
大数据爆炸下的冷思考 企业该如何抉择
随着组织决策越来越多地采用数据驱动,高层管理人员需要保证决策权是数据驱动的。这就解释了为什么如此多的组织已经采用数据治理的战略。
大数据爆炸下的冷思考企业该如何抉择?
如今,越来越多的企业难以解决经营原则的两个矛盾。一方面,他们迫切寻求更大的灵活性;另一方面,他们希望用其流程规范企业利益相关者。这种冲突和不安导致对城传统的“集权/分权”的辩论。企业和客户需要更大的灵活性,而员工和合作伙伴期望更大的权力。因此,企业希望二者兼顾,并达到平衡。
这其中包括更多的人,但通常会增加协调成本和响应时间。而这几乎矛盾的是,更大的企业的灵活性需要更大的反应能力和提高协调能力。涉及的利益相关者越多,决定延迟的可能性越大。但有效的灵活性往往需要具有包容性的利益相关者的参与。
换句话说,更多的人希望更频繁地作出更灵活的决策,这种情况会让客户疯狂。例如在一家财富1000强公司,该公司的几个客户支持小组之间爆发了“口水战”,技术设计组急于回应用客户的投诉,同样迫切地避免临时性修复。却没有一个小组可以有效解决问题,而他们的职能重叠迅速成为冲突来源而不是努力合作。这种情况并不少见。
那些数字网络化企业,例如Slacked,Chattered,Skyped,Google公司等加剧了紧张局势和痛点:更多的利益相关者可以即时访问和共享可操作的信息。其技术有助于提高整个企业生态系统的透明度和知名度,大大提高实时态势感知能力。但是,管理和运作能力可能不会对这些数据驱动的信息采取行动。
到目前为止,处理这些紧张局势最好的和最有效的途径是25年前迈克尔•詹森在决策权的开创性工作。简单地说,决策权要明确决策的权力和责任。决策权是关于如何组织“决定如何判断”谁有权作出决定,并把它看成是对企业决策的治理模式。
詹森的微妙和精彩观点是,做出决定的权利,不仅仅是执行或负责任务的能力,而且对提高组织效率和有效性至关重要。因此,分配决策权是每一个组织重要的工作角色和任务的定义。有鉴于此,决策权可以应该被视为权力的管理机制。你或你的团队的决定权越大,则会赋予更多的权力和责任。
该RACI框架为詹森的决策权办法提供了一个很好的真实世界的实例:
负责:谁在完成任务?
问责:是谁在做决定,并对任务采取行动?
咨询:谁将做有关决定和任务传达?
知情:谁将在在项目/流程中的决策和行动进行更新?
这些问题是简单的,相对容易映射。也就是说,在一个RACI审查中发现有关个人和团队连接数字应该是简单的。越来越多的企业采用RACI(或某些变体)来创建审计问责的网络项目和过程管理。
这些网络同时成为具有包容性和灵活性的平台。想要咨询或通知的个人和团队可以选择网络;反之,当问责或负责经理需要更敏捷地响应客户的需求时,他们可以利用工作网络提供“及时”的回应。映射这些网络为利益相关者和高层管理人员创造了可视性和清晰性。为他们进入企业的决策层次结构提供了必要的窗口和镜头。
然而具有讽刺意味的是,增长最快的应用决策权上强调数字化、数据和分析。而有权访问、处理和共享数据已成为企业中最伟大的机会和争夺的来源。这种结构的转变远远超出了詹森25年前最初的设想和描述,因为大数据的兴起及其相关的分析,改变了围绕决策权的争论。
围绕数据的决策权越来越多地需要决策权的数据。换句话说,如果你的组织已经准备好进入过程,并分享10倍到100倍以上的数据,那么你的现有决策机制的权利是完全过时了。任何机智的品牌经理策划当天的营销活动,而没有纳入社会媒体分析的能力?但品牌管理者需要数据科学家和分析工具的计算能力,并从该数据获得更大的价值。因此决策权是必要的,以确定和界定品牌管理和数据管理的协作方式。
大数据爆炸完全重新定义了决策权和RACI讨论。一些公司历来注重新产品的设计和开发工作,但随着移动应用的兴起,该公司的创新重点转移远离建设更好的产品,而是促进更好的用户体验。UX需要不同的产品数据和分析问责;用户体验的重点是不同的团队和个人需要咨询和告知。从本质上讲,用户体验驱动的数据和分析平衡了灵活性和包容性之间的决策权的关系。
企业的人员和流程围绕UX决策权的技术实施,其结果证明了效果惊人。该公司通过各种形式的社交媒体和使用情况的监测获得10倍以上可用的反馈信息,并在三个月内开发出更好的版本,而不是以往的一年时间,并加大了产品开发力度,目前开发成本是原来产品开发成本的一半。
随着组织决策越来越多地采用数据驱动,高层管理人员需要保证决策权是数据驱动的。这就解释了为什么如此多的组织已经采用数据治理的战略。而相反,更多的传统IT治理,旨在为IT系统管理创造更大的问责性,在数据治理过程中人们认识到,数据是任务资产管理的关键。
如何数据得到共享(包容)?组织如何有效地利用这些数据(灵活性)?这些数据治理问题的答案将在数据驱动的决策权的创新应用中发现。数据治理的未来影响决策权的未来,而决策权的未来决定数据治理的未来。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10