像 Amazon、Netflix、Google 和 Airbnb 这样的成功科技公司有一个共同点是什么？它们都实现了数据科学职能的规模化与运营化。这意味着它们组建了一流的数据团队，并采购或自建了数据工具，同时设计出强大的内部流程与架构，以利用数据推动业务前进。
在我们上个月的网络研讨会上，世界银行数据工程师、前圣迭戈市首席数据官 Maksim Percherskiy 指出，这些公司之所以有优势，是因为它们伴随数据成长。“较早成立的组织——如金融机构、医疗机构和政府——并没有[围绕数据构建业务]的先天条件。圣迭戈市建立于 19 世纪，他们至今仍在学习如何调整，并学习如何将数据有效地与其运营对齐。”
让我们来拆解大型组织如何构建高效的数据科学职能。近年来，许多组织聘请了首席数据官，组建了数据科学家与数据工程师团队，并找到了数据变现与共享的路径。但 NewVantage Partners 于 2020 年 1 月的调研显示，在接受调查的 70 家公司中，98.8% 一直在投资大数据与 AI 项目，但只有 37.8% 声称已打造出数据驱动型组织。
成为数据驱动型组织的最常见障碍是人员与流程方面的挑战——即如何将数据运营化并建立可复用流程、打造可用的数据基础设施，以及弥合数据技能差距。
数据要求
下图总结了让数据可用且值得信赖所需的要素：
首先，数据必须在合适的时间、以正确的方式、带着明确目的被采集。随后，数据必须可被发现，也就是说，组织内的所有数据使用者都应知道这些数据已被采集并能找到它们。接下来，数据必须可靠，不存在缺漏或不一致。数据还应当易于理解——例如，应有正确的结构与标注。保持合规至关重要——必须有适当的安全协议来控制敏感数据的访问，且部分行业有监管标准。最后，数据必须可行动，即数据使用者拥有合适的技术、培训与伦理框架，能够正确使用数据。
迈向数据驱动的挑战
满足上述数据要求的挑战主要分为三类：组织层面、文化层面与技术层面。
组织层面的挑战
大型组织中常存在各自为政的部门壁垒，团队目标各不相同。这些壁垒可能源于法律合规（在金融行业很常见），也可能只是因为团队过去缺乏协同。不论原因如何，壁垒都会带来沟通不畅与目标错配，损害组织的整体效能。
其一个表现可能是管理者只想扩充团队规模，或在组织内出现不止一个 AI 卓越中心。
文化层面的挑战
组织层面的数据素养——即让每个人都具备成功所需的数据技能——常被视为一个高远目标，部分组织可能因此趋于规避风险而不愿推进。这也是 DataCamp 尝试将机器学习等主题去神秘化、帮助组织理解数据如何发挥实际作用的原因。赋能员工并让技能提升变得容易至关重要。
文化挑战还可能体现在组织内不同激励诉求上。管理层希望有吸引眼球的仪表板呈报上级，工程师想使用最新最先进的工具，而业务用户也许只想回答特定问题或简化流程。并非总能让每位利益相关者都满意。这与前文提到的组织挑战相呼应——目标是让数据战略与整体业务战略对齐。
技术层面的挑战
Maksim 表示，大型组织通常将“由遗留系统拼凑而成的体系”作为核心数据系统。这些系统的数据往往难以抽取或扩展——而部门负责人通常不愿意承担大项目。他们担心更换系统的切换成本、项目失败的潜在代价、额外的再培训成本以及短期的生产力下滑。由于缺乏统一的数据战略，这些担忧往往导致短视决策。
其他技术挑战还包括遵循如 HIPAA、FERPA、GDPR 和 CCPA 等合规与安全标准。公司必须遵守这些标准以避免不道德的数据使用。
陷入这些挑战会导致 Brian Balfour 所描述的“数据死亡之轮”，如下图所示。它说明了：若数据未被持续维护，就会变得无关紧要或存在缺陷，进而使人们对数据失去信任，最终减少使用。
走向数据驱动的解决方案
