从很多方面来说，科技公司都是自身成功的受害者。 它们已成为重塑整个行业以及我们日常生活的创新类型的代名词，同时享受着长期令人印象深刻的增长。 然而，股价下跌表明投资者希望科技公司不惜一切代价超越增长。 组织现在正在通过产生稳定的现金流、降低成本、提高生产力和提供更好的客户体验来寻求更可持续的增长。 更好的数据管理是在所有这些杠杆上取得卓越表现以实现可持续增长的基本要素。
但问题就在于此。 这似乎有悖常理，但那些经常使用客户数据来推动其业务模式或增强其产品的科技公司往往在管理自己的运营数据方面遇到困难。 事实上，他们与其他行业的组织面临许多相同的问题，包括数据质量差和缺乏治理流程。 利用组织数据来支持更规范的增长将需要科技公司解决阻碍其数据管理的根本问题。
实现可持续增长的四个数据驱动杠杆
四个数据驱动领域可以帮助公司实现增长，同时最大限度地提高生产力和运营效率。
转变商业模式以实现稳定的现金流
科技公司面临着产生更稳定现金流的持续压力。 因此，许多人正在考虑转向各种服务模式，以创造可靠的月收入流。 这种方法不仅应用于基础设施、平台和软件，还应用于笔记本电脑或打印机等设备。
这些新的服务模式需要客户、外部合作伙伴和内部团队之间更高水平的信息共享。 参与需要从一次性交易（例如购买一件硬件）转变为多次日内通信（例如，监控云使用情况并根据需求扩大或缩小规模）。 为了支持这一转变，公司可能需要提高其数据集成能力并聚合通常困在 Excel 电子表格中的数据，以便为客户提供对使用数据和其他信息的按需访问。
科技公司可以采取两个步骤来缓解这一转变。 首先，他们可以为内部数据源系统以及外部合作伙伴建立一套明确的数据集成规则（例如，要求所有新应用程序开发 API 来访问数据）。 一些公司甚至严格遵守合规性，不与不遵守这些数据集成规则的供应商开展业务。 其次，他们可以通过实施关于如何在关键业务流程中使用和存储 Excel 模板的标准化框架，将数据从 Excel 电子表格中移出。
主动管理内部成本
由于通胀上升和供应链紧张是造成利润压力的首要因素，科技公司正在寻求替代手段来降低成本。 然而，组织通常不清楚哪些数据解决方案可以优化整个价值链的成本。
为了创建路线图，科技公司可以确定内部运营最关键的数据用例。 然后，他们可以通过计算相关价值并量化数据解决方案对成本基准的影响程度，为数据计划建立动力并获得支持。 例如，组织可以模拟最有效的配置来进行研发或评估数据中心以减少能源使用（例如，通过对关键资产使用数字孪生）。 数据驱动的洞察还可以帮助组织确定是否向某个供应商支付过高的费用，更准确地预测业务成果，并优化资源分配。
一家欧洲硬件制造商评估了数据解决方案可产生的价值，发现其供应链每年可节省超过 2.5 亿美元。 借助这些数据解决方案，该公司能够更好地预测外包产能和库存水平，将预测准确性提高 30% 以上，并将库存水平降低 2% 至 3%。 企业领导者利用节省下来的资金来资助一项多年的数据转换计划，以实现供应链网络的完全数字化。
提高生产力
技术制造商正在识别流程瓶颈和需要过多人力的活动，并正在探索使用机器人流程自动化 (RPA) 来释放产能。 这些解决方案历来受到详细过程级数据准确性的限制。
公司通常不认为数据是 RPA 和数字化最重要的推动因素之一。 一些科技公司在自动化解决方案上投入了数百万美元，但由于数据不完整或质量低，未能产生太大影响。 通过适当的数据管理，公司可以实现工作流程自动化（例如，企业资源规划 [ERP] 数据输入），以提高效率和准确性，同时将员工重定向到更高价值的任务。
创建内部数据和精选数据产品的中央存储库，在不限制速度的情况下提高可用性
由于科技行业一直是并购的源泉，连续收购者往往无法优先考虑内部数据的数据协调，例如使用情况、计费和服务。 取而代之的是，拥有卓越技术和创业文化的团队将事情掌握在自己手中（例如，通过建立自己的数据生态系统），使组织面临不同且不一致的内部数据源。
