从你能想象到的最小“数据价值”单位开始。那是一个决策。有人即将做某件事，而稍微好一点的信息会让这个选择稍微好一点。这就是整个原子价值。

每一个数据平台、治理计划和人工智能计划，都只是为了让这一刻更频繁、更便宜、更可靠地发生而建立的机制。

直接聆听那些在全球一些最杰出的组织中构建和扩展数据和人工智能能力的领导者的经验分享。这些组织包括拉丁美洲最大的诊断医学和临床分析公司之一Dasa；全球娱乐界最具影响力的公司之一United Talent Agency；印度最大的共同基金公司之一Kotak；甚至包括白宫。

要点一：决策的好坏取决于其所处的背景。

在考虑平台或治理之前，先问自己一个问题：是什么让一个决策比另一个决策更好？

联合人才经纪公司 (United Talent Agency )的首席数字官Nehhaa Purohit分享了一些有趣的经历，因为她为此付出了高昂的代价。

虽然她的仪表盘显示一切正常，正常运行时间达到 99.99%，延迟低于 50 毫秒，但实际上，每次推理的收入却连续六个月每月下降 2%，1400 万美元的损失却无人察觉，因为智能系统运行正常，但判断却出了问题。

正常运行时间衡量的是管道是否畅通，而不是管道中传输的数据是否仍然有效。Purohit将这种差距称为“上下文债务” ：数据在技术上仍然有效，但在语义上已经过时，正在逐渐失效，而所有监控器仍然显示正常。

一项决策之所以“好”，是因为在有人采取行动的那一刻，数据仍然与现实相符：这比正常运行时间更难保证，而且几乎没有人会衡量它。

要点二：一次好的决策不会产生累积效应，但可重复的决策会。

一个经过深思熟虑的决策固然美好。但要想让这个决策在整个团队或一个季度内得以复制，你就会遇到每位领导者都在努力应对的真正难题：速度与信任的权衡。

现代数据公司（The Modern Data Company ）首席技术官阿尼梅什·库马尔（Animesh Kumar）称，通常对这种现象的解读是一种虚假的拉锯战。公司治理被归类为“防御”，这使得它在公司发展需要资金时首当其冲被削减。

这完全是本末倒置，因为不受监管的数据恰恰会拖慢增长速度。没有人会信任一个无法追溯的数据，所以他们会手动重新验证，这相当于给后续的每一个决策都增加了一层隐形成本。解决之道在于将数据治理作为平台的默认属性，而不是一个需要额外付费的项目。

Hosta公司负责数字化转型的副总裁Mohamed Amin也面临着同样的问题，即决策延迟：洞察与行动之间的滞后。他的解决方案是清晰化、优先级排序和责任归属：用能够直接应用于业务的信号代替原始指标，用少量能够驱动决策的关键绩效指标（KPI）代替详尽的报告，并为每个指标指定负责人。

不同的词汇，相同的等式：可重复性意味着消除下一个决策的阻力，而不仅仅是为当前的决策提供信息。

有人需要比官方途径更快的答案，于是他们自行开发了一条解决方案。库马尔的解决方法是将问题分解为结构、行为和激励机制，因为如果官方途径比变通方案慢，那么变通方案总是会胜出。

要点三：一项可重复的决策，只有当它影响到首席财务官关注的关键指标时，才具有意义。

即使是经过深思熟虑且可重复的决策，也算不上战略，因为高层根本不在乎可重复性本身，他们只关心损益。

Datafolx AI首席数据与人工智能官 、前白宫企业数据战略家迪亚·亚当斯在此得出了一个明确的结论：

不要再谈论技术指标，要开始谈论业务成果。

与其说“我们构建了一个数据湖”，不如说“这通过高度个性化实现了 X 美元的收入，并将客户流失率降低了 Y% ”。她认为应该调整的是营业收入，因为息税前利润 (EBIT) 同时包含了收入增长和成本削减两方面，而董事会已经信任这个数字。

Nebulyx AI的首席执行官Jon Cooke用防御和进攻的类比来回答这个问题。防御是指 在受监管行业中不可或缺的治理工作：一个版本化、引用规范的知识库意味着，审计人员只需提出一个问题就能知道“你们为什么在三月份做出那个决定？ ”

进攻策略是一系列用例的组合，每个用例都与一个可直观变化的指标相关联。这些用例会相互叠加，因为干净的数据能够消除质量问题，从而加速进攻，避免下一个用例的推进速度减慢。

Rubicon 的负责人贾斯汀·约克对整个前提提出了质疑。当被问及损益表中哪一项应该调整时，他的回答是：谨慎地将功劳揽到自己身上，即使你无法追溯到具体原因。如果销售额增长，这究竟是数据策略的功劳，还是仍然需要有人“去完成销售”？

通常情况下，很难真正单独评估投资回报率，因为数据涉及方方面面，而更大的信誉风险在于领导者过度吹捧那些在实际工作量和摩擦面前不堪一击的“解决方案”。亚当斯和库克构建了一个充满信心的财务故事；约克则拒绝夸大其词。两者的做法都正确，关键在于这些数字是否具有可归因性。

要点四：没有人使用，任何东西都无法规模化。

即使是经过充分论证、可重复执行且与损益挂钩的决策，也可能在最后一公里功亏一篑：当非技术人员必须根据眼前的洞察采取行动时，决策就会失败。

Dasa公司负责数据治理和人工智能的Gabriel Vernalha Ribeiro认为，问题应该从数据产生的环节入手。他的解决方案是流程改进：所有项目都必须从一开始就制定数据采集计划和成功指标，否则就不能获得批准。

从一开始就进行结构化的数据“不再是维护成本，而是随时可用的资产”。他的最后一公里原则是：在人们已经使用的工具中提供洞察，用简洁明了的“下一步该做什么”的建议代替需要解读的图表。

Cooke 的“决策胶囊”由 UTA 的 Purohit 独立开发，更进一步：在工作流程中显示单个界面，提示建议的操作、置信区间和主要驱动因素。

Purohit 的版本在上下文过时时会优雅地降级。它会将决策权交还给人工，而不是自信地给出错误答案，这一设计选择避免了估计 800 万美元的资金浪费。

里贝罗的总结性观点将一切串联起来：文化无法强加，必须鼓励培养。只有当糟糕的数据给团队造成显而易见的损失，并且与团队自身的关键绩效指标（KPI）挂钩时，团队才会真正承担起责任。

要点五：只有当管理者也这样认为时，这个体系才能维持下去。

该系列中最令人惊讶的情节根本不是关于数据，而是你雇佣谁来运行这个系统。

Purohit 的招聘筛选方法是第一性原理思维最明确的体现。她将候选人分为模式匹配者（擅长稳定状态）和第一性原理思考者（擅长从零开始分解高度模糊的问题）。

她的测试：诊断一个仪表盘显示一切正常，但每次推理的收入却悄然下降的系统。那些只关注延迟和错误率的候选人会被淘汰。他们是在概率问题中寻找确定性的故障。而那些试图解决语义偏差的候选人则能通过。一位领导者管理系统，另一位领导者创造价值。

库克通过人工智能代理描述了同样的转变：首席数据官不再是整理已知知识的图书管理员，而是有界决策空间的架构师。在这些领域中，代理在智能约束下行动。

亚当斯称之为“业务架构师”，取代了“数据管道工”。用词不同，但意图相同：这项工作不再是保持管道畅通，而是在基于现有数据做出决策（无论是人为决策还是系统决策）的那一刻，保持判断的准确性。

本文来自微信公众号“数据驱动智能”（ID：Data_0101），作者：晓晓