4.3 数据战略的3个要素
数据战略是企业为实现企业发展和运营目标而做出的数据规划和部署，它主要包含3个要素：战略定位、实施策略和行动计划（见图4-3）。
图4-3 数据战略的3个要素
4.3.1 战略定位
战略定位回答了“做什么”“不做什么”的根本问题，用来定义战略目标。企业数据战略的规划设计不仅要有对齐企业战略的“长期目标”，还要兼顾解决当前问题的“短期目标”。
在进行数据战略定位时要重点考虑以下几个核心问题：
- 企业的痛点需求是什么？
- 企业的业务目标有哪些？它们与数据需求是什么关系？
- 企业确定数据管理业务目标的依据是什么？
- 为确保数据管理能实现业务目标，可以采用哪些衡量标准或关键绩效指标？
- 数据管理的组成部分是如何实施的？如何测量其有效性？
- 如何确定长期和阶段性成果？
- 数据治理的投资计划（人力和资金）如何？期望的投资回报率是多少？
先来看一个案例。
案例：某商业银行制定数字化转型的数据战略
过去几年，某商业银行受到来自互联网公司和数字金融公司的挑战。而2020年年初席卷全球的新冠肺炎疫情让银行客户的行为从线下转到了线上，这对该商业银行的数字化转型起到了巨大的推动作用。
该商业银行以“实现数字化转型”为数据战略愿景，并确定了支撑这一战略愿景的4个业务目标。
- 数字化营销：建立完整的用户画像，进行全渠道触达，以实现金融数字业务的完整闭环。
- 数字化智能风控：基于商业银行积累的大量数据，更准确地预测客户的风险，实现风险和收益的平衡。
- 金融产品的精细化管理：包括差异化定价、产品组合管理、产品创新。
- 银行的内部控制：规避操作风险，进行风险预测预警和员工行为监控等，以确保银行数据的安全合规使用。
企业数据战略可分为三个层次，这三个层次并不是不同企业的不同数据管理目标，而是同一企业在不同阶段、不同成熟度条件下的三个具体形态（见图4-4）。
图4-4 数据战略的3个层次
- 短期目标：实现基本的管理目标和业务目标。
- 中期目标：促进业务创新与转型。
- 长期目标：定义企业在数字化竞争生态中的角色和地位。
（1）短期目标
这个层次是满足基本的管理决策和业务协同。通过解决企业数据管理中的各类问题，满足决策分析和业务协同的需要。在笔者看来，该层次的战略目标是企业最基础、最迫切需要、最能击中痛点的目标。
经过多年的信息化建设，企业上了多套业务系统，而这些业务系统是由业务部门驱动建设的，缺乏信息化的顶层规划，各系统各自为政、各成体系，形成信息孤岛，系统之间的数据不标准、不一致，导致应用集成困难，数据分析不准确。目前国内绝大部分企业还处于这个状态，而信息技术的发展速度太快，已逐步形成技术倒逼企业数字化转型的趋势，高质量的数据资产无疑是企业数字化转型的基石。
（2）中期目标
这个层次是创新与转型。基于数据实现企业管理升级和业务创新，利用数据拓展新业务、构建新业态、探索新模式。数据战略不再是企业战略的支撑，而是其引导，或者说二者相互作用。在这个阶段，“IT即业务”。
传统制造企业利用数据治理和融合，以加速管理、产品和销售模式的创新。例如，利用数据治理加强集团管控，基于客户偏好进行个性化定制，利用数据进行供应链协同和优化，基于市场预测创新产品的设计与快速上市，等等。
服务型企业利用大数据探索服务的新模式，可以拓宽服务的视野，实现模式领域的横向拓展和服务深度的纵向延伸。例如，某酒店通过对消费者需求的数据分析，推出了定制化的主题房、酒店新零售的服务模式，这些酒店服务业在业务创新方面的尝试大大提升了消费者的黏性，增加了酒店的盈利点。
在金融、餐饮、医疗、教育等服务行业，这样的案例每天都在上演。未来服务业的竞争将更加白热化，而数据资产的利用价值将愈发明显。
（3）长期目标
这个层次是定义企业在数字化竞争生态中的角色和地位。这是企业数据战略的最高奥义。用友董事长王文京曾预言：“未来所有企业都将是数字化企业。”笔者对此深以为然。科技的变革将改变企业的业务形态和竞争模式。在未来的数字化竞争中，数字化将是不容忽视的核心因素，企业数据战略的部署和实施是否成功将决定企业在未来的数字化竞争和生态中是领导者、挑战者、特定领域者还是被淘汰者。
“什么样的战略，决定了什么样的未来。”企业数据战略的规划一定要有未来的“诗和远方”。将数据战略融入企业行动方针和核心价值观中，可以勾勒出企业的未来图景。
4.3.2 实施策略
实施策略解决的是“怎么做”“由谁做”“做的条件”“成功原因”等问题，是战略落地的“制胜逻辑”。
（1）怎么做
“怎么做”是指采用什么策略保证目标的达成。DAMA给出的数据管理知识体系中有11个专业数据管理领域，如数据架构、数据建模和设计、数据安全管理、数据存储和操作、主数据和参考数据管理、元数据管理、数据质量管理等，难道企业需要把这11个专业领域全部都做一遍吗？显然不是。企业应根据自身现状和业务目标，选择合适的数据治理策略，或全域治理，或选择个别亟待治理的领域进行治理。
（2）由谁做
“由谁做”是指要明确数据治理的组织、角色分工、职责及决策权。
（3）做的条件
数据战略的实施必须明确数据管理和应用所需的条件，如企业内、外部数据管理和使用环境如何，企业的数据管理能力成熟度情况怎样。
