|
序言 今天似乎每个人都在谈论数据素养。美国的数据素养是他们的首要任务，许多组织也把它作为他们迫切的需要之一。调查发现，只有24%的企业决策者对自己处理数据的能力有信心，而只有不到三分之一的高管被视为精通数据。最近的调研发现，只有20%的组织有数据素养项目，但68%的组织认为数据素养对财务绩效有显著影响。所有企业管理者都意识到提高数据素养显然是非常必要的。问题在于意识之后会发生什么。从哪里开始，又如何提高数据素养? 01 第一章 如何建立数据素养项目 本章将讨论这些问题:从哪里开始以及如何提高数据素养?首先，我们要承认这是一项艰巨的任务。对于数据驱动的组织来说，数据素养是成功的基础，而需要的数据素养能力不是随随便便就能达到的。您将需要一个数据素养程序——正式的、计划的、执行的和度量的。此外，您还需要一个程序来处理数据素养的三个维度——人、知识和文化。首先，需要就数据素养的定义达成一致。定义是目标设置、计划、执行和度量的先决条件。 一、什么是数据素养 数据素养是理解、发现意义、解释和使用数据交流的能力。正如语言素养是一组用文字进行交流和传达的知识和技能，数据素养也包含一组类似的用数据进行交流和传达的知识和技能。 数据素养既是一种个人技能，也是一种组织技能。具有数据素养的个人能够理解、解释和应用数据，以履行其特定工作角色的沟通职责。一个精通数据的组织有能力使用数据进行沟通、协作和创新。 二、员工和数据素养 由于与数据相关的工作角色的多样性，数据素养显然不是一套适用于所有人的知识和技能。然而，为每一种工作角色来定义、发展和衡量数字能力是不切实际的。 出于数据素养项目规划和管理的目的，它致力于解决两个不同群体的数据素养问题。我们把这些人称为数据分析师和数据策略师。但还是让这些标签随意地应用吧;它们是角色，而不是职位头衔。在数据分析师组中，包括任何角色包括分析数据职责的人。这可能是一名全职数据科学家，一名分析活动响应的营销经理，或者几乎任何参与自助分析的人。在数据战略家小组中，包括执行和领导角色、负责设定方向、获得资金、建立政策并推动计划用数据创造价值。 数据分析师。如今，几乎所有业务人员都以业务分析师和数据分析师的角色工作，这是他们日常活动的一部分。数据素养是成功进行数据和业务分析的一组基本技能。数据素养往往决定了理解与误解、沟通与误解之间的区别。通过尝试和错误进行数据读写是一种高风险的方法，错误的代价可能非常高。一名有数据素养的数据分析师应该拥有以下方面的知识和技能: ■数据和数据库基础； ■数据治理和元数据职责； ■数据集成、数据仓库和数据湖的概念； ■BI和分析基础知识； ■数据检索和数据评估； ■数据准备过程和技术； ■数据分析和数据可视化。 数据策略师。在寻求数据驱动的过程中，业务主管和领导者扮演着关键角色。成为一个数据驱动型组织更多地依赖于人、过程和文化，而不是技术。他们创建数据远景，定义和交流数据策略，塑造数据文化。这些角色数据素养不仅与数据的交流很重要，对数据的交流也很重要。有数据素养的数据策略师应具备以下数据知识和技能: ■价值创造； ■风险管理； ■治理实践和过程； ■文化和数据共享； ■角色和职责； ■流程和技术； ■从报告到数据科学的应用； ■数据分析和数据可视化。 数据素养计划的目标是确保每个小组中的每个人都具备履行职责所需的知识和技能，并且整个组织都具备使用数据进行沟通、协作和创新所需的所有技能。 三、建立数据素养程序 构建数据素养计划是一项复杂的工作，包括许多开发人员和构建知识的活动，以及创建数据素养文化的更多活动。下图说明了这些活动及其关系。 数据素养项目是一项跨职能的工作，至少涉及数据分析师、数据战略家、数据总监、数据培训老师和人力资源管理。培训和知识活动的重点是分析评估和填补知识差距。