回顾数据利用的4个阶段，企业信息管理在2.0阶段被广泛应用，企业信息管理的核心架构如下图所示。

我们从底层对该架构进行说明。

• 提供开发生命周期服务：设计物理数据库，定义数据服务，维护生产、开发和测试环境，控制配置和更改，创建测试数据，验证数据需求，迁移和转换数据等。
• 提供数据生命周期服务：外部数据采集，数据备份和恢复，性能监控和调整，存储管理，归档管理等。
• 提供数据基础设施服务：数据技术的安装、管理，支持非结构化数据的管理等。

在信息化时代，企业信息管理统治了企业数据管理领域很长一段时间，到了数字化时代，这种管理方式逐渐跟不上企业发展和业务需求。在数字化时代，从环境、业务特点到数据种类等方面都发生了变化，数据战略逐渐取代企业信息管理，发挥更大作用。

 企业信息管理与数字化时代数据战略相比具有5方面的重要区别：

1）无法适应高度不确定性的业务。信息化时代，企业与外部市场用户的直接交互不多，大部分数据来自企业内部的研发生产和管理工作。到了数字化时代，电子商务、社交媒体等平台崛起，企业收集的数据越来越多样，数据量呈爆发式增长，数据种类也在快速变化。企业信息管理这种完全自上向下的纯规划型管理方式无法及时响应外部的变化，往往是数据治理项目刚实施到一半，业务需求又发生变化了，同时不断有新的数据产生，所以企业采用企业信息管理很难真正地让数据产生业务价值。在数字化时代，企业需要更加敏捷灵活的数据管理体系。

2）无法产生业务价值。在信息化时代，很多数据在业务生命周期内的变化不大，所以企业信息管理在本质上还是将数据当作相对静态的资源来管理，并且将主数据从所有数据当中区分出来重点管理。而到了数字化时代，数据从资源变成了生产要素，企业希望从数据资产当中挖掘出业务价值。在这样的目标下，仅仅把数据当作资源来做好管理、保证安全和实现标准化，已经不再符合企业对数据和数据部门的期望。企业更希望数据管理能够给用户、给业务带来明显的价值。

3）无法直接参与业务价值的创造。企业信息管理时代，主要是业务人员和管理人员需要利用数据，业务人员查看数据和报表，管理人员根据数据分析结果做出业务决策。而到了数字化时代，企业更多是通过API来调用数据服务，这些数据服务可以直接被业务系统或其他服务调用，数据能直接参与业务的价值创造过程。

4）无法摆脱人力依赖。企业信息管理时代的数据生产和加工过程虽然会用到很多数据技术，但是大部分数据工作还是基于人的经验展开的，数据技术和工具只是辅助。而到了数字化时代，机器学习、深度学习等人工智能技术能直接从数据中发现规律、找到模式，这是从人脑到算法的数据加工方式的转变。

5）体系繁重。企业信息管理以数据治理为目标，构建了一个庞大、缜密、细致的管理体系。该体系的好处是非常标准，缺点是搭建的过程需要很长时间，整个企业需要投入巨大资源才能完成体系的构建。而环境或者业务一旦发生变化，对这样大规模的体系调整起来速度很慢。所以传统的数据治理项目往往只能将生成一堆文档和制定很多标准作为成果，但是实际的业务已经发生了很多变化，企业花费巨大精力搭建出来的体系也就不完全适用了。在数字化时代，企业需要新的数据管理体系来支撑业务战略的执行。

企业在数字化时代面临更复杂、更混沌、更加不确定的业务问题，如何充分发挥数据要素的资产属性并创造业务价值是数据战略需要解决的问题。精益数据方法认为，要发挥数据的作用，企业的数据战略要对齐6个目标。

对企业来讲，管理数据、分析数据不是目的，真正的目的是用数据创造业务价值。数据战略要服务于业务价值，从数据管理走向价值创造。所以，数据战略要从业务问题出发，而不是从数据问题出发。

