来源：数据驱动智能
数据价值模型简介
我们经常听说数据是新石油，这种比较源于这样一个事实：正如石油是工业经济的基础一样，数据在数字经济中也变得同样重要。正如石油被提炼以获得有用的产品一样，数据经过处理以生成有价值的信息。
然而，两者之间存在一些实质性差异：数据是非物质的、可再生的、数字化生成的，而石油是有限的、物质的。石油作为实物资源，具有普遍可量化的计量单位（美元/桶），而数据通过分析和创新创造价值，因此其价值的衡量往往被低估且难以量化。
数据价值模型(DVM) 通过将自身呈现为量化数据及其衍生品（数据产品）内在价值的基本战略工具来满足这一需求。
在这种情况下，数据产品代表建立在数据基础上的产品或服务，其目标是为组织创造价值。指标、仪表板、模型、应用程序、API 和其他基于数据的工件都是用于提高生产力、效率和业务工作质量的数据产品的示例。
数据产品方法的创新之处在于从数据被视为成本的模型转变为数据被视为资产的模型。与真实产品一样，数据产品的设计、构建、维护以及退役时都会考虑内部和外部客户的需求及其为公司产生可衡量价值的潜力。
数据价值模型的定义
数据价值模型 (DVM) 代表了对组织内的数据产品进行经济评估的基本方法。这种结构化和系统化的模型侧重于数据内在价值的识别、分类和衡量，特别是在用于创建和实施数据产品时。
DVM 使组织能够客观地评估数据产品的影响，不仅在投资回报方面，而且还与业务目标和运营策略有关。通过DVM，公司可以专注于为业务提供最相关的信息，从而优化数据产品的创建和管理，从而获得显着的竞争优势。
指标、仪表板、模型、应用程序、API 和其他基于数据的工件都是有价值的数据产品的示例，它们的影响是有形且可量化的。
数据价值模型和数据产品之间的这种协同方法可以提高组织内数据的价值，为战略创新、改进决策和提高市场竞争力提供有效支撑。
为了便于准确计算净收益，DVM 将成本与收益进行比较。
成本
在成本计算中，包括以下项目：
人员：成本包括参与数据产品开发和维护的内部和外部人员的努力，以及增强技能所需的培训，这被视为持续改进的推动因素。
系统成本：通常包括IT相关费用，例如数据平台维护、存储成本和计算费用。此外，它还包括外包给需要参与数据产品创建的外部实体的开发成本。
收益
在收益的计算中，包括以下项目：
优化和内部化：好处包括潜在的节省，这可能会对损益表产生影响，并释放人员以分配给其他任务。这些好处的例子包括活动的自动化、前面提到的系统成本的优化、活动内部化的节省，或者仅仅是数据产品退役和相关成本的节省。
数据货币化：好处还包括数据产品的实际销售，可以在组织内部和外部进行，为利益相关者提供真正的服务或产品。
人工智能收入增长：还考虑了通过应用人工智能算法产生的好处，这些算法可以通过新的见解实现收入或降低成本。
合规性：在这种情况下，它不是直接的利益，而是避免的风险，应根据风险百分比和潜在的罚款或处罚金额来计算。
这些与每个数据产品相关的成本和收益创建了代表 DVM 的价值图。
数据价值模型的重要性
Gartner的一篇论文中关于如何从数据和分析投资中优化商业价值中强调，尽管在数据和分析方面进行了大量投资，但 CEO 和 CIO 仍难以衡量由此产生的价值。这些困难归因于两个主要因素：缺乏评估数据和分析投资的结构化方法，以及未能使此类投资与不断变化的市场动态和公司的战略目标保持一致。
数据价值模型 (DVM) 在评估数据产品方面发挥着至关重要的作用，重点关注导致业务成功的关键目标：
数据是一种资产，应该产生可衡量的价值：DVM 认识到数据的内在价值是宝贵的企业资产。通过将数据视为战略资源，公司可以创建和管理数据产品，以产生可衡量的价值。这种方法可以客观评估数据产品对组织的成长和成功的贡献。
