融合貫通，打造企業級全協同數據團隊

數據協同拉通是企業數字化和智能化進程中的基石，不僅需要過硬的技術和平臺支持，更需要深入識別和解決團隊問題。企業通過打造一個深度融合、統一思路、全面協同和技術高效的數據團隊，才能把數據作為生產資料和新質生產力的突破力量

在數字化和智能化的今天，數據已然成為企業生產與運營中不可或缺的生產資料。然而，如何充分發揮數據作為企業爭優創先核心資產的作用，關鍵在于企業能否打造一個高效協同的數據團隊。

從數據管理到數據科學，再到數據工程和數據分析，企業級數據價值創造是一個系統性復雜問題，需要以場景為核心、以價值為導向，進行全面融合貫通，構建數據智能底座，從而實現全面協同和持續創新，打造從數據算力到業務價值的高效全鏈路。

企業級數據協同面臨6個挑戰

從企業數據生產加工過程來看，企業數據協同面臨以下6個挑戰，如圖1所示。

挑戰一：目標不一致。協同的基礎是有共同的目標，只有擁有共同的目標和利益，相關人員才能夠從內心認同協同。如果連目標都不一致，那么協同就成為一句空話，企業提供再好的工具平臺都是無效的。而現在很多部門的數據利用與生產是割裂的，各方分別有各自的KPI，并沒有形成統一的目標，導致缺少對齊目標的意識和行動。

挑戰二：缺少意識。目標的不一致帶來的直接后果，是很多企業未能樹立起數據協同的意識。業務部門認為數據是技術部門和數據部門的事情，與自己無關；應用開發團隊將數據團隊隔離在外，什么事情都喜歡自己搞定。這導致不同部門或團隊總會出現數據不一致等情況，究其原因是缺乏數據協同的意識。

挑戰三：缺少標準。當下很多企業在數據開發和利用上沒有統一的標準，包括數據協同處理的流程和規則、各個團隊之間的分工等方面。

挑戰四：缺少度量。很多企業尚未建立協同的標準，部門間數據協作的過程也都是線下自發的。沒有標準帶來采集不到協作過程中包括進度、狀態等關鍵指標的問題，進而導致無法可視化和度量每一個數據任務的狀態，比如該任務目前處于哪個環節、進度是否符合計劃等。

挑戰五：缺少平臺。與此同時，只有標準也是不夠的，必須要有工具和平臺來支撐標準的執行和落實，否則標準帶來的只是額外的管理工作量。但是目前大部分企業都缺少能把業務、技術和數據等三方相關內容和工作人員整合在一起、無縫銜接、無邊界協作的企業級數據協同平臺。

挑戰六：缺少運營。讓企業實現數據協同還需要運營。運營的主要任務包括運維（監控企業的各項數據協同狀況，及時發現問題，比如數據處理鏈異常、存儲空間不夠等）、調度（調度相關的資源來支持和保障各項數據協同任務能夠高效完成）、分析（通過分析相關的協同數據，發現數據協同過程的趨勢、風險以及待優化點）、引導（舉辦活動、制定機制，鼓勵和引導更有價值的數據協同生產）等。

當前，企業已經進入數據民主化的時代，如何能夠在全員皆是數據用戶的情況下做好數據協同，成為所有企業面臨的問題。如果這個問題解決不好，那么數據治理也會越來越難。而要解決這個問題，需從用戶的本質需求出發，搞清楚企業數據的用戶都有哪些、分成什么類型、不同的訴求是什么、會進行怎樣的協同。

不同企業數據團隊面臨不同的痛點

與數據產品生產關系最緊密的角色是數據團隊，它可以分為4類：數據管理團隊、業務團隊、數據分析團隊、數據工程團隊。不同的團隊面臨的痛點不一樣。

數據管理團隊的痛點

數據管理團隊肩負著統籌管理企業數據資產、挖掘和度量數據價值、保證數據產品和數據相關系統平臺穩定運行的職責。數據管理團隊面臨如下痛點：

數據資產統籌管理難。企業的數據資產越來越多，種類越來越復雜，并且越來越重要，如何全面、安全地統籌管理數據資產，既要讓所有人能夠便捷地訪問和利用數據資產，又要保證安全合規？這是數據管理團隊的首要需求，也是最大的痛點。

