任重而道远，被看中的企业数据化转型

 互联网时代，数据都是爆炸式的增长，甚至有人认为两年内现有的数据体量就会翻倍。虽然难以置信，但这确是真的。不过目前 50%的数据是外部数据，因此现在想要找到有价值的森林越来越难。如果拥有一个显示整个组织结构数据的数据目录岂不美哉?

华尔街日报文章估计，数字化项目中50%至80%的时间会用于数据发现和数据准备。而据我和客户交流所知，他们绝大多数时间是在寻找数据。这是事实：对于任何数据驱动的数字转型项目来说，首先是找所需数据来驱动新的分析和新的业务流程，这是项目成功的关键。

来看一些例子。客户在他们制定其数字化转型的数据战略和架构的时候，通常会谈论转型的“旅程”。我们来讨论一下。

数据湖旅程

没有人能够将所有数据投入到数据湖中，并借此获得惊人的洞察力。但是，已经有组织尝试了。更可取方法是挑选某个功能区域(如营销)和要解决的重要业务问题(如优化潜在客户转换率，改善钱包份额等)。接下来是识别和收集与该特定问题相关的所有数据，并将其投入数据湖。这很可能是内部结构化数据、内部非结构化数据(博客)以及来自第三方和合作伙伴的各种外部数据的组合。问题是：如何找到这些数据?它们分散在你的组织中。

云端旅程

很多公司大都如此，他们简单地入手新的CRM云应用，通过从本地部署的CRM系统中加载相关数据。但不幸的是，如果公司在这个节点上停止，公司将不能发挥新CRM系统的全部价值。一个更好的做法是将公司当前的CRM数据迁移到新系统，但还有很多其他数据可能与其他系统相关。典型的例子是客户数据和来自营销自动化系统的数据，还需要另一个方向的数据流。

在新的云CRM系统与其它交易和分析系统(无论是在内部还是在云中)定期同步数据可能非常重要。简单来说，就是云CRM系统与多种云和本地应用之间有一个相当复杂的双向数据同步要求。问题是：如何确定所拥有的数据以及哪些数据在整个分布式环境中具有保持同步的重要性?

企业数据治理旅程

假设你是营销功能的新数据管家。你是否知道将要管理的数据在哪里?或者，花费大把的钱做研究去找：你知道你的组织中有谁拥有这些数据吗?是否有一些人已经购买了这份研究，其它人是否已经拥有这份研究成果?就像他们在棒球中说的那样，“没有在记分卡板上钉钉，不能告诉你的球员。”

现代数据集成旅程

很常见的情况是：几十年的时间和多次并购交易，组织已经积累了数十个或数百个系统，它看起来像一个技术历史博物馆。业务依赖于运营业务的“货币”，所有这些都是由点对点数据集成在一起，如何在这个复杂的环境中进行请求数据的更改?

巩固现代应用程序?

通过数据湖泊和机器学习增强数据仓库?

牵一发而动全身，触摸任何事情可能会导致整体的重大失败。你需要在一开始就知道新系统需要什么样的数据，这些数据目前在什么地方，以及如何将这些数据应用于为组织提供价值所需的位置，而同时不中断正在进行的业务。

数据管理的挑战远非如此。

是否能找到数据?这些数据将散布在多种系统中、云端和本地。公司是否有这些数据的复制版本?哪个版本是自己需要的?

是否相信这些数据?别忘了很多CRM数据是销售代表输入的，它们的准确度、新鲜度和完整度是否能够保障呢?你需要考虑数据清理。

假设想要做分析。这会将要求加入两个或多个表，但凡尝试这样做的人都会发现寻找和使用正确的钥匙是多么复杂。

数据驱动的数字化转型并不仅是亮眼的新业务模型，还意味着速度，为快不破。2017年毕马威研究发现“上市速度”是CEO的首要任务。那么你怎样实现速度呢?

IT不仅仅是我们上面所描述的那些数据管理工作。我们以上谈论的还没有将资源或带宽扩大的所有新举措包括在内。数字化转型的重点是对可靠和及时数据的需求从未如此之高。更糟糕的是，IT缺乏业务场景来了解与数据的相关的背景。

讨论这么多，我们要找到关于业务人士如何快速有效地发现、管理和使用数据的方式，并采用企业级数据目录解决方案。你要在数据目录中寻找什么?

企业可视化：

它必须提供企业范围内的所有数据的可视化。只有结构化数据或仅云数据(例如)的一个很好的解决方案也无法解决问题。

易用性：

它必须是易用的。能够让业务用户容易使用，使业务分析师、数据分析师、数据管理员和其他人满足他们自身的数据需求。具体来说，Tableau、Qlik或Microstrategy的用户应该能够在没有IT帮助的情况下自行对其数据进行分析使用。

成效性：

它必须是智能的。必须使日常活动自动化，使人们更有成效地完成数据任务，更愿意承担数据任务。更重要的是，它必须提供明智的建议。如何让人们使用现有的数据集?而不是通过从头开始做工作来重新创建数据集。经验表明，人们对于寻找现有工作的复用没有太多的耐心，但如果现有工作主动提供给他们一个明智的建议，那就另说了。