【第二部分 规划篇】第3章 定战略

1.1. 数据战略概述

根据国家标准《GB/T 36073-2018 数据管理能力成熟度评估模型》中的定义，数据战略是组织开展数据工作的愿景、目的、目标和原则。它包含数据战略规划、实施和评估。数据战略规划需要制定数据战略，并在所有利益相关者之间达成共识；数据战略实施是组织完成数据战略规划并逐渐实现数据职能框架的过程；数据战略评估是通过建立业务案例和投资模型，从业务价值、经济效益等维度对成果进行效益评估。

图 1 数据战略开展内容
 

DAMA在《DAMA数据管理知识体系指南（原书第2版修订版）》(后文简称《DAMA-DMBOK2》)中指出，数据战略的组成部分应包括：

(1) 令人信服的数据管理愿景。

(2) 用于数据管理的业务场景概述和选定的案例。

(3) 指导原则、价值观和管理理念。

(4) 数据管理的使命和长期方向性目标。

(5) 数据管理成功的预期衡量标准。

(6) 符合SMART(具体的、可衡量的、可执行的、现实的、有时间限制的)原则的短期(12～24个月)数据管理计划目标。

(7) 数据管理角色和组织的描述，及其权责的概要描述。

(8) 数据管理项目组成部分和计划的描述。

(9) 有明确范围的优先工作任务。

(10) 包含项目和行动计划的实施路线草案。

数据战略作为组织数据治理的顶层设计，在“理采存管用”方法论中居于“理”阶段的首要步骤，为后续所有数据工作提供总纲和指引。唯有战略清晰，后续的数据治理工作才能目标一致、有的放矢，避免陷入盲目和分散的困境。

1.2. 顶层依据分析

1.2.1. 企业战略解读

企业战略是组织发展的最高纲领，明确了其未来的发展方向、市场定位和核心竞争优势。数据战略并非独立存在，其根本目的是服务于企业战略，将数据能力转化为具体的业务支撑与驱动力。二者是“目标与路径”、“业务与赋能”的关系：企业战略提出“我们要去哪里”，数据战略则回答“如何利用数据帮助我们更好地到达那里”。缺乏对企业战略的深刻理解，数据工作极易偏离核心业务价值，陷入为技术而技术的困境。

数据战略制定前，需要系统解读企业战略中的核心要素。这包括分析公司的长期愿景（如实现业务感知、互联、智能，提升用户满意度，支撑数字化转型）与中期业务目标（如市场份额提升、利润率增长、新产品突破），识别关键的战略举措（如数字化转型、客户体验升级、供应链优化），并评估组织为实现这些目标所依赖的核心能力。

图 2 业务到数据的转换图

数据战略应该实现从业务到数据的转换：

(1) 将业务目标分解为对数据的具体需求，例如，若企业战略强调“客户深耕”，则数据战略需优先聚焦于客户数据域的整合与洞察；

(2) 识别出能最大程度赋能关键战略举措的数据能力，例如，若企业战略将“供应链优化”确定为核心举措，那么数据战略应该优先识别并建设“数据链全链条可视化”等数据能力，从而确保数据资源的投入与业务价值的创造紧密对齐。
 

1.2.2. 企业现状分析

数据战略不能脱离企业的现实基础，否则将成为无法落地的“空中楼阁”。对企业现状进行初步分析，主要是客观认识组织在业务模式、组织架构、技术能力和数据基础等方面的真实情况，确保数据战略的设计与企业的承载能力、发展阶段和核心矛盾相匹配。脱离现状的战略不仅无法执行，还可能因不切实际的目标而浪费资源，甚至引发组织内部的抵触情绪。

企业现状分析，需要重点关注三个层面：

(1) 业务运营现状，包括主营业务、关键决策点及其当前的数据支持水平，识别业务部门在达成业绩目标过程中遇到的突出数据障碍，以及那些因数据问题导致效率低下或决策失准的核心环节。

(2) 组织与文化现状，评估现有组织架构（包括高层领导和各业务部门等）对数据战略的支撑度、员工的数据素养水平以及整体文化对数据驱动的接受程度。

(3) 技术与数据现状，初步了解主要信息化建设的现状和规划、数据孤岛的程度、数据工作的基本流程以及存在的主要技术债务。

图 3 企业现状分析层面

数据战略的构思必须立足于企业的这些现实约束与条件。例如，在数据基础薄弱的组织中，战略重点应首先设定为“打好数据基础、解决关键业务场景的数据可用性问题”，而非一味追求前沿的AI应用，以此确保战略的循序渐进与务实可行。

