究竟什么是精益数据战略？

一、精益数据战略的定义

在数字化时代之前，企业希望通过层层精密的逻辑来预测和定位客户的需求，同时，企业认为将战略做得越细越好，以便让后续的执行能全部在掌控之中，减少不确定性的风险。但是数字化时代产生了两个重大变化：一是市场和业务变化具有高度的不确定性；二是数字化技术为企业提供了与用户进行实时、高频沟通的能力。

因此，企业需要适应新时代的数据战略，而精益数据战略便是一套满足企业在数字化时代需求的方法。

精益数据战略是以精益数据方法为指导，以业务价值为目标，具有轻量级、快速反馈等特点的数据战略形式。它和传统战略有着本质上的区别。

首先，精益数据战略的底层逻辑是认可和接受不确定性的。它建立起与市场的直接连接，增强用户互动并及时接收用户反馈，从不确定性中寻找确定性，提高响应能力。

其次，在底层逻辑的基础上，精益数据战略发展出一套包含 4 个特点、3 项内容、4 张蓝图、4 项原则的完整体系，如图 3-7 所示。这些方面体现了精益数据战略与传统战略的不同之处，对此，下面分别进行详细阐述。

图 3-7    精益数据战略

二、精益数据战略的制定方法

01：

5 个底层逻辑

1、距离客户更近

对所有的数据，都要找到它与客户价值的连接点，这是制定精益数据战略的首要逻辑。企业要通过精益数据资产蓝图，清晰地对数据分层分类，明确哪些数据是现阶段的高价值数据，哪些数据目前没有对应的价值场景，然后借助精益数据共创工作坊等工具持续挖掘出这些数据的价值。

2、确定性任务先行

参考 Cynefin 框架，将精益数据战略解码后的具体任务分成两类：一类是不确定性较高的任务，例如业务价值度量困难、用户需求变化快的价值场景；另一类是确定性较高的任务，例如需求紧迫、价值清晰的场景。针对不同的任务有不同的落地策略。

对于确定性较高的任务，例如速赢项目，以及数据中台等必须要建设的能力型项目，企业要快速启动、大胆投入，考量最终效果来制定落地计划。

而对于那些受市场、用户影响较大，且高度不确定的项目，则控制投入，

小步快跑，同时采取运营动作来实时监测和度量效果，及时调整方向。

如图 3-14 所示，对于确定性较高的业务场景，企业要尽快启动，同时将这类业务场景中共性、可复用的数据服务放到数据中台的速赢阶段先行建设。而对于不确定性较高的业务场景，则尽可能减少投入，尽快推出最小可用版本，接受市场和用户的检验，再逐步试错迭代。

图 3-14   确定性任务先行的战略解码策略

3、打造数据生态

精益数据战略的目标是构建数据驱动的企业，即将数据要素作为驱动企业生产和经营的核心资产，形成如图 3-15 所示的价值生态闭环。

图 3-15   数据要素的价值生态闭环

业务应用作为数据价值生态的源头，通过软件将业务数字化，从而产生数据；然后通过商业智能和人工智能对数据进行挖掘分析，形成数据产品和服务，提供给数据运营方；数据运营方驱动业务，将指令通过 API 和新需求的方式反馈给业务应用。这是一个数据驱动的闭环，其中，企业级数据中台是对所有数据进行存储、加工、分析、利用的能力平台，帮助企业做到数据与计算分离、应用与数据分离，形成一份标准、真实、全企业统一的数据资产蓝图，而业务系统的数据利用、数据分析、数据运营等都基于这张蓝图进行交互，这样就能彻底解决数据孤岛、数据不一致、数据质量差等问题。而且该闭环中任何一个环节发生了变化，都不会影响企业的整体数据资产。

4、快速反馈

精益数据战略提倡轻规划、准落地、快反馈。

轻规划指在快速变化的情况下，不再把战略规划做得很重、很深入、很细致。因为越细致，该战略就越僵化，它应对快速变化的能力就越弱。所以整体规划建议做轻、做薄，识别出价值场景和演进路线，能够提供原则和方向，可以指导建设即可。