文化活动旨在将数据素养融入到日常工作活动中——数据素养作为工作描述的一部分，数据素养在治理实践中等等。个人素养评估被聚合在一起，以得出组织的度量标准，从而为面向文化的活动提供参考。 以上是对数据素养项目的范围和活动的初步介绍。乍一看，它似乎令人生畏，但不要害怕。这是解决数据素养迫切需求的一种务实的方式，而且应该随着时间的推移逐步提高和发展数据素养。图中有很多东西需要更深入的解释。接下来讨论的主题有: ■数据素养知识体系； ■数据素养评估和学习资源； ■测量、监视和管理数据能力。 02 第二章 数据素养知识体系 上一章中描述了数据素养项目的性质和重要性，并介绍了构建该项目的过程。评估和规划是这一过程的核心活动，即对个人和组织的数据素养水平进行评估，并规划以填补通过评估确定的知识差距。一个全面的数据素养知识体系是评估、差距分析和制定学习计划的基础。 常见的误解将数据素养等同于理解和创建图表和图形的能力，将这一概念限制为数据读写能力，因为它适用于数据可视化。完整的数据素养包括理解、发现意义、解释和与数据沟通的所有技能。一个完全了解数据的人对数据来自何处、如何处理数据、如何组织数据、如何管理数据以及如何使用数据有一定的了解。这里需要强调的是，有一种倾向认为知识主体的主题是专门化的知识，其中每个领域面向数据涉众的特定子集。不要落入这个陷阱。 每个处理数据的人都需要理解至少在一定程度上理解所有的主题。数据消费者需要了解什么构成了数据管理，以及为什么有必要进行数据管理。同样，数据管理人员需要了解数据使用者的活动、需求和兴趣。如果没有足够的知识在管理和使用数据方面进行协作，就没有人能真正掌握数据。没有协作，组织才是真正的数据素养。一个完全了解数据的组织具有如何管理、组织、巩固、治理、准备、分析和从数据中获得价值的实用知识。下图提供了数据素养知识体系的概述，涵盖了从基本数据概念到应用分析的主题。 让我们来看看数据素养的五个主要领域，以及为什么它们都是数据素养学科的重要组成部分。 一、数据基础和数据库 1.数据基础知识 理解数据的基础知识是所有与数据素养相关的事物的基础。区分数据和信息，识别许多不同类型的数据是重要的第一步。了解数据的来源和组织方式，然后理解数据内容是熟练使用数据的关键。 2.数据库基本原理 数据库是一组以电子方式存储、访问和处理的数据的集合。一个常见的数据库误解是将数据库管理系统等同于数据库的倾向——例如，将Microsoft SQL Server称为数据库。SQL Server是数据库管理系统或DBMS;一套用于创建和管理数据库的软件。另一个常见的误解是认为数据库必须包含关系数据或结构化数据。数据库是任何有组织的数字数据集合，无论是结构化的、非结构化的、半结构化的还是多结构化的。存在许多不同类型的数据库。目前使用的最常见类型包括文本文件、电子表格、关系数据库、多维数据库和NoSQL数据库。具备数据素养能力的个人需要能够使用许多不同类型的数据库。 二、数据管理知识和数据治理 1.数据管理知识 数据管理知识是所有与数据打交道或与数据有利害关系的人对数据的集体理解。数据知识包括对内容、意义、位置、结构、质量、隐私和安全要求等的理解。没有一个人拥有关于任何数据收集的所有知识，因此共享数据知识对于实现最大限度的数据理解和适当使用数据是必不可少的。一些数据知识在字典和词汇表等工具中以元数据的形式管理，但其中大部分是“隐形知识”，只存在于人们的头脑和记忆中。获取隐形知识并将其收集为可共享的元数据是数据目录的重要作用之一。共享知识是组织数据素养增长的关键因素。 2.数据治理知识 数据治理处理的是积极管理数据资产的策略、流程和实践。数据治理的最终目的是确保数据在需要时可用、可用和适当使用、需要时受到保护和保护以及高质量。