爱数SMART 2022回顾｜Forrester首席分析师穆飞：以全域数据能力重塑生产力
数字化转型是企业面临的一个重要挑战。在数字化转型的现阶段，企业需要解决的优先事项是什么？企业面临的首要问题是什么？
Forrester的调查数据显示，在全球2000多名受访者中，选择数据分析的受访者比例达到34%;在中国271名受访者中，选择数据分析的比例达到44%，在所有选择中排名第一。中国企业已经认识到数据问题是他们面临的最大挑战。这表明，数据分析已成为数字化转型过程中的重中之重，数据问题已成为企业数字化转型的重中之重。
为什么做好数据管理、做好数据分析是企业数字化转型的关键？2022年6月，爱数与Forrester联合进行了调查，访问了200多家国内外大中型企业负责战略、数字化转型以及数据管理和分析的决策者。调查数据显示，人们对利用数据推动变革抱有很高的期望。82%的受访者希望建立一个数据驱动的文化，以保持领先于竞争对手。遗憾的是，根据企业自我评估，只有28%的企业认为自己在数据驱动运营水平、数据驱动创新方面已经达到成熟或领先水平。企业面临的数据驱动的挑战事实上，数据管理和数据驱动的运营是一个复杂的问题，不仅涉及数据技术，而且涉及战略和组织。提高数据管理水平，战略，技术，组织和流程，这些维度是必不可少的。从调查数据来看，每个维度都存在许多挑战。
1.数据战略方面：受访者表示，企业内部对数据的价值和资产有不同的看法，缺乏统一的目标，难以进行有效的协作。许多受访者表示，数据战略必须是领导者的工程，如果没有领导者的大力支持，组织之间的协调将非常困难。2.技术方面由于技术的多样性和应用的复杂性，许多公司都面临着技术方面的挑战。在内部，超过75%的受访者表示，他们的企业现有的数据基础设施技术落后，无法利用各种数据。值得注意的是，82%的受访者表示，现有技术主要集中在结构化数据上，而对半结构化和非结构化数据的关注较少。3.数据孤岛多年来，数据孤岛的问题非但没有得到缓解，反而有加剧的趋势。65%的受访者表示，随着他们业务的数字化程度不断提高，新的业务系统正在创造新的数据孤岛。重构全局数据能力、数据生产能力的方法解决了这一系列挑战，帮助企业充分利用内外数据，并全面深化数字转型Forrester，企业需要的不是简单孤立的数据产品，而是全局数据能力、战略、从组织和流程的全方位重建数据生产力。
如何理解数据生产力，可以从生产力的三个角度来解读。1.工人。在企业内部，谁是数据的利用者？只有技术人员才能使数据的价值最大化。企业必须实现的是数据民主化，将数据作为企业内部的通用资源，任何人都可以根据权限使用相应的数据产品，从数据生产力的角度来看，工人应该是全部的用户。（2）劳动资料的主体是生产资料。在数据方面，企业需要具有全栈功能的生产工具，在原始数据层实现数据的可访问性，在数据资产层实现数据的可用性，在知识层和智能层实现数据的可行性。3.工作的对象。数据是关键要素，数据分析是数字转型的重中之重，数据是数字转型的重中之重。因此，为了重建数据生产性，需要处理所有场景、所有类别以及所有生命周期的所有领域数据。综合全卷用户、全栈功能及全局数据，是企业所需的全局数据能力。所有方案、所有类别和所有生命周期的全局数据
1.随着全场景数字化转型的逐渐深入，各行业组织的数据已经覆盖了不同的业务领域，例如对于政府来说，数字化的业务领域主要是政务云、政府事务和智能应用;对于企业单位来说，涉及研发、生产、营销、管理领域等各方面。以企业为例，一直以来，企业的信息化建设优先满足业务需求，研发场景有PLM系统，生产场景有MES系统，营销场景有MA系统，客户管理场景有CRM系统。每个系统都断了，这对运营管理很困难。因此，只有首先实现业务场景内的数据整合，然后实现业务场景间的数据整合，才能实现协同效应和业务创新。2.所有类别的全域数据根据数据形态进行区分，包括结构化数据、非结构化数据、机器数据等。目前，企业并没有投资大量的非结构化数据。一位接受调查的高管表示，非结构化数据反映了业务和企业运营的本质，可以指导企业的业务重组和优化。此外，人们对非结构化数据的兴趣也在增加。89%的受访者希望使用非结构化数据来深入了解客户旅程，并找到改善客户关系的方法。然而，大多数受访者表示，他们目前只在非结构化数据处理上贴标签，无法进行内容分析和知识形成，64%的受访者希望建立处理非结构化数据的能力。3.全生命周期：69%的受访者表示，他们需要加强数据生命周期管理能力。数据生命周期需要全栈功能来重建数据生产力
1.最低的原始数据层。通过各种不同的产品和技术使数据可访问，以存储全局数据。从全球数据类别的角度来看，企业对于结构化、半结构化和非结构化数据需要不同的产品和技术，但这些不同的数据源不应孤立。否则，在技术层面上就会出现大量的数据孤岛。针对此问题，通过使用数据虚拟化和数据结构相关产品连接、收集和转换来自不同源的数据来创建数据抽象层，从而实现集成的数据读取和分析，而无需移动数据。2.中间层：数据资产层。仅仅能够访问数据是不够的，公司还需要沉淀数据资产并使数据可用。原始的全球数据必须处理为业务主题、业务场景和战略数据资产，目标是整个业务场景。在数据层，需要完善的保障系统，保障数据的准确性，并需要标记系统，通过智能的数据分析和数据映射，对化、非化数据进行Data。此外，数据安全和数据治理贯穿整个数据生命周期。88%的受访者表示，他们需要将数据治理集成到业务流程中，以确保及时治理，而这可以通过部署DataOps来解决。与此同时，外部对客户隐私的关注将集中在隐私计算上。3.最上层的CLARiiON数据是可行的可行性是指从数据中提取知识和智能，为企业创造商业价值。在这项研究中，数据专家说，“如果商业模式还不清楚，最好把数据放在那里，不要移动”，这表明数据价值和业务之间存在着很强的联系。Forrester的研究主要集中在生物医学、高端制造业、金融和政府等行业，每个行业都专注于智能数据服务。例如，生物制药行业对智能办公室的协作最感兴趣，超过一半的金融业研究客户对通过实时监控所有渠道进行风险管理感兴趣。该机构专注于城市经济运行和人们生活的预测分析。在高端制造业中，产品的准确营销是受访者关注的焦点。结论数字化转型深化期，全域数据能力驱动企业转型、数字化创新和新商业模式的创造，已成为大多数企业的共识。如何通过全域数据能力，阻止数据孤岛蔓延，对多样化数据进行深度价值挖掘，实现数据驱动运营、数据驱动决策、数据驱动创新，构建数据驱动型组织爱数联盟Forrester即将发布的思想领导力报告请关注“提升全域数据能力，数据驱动运营”。