下载掌阅APP，畅读海量书库
立即打开
企业数据应用成熟度评估，主要是通过企业数据对业务的支撑程度来评估企业应用数据的能力。基于笔者数十年数据领域从业经验以及多个客户的服务实践总结，根据数据对业务支撑的深入程度，数据应用能力可以总结为统计分析、决策支撑、数据驱动、运营优化四个阶段，并且这四个阶段是逐步深入、逐步全面的，如图3-1所示。
图3-1 数据应用成熟度的4个阶段
企业数据应用成熟度评估模型，从企业战略、数据形态、数据应用场景、数据应用工具、组织架构等5个方面的多个特征维度出发，把企业数据应用成熟度划分为统计分析、决策支持、数据驱动、运营优化4个阶段。依据这个划分标准，企业可以进行数据应用成熟度的自我评估。数据应用能力成熟度越高，则代表数据对业务的支撑能力越强；反之，数据应用能力成熟度越低，则意味着业务对数据的依赖程度越低。
微软公司在1989年发布了SQL Server 1.0，UNIX服务器和x86服务器在20世纪90年代逐渐普及，以及IBM、Oracle等解决方案供应商进入市场，使得数据库的建设成本和技术门槛大幅下降，越来越多的企业逐渐迈进IT信息化。在这样的时代背景下，日本著名汽车制造商丰田所推崇的精益生产和持续优化的理念通过信息系统得以施展：通过MRP（Material Requirement Planning，物资需求计划）、ERP（Enterprise Resource Planning，企业资源计划）系统的建设将原来线下生产线中的看板转移到信息化系统中。利用信息化系统记录生产流程中订单、采购、生产、存货、物流、销售各个过程中的每一个细小环节的信息，并从需求拉动的角度对各个过程中的数据分别进行统计分析，利用分析结果指导流程进行持续优化，从而提升企业的生产管理水平，最终使企业取得了巨大成功。
在以丰田为代表的企业成功案例的带动下，越来越多的企业开始尝试利用信息系统来进行流程管理和经营优化，因此，MRP、ERP、CRM（Customer Rela-tionship Management，客户关系管理）、OA（Office Automation，办公自动化）等企业管理系统的建设成为21世纪初企业信息化建设中的一股热潮。
当企业寄希望于通过各类信息系统来提升管理水平时，它往往不会只建一个业务系统，而是会建设多个不同的信息系统以覆盖企业的不同业务环节，利用这些系统将业务开展情况通过数据保留下来。为了让管理人员和业务人员能够了解到业务的整体运行情况，很多企业增加了业务数据分析师岗位，他们的主要职责是在了解业务和管理要求的前提下，通过工具将底层存放在数据库中的原始数据变成一份份图表或者报告，从而实现从数据视角展现当前企业在经营过程中取得的成绩和存在的问题。这个阶段的分析其实还只是停留在对过去业务结果的统计，形成了面向特定业务主题的客观事实描述和分析结果，但由于数据维度有限而且停留于历史数据，因此对企业基于数据的经营决策支撑有限。
总体而言，该阶段主要以业务需求为导向，通过IT系统的建设实现业务过程的系统化。在这个过程中，通过业务系统沉淀有限的业务数据记录，并没有以数据为导向积累数据，而主要通过对单一维度的少量数据的统计分析进行业务总结。
统计分析阶段主要有以下5个特征。
该阶段的企业战略纯粹以业务为导向，以满足企业业务需求为主，实现业务过程的系统化、在线化。
该阶段的企业有少量的业务数据积累，但没有以数据为导向积累数据，数据主要以业务系统依托的关系型数据库进行存储，数据无组织，各业务数据分散存储和管理，数据维度单一，尚未开始理解全业务链条背后各个环节的数据，无数据质量管控。
该阶段的数据应用场景只针对业务系统中的关键数据和指标进行简单的统计分析与管理，辅助业务总结，基于业务目标的数据统计（如周报、月报等）都需要定制化开发。
该阶段业务报表主要基于各个业务系统嵌入式报表模块产出，或系统数据导出后通过Excel制作报表，模式相对单一。通过一些统计分析，可以了解系统的一些基本使用情况和经营指标。
该阶段的企业无专门的数据相关部门，主要依赖IT部门的数据库运维管理员和业务部门的数据分析师。需要数据相关的能力时，一般使用系统中定制的统计报表或者由特定业务部门提供的Excel报表。
随着信息化的进一步发展，企业的管理者们意识到，如果对数据的应用仅停留在单系统、少数维度的统计分析上，那么数据只能用于辅助企业了解业务运转情况，并没有发挥出其应有的价值。企业不满足于这种状况，希望能通过数据为业务决策提供支撑。因此，企业对数据的需求从单一系统的统计分析逐渐向更全面、更多维、更贴合业务管理决策的方向转变。