治理方法因组织文化、行业、数据管理成熟度和数据管理优先级的不同而不同，实践也不同。数据策略管理是数据治理的基础。策略可能集中于数据保护、数据效用和数据价值的所有方面。典型的数据治理活动包括评估和改进数据质量、收集和共享丰富而可靠的元数据、最大限度地降低数据风险、保护和保护敏感数据，以及确保法规遵从性。每个处理数据的人都是数据治理中的利益相关者，他们有责任遵守策略并适当地使用数据。 三、数据资源管理 1.数据资源整合 数据资源是跨组织和使用数据进行分析和报告的人员之间共享和重用的数据集合。数据资源管理是一组架构、过程和实践，用于整合不同的数据、解决不一致性、支持受控数据共享，并组织数据以支持许多不同的用户和用途。例如，数据科学通常更喜欢原始和未精炼的数据，而基本报告可以很好地处理经过整合和清理的数据。管理良好的数据资源能够满足这两种数据需求，以及这两种需求之间的许多变化。了解各种数据资源管理方法有助于数据消费者为其数据需求选择最佳数据源，并理解他们使用的数据的特征。 2.管理数据资源 管理数据资源涉及到开发和应用架构的过程，以及定义和执行用于在整个生命周期中管理数据的处理过程。管理良好的数据被组织起来便于发现、理解、访问和处理，以满足许多不同用户和用例的需求。没有一种适用于所有情况的方法来组织数据，以满足所有数据的使用。例如，为日常业务分析而优化的数据并不适合机器学习应用程序。为数据科学组织的数据不能很好地用于企业报告。数据资源管理的目标是为所有用途(从基本报告到高级数据科学)提供最佳数据，而不存在不必要的冗余，并尽可能多地共享和重用数据。 3.使用数据资源 数据是企业管理和运营的核心。数据驱动的业务以许多不同的方式使用数据： ■经营管理决策； ■监督目标的进展； ■理解并分析事件和结果； ■分析事件发生的原因以及如何改变发生的事件； ■预测未来； ■推荐操作并自动化流程。 商业智能、性能管理、分析和数据科学都依赖于管理和共享的数据资源来交付信息，从而减少不确定性和增强组织学习。 四、数据配置 1.发现和评估数据 如果没有正确的数据，数据的使用使用是不可能的，无论是用于基本的分析和报告、高级数据科学应用程序，还是介于两者之间。我们需要找到与分析目标很匹配的数据。如果不首先说明目标并理解业务、信息和数据需求，数据搜索是不现实的。有了已知的需求，我们才可以搜索数据。对于发现的数据集应该进行质量和可信度评估，有时还应该在可用的多个数据集中选择最适合的数据集。 2.数据准备 数据准备工作可能由使用自助服务工具的数据分析师执行，或者由数据工程师为分析和数据科学过程构建数据管道执行。准备用于分析的数据通常是一个数据探索和数据转换的迭代过程。为了识别和理解数据的主要特征，数据探索是必要的。数据代表什么(客户、产品、员工、账户、交易等)?关于这些事情的事实(姓名、日期、数量等)是如何描述的?又是如何定义的?数据转换更改数据以创建分析所需的内容、结构和格式。数据转换的三个主要原因是改进数据、丰富数据和格式化数据。 五、数据分析 1.数据分析技术 数据分析是一个组织数据进行探索的过程，使用统计方法来探索和发现模式，可视化模式来理解和沟通它们，解释模式和可视化来描述意义和见解，并根据见解采取行动来实现结果。描述性分析利用统计来说明数据的形状，描述特征，如价值的分布。推论分析得出结论，显示变量之间的关系和依赖性以及价值趋势随时间的变化。 2.数据可视化 数据可视化以图像(图表、图形和地图)的形式说明了数据的模式和趋势，这使得在大量的表格或文本数据中不容易看到的东西很容易看到。图表是可视化数据的主要方式。每个数据分析师都需要了解图表和图表的常见类型，以及它们是如何用于交流的。