过去十年，互联网技术和电商的飞速发展不仅带给生活与行业以变革，也带来了超乎想象的海量数据。IDC预计到2025年，全球数据总量将达到175 ZB(即175万亿GB)——相当于2017年的十倍之多。这一变化也令企业开始聚焦如何利用数据这一“隐形资产”创造价值。

然而，埃森哲全球商业研究院的近期调研却发现，仅32%的企业能够从数据中获取直观、可量化的价值;能够从中获得洞察和建议的更少，只有27%。这表明，大部分企业虽然多年来在数据采集、存储、分析和配置上进行了投资，却并未从数据获取到具有高度可行性的洞察和建议。

实现数据价值的三大阻碍

为何会形成数据当前价值与预期价值间的落差?如何才能全面释放数据的隐形价值，弥合这一落差?在尝试找寻答案的过程中，我们发现，数据能力缺失、数据质量欠佳和数据孤岛繁多正在成为企业从数据中获取价值时面临的三大障碍：

数据能力缺失：

打造数据驱动的能力体系是全面释放数据价值的先决条件。缺少高层领导的支持、专业的员工队伍和收集、分析数据的所需资源，会令企业即便坐拥海量数据也依然难以从中获取明智决策。

数据质量欠佳：

错误和不明来源的数据将耗费企业大量时间用于数据清洗。而更多时候，即便如此企业和员工也还是无法放心使用这些数据。我们的调研发现，仅三分之一的企业信任他们的数据，并能有效利用和从中获取价值。

数据孤岛繁多：

沿用旧有系统令企业各平台间的数据彼此隔裂，无法实现高效统一的数据采集、管理与整合，而这也令企业难以从中获取全局、有效的洞察。调研发现，仅16%的企业表示已拥有灵活的数据供应链，并能快速为业务输送所需数据。

为了从数据中生成洞察并实现价值，银行A构建了数据湖，并将所有数据收集到一个集中位置。但该银行没有建立必要的架构，最终因数据湖中的数据质量太差而无法使用，陷入数据沼泽。

具体来看，银行A在设计和构建数据湖时没有充分整合企业的全部需求，忽略了外部生态系统(供应商、合作伙伴和客户)数据，导致数据准备、架构和沿袭不完整，更无法实现真正意义上的企业互联。

其次，银行A未采用恰当的控制工具来确保排除不良数据，也无法确保数据完整、准确、有效和一致。自然，人们对数据缺乏信任。除此之外，员工缺乏正确的培训、技能和分析工具。

四步走释放数据要素价值

为帮助企业更好地克服上述挑战以释放数据的全部价值，埃森哲基于数据分析、高层访谈、行业经验以及过往案例，总结出成为数据驱动型企业所需的12项关键能力框架，并根据这些能力，制定出了企业数据驱动成熟度指数模型，划分出“数据底座”、“数据管理和治理”、“洞察决策” 和“价值实现”四大能力模块。

据此模型我们发现，受访企业的数据驱动指数平均得分为58分，只有一小部分企业得分为76分。鉴于这些企业拥有卓越的数据价值挖掘能力，我们将其称为“数据驱动型领军企业”。

1.升级数据底座

领军企业以结构化的方式整合企业数据。因此，企业的领导层和员工能够快速访问可靠数据，从而生成可行性洞察并据此做出明智决策。坚实的数据底座是启用数据驱动型业务用例和实现切实业务价值的先决条件。它包括：

数据平台：

搭建、优化企业数据平台，清晰掌握数据的存储位置、流向、使用者和使用方式。积极采用自动化技术标记、注释和编录数据，从而打造持续、韧性的数据供应链。

数据架构：

创建敏捷、安全的数据架构，以支持数据流和将数据转化为实体、关系、属性、字段定义、值和词汇表的数据模型。

主数据管理：

通过人员、流程和技术组件协同工作确保主/参考数据的质量。

武田中国联合埃森哲、亚马逊云科技，实现云端IT基础设施统一管理、运营与交付的同时，合力构建云上数据平台，使企业不仅在当下提升运营效率，还能在未来收获更大价值。例如，数字化平台Digital Therapy将对患者进行慢病管理需求评估，根据患者的疾病风险、生活方式、心理需求来定制诊疗方案，不同的患者接受的内容和互动频率不尽相同，构建起从患者疾病筛查、复诊随诊、送药上门，院内到院外健康管理的完整闭环。

