如果每听到一个企业说属于“数据驱动”就能赚一美元，那么很快我可能就会变得很富有。
大多数的公司使用数据“埋头苦干”，很少关注或着手搭建数据策略或者数据文化，更不用提真正做到利用数据驱动决策或者推动业务。
在对决策者的一组调查数据中显示，三分之二的高管认为他们需要数据策略，却只有三分之一的人可以完成。
站在决策者的角度，他们已经在分析以及可视化工具上投入了不少资金，为什么还需要数据策略？
这就是问题所在。
仅在“器”的层面投入很容易孤立的看待各个业务数据点。
当然，制定的策略只适合自己的部门听上去很美好，但你的客户并不会如此，他们不会仅局限在某个部门的范围内进行互动。
举个简单的例子，销售团队的CRM中具有客户数据，客服团队那里具有与客户对话的数据资料。两者结合才有利于获得长期转化效益。
所以在“器”的基础上，制定适用于整体商业目标的策略，即“术”，才可以跳出单一数据点的局限，获得更长远的发展曲线。
反之，如果所追求的就是短期盈利主义，那么下面这些情况应该会很熟悉：
1.拥有大量数据，但是不同的团队都以自己的方式复制和保留相同的数据。
2.无法大致了解客户旅程，因为所需的数据存在于多种不同的工具中（彼此之间孤立）。
3.要求提供特定的数据点来支持自己已经拥有的想法，而不是先调查数据以做出决定。
简单的数据拼凑在早期可能会带来一些利好，但抛开光鲜外表来看，情况会变得越来越混乱，数据间存在的gap会暴露出没有对需求进行战略思考的后果。
那么需要怎么做？
步骤1：评估公司当前的数据处理方法
在规划数据策略的时候，有四个关键领域，可以以此设定问题进行评估：
1.战略与文化；
2.人员和技能；
3.技术和工具；
4.方法和过程。
步骤2：根据总体业务目标制定数据策略
如果公司设置了比较宽泛的目标，例如“以客户为中心”，则需要将其固定在可量化的范围内。
我一般首选的方法是OKR（目标，关键结果），这种目标设定结构会对下一步的编写数据需求也有所帮助。
列举一个OKR示例：
- 公司目标：客户喜欢我们的产品。
- 关键结果：到第三季度末，NPS（净促销值）得分提高到30。到今年年底，客户生命周期价值（LTV）增长15％。
- 产品团队的目标：建立客户所需的功能。
- 关键结果：到第三季度末，有65％的客户每周至少使用一次新产品功能。
- 产品经理目标：评估新功能构想。
- 关键结果：测试四个新功能构想，并确定客户使用最多的构想。
创建具有数据需求的目标树
目标树是一个向企业高管展示，数据如何与他们想要实现的业务价值联系在一起的文档。
根据公司，团队和个人三层级联的OKR框架，如果公司有30名以上的员工，则可以选择只降低团队级别的工作量。
为确保不会错过任何需求，请与各个团队成员交谈并在团队级别上加以总结。
添加数据需求
与相关团队一起研究每个目标和关键结果：
- 他们需要什么数据来实现和衡量所写内容？
- 哪些关键绩效指标将衡量其绩效？
需要清楚一点，不是需要出一版技术解决方案（例如，“我们需要一个API才能通过Intercom将网站数据与对讲机连接在一起”），而是说明需求（例如“我们需要在Intercom数据旁查看客户网站的行为数据”）。
至于如何做的问题应该是技术团队去领导。
写需求时要考虑的问题
1.需要什么数据来激发想法和假设？
假设目标是增加现有客户群的销售收入，而关键结果是在第二季度末从这些客户里额外转化50万美元。
其中一个需求可能是查看整个旅程中回头客的行为数据。从中可能会发现，尽管先前购买了商品，但购物车放弃率仍比较高。
为了进一步猜测提出假设，可能需要记录和整理特定客户退出页面的调查回复。此数据可能表明客户放弃结账的原因是他们正在寻找促销代码。
基于这些数据可以确定假设，如果在结帐时删除促销代码字段，则购物车的放弃将减少，现有客户的收入将增加。
2.需要什么数据来验证想法？
团队可以使用哪些策略来实现其目标？