每一个管理者、决策者和数据相关的工作者都应该知道如何在图表和图表中找到意义，以及如何避免对它们的误解。数据可视化技能是数据素养的基础部分。 3.分析采取行动 只有当我们能够将分析转化为行动时，数据分析才能创造价值。传统思维通常认为，分析的目的是创造洞察力。但是，没有付诸行动的真知灼见是毫无意义的，产生真知灼见的努力是浪费的。从分析到行动并不是自动或偶然发生的。这是一个积极主动的过程，涉及到信任和支持等人为因素。这一切都始于对分析的解释，并使用它来推动对话、沟通和协作。 六、使用数据素养知识体系 本章对数据素养的知识范围提供了高层次的概述。在接下来的章节中，将讨论如何使用数据素养的知识体系来评估数据素养、确定知识差距、制定和执行学习计划、测量和监控素养，以及个人和组织地提高数据素养。 03 第三章 数据素养能力评估 在第一章中，描述了构建程序的过程，评估和计划是核心活动。第二章描述了数据素养知识体(DLBOK)，它涵盖了一个完全数据素养组织在管理、组织、巩固、管理、准备、分析和从数据中获得价值所需要的广泛的知识范围。为组织培养个人和组织的数据素养，是数据素养计划的主要目标。如果没有评估和计划对个人和组织的数据素养水平进行评估，并计划填补通过评估发现的知识缺口，数据素养能力的提高是不可能的。人们常说，你无法管理你没有度量的东西。这个概念适用于数据素养的建设，就像任何其他管理工作一样。 一、评估基础 全面的数据素养知识体系(DLBOK)是评估、差距分析和制定学习计划的基础。数据素养知识体系确定了数据素养能力的主题领域，理想情况下是在多层次结构中，如下图所示的部分示例。 评估测试主题层次结构中最低层的个人知识，然后将结果滚动到更高层。例如，评估可能显示，一个人有:具备数据分析能力。 1．对数据分析技术有一定的了解 ■具有较高的描述性统计素养 ■低文化水平推理统计 ■具备一定的时间序列分析能力 2.数据可视化的高素养 ■对可视化功能有较高的实施能力 ■具有良好的数据可视化设计能力 ■创建数据可视化的能力高于平均水平 在上面的例子中，我们使用了主观的和比较的描述——中等的、中等以上的、高的、低的等等来说明这个概念。在实践中，数据素养能力评估是定量的，计算每个底层主题的分数，然后汇总到更高层次的主题。 二、评估过程 评估个人的数据素养对于那些想要提高数据技能和职业发展机会的人来说是有价值和有意义的。但个人评估仅仅是个开始。它是构建组织评估的基础，而在构建数据素养文化时，组织评估是一个必不可少的过程。具有业务影响的数据素养能力评估在三个层次上执行——个人、角色和团体。 1.准备评估 准备工作是必要的第一步，以确定将按角色和团体单独和集体评估谁的数据素养。当评估作为一个公司计划被驱动时，从确定角色和组开始是有意义的。典型的角色包括业务主管、业务经理、内部审计师、数据分析师、业务分析师、数据工程师、数据科学家等。群体识别可能基于组织结构，因此是分层的，范围可能从主要业务单元(如财务管理)到子单元和团队。一旦确定了角色和组，那么就可以确定这些角色和组中的个人。然而，有时候，数据扫盲更多的是个人的期望，而不是企业的倡议。在这些情况下，首先确定个人，然后将每个人与适当的角色和组联系起来。 评述准备还包括准备存储和管理用于测量、监视和管理数据素养项目所需的评估数据。 2.设置目标 与任何度量过程一样，如果没有比较的基础，度量是没有意义的。首先了解您的评估方法和工具的度量基础。它是用10分制，100分制，还是其他方法来给数据素养能力打分。然后考虑构建评估的数据素养知识体系。并不是数据素养知识体系中的所有主题都要求所有个人、角色和团体具有相同的水平。例如，数据科学家的角色当然应该在统计分析方面有较高的素养，但对数据库管理的期望可能较低。