需要一种全新的数据“管理范式”。正如这里所使用的，“管理范式”包含了一种通用语言，一种数据贡献方式的整体愿景，一个明确定义的组织结构，显示数据如何在整个组织中集成，以及所有相关人员的明确角色和责任。最终，它需要整合企业文化、与大学和供应商的关系、政策以及其他任何促进或阻碍数据有效使用的因素。新的范式采用了一种更加普遍和集成的方法来在业务中使用数据、分析和人工智能。
如果说过去几十年证实了什么的话，那就是数据的力量。数据的广义定义包括小数据、大数据、统计、分析和人工智能等活动，由各个层次的员工参与，以多种方式帮助公司提高业绩。一方面，人工智能(AI)，尤其是生成式人工智能(generative AI)，有望改变商业，因此最令人兴奋。另一方面，使用少量数据的基本分析在帮助公司做出更好的决策、控制和改进业务流程、更好地了解客户以及增强产品和服务方面非常有效。阅读大众媒体，你可能会得出这样的结论:数据、分析和人工智能正在接管世界。
然而，除了数字原生代之外，更深入的观察揭示了一个更为黯淡的现实。尽管有大量的投资、优秀的工具以及大量合格的数据分析师和科学家，但人工智能的进展缓慢、昂贵且不确定。大多数数据科学模型实际上并没有部署到生产中，因此没有产生实际的经济价值。大多数首席数据和分析官的任期都很短，期望他们做很多事情是不现实的。“普通人”，即那些头衔中没有数据的人，不知道公司对他们的期望是什么，而且，尽管有相反的说法，他们担心分析和人工智能会改变甚至取代他们的工作。大多数公司回避小数据，使自己失去了更容易获得的商业利益，以及建立应对更困难问题所需的组织力量的机会。
号召“数据驱动的文化”太容易了，但实际上定义和构建这样的文化远远超出了大多数数据专业人员的理解范围。调查数据显示，真正拥有数据驱动文化的公司相对较少。最后，目前的数据质量水平根本不支持大规模的数据分析或科学。
再深入挖掘，就很容易理解这些令人失望的现实的根本原因:公司本质上是把数据“钉在”他们的组织图上，任命首席数据和分析官，建立卓越中心，雇佣受过高等教育的数据科学家，然后在几乎没有指导方针和监督的情况下把他们放走。一些人的成功证明了少数人的坚韧，他们克服了组织障碍，克服了渺茫的机会。数据领导者并非对这些问题视而不见。他们聘请了数据管理员和工程师来帮助克服不良数据，聘请了产品经理来帮助更好地连接业务。尽管如此，这一切感觉就像是一场精心设计的(基本上是徒劳的)“打地鼠”游戏。继续沿着目前的道路走下去是注定要失败的。
相反，我们建议需要一种全新的数据“管理范式”。正如这里所使用的，“管理范式”包含了一种通用语言，一种数据贡献方式的整体愿景，一个明确定义的组织结构，显示数据如何在整个组织中集成，以及所有相关人员的明确角色和责任。最终，它需要整合企业文化、与大学和供应商的关系、政策以及其他任何促进或阻碍数据有效使用的因素。新的范式采用了一种更加普遍和集成的方法来在业务中使用数据、分析和人工智能。
但是，企业现在应该采取哪些措施来朝着新的范式努力呢?他们应该如何考虑将数据完全整合到他们的业务战略中?他们的目标是什么，他们最初应该做什么?本文以我们对数百家公司和政府机构的研究为基础，与其中几十家公司合作，并结合我们在其他相关范例方面的经验，提出了公司现在应该采取的三个相互关联的步骤。
首先，我们推荐谷歌作为备选的“北极星”。毕竟，在谷歌，数据是主流的一部分，它甚至没有首席数据官或分析官，尽管它有首席决策官，其主要任务是传播数据驱动决策的好消息。谷歌开创了人员分析的先河，是少数几个在法律业务中广泛使用分析的公司之一。分析和人工智能已经嵌入到该公司的大部分产品和服务中，该公司的首席执行官早在2016年就宣布将“人工智能第一”。它开创了当今生成式人工智能系统中使用的许多方法。
