多少？”之类的问题。类似地，Airbnb 也有一个 R 包，按其既定风格辅助查询与可视化数据，从而消除不确定性，确保全组织范围内数据分析与可视化的一致性。
Organization
数据战略的重要维度之一是如何组织数据专业人才。鉴于在大多数公司中，汇报关系与议程决定了工作推进方式，组织结构必须为公司的可持续成功奠定基础。集中化模式（数据科学家隶属于一个数据科学团队）与去中心化模式（数据科学家分散嵌入不同部门）之间存在取舍。
在集中化模式下，中央数据科学团队为其他部门的信息请求排定优先级并开展工作。在这种模式中，问题进来，答案产出。这样能使数据科学团队成为卓越中心，数据科学家在统一战略下协作与共享知识。然而，这也会使数据科学团队及其工具被“孤立”，从而增加与其他部门协调与沟通的复杂度。
在去中心化模式下，数据科学家被嵌入到组织内的不同部门。这让数据科学在各部门拥有话语权，以影响其战略方向，同时数据科学家也能积累成功所需的领域知识。但由于团队分散且由业务部门经理管理，其不足之处在于可能牺牲数据科学家的成长、学习与发展机会，以及协作能力。
应将这两种模式视为光谱两端。存在许多混合模式，兼具集中化与去中心化的要素，并通过不同方式对部门进行分组与整合，以在规模化时最大化数据科学的价值。
Processes
最后，构建可扩展的数据战略需要在约定、最佳实践与流程上达成一致。推动一致性对于促进协作、避免组织“孤岛化”至关重要。这使所有团队都能在共同的数据语言下无缝协作与沟通。
在流程上建立一致性的一个简便起点，是创建预定义的项目结构与模板，提前映射分析项目的各项任务与子任务及其需求。微软采用了团队数据科学流程（TDSP），使任何相关方都能清晰理解项目需求，利用模板进行数据分析与计算资源访问，并明确流程各阶段的负责人。
根据贵组织与所在行业的不同，预定义的项目模板可能需要符合特定合规要求，并涉及复杂流程。您可以利用开源工具来设定项目结构模板，以提升团队与数据专业人士之间的一致性。
参与数据成熟度评估，更好地了解您团队的数据方法论。
如今，许多组织都将数据科学实践纳入数字化转型计划。然而，如果没有一套数据战略以及在组织内扩展数据科学的清晰蓝图，他们大多无法从数据挖掘中获得回报。麦肯锡发现，在推进数字化转型的企业中，每一千家仅有八家能够将数据科学从少量试点项目扩展出去。
此外，尽管大多数组织理解数据驱动的价值，许多组织仍将数据科学视为孤立的集中化支持职能，应对各团队的请求。这与数据科学应有的定位相悖——它应是实现业务目标的手段。正如Anaconda 首席执行官 Peter Wang所言，数据科学是“在商业世界中探索与求证的一种方式”。
这种“孤岛化”因一个错误前提而加剧：数据科学的最终目标应总是构建人工智能模型，以自动化或优化组织内主要生产领域。寻求立即回报的公司往往会失望，因为事实常常并非如此。
这种对数据科学的狭隘认知，将其价值归结于相对难以实现的预测分析（即用数据预测未来），并忽视了大规模开展机器学习所需的基础设施工作。然而，数据科学的很大一部分价值，来自于实施相对更简单的描述性分析（描述数据并将其交到合适的人手中）和规范性分析（以数据驱动决策）。
要实现成功的数字化转型，必须打造组织在数据科学与分析方面的核心能力。这需要制定并执行一套聪明、包容且可扩展的数据战略。
这正是我们的 IPTOP 框架发挥作用之处。IPTOP 框架确立了五大支柱（I nfrastructure 基础设施、P eople 人员、T ools 工具、O rganization 组织与P rocesses 流程），以可扩展的方式执行您的数据战略，助力完成成功的数字化转型。想了解更多，欢迎参加我们即将举行的网络研讨会系列。
