如何衡量公司的数据成熟度Data Maturity？

如今，大多数组织都在努力提高数据的使用率，利用数据来提高团队能力、为员工创造更多价值是很简单的（不需要在技术上投入大量资金，也不需要招聘大量新技术人员）。第一步是知道你今天在迈向人工智能成熟的过程中所处的位置——这是《Data to AI Playbook》中向你展示的第一个工具。

我们看一下从数据到人工智能成熟之旅的五个阶段。

第一阶段：Manual data processing

我们经常听到销售管理人员讲述他们对人工数据处理的不满。销售人员会创建自己的电子表格跟踪器，以了解客户的动态，以及基于销售业绩的佣金或奖金是如何形成的——这是个对他们来说特别重要的数据点。这些销售人员也在计算业绩数据，以便与他们的现场销售经理分享。

经理提取数据并分析销售代表的表现，他们还需要创建整个现场团队业绩的图片，所以必须运行不同的报告（现场销售团队无法访问），汇总信息，然后创建PowerPoint演示文稿发送给他们的区域经理。

区域经理也在做同样的事情。他们查看各个地区的表现，手动创建整个地区的数据和可视化总结，然后发送给国家领导人。以此类推，一直到公司的高层。

每个人创建一个特有的文档，这种手工方法缺乏一致性，导致大量时间浪费在如何达到具体数字和验证准确性上，而不是理解数据试图告诉我们什么。

第二阶段：Death by dashboards

通过向链中的每个个体注入更多的数据，通常可以解决数据共享的挑战。BI（商业智能）是企业中最常被误用的工具之一。

不幸的是，现在组织中的每个人都需要成为分析师才能理解他们的世界中发生了什么。这通常会促进公司创建影子IT和数据团队（本地团队成员创建工具来回答他们的团队在整个数据和IT责任链之外的许多特定问题）。

还有神奇的“dashboards”。最初的设想是为了提供一个组织中正在发生的事情的简化视图（想想你车上的仪表板，上面只有不到五个数据点），仪表板迅速成为每一个项目的倾倒场，类似于航天飞机的驾驶舱，有数百个刻度盘、读数器和闪烁的灯。我们看到了用户导航的网站仪表盘，或者创建了100多个页面的PowerPoints，涵盖讨论中可能出现的每个问题和场景。

手工数据处理和神奇的仪表板都掩盖了这个阶段的核心问题：多个不一致的真相来源。相同的答案存在于不同的系统中，每个部分在不同的地方寻找答案。数据的副本在处理过程中被散布开来，报告作者就会得到最容易获取的信息，因为只有关键人物才知道在哪里以及如何获得真相。

这将我们带回关于报告中的数据来自何处的争论，因为用于生成答案的业务逻辑并不明显。

第三阶段：Data tells a story

随着组织的数字化发展，数据开始向他们的团队讲述故事。这通常是从了解不同职位的员工完成工作实际需要哪些信息开始的。这种情况简化了数据讨论，并将业务和IT结成合作伙伴关系，为这些员工提供服务。

关注员工职位级别还揭示了回答最有价值的问题（我们的销售业绩是什么？为什么？）需要查看和组合来自当前跨组织使用的多个系统的数据。为了防止给团队带来更多的信息过载，必须将汇总的数据精简为能够回答手头的问题所需的内容。

这种简化的、以职位为中心的方法可以将数据转化为员工可浏览的答案，在一个屏幕上提供他们需要的一切，可以直接了解发生了什么，并据此做出更好的决定。而且，他们不用浪费时间点击无数的报告、工具和仪表板来显示所需的数据，并手动将它们混合在一起。

成功地实现以职位为中心的数据需要IT和业务之间的密切协调，以理解需求，并在正确的时间提供正确的答案。例如，了解不同职位的交叉位置（即销售人员和现场销售经理）并确保有工具支持这些互动是很重要的。这些工作直接影响了数据链上下的一致性，并确保交互的人面前有相同的信息，而不管每个职位的特定工具是什么。

第四阶段：Intelligence emerges

随着数据智能的出现，公司开始看到真实的业务成果。随着员工学习这些工具、提高对数据的理解并变得更加轻松，工作效率开始逐渐提高。警报和异常的设置变得越来越复杂，员工应该会感觉到更多主动信息的支持。然而，即使你的数据提供了更多相关信息，良好的跨功能开发团队仍然是至关重要的。

在成熟阶段，个性化的客户体验可以成为现实。你的数据已经足够成熟，可以更好地识别个人需求，并为员工提供必要的工具，以提高客户服务水平。这并不是说要建立更多的呼叫中心规则和流程，只是意味着你可以更密切地衡量特别的客户，员工也可以做出相应的反应。

你的团队可能会开始与客户和供应商员工共享更多数据，因为你的信息现在更加可靠了。根据我们的经验，你的公司中从未与客户交谈过的人将开始这样做，并自然而然的希望能分享有价值的信息。

如果你确实发现员工正在分享更多的信息，请确保你的数据治理流程有效地工作。例如，为与客户和供应商共享数据制定可行的指导方针。主要包括需要共享什么数据、易于理解的限制以及如何共享数据。

在这个阶段，局限于少数关键用户（在阶段2中描述）的限制、传统的数据访问应该消失了，员工可以在需要时访问数据，可以自由地对数据进行调查，从而得出新颖的解决方案。

最后，随着数据成熟度的提高，改进后的业务结果应该更加有形和可测量。虽然你可能刚刚开始机器学习和其他人工智能应用，但你的员工已经从你的数据中获得了巨大的价值。你的公司所积累的价值应该是很高的——足够让你暂停机器学习工作，而直接从团队的辛勤工作中获益。

第五阶段：Transformed organization

无论你在网上读到什么，这个阶段很少有公司在运作。无论现在这个阶段多么令人向往，它仍然是大多数企业的目标。在这个阶段，机器学习已经成熟，你的数据也很清晰，你的团队也拥有广泛的数据科学技能。

你的员工使用数据帮彼此和客户工作。他们受限制性规则和审批层级的约束较少，有更多的权力使用数据来“做正确的事情”。

机器学习正在自动化低价值、重复性的工作，员工能够专注于高价值的活动，特别是异常处理。他们使用算法对有竞争力的定价、服务、产品盈利能力、预测等进行更深入的分析。事实上，你的新数据驱动市场观正在改变游戏规则。

我们认为，这一阶段最困难的管理问题是使用算法来创建可能会影响员工职位的新商业模式的压力。虽然这会威胁到员工，但有得必有失，改变哪有那么容易呢。团队中的一些人可能变成了多余的，不仅仅是因为那些被淘汰的低价值工作，而是因为如何定价、开发产品以及如何与其他人、供应商和客户互动。这些算法将如何支持你的团队工作，从而能够接受新的挑战，这将是成功的关键，而不仅仅只是为了摆脱现在的流程而已。

下一步是什么？

确定你的公司在数据到人工智能成熟度曲线中所处的位置，对于制定计划来推进你的数据使用来说至关重要。一旦你知道自己的位置，就可以开始采取行动。我们的《Data to AI Playbook》以后将涵盖在成熟阶段之间取得进展所需的内容，并让你的数据成熟之旅继续向前推进。

原文作者：Alex Bratton
翻译作者：过儿
美工编辑：过儿
校对审稿：Dongdong
原文链接：https://towardsdatascience.com/how-to-measure-your-organizations-data-maturity-2352cbaf1896