
大数据爆炸下的冷思考 企业该如何抉择
随着组织决策越来越多地采用数据驱动,高层管理人员需要保证决策权是数据驱动的。这就解释了为什么如此多的组织已经采用数据治理的战略。
大数据爆炸下的冷思考企业该如何抉择?
如今,越来越多的企业难以解决经营原则的两个矛盾。一方面,他们迫切寻求更大的灵活性;另一方面,他们希望用其流程规范企业利益相关者。这种冲突和不安导致对城传统的“集权/分权”的辩论。企业和客户需要更大的灵活性,而员工和合作伙伴期望更大的权力。因此,企业希望二者兼顾,并达到平衡。
这其中包括更多的人,但通常会增加协调成本和响应时间。而这几乎矛盾的是,更大的企业的灵活性需要更大的反应能力和提高协调能力。涉及的利益相关者越多,决定延迟的可能性越大。但有效的灵活性往往需要具有包容性的利益相关者的参与。
换句话说,更多的人希望更频繁地作出更灵活的决策,这种情况会让客户疯狂。例如在一家财富1000强公司,该公司的几个客户支持小组之间爆发了“口水战”,技术设计组急于回应用客户的投诉,同样迫切地避免临时性修复。却没有一个小组可以有效解决问题,而他们的职能重叠迅速成为冲突来源而不是努力合作。这种情况并不少见。
那些数字网络化企业,例如Slacked,Chattered,Skyped,Google公司等加剧了紧张局势和痛点:更多的利益相关者可以即时访问和共享可操作的信息。其技术有助于提高整个企业生态系统的透明度和知名度,大大提高实时态势感知能力。但是,管理和运作能力可能不会对这些数据驱动的信息采取行动。
到目前为止,处理这些紧张局势最好的和最有效的途径是25年前迈克尔•詹森在决策权的开创性工作。简单地说,决策权要明确决策的权力和责任。决策权是关于如何组织“决定如何判断”谁有权作出决定,并把它看成是对企业决策的治理模式。
詹森的微妙和精彩观点是,做出决定的权利,不仅仅是执行或负责任务的能力,而且对提高组织效率和有效性至关重要。因此,分配决策权是每一个组织重要的工作角色和任务的定义。有鉴于此,决策权可以应该被视为权力的管理机制。你或你的团队的决定权越大,则会赋予更多的权力和责任。
该RACI框架为詹森的决策权办法提供了一个很好的真实世界的实例:
负责:谁在完成任务?
问责:是谁在做决定,并对任务采取行动?
咨询:谁将做有关决定和任务传达?
知情:谁将在在项目/流程中的决策和行动进行更新?
这些问题是简单的,相对容易映射。也就是说,在一个RACI审查中发现有关个人和团队连接数字应该是简单的。越来越多的企业采用RACI(或某些变体)来创建审计问责的网络项目和过程管理。
这些网络同时成为具有包容性和灵活性的平台。想要咨询或通知的个人和团队可以选择网络;反之,当问责或负责经理需要更敏捷地响应客户的需求时,他们可以利用工作网络提供“及时”的回应。映射这些网络为利益相关者和高层管理人员创造了可视性和清晰性。为他们进入企业的决策层次结构提供了必要的窗口和镜头。
然而具有讽刺意味的是,增长最快的应用决策权上强调数字化、数据和分析。而有权访问、处理和共享数据已成为企业中最伟大的机会和争夺的来源。这种结构的转变远远超出了詹森25年前最初的设想和描述,因为大数据的兴起及其相关的分析,改变了围绕决策权的争论。
围绕数据的决策权越来越多地需要决策权的数据。换句话说,如果你的组织已经准备好进入过程,并分享10倍到100倍以上的数据,那么你的现有决策机制的权利是完全过时了。任何机智的品牌经理策划当天的营销活动,而没有纳入社会媒体分析的能力?但品牌管理者需要数据科学家和分析工具的计算能力,并从该数据获得更大的价值。因此决策权是必要的,以确定和界定品牌管理和数据管理的协作方式。
大数据爆炸完全重新定义了决策权和RACI讨论。一些公司历来注重新产品的设计和开发工作,但随着移动应用的兴起,该公司的创新重点转移远离建设更好的产品,而是促进更好的用户体验。UX需要不同的产品数据和分析问责;用户体验的重点是不同的团队和个人需要咨询和告知。从本质上讲,用户体验驱动的数据和分析平衡了灵活性和包容性之间的决策权的关系。
企业的人员和流程围绕UX决策权的技术实施,其结果证明了效果惊人。该公司通过各种形式的社交媒体和使用情况的监测获得10倍以上可用的反馈信息,并在三个月内开发出更好的版本,而不是以往的一年时间,并加大了产品开发力度,目前开发成本是原来产品开发成本的一半。
随着组织决策越来越多地采用数据驱动,高层管理人员需要保证决策权是数据驱动的。这就解释了为什么如此多的组织已经采用数据治理的战略。而相反,更多的传统IT治理,旨在为IT系统管理创造更大的问责性,在数据治理过程中人们认识到,数据是任务资产管理的关键。
如何数据得到共享(包容)?组织如何有效地利用这些数据(灵活性)?这些数据治理问题的答案将在数据驱动的决策权的创新应用中发现。数据治理的未来影响决策权的未来,而决策权的未来决定数据治理的未来。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09