但是面对来自不同业务系统的数据，这些数据的口径、规范往往都存在不一致的情况，应该用哪一个数据才符合业务的需要？在面对这类问题时，企业希望由专业的团队使用专业的工具来对企业数据进行统一的规范定义，形成一套能够反映整个企业业务运转情况的指标体系，并通过该指标体系实现对整个企业运转情况的了解和对管理决策的支撑。沿着这个思路，很多企业专门成立了商业智能部门或者数据仓库部门，将业务或者管理人员提出的指标需求转化成开发人员能够理解的文档，并开始了BI工具、经营决策管理系统和数据大屏等工具与系统的建设。将大量复杂的原始数据抽象为简单、好理解的业务指标，以体系化、可视化的方式直接呈现在决策者面前，为其决策提供数据支撑。
该阶段主要是企业在业务系统建设的基础上，基于业务目标有意识地进行数据的收集、整合、管理、分析，通过企业数据仓库建设和BI等数据的可视化呈现，为企业业务提供决策支撑。
决策支撑阶段具有以下5个特征。
该阶段，企业开始形成通过数据支撑经营决策的思路，并在考虑通过数据可视化的方式实现数据与业务的融合，以解决业务问题和支撑管理决策。
企业开始注重业务过程中的数据积累，开始对各业务环节的数据进行汇聚、管理，数据维度逐渐丰富。以面向业务主题的指标体系为形式进行数据组织，开始注重数据质量的管控，实施数据质量控制。
该阶段的数据应用场景开始基于数据仓库进行各业务主题的数据收集、整合、管理、分析，为企业管理人员提供决策支持，构建包括领导驾驶舱、企业运行指数、企业第四张报表等场景应用。
开始针对数据收集和管理建立数据仓库、数据开发工具与专业可视化工具，进行系统化数据收集、管理和分析。
开始出现数据分析师岗位，可能会设立专门的数据挖掘或商业智能部门来支撑企业进行数据化决策。
在统计分析阶段和决策支撑阶段，业务的运转和数据依然是割裂的。企业对数据的应用都还停留在对业务数据进行分析得到分析结果，再由人工利用分析结果对业务开展进行不同程度的干预来实现业务优化，其最主要的使用群体是管理者。随着企业业务数据的不断丰富，加上大数据相关技术的成熟，企业对数据如何更直接地支撑业务进行了进一步探索。在应对海量原始业务数据无法直接被业务使用的问题时，企业根据业务需要自建大数据团队以提升数据处理与使用能力，进行汇聚、清洗、建模、挖掘等工作，并使从数据中挖掘出的价值服务于业务，从而让数据驱动业务变得更精准、更有效。
最为典型的应用场景就是面向个体用户进行千人千面的精准营销推广：企业首先根据需求收集精准营销所需要的数据，打通所有相关数据，然后利用算法能力完成对个体用户偏好的挖掘，并利用营销系统将不同的营销信息触达拥有不同偏好的用户，从而使不同用户都能得到更适合自己的个性化服务内容。就像一些新闻App一样，当它发现你喜欢某一类新闻时，它就会不断地推送这类信息，吸引你不停地看，从而提升App的使用时长。
该阶段主要是企业在大数据背景下，开始基于海量数据的积累，利用大数据和人工智能等技术进行数据的深度挖掘与分析，通过对多源、异构的全域数据的汇聚和打通，跨界考虑数据价值的应用，通过数据驱动业务发展，为业务应用提供数据服务，实现业务与数据的深度融合。
数据驱动阶段具有以下5个特征。
迈进DT时代，企业开始将数据作为企业的重要资产和生产资料。企业通过大数据技术对企业相关数据进行汇聚、打通和分析挖掘，为业务应用提供数据服务，通过数据驱动业务发展。
业务数据积累具备一定规模，具备对结构化数据、非结构化数据进行处理与应用的基础支撑。数据在组织形式上开始对业务涉及的相关数据进行汇聚、打通，开始根据需求进行数据清洗加工和标准化处理。
该阶段的数据应用场景以满足业务需求为主，主要是用数据提升现有业务能力，进行智能化升级。与上一个阶段数据主要服务于管理层不同，从该阶段开始，数据的应用开始从管理层逐步转向具体的业务，业务人员开始认识到数据的价值，并将业务和数据融合。业务人员利用算法进行深入挖掘和分析，实现数据与业务的深度融合，为业务优化提供数据支撑。最为典型的应用场景有个性化推荐、风控、精准营销等。
在该阶段，企业开始通过以Hadoop/Spark生态体系为代表的批计算、流计算、即席计算、在线计算等大数据处理技术及机器学习、深度学习算法进行数据汇聚和开发，并最终为现有的业务场景赋能，以驱动业务升级。
在该阶段，企业开始设立业务部门的数据团队，为业务场景的需求提供数据能力的支撑；一般会设置大数据工程师、算法工程师、数据科学家等职位，尝试通过大数据、人工智能等技术进行业务创新。