自我可持续：DVM 使生成数据产品的单位能够通过数据产品产生的利润实现自我可持续，最重要的是，能够展示通过稳健模型生成的价值。
战略性地选择在价值更高的地方努力：借助 DVM，组织部门可以识别高价值的业务机会。通过专注于最有潜力产生竞争优势的数据产品，公司可以将其战略与市场结合起来，获得领导地位并保持竞争优势。
可识别性和可见性：通过 DVM 评估数据产品，团队可以提高内部和外部的可识别性和可见性。成功的数据产品对生产力和业务效率具有重大影响，赢得了员工和高管的认可。同时，提供高质量的数据驱动产品或服务可以提高公司在客户和业务合作伙伴中的声誉。
数据相关投资利用的透明度：通过 DVM，组织在数据相关计划的投资利用方面获得更大的透明度，从而增加对这些计划和相关团队的信任。
总之，数据价值模型被证明是增强数据产品的关键要素，有助于使组织在数据运营中实现自我可持续、战略价值导向、认可和透明。通过将数据视为可衡量的有价值的资产，公司可以进行创新并在市场中脱颖而出，将自己定位为数据驱动方法的领导者。
在数据价值模型 (DVM) 的帮助下，数据和分析领导者还能够：
定义数据素养和数据驱动的业务转型路线图：DVM 使数据和分析计划与关键优先事项和企业目标实现战略一致，为增强数据能力和在组织内培育以数据为中心的文化提供指导。
评估业务价值和成功因素：借助 DVM，管理层可以全面评估业务价值以及有助于或阻碍数据和分析计划成功的因素。此评估有助于识别能力差距并降低与数据价值主张相关的风险。
过滤和分类数据价值主张：使用 DVM，管理层可以对数据和分析价值主张进行初步筛选。此过程有助于确定对组织最有希望和最相关的提案。
根据业务绩效评估数据价值主张：借助 DVM，可以对数据价值主张进行详细评估，根据每美元支出的净经济影响对其进行分类，并将其与战略业务重点类别保持一致。
借助这些方法和工具，数据和分析领导者将能够优化资源利用率，专注于高价值计划，并使公司努力实现有效、以成功为导向的数据驱动转型。
DVM 和 ROAR 模型集成
DVM 基于并简化了ROAR框架，ROAR 代表风险机会偏好回报。ROAR 框架由 Gartner 开发，旨在解决净现值 (NPV) 和投资回报率 (ROI) 等传统投资评估技术的缺点。这些传统模型通常不能有效地考虑数据和分析计划的组合、与公司战略的一致性以及风险的评估。
ROAR框架不仅增强了对价值和风险因素的理解，而且有利于与其他业务领导者更好的沟通。它与 NPV 和 ROI 模型集成，支持组织对与核心业务优先级一致的数据和分析计划进行排名和优先级。通过评估业务价值和能力差距，ROAR 框架有助于指导投资决策并确保成功。它是吸引利益相关者、传达价值和管理风险的战略工具。
将 ROAR 框架与数据和分析策略以及运营框架结合使用，使数据和分析领导者能够：
与业务利益相关者合作，选择有价值的数据和分析建议。
确保对数据和分析的投资与核心业务优先事项保持一致，并提供显着的净业务价值。
识别并解决成功的关键能力差距。
因此，ROAR 框架提供了一种整体方法来优化数据和分析投资，缩小投资和战略成果之间的差距。
该框架的实施基于四个步骤。
第 1 步：创建价值主张
为了创建价值主张，ROAR 模型依赖于三个要素：
关键任务优先事项 (MCP)：这些是公司领导层设定的最重要的业务优先事项和目标。MCP 代表了公司战略制定过程中建立的关键增长里程碑和业务成果。它们可以通过特定的关键绩效指标 (KPI) 来衡量。
