在数据被誉为现代商业命脉的时代，战略性地推进数据现代化不仅是益处，更是企业发展的关键。最近，一份由《麻省理工科技评论》洞察和 Thoughtworks 合作发布的数据现代化报告深入剖析了这一趋势：将数据战略与企业目标紧密结合，是释放商业潜能、推动创新的重要途径。

　　在各企业着手实现数据能力现代化的过程中，统一且协调的数据战略尤为重要。在此次调查中，大多数企业在过去两年内对其数据资产的多个要素进行了现代化改造（23%），或正在进行现代化改造（31%）。另有 23% 的企业计划在未来两年内进行现代化改造。大多数已进行现代化改造的企业（71%）实施数据战略已超过两年。

　　数据现代化可能需要进行大量投资。这也就解释了为什么在此次调查中，那些年收入达到或超过 100 亿美元的大型企业比小型企业更有可能已开始进行数据现代化改造。除了投资之外，还需要具备远见和耐心才能有所回报。Thoughtworks 数据与人工智能事业部全球技术主管 Danilo Sato 表示，“尽管多年来进行了大量与数据相关的投资，许多企业直到最近才开始报告这些投资的成功率有所提高。”

　　然而，无论是在财务方面还是在其他关键指标方面，展示早期回报的能力对于让数据现代化持续获得支持至关重要。能够展示早期成果的数据现代化计划往往会有助于全面执行计划。Sato 表示：“虽然对数据现代化的投资通常需要两到五年的时间才见成效，但企业为实现此目标而采取的方法却会产生巨大的影响。我们不希望前期在基础设施、平台和数据整合工作上做过多的投入，而是会在数据可用后尽快推动实现相关用例，我们相信小步增量式交付方法能尽早展示回报。虽然规模较小，但早期的成功可以增强对现代化战略的信心，并赢得内部的支持，有助于推动长期规划的落实。”

　　高成本是数据现代化面临的主要障碍之一：有 40% 的受访者是这样认为的。不出意料，这对此次受访的小型企业（46%）来说似乎是一个更沉重的负担。但也有三分之一的大型企业同样表示成本是他们考虑的一个因素。

　　然而，受访者提及次数最多的数据现代化障碍是监管合规性和安全性问题。在金融服务和医疗保健等监管严格的行业，可能会出于合规性方面的考量而禁止统一存放特定的数据，或对数据存储在公共云中有所限制。对于能源、公共部门、运输和金融服务行业的企业来说，监管是数据现代化进程面临的尤其重大的一个障碍。

　　安全性问题也会阻碍部分数据现代化工作。在调查中，公共部门的受访者以及金融和零售行业的受访者都特别强调了此类问题，而这些行业都是网络犯罪分子窃取重要个人信息和银行信息的常见目标。

　　企业希望通过数据现代化实现什么目标？排名第一的回答是提高整个企业的决策能力。近一半的受访高管提到了这一点。

　　这也是英国皇家财产局数据现代化工作的核心目标。Morgan 表示：“我们需要做出正确的决策，为了国家的利益优化利用我们所有的资产，无论是伦敦的地块还是房产。这不仅要追求最大经济产出，还要兼顾社会、环境和价值创造效益。”

　　受访者提到的第二大数据现代化目标是支持人工智能用例的开发。在这方面，云可能是一个重要的战略选择，它可以提供硬件和基础设施，以“随用随付”的方式进行人工智能模型训练。Pozsgai 说：“支持人工智能模型无疑是推动我们实现数据现代化的一大动力，也是我们上云的部分原因，因为在本地运行模型的成本太高，此外我们还需要云供应商的技术和其他能力。”

　　这一点因企业规模不同而有很大差异：受访企业中，大型企业将支持人工智能作为数据现代化目标的可能性是小型企业的两倍半。

　　“我们需要做出正确的决策，为了国家的利益优化利用我们所有的资产。这不仅要追求最大经济产出，还要兼顾社会、环境和价值创造效益。”

　　“我们的数据基础设施和流程正在经历巨变，这是向‘产品交付企业’转型的必经之路。”

　　排名第三的数据现代化驱动因素是支持脱碳和减少企业的环境足迹。对于那些在过去两年中已进行数据现代化的企业来说，支持人工智能和支持脱碳是他们目前为止的主要动机。其他重要的数据现代化驱动因素包括提高监管合规性和运营效率。

　　随着数据现代化工作的推进，高管们应清晰认识到其现有数据能力的薄弱环节，特别是那些可能危及既定数据现代化目标的实现的环节。此次调查罗列了许多潜在的薄弱环节，其中几项引起了高管们的高度重视，包括数据团队的人才和技能缺口、数据战略（如上所述，这可能是指现有战略不成熟或战略缺失）以及企业数据架构的现状。

　　然而，受访者最关注的是数据质量和数据时效性。有 53% 小型企业受访者认为数据质量是首要薄弱环节。正如下文所述，高管们认为加强数据治理是解决此类数据质量和数据时效性问题的关键。

　　综合这份报告的洞见，我们得出了几个关键要点，这些要点可以为组织的数据现代化努力提供指导：

　　战略一致至关重要：将数据现代化计划与企业的整体战略相结合是关键。这种一致性确保了现代化努力能够支持企业的整体目标，并带来实际商业价值。

　　投资现代化数据工程实践：采纳如 DataOps、敏捷方法和演进式架构等现代化数据工程实践，不仅能提升数据质量，还能增强组织的敏捷性。这些实践帮助组织快速应对业务环境中的变化和机遇。

　　重视数据质量和治理：高质量的数据是有效决策的基石。优先考虑数据质量并建立强大的数据治理框架，有助于确保数据的准确性、及时性，并符合相关法规要求。

　　利用 AI 推动并受益于现代化：AI 既是数据现代化的驱动力，也是受益者。有效运用 AI 需要稳固的数据基础设施，而数据系统的改进则能增强 AI 的功能。

　　促进跨部门协作：数据现代化应当涉及组织内各个部门的利益相关者。这种跨部门协作的方法确保了考虑不同视角，并确保现代化的数据系统能够满足组织的多样化需求。

　　准备持续改进：数据现代化不是一次性的项目，而是一个持续的过程。组织必须准备好调整和优化其数据策略和基础设施，以适应新技术的发展和业务需求的变化。

　　数据现代化的旅程虽然复杂，但对于希望在当今数据驱动的商业环境中取得成功的组织来说至关重要。这个旅程需要一种战略性的方法，其中数据能力不仅要与业务战略保持一致，还要推动业务战略的发展。通过采用现代化数据工程实践，注重数据质量，并整合人工智能技术，公司可以充分利用其数据资产的潜力，推动创新并赢得竞争优势。

　　成功的数据现代化需要组织在各个层面上持续改进和协作的承诺。这不仅仅是采用新技术的问题，而是涉及转变业务流程和文化，以更好地利用数据。