准落地、快反馈是指在轻规划的基础上，快速聚焦于能产生价值的问题，并快速执行落地，结合敏捷的思想，小步快跑，快速迭代，这样既能验证战略的方向是否正确，又能及时获取真实的反馈来优化整体的战略。

5、持续迭代

精益数据战略认为，未来的企业战略应在以年为单位的定期规划的基础上，加快迭代速度。先将战略意图解码成可以度量的数据指标，然后在业务运营过程中收集反馈，获得实时的指标数据，验证战略的落地情况，再通过算法推演预测后续的趋势，从而复盘分析战略解码是否正确，是否需要优化，从依赖人脑的战略规划走向数据驱动的战略迭代。

02：

4 步法

精益数据战略和传统战略方法的最大差异在于，精益数据战略认为数字化转型是一个复杂问题，不同的企业都面临不同的问题，没有最佳实践可以照搬。所以，精益数据战略参考 Cynefin 框架，提出解决这类问题的核心是提高响应力，要探索试错、获得反馈，才能使解决方案逐渐清晰。

精益数据战略以探索为核心，辅助以顶层规划，挖掘企业的业务价值场景，将其中确定性高的任务进行分解。对不确定性较高的部分，不断试验、迭代，使其逐渐清晰，最终从中挖掘出新的确定性更高的内容。

精益数据战略制定的方法主要分成 4 个步骤，如图 3-16 所示。

图 3-16   精益数据战略制定 4 步法

1、探索

精益数据战略客观地认识到，过去的定位论与控制论已经不适应高速变化的环境，在高度不确定的时代，企业要放弃繁重的、计划式的战略，在不确定中发现确定，所以精益数据战略的制定从探索开始。

探索的起点是业务战略，是企业的业务愿景和发展终局蓝图。在这个环节，企业不需要考虑 IT 架构和数据现状，一切对齐业务价值，将所有对达成战略有帮助的工作内容都纳入业务场景蓝图之中。

探索的阶段是业务和技术人员共创的过程，主要的活动有：对齐业务愿景，共创数据资产蓝图，共创数字化技术蓝图，共创业务场景蓝图，排列场景优先级。在探索的阶段，不去考虑技术和数据的现状以及可行性，完全从业务价值出发，避免认知的局限影响价值场景的挖掘。

2、识别

在业务场景蓝图的基础上，进入第二个阶段：识别。

对有价值的业务场景进行第二轮评价度量，从价值密度、需求紧迫度、投入产出比和复杂度等维度筛选出最先建设的价值场景。重点识别该场景的可行性如何，以及实施的前提条件是否具备，是否有可预测的阻碍和风险，结合企业数字化技术与数据资产现状，进一步从最有价值的场景清单中，筛选出投入产出比最高、实施可行性高、优先级高的价值场景清单。

这个阶段是收敛的过程，要尽量聚焦，只有这样才能筛选、识别出最有价值的业务场景。

3、架构

带着业务场景蓝图和速赢阶段的价值场景清单，进入第三个阶段：架构。此时要兼顾长期和短期目标进行架构设计，这是一个发散的过程。

首先围绕业务场景蓝图，规划出企业需要哪些数据资产，设想数据中台构建完成的架构是什么样的，明确其中需要哪些技术和服务，形成长期的数字化技术蓝图和数据资产蓝图。

然后聚焦最有价值、最可行的业务场景。一方面识别出这些业务场景可以通过哪些数据产品和服务实现；另一方面识别出这些业务场景最需要的数据资产和数字化技术是什么，这是企业需要立刻建设的能力，也就是数据中台的速赢版本。

4、计划

有了业务场景蓝图、价值场景清单、数字化技术蓝图和数据中台的速赢版本，那么数字化转型的实现目标和建设内容就比较清晰了，这就进入了第四个阶段：计划。在该阶段，企业可以罗列具体的项目清单、行动计划和关键举措了。

通过探索、识别、架构和计划 4 个步骤，企业就能够制定出精益数据战略。

同时，笔者结合精益数据方法与设计思维，首创了精益数据共创工作坊，它是一种桌游式互动创新工具，利用独特的精益数据共创卡牌为参与者提供沉浸式体验，打造精益数据战略制定的新范式。

