成功满足分析目标的公司可以通过业务目标来驱动技术。这篇文章介绍如何组织有效数据架构。
CXO一致认为数据架构是准备数字化业务的首要挑战。 利用我们在各个行业中的经验，我们发现，有效使用数据的公司与不使用数据的公司之间（即领导者与落后者之间的差异）可将领导者的利润率提高。 例如，在服装领域，以数据为驱动力的公司的息税前利润率是传统公司的两倍。
有效使用数据需要正确数据架构，它建立在业务需求基础上。但是，大多数公司采用技术至上的方法。许多企业看到了各自领域的数字机遇（和数字竞争），急于在没有周全的整体数据战略情况下进行投资。他们要么只关注技术，要么解决当前的特定问题，而不考虑中长期创造可持续能力。这在某种程度上解释了为什么在2017年麦肯锡全球调查中发现，只有一半的受访高管表示，他们在实现其分析目标方面的效率中等。该调查发现，企业（在制定追求数据和分析的战略之后）面临的第二大挑战是设计有效支持大规模数据和分析活动的数据架构和技术基础架构。我们发现，8/10的公司通过让其IT部门负责数据转换（具有非常丰富的实施程序）和一小组业务用例来着手进行数字数据支持。
该战略与下一代数字领导者所采用的战略完全不同，后者通常从业务角度着手进行转型并根据需要实施支持技术。 先做技术会产生更多问题，包括：
- 冗余和不一致的数据存储。 与我们合作的银行中，只有2/10的银行建立了通用企业数据仓库，这对于创建财务和客户数据的单一真实来源至关重要。
- 重叠功能。 与我们合作的每家银行都至少拥有一项由三种不同技术系统支持的业务功能。
- 缺乏可持续性。 金融机构通常采用的解决方案通常是快速解决方案，而忽略了企业对数据化的更大期望。 例如，一家保险公司每次需要时都从其仓库中提取并复制数据，而不是建立允许仅将每个客户要素存储一次的数据架构，从而降低了成本并消除了效率低下的情况。
这些问题会带来实际的业务后果。 为了满足诸如实时客户和决策支持之类的业务需求以及大规模分析，需要将传统数据仓库与新技术相集成。
双速数据架构势在必行
如今，企业必须应对日益增长的庞大和复杂的数据量（全球数据存储每两年翻一番），这些数据源来自多种格式，这些格式是传统数据基础架构难以运作且通常无法运行的。 开发新的业务功能，例如像某些保险公司所做的那样，基于实时获利能力为客户进行个性化定价、自动化信贷决策以提高银行的业绩并提高客户满意度，或者运行更具成本效益的自动化战略营销。
但是，这并不意味着必须丢弃旧数据和IT基础结构，也不必使用新功能。 这确实意味着必须缩减组织机构获得稳定性和财务透明度的传统数据仓库，并将其与高速事务架构集成，从而使组织机构能够支持新产品和服务（以及时间报告）。这是双速原理。
这种新的、复杂的技术环境要求公司在做出昂贵的技术决策之前（例如不必要地淘汰并替换旧架构）必须仔细检查业务用例。 取而代之的是，最好使用面向功能的数据管理概念化作为数字应用程序和过程的推动力。
要实现端到端数字数据架构，企业首先需要就其当前以及（如果可能的话）未来业务需求发展观点，勾画出其所需的灵活数据管理架构，并制定实施路线图 。 首先，必须确定关键的业务用例。
为此，我们建议对涵盖共同价值驱动因素（财务透明度、客户满意度、快速产品开发、实时运营报告等）的各个行业的最佳实践用例进行全面审查。 然后，公司应将这些用例与市场位置和战略方向进行比较，并优先选择最能反映公司情况和理想的用例。 一旦确定了这些参考用例，公司就可以开始定义目标数据架构功能。 在此过程中，业务领导和技术随之而来。
上面展示中的高层结构代表了一种分层的数据架构，该架构已被许多组织、许多行业、尤其是在金融领域成功应用。 它进行扩展以适应新的数字功能，例如收集和分析非结构化数据，实现实时数据处理以及流分析。该架构结合了通过数据仓库实现的财务透明度的传统要求以及支持高级分析和大数据的功能。 简而言之，这是双速的方法。
双速架构遵循三个核心原则：
- 数量有限的组件，清楚地划分了管理复杂性的能力，同时提供了所需的功能，例如高级分析和运营报告
- 可以透明管理数据流并提供单一事实来源的层，以防止孤岛和数据不一致（通过数据仓库，该仓库对来自各种来源的数据进行建模，集成和合并）
- 先进的解决方案与数据仓库等传统组件的集成，可以满足实时处理和基于新数据库技术的运营数据存储（ODS）等新要求
我们已使用此模型执行以下操作：
- 在讨论具体的技术解决方案之前，帮助客户在架构级别上进行思考和评估他们的选择。
- 在识别差距的同时，将技术组件与管理和避免冗余的能力相对应。
- 制定为业务价值驱动的逐步转型计划，同时限制业务中断。
掌握数字技术
例如，斯堪的纳维亚最大的银行之一，了解先进分析、大数据和更好的数据管理以改善欺诈检测和预防、ATM定位以及其它举措的业务潜力，因此渴望开始其数字数据之旅。 它正面临激烈的竞争，并且正在考虑对其IT和数据架构进行数百万美元的大规模投资。
银行决定投资什么，决定在哪里投资以及如何投资。
首先，确定关键用例以反映组织最迫切的战略要求：改进欺诈检测、优化分支机构的位置和分配以及更精细的客户细分。
基于这一决定，我们帮助银行概述了基于最佳实践参考模型的目标架构，该架构将使银行具备所需的功能并评估可用的解决方案。 该银行没有淘汰其整个IT基础架构，而是决定添加一个Hadoop解决方案，该解决方案允许在数千台单独的计算机上存储和分布式处理该银行的超大型且经常为非结构化的数据集。 这对于提高银行对其在线欺诈检测流程的高频需求特别有用。
对于分支机构的位置、分配和优化，Hadoop数据湖（一个处理平面非关系数据的管理平台）使用该银行的地理空间和人口增长数据来确定最佳位置，以找到新的分支机构和ATM计算机。 为了改善客户细分，该银行在Hadoop数据库上测试了一种新的客户算法，然后将其推广到其旧数据仓库中。 这样就消除了典型的昂贵，耗时的来回过程，即反复进行开发、试验、评估、验证、调整和试验，这是传统数据开发的特征。
这样，银行实现了其主要业务目标。 它添加了新的差异化功能（例如实时分析），并以相对较小的技术投资（而不是最初设想的大规模投资）创造了真正的企业价值。 这是通过在购买可能无法很好地服务的系统和软件之前，决定投资于什么，在何处以及如何进行投资来实现的。 至关重要的是，该银行没有首先购买该技术，而是建立了一个内部分析团队。
如今，该银行被认为是其市场中金融分析的领导者，并向其他金融机构出售分析服务。
该银行知道认真对待数字化转型的时机已经成熟，将其列为优先事项，并在此过程中获得了持久的竞争优势，而这一切都不会因大规模的技术转型而中断其业务。 它从清晰地了解其业务目标开始，始终将其放在首位，并创建了一个有效的双速数据架构。
这里的教训是，对于许多公司而言，向现有IT环境中添加分析功能既可行又具有成本效益。 但这需要健全的数据架构和扎实的数据管理方法。
原文：Why you need a digital data architecture to build a sustainable digital business?