業務價值度量評價難。如何評價數據產品的價值，特別是那些不能直接銷售的數據產品的價值，是數據管理團隊面臨的第二個痛點。需要一種模式讓數據和數據產品的價值顯性化、具象化，讓業務用戶和企業管理者感受到。

數據管理工作煩瑣。數據團隊越來越龐大，且每天的工作任務都很多。那么，團隊的工作狀態如何，進度是否符合計劃，是否有風險，有什么困難和挑戰，是數據管理者需要關心的。數據管理者需要一個全景視圖，全面了解團隊的關鍵項目、任務執行情況，以及數據相關資產的利用情況和風險情況。

業務需求反饋協調慢。業務部門中，數據產品消費者對于數據產品的反饋如何？有什么問題？是否能及時解決？過去，這些反饋往往在事后以投訴的方式才能獲知。但事實上，數據的加工生產本身都是在線的，完全具備實時監控和溝通的條件。

業務團隊的痛點

數據已經成為業務團隊工作的必備方法和工具，但是大部分業務人員都不是技術或者數據相關專業出身，仍然需要借助數據分析和技術團隊來實現數據需求。但是企業的數據利用鏈路往往很難給業務團隊提供高響應的支撐，主要體現在以下5方面：

找不到數據。業務人員經常面臨的問題包括不知道公司有多少數據，不知道這些數據在哪里，想看數據卻不知道如何獲得，數據管理流程復雜冗長等。業務人員縱使有很多的業務需求和想法，還是會因為繁重而封閉的數據管理體系望而卻步，最終只能放棄。

缺少業務型分析工具。業務團隊雖然有很多的數據報表，也有專業的數據分析人員，但是很多時候針對個性化的需求，業務團隊也希望自己能夠直接快速地進行一些簡單的分析洞察。但是大部分企業缺少友好的業務型數據分析工具，導致很多企業超過50%的數據分析都是在Excel里進行的。

數據分析質量差。由于數據口徑、數據質量的問題，很多數據分析的結果不準確。業務團隊與數據團隊對同一個數據的理解不一致，又帶來巨大的溝通成本，并且導致數據描述不清晰、數據分析效果差。

數據開發響應慢。業務對數據的需求總是比較緊迫的，需要被快速響應，但是數據開發團隊的響應往往比應用開發團隊慢很多。這個問題的產生主要有兩個原因：一個是業務團隊與數據開發團隊對數據需求的理解很難對齊，需要多次嘗試驗證才能找到最終正確的數據；另一個是企業數據開發團隊的能力與應用開發團隊相比，尚不那么成熟，缺少標準、統一的工具和流程。

應用上線慢。數據應用的上線和業務應用不一樣。在上線之前，數據的接入、遷移、驗證、測試需要很長時間，接入數據越多的應用，上線過程越復雜。并且，數據應用的問題追溯比較困難，所以數據工程團隊一般很難提供明確的SLA（服務等級承諾）。

數據分析團隊的痛點

數據分析團隊現在成為很多企業里最熱門、但也是最辛苦、最有挑戰的團隊。在季度、年度結束的時候，數據分析團隊往往會接到大量需求，需要通宵達旦地工作，這是因為數據已經成為所有業務的生產要素，而數據分析團隊的產能是有限的，導致數據分析團隊超負荷工作。數據分析團隊的痛點如圖2所示，主要有以下5點：

重復數據需求。這是很多數據分析團隊最大的痛點。不同的業務團隊提出的需求很多都是重復的，甚至80%的需求都是已經分析過的。但是由于需求提出方不同、數據范圍不同、理解不一致，數據分析團隊就要對這些需求重新分析一遍；而且很多需求的時間要求并不像業務團隊在提需求時所說的那么緊迫，甚至不少數據分析的需求完成以后，其結果并沒有被使用。

數據定位難。業務團隊只能描述對數據的需求，但是不知道對應這些需求的數據從哪個系統中獲取，數據分析人員沒有參與系統的構建，也不知道數據在哪兒，往往需要通過多次交叉稽核、校驗才能確認數據來源。