相比之下，一些科技公司试图通过在数据湖上投资数百万美元来集中应对这一挑战，但由于上市时间缓慢、数据资产之间的依赖性和成本，这些公司最终未能改善各个业务部门或职能部门的数据访问。
科技公司可以创建一个充分利用这两种方法的生态系统。 原始数据仅从优先内部来源（例如客户关系管理 [CRM] 和 ERP 系统）提取到可供内部消费者访问的集中式数据湖中。 例如，一家硬件制造商实施了一个中央平台，第一年就吸收了 300 多个来源。 具有深厚技术专业知识的数据工程师团队负责构建和维护可靠的数据管道。 通过随时访问数据，业务团队现在有可能将解决方案的上市时间缩短 50%。
同时，公司可以构建数据产品3，这些产品将由业务部门内的团队使用中央数据团队为整个组织定义的最佳实践和技术拥有和构建。 然后，整个公司的团队可以将这些数据产品用于他们的特定用例。 数据将通过 API 提供，并且数据治理可以构建到设计中。 一家电信运营商创建了一种产品，可提供有关蜂窝网络设备的全面数据，以支持投资决策、场景规划和网络优化。 该公司估计，在 150 个用例中使用该数据产品可以在头三年内节省数亿美元的成本并增加额外收入。
建立数据治理计划
许多科技公司尚未实施企业数据治理计划。 如果没有系统化的数据治理，数据安全就会成为由不同团队处理的孤立工作。 与银行业等监管更严格的行业相比，科技公司在实施先进的数据治理流程和工具（例如数据所有权、可追溯性和目录）方面落后了几年。
为了解决这些缺点，科技公司可以考虑启动或加速其数据治理计划，以首先覆盖其关键数据资产。 这项工作涉及定义数据域和角色（包括数据所有者），同时努力确定每个域最重要的数据元素。 为了使治理工作真正有效并能够扩展，公司将考虑部署数字工具来自动化数据治理并将解决方案嵌入到端到端流程中。
一家金融机构采取了积极的方法，通过使用数据治理框架来释放数据。4领导者首先确定领域和数据元素，然后就每个数据集的敏感性达成一致。 这项措施使所有员工能够访问大约 60% 的低风险企业数据。 然后，该团队构建了解决方案来监控数据的使用方式并自动标记不当行为。 每个团队都必须使用一组库，如果不符合标准，代码就无法投入生产。 该公司采用端到端方法来扩展数据治理，这使其能够将数据解决方案的上市时间缩短 40%、降低风险并最大限度地增加创新机会。
启动“大规模数据质量”计划
组织经常面临低质量数据的困扰。 在麦肯锡最近的一项调查中，约 60% 的科技高管强调数据质量差是扩展数据解决方案的主要障碍。5这可能会产生广泛的影响。 例如，根据一份报告，数据科学家平均花费 45% 的时间来准备数据以供使用，而不是构建和调整分析模型，这是他们接受过专门培训且报酬很高的任务。 6
为了扩大数据质量工作，科技公司可以优先考虑三项行动。
组织可以使用人工智能技术解决方案自动检测数据质量问题并提出修复建议。 一些组织已经成功地探索了这种方法。 一家医疗技术医疗保健公司使用数据源三角测量和自定义逻辑树来检测和修复货运数据中的质量问题。 这些工具将集装箱重量测量和尺寸的准确性从 60% 提高到 90%，每年节省超过 500 万美元。
公司可以实施激励模型，围绕数据质量团结全体员工。 一家科技公司将最重要领域的数据质量评分 (DQS) 作为其记分卡的一部分，并且一组目标员工根据他们对 DQS 改进的贡献获得了奖金。 由于这种完全一致，数据质量成为该组织的首要任务，其 DQS 显着提高。
组织可以在生成数据时实施质量控制，以防止从一开始就发生错误。 这种方法有先例：许多科技公司对面向客户的应用程序进行控制（例如确保邮政编码包含五个数字），但不在内部应用程序中强制执行相同的检查。 一个有效的解决办法是向负责生成数据的应用程序的内部 IT 开发团队提供一组标准化控制。
科技公司目前正处于一个转折点。 投资内部数据计划提供了一个重要的机会，可以保持持续增长、采用新的业务模式来支持现金流、提高效率并提供客户所需的数据安全级别。
