對于任何戰略數據管理領導者而言，首要步驟之一便是制定數據和人工智能戰略。該戰略必須以事實為依據，解決用戶面臨的實際挑戰，并使用高管、股東和一線數據工作者都能理解的語言。任何數據和人工智能戰略的核心都包含以下四個關鍵要素：

• 數據治理
• 數據創新
• 數據與人工智能分析
• 數據文化

一、數據治理

對于大多數剛接觸數據治理或已經熟悉數據治理的組織而言，任何成功項目的關鍵都在于構建非侵入式的方式來接觸目標受眾。對于首席數據官 (CDO) 來說，這一點至關重要，需要仔細考慮組織承擔數據治理職責的意愿。對于數據治理尚未正式化、沒有專職人員負責數據治理的組織，則需要將數據治理融入日常流程，甚至將其寫入崗位職責描述，以確保一線數據工作者在執行日常工作的同時，能夠清晰地理解數據治理方法并為整體戰略做出貢獻。

考慮到這種背景，非侵入式數據治理的總體方法與其說是控制，不如說是將其視為一種價值功能，它幫助用戶在受管邊界內工作，同時提供數據可訪問性和可用性，減少訪問正確數據以驅動洞察并為組織創造價值的阻力。

對于首席數據官 (CDO) 而言，構建數據治理框架的首要任務之一是制定與組織風險狀況相匹配的策略和標準。例如，在大多數組織中，數據分析是最大的數據使用者。成百上千份報告和儀表盤呈現著獨特的洞察，需要進行優先級排序。最重要的是，分析生態系統中的用戶需要了解數據使用指南、正確的數據訪問權限，以及可通過自助服務訪問的高質量數據的可用性。

在最初的 100 天內，首席數據官需要健全的數據治理政策和標準來保護數據、滿足監管要求、確保敏感數據的可見性，并執行數據質量業務規則，以確保所訪問的數據適合使用。

政策和標準的制定過程應與受影響的業務利益相關者協同進行，以避免給人留下“命令與控制”的印象，否則可能導致業務部門不予采納。數據治理的很大一部分工作在于與人溝通并創建協作環境，從而積極展現業務領導者的風采。首席數據官（CDO）更側重于創造價值，不僅要支持領導者滿足其眼前的數據需求，還要賦能他們發揮領導作用，理解發展路線圖，并識別因缺乏參與而可能產生的風險。

關鍵步驟包括制定支持組織數據態勢的政策和標準，例如，制定企業級政策而非僅限于業務部門的政策。盡早建立并完善這一政策庫是首席數據官 (CDO) 最高效的任務之一。數據治理的最終目標是建立政策和標準、明確數據所有權并確保數據質量。雖然這些目標目前仍有些抽象，但它們為實現積極的投資回報率 (ROI) 奠定了基礎，本文稍后將對此進行探討。

要點總結：

• 創建企業和本地數據策略及標準庫
• 制定數據質量標準以提供高質量數據
• 通過納入業務利益相關者來定義數據所有權。

二、數據創新

對于特定組織而言，數據創新取決于用戶如何從現有數據中挖掘洞察，以應對戰略性應用場景。例如，大多數銀行或保險公司都在高度監管的市場中運營。酒店業面臨著來自 Airbnb 等平臺的巨大競爭，但又必須滿足利益相關者的需求以提升客戶忠誠度。同樣，零售市場的目標是在保持低價的同時，管理復雜的供應鏈、供應商和產品，從而為消費者創造真正的價值。

數據創新能否成功，很大程度上取決于用戶畫像、他們的數據需求以及業務用例的映射。我曾與來自不同行業和地區的全球戰略數據管理領導者交流，發現一個共同點：許多領導者都傾向于“包羅萬象”。根據我以往的經驗，這種現象在概念驗證技術評估階段尤為明顯。領導者們常常收集大量的業務需求，但只有少數人真正推動了這些需求產生應有的影響。“包羅萬象”的做法會阻礙數據驅動文化的形成。