（4）成功原因
影响数据治理的因素有很多，主要包括战略、组织、文化、流程、制度、数据、人才、技术和工具9个方面。每个因素都可能会影响到数据战略的成功或失败，企业应设计每一个实施策略。
根据笔者多年的所见所闻及亲身参与数据项目的经验，一个数据战略的成败很大程度上是由制胜逻辑决定的。
数据治理的成功总是相似的，但失败各有原因。数据治理失败的原因主要有目标不明确、范围不清晰、主导人员分量不足、参与人员不够积极、过度迷信平台和工具、过度依赖外部资源等。
案例：某大型装备制造企业的“五统一”数据战略
这是国内的一家大型装备制造企业。经过多年的信息化建设，企业已经建立了PDM、ERP、MES、CRM等多个业务系统，但由于系统之间缺乏统一的数据标准，“一物多码”的问题十分严重，对企业上下游之间的业务协同造成了较大影响。于是，该企业在2014年启动了“五统一”的数据战略，目标是实现企业核心主数据的标准化。
该策略是由公司总经理挂帅、CIO主导、IT部门与业务部门协同推进的。“五统一”包括统一数据定义、统一数据编码、统一数据口径、统一数据来源及统一参照数据。通过对分散在各部门、各系统中的主数据进行统一，为企业的应用集成和业务协同提供了基础。
该企业的数据战略定位非常清晰：以主数据为基础，夯实企业数字化根基。这项举措为该企业后来的集团管控、财务共享、业财融合奠定了坚实的基础，取得的成效十分明显。
以上是一个成功的数据治理案例。有成功的，自然也有失败的。同样是主数据治理，同样是制造企业，另一家企业的数据治理效果就不尽如人意。
案例：某工业制造企业的数据治理和运营策略
这是一家大型的工业制造集团型企业，集团为主数据治理成立了“数据标准管理委员会”的虚拟组织，并采用集中管控模式实施集团主数据治理。
数据标准管理委员会中的5名数据治理专员是从集团下属的5家子公司抽调来的业务专家，从每家子公司中抽调一人，由其兼职负责集团主数据标准制定和数据运营工作。
在实际数据治理执行过程中，5名数据治理专员达成了默契：各自审核自家单位的数据。这导致了在集团层面，主数据集中化管控的模式成了摆设。运营不久之后，集团层面主数据的重复、不完整、不准确等问题又暴露无遗。
战略定位是让人们做正确的事，而实施策略是让人们正确地做事，两者一个是目标，一个是实现目标的方法。事前想清楚数据战略的制胜逻辑的成本要比事后总结教训低很多。数据治理项目的成功一定是将数据治理9个要素有机整合的结果，忽视任意一个要素都可能会影响到数据治理的成效。
4.3.3 行动计划
行动计划是为落实战略目标或指导方针而采取的具有协调性的计划安排。行动计划回答了“谁”“在什么时间”“做什么事”“达成什么目标”的具体问题。行动计划要可执行、可量化、可度量，遵循PDCA的闭环管理，并需要定期进行复盘和总结。
制定数据资产管理项目的实施路线图时，不仅要考虑项目优先级和项目依赖关系，还要综合考虑公司信息化建设现状、内部组织对数据资产管理的支持程度以及对服务时间和人力资源的调配能力。最重要的是要结合公司业务场景和生产经营管理中的具体情况，制定可落地的数据治理行动计划。
案例：某能源企业的数字化转型三年行动计划
某能源企业数字化转型战略的实施强调用“数字化的技术和数据”来支撑企业的管理决策、业务协同、业务流程优化及信息系统整合。为了实现这一战略目标，该企业提出了“总体规划，分步实施，试点先行，重点突破”的总体策略，并制定了三年行动计划，如图4-5所示。
图4-5 某企业的数字化转型三年行动计划
第一阶段（2020年1～12月）：夯实基础、重点建设阶段
该阶段的主要目标是梳理出企业数据资产目录，建立数据标准体系，夯实数字化基础。重点建设任务是成立数据治理组织，制定数据治理制度，建立核心主数据标准，盘点数据资产目录，梳理和设计数据模型等。
第二阶段（2021年1～12月）：逐步跨越、深化应用阶段
该阶段的主要目标是构筑大数据平台，实现数据标准的完整落地，打通各系统的数据通道，实现数据的统一并进行初步数据分析。重点建设任务是：数据标准在各部门、各系统的贯彻执行，实现数据资产的统一管理；构建大数据平台，梳理指标体系，并实现各系统数据的汇集和入湖；进行初步的数据分析，为企业的管理决策提供支持。
第三阶段（2022年1～12月）：智慧运营、转型升级阶段
该阶段的主要目标是数据驱动企业运营，初步实现企业的数字化转型升级。重点建设任务是将数据分析服务、数据挖掘服务真正应用于企业的业务和管理活动中，以支持企业的业务和管理创新。同时，在数据管理侧，还需持续加强数据安全、数据质量、数据运维的管理。
数据治理是一个不断迭代、持续优化的过程，无法一蹴而就。
经验告诉我们，数据治理绝对不是引入先进技术和高端软件就能够成功的。项目建设过程需要企业高层的高度重视并给予充分的资源支持，需要有经验丰富的顾问团队，需要技术部门和业务部门的通力协作，这样才能提高项目建设的成功率。
同时，数据治理不是“一次性项目”，一个数据治理项目的成功并不代表数据战略的成功，它不是企业数据治理的终点，而是新的起点。
“路漫漫其修远兮”，企业数据治理需要的是持续运营，将数据治理形成规则，融入企业文化，这是企业数据治理之根本。