數據獲取難。數據分散在不同的源系統中，系統對應部門不一樣，數據的存儲格式、結構標準也不一樣，導致獲取數據很困難。據統計，數據分析團隊超過50%的時間花在了獲取數據上，而真正花在分析數據、探索價值的時間卻相對較少。

數據產品管理難。業務部門對數據的需求很多都是重復的，但是作為支持性部門，數據分析團隊只能積極響應，導致最后開發的數據產品非常多，但是缺少體系化的管理。重復的、冗余的數據集和數據分析報表及視圖等都堆積在各個平臺中，越堆越多、越來越難以管理。

工具打通難。不同的數據分析人員所使用的數據分析工具不一樣，有使用傳統商業智能工具的，有使用Jupyter Notebook的，也有使用MATLAB的，多種數據工具分析的結果文件需要解析轉換，打通工具很困難。

數據工程團隊的痛點

數據工程團隊負責最終解決所有數據問題，但是大部分數據工程團隊都面臨多個痛點，如圖3所示：

不確定的數據源。數據工程團隊的工作對象和生產要素就是數據，但是目前企業的數據分散在不同的內外部系統中，其中很多都是遺留系統，缺少文檔、缺少標準、缺少對數據結構的描述記錄。于是這些數據缺少統一的規劃和管理，相互不聯通，使數據用戶像進入原始森林一樣迷茫。如何清晰地管理這些分散的、高度不確定的數據源是數據工程團隊的一大痛點。

重復數據需求。很多數據需求從源頭開始就是重復的，企業缺少全局的數據規劃，數據工程團隊只能以響應業務需求為第一要務，最終產生了一系列新的數據，而已有的數據利用率較低，并且使用多套指標體系，數據立方體相互矛盾，數據工程團隊難以對其進行維護和復用。

資產歸屬不清晰。企業的數據每天都在不斷增長，而數據資產的管理體系跟不上，導致數據資產的歸屬不明確，數據工程團隊在開發和維護數據資產的時候缺少標準。哪些數據應該從哪個部門去獲取，哪個部門擁有對這些數據的審核、修改的權限，這些問題經常導致數據工程團隊要花大量的時間去盤點和溝通。

監控運維困難。數據的問題一旦出現，就很難被定位和修復。一個不準確的數據，其背后可能是十幾年企業業務邏輯的變化，“數據血緣”難以梳理，數據工程團隊缺少文檔和知識的積累，對數據的運維非常困難。

新技術鴻溝。數據技術日新月異，各種工具層出不窮。對數據工程團隊來說，使用數據處理技術和工具是需要很高的學習成本的。不同的數據工程師，對數據處理技術和工具的選擇往往都不一樣，加工處理的過程和結果也就很難共享。建立一套經過驗證的、適合企業數據架構和特點的、標準化的數據技術體系，并提供給數據工程團隊使用，是數據工程團隊的迫切需求。

溝通低效。數據工程團隊負責最底層的數據工作，所有的數據需求最終都要由數據工程團隊來實現，所以數據工程團隊每天需要面對大量的需求提報、問題溝通。但是目前很多企業缺少有效的溝通工具，導致數據工程師們將大量的時間花在低效的溝通上，甚至可能出現雞同鴨講的情況，雙方講了半天，結果并不是在討論同一個問題，或者并不是在同一個數據集的基礎上進行溝通。

數據團隊能力全景圖

數據驅動的企業需要什么樣的數據能力？需要構建什么樣的數據團隊來打造這樣的能力？精益數據方法總結了典型的數據團隊能力全景圖，如圖4所示：

數據戰略能力

首先是要有數據戰略能力，數據團隊能夠根據企業的業務愿景和目標，結合企業的發展階段、業務技術現狀，制定出適合企業發展的數據戰略規劃，打造業務場景藍圖、數據資產藍圖和數字化技術藍圖，并且梳理出轉型路線。