继续上述的示例，可能需要通过向客户发布不同的网页版本进行A/B测试（带促销代码、原有版本）。
或者，也可以尝试放弃购物车触发的电子邮件，测量其打开率，点击率和转化率。
3.需要什么数据来报告关键结果？
在上述的示例中，需要显著的结果来确定是否可以依靠测试数据来做出决定。
此外，还需要查看不同版本中的用户（看到测试版，未看到测试版）购物车放弃率以及购买率分别是多少。
同时也将需要衡量测试所产生的额外收入。
实践中基于数据的业务决策
举个例子，某家电子商务公司因为无法持续跟踪LTV和平均订单价值，所以不确定订阅客户是否比一次性购买者更有价值。
这意味着虽然他们拥有这些数据，但因无法根据LTV细分用户，所以没办法采取有效的行动。
这就需要重塑跟踪策略。
根据调整后所收集的数据，验证实验以及根据数据做出正确的业务决策。例如专注于订阅模型还是一次性销售，产品提供的形式或者优化销售方式和消息传递。
步骤3：建立数据路线图以实施该策略
这需要与技术团队合作，以了解需要完成哪些工作以及如何完成交付所提出的要求。
理想情况下会希望以sprint的形式提供这些数据解决方案。这使企业能够：
1.尽早开始了解整体数据策略的价值；
2.解决计划或工作方法中的任何问题。
路线图应该包含比较详细的元素，例如在短期内（例如，为期三个月的窗口）“实施数据仓库”，并且随着时间的推移，活动变得越来越广泛/越来越模糊。
当团队交付路线图的要素时，可以评估已交付内容的效果，并在接下来的三个月计划活动中随时添加更多细节。
定义起点
基于企业数据成熟度的情况，与技术团队一起对目标树中的需求列表里的当前技术能力，工具库，技能和文化进行编写。
弄清楚路线图中的去向
了解起点之后，需要确定其余需求的优先级。以下是按重要性评分的五个因素：
1.数据安全和治理活动应贯穿整个路线图。遵守安全性或治理的特定活动应该是最高优先级。
2.最容易实现并离目标最近的前期工作。对所涉及的任何成本以及产生的业务价值进行权衡。查看现有的分析设置（通常，有未使用但具有需求及价值的数据）。
3.相关性。了解先发生什么，然后再发生什么（例如，在开始个性化之前检查数据的可靠性）。
4.考虑人员的可用性，并考虑可能与路线图冲突的其他内部项目。
5.考虑公司的预算流程。是否需要等到明年4月更新预算？
战略不仅仅是计划
列举一个模型来帮助说明路线图中的活动如何推动业务的数据成熟度：
1.后见之明：发生了什么事？
2.透视：为什么会发生？
3.前瞻性：我们如何实现它？
访问正确的数据有助于企业跨越这些层次，数据文化培养和教育亦是如此。比如在内部，要求团队提供基于数据的见解，而不是直觉，以加强对数据的正确使用。
也可以利用目标树，因为团队是依靠数据来确定和衡量其关键目标，这些可能成为他们绩效评估的一部分；如果不是，请考虑向人力资源团队建议这种做法，以激发预期中的数据使用行为。
人与技能
对个人进行有关如何使用数据做出决策的教育，是策略执行的关键点，而不仅仅停留在纸面说明上。
像Airbnb在内部创建了一个“数据大学”，其课程主要围绕其工具堆栈和业务案例。
这样做的结果就是，内部数据科学工具的每周活跃用户从30％上升到45％，并且500名员工至少参加了一堂课。
这并不是意味着也要做同样的事情，而是需要明白为路线图中的关键人员增加培训很重要，这确保了他们知道如何使用数据。
流程和方法
计划可能制定的很完美，但是需求会改变。比如一个新的社交媒体网络将变得很流行，突然之间，你就增加了一个需要考虑的新数据源。
所以在创建的策略中，需要设置内部流程以处理新的请求和后续的问题。例如，当团队购买新工具时，创建技术团队需要的清单，像开放的API或其他支持自动化数据导出/导入的方式。
结论
以上的步骤仅为参考，可以尝试去制定与业务目标明确相关的数据策略，从数据中获取更长远的商业价值。
原文：