随着数据存储和组织方式的进步、计算能力的提高以及新分析技术的出现，这一周期的速度已大大提高。从提出假设，到提出问题和数据调查，再到决策阶段，只要制定了良好的策略，现在可以在相对较短的时间内完成。
对于希望优化营销支出的企业来说，以数据为指导可以让他们有效地推动跨渠道的客户参与，准确预测客户的需求，并最终在正确的时间提供正确的内容以确保销售。随着谷歌目前逐步淘汰 Chrome 浏览器中的第三方 cookie，这一点变得更加重要。能够有效利用第一方数据现在势在必行。
如今，我们可以利用数据做很多过去无法想象的事情，从基于数据模式的实时疾病诊断到营销渠道中的决策自动化。然而，企业只有组织好数据和分析，提高速度和结果质量，才能从中获益。
数据转换挑战
对于寻求更多数据驱动的公司来说，有三个主要挑战：战略、分析方法和公司内部的成功采用。
大多数数据转换失败都是因为“人为”因素。员工不了解自己在转换过程中的角色以及转换将带来的好处，而整个过程因缺乏共同的目标意识而停滞不前。
为了防止这种情况发生，项目负责人首先需要制定可靠的分析策略，并获得管理层的承诺，在组织内推广该策略。然后，他们需要制定明确的数据计划，包括数据本体、主数据模型、谁可以写入和访问数据的管理，以及何时允许不完美的数据，以及拥有合适的技术堆栈来有效地提取、移动和使用数据。
最后，公司需要关注“最后一英里”，通过将数据输出嵌入核心流程来推动变更管理和内部团队的全面采用。
成为数据驱动型公司的五个必备条件
1. 策略
首先，必须制定清晰的战略，阐明组织希望通过分析实现的目标。转型通常会失败，因为公司试图在整个组织范围内推广试点项目。
成功做到这一点的组织有一个明确的计划，即利用数据和分 eBay 电话号码数据 析来转变整个业务领域。他们不应该采用一刀切的方法，而应该推出一系列用例来推动整个企业的端到端转型。
2. 投资
成功的公司在分析方面的投入比其他组织更多。盈利扩张者将其 IT 预算的 25% 以上用于分析，包括数据、技术、分析人才以及将分析嵌入业务流程工作流等支出。
由于 75% 的领先公司报告称计划增加分析支出，因此这项投资将进一步增加。最重要的是，许多公司将大部分预算用于公司面临的最大挑战——从分析中获取价值——即所谓的“最后一英里”，这涉及将分析嵌入到所有工作流程和决策流程的核心。
3. 数据质量
谈到数据，有句名言：“垃圾进，垃圾出”。制定清晰的数据策略非常重要，其中包括数据目录、主模型、移动和提取数据的方法，以及检查数据完整性和质量的方法。
成功的公司已经建立了端到端的系统，从收集数据到将数据输入到模型中。他们还拥有良好的系统来评估数据何时“足够好”，何时必须完美。这通常会阻碍采用，因为在追求完美并不是取得成功的主要优先事项的情况下，时间和资源会被浪费在追求完美上。
4. 开发分析模型和方法
成功的公司拥有清晰的方法来开发分析模型、解读见解并部署他们构建的新功能。领先的分析公司不仅通过其方法专注于模型开发，而且还致力于不断维护和升级模型，作为复杂的模型管理功能的一部分。
许多分析领导者不断测试和升级分析模型的质量和性能，采用挑战和测试方法将现有数据源和算法与新的、可能更好的替代方案进行比较。领先的公司也更有可能使用复杂的分析技术，例如强化学习和深度学习，这些技术可以比传统的分析方法大幅提升价值。
5. 寻找并培养分析人才
吸引和留住人才以及建立高效的工作方式是数据转型项目的关键。成功的公司拥有许多在数据科学不同领域具有深厚经验的专家，每 1,000 名全职员工中就有大约 25 到 50 名从事数据和分析工作。
此外，还需要有一个全面的人才战略，关于如何通过明确的培训和项目课程以及职业道路和个人发展机会（包括研发和前沿项目）来开发、留住和发展分析人员。
此外，这些公司需要以非常灵活的方式组织分析团队，由强大的跨职能团队将业务、分析和分析翻译人员混合在一起，以测试和学习模式高速运作。