企業的數據戰略能力主要由五大部分構成：第一是業務戰略的解碼能力，數據戰略必須服務于企業的業務戰略，所以數據團隊的首要能力是能夠理解和解讀業務戰略，然后制定與業務戰略對齊的數據戰略。第二是數據資產的管理能力，包括數據資產規劃、數據生態的構建、數據治理體系等。第三是業務價值場景的探索、挖掘和識別能力，能夠描繪出讓數據發揮價值的業務場景藍圖。第四是數據架構能力，選擇適合企業的技術棧和工具體系，搭建企業的數據技術架構。第五是組織文化建設能力，打造企業的數據人才培養體系、能力模型以及數據驅動的企業文化。

數據運營能力

在數字化的企業中，所有的業務和產品都會以數據的形式存在，并且會產生新的能返回企業的數據。數據驅動的企業要擁有卓越的數據運營能力，能對業務數據進行分析挖掘，并且基于數據制定和優化運營策略，采取業務動作，提升企業的敏捷性。

數據運營和運維是兩個概念，運營是讓業務獲得增長，運維是讓系統穩定、不出故障。數據運營是指通過數據來讓產品和服務持續地產生價值，并不斷優化產品和服務的能力，包括用戶運營、產品運營、渠道運營、活動運營、內容運營等。數據運營不僅服務于營銷，還支持客戶服務，有利于提升客戶滿意度等。

產品設計能力

從項目制到產品制的轉變體現了一個企業的敏捷程度。能否深度洞察市場和用戶的需求，設計出用戶需要的產品，不斷地優化迭代，提升用戶體驗，是企業數據資產對外呈現價值的核心能力。數據團隊要有數據產品經理、產品設計人員，他們往往具有很強的市場和用戶意識，能夠打造出有競爭力、能產生業務價值的數據產品，而不是一個僅能提供數據資源的產品。

數據分析能力

數據分析能力是利用統計分析、人工智能等技術和工具對數據進行分析，提取有用信息，幫助業務洞察，形成可靠結論的能力。數據分析包括描述性分析、探索性分析、驗證性分析、預測性分析等多種形式。企業需要構建強大的數據分析能力，來實現看現狀、看根因、看風險、看未來的“四看”效果。

數據科學能力

數據科學能力特指利用人工智能技術對數據進行挖掘、建模，最終輸出算法模型的能力。數據分析更多處理結構化數據，而數據科學面向的數據范圍更加寬泛，通常與多種類型的數據，且大部分是與非結構化數據打交道。在數字化時代，企業要重點建設以人工智能技術為核心的數據科學能力。

數據工程能力

數據工程能力包括兩類，一類是處理數據的能力，另一類是構建數據平臺和工具的能力。前者主要處理關系型數據，構建數據處理鏈、數據立方體等數據生產工作，后者主要利用軟件工程技術來構建大數據平臺，實現DataOps；前者需要對數據模型、SQL語言等非常熟悉，而后者需要對處理數據的技術和工具非常熟悉。

軟件工程能力

軟件工程能力是當今數據工程師的基礎能力。過去的數據從業人員以熟練使用SQL為主要工作技能。而現在，隨著非關系型數據庫、流計算、實時計算、消息隊列等多種數據工具和技術的發展，軟件工程能力成為數據工程師的基本技能。

企業數據團隊全景圖

數據團隊的能力是由不同的崗位構成的，企業典型的數據崗位可以用圖5所示的全景圖來描述。

按照生產資料、產出物的不同，可以將數據崗位分成兩類。一類是數據工程，側重對數據的開發和利用，最終的產出物也以數據為主。另一類是軟件工程，側重以生產數據為目標的軟件開發，主要工作是軟件編程，產出物以架構和代碼為主。從圖5可以看出，企業數據崗位從上往下貫穿了戰略層和執行層，越偏向執行層，企業的數據崗位需求越多，崗位人員也越多。

首席數據官

Gartner在2015年就預測，在2017年全球將有50%的公司設置首席數據官的崗位。到2024年的今天，國內很多企業已經開始設置首席數據官了，這充分說明了國內外企業對數據的重視。

首席數據官管理企業所有數據相關的工作，從而使企業從數據中獲得最大的業務價值和競爭力。簡而言之，首席數據官就是從數據中創造業務價值的高級管理人員。

不同于傳統的技術管理者，首席數據官首先是一個業務負責人，需要對數據產品產生的業務價值負責。數據的管理、團隊的設置、人員的培養、技術平臺和應用的構建等其他工作內容都服務于這個核心目標。

