麻省理工斯隆管理评论：认真对待数据与数据科学
作者 时间包括MZY
来源 公众号每日一丝的分享
作为一个互联网新进入的人吧，不遗余力地学习。
关于作者
Thomas C. Redman（@thedatadoc1）是新泽西数据质量解决方案公司的总裁，《数据科学的真正工作：将数据转化为信息、更佳决策和更强大的组织》（Wiley，2019）的联合作者。
Thomas H. Davenport（@tdav）是巴布森学院信息技术与管理的杰出校长教授，也是麻省理工学院数字经济倡议的研究员，以及德勤分析与人工智能业务的高级顾问。
内容
数据科学，包括分析、大数据和人工智能，早已不再是新鲜事物。高质量数据这一重要基础同样如此。虽然这些因素为企业带来了令人瞩目的商业成功，尤其是在数字原生企业中表现突出，但传统企业的整体进展却异常缓慢。不仅失败率居高不下，企业也经常无法将某一业务领域的成功经验复制并推广到其他领域。进展往往依赖单一领导者，而当关键人物离职时，发展很快就会放缓甚至倒退。此外，企业并未真正把握数据中的战略潜力。据我们估算，能够真正利用数据和数据科学获得有效竞争优势的企业不到 5%。
多年来，我们与数十家公司合作，帮助它们开展数据领域的探索，针对数据质量、数据科学和人工智能等方面，提出了实现成功所需的方法、技术和组织变革建议。在我们的观察中，企业最常犯的两个重大错误是：
第一，在组织（包括人员、结构与文化）、流程以及战略性转型方面投入不足，无法真正“主动出击”——即未能充分利用自身的数据和可用的数据分析技术。
第二，以不当方式处理数据质量问题，导致在琐碎事务上浪费了大量关键资源（时间和金钱）。劣质数据进一步引发对数据的信任危机，严重阻碍了企业创造数据优势的努力。
企业经常将数据质量不佳和未能利用数据创造价值归咎于技术问题，而实际上症结在于管理不善。
亚马逊Project D开发Echo/Alexa智能音箱的计划，就是这种“认真对待”的典范——数百名员工参与，多家初创公司并购，CEO高度介入，资源投入不设上限。
星展银行（DBS）在被《欧洲货币》评为“全球最佳数字银行”的历程，也是一个很好的案例。该公司CEO Piyush Gupta在2018年获奖时表示：
“在星展银行，我们相信未来的银行将与今天大为不同。因此，过去三年我们全身心投入数字化议程。这是一段全面转型的旅程，无论是改变员工的文化和思维模式，重构技术架构，还是利用大数据、生物识别和人工智能，为客户带来简单无缝的银行体验。”
01 停止在数据质量上浪费精力
解决这些错误的显著方法，就是识别资源的浪费之处，并将其重新分配到更具成效的数据应用上。这绝非易事。虽然预算和人员可能被明确分配用于支持分析、AI、架构、数据变现等工作，但却没有专人和预算用于“浪费”在劣质数据上的时间和金钱。
这些浪费通常隐藏在日复一日的工作中——比如销售人员需要纠正来自市场部的数据错误，数据科学家要花 80% 的时间清理数据，财务团队用四分之三的时间核对报表，决策者对数字不信任，要求下属反复验证，等等。
实际上，几乎所有的工作都深受数据质量不佳的困扰。减少时间和金钱浪费的秘诀在于，从“买方/用户自负”，即每个人都只能自己面对劣质数据的局面，转变为“在数据源头就把数据做好”。这种方法有效，是因为找出并消除一个根本原因，可以防止未来成千上万个错误，消除了后续修正的需求，从而节省大量的时间和成本。
劣质数据的代价大约占公司收入的 20%，而这些成本很大一部分可以被永久消除，这完全足以为必要的投资提供资金基础。一个实用的经验法则是：每花 1 美元开发一个算法，至少需要花 100 美元来部署和支持它。
02 主动出击
现在，让我们以人工智能预算为例，这可以代表“进攻型”数据工作的投入。在我们看来，许多情况下，数据科学团队开发新算法的经费其实是充足的。而且，随着自动化机器学习工具的普及，算法开发的成本也在不断下降。但问题在于，许多有用的算法最终“夭折”，原因在于为建设配套流程、培训人员、消除变革恐惧和塑造数据文化等方面投入严重不足。
根据我们的经验，一个实用的经验法则是：每投入 1 美元开发算法，至少需要再投入 100 美元用于部署和支持。其中一小部分会用来把算法嵌入业务流程，而大部分资金将花在培训、建设拥抱数据的文化以及变革管理上。大多数公司目前还没有为这些方面投入足够的资金，这也解释了为何他们的AI产品化落地进展缓慢。
03 果断迈出关键一步
首先，企业领导者应采取哪些切实行动，来表明自己对数据的重视？第一步，需让业务战略与数据战略更加紧密地结合，聚焦于推动收入增长。从数据的角度来看，机会在于充分挖掘专有数据的价值，把分析推向企业的每一个角落，并利用人工智能增强几乎每一个决策。当然，不可能、也不应该样样都做，因此必须选择与业务战略最紧密贴合的方向。一个判断做对了的信号是，数据相关的工作项目会减少，但每一个都将更大、更全面，且管理得更加到位。
其次，要让每个人都真正参与进来。每个人都已经在数据工作中有所参与，回答以下几个问题：
要么正确解读数据，要么没有；
要么正确创建数据，要么没有；
要么用数据提升自身工作，要么没有；
要么为更大的数据项目做出贡献，要么没有。
现在，“没有”的情况太多。
同样，还考虑以下几个问题：
管理者会抵制这些“没有”，或者不会；
高层领导会站到前面推动，或者不会。
因此必须主动联系员工，教育并吸纳他们参与到数据工作中来，同时对因劣质数据带来的低效现象采取更严厉的态度。这需要时间去实现。一个好的迹象是，团队士气会逐步提升。我们的经验是，一旦员工掌握了方法，多数人会发现数据工作其实很有趣。更重要的是，在数据领域，人才为王。
第三，必须明确区分“数据管理”与“技术管理”。就像一部电影与流媒体技术本质上是两种不同资产，数据和技术也是不同类型的资产，各自需要专门的管理方式。但目前，过多企业让数据服从于技术管理，结果就是像某些银行竟然有 13 万个数据库 —— 还不包括表格，而“数据架构”等议题并没有获得应有的关注。同时，技术部门疲于应对系统孤岛、数据无法互通带来的后果，反而难以专注于为员工引进新技术。一个积极的信号是，技术部门会变得更高效，并最终具有战略性地推动业务发展。
最后，现在开始思考这个问题，即数据在企业中“长期角色”。人们很容易重复“数据是新石油”这样的口号。据《经济学人》报道，仅在美国，数据的价值已高达 2 万亿美元。但实际上，并非所有数据都同等重要。一些数据——如专有数据、企业运营所需的数据以及与其他关键资产相关的数据——极其重要，应作为独立资产进行管理。至少，企业应确保这些数据的端到端责任分工清晰明确。
我们完全理解这些建议实施起来有多具挑战性。然而，这些举措也预示着巨大的机遇，尤其是对所在行业首批付诸实践的企业来说。目前所需的方法、工具和技术都已广泛可用，并在数字原生企业，以及传统企业的各个部门得到了反复验证。很明确，未来取决于数据，因此迟早你别无选择。正如一句古语所说，Fortuna iuvat audentes——幸运总是眷顾勇敢者。
点击阅读原文《
麻省理工斯隆管理评论：认真对待数据与数据科学 》。
沪公安联网 31011502019103