某全球大型电子消费品产品公司通过建立数据湖和开发高级分析功能，升级了数据底座，使其能够支持所有产品线和地区在线业务的快速增长。此举令企业高管能够同时获得28个市场的实时业务洞察，实现了从传统商业智能解决方案向敏捷架构解决方案的转型。

2.提升数据管理和治理水平

企业需要建立健全的数据治理体系和管理标准，方能将数据转化为战略资产。这一层面的工作包括：

数据治理：

塑造数据管理和治理的文化、职能、流程和权限。持续评估和更新数据治理定义，并以合规方式处理共享数据，确保数据的完整性。

元数据管理：

记录完善的业务和技术元数据，确保其可以随时应用于结构化和非结构化数据，实现企业整个数据流的无缝衔接。

数据准确性：

不准确、被操纵和片面的数据无疑会导致错误决策。企业应根据风险和背景定期审查和改进数据评估策略，实行严格的数据分类，并定期进行审查和改进。

一家营业额超过4,600亿元人民币的大宗商品供应链集团，通过引入主数据管理，建立主数据管理的数据标准、业务流程、组织机构和考核制度，基于统一主数据管理平台对客户和供应商、组织机构两类主数据先行建设，提高客商身份合规性管理水平以降低业务运营入口风险，加强组织机构主数据跨系统共享以提高人力资源管理和IT服务业务效率，为数据治理水平持续改进打好管理和技术基础。

3.数据即洞察，智能决策伴你行

数据启动型领军企业利用生成的分析洞察作为通向洞察驱动型企业的门户，将数据驱动型决策集成到业务功能中。这一维度包括：

分析战略：

分析当前的基础运营模式，基于企业未来愿景制定数据分析战略与目标，并确保为实现这一目标投入相应的工具和技术。

高级数据分析：

应用人工智能和机器学习算法等先进技术对数据进行规范分析，构建高级数据分析引擎。同时吸引和保留相关人才，以保持稳定的分析技能。

人机协作：

积极拥抱人机协作工作模式，例如使用统计的方法和人工智能技术构建模型，以进行预测、执行复杂分析和提供建议;抑或利用机器学习和计算机视觉等技术训练机器从模型中进行学习，从而能够智能执行任务。

新加坡樟宜机场利用数据解决了零售供应商对高质量服务和租赁空间日益增长的需求。通过将多个来源的零售供应商及客户信息加以整合分析，樟宜机场能够实时了解整个机场零售店的客流量，并凭借可信数据，从不同角度获悉零售店的客户行为和偏好，以此为客户业务团队提供深入洞察。

4.释放数据中的业务价值

数据驱动型企业确保其数据和分析战略的实施不断为企业带来业务收益并推动可持续的回报。具体工具包括：

数据驱动的业务模式：

货币化战略是许多数据驱动型领军企业的首要考量因素，他们以合规方式出售企业数据，或将数据作为增加盈利的关键杠杆。我们的研究发现，77%的领军企业正在整个企业范围内使用数据重构产品和服务。

数据驱动的绩效管理：

使用框架和技术平台实现超越企业边界的数据共享，利用分析工具和基础设施确保数据战略、业务优先级和成果始终保持一致，同时加强数据驱动型绩效管理，即通过培训员工访问正确的数据集和工具提升数据素养，制定基于数据的决策和实现创新。

数据价值追踪器：

制定框架与指标量化和衡量数据分析产生的有形和无形价值，持续追踪该数据计划和项目为企业带来的价值，并及时做出调整。

可口可乐公司设立了大约40个互联中心，这些中心使用数据挖掘工具来监控品牌在各大社交媒体平台上的影响力。通过密切的市场动向监控，可口可乐公司发现已于90年代末停产的Surge品牌如今仍有较大的市场需求，于是开展了“Surge品牌重返市场”活动，将这款人们眼中“最具90年代感”的苏打水饮料通过电商重新带回大众视野。

企业在挖掘数据价值的过程中遇到的最大障碍并非技术，而是企业文化和运营。这些挑战并非无法克服，通过制定明确的数据战略，创建基于云的智能数据、人工智能平台，打造适应时代的数据驱动的新型能力体系，企业将能够从海量数据中挖掘巨大价值，提升数据驱动成熟度，迈向可持续新发展。