战略业务重点：该元素定义了组织打算实现的目标以及计划如何实现这一目标。它的范围可以从现有业务模式的效率和成本优化的增量改进到完全变革性的创新以及新的业务和客户模式。战略重点旨在考虑宏观经济条件，确保组织在其特定行业和竞争环境中取得成功。
数据和分析计划：这些是组织打算采取的与数据和分析相关的计划，以支持业务优先事项和战略重点。这些举措代表将使用数据和分析来实现业务目标的具体项目和活动。
步骤 2：评估每个数据产品的净业务影响
ROAR 模型评估每个价值主张的价值驱动因素和成功贡献者/抑制因素，以计算净业务价值。其中，价值驱动因素（DV）可归因于：
商业价值：它衡量价值主张对业务的影响，包括对关键业务计划的支持、收入影响的大小、销售和成本优化的有效性、人力资源有效性、风险、合规有效性和紧迫性等因素以及财务影响的时间。
D&A 价值：它衡量价值主张对数据和分析团队能力的影响。这包括扩展到新型分析、使用高级分析来增强洞察力、减少数据和分析团队人员以及降低外部数据和分析服务成本等因素。
成功贡献因素/抑制因素 (SCI)衡量的是成功因素和抑制因素，这些因素代表了从价值主张中交付价值所需的能力差距。这些驱动因素包括与数据、分析、技术、组织、成本以及基于数据和分析的产品进入市场相关的因素。
ROAR 模型使用价值和成功驱动因素来计算每个价值主张的“净业务价值得分”。净业务价值得分代表对业务增长的潜在影响，并允许比较不同的价值主张。当价值超过风险时，该分数可以为正；当风险超过价值时，该分数可以为负。
对价值和成功驱动因素的评估使数据和分析领导者能够了解组织现有和缺失的能力，缩小关键差距，并增加实现所需价值的可能性。这些评估有助于与其他业务领导者沟通愿景和价值叙述，并指导数据和分析策略和运营模式的开发。
此步骤实质上将 DVM 合并到 ROAR 模型中，验证与 MCP 的一致性以及对业务战略的关注，如下一步所示。
第 3 步：确定数据和分析计划的投资策略
ROAR 模型可以对任意数量的单独数据和分析计划以及价值主张进行评估、评估和分类。下图描述了该评估结果的示例。该图表显示了企业战略重点每个类别的价值主张，绘制基于：
Y 轴：每花费一美元的净业务价值 = VD —（SCI* 三年的 TCO）。
X 轴：三年 TCO。
气泡颜色：企业战略重点类别（低 — 成本优化和效率，中 — 效率和增长，高 — 差异化、高增长和转型）。
TCO：总拥有成本 — 数据产品整个生命周期的费用估算。
VD：源自商业价值和D&A价值的价值驱动因素。
SCI：成功贡献者/阻碍者。
ROAR 模型中的投资组合选项基于：
净业务价值得分：得分越高越好，基于对上一步完成的业务价值和成功贡献者和阻碍者的风险的评估，以及指定的三年总拥有成本 (TCO) 输入每个价值主张。
与企业战略重点的一致性：这是 ROAR 模型中的一个输入，反映了整个投资组合中企业战略重点的平均得分。该模型可以模拟不同范围的公司战略重点和投资水平的投资组合建议。
ROAR 模型确定了在企业战略重点指定范围内每美元支出具有最高净业务价值得分的最佳投资组合选项。
步骤 4：将 ROAR 模型集成到数据和分析 (D&A) 战略的运营框架中
将 ROAR 模型或数据价值模型 (DVM)集成到数据和分析 (D&A) 战略的运营框架中，支持管理层定义利益相关者目标、价值主张以及评估能力和缺陷，以创造一组优先的 D&A 投资。
事实上，在将数据和分析价值主张映射到任务关键优先级并对这些价值主张的业务影响进行全面评估之后，我们就可以从数据、分析和技术能力、组织、成本的角度系统地评估所需内容，并推向市场。解决这些问题将最大限度地降低风险并增加成功实现预期业务价值的可能性。有了这些信息和见解，我们就拥有构建或完善数据和分析策略、运营模型和路线图所需的数据，并向业务领导者传达预期价值以及实现该价值所需的条件。
