01 什么是數據驅動

隨著移動互聯技術的快速發展，數字終端廣泛普及，催生了大數據技術。如今，無論是個人的日常工作、學習、生活，還是企業的經營發展，都和數據密切相關。以手機打車應用APP為例，在叫車時，APP會根據坐車的時間段、目的地位置、用車的緊張程度，提供不同的溢價倍數，用戶和司機可以雙向選擇匹配;同時APP會鼓勵用戶分享自己的優惠碼，當優惠碼被第三者使用后，用戶將獲得不同程度的優惠，在打車結束后，可以直接使用該優惠進行結算。這些過程無需人工干預決策，全部由系統使用事實、指標和數據驅動來指導和完成。

具體而言，數據驅動是通過移動互聯或其他技術手段采集海量的數據，將數據進行組織形成信息，之后對相關的信息進行整合和提煉，在此基礎上經過訓練和擬合形成自動化的決策模型。信號、數據、信息、情報、知識、智慧，環環相扣，不斷迭代上升，完成一個又一個決策過程。

當一個企業將數據視為生產要素，能夠以一種及時的方式獲取、處理和使用數據來創造效益，不斷迭代并產生新決策、開發新產品，以及在數據中探索，就成為了一個數據驅動型的組織。

02 如何打造數據驅動力

事實上，大多數組織(尤其是大型企業)都已投入大量資源來收集、存儲、保護和分析其業務數據，越來越多的企業管理層預期他們的投資會帶來具有變革意義的回報。據McKinsey Global Institute研究表明，數據驅動型組織在客戶獲取率、客戶保留率和盈利幾率方面實現了23倍、6倍和19倍的提升，研究還表明數據驅動能為組織帶來五大收益：增強組織的敏捷性、提升銷量和用戶忠誠度、降低成本、提升生產力和效率、降低風險提高合規。

數據驅動企業最重要的特征是企業的數據文化和素養，數據文化的建立，意味著企業從管理層到員工，全員都尊重數據，將數據作為重要的決策工具和溝通語言。這種文化不僅僅是將數據變成洞察、變成思想，還要通過系統的接口、通過API的集成，讓數據分析的結果能直接改變和影響業務行為，讓業務更高效、讓決策更智能。

這里將企業的數據能力分為三個層次，通過在每一層構建對應的能力，才能打造成數據驅動的企業。

1.制定數據戰略

擁有一個清晰的數據戰略是第一步，每個組織的數據戰略都有其基于目標的獨特性，但是其基本范圍可以大致包括如下六個領域：

• 數據資產的規劃和治理;
• 數據資產的獲取和存儲;
• 數據資源的共享和協作;
• 價值場景的探索和挖掘;
• 數據服務的構建和利用;
• 數據產品的度量和運營。

高層的支持是數據戰略貫徹落實的有效保證，一般而言需要成立單獨的內部組織或團隊來制定詳細的數據戰略和實施框架，監督和保證相關數據項目的進度和質量。國際數據管理協會(DAMA)出版的數據管理知識體系對此有較為全面的闡述，結合數據分析在企業價值鏈傳遞過程中的作用，就能夠形成一套完整可行的數據戰略規劃。

2.打造數據中臺

企業級數據中臺，可以比喻為構建一個數據服務工廠，讓企業能夠持續、源源不斷地創造和生產有價值的數據服務和產品，從而賦能業務。數據中臺是數據戰略規劃在技術層面的實現，通過引入最新的大數據技術，以統一模型和統一標準串聯數據資產，把數據活動置于數據治理的標準化管理框架內，實現對數據的“存、通、統、用”，滿足“數據民主化”的目標，確保數據的整潔的同時，幫助人們快速找到并使用正確的數據集。

3.構建智能應用

“數據驅動，應用為先。”在數據中臺之上，企業可以構建各種實時的數據服務，創造各種智能應用，從而賦能員工、業務甚至終端客戶。不同于傳統的數據分析和洞察，數據驅動型的智能應用通過結合數據科學方法的持續集成和持續交付能力，讓AI建模和智能分析在一個持續交付的閉環內迭代優化，達到數據運營的持續智能化。

