在本文中，我们将着眼探讨三大核心因素：“数据堆栈”究竟从哪里开始；CIO们需要关注哪些架构变化；以及该如何实现“业界最佳”与“超越自我”。
随着更多组织意识到CIO的职能逐步超越技术基础设施的安全合理运行范畴，CEO们开始愈发倚重这位“首席技术专家”，邀请其直接参与到影响企业盈利的关键业务与战略决策当中。
这一趋势也必将在未来几年内得到普及：根据Gartner的介绍，将有25%的传统大型企业CIO成为数字业务运营负责人，并到2024年一步步发展成为新的“代理COO”。但这两个问题往往困扰着刚踏上这段旅程的CIO们：我该如何将这段过渡成为有益于企业及员工的探索？在踏上这条未知道路之前，需要考虑哪些陷阱？
在本文中，我们将着眼探讨三大核心因素：“数据堆栈”究竟从哪里开始；CIO们需要关注哪些架构变化；以及该如何实现“业界最佳”与“超越自我”。
-Part1-
推动“数据堆栈”现代化
在解决“技术基础设施”的现代化问题方面，CIO们首先需要关注数据、AI与分析人员队伍的快速增长与最新变化。
就在几年之前，DJ Patil与Tom Davenport还将数据科学家评选为“世界上最性感职位”。但实际上，数据科学家的热度正逐渐褪去——根据LinkedIn发布的2020年新兴工作职位报告，“人工智能专家”才是增长最快的第一职位。
当然，这不是说数据科学家职位已经彻底衰落。目前，其在榜单上仍然排名第三，但在吸纳新人才的能力方面，数据科学家已经无法与人工智能专家相比肩（过去四年内，岗位增长比例分别为37%与74%）。
总结：“数据堆栈”现代化的起点在于您的员工。请评估现有技能，并确保后续会吸纳更多新鲜血液。另外，请制定起明确的计划，思考如何培训现有员工以引导他们发展为数据科学家，所需的培训内容又与“AI专家”有什么不同。
-Part2-
技术架构的演变
过去十年当中，数据、人工智能与分析领域发生了巨大的变化：从Hadoop的迭起兴衰，到云计算这一核心驱动力的普及执法。
2021年，Gartner发布预测称云计算将是一种“必然”。到2022年，公有云服务将在90%的数据与分析创新项目中发挥重要作用。
麦肯锡方面则警告称，要发展成为数据驱动组织，企业必须有能力使用云数据仓库、开放数据湖与实时分析平台对原有IT资产进行现代化改造。
波士顿咨询集团则建议，大家应重新调整数据与数字平台（DDP）的构建方法，并将其与云服务提供的全新租户架构融合起来：
●数据与核心事务系统彼此分离
●通过API在系统之间创建模块化接口
●将数据即服务交付给全渠道智能业务层
最后，风险投资公司Andreessen Horowitz呼吁采用“统一数据基础设施”，借此适应行业中的最新架构变化。
说了这么多，很多朋友是不是感觉有点头晕？面对这么多建议乃至最佳实践，CIO到底该怎么做？我的建议很简单：首先明确哪些因素对员工乃至企业的业务产出影响最大。接下来，我们将从近期三大数据架构变化的角度出发，有针对性地找到答案：
1.云数据仓库
曾几何时，IT部门发起过一轮为期多年的转型旅程，努力将企业内的所有数据都集中在数据仓库当中。支撑这一愿景的基本思路在于，IT部门应该维持一套事实（或者说「数据」）版本，并将其交付给企业内的各个业务部门。数据将在这里集中接受清洗、维护与保护。在此过程中，行业意识到这样的愿景存在很多问题：数据的移动比预期中要更困难、也更昂贵，而且将IT服务扩展至业务需求的挑战性也远高于我们的想象。
在本地存储、保护及维护数据的高昂成本，导致IT部门无法真正灵活地将任意数量的数据纳入数据仓库，由此带来的效果与最初目标可以说南辕北辙。而云数据仓库之所以能够蓬勃发展，依靠的就是其使得企业能够以更快的速度与更低的成本通过自助服务模式快速配置海量以往根本无法获取的资源。
此外，由于送入数据仓库的数据源能够比以往更加分散，因此企业需要一种同时具备批处理与实时处理模式的敏捷系统，负责在本地系统、SaaS应用程序以及第三方来源之间随时提取数据。用业务术语来说，云数据仓库对于组织之所以具有重大意义，是因为它允许您以一种经济高效、安全且敏捷的方式，帮助员工以必要的速度访问必要的信息，最终据此做出正确决策。
2.从ETL到ELT
这类概念相信大家已经听过很多次了，这里最重要的是确定哪些术语对您的团队及其需求真正具有意义。以往，大多数企业从“受信”源系统中提取到的数据，而后对其进行转换（即「准备」）并加载至目标数据存储当中（即ETL流程）。
请注意，这里的“受信”是加了引号的。选择此流程的一大原因在于数据存储成本：ETL能够帮助团队减少实际加载至数据仓库内的数据量。但这同时也引发了负面影响：负责“T”部分的团队必须决定要传递多少数据、采取怎样的数据传递形式。
设想一下，这样的数据在落入最终用户手中时必然引发大麻烦：不同团队可能会根据自己的情况需要不同的数据类型、样式与规模，但这一切恐怕都与“T”团队的预设匹配不上。问题的常规解决方法就是回归“E”团队，这通常是一支远离数据使用者的技术团队。虽然效果不错，但这又会给企业即时达成业务目标的能力造成巨大损失。
ELT则认为团队应首先提取出尽可能多的数据，将其加载以供分析人员与科学家使用，之后在实际分析前的最后一个环节内执行转换。这种方法的实现基础同样源自云数据仓库，云服务的经济性让这套方案真正拥有了成本可行性。但在考虑使用这套方案之前，请确保您的团队已经拥有或者有能力掌握新流程所需要的各项技能。
总而言之，ELT的核心优势在于，只要您认为数据储备是越多越好，那么我们就能保证提取过程和业务用户对庞大数据总量的访问能力。
3.可组合与智能应用程序
随着低代码/无代码趋势的兴起，以及对于富数据应用程序的需求，您的员工需要以更敏捷、更灵活的方式应对日常工作。
换言之，我们应该将可组合应用程序作为业务生态系统中的一大主体，同时保证相关数据的访问安全。在我看来，可组合应用程序与智能应用程序是CIO们绝对不可忽视的两大重要趋势：Okta在其2021年《Business at Work》报告中提到，目前每家组织平均拥有88款应用程序，包括技术或媒体等特定行业组织的应用程序数量甚至可能翻倍（分别为155款与133款）。
按行业划分的客户平均应用程序数量
-Part3-
“业界最佳”与“超越自我”
当下，已经有大量发展蓝图可供CIO达成自己的发展愿景。CIO们首先应当保证技术团队提供满足每一位员工所期待的标准，借此实现业务成功。
通过实际合作，我发现很多技术负责人的目标并不是“比去年的自己更好”，而是在推进现代化改造的过程中拿出“业界最佳”级别的成果。
面对市面上不计其数的技术选项，最重要的是确定少数几种最具意义的“技术架构转变”方案，并让您的团队能力与其匹配起来。
这就是数据决策避坑的终极秘诀：不仅要从技术的角度出发，更要从员工的角度出发。