这种集成不仅应该在策略定义阶段考虑，还应该通过跟踪所实施的数据产品的净业务价值来维护，以便与预期值进行比较并验证结果的实际实现情况。
数据治理作为数据产品及其数据评估
数据治理可以理解为一种战略数据产品，旨在增强组织内的数据使用。与任何数据产品一样，数据治理旨在通过提供指南、程序和规则来创造可衡量的价值，以确保有效且高效的数据管理、使用和质量。
为了量化数据治理的好处，必须识别和监控反映数据治理实践产生的价值的关键指标。以下是一些有助于量化数据治理优势的指标示例：
收入/资产价值的增加：通过提高数据理解和利用信息推动新的销售和业务活动来衡量数据治理对收入增长和公司资产价值的影响。
成本降低：评估通过减少数据重复、重复管理流程以及与数据质量差相关的错误而节省的财务和人力资源。
合规支持和成本降低：衡量通过满足合规目标、避免罚款成本以及对公司声誉的负面影响所实现的节省。
影响分析支持：评估数据治理为影响分析提供有用信息、增进对数据更改和决策的理解的能力。
综合管理支持：衡量数据治理如何促进不同业务部门之间的沟通和协作，避免效率低下并确保审慎的数据管理。
数据存储库改进：评估数据治理的能力，以提高存储库内的数据质量和可用性，促进对权威信息的访问和更深入的分析。
提高数据信心：衡量数据驱动决策的信心和安全水平，降低错误和不准确决策的风险。
通过这些指标量化数据治理的收益并将数据治理价值主张集成到 ROAR 模型中，就可以比较收益并展示其在指导公司实现战略和价值驱动的数据管理方面的关键作用。数据治理作为数据产品成为业务成功和数据驱动资源优化的重要驱动力。
现在让我们尝试使用数据价值模型 (DVM) 来绘制直接成本和收益：
成本
让我们考虑一下数据治理计划的成本：
人员：我们需要根据致力于数据治理活动的平均时间百分比，考虑数据治理团队的预期工作量以及数据所有者和数据管理员等合作者的预期工作量；
系统：让我们考虑数据治理工具的许可证成本，以及为流程和工具创建基础设施和应用程序维护的成本；
收益
以下项目包含在收益的计算中：
优化和内部化：我们考虑该计划的好处：
由于创建了全公司共享的数据目录和数据字典，减少了数据利益相关者理解数据所需的工作量。考虑数据访问的用户数量和数据目录的使用KPI，可以分析和量化经济效益。
知识内部化，导致分配给外部数据管理员的预算减少。
借助数据沿袭，减少了与影响分析相关的项目相关工作（以及风险）；
数据货币化：在数据货币化的背景下，数据治理应被视为允许通过以下关键要素销售数据产品的推动者：
一个数据市场，人们可以在其中展示资产并销售其数据产品。
与创建的数据产品相关的关键质量指标（KQI）。
定义正确的数据产品生命周期管理流程。
遵守：
监管方面很大程度上取决于其适用的行业。然而，我们可以从这样的假设开始：如今，所有行业都有一个主管当局，除其他外，负责验证各个组织是否符合指导方针。
法律方面旨在减轻与客户可能采取的法律行动相关的风险，这些风险可能是由于不合规的数据处理或不正确的数据造成的，可能对客户造成客观损害以及品牌损害。
这些与每个数据产品相关的成本和收益创建了代表数据价值模型 (DVM) 的价值图。
小结
数据价值模型和数据治理作为数据产品对于创建以数据为中心的企业环境至关重要，在该环境中信息成为成功的战略杠杆。实施 DVM 使公司能够最大限度地发挥数据价值、增强透明度和内部协作、获得竞争优势并推动创新以应对未来的挑战。只有对数据采取有意识的、以价值为中心的方法，组织才能在日益数据驱动的商业环境中实现繁荣和可持续发展。