数字化转型对企业来说已经是一道必选题。在现阶段的数字化转型过程中,哪些是企业的工作重点?哪些是企业面临的首要挑战?
Forrester调研数据显示,在全球范围的两千多位受访者中,选择数据分析的受访者达到34%;在中国的271位受访者中,选择数据分析的比例达到了44%,在所有选项中高居第一位。中国企业对数据问题是首要挑战的认可度高达31%。这表明,数据分析已成为数字化转型过程中的重中之重,数据问题则是企业数字化转型的首要挑战。
为什么管理好数据,做好数据分析演变成了企业数字化转型的关键?2022年6月,爱数联合Forrester进行了一项调研,走访了200+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。调研数据显示,大家普遍对利用数据推进转型抱有很高期望。有82%的受访者希望建设数据驱动的企业文化,从而推进企业进化升级,持续领先竞争对手。遗憾的是,根据企业自评,仅有28%的企业认为自己在数据驱动运营、数据驱动创新的层面达到了成熟或者领先的水平。
企业实现数据驱动面临的多维度挑战
事实上,数据管理、以数据驱动运营是一个复杂的问题,绝不仅仅只涉及数据技术,还涉及到战略和组织。提升数据管理水平,战略、技术、组织和流程,这几个维度缺一不可。从调研数据来看,每一个维度都存在着诸多挑战。
1.数据战略维度:受访者普遍认为企业内部对于数据价值及资产存在不同认知,缺乏统一的目标,难以有效协同,这一比例达到79%。许多受访者在调研中表示,数据战略必须是一把手工程,如果缺乏一把手的强力支持,组织之间的协调将非常难以推进。
2.技术维度:由于技术种类繁多以及应用复杂,很多企业面临来自技术层面的挑战。从内部来看,超过75%的受访者表示企业现有数据基础设施技术水平较为落后,无法充分利用多元化数据。值得一提的是, 82%的受访者表示现有技术主要面向结构化数据,对半结构化以及非结构化数据关注不足。
3.数据孤岛:多年以来,数据孤岛的问题不但没有缓解,反而有一种愈演愈烈的趋势。65%的受访者表示,随着企业数字化业务占比提升,不断新增的业务系统产生了新的数据孤岛。
全域数据能力,重塑数据生产力
如何解决这一系列的挑战,帮助企业充分利用内外部的数据,进而全面深化数字化转型?Forrester认为,企业需要的不是简单、孤立的数据产品,而是全域数据能力,从战略、组织和流程全方位重塑数据生产力。
如何理解数据生产力
可以从生产力的三个角度进行解读:
1.劳动者。在企业内部,谁是数据的使用方呢?如果仅限于技术人员,那么一定不能最大化数据的价值。企业要实现的是数据民主化,让数据成为企业内部的通用资源,任何人都可以按照权限使用相应的数据产品,因此在数据生产力的角度,劳动者应该是全量的用户。
2.劳动资料。劳动资料的主体是生产工具。对于数据而言,企业需要具备全栈功能的生产工具,在原始数据层实现数据的可访问,在数据资产层实现数据的可利用,在知识和智能层实现数据的可变现。
3.劳动对象。数据是重要的生产要素,数据分析是数字化转型的重中之重,数据问题是数字化转型的最大挑战。
因此,重塑数据生产力,需要处理全场景、全类别以及全生命周期的全域数据。全量用户、全栈功能以及全域数据综合起来,就是企业需要的全域数据能力。
全场景、全类别、全生命周期的全域数据
1.全场景:随着数字化转型的逐渐深入,各行各业组织的数据已覆盖不同的业务域,如对于政府而言,数字化的业务域主要是政务云、政府办公和智慧应用;对于企业单位而言,涉及研发、生产、营销、管理域等方方面面。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,在研发场景有PLM系统,生产场景有MES系统,市场营销场景有MA系统,客户管理场景有CRM系统。各个系统是割裂的,这为企业的运营管理带来了困难。因此,首先要实现业务场景内的数据整合,其次要实现跨业务场景的数据整合,才能达到协同增效以及业务创新。
2.全类别:全域数据按照数据形态来划分,包括结构化数据、非结构化数据、机器数据等。当前,企业对于大量非结构化数据的投资明显不足。在调研中有位高管谈到:非结构化数据反映的是业务和企业运作的内在本质,可以指导企业的业务重组和优化。调研结果也显示大家都非常重视非结构化数据。89%的受访者希望利用非结构化数据来获取关于客户旅程的深刻见解,并找到改善客户关系的方向。然而,大部分受访者表示目前对于非结构化数据处理还仅停留在打标签,无法做到内容分析并形成知识,因此,有64%的受访者希望以中台思路构建非结构化数据的处理能力。
3.全生命周期:69%的受访者表示企业需要加强数据全生命周期管理能力。企业数据的生命周期围绕业务流程,覆盖了开发/采集、加工、流通、归档/销毁等全链路。
重塑数据生产力需要全栈功能
1.最底层:原始数据层。通过各种不同的产品和技术来存储全域数据,实现数据可访问。从全域数据类别的角度来看,针对结构化数据、半结构化数据、非结构化数据,企业需要不同的产品和技术,但这些种类繁多的数据源不能是孤立的,否则会在技术层面造成大量数据孤岛。针对这个问题,可以借助数据虚拟化及Data Fabric相关产品,通过连接、收集和转换不同来源的数据创建数据抽象层,无需移动数据就能实现整合的数据读取和分析。
2.中间层:数据资产层。能够访问到数据还不够,企业需要沉淀数据资产,实现数据可利用。原始的全域数据需要被加工成具有某个业务主题,面向某个业务场景以及跨业务场景的战略性数据资产。在数据资产层,需要有完善的质量保障体系,保障数据资产的正确性,还需要规范、紧密结合业务的标签体系,通过智能的数据分析以及数据映射,为结构化、非结构化数据生产Data Catalog。此外,数据安全与数据治理贯穿数据全生命周期。在调研中,88%的受访者表示需要把数据治理固化到业务流程中,实现及时治理,引入DataOps可以解决这一问题。同时,外界对客户隐私的关注也让隐私计算成为焦点。
3.最上层:数据可变现。可变现指的是能从数据中抽取出知识和智能,为企业带来业务价值。调研中,有数据负责人表示,“如果业务模式还不清晰,他宁可数据放在那里不动”,这表明了数据价值和业务的强关联性。Forrester在调研中重点关注了生物医药、高端制造、金融以及政府机构这几个行业,每个行业都有其特别关注的智能化的数据服务。比如,生物医药行业最为关注智能的OA办公协同,超过一半的金融行业受访客户关注通过全渠道的实时监控进行风险管理。政府机构则主要关注对于城市经济运行以及民生的预测分析。在高端制造行业,产品精准营销则是受访者关注的重点。
结语
数字化转型深化期,以全域数据能力驱动企业转型、数字创新以及打造新的商业模式已经成为大多数企业的共识。如何通过全域数据能力,阻止数据孤岛的蔓延,对多样化数据进行深度的价值挖掘,从而实现数据驱动运营、数据驱动决策、数据驱动创新,打造数据驱动型组织?敬请关注爱数联合Forrester即将发布的思想领导力报告:《提高全域数据能力,以数据驱动运营》。