03：

7 个关键动作

结合上述内容，制定精益数据战略具体需要做到以下 7 个关键动作，如图 3-17所示。

图 3-17   精益数据战略的 7 个关键动作

1、愿景对齐和目标分解

一个有价值、可执行的数据战略首先要符合企业的业务战略，在业务战略和愿景的基础上分解业务目标。只有当目标足够清晰，需要哪些数据要素、数据要素如何发挥价值等问题才会逐渐明朗。很多企业数字化转型过程中，对齐企业愿景和分解目标这一步骤做得不够深入，没有在所有的业务部门和技术部门间形成共识，导致在转型实施的过程中各自的目标不一致，具体动作也就很难一致。

2、业务场景蓝图探索

在愿景和目标清晰，并且全员对其达成一致认知的基础上，企业需要对业务价值场景进行探索和挖掘。数据要素必须结合业务场景落地，只有找到有价值、用户有获得感的场景才能够发挥作用。在这个阶段，企业要通过业务、技术、数据各部门相关人员的共创，梳理出符合企业愿景和目标的所有价值场景，形成业务场景蓝图。

3、数据资产蓝图梳理

在业务场景蓝图的基础上，企业需要梳理出构建价值场景需要的所有数据资产，形成数据资产蓝图。数据资产蓝图是企业业务的数据呈现形式，梳理出企业的数据资产蓝图能够让所有相关人员理解业务全貌，使每个部门、每个业务团队在构建自己的业务系统时能有参考依据，避免出现数据孤岛的情况。

4、数字化技术蓝图梳理

基于业务场景蓝图和数据资产蓝图，企业需要明确需要哪些数字化技术能力，这就是企业的数字化技术蓝图。梳理出数字化技术蓝图，企业就能够清晰地知道支撑业务场景的所有技术能力和服务，这就是建设数据中台的前提。

5、差距分析和策略优化

结合上述业务场景蓝图、数据资产蓝图、数字化技术蓝图，对比分析企业的业务架构现状、数据架构现状和技术架构现状，找出蓝图与现状之间的差距，制定出改进策略和任务优先级。

6、转型路线和项目清单制定

差距分析和优化改进完成后，企业根据短期目标、资源情况制定出转型路线，这是推动战略落地、指导企业转型的具象化内容，同时把战略意图解码成可以落地的项目清单。

7、配套举措和行动计划制定

最后，就要从组织结构、业务流程、绩效体系等配套措施的角度分析，需要做哪些配合工作来保障转型顺利进行，制定出配套举措和行动计划。

综合上述内容，我们可以知道，精益数据战略的目标是打造精益数字化企业，它引领了精益数字化企业的其他五大能力，如图 3-18 所示。从第 4 章开始，我们将分别阐述这五大能力。

图 3-18   精益数据战略打造五大能力

三、富国银行的精益数据战略

富国银行是一家从董事会开始贯彻实施精益数据战略的企业，该企业将数据资产作为核心竞争力，通过识别价值场景、构建数据中台，全面转型成为一家数据驱动的领先企业。

01：

富国银行的数据转型之旅

富国银行有 166 年历史，一度被称为“美国最佳零售银行”，以创新精神和良好的客户体验著称。富国银行从很早开始就重视数据，早在 1983 年，富国银行就建立了自己的企业级数据仓库系统。

在很多企业中，对于数据存在较深刻认知的主要是 CTO 或者 CIO 这样的技术角色。与之不同，富国银行的 CEO 蒂姆斯隆对于数据的重要性有着自己的解读，富国银行更是少有的将数据战略写入董事会战略里的企业之一。

但是在 2017 年之前，像大部分银行一样，富国银行的数据平台和应用是围绕业务线建立的，每个业务部门、产品线都建立了独立的数据系统，导致虽然富国银行拥有超过 7000 万的大量客户数据，但是它们分布在多个银行部门和系统中，很难查询和共享。例如，信用卡部门不知道客户的抵押贷款和投资经历，业务人员只能了解客户的局部信息。

为了打破这样的局面，实现通过数据全面地描述出客户画像，并且提升企业各级的决策和业务经营能力，在 2017 年，富国银行启动了数据转型之旅，建立了全行集中、统一的数据运营和洞察团队，开发整体的数据战略和平台架构，从而支撑高级数据分析功能。