企业现状分析的具体梳理模板参考“摸家底”章节。

1.2.3. 外部环境与趋势分析

外部环境构成了组织数据与应用的约束条件和机遇空间。忽略外部因素的数据战略，可能面临合规风险、技术落后或竞争力下降等问题。持续关注政策法规、技术趋势及行业动态，能够确保数据战略的前瞻性与合规性，使组织不仅能规避风险，更能主动抓住技术革新带来的机遇，利用数据能力构建行业领先优势。

可借助多种成熟的战略分析框架，以系统性地梳理外部因素。其中，PEST分析主要是从宏观层面扫描全局性驱动力量；波特五力模型侧重于剖析行业内的竞争结构与盈利能力；SWOT分析则常用于综合评估外部机会、威胁与内部的优势、劣势。这些工具能够帮助组织超越零散的信息罗列，构建一个层次清晰、逻辑严密的分析结构。

以 PEST分析为例，它从政治（Politics）、经济（Economic）、社会（Society）、技术（Technology）四个维度展开，能够为数据战略的制定提供直接的决策输入。假设为一家正在制定数据战略的零售企业进行PEST分析：

图 4 外部环境PEST分析示例

1.3. 数据战略制定

1.3.1. 数据愿景制定

数据愿景是组织对于数据所能创造的未来状态的宏大描绘，它发挥着凝聚共识、引领方向的核心作用。一个清晰且振奋人心的愿景能够将抽象的数据概念转化为组织成员共同奋斗的目标，赋予日常的数据工作以深远的意义。它超越了具体项目和技术，回答了“我们最终希望数据将组织带向何方”的根本问题，是数据战略的精神内核。

数据愿景，应该既与业务战略深度融合，又体现出组织的独特竞争优势，并对其进行数据视角的升华。有效的愿景通常是简洁、面向未来且易于传达的。例如，一个传统制造企业的数据愿景可能是“成为用数据驱动精准生产和个性化服务的行业标杆”，而一个互联网公司的愿景则可能是“让数据成为用户极致体验的创新引擎”。

以华为为例，公司基于多业务、全球化、分布式管理等业务战略规划和数字化转型诉求，明确了公司的数据工作愿景，即“实现业务感知、互联、智能和ROADS体验，支撑公司数字化转型”。

图 5 华为的数据治理愿景

说明：ROADS指实时（Real-time）、按需（On-demand）、全在线（All-online）、服务自助（DIY）和社交化（Social）。

愿景的表述应避免技术化，而是聚焦于数据将为业务、客户乃至整个组织文化带来的根本性改变，从而成为所有数据相关决策的终极判断标准。

1.3.2. 数据战略方向规划

战略方向是在愿景指引下做出的宏观路径选择，它明确了数据治理投资和努力的重点领域，避免了资源的分散消耗。在复杂的企业环境中，面临的机会与挑战众多，规划战略方向本质上是进行战略性取舍，集中优势力量在关键领域取得突破，从而以点带面，逐步建立起组织的核心数据竞争力。

规划战略方向，通常需要在宏观路径中做出选择或确定优先级，典型路径有以下几类：

“赋能业务”方向侧重于利用数据优化现有业务流程，提升运营效率与客户满意度，是大多数企业夯实基础的首选。该方向的组织体系建设应侧重于组建深入业务场景的融合型团队，如由业务专家与数据专家共同组成数据团队，围绕特定业务流程（如精准营销和供应链优化）开展工作，并对共同的业务目标负责；

“驱动创新”方向则更激进，希望利用数据孵化新业务、新产品或新的商业模式，适合寻求突破性增长的企业。该方向在技术体系搭建时可能需要引入前沿技术，如通过部署“AI智能体”来打造“自动化数字员工”或“智能理财顾问”等创新服务，开辟新的市场渠道和收入来源；

“风控合规”方向则聚焦于通过数据治理满足监管要求、防范业务风险，是金融、医疗等强监管行业的必选项。该方向在制度体系建设时应该将数据安全、数据标准、数据质量类制度的优先级提高。

方向确定后，需进一步界定范围，明确本轮战略周期内重点关注的业务领域和数据范围，确保战略聚焦且可管理。

1.3.3. 数据战略目标制定

数据战略目标是将宏观的方向与愿景转化为具体、可衡量的行动承诺的桥梁。它使得战略不再是停留在纸面的构想，而是成为一套可跟踪、可评价的执行标准。明确的目标能够为团队提供清晰的努力方向，并作为后续资源分配、项目规划和绩效评估的直接依据，是确保战略得以落地的核心环节。