Infrastructure
任何数据战略的目标，都是将原始数据转化为洞察与决策。这要求组织以安全高效的方式收集、记录并存储数据，且能被所有人访问。但数据常以不同的形式、结构与规模被采集。支持这一过程的各类数据库、数据湖、数据仓库、脚本与仪表板共同构成了数据基础设施。要构建稳健的数据基础设施，需要理解并遵循最佳实践。
People
将数据科学视为实现更优决策的手段，有助于组织依据所需技能来搭建团队。一种基于角色的方法，要求识别、评估并将绩效目标与实现业务目标所需的技能相匹配，例如预测流失或用仪表板可视化数据。这样便能为每个角色设计专属的学习路径。
一个很好的例子是Airbnb 的数据大学，这是其自有培训项目，旨在让每位员工具备做出数据驱动决策所需的技能。让非专业数据科学家的员工成为能够作出明智判断的公民数据科学家，释放了数据科学团队的时间，以投入到更具战略性的项目中。
Tools
基础设施让组织能从数据中产出洞察，而工具则促进并激励全组织采用共同的数据语言。使用用于数据访问、分析、可视化与仪表板的工具，可以提升组织效率，缩短获得洞察的时间。这些工具既包括 Python、R、SQL 等开源编程语言，也包括 Power BI、Tableau、Excel 等点选式工具。
在这些工具之上构建组织专用的框架，以简化数据访问，能大幅降低扩展数据科学的门槛。在 DataCamp，我们拥有自研的 Python 与 R 包，通过简单命令就能抽象化地连接数据湖、查询与聚合数据。任何人都能用一两行代码回答诸如“过去 Y 周课程 X 的评分是多少？”之类的问题。类似地，Airbnb 也有一个 R 包，按其既定风格辅助查询与可视化数据，从而消除不确定性，确保全组织范围内数据分析与可视化的一致性。
Organization
数据战略的重要维度之一是如何组织数据专业人才。鉴于在大多数公司中，汇报关系与议程决定了工作推进方式，组织结构必须为公司的可持续成功奠定基础。集中化模式（数据科学家隶属于一个数据科学团队）与去中心化模式（数据科学家分散嵌入不同部门）之间存在取舍。
在集中化模式下，中央数据科学团队为其他部门的信息请求排定优先级并开展工作。在这种模式中，问题进来，答案产出。这样能使数据科学团队成为卓越中心，数据科学家在统一战略下协作与共享知识。然而，这也会使数据科学团队及其工具被“孤立”，从而增加与其他部门协调与沟通的复杂度。
在去中心化模式下，数据科学家被嵌入到组织内的不同部门。这让数据科学在各部门拥有话语权，以影响其战略方向，同时数据科学家也能积累成功所需的领域知识。但由于团队分散且由业务部门经理管理，其不足之处在于可能牺牲数据科学家的成长、学习与发展机会，以及协作能力。
应将这两种模式视为光谱两端。存在许多混合模式，兼具集中化与去中心化的要素，并通过不同方式对部门进行分组与整合，以在规模化时最大化数据科学的价值。
Processes
最后，构建可扩展的数据战略需要在约定、最佳实践与流程上达成一致。推动一致性对于促进协作、避免组织“孤岛化”至关重要。这使所有团队都能在共同的数据语言下无缝协作与沟通。
在流程上建立一致性的一个简便起点，是创建预定义的项目结构与模板，提前映射分析项目的各项任务与子任务及其需求。微软采用了团队数据科学流程（TDSP），使任何相关方都能清晰理解项目需求，利用模板进行数据分析与计算资源访问，并明确流程各阶段的负责人。
根据贵组织与所在行业的不同，预定义的项目模板可能需要符合特定合规要求，并涉及复杂流程。您可以利用开源工具来设定项目结构模板，以提升团队与数据专业人士之间的一致性。
参与数据成熟度评估，更好地了解您团队的数据方法论。