专栏首页麒思妙想如何成为一个成功的首席数据官

如何成为一个成功的首席数据官

摘要

首席数据官(Chief Data Officer,CDO)为组织内的数据“带盐”,并将其表示为战略性企业资产(strategic enterprise asset)。CDO的职责还在演化,但这个角色所起到的作用被越来越多的人所熟知,并且其成功对推动组织的增长和创新至关重要。CDO必须将其角色从保守的数据策略转变为积极的数据策略,接受其作为变革推动者的角色,并为组织带来价值。那才是成功的秘诀。

挑战性

虽然CDO的角色在日趋成熟,但还是有众多CDO们在失败中苦苦摸索。 在Gartner最近的一项研究报告中预测,有大约一半的CDO将失败,其原因是诸多内部和外部因素叠加导致的。但由于大多数外部因素都是不可控制的,因此,要意识到成功的关键还是在内部障碍。

● 角色级别:冠以“首席”这个头衔,表示该直接向公司高层报告(CEO、CFO、COO等c-suites),但许事实则不尽然。他们没有资历,决策权和影响力来推动企业数据战略。

● 角色明确性和限制:CDO角色的定义仍然没有一致性,对角色的期望取决于组织的数据成熟度。这个问题的直接后果是对角色本身的限制。

● 缺乏资金和资源:由于没有将CDO的角色放在足够高的位置,导致其专用预算不足,会影响对工具、技术和人员的投资。

● 企业文化和变革阻力:CDO是颠覆性的变革管理角色,并非每个人或每个公司都能适应变化。最重要的是,公司中任何新的“首席”职位都会带来权力斗争,并且根据职位的位置,可能会与CIO和CTO产生问题。

建议

随着组织日趋成熟,并将CDO视为共同领导增长的伙伴(to co-lead growth charters),CDO应该首先评估其组织的数据成熟度,然后通过以下方式为组织带来价值:

● 数据管理:这是CDO角色的关键部分,涉及数据控制,数据质量,维护,保护和治理。将数据作为企业资产或企业货币进行管理,并在数据中建立信任是一个关键因素,其他一切都取决于此

● 充实数据(Enrichment)和启用数据(Enablement):找到利用现有数据实现业务结果的方法,并使用其他内部和外部数据对其进行扩充。从小事做起,每一次成功(和失败)都要建立起来。确保整个组织的分析数据可用性,包括人力资源和财务等缺乏活力的职能部门

● 数据货币化:确定从数据中获取收入的方法。创建创新章程,进行实验,构建原型,宣传和启用高级分析(如数据科学,人工智能和机器学习),并开发数据产品以提高企业知识产权和竞争优势

评定

新商业和数字化转型的到来使组织越来越依赖于数据-从即时交易意义上来说,并对确定长期增长战略作出反应。许多没有接受这一新现实的组织已经失败并苦苦挣扎,例如 Sears 。市场差异化和以消费者为中心是由数据和分析主导。随着组织开始意识到数据是他们的公司货币,需要将其作为资产进行管理,引入了首席数据官的角色。

这项评估的重点是那些在数字上非本土的组织(digitally non-native),这些组织没有从根本上最大限度地发挥数据和分析作为其商业模式的关键驱动力的潜力,例如 Amazon、Google、Facebook、Airbnb等。在这些组织中,CDO作为数字主管的角色通常不存在,并且数据管理和利用数据和分析推动业务价值是日常业务现实的基本要素和一部分。

首席数据官对不同的组织意味着不同的事情。在某些组织中,风险、合规性和监管可能是角色创建的幕后推手,其关注点相对狭窄和深入。在另外的一些组织中,它的职责可能更广泛,包括企业数据和分析,并成为创收的驱动力,或者它可能是对业务模式中断和驱动创新。本质上,CDO的作用必须与围绕其数据策略的组织成熟度联系在一起。Gartner从以下四个方面描述了CDO角色的演变:

CDO1.0:仅专注于数据管理

CDO2.0:开始拥抱分析

CDO3.0:带领数字化转型

CDO4.0:专注于数据产品的货币化

随着数据策略的发展,分析也在不断发展。根据Thomas Davenport进行的研究,分析经历了以下演变步骤:

Analytics 1.0:传统商业智能时代

Analytics 2.0:大数据时代

Analytics 3.0:数据丰富的时代,实现快速经济

Analytics 4.0:认知消费者控制数据的时代

这给CDO带来了挑战:从哪里开始和集中精力?CDO的角色也是跨职能的变更管理角色,从组织的一致性和政治角度来看,它会产生自身的内部挑战。实际上,Gartner预测大约50%的CDO将失败。在Gartner的2017年CDO调查中,文化惯性和数据素养被认为是缺乏成功的主要原因。

该评估与New Vantage Partners进行的研究非常吻合,以识别阻碍企业采用分析技术的障碍。

CDO的典型一天:

● 市场营销部门需要用户画像

● 销售人员说数字有误,无法信任

● CFO表示已向他们报告了多个主要KPI版本,因此他们需要确定最正确的一个

● 商业智能团队表示他们没有足够的资源和工具

● CTO表示他们已决定将数据从本地系统迁移到云

似乎立即解决这些问题应该是CDO的重点,但这将是错误的方法,因为这只会加剧围绕该重点的担忧。现有的数据团队可以使用敏捷或 tiger-team based( 这个实在不知道怎么翻译 ) 的方法来完成大部分战术工作,但CDO必须专注于为该功能建立战略构想并获得整个企业的认可。

首先,CDO必须担当变革推动者的角色,并了解这是一项跨职能责任,并且需要精通组织才能建立联盟和合作伙伴关系。了解组织的运作方式至关重要。这应该导致对功能的构想的创建,这种构想是基于文化的,并与公司使命相关联。

接下来,CDO必须开发一种组织结构,该结构旨在通过一种参与模型来推动采用,该模型跨越业务部门中的多层层次结构。CDO应该根据转型的速度和组织的政治环境来评估集中式,分散式和混合式组织结构-与帝国相比,建立信任和协作更好。

CDO还应该成为以人为中心的设计(human-centered design),设计冲刺和敏捷方法的拥护者,并创建以领域专家或业务部门用户为中心的多学科敏捷团队。从发现和设计阶段开始,这便使采纳成为该计划的一部分。领导这些敏捷团队的一个重要角色应该是一个能够用数据和策略语言进行有效沟通的数据翻译人员/传道者

这里要考虑的关键因素是CDO想要领导的转型程度以及他们前进的速度。这些雄心壮志应与组织为变革和首席执行官的支持做好准备。Standish Group的CHAOS报告显示,从大型计划开始有更大的失败可能性。

确定并关注可解决的问题。一开始不要抱有太大的野心,首先要了解基础知识。在可能的长期计划与较短的时限项目之间取得平衡,并尽早并经常交付组件,并提高成功率并增加价值。CDO应该根据价值而非数量来衡量其组织的生产力和成功与否。与企业领导者进行透明的,价值驱动的讲故事而磨练的沟通策略将逐步建立声誉并信任组织。

解决组织战略的这些基本原则将促使CDO制定组织章程,并为组织取得成功奠定基础。

现在,让我们探讨CDO为组织带来价值的三种方式。

建议1:数据管理

许多CDO组织都是从这个领域(DataOps)起步的。这是CDO的核心责任领域,必须按此进行管理。如果没有掌握、整理、管理和安全的数据,其他一切都是无稽之谈。这不仅仅是一个维持领域,也是一个创新领域,将继续挑战CDO组织。例如,确定如何最好地存储和检索高维高基数纵向时间序列数据,或者在GDPR时代掌握消费者数据,以有效地推动消费者参与策略。CDO必须关注的一些价值驱动因素:

● 保护和保护公司数据作为资产并管理风险和合规性

● 通过高级治理原则减少敏感数据的暴露

● 单一事实来源与多个事实来源的策略

● 数据架构和系统的发展保持领先于市场的步伐

● 持续评估和应用精益数据操作方法,以较低的成本提供高价值

● 建立高标准的数据质量,以消除“进出垃圾”的风险

建议2:数据丰富和启用

CDO必须对现有数据进行全面评估,对其进行分类并创建元数据。这将使最终用户更好地理解数据,还可以利用它来创建组织的数据素养。然后探索组织可以利用现有数据做什么以及要做什么。从获得“低垂的果实(low-hanging fruit)”成功开始,并以此为基础。继续评估现有数据和补充中的差距,并扩大与外部来源和合作伙伴的联系。由于利用现有数据来提高组织价值,因此可以减轻对数据扩充和充实策略的额外资金要求。此外,使各个业务部门的数据访问民主化,以赢得更多拥护者。对人力资源和财务等数据贫乏的组织表示热爱,并从这些强大的业务职能部门获得支持,因为它们拥有对资源和预算的关键决策权。

采取渐进式的方法,逐步开发一个“洞察系统”,该系统必须集成数据仓库,并作为一个干净的受管理的增强数据系统,继续推动组织的价值。增加财务和销售数据,创建仪表盘,以衡量对交付给组织的主要KPI的影响。

建议3:数据货币化

数据货币化本质上是数据丰富,利用和启用的扩展。CDO必须专注于在现有流程和功能之外寻找新的收入和收益机会途径。这将需要挑战现有的业务模型,并需要通过传播福音来推动创新,并从项目导向到产品导向来赢得组织盟友。CDO必须在其组织内或与其他互补组织合作,为产品创新创造空间

使组织思维方式从数据作为业务的副产品转变为具有内在货币价值的信息技术:将数据视为组织的货币

●使组织的思维方式从数据作为业务的副产品转变为具有内在的货币价值:将数据视为组织的货币

● 将重点放在当前项目之外,以增加现有收入或降低成本

● 利用数据产品确定新的收入流,例如,商户服务提供商可以通过SaaS insights门户向其商业客户授权

● 在数据和分析领域之外思考,并将其视为创新练习。以人为中心的设计为主导,识别潜在的有价值的想法,将其原型化,无情地迭代、测试和学习,并在价值驱动因素建立后扩大规模。以下框架可用于建立以人为中心的产品开发生命周期(PDLC)过程

● 不要孤军奋战。将战略财务、企业战略和其他高管人员作为合作伙伴一起参与这一旅程

● 确定突破分析界限的机会,并将基于人工智能和机器学习的知识产权作为竞争优势

结论

通过这里规定的框架,接近首席数据官的角色,CDO们可以在一个安全且管理良好的环境中,带头从组织内部和外部获取最佳数据。这将推动组织价值的提升,建立一个成功的、创新的价值驱动的CDO组织。

鸣谢

本文发表在Medium(https://towardsdatascience.com/how-to-be-a-successful-chief-data-officer-e34b6ae56443)

原作者 Ahmer Inam ,是 Pactera Edge 的 首席AI官。感谢他授权给我翻译本文,本人深感荣幸。

This article was published on Medium (https://towardsdatascience.com/how-to-be-a-successful-chief-data-officer-e34b6ae56443) The original author Ahmer Inam is the Chief AI Officer of Pactera Edge. Thank him for authorizing me to translate this article.I am deeply honored.

感谢我的爱人,在文章翻译上对我的帮助。感谢麦麦和兜兜,是他们的努力,让翻译工作不那么枯燥。

REFERENCES

[1] J. Heizenberg, A. Duncan, 5 Pitfalls to Avoid When Designing an Effective Data and Analytics Organization (2018), Gartner Research

[2] R. Bean, T. Davenport, Big Data and AI Executive Survey (2019), New Vantage Partners

[3] M. Faria, Gartner Research Board Identifies the Chief Data Officer (2019), Gartner Research Board

[4] C. Pettey, 3 Top Takeaways from the Gartner Chief Data Officer Survey (2018) Gartner Research

[5] J. Bennett, Why only Half of the CDOs are Poised for Success (2016), Gartner Research

[6] The Standish Group International Inc., CHAOS Report (2015)

