你的数据化经营为何屡战屡败，118位CTO给出的7个管理经验

大数据文摘作品

编译：傅一洋、笪洁琼、魏子敏

提升数据分析能力正成为企业数字化转型的当务之急。

成功的企业数字化案例显然有自己的共同点：重视数据质量、重视数据上下文、以及建立有效的数据管理体制。

而失败的企业则各有各的问题。

我们调研了118家公司的首席信息官(CIO)、首席技术官(CTO)、数据总管以及IT部门的员工及顾问，找到了这7种企业数据实践中最可能出现的问题。

只做数据集中，并没有对数据进行整合

“数据整合是当今数据分析面临的最大挑战。”SAS公司的业务解决方案顾问，数据治理专业组织(DGPO)的首席发言人Anne Buff说道。

实际上，许多公司只是简单地将数据堆积在一起，并未对不同来源的数据进行整合。就拿身份认定来说，比如一套系统下“路人A”的信息与另一套系统下“路人A”(甚至可能是重名)的信息之间，没有进行关联，这样的话，就无法对“路人A”的身份进行完整性描述。

“数据整合并不等于将数据集中到一起，”Buff说，“对于某个研究对象，要将不同来源的数据相互关联，以便获取更准确的信息定位。一旦你这样做，当这一切相关数据都聚集在一起时，它将达到一个更完整的结果，即比尔史密斯是谁。你必须将它们关联起来。”

Buff还说道：各种数据集成技术使之成为可能，同时，正确的选用、实现并执行数据整合的技术，减少不必要的人工操作和重复劳动这点很重要。

数据科学家会通过数据来寻找并分析竞争优势，可能的突破点等等，因此，数据整合也变得越发重要。

“如果不将以往所有的数据整合，就无法发现其中的模式。”Buff说道。

忽视了不同业务对数据的需求差别

“整合的集成数据技术对于一个成功的分析程序是至关重要的，必须要意识到不同业务部门对数据的需求是不同的，”Buff说道，“数据的形式不能千篇一律。相反，还需要考虑数据供给，IT部门需要将业务类型与数据形式相匹配。”

并不是所有的业务都需要整合过后的数据。以金融机构的众多需求为例，风控部门需要未经处理的原始数据，以从中发现异常。比如通过搜寻多组数据中某个人地址信息的，确定其是否申请了多笔贷款等。

“这些业务更倾向于研究多组相似数据间的差别，因此这些差别是要有所保留的。”Buff解释道。

另一方面，诸如市场部等部门希望实现准确的用户信息定位，因此只需要其中正确的那组数据。

数据工程师可能比数据科学家更重要

数据科学家这个职业在过去几年中正迅速抢占硅谷、纽约、中关村、西二旗的各大互联网公司。一大批传统企业也开始设置这个职位，并且大批招募。

毕竟，每个公司都希望通过势头正盛的新兴技术使业务分析具有一定的预测性和分析说明，这需要专业团队和人员的支持。

但通常，这些公司挂出的招募岗位只有数据科学家这一种。

这是远远不够的。

数据科学家需要数据工程师来收集数据集，但是，数据工程师这一职位，在许多公司没有受到应有的重视。

“目前，大公司对数据工程师的需求增速是对数据科学家需求的两倍。” 贝恩公司旧金山办事处合伙人，高级分析和数字化实践负责人Lori Sherer这样说。

美联邦劳工统计局预测，目前数据工程师的平均年薪已经达到135,800美元，且未来十年里，对数据工程师的需求将继续保持快速增长态势，2026年前将新增44200个相关的就业岗位。

有专家称，同很多IT岗位一样，数据工程师的人才供不应求，部分企业会通过招聘或者从IT部门普通员工中选拔培训，来弥补这一人才缺口。

缺乏对数据时效性和生命周期的管理

近十年来，随着数据存储成本不断降低， IT部门可以将大量数据存储起来，并保存很长的时间。对于不断增长的数据量和数据分析需求来说，这是个好消息。