第1章
概述

1.1 引言

如今，相比于有形资产（如土地、机器设备、库存和现金）而言，无形资产（不具有物质性质的资产，包括数据、品牌和知识产权等）的重要性迅速上升。2018年，标普500指数中的无形资产价值达到21万亿美元，占据了所有企业价值的84%。相比于1975年的17%，这是一个巨大的增长（Ali，2020）。总体来说，随着5G、人工智能、机器人、物联网（IoT）、量子计算机、数据分析、区块链等技术的普及，越来越多的企业正在研究和开发并最大化保护无形资产，特别是数据资产价值，因为所有数字技术都是以数据为基础的。

在此背景下，数据作为一种重要的无形资产，被认为是关键的商业资源，因为它可以使组织的生产力最大化。在市值排名前五的公司中，有四家是数据公司（Investopedia，2022）。加拿大丰业银行（Scotiabank）的首席执行官Brain Porter在2019年表示，“我们从事的是数据和技术业务。我们的产品恰好是银行业务，但主要是通过数据和技术来提供”（Berman，2016）。AIG和Hamilton Insurance Group宣布成立合资公司Attune，这是一个利用数据和人工智能（AI）来简化业务流程、缩短获得保险的时间并减少成本的技术平台。油田服务公司Schlumburger利用模拟器和传感器中捕获的钻井遥测数据来提高油井钻探性能。数据已经成为提高企业业务绩效的关键驱动力，更是改善企业业务绩效的关键因素，高质量的数据可以增加企业收入、降低成本和降低风险。

数据经济生态系统，即利用数据促进业务绩效的生态系统，越来越受到全球认可。Netflix、Facebook、Google和Uber等公司利用数据获得了独特的竞争优势。谷歌研究总监彼得·诺维格（Peter Norvig）曾表示，“我们没有比其他公司更好的算法，我们只是拥有更多的数据”（Cleland，2011）。到2021年，谷歌市值已经超过了墨西哥或沙特阿拉伯的国内生产总值。以数据为驱动力的公司表现出更好的业务绩效，麻省理工学院的一份报告称，数据利用率高且数字化成熟的企业比同行企业利润高出26%（MIT，2013）。麦肯锡全球研究所的研究发现，以数据为驱动力的组织获取客户的可能性是普通组织的23倍，保留客户的可能性是普通组织的6倍，并且盈利能力是其他公司的19倍（Bokman等，2014）。Forrester的研究发现，利用数据进行决策的公司实现两位数增长的可能性是其他公司的3倍（Eveslon，2020）。在大规模应用大数据后，美国保险委员会协会（NAIC）表示保险服务的获取率提高了30%，成本节约了40%～70%，麦肯锡公司的一项研究表明，在石油和天然气公司中有效实施数据分析，可以在几个月内产生相当于投资额30～50倍的回报（McKinsey，2017）。

然而，大多数公司都面临将数据转化为业务绩效增长的挑战，这主要是由于缺乏高质量的数据。根据精品数据管理公司Experian Data Quality的说法，不准确的数据影响了88%的组织，影响收入高达12%（Levy，2015）。麦肯锡公司指出，平均每个用户每天要花费2小时来查找正确的数据（Probstein，2019）。《哈佛商业评论》发表的一份报告称，在企业中只有3%的数据符合质量标准（Nagle等，2017）；而IBM和卡内基梅隆大学联合进行的一项研究发现，公司中有超过90%的数据处于未被使用的状态。

1.2 数据、数据分析、人工智能和业务绩效

数据是企业利用人工智能（AI）进行数据分析，以及最终改善业务绩效的基础。这里的AI指的是机器模拟人类智能，包括认知过程，尤其是计算机系统。它所依据的原则是，可以用一种方式定义人类智力，使得机器可以轻松地模仿它并做出决策，从而执行简单或复杂的任务。如今，各种应用中都在广泛使用AI技术，但复杂程度各不相同，从奈飞（Netflix）的推荐算法到Alexa的聊天机器人，再到自动驾驶汽车、欺诈预防、个性化购物等方面。

利用人工智能和数据分析算法可获取数据并寻找有用的模式来查看未来状态以促进决策或预测。换句话说，从数据中识别模式和做出决策是人工智能的基础。要使这些模式和决策可靠，应具有高质量数据。人工智能在业务中非常重要，因为它可以让企业深入了解其运营情况。

在某些情况下，人工智能甚至可以比人类更擅长执行任务，特别是当涉及重复性和基于规则的任务时。就业务绩效而言，人工智能和数据分析支持三类广泛而基本的业务需求：自动化业务流程、通过数据获得对业务绩效的洞察和与利益相关者（包括客户、员工、供应商以及其他合作伙伴）进行互动。总之，成功的人工智能依赖于模式，而从分析中得出的模式则依赖于高质量的数据。

1.3 数据作为业务资产或负债

虽然数据可以成为有价值的业务资产，提供有形的业务绩效，但它也存在一些重要的限制，如果管理不当，则可能会变成巨大的负债（Southekal，2021）。有以下四种常见情况：