數據創新的首要步驟之一是創建用例組合。戰略數據管理領導者需要樹立數據產品管理的思維模式，清晰定義每個用例的目標受眾、業務問題、數據范圍、所有權、質量標準等。與財務投資組合類似，用例可以進行投資回報率 (ROI) 跟蹤，從而避免僅靠治理不足以實現的無形投入。

要點總結：

• 基于利益相關者調查和相互理解的庫存使用案例非常重要
• 根據對組織目標的影響來確定用例的優先級，并專注于小規模的價值驗證（POV）。
• 運用產品管理思維：明確問題陳述，繪制目標用戶畫像，并概述業務影響。
• 構建數據社區，確保積極參與，尤其是在首次觀點評估階段，以便快速取得成效。

三、數據與人工智能分析

在任何數據驅動型組織中，數據和人工智能分析都是最大的數據消耗者。如此高強度的生態系統需要更快地訪問數據，從而提升數據的可訪問性和可用性。分析人員反映的一項主要挑戰是，如何找到并信任合適的數據用于報告、人工智能或機器學習模型。

對于數據和人工智能分析而言，戰略數據管理領導者需要創造能夠產生切實成果的價值。實現正向投資回報率需要以下關鍵要素：

• 數據自助服務：數據和人工智能分析社區的目標是挖掘洞察并創建人工智能/機器學習模型。獲取干凈、可靠的數據是提高生產力的關鍵。缺乏自助服務的組織會面臨報告生成速度緩慢、團隊各自為政導致報告重復、以及使用通用數據構建和共享人工智能/機器學習模型等挑戰。由戰略數據管理領導者協調的數據自助服務門戶能夠讓分析團隊成員更輕松地使用和訪問數據。
• 單一數據源：創建單一數據源需要注冊分析團隊所依賴的關鍵數據源。數據目錄有助于組織有效地理解和分類數據，從而實現隱私保護、安全管理、內部與外部數據共享以及項目管理。更重要的是，數據目錄是構建數據產品的第一步：數據產品是將關鍵數據映射到策略、標準和戰略用例的集合。
• 數據分析社區游戲化：并非所有數據分析成員的貢獻都相同。游戲化能夠促進分析師、科學家、工程師和其他人員之間的共享文化。戰略數據領導者應識別關鍵貢獻者，分配角色，并促進數據重用。許多組織依賴于分散的數據源或Excel/SharePoint文檔，隨著數據量的增長，這種方式難以擴展。游戲化有助于用戶協作，提升數據素養，并生成與戰略用例相匹配的適用解決方案。在這個系統中，積極的貢獻者應獲得獎勵。首席數據官（CDO）的角色是創造價值，通過提高數據的可用性和可訪問性來賦能用戶。

人工智能增加了希望參與戰略舉措的日常數據用戶流失的風險。營造這種環境有助于強化整體數據驅動文化。

四、數據文化

構建數據文化看似艱巨，因為存在無法立即體現價值的風險。許多領導者將文化與業務責任混淆，這可能會造成一種印象，即數據治理是為了控制而非創造價值。

一種非侵入式方法始于數據素養培訓項目，該項目不會占用用戶太多時間，并且會根據用戶的承受能力進行調整。根據我的經驗，成功的數據領導者會與培訓和賦能團隊協同推進數據素養計劃，并與人力資源部門密切合作，將數據素養要求納入職位描述，從而確保每位相關人員都承擔明確的責任。

小結

通過協調治理、創新、分析和文化，戰略數據領導者可以將數據和人工智能轉化為組織真正的價值驅動資產。以下是四個關鍵要點：

• 建立明確的政策和標準：制定企業和本地數據政策、標準和數據所有權，以確保高質量的數據，并為積極的投資回報率奠定基礎。
• 優先考慮有影響力的數據用例：根據利益相關者的需求和組織目標，清點并優先考慮用例，運用數據產品管理思維來跟蹤投資回報率，避免無形的努力。
• 通過可訪問性增強分析能力：推動數據自助服務，構建單一數據源，并確保數據可用性，從而加快洞察速度、人工智能/機器學習開發和戰略決策。
• 培養協作的數據文化：實施數據素養計劃，通過游戲化吸引分析社區參與，并賦予用戶在受管控范圍內工作的能力，以最大限度地提高價值并推動采用。