那么，根基深厚的企业如何像 Netflix 和 Airbnb 一样实现数据驱动？答案是：围绕数据重塑。方法如下。
了解现状版图
大型组织必须了解现存的各类壁垒以及它们之间如何沟通。必须在高管层面培养支持者来推动这一进程，并将数据目标传达给所有相关方。
识别您的用户
接下来，要促进数据驱动转型的成功，您需要理解您的用户画像。深入体察每类画像的需求——无论是数据使用者、领导者、数据分析师还是数据科学家——都将帮助您更好地支持他们、并在使命中更好地发挥他们的作用。
小步起步，保持简洁
Maksim 表示，起步时不可能一次性解决所有问题。严格聚焦影响力尤为重要。选择一个在全组织范围内可见且有影响力、同时又不需要大量利益相关者参与或复杂协调的项目。先从一系列易于获胜的项目入手，有助于催化认同并确保数据项目的可见度。您也能由此对数据工作进行迭代，并将经验用于后续项目。
让数据战略与业务战略对齐
让数据战略与业务战略对齐意味着什么？Maksim 的实用建议是：选择那些能够扩展与检验您基础设施、服务业务用户、并与公司目标与业绩对齐的数据项目。确保每个项目都有文档、可复现，并遵循最佳实践。随后，在高管支持下将成果在全公司放大传播，以便在此基础上持续迭代与拓展。
数据驱动应呈现的样子
数据驱动要求能够衡量数据举措的成效。Maksim 说，人们很容易选择易得的指标，如项目总数、完成的数据集数量或代码库关注者数量。
“这些都是不错的指标，但并未真正触及成功的核心，”Maksim 说。“我会更关注用数据做出的决策数量。此外，还要看找到一组数据或获取数据所需的时间。您还应关注有多少目标、任务与 OKR 是通过数据设定与追踪的，以及它们是如何被审查的。”
关于如何在流程复杂的大型组织中让数据真正可运营，请观看 Maksim 的网络研讨会《在大型组织中实现数据运营化》。
像 Amazon、Netflix、Google 和 Airbnb 这样的成功科技公司有一个共同点是什么？它们都实现了数据科学职能的规模化与运营化。这意味着它们组建了一流的数据团队，并采购或自建了数据工具，同时设计出强大的内部流程与架构，以利用数据推动业务前进。
在我们上个月的网络研讨会上，世界银行数据工程师、前圣迭戈市首席数据官 Maksim Percherskiy 指出，这些公司之所以有优势，是因为它们伴随数据成长。“较早成立的组织——如金融机构、医疗机构和政府——并没有[围绕数据构建业务]的先天条件。圣迭戈市建立于 19 世纪，他们至今仍在学习如何调整，并学习如何将数据有效地与其运营对齐。”
让我们来拆解大型组织如何构建高效的数据科学职能。近年来，许多组织聘请了首席数据官，组建了数据科学家与数据工程师团队，并找到了数据变现与共享的路径。但 NewVantage Partners 于 2020 年 1 月的调研显示，在接受调查的 70 家公司中，98.8% 一直在投资大数据与 AI 项目，但只有 37.8% 声称已打造出数据驱动型组织。
成为数据驱动型组织的最常见障碍是人员与流程方面的挑战——即如何将数据运营化并建立可复用流程、打造可用的数据基础设施，以及弥合数据技能差距。
数据要求
下图总结了让数据可用且值得信赖所需的要素：
首先，数据必须在合适的时间、以正确的方式、带着明确目的被采集。随后，数据必须可被发现，也就是说，组织内的所有数据使用者都应知道这些数据已被采集并能找到它们。接下来，数据必须可靠，不存在缺漏或不一致。数据还应当易于理解——例如，应有正确的结构与标注。保持合规至关重要——必须有适当的安全协议来控制敏感数据的访问，且部分行业有监管标准。最后，数据必须可行动，即数据使用者拥有合适的技术、培训与伦理框架，能够正确使用数据。