[7] M.Teerlink, B. Gow, K.Banerjee, The New Hero of Big Data and Analytics (2014), IBM Institute for Business Value

[8] L. DalleMule, T. Davenport, What’s Your Data Strategy (2017), Harvard Business Review

[9] T. Davenport, Four Eras of Analytics (2015), Analytics Frontiers Conference

[10] S. Soares, The Chief Data Officer Handbook for Data Governance (2014), MC Press

[11] C. Carruthers, P. Jackson, The Chief Data Officer’s Playbook (2018), Facet Publishing

[12] D. Laney, Infonomics: How to Monetize, Manage, and Measure Information as an Asset for Competitive Advance (2017), Routledge

[13] B. Evelson, Systems of Insight: Next Generation Business Intelligence (2015), Forrester

[14] A. Inam, B. Franks, Human-Centered Transformation Driving Analytics Adoption (2019), International Institute for Analytics

[15] A. Inam, B. O’Neill, How Human-Centered Design Increases Engagement with Data Science Initiatives, Products, and Solutions (2019), Experiencing Data Podcast

[16] A. Inam, A. Hartsoe, Operationalizing Customer Lifetime Value (CLV) (2019), Customer Equity Accelerator

[17] A. Inam, P. Capon, Podcast #40 (2019), The Innovation Community

由于本人水平有限,如有欢迎指正,勘误。

本文分享自微信公众号 - 麒思妙想(qicai1612),作者:dafei1288

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-07-27

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 零基础学Flink:监控 on Prometheus

    好久没更新Flink系列了,之前果然在Flink SQL 上淹死了,那部分暂时咕一段时间,等日后学有所成再补上,由于最近对普罗米修斯感兴趣,今天借机来说说监控吧...

    麒思妙想
  • 基于REST的数据处理流程v0.1

    一直很欣赏pandas对数据的理解,以及其灵活优雅的数据处理方式。一直在考虑是否可以做一套基于REST的API来进行数据处理。今天突然灵感来了,画了一下...

    麒思妙想
  • 零基础学Flink:Time

    在前一篇里笼统的介绍了一下flink的时间,但感觉说的还不够,那么今天就专门来说说时间。

    麒思妙想
  • 从 “ 短信劫持马 ” 来谈APP安全

    这种短信劫持木马的概念和新闻我想大家都应该接触过了,就不怎么说概念了,具体的可以搜一搜新闻,一抓一大把。

    网e渗透安全部
  • GEO数据库可能遇到的问题 (一)

    昨天介绍完GEO2R之后其实该和大家说一下富集分析相关的东西了(昨日链接:GEO2R差异表达分析软件)。但是,由于GEO数据库里面的数据种类比较多...

    医学数据库百科
  • 从人脸识别到行人重识别,下一个风口

    人脸识别在LFW超越人的识别能力之后,就很少有重大的突破了,逐渐转向视频中人脸识别或人脸属性学习等方向。CV顶级会议的接受论文量也出现了逐渐平稳的趋势。 而行...

    计算机视觉研究院
  • MySQL 查询结果保存为CSV文件

    执行后,会把指定表中记录数据导出到c:/test.csv文件中。每个字段以,(逗号)分隔,字段内容是字符串的以”(双引号)包围,每条记录使用\r\n换行。如图所...

    前端皮皮
  • C语言通用键盘读取函数的定义

    在上一节中,我们讨论了屏幕内容的清除,其中,我们使用了一个函数GetKey,其代码如下:

    鲁郭大侠
  • 外卖小哥式工作,企业“隐控式组织”,离我们很近

    《外卖骑手,困在系统里》一文让人真真切切地看到了外卖小哥的工作,我们会慨叹、会同情,但无论慨叹什么、如何同情,也难抵文字浪潮的冲击与吞噬,少有他想,因与己无关。

    明悦数据
  • Vuex之module

    由于使用单一状态树,应用的所有状态会集中到一个比较大的对象。当应用变得非常复杂时,store 对象就有可能变得相当臃肿。

    wade

扫码关注云+社区

领取腾讯云代金券