03 數據驅動遵循的數據科學方法

數據驅動組織離不開數據 科學團隊，正確使用數據科學的方法論、技術和資源將幫助組織充分參與業務和數據運營流程。一個良好的數據科學方法包括如下三個部分：

1.了解業務和制定決策的過程

企業要對業務決策過程有清晰的理解，有了正確的數據思維，大量雜亂的信息就會變成一個簡單清晰的決策點，從而幫助業務和分析人員從正確的問題著手，該問題必須是可度量、清晰、簡潔的，并與核心業務有直接關聯。例如：如何在不提高運營成本的情況下提高客戶的利潤。明確的問題，可以讓數據科學團隊瞄準目標，進而將業務問題轉化為切實可行的解決方案和結果。

2.建立績效指標

為了將業務目標轉化為切實的結果，需要建立清晰的績效指標，一般來說，績效指標的建立分為三個步驟：1)決定度量什么;2)如何度量它;3)定義成功指標。以產品推薦為例，這是一種基于推薦算法的精準營銷方式，通過對不同的客戶展示不同的產品，實現千人千面的用戶體驗。對于這種業務我們可以根據業務目標來決定采用什么績效指標，若業務目標為最終收益，則可以考察推薦產品的購買率×產品收益;若業務目標為客戶活躍度，則可以度量推薦產品頁面的PV和UV。

不同的指標就會有不同的度量方式，包括時間范圍、度量單位、度量的范圍等，在確定度量方式的同時，我們也能夠定義成功指標——業務目標。仍以上述產品推薦為例，當考察指標為客戶活躍，可以定義度量方式為MAU和DAU，業務目標可以為月活提升5%，日活提升7%，同時需要設定對照組用戶，對這些用戶不進行產品推薦或者采用隨機推薦算法。在最終計算考核指標時可能還需要考慮剔除首次登陸用戶或者當月注冊新戶，因為這些用戶沒有歷史行為無法進行有效的產品推薦等。

3. 構建端到端的解決方案

在定義了業務目標并將它們轉換為有效的度量標準后，就需要選擇正確的工具組件，使得系統能夠實際構建端到端的可測試/運行的框架。此時需要考慮諸如數據量、數據類型、數據生成和處理速度、異構數據整合等因素，基于數據中臺或現有系統，進行系統化的開發、部署和集成。一個構架良好、功能完備的數據處理系統能夠加速部署和降低風險，利用模塊化的組件、云計算平臺、流批一體的計算引擎、基于領域特定語言(DSL)的決策引擎，能夠使的這種解決方案的落實更加靈活、安全和可控。而快速的部署又能夠為企業提供敏捷能力，快速跟進業務發展，響應市場需求。

除了正確的方法和工具以外，數據科學團隊與業務伙伴要保持持續交流，孤立工作將使組織缺乏共同承擔的愿景、價值觀和目標。另外也要營造一種實驗的文化，哪里有清晰的需求，就在那里試點探索，刺激業務進一步試驗和轉變，即時評估反饋結果，不斷改進最終方案，才能夠真正發揮數據驅動的能力。

04 數據驅動助力銀行數字化轉型

在用戶都被移動化、網絡化和數字化習慣養成的時代下，銀行必須從一個“物理存在”轉型為一種“永遠在線”的服務，通過數字化轉型，提升客戶體驗，提升業務敏捷能力和開放合作能力。

數據驅動能力能夠幫助銀行在數字化轉型過程中，完成從“煙囪式重復”到“沉淀服務化能力”，從“數據孤島”到“數據智能決策”等核心能力的轉變，通過自上而下培養和推進企業數字文化，打通業務、IT、數據分析團隊的組織壁壘，實現從數據到服務的組件化、平臺化、共享化，最終推進業務向靈活性、敏捷性、擴展性轉變，充分體現出數據資產的業務價值，形成以數據為重要資產的核心競爭能力，服務和反哺業務，達成業務數據化、數據業務化的雙引擎驅動。