企业不能搞砸他们的数据战略，因为数字经济中有太多的利害关系。
企业如何收集、存储、清理、访问和保护其数据可能是其能否实现企业目标的主要因素。不幸的是，数据战略的成功之路充满了挑战，因此CIO和其他技术领导者需要仔细规划和执行。
以下是IT领导者应该明智地避免的一些数据战略错误。
忽视企业使命
在不考虑企业的整体业务目标的情况下创建数据战略是失败的秘诀。在一个缺乏重点的战略上投入时间和金钱有什么意义?
金融服务公司先锋(Vanguard)的首席数据分析官瑞安·斯旺表示：“大规模建立成功的数据战略不仅仅是收集和分析数据。如果没有以任务为导向，企业在确定数据计划的优先顺序、高效分配资源以及培养一支敬业的员工队伍方面可能尤其具有挑战性，这些员工队伍清楚地了解其工作如何真正影响业务成果。”
在先锋，“数据和分析使我们能够履行我们的使命，为投资者提供最好的投资成功机会，使我们能够收集可操作的见解，以推动个性化的客户体验，扩大建议，优化投资和业务运营，并降低风险。”斯旺说。
确保数据战略将满足企业目标的一部分包括数据管理，它确保有企业的、可访问的、高质量的数据始终可供授权方使用。
医疗保健管理咨询公司Impact Advisors的高级顾问、CISO的马克·约翰逊表示：“企业经常在没有管理到位的情况下启动和运行服务和应用程序。与灾难恢复、业务连续性和信息安全类似，数据战略需要经过深思熟虑和定义，以便为其他方面提供信息，同时提供构建强大业务的基础。”
低估非结构化数据
企业积累的大部分数据都是非结构化的，无论是文本、视频、音频、社交媒体、图像还是其他格式。
这些信息资源可以为企业带来巨大的价值，使他们能够获得对客户和市场趋势的新见解，忽视这些数据资源是一个大错误。
“对IT领导者来说，正确使用非结构化数据将变得越来越重要，”企业软件开发商IFS的首席技术官凯文·米勒说，“这不会是他们可以忽视的事情。对于希望推动创新和创造额外商业价值的IT领导者来说，使用非结构化数据获得可操作的见解将是一项至关重要的任务。”
米勒说，受益于非结构化数据的关键之一是定义明确的目标。“利用非结构化数据的目标是什么?”他说：“非结构化数据将如何促进收入或市场增长，获得成本效益或其他战略成果?这一步骤确保努力与业务目标保持一致，并确保由此产生的见解是可操作的。“
识别和评估哪些非结构化数据来源将提供最大的价值和洞察力也是至关重要的。“随着商业环境的变化和新数据来源的出现，非结构化数据的价值可以随着时间的推移而演变，”米勒说，“IT领导者应建立持续监控和改进的流程，通过实施定期审查周期来评估从非结构化数据派生的洞察的有效性，以确保洞察始终具有可操作性和相关性。”
他们还需要建立明确的隐私、法规遵从性和数据治理政策。“许多行业和地区都有严格的数据隐私和安全管理规定，”米勒说，“建立数据治理规则有助于企业遵守这些法规，降低法律和经济处罚的风险。明确的治理规则还可以通过定义数据收集、存储和格式化的标准来帮助确保数据质量，从而提高分析的准确性和可靠性。”
形成数据孤岛
多年来，由于数据孤岛而拒绝企业用户访问信息一直是一个问题。当不同的部门、业务单位或组将数据存储在其他人不可用的系统中时，数据的价值就会降低。
便利店运营商RaceTrac负责企业数据和高级分析的执行董事约翰·威廉姆斯表示，数据孤岛会导致不一致和运营效率低下。
RaceTrac拥有近800个地点，每年处理2.6亿笔交易的海量数据，以及来自商店摄像头和嵌入燃油泵的物联网设备的数据馈送。
威廉姆斯说：“这种情况导致在每个业务单位和部门内开发不同的公式、流程和定义来生成报告，从而从相同的数据集生成不同的结论和建议。”
