Google 指南：打造数据驱动的文化

数据告诉我们，数据文化很重要。

数字革命为每个企业带来了前所未有的机会和风险。廉价而丰富的在线资源可以带来新产品、新市场和更丰富的客户关系，但也可能会加剧竞争和扰乱市场。

当我们困扰于变化时，不妨牢记不变的核心原则：了解市场。以客户为中心。完善产品和服务，并随时准备拥抱变化。提高效率。

换言之，整合你的数据，并善加利用。 围绕数据打造职场文化。当涉及的人员不同时，呈现的面貌可能大相径庭。如果您分别出于创新和解决难题的目的为两支不同的团队提供同一组技术和数据，可能会获得截然不同的结果。不同的团队需要协调好他们的目标和数据，才能开始打造成功的文化。

文化本身就是一种催化剂。 麦肯锡的《为什么数据文化至关重要》指出：“文化既可以是一个多因素的复杂性问题，亦可成为一个综合性的解决方案。如果组织的数据使命与其业务策略和核心运营脱节，数据分析计划的结果未达预期也就不足为奇了。反之，当数据分析的热情渗透整个组织时，它就会化作能源和动力。毕竟，技术的魔力着实令人惊叹。我们不妨设想一下，倘若有着与之匹配的文化，科技将会带领我们走多远。”

使用数据并不是什么新鲜事。自商业兴起以来，人们就开始观察事实，分析影响因素，并总结规律。现代统计的历史可追溯至 1749 年，而以数据为依据的管理工作在过去一百多年时间里极大地拉动了全球 GDP，并且复杂性一直在增加。这些是数据驱动的变革时代，它们之所以发生，是因为人类能够充分利用数据。

人们组织的工作方式随着所掌握的数据的数量和质量变化。古代农民使用非官方数据来观察天气规律，而实业家则为标准化的机器工具申请专利。在计算机时代兴起时，我们应用数学和运筹学。现在，我们需要一种更强大的，可以在整个企业中广泛使用的方法。

它的前景是怎样的？我们先来看看机会的规模。2002 年，数字存储容量超过了模拟存储容量的总和。从那时起，典型企业的数据复合年增长率约为 60%。不仅数据量增加，而且来源也更多元化，包括浏览器、传感器、智能手机和移动设备，更不用说计算机。变动幅度的复合年增长率则难以计算。

Google 一直在思考这些机会。毕竟我们成立的使命就是是整合全球信息。多年来，我们致力于研究如何从多种类型的海量信息中产生洞见和行动，并解决了很多有趣的相关问题。现在，用户可以在眨眼间完成这个任务。

我们致力于为消费者和企业提供数据洞见以及转化为实际行动的能力，包括通过与企业合作的广告业务，以及通过我们在 Google Cloud 提供的数据管理和数据洞见工具和服务。我们的产品帮助世界各地的公司加快了数字化转型和创新，包括 ANZ、Mayo Clinic、Sanofi 和 UPS 等。以 AirAsia 为例，该公司正朝着“数字化航空公司”的方向努力。这一转型已经成功帮助他们获取新的数据洞见、提升敏捷性，以及提供更加个性化的体验，使其从行业中脱颖而出。AirAsia 首席产品官 Nikunj Shanti 表示：“我们必须成为一家数字化航空公司，以提供更多的个性化客户体验并改善预订和票务体验。我们已从数据管理转变为数据驱动的决策。”

我们在自己的发展历程以及帮助客户解决难题的过程中学习到许多关于内部组织优化数据的经验教训。其中的部分经验教训在此电子书的“为何数据文化至关重要”部分中有体现。它主要有四个关键部分：基于信任运营、普及数据洞见、提高业务敏捷性和应用智能技术。

大规模组织数据操作时，会遇到一些引人注目的问题。数据技术的进步意味着能够实现更多访问，并且更容易管理。大规模管理和处理数据并非易事，与过去的数据处理相比，这带来了新的挑战；在许多情况下，这种挑战通过今天强大的流程自动化和各种工具得到了缓解。当然，更多的访问意味着安全性、质量和可解释性方面的新挑战。

成功企业的秘诀在于，他们的流程能够反映对客户的理解和关怀，从而催生出优秀的产品。换言之，所有优秀的企业都有优秀的内部文化，然后才产生了这些结果。通过求知欲和创造力，人们能够适应各种环境。在适当情况下，他们会挑战现状，并根据新的数据洞见进行创新。他们利用数据的强大功能并调整和应用流程，以从数据中发掘新价值。

今天，庞大的数字转型使人们越发意识到围绕大规模收集和使用数据塑造正确文化的必要性。这个行动越早开始越好，因为历史告诉我们：努力追寻新目标的企业从来不会拒绝更多数据，只要是有用的数据。云计算、数据管理、数据分析和人工智能技术的进步不会放缓。任何想要改变世界的企业也不应该放慢脚步。