富国银行的数据转型主要包含以下 4 部分工作内容：

实现企业级数据资产管理和数据治理；

识别面向未来的业务场景；

构建企业级现代化数据平台；

建立数据运营和洞察团队。

数据转型项目帮助富国银行梳理出高价值密度、体系化、全行统一的数据资产，并且通过构建企业级一站式数据中台，赋予各业务部门数据自服务的能力，从而在多个业务领域打造了卓越的数据产品，更好地了解了客户的行为，并且提高了管理能力，降低了风险。富国银行的首席数据官说过：“数据使我们的企业变得更加敏捷和高效。”

02：

富国银行的数据战略

“如今，每一个人都了解数据分析和机器学习的强大功能，知道要围绕客户的需求去构建系统，从而实现与客户的个性化交互，但是很少有银行建立全面的数据战略。”富国银行战略副总裁曾在一次访谈中提到，“大部分公司的数据都有问题，原因有几个，其中首要的就是大部分公司在设计 IT 系统的时候，没有真正考虑到数据将成为 IT 系统的重要元素，没有预料到大数据革命，所以，这些公司没有设计好整体的数据架构。”

这就体现了数据战略的重要性。富国银行通过建立全行级别的数据战略，清晰地洞察了银行目前的状况，以及未来数据能够做什么。

通过数据战略的建设以及定期的迭代优化，富国银行能够清晰地知道自己都拥有哪些数据，这些数据在哪里，从业务角度看有什么价值，未来还需要哪些数据，这些数据将通过什么渠道来获取，再根据企业级数据旅程地图去完善后续应用系统建设的数据战略，从而从一开始就拉通企业整体的数据规划，避免后续应用系统中的数据孤岛问题。

富国银行的数据战略的主要内容如图 3-19 所示。

图 3-19   富国银行的数据战略

03：

富国银行的数据资产管理和数据治理

富国银行在数据治理领域的工作做得非常全面和细致。

富国银行的数据治理策略由首席数据办公室牵头制定，其内容包括企业数据治理策略、企业数据标准等。这些内容进一步定义和记录了管理和维护关键数据资产的有效方法，并与银行原有的合作、贷款、信息安全、记录管理以及数据保护和隐私等方面的政策保持一致，从而确保各方以正确的方式利用数据并符合相关的法律和监管要求。数据治理对企业实现愿景和价值观，提升目标一致的运营效率，增强的客户体验至关重要，只有可信的高质量的数据才能帮助企业实现业务战略。

企业级数据治理的重要工作目标如下。

梳理和建立企业的数据目录，让需要的人随时能够清晰地知道在哪里获取什么数据、数据产品及服务。

确保银行的风险数据有统一的定义（元数据），且可追溯至记录系统。这样，无论计算方式为何，数据的传输过程都会有清楚的记录。

将常用的数据整合成统一版本。监管人员或银行员工查询某个具体数据时只能从一个地方取得数据，从而避免他们从多处获得不同的答案。

建立互通的数据沟通语言、工具、平台，从而让不同业务线及内外部都能够获取一致的可信数据。

通过执行这些数据治理工作，银行能够更好地管理风险，并使用数据来解决问题，以及挖掘银行各项业务之间的机遇。

富国银行的数据治理不仅包括制定战略层的标准和流程，还包括管理数据技术的基础架构，统一集成交换技术的标准等。最重要的是，将战略层的数据标准体系在面向未来的业务场景中落地，通过测试来验证这些标准的可行性，再对其进行优化，从而保证数据治理不是停留在理论层面，而是进入可以通过技术手段去落地执行的项目实施层面。

在进行数据治理的同时，富国银行全面地梳理了自己的数据资产。

富国银行在 2017 年分析了自己的金融数据全景，制定了企业级数据资产管理的全生命周期的流程，从主机数据到数据湖，包括分析运营数据、价格策略数据、用户日志数据等，将数据源、数据类型、数据分析方法、技术手段统一进行分析和设计，从而保证了企业级的数据处理的标准化和顶层设计的一致性。