迈向数据驱动的挑战
满足上述数据要求的挑战主要分为三类：组织层面、文化层面与技术层面。
组织层面的挑战
大型组织中常存在各自为政的部门壁垒，团队目标各不相同。这些壁垒可能源于法律合规（在金融行业很常见），也可能只是因为团队过去缺乏协同。不论原因如何，壁垒都会带来沟通不畅与目标错配，损害组织的整体效能。
其一个表现可能是管理者只想扩充团队规模，或在组织内出现不止一个 AI 卓越中心。
文化层面的挑战
组织层面的数据素养——即让每个人都具备成功所需的数据技能——常被视为一个高远目标，部分组织可能因此趋于规避风险而不愿推进。这也是 DataCamp 尝试将机器学习等主题去神秘化、帮助组织理解数据如何发挥实际作用的原因。赋能员工并让技能提升变得容易至关重要。
文化挑战还可能体现在组织内不同激励诉求上。管理层希望有吸引眼球的仪表板呈报上级，工程师想使用最新最先进的工具，而业务用户也许只想回答特定问题或简化流程。并非总能让每位利益相关者都满意。这与前文提到的组织挑战相呼应——目标是让数据战略与整体业务战略对齐。
技术层面的挑战
Maksim 表示，大型组织通常将“由遗留系统拼凑而成的体系”作为核心数据系统。这些系统的数据往往难以抽取或扩展——而部门负责人通常不愿意承担大项目。他们担心更换系统的切换成本、项目失败的潜在代价、额外的再培训成本以及短期的生产力下滑。由于缺乏统一的数据战略，这些担忧往往导致短视决策。
其他技术挑战还包括遵循如 HIPAA、FERPA、GDPR 和 CCPA 等合规与安全标准。公司必须遵守这些标准以避免不道德的数据使用。
陷入这些挑战会导致 Brian Balfour 所描述的“数据死亡之轮”，如下图所示。它说明了：若数据未被持续维护，就会变得无关紧要或存在缺陷，进而使人们对数据失去信任，最终减少使用。
走向数据驱动的解决方案
那么，根基深厚的企业如何像 Netflix 和 Airbnb 一样实现数据驱动？答案是：围绕数据重塑。方法如下。
了解现状版图
大型组织必须了解现存的各类壁垒以及它们之间如何沟通。必须在高管层面培养支持者来推动这一进程，并将数据目标传达给所有相关方。
识别您的用户
接下来，要促进数据驱动转型的成功，您需要理解您的用户画像。深入体察每类画像的需求——无论是数据使用者、领导者、数据分析师还是数据科学家——都将帮助您更好地支持他们、并在使命中更好地发挥他们的作用。
小步起步，保持简洁
Maksim 表示，起步时不可能一次性解决所有问题。严格聚焦影响力尤为重要。选择一个在全组织范围内可见且有影响力、同时又不需要大量利益相关者参与或复杂协调的项目。先从一系列易于获胜的项目入手，有助于催化认同并确保数据项目的可见度。您也能由此对数据工作进行迭代，并将经验用于后续项目。
让数据战略与业务战略对齐
让数据战略与业务战略对齐意味着什么？Maksim 的实用建议是：选择那些能够扩展与检验您基础设施、服务业务用户、并与公司目标与业绩对齐的数据项目。确保每个项目都有文档、可复现，并遵循最佳实践。随后，在高管支持下将成果在全公司放大传播，以便在此基础上持续迭代与拓展。
数据驱动应呈现的样子
数据驱动要求能够衡量数据举措的成效。Maksim 说，人们很容易选择易得的指标，如项目总数、完成的数据集数量或代码库关注者数量。
“这些都是不错的指标，但并未真正触及成功的核心，”Maksim 说。“我会更关注用数据做出的决策数量。此外，还要看找到一组数据或获取数据所需的时间。您还应关注有多少目标、任务与 OKR 是通过数据设定与追踪的，以及它们是如何被审查的。”
关于如何在流程复杂的大型组织中让数据真正可运营，请观看 Maksim 的网络研讨会《在大型组织中实现数据运营化》。