在企业想要重塑数据文化或创造新文化时，以下这些 Google Cloud 产品非常有用。

• Cloud SQL：轻松地将本地工作负载迁移到全托管式 Google Cloud
• Cloud Spanner 和 Cloud Bigtable：可实现大规模可伸缩性的云原生数据库服务
• BigQuery：支持 PB 级超快数据仓储
• Looker：适用于现代商业智能、嵌入式分析和以数据为依据的应用
• Dataproc：使用 Hadoop 和 Spark 集群进行大数据处理
• Dataflow：快速、无服务器地处理批量和流式数据
• Pub/Sub：向独立应用发送消息以及从独立应用收取消息
• Dataprep：快速直观地准备数据以用于分析或机器学习
• AutoML：无需太多专业知识即可训练自定义机器学习模型
• AI Platform：将机器学习模型引入本地或 Google Cloud 上的部署

当今的企业面对着永远在线的期待、快速发展的技术和海量的可用数据，业务敏捷性是他们渴望的状态。什么是敏捷性？如何才能获得敏捷性？在 Google Cloud，我们认为这涉及到人员、流程和数据，以及可帮助优化这些数据的技术。它让组织中的人员专注于他们擅长的领域，而不是忙于繁琐的低价值工作。他们可以选择想要的工具和服务，并且在需要时可以获得这些工具和服务。它强调行动、思考和创新，而不是埋头苦干。

在技术专家口中，他们最急需的工具是数据工具，这在现代世界中也非常明显。企业中的数据已经很饱和，同时每天都有更多的数据涌入。实现敏捷性需要站在其他人的肩膀上，尝试专门构建的工具，然后敢于大规模使用它们。这些工具包括可摆脱单调乏味的工作的托管式数据库。这些工具包括经过微调和精简，可供大多数用户使用的大数据分析。它们包括企业收集的所有数据，这些数据以可重复的方式处理，使其变得持续有用，然后通过可视化和具有实操性的方式提供。这些工具可以询问数据问题以做出更好的决策，甚至可以训练数据以从中获取预测结果。

当我们谈论敏捷性的概念时，我们讨论的是态度，以及一家公司使用的技术。最初，Google 使用现成的技术。随着公司的发展，在此过程中我们学到了很多重要的经验教训。公司的规模导致我们不得不做出反应和调整（敏捷性）。我们意识到让开发者运营自己的堆栈并不高效。在 Google 开发技术时，我们注重简洁、自动化和开放性。我们了解到，当用户可以使用全托管式集成技术时，数据便会扮演不同的角色。现在，Google 员工不担心缺乏技能或缺乏操作、扩缩或管理数据的敏捷性，他们不必花时间搜索正确的数据，也无需对查找或分析这些数据所需的硬件或软件进行修修补补。我们相信，这种心态可以帮助用户更好地协作，并减少或消除常见的孤岛和瓶颈。我们发现，这种态度在 Gmail 等内部产品的开发过程中发挥了作用；虽然自诞生以来一直在演变，但 Gmail 一直保持着简单易用、人性化的使用体验，即使在企业规模也是如此。

客户告诉我们，他们如何根据新的敏捷态度调整技术和文化。例如，一家全球媒体公司将多个数据中心和 1200 项服务迁移到了 Google Cloud。获得敏捷性是该公司发展的主要驱动力：更高的服务层次使他们可以更快地交付更好的产品，并专注于内部团队最擅长的领域，即开发音乐服务，而不是管理数据中心。该公司致力于在团队需要数据时提供正确的数据，通过用于流式数据分析和处理的工具提高了敏捷性。

Twitter 的分析基础架构以数据湖的形式构建，每天收集 PB 级的数据，并且必须将其复制到多个目标位置，以快速为用户提供内容。该公司决定将数据集复制到 Cloud Storage，以便能够利用 Google Cloud 上的 BigQuery、Cloud Bigtable 和 Dataproc 等产品。用户可以使用自助服务访问他们所需的数据，从而提高整个企业的灵活性。

全球金融机构汇丰银行将其本地数据仓库迁移到 Google Cloud，以提高灵活性、交付较小的工作负载并将自动化功能构建到流程中。他们消除了技术债务，并构建了一个专注于创新而不是基础设施管理的数据平台。自迁移以来，汇丰银行拥有了更完善的开发和测试流程、数据仓库中的单一可信来源，以及可确保数据安全访问的授权视图。用户可以不受约束地探索数据，客户也可以快速地找到所需内容。