对于每个角色和组，需要根据主题设置目标。 为了使这个过程易于管理，不要把目标设定得太低。回顾前面的数据分析示例，在第二级(数据分析技术和数据可视化)设置目标是切实可行的。已知测量基础后，可以为每个人设置目标级别(可能部分取决于他们的角色)，或者让他们设置自己的目标。我们还可以为要评估的每个角色和组建立目标。当然，在第一次开始时，目标设置是基于猜测的。不要犹豫，设定一些初始目标，进行第一次评估，然后根据从评估中了解到的信息再调整和优化目标。 3.个人评估 为了进行个人评估，每个人都要通过回答基于数据素养知识体系的问题来进行测试。测试分数由数据素养知识体系主题详细说明，其水平与用于设定目标的水平相同。将实际分数与目标分数进行比较，既可以发现优势，也可以发现差距。在实际分数低于目标水平的地方存在差距。利用差距评估来制定一个学习计划，建立新的知识，完成学习计划，然后重新评估。 不要忽视别人已经发现的优点。当评估显示较高的文化水平或表现远高于目标水平时，将这种优势视为一种机会。它会在哪些方面提供成长和职业机会?如何分享这些知识和技能，以提高团队或组织的整体素养和数据能力? 4.组织评估 组织数据素养有两个维度——角色素养和群体素养。对于这两个维度，衡量标准都是通过汇总这些角色和群体中的人的个人文化程度得分得出的。与针对个人的过程类似，评估值与目标进行比较，以确定优势和差距。差距是指措施未能达到目标的领域，需要制定培训增长计划。该计划可能包括个人学习计划、小组学习、实施数据辅导计划和其他方法。优势应该被承认和认可为群体成就，并且可能表明高技能群体有机会指导或指导其他群体的成长计划。 5.持续评估 不断增长的数据素养不是一件大事，而是一段旅程。评估不是一次性的活动;它是作为持续增长和改进的一部分的持续的度量过程。收集和存储评估度量值(理想情况下为按角色、组和日期划分的星型模式维度)，以支持趋势分析和监视。当创建数据素养文化时，管理、测量和监控协同工作以通知领导层。与持续改进过程的典型情况一样，随着数据素养文化的成熟，可以选择调整目标并“提高标准”。 04 第四章 建立数据素养 本文第一章描述了数据素养是什么,为什么需要建设数据素养能力,以及如何构建数据素养建设程序；第二章描述了已定义的数据素养知识体系，评估和规划、项目的关键元素；第三章描述了如何使用数据素养知识体系进行数据素养评估。下面，我们来研究在个人和组织中建立数据素养所需的流程和实践。开始评估和规划,但仅仅这些活动不会达到提升数据素养的目标。下图显示了提高数据素养的全部工作范围。 在宏观层面上，提高数据素养需要四个步骤: ■评估是了解所处位置，也是首要阶段。 ■计划是建立在评估的基础上，以决定我们想去哪里以及如何到达那里。 ■执行是执行计划中确定的行动。 ■测量评估是监测执行和目标的实现进展。 建立数据素养不是一件大事，这是一个以定期评估和持续规划为指导的过程。 每个步骤都是为个人和组织执行的。个人素养很重要，要确保每个与数据打交道的人都能创造价值，将风险降到最低。组织的文化素养是专门管理的，因为它远远超过了个人素养的总和。可能多次迭代也可能是持续的迭代，因为提高数据素养能力并不是一件大事。它不是一个事件，而是一个由周期性的重新评估和持续规划引导的过程。 一、人的维度——个人和组织 建立数据素养对于个人和组织都很重要。 1.个人数据素养 个人可能会自我激励去发展数据素养，或者他们可能会被管理计划所驱动。每一个数据工作者都需要具有数据素养，尽管不同的个人对主题和素养水平有所不同。数据工作者包括任何收集、存储、管理或分析数据作为其职责的人，以及任何使用数据作为报表、图表或报告来做出决定和采取行动的人。 根据布鲁金斯学会(Brookings Institute)的一份报告，几乎所有工作都变成了需要数据技能的数字工作。