这与精益数据方法提倡的企业数据资产蓝图是同样的思路，即在业务应用之上建立一个企业整体的数据架构全景，然后根据该架构全景来管理自己的数据，包括已经生成的、正在生成的，乃至未来会产生的数据。

为了把数据资产管理和数据治理的策略执行得更好，富国银行设置了一个数据管理和洞察的岗位。这个岗位的主要职责是围绕业务目标去使用和管理数据，进行客户洞察，并保证数据操作满足监管要求，不同的业务线都有对应的数据管理和洞察顾问。

富国银行的数据资产管理和数据治理是面向业务目标的数据应用工作，融合了业务、技术和数据岗位的职责，而不是一个纯粹的技术工作。

04：

富国银行的面向未来的业务场景蓝图

富国银行的数据战略中有一个很重要的部分，就是银行不仅要分析数据现状，还要面向未来设计业务场景，规划数据应用蓝图，就像富国银行战略副总裁 Pankaj  Rai 在访谈中所说，“要将数据的架构设计放到 IT 系统设计之前”，这就是提前探索设计业务场景蓝图。

基于业务场景蓝图，富国银行建立了面向数据分析的运营模型（Analytic Target  Operation  Model），从而把数据智能能力赋予所有业务部门，优先级最高的速赢项目是用户体验改进、用户和市场洞察、风控管理和赋能企业客户这 4个高价值领域。

1、用户体验改进

富国银行的客户洞察团队，通过对 7000 万用户数据进行整合分析，将不同的数据转化为可靠的洞察，加深了对用户行为的了解，改善了用户体验。

富国银行的首席市场官在一次采访中提到，富国银行通过人工智能技术，将多个渠道的用户行为数据、交易数据整合起来，更加全面、细致地了解他们喜欢什么、想要什么，以及如何使用富国银行的服务。在此基础上，银行优化了门户网站的设计，为用户提供更加个性化、更加高效的体验。

2、用户和市场洞察

通过整合客户的有效信息，富国银行可以了解其交互历史，并可以分析过去的交易以确定他们采取某些行动的原因，了解为什么不同类型的客户反映不同的业务结果和行动模式。基于此，银行可以预测客户行为，根据客户资料和客群画像来制定产品策略。

比如，基于大量的数据、统一的用户画像，富国银行构建了客户数据平台（CDP），在这基础上做了很多的分析应用，比较典型的有用于客户服务的 Chatbot，富国银行是全球最早推出 Chatbot 的大型银行之一；用户在手机上通过 Facebook 接受银行的预测型服务，比如给出如何管理现金流、如何平衡收支以及理财的建议。

3、风控管理

风控是金融企业最重要的业务领域，也是数据智能能够发挥价值的所在。富国银行将数据和智能技术深入地应用在风控领域，比如反洗钱、信用卡反欺诈等。富国银行在风控领域聚焦以下几个价值场景。

信用卡反欺诈

富国银行数据团队建立了一种可以持续检测潜在欺诈可能性的人工智能模型，将该模型部署在业务系统中，在业务发生的同时就能够自动检测潜在欺诈的发生概率，当概率超越阈值的时候，自动采取对应的业务动作。这大大地减少了人工调查反欺诈案件的情况。

银行卡反欺诈

银行卡反欺诈是典型的业务场景，零售和商业银行都希望识别出破产、违约、预付、重组贷款等高风险事件，从而降低由于借款人未能履行合同义务而带来损失的风险。

4、赋能企业客户

富国银行基于自己的数据和数据平台，开发了一系列数据产品和服务，不仅应用在自己的企业业务上，还将其变成增值服务，提供给企业客户，让这些客户也可以利用这些能力创造价值。

富国银行制定数据战略时在用户场景梳理部分有以下两个值得借鉴的特点。

第一，以用户为中心，基于用户旅程做梳理。

很多企业根据数据来规划工作内容，而富国银行的场景梳理不依赖数据，只考虑用户价值。富国银行梳理了核心的用户角色，以及每个角色的用户旅程，然后识别出用户痛点，结合业务目标，制定业务场景蓝图。这个场景蓝图就是该银行数据转型的目标，对阻碍这个目标达成的困难，团队要想办法一一克服。如果没有数据，就去构建应用采集数据；如果数据质量不高，就实施数据治理去提高质量，不能让数据现状限制业务价值的创造。