归根结底，敏捷的企业是成功的，它能够响应市场需求、不断变化的客户需求以及出乎预料的挑战。想一想您的人员和数据现在是如何互动的，以及可以如何加以改善。

研究显示，建立数据文化能够带来切实的业务成果。您打造的文化将专门针对贵组织的需求和目标，在理想情况下可以将用户、流程和数据整合到一起。

当然，数据部分至关重要。我们已经讨论了如何设置技术基础设施，以使数据提供所需的洞见并帮助企业提高敏捷性。此外，将智能技术应用于数据也很重要，这样，数据当下就能为您带来价值，但也能在未来发挥作用。十多年前无法想像的 AI 和机器学习工具已经出现并得到应用，并且不仅仅是在学术领域或少数几个大型企业。据采用此类高级分析技术的企业反映，他们能够做出更明智的决策并获得竞争优势。

在协作式数据文化中，所有人都可以轻松访问高级分析工具和输出。确定哪些团队需要哪些信息后，您就可以为用户设置合适的数据，让他们来完成工作。包括优化运营和业务流程、进行研发，或回答日常问题。根据实时数据提出分析问题可为您开启创意和创新之门。除了了解上个月的销售数据外，您还可以应用数据在某个客户进行线上购物时了解他的多渠道购买记录，从而根据购买记录和购物车内容实时推荐商品。

当高级分析融入熟悉的工具和应用中时，它们已经是日常工作流的一部分，使用户能够轻松获得所需的答案。它还能够消除各团队之间的孤岛，例如，销售或营销主管不需要向分析团队的主管请求报告。他们只需共同处理一个数据集，便可以更快地做出数据驱动的决策。坚实的数据仓库基础意味着有充足的容量可供使用，每个人都可以获得所需的数据洞见和报告。

美国癌症协会是 Google Cloud 的分析客户，他们利用 AI Platform 识别数字病理图像中的新症状。他们训练了 AI 图像分析模型用于发现癌症指示，使研究人员能够更快地识别出这些指示，从而改善患者的治疗效果。现在，研究人员的图像分析速度比以前快了 12 倍。

LG CNS 还使用 Google Cloud 的数据分析工具来识别其产品生产线上的缺陷。他们之前训练过机器学习模型，但使用 Google Cloud 后，模型训练更快、更准确。通过更高效的流程，LG CNS 每年可为每个生产线节省约 100 万美元。

在 Google Cloud，我们将 AI 和机器学习技术内置到各种系统和位置中，例如 BigQuery（用于数据仓储）、Contact Center AI 和文档理解。这类数据洞见不应该仅供企业内的少数用户使用或者难以访问。我们使用常见的 SQL 接口构建了 BigQuery ML，因此您只需编写查询即可使用机器学习功能。此外，我们内置的高级分析功能意味着您将为下一代智能技术做好准备。

我们坚信，智能技术应跨流程、人员和数据嵌入。当用户获得了需要的数据并且流程非常简单，他们就可以进一步发挥奇思妙想。

在现代世界中可以获取的数据类型可能令人震撼或者出人意料，但最重要的是有用。收集大量数据的最佳结果是提供数据，提供方式可以是图形、报告或者融入日常业务工作流。通过将数据与人类知识和理解相结合，您可以以新的方式审视业务计划和项目，并激发新的见解和想法。

如今，我们有大量技术可供选择，但只有当使用技术的人可以轻松访问它时，才能有效推进业务发展。虽然现在我们有非常丰富的数据源（IoT 传感器、业务应用、营销数据等），但企业内不同的人可能会使用不同的信息或重复的数据，结果很可能是在组织内形成重复的数据孤岛。

组织的数据只有唯一可靠来源，每个人都可以随时以各种方式访问数据，这是一种非常理想的状况。这需要将必要的数据注入到数据仓库中，在 Looker 等企业 BI 系统中创建数据模型，这些数据模型可从 10 到 20 个 SaaS 应用中获取数据，或者跨公有云获取数据，然后使可靠来源可供所有团队使用，并且在此过程中没有预配延迟或请求瓶颈。数据治理也非常重要，它可确保正确的用户具有正确的访问权限，从而使数据在整个使用和生命周期内始终受到保护。在现实生活中可能是这样的场景，数据分析师运行自助报告来细分销售数据，或者机器学习专家创建模型来预测收入或创建新工具。数据文化也包括团队协作，而不是团队仅在需要完成任务时才有交集。如果数据文化在技术的支撑下蓬勃发展，用户就有会有时间和资源来开展有助于推动业务发展的新项目。