这些当然是技术性工作，但也有律师、教师、汽车技师、护士、办公室和文职人员等。该报告将数字技能与工作弹性(适应不断变化的工作要求的能力)联系起来。考虑到这一点，重要的是要考虑组织中哪些人需要数据技能，以及如何培养对数据素养的兴趣。 2.组织数据素养 组织素养从两个角度讨论:角色和群体。角色取决于个人的工作——业务主管、业务经理、业务分析师、会计师、审计人员、销售人员、数据分析师、数据工程师、软件工程师、数据科学家、数据架构师、数据管理员等等。注意示例列表中的业务角色和技术角色。为了管理数据素养，角色描述了一组具有相似职责和数据兴趣的数据工作者。 数据素养分组管理是基于组织是如何构成业务单元、部门、职能、团队等的。数据素养也可以根据组织图结构在组织层次结构的几个层次进行评估、计划和管理。它还可以用于跨职能团队(如数据治理组)的管理。 在定义数据素养项目的范围时，确定要关注的个人、角色和组是很重要的。对于许多组织特别是大型企业，从最重要的个人和组织开始，然后随着项目的成熟而扩展是有好处的。 二、评估 评估是建立数据素养的首要步骤。基于数据素养知识体系确定当前状态可以量化所处的位置，并提供识别差距和提升计划所需的信息。个人评估是测试人们的数据知识，以量化数据素养作为素养分数。将分数与目标水平进行比较，以确定差距。 组织评估按组和角色汇总个人得分，将其与组和角色目标进行比较，以确定差距。当在组织层次结构的多个层次进行评估时，它可以很好地在最感兴趣的层次汇总个人分数，然后向上滚动到更高的层次。在多维数据结构中设置评估数据(见下图)使聚合和上卷变得容易，并支持数据素养的切片分析。 评估模型中心的事实表包含实际和目标数据素养得分的值。每行包含一个人、一个组织单元、一个角色、一个数据素养知识体系主题和一个评估日期的得分。维度表包含所需的关于主题、人员、组织单元、角色和日期的数据。该结构支持一个人可能在多个角色或组织单元中工作的情况。它还支持多级组织层次结构，其中一个组织单元可以包含多个附属单元。使用OLAP技术，所有聚合和上卷都是自动化的，并且完全支持通过任意五个维度的组合查看素养水平的能力。 三、个人规划 规划的基础很简单:知道你在哪里，知道你想去哪里，并确定到达那里的路径。这些基本原则同样适用于数据素养规划。评估的结果是起点——知道你在哪里。接下来，将目标定义为数据素养目标。然后你就可以画出从你现在的位置到你要去的地方的路径。 目标设定是对数据素养目标进行优先排序、细化和排序的过程。目标最初是作为评估过程的一部分为每个主题设定的，并用于差距分析。在这一点上，可能想要根据差距的数量和大小以及每个主题对工作角色和职责的相对重要性来细化目标。确定最紧迫的差距，并将范围限制在6-12个月的范围内。决定缩小每个差距，实现评估时设定的初始目标，还是通过调整初始目标来缩小差距。 学习资源是发展新知识和技能的手段。培训资源显然是首选，包括现场培训和在线培训。寻找数据素养认证课程、商业可用课程、软件供应商培训、大学继续教育课程等等。培训课程是一个良好的开端，但除了培训之外，还应考虑其他学习机会。在你的组织或你的同事中有没有其他人对小组学习和讨论活动感兴趣?是否有人能够并且愿意担任导师?当前或即将进行的项目是否提供了一个从经验中学习的机会? 学习计划的制定将目标和资源结合在一起，并将它们绘制在一个时间表上，例如:(1)在此日期完成本课程以获得此知识，(2)在此期间参与此项目以获得此经验，(3)在此期间与导师一起学习这些技能。学习计划实际上是实现目标的路线图。它描述了计划做什么，什么时候计划做，以及期望完成什么。 1.个人执行 Just do it!你已经制定了计划。