數據架構師

數據架構師是確認和評估企業對于數據生產和利用的需求，給出開發規范，搭建系統的核心構架，并澄清技術細節、掃清主要難點的資深技術人員。數據架構師是企業數據能力構建的中堅力量，是根據目標和需求設計數據系統的頂層架構，并且對技術方向和選型起到決定性作用的角色。

數據科學家

數據科學家是利用業務、技術和數據來幫助業務部門解決復雜問題的專家。數據科學家是一個綜合性非常強的角色，既需要具備非常強的業務理解、數據分析、技術實踐能力，又需要有很深的研究背景和工作資歷。數據科學家是數據團隊的技術領袖。

數據科學家是一個技能交叉的綜合性崗位，需要同時具備業務領域、軟件和數據、數學和統計的綜合技能。

數據產品經理

數據產品經理是充分利用數據來解決某一類問題，或者為某一類用戶提供服務的產品負責人。從能力模型上講，數據產品經理具有數據認知、數據分析能力。這個角色在傳統數據團隊中非常缺少、需要快速補充。數據產品經理要有非常強的同理心和敏銳的用戶洞察力，從而能夠從數據中發現用戶的痛點、需求，再利用數據去設計并開發對用戶有價值的產品。

數據業務分析師

在數據團隊必不可少懂數據的業務分析師，也就是數據業務分析師，簡單來說，就是具備數據素養和技能的業務分析師。

數據運營工程師

數據運營工程師負責在數據平臺和數據產品上線后利用數據洞察業務的狀況，制定對應的用戶運營、產品運營、內容運營的策略，采取相應的行動讓業務達成既定目標。

數據庫工程師

數據庫工程師特指對關系型數據庫進行管理、維護和開發的工程師，類似于數據庫管理員，數據庫工程師的主要技能是掌握SQL語言和主流數據庫軟件工具。

數據分析師

數據分析師可以將原始數據通過處理和分析轉化為輔助業務決策的信息或產品。

數據平臺工程師

數據平臺工程師是指構建數據工具和平臺的軟件工程師。和數據工程師不同在于，數據平臺工程師的工作輸出物是數據平臺本身，所以技能上更偏構建，主要的工作是實現數據平臺或工具，提供數據處理功能或生產數據產品。

數據可視化工程師

數據可視化工程師是近年來數據崗位細分產生的一個方向。數據可視化工程師會根據業務的需要，將數據分析的結果以可視化的方式設計并實現出來，是一個綜合性的角色，最終目標是利用數據講好業務故事。數據可視化工程師需要關注儀表盤、報表的可擴展性、美觀性和功能性，需要具備一定的設計、數據工程、軟件工程能力，以及精通各種行業工具。

DataOps工程師

DataOps工程師和傳統的運維工程師不一樣。DataOps工程師的核心工作是從企業整體的角度出發，設計、開發和維護數據管道，從而更有效地支持企業的數據開發和生產。

機器學習工程師

機器學習工程師是最近幾年機器學習技術逐漸成熟后出現的新崗位，機器學習工程師首先確定要解決的問題，然后對數據進行探索，利用機器學習算法訓練數據，生成算法模型，解決業務問題。

數據測試工程師

數據測試工程師又稱數據質量分析工程師。該角色會執行數據測試，與數據庫開發人員合作，優化數據收集和存儲過程，并準備數據測試報告，提高數據的準確性和完整性，提升數據產品質量。

綜上來看，數據協同拉通是企業數字化和智能化進程中的基石，它不僅僅需要過硬的技術和平臺支持，更需要深入識別和解決團隊問題。企業的數據、業務、技術團隊要實現深度拉通，通過打造一個深度融合、統一思路、全面協同和技術高效的數據團隊，企業才能把數據作為生產資料和新質生產力的突破力量最大化。

（作者系中國特色數字化轉型方法論創始人。暢銷書《精益數據方法論——數據驅動的數字化轉型》唯一作者，中國計算機學會數字化轉型與企業架構SIG主席、數字產業創新研究中心副主席、公眾號“凱哥講數字化”作者，為企業提供數字化轉型咨詢培訓輔導教練服務。）