宣布第二届年度数据价值调查
内容提要
在数字经济中，数据管理至关重要。调查显示，企业的数据管理成熟度分为四个级别：发展、功能、熟练和卓越。大多数公司仍在使用传统数据，未能充分利用新兴数据类型。调查还揭示了数据操作中的主要挑战，并强调了数据成熟度与DataOps策略之间的关联。
延伸解读
数据管理成熟度：四个级别的具体含义
调查将企业数据管理成熟度分为四个级别：发展、功能、熟练和卓越。发展级企业策略尚在形成，实践与架构未紧密关联业务成果；功能级策略基本建立，部分高优先级实践与业务挂钩，聚焦增长；熟练级策略全面确立，几乎所有实践都驱动业务，但复杂性和认知提升会引发对能力的疑虑；卓越级则持续优化，实践驱动新颖价值来源，处于创新阶段。企业可据此定位自身阶段，指导技术决策。
新兴数据类型采用缓慢，大型企业更积极
调查发现，尽管企业希望利用数据扩展运营，但只有少数在使用新兴数据类型，大多数仍在摄取、落地和处理常见的传统或结构化数据。这意味着它们可能错失非传统格式的有用数据，这些数据可支持生成式AI、FinOps和可持续发展等关键计划。不过，员工超过5000人的大型组织对新兴数据类型的采用意愿更强，正积极收集和管理数据以用于新兴趋势。
数据操作的主要挑战：协调与多层障碍
数据若不能有效协调，即无法到达最需要的地方，便难以发挥价值。调查指出，数据操作中的主要挑战包括数据协调不佳，以及人员、流程和技术层面的多层次挑战。这些障碍共同影响数据的分布和利用。企业需识别自身在协调和跨层协作上的短板，才能提升数据驱动活动的效果。
数据成熟度与DataOps策略强相关
调查中最强的相关性之一，是组织的DataOps方法论与其数据管理成熟度级别之间的关联。成熟度越高的企业，其DataOps策略往往越有效。这表明，提升数据管理成熟度可能有助于优化DataOps实践，反之亦然。企业可参考这一关联，通过评估自身成熟度来制定更合适的DataOps策略，以改善数据质量并实现业务成果。
Q&A
数据管理成熟度分为哪几个级别？
数据管理成熟度分为四个级别：发展、功能、熟练和卓越。
企业在数据管理中面临哪些主要挑战？
主要挑战包括数据协调不佳和多层次的人员、流程和技术挑战。
大多数公司在数据使用上存在哪些问题？
大多数公司仍在使用传统数据，未能充分利用新兴数据类型。
数据成熟度与DataOps策略之间有什么关系？
数据成熟度与DataOps策略之间存在强相关性，成熟度越高，DataOps策略越有效。
如何评估企业的数据管理成熟度？
可以通过免费的评估工具来确定企业的数据成熟度水平。
哪些企业更倾向于采用新兴数据类型？
大型组织，特别是员工超过5000人的企业，更倾向于采用新兴数据类型。
