2024-06-09-麻省理工科技评论_Thoughtworks-2024倡导将数据战略与企业目标紧密结合研究报告_23页_4mb

数据战略与数据现代化规划不匹配总体商业战略，或过度聚焦人工智能，会导致大量商业价值付之东流。尽管技术发展，企业在获取和转化数据资产方面仍面临巨大挑战。本报告基于全球调查发现，数据战略需与业务战略完全协调一致，忽视这一点将导致资源浪费。71%开始数据现代化的企业在实施前已制定数据战略，显示战略先行的重要性。

为应对挑战，企业正普遍采用现代化数据工程实践，如成立跨职能数据团队、实施DataOps，以及云技术应用。超过五成企业计划未来两年进行数据现代化。数据质量是首要痛点，41%高管认为数据不达标亟需改进，解决方案主要集中在加强数据治理、自动化治理策略和标准化操作上。

数据战略的有效性还体现在其与人工智能战略的协同。近四成受访者认为人工智能是数据现代化的主要驱动力，尤其是在企业级应用中。尽管存在监管合规、安全及成本（40%受访者提及）等障碍，云计算的灵活部署和FinOps成本管理方法正在缓解这些问题。在金融、能源等行业，监管限制尤为明显。

组织变革是数据现代化的关键。48%的企业已授权跨职能数据团队执行标准，53%小型企业认可领域驱动型结构的价值，这体现了数据思维与软件工程实践的融合。埃克森美孚和Payback公司通过云转型、数据即产品理念和FinOps方法，成功降低了数据孤岛的影响，展示了可扩展性、治理与应用间的战略平衡。

结论指出，数据战略应不受限于技术性，而是与企业总体目标紧密结合，数据即产品作为现代范式值得推广。跨职能协作、元数据透明与领域驱动架构是实现价值的关键路径。整体而言，成功的数据现代化不仅需要技术投资，还需企业文化、治理结构及战略协同的整合创新。

专家经验原则

1. 正确看待人工智能目标：强调整体数据价值，使高质量数据能满足多业务系统及技术需求。
2. 数据战略需配套业务：仅技术导向会浪费资源，数据团队应与业务部门沟通，确保战略一致。
3. 显示早期价值与敏捷转型：通过小切片交付展示收益，为长期规划提供支持。
4. 数据治理与组织变革并行：优先解决质量、时效性、人才等瓶颈，再推进架构调整。
5. 推广现代工程方法：通过跨职能团队、数据即产品与DataOps融合提升估值。
6. 结构与文化的变革：领域驱动架构同时需打破部门壁垒，增强协作与民主化。
7. 合规与成本敏感：审查云服务成本机制及行业监管限制，平衡可扩展性与安全性。
8. 融合式学习：借鉴行业标准与最佳案例，建立可持续增速的数据治理框架。

本报告提供了数据战略制定与实施的一系列经验，对于寻求数字化转型的企业具有重要参考价值。