（1）缺乏明确的业务目的而收集数据，导致数据量巨大，最终增加数据管理的复杂性和成本。根据德勤公司在2018年发布的报告，公司的平均IT支出占总收入的3.3%，并将以平均每年增加49%的趋势上涨。导致如此高速增长的IT支出的一个重要原因，是巨量数据的处理。此外，如果采集的数据没有确定的用途，就会一直被闲置。Forrester曾发现，公司中高达73%的数据从未被严格使用；而IBM和卡内基梅隆大学的研究显示，一个组织中90%的数据是未使用的数据或“暗数据”（Southekal，2020）。

（2）存储、安全保障和处理数据需要消耗大量能源，从而增加企业的碳排放。这使得投资者对于ESG（Environment，Social，and Governance，即环境、社会和治理）承诺的兴趣日益增长，而对数据的投资不再感兴趣。据报道，2018年全球所有电力消耗中约1%用于运行数据中心。根据瑞典研究员Anders Andrae的预估，在2025年之前，全球所有碳排放量中3.2%将由数据中心贡献，消耗了全球电力的20%（Southekal，2020）。

（3）拥有大量数据的组织往往更会吸引网络犯罪分子。过去几年中发生的许多网络犯罪和数据泄露事件，都与拥有大型数据库的组织有关。这些网络犯罪分子并不在乎数据是否为“暗数据”，他们会获取所有能够获取的数据。在2017年遭受数据泄露后，Equifax花费了14亿美元来改善他们的技术基础设施。

（4）管理数据还需要考虑遵守隐私合规性成本。正如《财富》杂志所指出的那样，在剑桥分析公司的数据丑闻后，Facebook市值损失了350亿美元。此外，该丑闻还导致剑桥分析公司永久关闭。虽然数据是剑桥分析公司获得成功和收入增长的原因，但同样的数据也导致了它的崩溃和最终倒闭。

数据是一种有价值的资源，并且具有成为企业宝贵资产的潜力。然而，仅仅采集和存储数据并不能使数据成为有价值的资产，也不能使企业成为数据驱动型企业。只有在有意识地采集和精心管理，将高质量的数据用于业务运营时，数据才是企业的资产。如果没有妥善地管理数据，则可能会导致巨大负债，从而威胁企业的生存。

1.4 数据治理、数据管理和数据质量

前面的章节讨论了数据管理对增强业务能力的重要性。但什么是数据管理？它与数据治理有什么关系？在实现高质量数据的过程中，数据治理、数据管理和数据质量在实施过程中需要相互结合才能带来数据的最大价值。

（1）数据管理涵盖了组织必须采取的原则、实践、程序、系统和流程，以保证数据在从创建到清除的整个生命周期中得到有效运营和管理。数据管理根据组织的数据战略，可实现安全高效地收集、保留和使用数据。Gartner指出，数据管理包括实践、架构技术和工具，旨在实现在企业中对各种数据主题和数据结构类型的一致性访问和交付，以满足所有应用程序和业务流程的数据消费需求（Gartner，2022）。

（2）数据治理是数据管理的子领域。当企业拥有数据并对其进行管理时，数据治理才能发挥作用。数据治理包括组织架构、数据所有者、制度、规则、流程、业务术语，以及整个生命周期中所涉及的度量标准等。数据生命周期包括收集、存储、使用、保护归档与删除，将在第5章中详细介绍。数据治理在实现和维持高质量数据方面的作用，将在第10章中详细讨论。

（3）那么，数据治理活动的成功标准是什么？答案是为业务提供高质量的数据。从根本上讲，如果数据满足使用要求，它就可以被认为是高质量的数据，这在运营合规性和决策制定方面非常重要（Southekal，2017）。

通过数据管理和数据治理的协同来努力提高数据质量是必要的。例如，公司的业务战略和数据战略可能会宣布：高质量产品来自产品数据及相关生产过程。为了实现这个目标，通过数据管理可确保产品数据属性的完整性并消除不准确性和重复性，还可将多个IT系统和电子表格中的产品数据属性集成到一个统一的视图中等。在这方面，公司需要确定如何管理对产品数据有影响的相关IT系统，并致力实现高质量的产品数据。

要实现高质量的产品数据，需要数据治理团队和领导层的协作努力。数据管理有助于确保产品主数据的可用性，而数据治理团队要与相关业务利益相关者合作，定义优质产品数据的标准；IT团队将帮助实施统一产品视图的数据集成程序；数据安全团队则关注数据共享和访问控制机制等方面。总体而言，数据治理团队制定业务规则以维护和管理高质量数据的状态。如果缺乏数据管理和数据治理团队的支撑，组织无法信任其所拥有的数据，因此也无法保证其数据质量。业务愿景和战略驱动数据管理，而数据管理推动数据治理，最终通过高质量数据来提升业务绩效。图1.1显示了数据管理、数据治理和数据质量之间的关系。