第二，对价值场景分级、分类，急用先行。

业务场景蓝图包含非常多的场景，企业不可能一次性将它们全部实现，所以富国银行将业务场景分级、分类，围绕业务战略，针对最核心的痛点和问题，从投入产出比、需求紧迫程度、建设复杂度等多个维度梳理了建设优先级清单，急用先行。

05：

富国银行的企业级现代化数据平台

富国银行在 1983 年就建立了自己的企业数据平台，拥有包括 SAS、Teradata、 Oracle 等各种软件。在这次数据转型项目中，富国银行希望构建统一的数据基础架构和以 Hadoop 为核心的现代化数据平台，从而让数据能够以统一的服务界面被业务应用使用和消费。

富国银行所实施的工作内容和构建数据中台的理念是一致的，主要包括如下组件。

1、现代化数据平台

富国银行持续地进行遗留数据系统的现代化迁移，将传统的 Teradata、 Oracle、SAS 这样的单体数据平台迁移到云上或者基于 Hadoop 搭建的开放数据架构上，从而将企业的数据进行整合和统一。通过这个过程，富国银行关闭了 100 多个独立数据中心，降低了成本，同时提高了数据一致性和可用性。

由于富国银行原来的数据是分散在各个公司、部门、业务线的，所以整个企业独立的数据平台的迁移是基于整体的数据战略的，以保证迁移后的数据是互通的，符合银行的顶层设计。

2、企业级数据湖

富国银行的数据量庞大，包含以下类型的数据。

内部数据：客户的账户和资金收付交易记录等结构化数据；客服音频、网点视频、网上银行记录、电子商城记录等非结构化数据。

外部数据：美国征信机构对每个客户的信用评分及信用报告信息、评级机构提供的信息、工商法院提供的信息、客户社交关系信息、客户消费信息等。

富国银行建立了以 Hadoop 为基础的、由数据中台集中管理的分布式数据存储架构，通过多样化的技术、统一的集成标准来管理企业级数据。

3、用户数据平台

富国银行围绕客户，打通了各业务线的数据，建立了“横向客户视图”，也就是我们所说的用户数据平台。企业通过用户数据平台让业务人员掌握全面、一致的用户信息，帮助他们做出最准确、实时的业务决策。

4、元数据管理

为了对元数据进行统一定义和管理，富国银行建立了一套全企业一致的描述数据的语言，从而从最底层开始应用数据治理体系，保证了数据在高速变化的情况下的唯一性和一致性。

5、数据集市

在数据湖的基础上，富国银行建立了面向业务价值的数据集市，所有的数据服务都基于数据集市产生，能够更快地、实时地为业务提供数据支持。

6、数据 API

正如 Pankaj  Rai 所说，“ API 是最佳的协作方式之一，未来的企业将由 API来驱动”。富国银行构建了自己的 API 网关门户，将数据以 API 的方式供内外部使用，构建自己的生态。

在富国银行，数据不仅可视化，还智能化。将数据产品或服务的 API 嵌入到业务系统中，实时地影响业务的进行，将人工操作报表转变为通过 API 实时控制，使业务更加智能。

7、机器学习

富国银行在 2018 年宣布成立了自己的人工智能解决方案团队，帮助企业将

机器学习等人工智能技术应用到业务的各个领域。银行在 2018 年 2 月份向所有客户推出了基于人工智能的预测银行功能，能分析客户的银行活动并向他们发送警报或建议，帮助他们采取行动以实现积极的理财策略，并避免损失。

8、自然语言处理

人们越来越喜欢使用语音与数字设备交互，而不是在他们的键盘上打字。基于这种趋势，自然语言处理技术可以成为我们的声带与系统应用之间的桥梁。在银行业，语音验证比密码更简单、更安全、更高效。它还可以在人们支付账单、汇款转账或进行其他交易时提供更多选择和便利。富国银行是最早将自然语言处理应用到数据领域的金融企业之一，基于该技术构建了智能客服系统。

