数据治理 - 数据治理战略需构建非侵入式方式接触目标受众，将其视为价值功能而非控制手段，以帮助用户在受管边界内工作，提供数据可访问性和可用性 [1] - 首席数据官首要任务之一是制定与组织风险状况相匹配的策略和标准，需在最初100天内健全数据治理政策以满足监管要求、确保敏感数据可见性并执行数据质量业务规则 [2] - 制定政策和标准过程应与业务利益相关者协同进行，避免“命令与控制”印象，数据治理很大部分工作在于与人沟通并创建协作环境 [2] - 关键步骤包括制定企业级政策而非仅限于业务部门的政策，尽早建立并完善政策库是首席数据官最高效任务之一，最终目标是建立政策标准、明确数据所有权并确保数据质量 [3] - 创建企业和本地数据策略及标准库，制定数据质量标准以提供高质量数据，通过纳入业务利益相关者来定义数据所有权 [4] 数据创新 - 数据创新取决于用户如何从现有数据中挖掘洞察以应对战略性应用场景，例如银行业、酒店业和零售业面临的不同挑战 [5] - 数据创新成功很大程度上取决于用户画像、数据需求及业务用例的映射，许多领导者倾向于“包罗万象”但此做法会阻碍数据驱动文化形成 [6] - 首要步骤之一是创建用例组合，战略数据管理领导者需树立数据产品管理思维模式，清晰定义每个用例目标受众、业务问题、数据范围等，用例可进行投资回报率跟踪 [6] - 基于利益相关者调查和相互理解的库存使用案例非常重要，根据对组织目标的影响来确定用例优先级并专注于小规模价值验证 [7] - 运用产品管理思维明确问题陈述，绘制目标用户画像并概述业务影响，构建数据社区确保积极参与以便快速取得成效 [8][9] 数据与人工智能分析 - 数据和人工智能分析是最大数据消耗者，高强度生态系统需要更快访问数据以提升可访问性和可用性，分析人员主要挑战是如何找到并信任合适数据 [10] - 实现正向投资回报率需要数据自助服务，缺乏自助服务组织会面临报告生成速度缓慢、团队各自为政导致报告重复等挑战，数据自助服务门户能让分析团队更轻松使用数据 [10] - 创建单一数据源需要注册分析团队所依赖的关键数据源，数据目录有助于组织理解分类数据实现隐私保护安全管理，是构建数据产品第一步 [10] - 游戏化能够促进分析师、科学家、工程师等人员共享文化，战略数据领导者应识别关键贡献者分配角色促进数据重用，积极贡献者应获得奖励 [11] - 首席数据官角色是通过提高数据可用性和可访问性赋能用户，营造协作环境有助于强化整体数据驱动文化并降低用户流失风险 [11] 数据文化 - 构建数据文化存在无法立即体现价值风险，非侵入式方法始于数据素养培训项目，该项目不会占用用户太多时间并根据用户承受能力调整 [13] - 成功数据领导者会与培训赋能团队协同推进数据素养计划，并与人力资源部门合作将数据素养要求纳入职位描述，确保相关人员承担明确责任 [13] - 培养协作数据文化需实施数据素养计划，通过游戏化吸引分析社区参与，并赋予用户在受管控范围内工作能力以最大化价值并推动采用 [14]