作者：Bill Schmarzo
编译：Grace
组织在管理和治理数据方面的投资与其在数据货币化方面的投资之间存在明显的不匹配。组织已经在企业、社交和移动系统上投入了大量资金来获取、管理、治理客户和运营数据，但缺乏将这些数据货币化的统一业务战略（见图1）。
图1：数据采集与数据货币化策略的严重不匹配
之所以存在这种不匹配，是因为大多数组织缺乏一个关键角色——首席数据货币化官(CDMO)——负责指导数据和分析的开发，采用以业务成果为中心的方法来获取客户、产品和运营价值的新资源。
如果我们真的相信数据是新的“石油”——意思是数据将成为21世纪经济增长的催化剂，那么我们需要花更少的时间和投资来管理和治理数据，并大幅增加使数据货币化的时间和投资。
重新定义数据治理/数据管理实践
当今的数据治理和数据管理实践必须被重新定义，以支持组织的业务需求并最终支持组织的数据货币化战略。数据货币化实践必须：
`建立关于数据和分析资产经济潜力的令人信服的愿景，以推动组织的数字化转型。
`教育高管、企业股东和战略客户如何“像数据科学家一样思考”，去判断数据和分析可以在何处并通过何种方式提供实质性商业价值。
`在与股东合作的过程中应用设计思维和价值工程概念，以识别、验证、评估、优先处理组织的高价值用例，这些用例将推动组织的数据和分析开发路线图演进。
`支持数据科学团队“设计”可再次使用、持续学习和适应的分析资产，以支持组织的高优先级用例。
`开发一种分析文化，将AI/ML模型与人类的协作协同起来，在客户参与和运营执行方面为团队提供支持。
CDMO需要拥有数据货币化实践；了解组织的预期业务和运营成果，然后创建一个务实、可操作的迭代计划，以提供必要的数据和分析输出（参见图2）。
图2：定义数据货币化角色
数据货币化实践必须将组织从仅创建数据和分析输出转变为提供业务和运营成果，从而提供有意义且可衡量的业务价值。
以下是CDMO可以使用的一些工具，以支持组织的数据货币化实践。
（1）数据湖3.0：协同价值创造平台
如果寻求利用数据的独特特性——资产永不枯竭、永不磨损，并且可以在无限数量的用例中以零边际成本使用——那么必须消除阻碍数据经济乘数效应的数据孤岛。我们可以通过将组织的数据湖转变为“协同价值创造”平台来释放数据经济乘数效应，该平台支持组织数据和分析资产的捕获、共享、重用和持续改进（见图3）。
图3：数据湖3.0：协同价值创造平台
注意：数据经济乘数效应推动了在无限数量的用例中以接近零的边际成本共享、重用和优化组织数据资产的能力。
（2）可再次使用、持续学习和适应的分析模块
一定不要做孤立的分析。我已经多次写过关于孤立分析的挑战，ML模型是为一次性业务或运营需求而构建的，但从未“设计”用于共享、重用和持续改进。孤立的分析是数据和分析经济价值的巨大破坏者，因为它们阻碍了组织构建分析资产的能力，这些资产随着使用次数的增加而升值而不是贬值（参见图4）。
图4：工程可再次使用、持续学习和适应分析模块
可以为组织最常见的分析需求（即异常检测、行动倾向、剩余使用寿命、操作员效率）创建可再次使用、持续学习和适应的分析模块，然后可以链接在一起（使用Docker容器和Kubernetes）来解决更高价值的业务和运营用例，例如减少运营停机时间、提高准时交付率、减少库存和提高客户保留率。
（3）数据科学价值工程框架
如果组织的数据货币化治理工作的目标是获取客户、产品和运营价值的新资源，那么这些工作必须首先关注对组织而言重要的事情；也就是说，组织在未来12到18个月内最重要的业务计划是什么，以及数据和分析如何帮助确保这些计划取得成功。
价值工程框架指导业务数据科学协作，以识别、验证、评估和优先考虑组织需要解决的关键业务和运营用例，以支持目标业务计划（参见图5）。
图5：价值工程框架
数据科学价值工程流程提供了一种简单却有效的方法来利用数据和分析的经济价值；推动商业和数据科学的合作，以应用数据和分析来提高运营和业务效率。
（4）假设开发和服务设计画布
设计思维为推动跨组织协作和协调以支持组织的数据货币化工作提供了宝贵的工具。尤其是两个基于数据科学的设计模板——假设开发画布和服务设计画布——对于确保组织的数据货币化工作专注于提供有意义的业务和运营结果非常宝贵（见图6）。
图6：基于数据科学的设计模板
这些设计工具有助于识别、验证、评估组织最重要的业务和运营用例，以及支持数据和分析需求的优先级。
数据（治理）货币化实践总结
现代数据（治理）货币化实践必须寻求推动跨组织的共同创造，以发现、编纂和运营新的客户、产品和运营价值来源。这意味着要掌握四个基本概念：
·基本原则一：确定价值创造的来源
利用设计思维和经济学来识别、验证、评估和优先考虑客户、产品和运营价值的来源。
·基本原则二：编纂价值创造的来源
使用AI/ML发现客户、产品和运营洞察（倾向）并将其编码为可重复、持续学习和适应的分析配置文件和分析模块。
·基本原则三：实现价值创造的来源
通过将客户、产品和运营洞察嵌入到组织的运营系统中，创建持续学习的反馈循环。
·基本原则四：数据（货币化）治理。
创建数据货币化治理条例，优化AI/ML模型与人类的协作，来学习和适应每个客户的参与或运营交互
数据货币化实践需要花更少的时间考虑数据管理和数据治理，而将更多时间花在考虑数据货币化治理上。这是确保您的组织共享、重用和不断完善数据和分析的独特经济特征以获取客户、产品和运营价值的新资源。
最后一点，治理要成功，需要落到实地。治理必须包括对合规的奖励（例如，资源、投资、预算和管理人员的关注）以及对不合规的惩罚（例如，扣留甚至收回资源、投资、预算和管理人员的关注）。如果治理实践依赖于哄骗和乞求他人遵守，那么这场治理实践就已经失败了。