9、数据自动化处理

人工智能系统可以学习如何收集、组织和解释随着时间推移以相同格式出现在相同位置的数据，从而减少人们花在重复性任务上的时间。例如，银行进行客户开户审批，过去业务人员需要花费大量时间访问数十个文档和系统，而部署人工智能解决方案之后，业务人员可以专注于客户及其需求，人工智能系统则可以向客户提出所有正确的问题以及筛选出要审核的内容。

通过现代化数据平台的建设，富国银行完成了全行统一的数据汇聚和存储过程，打造了标准的数据处理链，并且在该处理链的基础上构建了优先级最高的数据产品。

06：

富国银行的数据运营和洞察团队

富国银行在 2014 年就设置了首席数据官，建立了统一的数据运营和洞察团队，拥有 5000 多名数据方面的技术人员，帮助各个业务领域、组织单元进行数据运营和洞察，从而更好地利用数据达成业务目标。

1、富国银行数据团队的关键角色

富国银行数据团队的结构大致如图 3-20 所示。

图 3-20   富国银行的数据团队结构

富国银行的整个数据团队由首席数据官来统一管理，下设3条线。

（1）数据战略与治理

数据战略与治理团队主要负责数据战略和标准体系的制定，包括保证数据质量、安全和管控。该团队的主要岗位如下。

数据战略顾问

数据治理专家

数据集成顾问

数据隐私官

数据工程与科学团队主要负责数据平台、工具的构建，为企业提供数据科学、机器学习等能力。该团队的主要岗位如下。

人工智能 / 机器学习算法工程师

数据科学家

大数据中心工程师 / 数据平台工程师

数据处理专员

测试数据工程师

数据应用与洞察团队主要负责与业务团队一起进行数据分析和挖掘、数据建模和开发，以及运营数据应用、产品和服务。该团队的主要岗位如下。

数据管理和洞察顾问

应用数据负责人

数据建模顾问

主数据管理

数据分析顾问

数据风险管理团队

数据产品经理

2、富国银行数据团队的组织结构和协作模式

富国银行的数据战略非常明确地提出，要成为数据驱动的企业，企业要做一项很重要的工作，就是让数据成为企业经营生产的新要素，每个人都要掌握利用数据的能力。为了更好地推动数据在业务中的使用，富国银行建立了一个5000 人的数据团队，并将这个团队分层，融入各个业务板块当中。

富国银行的数据团队分成两个类型，形成矩阵式结构，能与业务团队更紧密地协作，如图 3-21 所示。

图 3-21   富国银行的数据协作关系

07：

富国银行给我们的 4 点启示

富国银行的数据转型案例是业界的标杆，接受了众多的媒体报道。通过对这个案例的研究，我们发现富国银行的数据战略是整体转型成功的基础。富国银行给我们的启示主要有以下几点。

1、以用户为核心去分析痛点需求。富国银行利用数据的 4 个高价值领域，其中 3 个都是以用户为核心的。所以一定要围绕用户去分析痛点需求，而不要以企业自己为核心。

2、业务价值场景是数据转型的有力牵引。数据转型的本质是让数据产生业务价值，而不是完成高质量的数据治理，所以，以业务价值场景为牵引去按图索骥地治理和利用数据，才是可持续的数据治理路径。

3、数据中台的建设要结合价值场景推进。企业要建立统一的数据中台，整合数据资产，打通数据，让前线业务人员能够获得最全面的用户和市场洞察，而这一切必须要结合价值场景去推进，否则这些数据没有对应的应用场景，只能沉睡在数据库里，数据质量再高用户也感知不到。

4、让数据团队在实践中播种数据驱动的文化。数字化转型是一项长期工作，当所有人都具备相关的数据能力时才达成最终的成功，所以数据团队不能闭门造车，要深入到具体的业务中，与业务人员一起战斗，才能够在实战中播种数据驱动的文化。

每个企业都需要清晰的、可落地的数据战略，指导企业数据资产的构建和数据要素价值的生产。精益数据战略就是吸取了类似富国银行这样的成功实践的战略规划方法，以业务价值驱动，围绕业务场景，打造业务场景蓝图、数据资产蓝图和数字化技术蓝图，帮助企业实现数据驱动的数字化转型，构建精益数字化企业。

以上内容摘自《精益数据方法论：数据驱动的数字化转型》一书，经出版方授权发布。