定义问题永远是解决问题的前提，定义好数据要素发挥作用的价值场景是创造业务价值的关键。因此，如何制定企业的业务场景蓝图，是数据战略规划的核心工作。

传统的数据战略以数据需求为出发点，让业务人员提出对数据的需求，比如“某种数据的质量不高，怎么解决？”。这些问题往往不是业务需求，而是在现有的业务场景和流程基础上对数据的管理需求。而在数字化时代，数据战略应该识别出服务于业务目标的业务场景，对应的问题应该是这样的：“如何提高销量？”

数据资产的形成过程要经历4个主要阶段，包含5个关键步骤：

1）需求理解。在这个阶段，基于真实的市场情况和用户的反馈，业务人员识别出关键需求，并且设计出流程。不同的业务人员对市场和用户的理解是不一样的，所以最终识别的需求也不一样，需求的准确度、全面性也不尽相同。

2）业务架构。在这个阶段，架构师根据业务需求形成业务系统的架构。基于不同的经验和技术，架构师设计出来的业务系统的层次、架构也是不同的。

3）数据架构。这个阶段是从业务架构的设计发展到数据架构的设计，需要考虑哪些是主数据，哪些是交易数据，以及这些数据之间的关系。这是对数据资产的生成进行总体设计的阶段。

4）数据建模。在这个阶段，工程师需要思考采用什么方式建模来实现数据架构，如何设计数据库和数据表，如何设置字段的属性等问题，该阶段决定存储数据的最终呈现形式。

从上面4个阶段可以看出，最终的业务数据与真实业务之间客观存在3方面的差距，业务数据具有滞后性、局部性和偏离性。

首先，这4个阶段中的每一个阶段都需要花费时间，所以在传统业务的数据生产模式下，数据本身肯定是滞后于实际业务的。其次，工作人员在实施不同步骤时，对上一个步骤的理解是局部的，很难将上一个步骤的所有内容完整地复制到新的设计中。最终，形成的业务数据在大部分时候距离真实的业务情况有一定的偏差。

这些差距是所有数据问题产生的根本原因。为了弥补这些差距，精益数据方法认为，企业在制定数据战略时要规划数据资产蓝图，并在数据生成之前就用该蓝图指导业务数据化的过程。具体来说，企业要在转型初期就勾勒出业务在某个阶段终点时的数据资产大图，然后以此为框架来规划应用系统的建设，同时根据该图去设计应用系统间如何进行数据的共享、集成和协作，这样才能够规避数据孤岛的形成。

在数字化时代，一切应用系统都服务于数据的生产和利用，应用架构会经历快速迭代，甚至完全重构，而数据作为业务的数字化存在形式则会持续存在，所以对数据要先于业务应用来规划。

数据战略要从业务价值出发，依据业务场景，对企业的数字化技术能力提出需求，指导和牵引技术平台的建设及新技术的应用。企业的数字化技术蓝图要清晰地描述出，在某一个阶段，建设价值场景、数据资产需要哪些技术，这些技术以什么方式提供服务。数字化技术蓝图能够准确、有效地指导企业进行技术能力建设，使技术资源的投入产出比最大化。

每个企业都需要制定自己的数字化技术蓝图，以便指导内部进行技术能力建设和工具平台的搭建。

新时代的数据战略要将规划和落地融于一体，既要制定蓝图、指明方向，又要聚焦于关键问题，提供执行路径。只有这样，该战略才能够快速启动实施。否则，战略规划的周期越长，变化就越大。而这需要数据战略的规划者能够从纷繁混乱的现象中快速抓住最本质、最具有确定性的内容。

企业需要对价值场景、数据资产和数字化技术三者的联系进行梳理，导出它们之间的层层解码关系，根据这些关系规划数字化转型落地的举措才能够更贴近业务，快速产生价值。

外部环境是变化的，用户的关注点也是变化的。为了始终有效地服务于业务，数据战略要有持续迭代的能力。精益数据方法认为，数据战略首先要构建起反馈闭环，获取新的用户数据，再对新的数据进行分析来洞察市场及用户需求的变化，然后快速调整和优化，并持续下去。

在新时代，数据战略要以数据产品的形态呈现，而不是仅仅停留在报告里。这就需要企业构建自动化的数据价值链，利用数字化技术让数据流动起来，通过数据指标体系来度量和指导业务的持续优化。