为了打破孤岛，该公司创建了一个统一的数据环境，该环境集成了跨各种系统的数据，以便在整个企业内共享数据。威廉姆斯说：“实施集中的数据管理系统并鼓励部门间的沟通，将在确保整个企业可靠数据的一致性和可访问性方面发挥关键作用。”
RaceTrac正在利用Alation的数据智能平台来集中数据，并根据需要为用户提供自助分析。
分散数据团队
与创建竖井类似，分散数据团队可能会给企业带来问题并降低价值。
Vanguard的斯旺说：“孤立的数据团队结构对于希望开发和扩展有效的数据战略以推动业务成果的企业来说可能特别成问题。相反，应将数据团队构建为企业上的集中化[并]与业务实际位于同一位置-目标与该业务保持一致。”
Swann说，这种方法有助于建立统一的数据生态系统，实现整个企业内的无缝数据集成、共享和协作。
“数据专业人士和企业之间的密切合作还能提供宝贵和持续的洞察力，改进流程，提高效率，并减少关键运营领域之间的摩擦，”斯旺说，“对于数据和分析专业人士来说，这种类型的环境也能带来丰厚回报。”
忽略数据治理
数据治理应该是任何数据战略的核心。如果不是，结果可能包括数据质量差、缺乏一致性和不遵守法规等问题。
“在没有标准化的数据管理方法的情况下，维护数据的质量和一致性是一项挑战，”威廉姆斯说，“在将Alation纳入RaceTrac之前，我们在这些问题上苦苦挣扎，导致对数据缺乏信心，并做出多余的努力，阻碍了数据驱动的决策制定。”
威廉姆斯说，企业需要创建一个强大的数据治理框架，这包括指定数据管理员、建立透明的数据所有权以及实施数据准确性、可访问性和安全性的指导方针。
威廉姆斯说，使用专门用于数据沿袭、治理和协作的数据情报平台“可以保证企业的所有成员都依赖可靠的真理来源进行分析和报告。”
使用质量不佳的数据
数据只有在准确的情况下才真正对企业有价值;否则，它可能导致糟糕的决策，甚至破坏客户体验。
Impact Advisor的约翰逊表示，脏数据或低质量数据是人工智能最大的问题。“事实上，GenAI就是一个很好的例子，”他说，“他们的大型语言模型有糟糕或肮脏的数据。证据是他们在回答询问时引用的‘捏造的’消息来源和事实。”
约翰逊说，数据清理工具是解决这个问题的一种方法。然而，他说，它回到了精心设计的数据战略上，为实体、属性、关系、数据类型、约束、层次结构等建立了一个通用的数据模型。
缺乏对实时数据的可见性
如果不能利用实时数据，公司可能会错失适应客户需求变化并提供更好客户体验的机会。
RaceTrac的威廉姆斯说：“在快速发展的商业世界格局中，拥有迅速访问和理解实时数据的能力至关重要，这将为企业提供竞争优势。”
威廉姆斯说，如果没有对企业数据的全面视角，就很难辨别数据的预期目的，确定其准确性，提高其质量，并找出冗余，这可能会导致在决策过程中使用不可靠、不合格或过时的数据。
将可靠的数据转换为跨越整个企业的资产需要数据用户对企业内完整的数据生命周期有透彻的了解。他说，自RaceTrac的数据转换以来，“我们简化了法规遵从性，简化了影响分析，并可以及时将上游数据的变化通知给利益相关者，这使数据用户能够在获得数据的情况下，以更高的信心实时做出决定。”
在获取人才时忽略不同的背景
企业需要具有数据专业知识的专业人员，为了填补职位空缺以帮助执行数据战略，扩大候选者人才库可能是有意义的。
先锋公司的斯旺说：“那些将数据和分析人才的搜索局限于那些拥有丰富编程或编程背景的企业，可能会发现很难建立一个有效的数据战略。”
“多样化的团队意味着更多的创新，更明智的决策，更广泛的解决问题的范围，以及对客户需求和偏好的更好理解，”斯旺说，“正因为如此，对数据和分析人才采取‘一刀切’的做法可能会阻碍协作、多元化思维和提高绩效。”
斯旺说，Vanguard为其首席数据和分析办公室聘请了来自各种背景的人员，包括一些学习过高级数学、英语和商业的人。