数据战略目标体系应呈现清晰的层次性，通常由长期方向性目标和短期执行性目标构成。长期目标为组织描绘数据能力的终极蓝图，奠定持续投入的基石；而短期目标则将蓝图分解为可衡量、可管理的具体任务，是驱动战略落地的直接动力。二者共同构成从愿景到行动的完整链条。

(1) 长期目标

长期方向性目标的制定，应直接源自数据愿景与战略方向。它通常是定性的、跨度为3到5年的宏大陈述，其作用在于统一思想、凝聚共识，并为所有数据举措提供持久的方向感。这类目标不应频繁变更，且不过分追求具体的数字指标，而是聚焦于根本性的能力建设或文化转变。

(2) 短期目标

短期执行性目标的制定，则需遵循SMART原则，即是具体的、可衡量的、可达成的、相关的且有时限的，是长期目标在具体年度的里程碑和交付物。

短期目标通常在完成“摸家底”后进行完善，需充分考虑企业的需求和现状，确保其是切实可行的行动计划。

以某全国性零售企业为例，其目标示例如下。

1.3.4. 行动计划制定

行动计划是连接战略目标与具体执行的桥梁，它将抽象的长期目标分解为具体的工作任务、资源需求和里程碑。一个严谨的行动计划能够明确“谁、在何时、做什么、产出什么”，是协调团队行动、管理项目风险、确保战略落地的核心管理工具。

制定行动计划，首先需基于数据战略目标，识别出达成目标所需实施的行动路线，某热力公司的3年行动路线图如下。随后，将每一项举措进一步分解为具体的工作包或项目，并为每个项目明确其交付物、责任主体、时间线、所需资源（人力、资金、技术）及关键的依赖关系。最终形成的计划应是一份所有相关方共识的、可跟踪、可考核的执行蓝图。

图 6 行动路线示例

1.3.5. 数据战略评估

数据战略评估是构建战略管理闭环、确保其动态适应性与持续有效性的关键环节。数据领域技术迭代迅速、业务需求变化频繁，一套静态的战略无法适应长期发展。建立常态化的评估机制，持续验证战略执行的实际效果，衡量投资回报，并及时依据内外部环境变化进行策略调整，从而保证数据战略始终与组织目标保持一致，并持续创造价值。

数据战略评估的内容，应全面覆盖战略目标达成、效益实现、项目与投资、内外部环境变化、组织与能力等多个维度，以确保能综合评判数据战略的健康度与有效性。其中，效益实现情况需要通过建立效益评估模型来评价，项目与投资情况需要通过业务案例和投资模型来分析。

数据战略评估工作主要包括建立效益评估模型、建立业务案例和投资模型、定期评估以及采取优化措施等。

(1) 建立效益评估模型

效益评估模型，即一套用于量化与定性衡量数据战略价值的指标。它需要全面平衡地评估数据工作带来的业务价值、经济效益和管理提升，将数据治理成效从“感觉”变为“事实”。
 

表 1 效益评估模型示例

(2) 建立业务案例和投资模型

业务案例是针对单个数据项目的“商业计划书”，它清晰地阐述了项目要解决的业务问题、解决方案、预期效益、所需成本及风险评估，即回答“为什么要做这个数据项目”。

投资模型是组织为数据治理活动提供资金的策略与原则，明确了数据治理在财务上的定位，即回答“打算如何付钱，以及期望得到什么回报”。

经审批的业务案例和投资模型，是数据战略得以落地的基础保障。通过它们，确保组织的每一份数据投资都花在刀刃上，并能证明这笔钱花得值。

(3) 定期评估

定期评估是建立规范化、周期性的复盘机制。在数据工作开展过程中，定期（如每季度、半年度、年度等）依据效益评估模型等，从业务价值、经济效益等维度对已取得的成果进行效益评估。确保战略执行“不跑偏”，对潜在问题做到早发现、早预警，保持组织对数据战略的持续关注。

定期评估表模板及示例如下，分为战略目标达成、项目与投资、效益实现、内外部环境变化、组织与能力几个维度。

表 2 数据战略定期评估模板及示例

(4) 采取优化措施

基于定期评估的结论和改进建议，对数据战略对数据战略及其执行计划进行的动态调整和校正行动。赋予数据战略弹性和生命力，使其能够适应变化，确保战略的持续有效性和相关性。