现在进行研究，与教练和导师接触，参与讨论，参与项目。采取计划中规定的行动。 2.个人测量 不要等到最后才去衡量。一边学习一边评估你的学习进度。你按时完成课程了吗?你在学习你需要学习的东西吗?当这些问题的答案是肯定的，那么你就找到了正确的方向。当答案不是“是”时，不要犹豫调整计划。你可能需要改变资源，改变时间表，或者作为最后的手段，调整目标。 四、组织规划 能力目标设置考虑当数据素养能力得到改进时组和角色的能力增加。组织规划类似于个人规划:当前状态、目标设置和从开始到结束的路径。评估描述了当前的状态，并且一些目标与将个人知识和技能转化为组织能力相似。个人评估的集合量化了团队和角色的能力，但这就是相似之处。单个目标的聚合并不直接对应于组目标和角色目标。这些目标是作为评估的一部分独立设定的。范围可以缩小到差距的子集、组的子集、角色的子集，或者这三者的任何组合。积极的目标可能寻求缩小差距，或者不那么积极地缩小差距。 文化影响的设置需要考虑员工数据技能的影响和数据素养的商业利益。文化目标包括信任数据、使用数据进行决策、将数据集成到业务流程、使用数据和自助分析、数据和知识共享、数据驱动的创新，以及预测和自动化等高级用例。一种务实的文化变革方法是从追求这些目标中的一小部分开始的。不要试图一次解决所有问题。选择目标，然后为每一个目标建立一个可行的基准。有些目标，例如信任，可能需要基于调查的基准。可以通过观察谁在使用数据、如何使用数据以及为什么目的使用数据来对其他数据进行基准测试。设定基于时间的目标，但在时间上要现实。时间框架不同于个人目标，因为组织和文化的改变不容易在6-12个月内实现。 素养增长资源是提高组织数据素养和推动文化变革的有用工具。激励因素是影响个人积极追求数据素养的工具。这些可能像公众对数据素养技能和成就的认可一样随意，也可能像在工作描述和绩效评估中构建数据素养一样正式。将数据素养融入人力资源实践，将数据素养作为治理的优先事项，实施数据指导实践是推动组织增长的有效途径。组织、角色和流程更改有助于将数据编织到日常业务活动中——可能是将数据管理员嵌入选定的业务单元，或责成负责向管理层提供特定数据的部门主管。 数据素养增长规划需要制定计划。定义什么激励措施、激励因素和改变将被实施以及何时实施。同时，要知道谁来执行。指定每次实施的负责组织和人员。 1.组织执行 执行计划，实施激励机制。在组织、角色和流程中进行更改。 2.组织测量 正如对单个度量所描述的，在进行过程中进行度量是很重要的。不要等到最后才知道你所做的是否有效。这在推动组织和文化变革时尤为重要。评估和聚合是度量组和角色能力的实际基础。对文化进步的衡量使用与建立基准相同的基础。 五、改进的周期 提高数据素养是一个持续改进的过程，对个人和组织都是如此。持续改进的实践(迭代和反馈)是数据素养过程的重要组成部分。持续的计划比有一个固定计划更重要。计划的循环就是做、评估、再计划。这是上图中的关系图的内循环和素养的关键管理，通过一个迭代增长的循环。但是数据素养是一项巨大的任务，它可以广泛地跨越组织，深入到业务单元和流程中。通过一次进行一个可管理的迭代来增量地提高数据素养。评估、执行、重新评估，然后扩大下一个迭代的范围。实际上，数据素养不是一个项目，而是一种生活方式。 六、综述 每个企业都是数据驱动的，不管是有意的还是偶然的，因为数据无处不在。无论是公共的还是私有的，是非营利性的还是商业性的，在每个行业中，企业中的人每天都要处理数据。数据不是免费的;而是一种投资。为了优化投资的回报，我们还必须在数据素养方面进行投资。卡普兰和诺顿从平衡计分卡的角度展示了从学习和成长开始的因果链。对于数据驱动型企业来说，还有什么学习比学习数据更及时、更普遍、更重要的事情呢? |
|
|
