从“技术宅”到业务价值推动者,数据分析落地五步走

十一假期马上就要到了!
然而,成年人的世界没有十一只有Q4又快到了制定明年规划、设定KPI和分配预算的时间。

今时不同往日,不少企业都已经“把寒气传给了每个人”。在人人扎紧裤腰带的现在,企业的数据部门作为一个“人人都说很重要,但干活时又说不清哪里重要”的部门,如何拿起数据这把冲破迷雾的利器,从“技术宅”变身为业务价值推动者?

北极研究院解读Gartner的2023数据驱动增长路线图,核心探讨两个问题:

  • 数据分析负责人如何推动数据分析项目在企业内落地?
  • 打造数据驱动的企业,需要哪些部门参与?

据Gartner第七次年度首席数据官(CDO)调研,到2023年,大多数成功的数据分析负责人将是业务出身,而非IT出身。其背后原因也显而易见:企业越来越关注数据的价值。

数据的价值如何体现?

SAP副总裁Martin Guther曾说:“许多公司对办公家具价值的了解多于对数据价值的了解。数据在公司资产负债表的任何地方都没有体现——这对CDO来说是一个很大的挑战,因为他们需要找到证明其工作价值的方法。”

如今的一个共识是,数据的价值最终要体现在业务价值上,比如降本增效、控制风险等。许多企业做出了“数据驱动”的尝试,并且将数据分析与可量化的业务成果绑定在一起。

企业的数据团队需要为公司提供优质、可信的数据,来支持从高管到一线运营的各种决策。

那么,数据分析的负责人如何把这个庞大的系统搭建并运转起来呢?

从0到1五步走让数据分析在企业里“跑”起来

今天,当企业要“数据驱动”,数据分析负责人的压力是非常大的——简单的四个字背后,数据团队需要在对的时间、对的地点,把对的数据呈现在做决策的人面前(不管是CEO还是一线员工)。

更大的压力在于,任何一个数据项目的建设必须要在战略、运营或管理等层面对公司产生可见可感的业务价值。拿着新噱头新概念就能要到预算的时代已经一去不复返了。

Gartner总结了5个步骤,帮助企业的数据分析负责人从零到一在企业里建立数据分析项目。

01 确定目标和策略

核心目标

确保各方参与者认可数据分析项目的价值。

落实步骤

  • 明确关键的业务优先级,以及数据分析如何实现业务价值;
  • 明确数据的核心资产地位,让业务方了解数字化转型如何变现;
  • 评估机会、风险、偏好和回报,选择一套最佳的数据分析建设方案。

02 搭建组织运营架构

核心目标

设计一套合适的组织运营模式。

落实步骤

  • 为了建设数据驱动型的组织,先定义相关的角色、能力、目标运营模式;
  • 培养业务人员和IT人员的数据技能和素养;
  • 充分利用AI、机器学习等新技术,提升企业员工的数据科学和数据分析能力。

2017年,Gartner提出了“增强型分析”的概念,用人工智能、机器学习、自然语言处理等技术,让计算机自动生成洞见,赋能业务人员。

03 培育数据驱动文化

核心目标

打造数据驱动文化,以业务为导向设计一套管理流程。

落实步骤

  • 评估企业员工的数据技能,设计培训课程,提升员工的数据素养;
  • 根据预期的产出,建设一套管理流程、组织架构;
  • 关注数据管理和应用的趋势,评估其对企业可能产生的影响,加速合规进程。

数据驱动文化(Data-driven Culture),就是通过数据驱动决策(Data-driven Decision Making,简称DDDM),即凭借数据事实或数据模型来制定决策或战略计划。

04 管理数据分析的价值

核心目标

在企业内展现数据分析的价值。

落实步骤

  • 将企业内不同数字化业务平台的数据分析能力整合起来,形成合力,支持企业增长;
  • 对数据分析投入进行优先级排序,明确评价指标,跟踪和量化数据分析产生的业务价值;
  • 评估数据分析投入的价值贡献度,与业务部门沟通调整优先级。

05 调整优化,不断迭代

核心目标

提升数据分析项目的效果,不断进步。

落实步骤

  • 通过预设的指标和业务部门的反馈,评估项目的效果;
  • 重新评估最初制定的数据分析策略,探索是否可以引入新技术,例如数据编织、物联网等;
  • 设计新的组织流程、角色和技能,规划企业的数据分析方式、数据文化、风险偏好。

成功的数据驱动企业谁来参与数据分析项目?

搭建数据分析平台、营造数据驱动文化,一定需要顶层设计。从那些优秀的实践经验看来,其中的参与者都是跨部门、跨职能的。

不仅如此,在整个项目中,数据分析负责人和其他部门不只是“甲乙方”的关系,更应该是“战友”,发挥各个部门的专长,共同推动组织向“数据驱动”变革。

  • 首席执行官(CEO)/首席运营官(COO)

CEO和COO需要经常对影响企业生死存亡的棘手问题进行决策,他们也极为需要数据分析结果来辅助这些重大决策。

  • 首席信息官(CIO)

CIO与CDO权责明确、互相协作,共同在企业内推动数据分析平台的运转。

  • 首席财务官(CFO)

许多CFO负责产出战略、投资和绩效洞察,非常依赖数据分析,因此CFO是数据分析项目的重要参与者。在有些企业里CFO就是数据分析负责人。

  • 首席营销官(CMO)

越来越多的CMO搭建起了自己的数据分析团队,但大多数企业的营销团队还是依靠数据分析团队获取数据洞察。

  • 首席人力资源官(CHRO)

人力资源的各方面工作都需要数据分析的帮助。同时,CHRO还可能在数据文化建设、组织流程变革等方面提供独到的视角。

  • 供应链负责人

数据对供应链有不可小觑的影响力,因此供应链负责人可以是数据分析负责人的“盟友”。

  • 风控负责人

风控负责人可以借助数据分析预判风险,同时也可以与数据分析负责人一起,设计合理的组织管理方式,来解决隐私、合规、安全等复杂的管理挑战。

  • 软件工程负责人

在很多企业里不会有“软件工程负责人”这样的职位,但这个角色在业务部门和IT部门都存在。他们在数据分析项目的落地重起到重要作用。

  • 首席信息安全官(CISO)

CISO需要基于数据分析的结果对企业可能遇见的风险进行及时洞察和提前预判,从而更好地应对潜在风险。

四两拨千斤让数据分析的价值浮出水面

回到开头的话题,造成数据部门“人人都知道很重要,但又人人说不清哪里重要”的原因之一,正是数据分析项目传递出的价值信号不够明显。

数据分析负责人在企业内推动项目落实的过程中,由于分析师团队规模有限、数据分析门槛高等原因,无法支持公司上上下下的大量数据分析需求,于是最初制定的策略经常“走形”:业务部门要么把数据分析师当成取数的工具人,要么抛开数据直接拍脑袋决策。

如何让数据分析的价值更突显?北极九章的解法是:大幅降低数据分析工具的使用难度,让业务人员找得到数据、看得懂数据、用得上数据。

北极九章:数据问题直接搜,分析结果立即见

通过自然语言搜索这种简单的交互方式,业务人员即使不会写代码、不懂拖拉拽,也可以快速获取数据洞察。通过这种方式,业务人员能够自助解决80%日常数据分析和问题验证的需求;也释放了分析师的工作量,可以专注于更加复杂的问题,为业务部门提供更专业和深入的洞察和决策建议,实现更大的业务价值。

参考资料:

Gartner: Drive Successful Digital Growth With Data and Analytics