为了能信任和使用数据，并询问关于数据的问题以推进工作，您需要具备适合数据洞见的技术基础。您在选择数据分析技术时可能会提出的问题包括：

• 您是否可以获得组织数据的集成视图？
• 您组织中的业务用户也可以轻松查看他们需要的数据吗？
• 平台是否可以实时注入流式数据（而不超出预算）？
• 平台是否可以处理来自多种来源的数据类型？

将能够创造出更有影响力的工作的用户连接起来需要进行一些规划。为了使项目取得成功，公司 AI 项目涉及的各利益相关方的第一步可能是连接并理解对方的工作。他们使用的工具和服务必须能支持这一连接。

许多客户都希望在更新技术和规划未来的同时建立数据驱动的文化。例如，AirAsia 知道数据在其业务决策中继续发挥越来越重要的作用。他们的团队每月分析超过 6 PB 的数据，之前他们必须等待每周或每月的 Excel 报告才能获得分析结果。目前他们正在使用 BigQuery 及其机器学习功能，1500 名成员的团队可以随时访问数据并在几分钟内对超过两年的数据进行即席查询。团队成员可以访问简单直观的界面，然后根据需要深入挖掘详细信息。这帮助 AirAsia 将运营费用降低了 5% 到 10%（在这一行业中非常显著），并且数据的安全性比单独存储在各个机器中时更高。

借助我们的 BigQuery 数据仓库，您可以处理对象存储、事务型数据库、表格等来源的数据，从而避免出现重复数据。它还包含公共数据集，这使您可以从内部数据中获得更多价值。我们打造易于使用的产品，以便用户可以轻松协作并分享数据洞见。我们还内置了可供现在和今后使用的功能，例如简单直观的机器学习工具和其他高级分析功能。

打造数据文化是将人员、流程和数据融合在一起。我们已经讨论了如何确保数据准确无误，并介绍了轻松简单的数据使用体验。打通数据收集和使用背后的思想是，数据是值得信任的。在使用大量本地或旧版系统时，数据形成孤岛，并反复被用户复制，导致许多不同的地方都存在过时的系统。此外，一旦数据集开始变大，数据质量就会成为问题。

因此，实现数据驱动文化的一个重要步骤是让用户轻松信任数据，即相信数据是最新的，并且准确无误。这也包括不应存在任何边缘数据集或孤岛项目。黄金标准是组织中存在唯一可靠数据来源，并且每个人都知道它是什么。

信任是一个人员和流程问题，可以促成也可以破坏您的数据文化目标。它也是一个更大的数据技术问题。您收集和分析的数据越多，安全性和治理就越重要。对自己的工具和流程的信心是成功的数据文化的重要组成部分。

数据来自各种不同的来源，但都需要同样的基准级别保护，包括加密、数据渗漏和访问权限控制。除此之外，您可能还有自己的威胁模型和数据保护的关注领域。根据所在行业，您可能需要努力遵循特定的合规性和法规规则。您的云服务商的技术栈应能够提供安全功能，并允许您使用元数据、数据目录和数据沿袭来治理数据和设置政策。此外，为了方便团队协作，应该可以轻松设置访问规则并支持安全地共享数据。

落实此做法对于成功发布数据分析至关重要，因此请考虑实现安全做法和工具的全景。在 Google，BeyondCorp 是我们自己的零信任安全模型实现，它来源于最初的零信任网络原则。它背后的理念是，访问权限控制从网络边界转移至各个用户和设备，使用户可以无需使用 VPN 从任何位置安全地工作。概括来讲，BeyondCorp 包括单点登录、访问代理、访问权限控制引擎、用户清单、设备清单、安全政策和信任代码库。BeyondCorp Remote Access 是一个提供此功能的云解决方案，使用户可以安全地远程访问内部 Web 应用。

我们的客户，一家国际金融机构在为 BigQuery 迁移做准备时提出了几个重要的问题：数据是否受到保护，是否可以追踪其沿袭？基础架构对于任务关键型应用来说是否足够可靠？他们使用了元数据标记，并通过迁移到 Google Cloud 获得了单一可靠来源。BigQuery 中的数据是始终加密的，并且原生的 Identity and Access Management (IAM) 集成意味着可以确保数据访问权限级别精细到列级粒度。该组织可以定期运行风险模拟，并使用 BigQuery 改善了安全性、治理和监管状况。

您信任的数据分析平台可以帮助防范攻击或安全漏洞，但是它与建立坚实的数据文化也有很大关系。如果用户信任获得的数据，他们将能够专注于创新和新想法。

数据文化对您的组织来说将成为问题还是解决方案？如果是解决方案，会是什么样的？您如何知道它是否成功？这些问题可以帮助您上手，或扩展已经开始使用的功能。不同行业中不同企业的数据文化会有所不同。您和您的利益相关方将知道什么最适合您的团队和组织，您构建的数据文化将是最适合您业务的文化。