1.5 领导层对数据质量的承诺

今天，大多数业务部门领导都理解数据质量在推动业务方面的作用和重要性。但是他们通常更关注其他业务的优先事项，因此只有在业务部门支持的情况下，数据质量举措才能有效实施。例如，为什么首席营收官（CRO）应该花时间改善销售数据质量，而不是致力于培训销售团队、预测和跟踪销售，设定销售目标以及与潜在客户和增加销售相关的更多问题？同样，为什么首席财务官（CFO）应该担心数据质量，而不是花时间审查公司的财务表现？对于业务领导而言，为什么应该关注数据质量而不是将时间和精力集中在其他核心业务举措上？数据质量对提高业务绩效有何影响呢？从根本上说，每个企业实体都有三个主要目标：

· 推动营收和利润增长。

· 减少运营开支（OPEX和CAPEX）以及销售商品成本（COGS）。

· 缓解风险并保护业务。

让我们首先了解高质量数据如何实现业务增长，也就是如何提高收入。

（1）一份由CGT（消费品技术）发布的报告称，当数据和数据分析在企业内被广泛应用时，可以实现5%～10%的收入增长和最多6%的EBITDA利润率增长（CGT，2021）。根据麦肯锡公司的评估，使用数据驱动的B2B销售增长引擎的公司报告超过市场平均水平的增长，并且EBITDA利润率在15%～25%之间增加（Böringer，2022）。基本上，高质量数据对实现业务增长至关重要。

（2）研究表明，人工智能和大数据技术相结合可以使近80%的物理或手动工作自动化（Forbes，2021）。根据“大数据用例2015年-实现数据货币化”的一份报告显示，40%的利用数据进行决策的企业可以更好地理解消费者行为（52%）、更好地做出战略决策（69%）以及降低成本（47%）。此外，报告还称，这些企业的成本平均降低了10%（Tableau，2019）。

（3）没有高质量数据，公司不仅会错过数据驱动业务发展的机遇，还会浪费资源和人力。根据麦肯锡2019年全球数字化转型调查，由于数据质量不高和可用性差，导致企业有平均29%的时间花在非增值任务上（McKinsey，2020b），如图1.2所示。

除增加收入和降低成本外，数据在保护业务免受风险方面也发挥着巨大作用。随着企业越来越多地收集消费者相关的行为数据，监管机构需要更深入地了解行业中可以使用哪些数据、如何使用这些数据，以及保险公司是否能使用这些数据。这意味着保有数据也存在风险，并且遵守法规要求对于经营业务至关重要。据报道，2014年，Home Depot因一次数据泄露事件向信用卡公司和银行支付了至少1.345亿美元。零售巨头亚马逊2021年的财务记录显示，因违反《通用数据保护条例》（GDPR）而被卢森堡官员罚款8.77亿美元（Hill，2022）。同时，监管合规性不仅涉及隐私数据，还适用于涉及生命和环境的各种类型的数据。例如，总部位于加拿大阿尔伯塔省的石油公司Nexen在2015年7月泄漏了超过31500桶原油后，阿尔伯塔省能源监管机构（AER）下令立即暂停发给Nexen的15个管道许可证，原因是缺乏维护数据记录。这意味着每个企业领导者都需要知道如何根据运营和法规要求收集、存储和保护数据，以保持业务经营的连续性。只有高质量的数据，才能帮助企业避免此类业务风险。

总之，低质量的数据会对业务绩效的许多方面产生不利影响，包括错失机遇、增加支出、损害运营、增加风险和导致糟糕的决策。因此，确保高质量数据不仅是IT或数据团队的责任，也是每个人在企业中的首要任务。只有确保高质量的数据，企业才有可能在竞争激烈的市场中生存和发展，并提高客户满意度和把握业务成功的机会。

1.6 关键要点

那么，我们从这一章中学到了什么？以下是一些关键要点：

（1）数据对整个业务价值链具有重要作用。尽管每家企业都可能成为数据驱动型的企业，但是很多企业一直受到低质量数据的困扰，影响了业务绩效。

（2）由于数据分析和人工智能会对业务绩效产生深远影响，所以企业必须拥有高质量的数据。

（3）数据管理、数据治理和数据质量既是独立的也需要共同协作。高质量的数据是数据治理和数据管理最佳实践的成果。

（4）提高数据质量应该成为所有企业的首要任务。数据质量管理是一项企业责任。高质量的数据会推动业务收入和利润的增长、降低运营开支（OPEX）和销售商品成本（COGS），并减少风险。

1.7 结论

今天，仅仅获取和存储数据并不能使数据成为有价值的企业资产，也不能使企业变成数据驱动型企业。只有当数据被有意识地获取和精心管理，使高质量的数据可以用来运行和维持业务时，它才是一种企业资产。如果数据不能被妥善管理，就可能会成为一个巨大的负债，威胁企业生存。妥善的数据管理和治理实践能够产生高质量数据，并用于人工智能和数据分析。这些高质量的数据将为人工智能和分析解决方案提供动力，显著改善业务绩效，包括增加收入、降低开支和降低风险。 HHLpL0R9OV9irzgOaQ1i46QEVLfUWITu4keHkcLKnp29w78gfqaLQ9RVepvd35rk

参考文献