数据驱动阶段，在特定的场景下，数据已经与业务紧密结合，数据在业务运转过程中直接产生价值。但是，由于数据应用都是独立建设的，并没有从全局考虑，数据的应用还是由各个业务部门的资源情况而定，资源多的业务部门可以很好地使用数据，而资源少的部门可能根本没有能力使用数据。另外，经常会出现数据内容重复建设，各业务部门的数据无法融合以产生更大价值的情况。因此，企业开始考虑从全企业视角进行数据能力的输出，有些企业把这个定义为企业数据资产建设，以数据来驱动企业转型。
这个过程涉及汇聚各类企业数据资产、消除物理孤岛，通过Mapping能力将数据进行融合、消除逻辑孤岛，构建企业统一的数据资产并进行数据治理，使数据资产符合生产要求，通过数据服务化的能力快速服务于业务。同时，过程中会针对数据资产的使用和内容进行运营优化，以使企业数据资产越用越有价值，真正成为企业的核心资产。
企业完成数据资产建设后，需要保障数据资产在日常生产过程中真实、稳定、准确、可用和高效，以实现数据资产价值最大化。而实现这一目标之前，企业首先要满足以下5个条件：
第一，能够追溯数据资产的形成过程，包括涵盖了哪些数据来源，经过了怎样的加工环节，涉及哪些业务环节和部门等；
第二，能及时获取到数据资产当前的状态，尤其是数据质量和安全情况，如更新频率、合规性、空值率等；
第三，能够知道数据资产被哪些业务调用了，以通过建立数据闭环了解和追溯数据资产所带来的业务价值；
第四，能够对整个数据中台从数据采集到数据应用的整个链路建立监控体系，便于及时发现和排除故障，保障数据资产的稳定性；
第五，建立丰富的数据内外部共享和服务渠道，实现数据价值的释放和交换。
上述5个条件是企业进行数据资产运营及持续迭代优化的支撑。部分企业已经开始通过数据资产管理工具及数据资产视图的建设来满足上述条件，并从组织架构层面成立单独的数据资产管理委员会来统筹数据资产的管理工作，包括牵头制定数据资产的管理政策，拟定数据资产运营规则并监督各部门执行，同时负责整个数据资产平台的运营、组织和协调工作，从而最终实现数据资产在企业内外部高效、稳定地流转并持续为业务带来价值。
该阶段主要是企业在大数据和人工智能等相关技术的基础之上，逐步优化，构建一套完善的、体系化的数据处理服务流程，建立一套源源不断地把数据变成资产并服务于业务、持续让数据用起来的机制，构建数据应用闭环，通过运营优化持续发挥数据业务价值。
运营优化阶段具有以下5个特征。
在该阶段，企业开始建设数据中台。数据中台的定位是为企业提供数据能力支撑，在DT时代对企业进行智能化升级。企业注重数据资源使用的合理性和效率，并通过对数据资产及服务的不断运营，建立从数据资产化到资产业务化的可持续数据应用的高效闭环，为企业源源不断地输出数据智能的能力。
在该阶段，企业数据伴随数据驱动的业务快速发展，数据量快速增长，通过建立企业体系化和标准化的数据采集、存储、打通、应用流程，实现了企业数据的全面资产化。在数据质量方面，通过建立体系化的数据汇聚、加工及应用流程，并逐渐通过运营手段完善数据管理制度和规范，保障数据资产的高效输出和循环落地机制，形成数据资产管理闭环。
在该阶段，数据应用通过统一的数据资产体系，提供统一、标准化的数据服务能力，为企业各类快速变化的业务应用提供数据服务支撑，包括原有业务的优化以及业务创新。其服务可以通过数据中台自助式完成，缩短企业数据到业务的路径。
在该阶段，企业在数据应用工具方面除了通过API或可视化的形态服务于业务场景之外，开始为企业数据资产的运营和管理者提供专业化的数据资产管理工具，以便对数据资产进行统一管理和维护，并通过构建数据运营指标对数据的价值、质量、安全和标准建设情况进行度量，为数据治理、奖惩考核等机制提供相应的能力支撑，真正形成一套持续让数据用起来的机制。
在该阶段，企业开始在管理层设置数据管理委员会、CDO等来负责数据机制的建设和管理，以为未来数据智能驱动的企业战略升级提供支撑，将数据变成企业的一种独特资产。同时也会成立专门的数据资产运营部门，一方面保障数据资产应用的合理性和效率，另一方面构建企业数据资产对内和对外服务的通道，将更多的数据服务消费者引入平台当中。
最后要补充说明的是，当前业内对于数据应用成熟度并没有统一的评估标准，以上阶段划分和评估依据是笔者根据多年数据领域从业经验的总结，各个企业可以根据评估方法去适配自己的企业现状，方法是通用的。