其他数字原生公司，如meta/Facebook和亚马逊，也同样普遍使用分析和人工智能，我们对这些公司的研究和咨询表明，与更传统的公司不同，数据领导者不需要花很多时间宣传这些工具的重要性;它只是被认为是理所当然的，并被视为文化的一个基本要素。
一些传统企业正在采用类似的方法，但还不够。例如，东南亚最大的银行星展银行(DBS Bank)的首席执行官皮尤什?古普塔(Piyush Gupta)认为，该银行未来的竞争对手不是传统银行，而是阿里巴巴、腾讯和蚂蚁金服等数字原生公司。他认为，为了与这些公司竞争，星展银行必须收集、管理和分析数据，甚至比它们做得更好。该银行雇佣或培训了一千多名数据科学家和工程师，开发了自己的人工智能应用程序，采用了广泛的人工智能扫盲计划，并鼓励在所有业务功能和单位中开发人工智能用例。
其次，对于那些可能觉得学习谷歌(Google)或星展银行(DBS)的例子太过艰难的人来说，在几乎所有组织中都可以找到一个近期的榜样，那就是金融机构。即使是非营利组织和政府机构也有财务小组。在我们的集体经验中，我们觉得金融可能比其他任何功能都更能实现走向主流的目标。
走向主流是孤立的对立面;它意味着与组织的各个方面完全整合。考虑大多数金融组织的属性:
财务组织显然是战略性的，大多数董事会都是如此成立自己的财务委员会，并期待每次会议都有财务报告。
首席财务官通常是首席执行官的“核心圈子”，几乎参与所有重大决策。
首席财务官的任期往往很长如上文所述，首席数据官往往相当短。此外，首席财务官的快速更替向华尔街发出了警告信号。
财务员工几乎被整合到每一个设施、运营工厂、部门等等，并且至少在公司财务方面有一条虚线。
实际上每个经理都知道如何去做执行基本的财务任务，包括准备预算、计算ROI等。大多数经理在财务工作上花费大量时间。
财务明确了期望是什么，提供了它希望人们遵循的工具和流程，等等nitors遵从性。遵循财务程序是不可选择的。
金融部门不遗余力地确保其使用和提供的数据具有极高的质量。
上面的列表从将财务视为战略开始。这将是使数据成为主流的重要一步。如果从数据中学习和货币化被视为战略机会，那么组织应该考虑如何实现这些数据要点。
最后，我们非常同情高级管理人员。虽然数据分析已经存在了很长一段时间，但技术本身令人生畏，炒作使得实现它们看起来比实际容易得多。更糟糕的是，这样做的紧迫性似乎呈指数级增长。非技术人员很容易在混乱中迷失方向。然而，与可信的数据和顽强的技术实施一样，它们也是必不可少的!如果没有他们的帮助，即使是精英数据科学家也无法真正定义业务问题、理解数据，也无法将模型部署到业务流程中。你也不能对数据进行必要的改进。
诚然，我们对长期数据持乐观态度。我们看到了减少数十亿个工作岗位的苦差事、增加其他工作岗位、创造全新的高薪工作岗位的潜力(我们也同样意识到了下行风险)。与此同时，我们认为人们的恐惧是明智的——毕竟，辛苦的工作为全世界数十亿人提供了食物。显然，如果高层领导人能够消除这种担忧是最好的，但我们认为，这对大多数公司来说不太可能。尽管如此，我们还是建议高层领导承认这种担忧，就像那些没有很快认真对待数据的高层领导应该倍加担心一样。
相反，我们建议高层领导尽可能多地招募普通人参与他们的数据工作。实际上，每个人都可以带来小数据和基本分析来提高他们团队的绩效。这样的努力可以培养技能和信心，共同发挥真正的作用。对许多公司来说，它们似乎是获取更大数据和更先进技术的先决条件。最后，许多普通人发现了小数据的力量，因此非常乐意加入其中。
当然，公司可以随心所欲地管理自己;当然，他们应该努力这样做，以便更容易地进行其最重要的工作。毕竟，即使是最小的公司也是一个复杂的地方。其中一个暗示是，有些事情比其他事情得到更多更好的关注。直到10年前，对数据的相对缺乏关注是有道理的——它根本不是主流，也不需要成为主流。这种做法在今天显得不那么合理了。仅仅雇佣首席数据和分析官已经不够了。公司必须对数据管理模式做出一些重大改变，他们的最高层领导人必须带头。
