如何从数据中获取直接的业务价值，笔者在《精益数据方法论》中通过实践，总结了精益 C3S模型，将数据产生价值的场景分成四类，帮助企业的数据工作者化繁为简，高效清晰地梳理出数据产品创造价值的通往迦南之路。

“迦南之地”原指《圣经》中上帝应许给以色列人的一块富饶之地，象征着丰饶与希望。然而，由于种种原因，以色列人曾长期未能抵达这一应许之地。在现代，迦南之地常被比喻为一片“难以到达的理想之地”。它代表着人们对美好未来的追求和期望，但因重重困难而难以实现。在大数据的世界里，也有一片“永远无法到达的迦南之地”——从数据到价值的转换，这是因为尽管数据分析技术日益先进，但在实际应用中，数据的最终价值仍然高度依赖于业务人员的认知、经验和决策能力，这就导致从数据到价值往往存在以下七大挑战：

挑战一：数据呈现和解读的局限性

数据的应用场景大部分是生成报表、驾驶舱等供人阅读的内容。这些工具可以展示复杂的数据图表、趋势分析和关键指标，帮助业务人员了解当前的业务状况和市场动态。然而，这些数据呈现的方式本质上是静态的，读懂这些数据背后隐藏的意义，主要依赖于业务人员的解读能力。

挑战二：业务决策的复杂性

尽管数据可以提供丰富的信息和洞察，但最终的业务决策仍然由业务人员来完成。这是因为数据本身并不能直接指示行动方案，它只是提供了一种参考。业务人员必须结合自身的认知、经验和对市场的了解，才能从数据中提取出有价值的见解并做出决策。

挑战三：认知和经验的局限性

业务人员的认知和经验是决策过程中的关键因素。然而，每个人的认知和经验都存在局限和偏差。即使面对同样的数据，不同的业务人员也有可能得出不同的结论和采取不同的行动。这种主观性和不确定性使得数据驱动的决策过程充满了变数，无法保证每次都能产生预期的业务价值。

挑战四：数据工作者和业务理解的差距

数据科学家和业务人员之间的认知差距也是一大挑战。数据科学家擅长数据分析和技术，但可能缺乏对具体业务场景的深入理解。而业务人员虽然了解业务需求，但可能对数据分析的技术细节不够熟悉。这种沟通和理解上的障碍，往往导致数据分析结果难以有效转化为实际业务决策。

挑战五：动态变化的市场环境

市场环境的动态变化是影响决策效果的重要因素。数据分析通常基于历史数据进行预测和建模，但市场环境和业务需求是不断变化的。过去的数据和模型可能并不完全适用于当前或未来的情况，这增加了决策的不确定性和风险。

挑战六：资源和时间的限制

数据分析和决策过程需要投入大量的时间和资源。业务人员在日常工作中，可能没有足够的时间去深入分析数据并结合实际情况做出全面的判断。这种资源和时间的限制，使得数据的价值转换过程更加复杂和困难。

挑战七：效益评估的困难

即使做出了基于数据的业务决策，其效果和价值也不是立即显现的。业务决策的效果往往需要经过一段时间才能评估，而且还受到其他外部因素的影响。这使得数据驱动决策的效益评估变得困难，增加了不确定性。

面对从数据到价值转换过程中遇到的七大挑战，企业可以采取以下策略进行应对，以最大限度地提升数据驱动决策的有效性和效率。

举措一：将业务问题分级分类，匹配不同的数据产品

不同业务问题的复杂性和重要性各有迥异，企业应根据不同的业务需求，将问题分级分类，然后匹配相应的数据产品和解决方案。这可以从以下四步开始做起：第一步，根据业务目标和影响范围，将业务问题的优先等级分为为高、中、低三类。第二步，将业务问题按领域和特性进行分类，例如市场营销、供应链管理、客户服务等。第三步，匹配数据产品，为每类业务问题选择最合适的数据产品和分析工具。例如，针对于市场营销问题，可以使用客户细分和营销效果分析的数据产品；针对供应链管理问题，可以使用库存预测和物流优化的数据产品。

笔者曾经辅导过一家零售企业，指导其先对业务问题进行分级分类，选择使用最合适的库存优化数据产品解决高优先级的库存管理问题，同时使用客户反馈分析工具提升中优先级的客户满意度，效果十分显著。

举措二：将业务与数据技术充分融合，加强相互理解

打破数据科学家和业务人员之间的沟通壁垒，促进双方充分融合和相互理解。采用精益数据编组的形式，组建由数据专家、业务人员和IT人员组成的跨职能团队，确保每个项目都有多方参与。定期组织数据培训和业务交流活动，提升数据科学家对业务的理解，增强业务人员的数据素养。设定共同的项目目标和关键绩效指标（KPI），让团队成员有一致的努力方向。

笔者所服务的一家制造业500强企业，组建了一支跨职能团队的精益数据编组，组内的数据专家与业务人员合作开发了一个信用风险预测模型。通过定期的培训和交流活动，业务人员逐渐掌握了模型的基本原理，并在实际业务中有效应用预测结果。

举措三：尽可能让数据直接驱动业务动作，减少人为干预

通过自动化和智能化手段，让数据直接驱动业务动作，减少人为干预，提升决策的准确性和及时性。开发自动化的决策支持系统，根据数据分析结果自动执行业务动作。利用实时数据流处理技术，实现数据的即时分析和响应，减少延迟。引入机器学习和人工智能技术，提升决策的智能化水平，例如，自动调整库存、动态定价、客户推荐等，让系统能够自我学习和优化。

笔者服务的一家电商企业开发了动态定价系统，根据实时的市场需求和库存水平，自动调整商品价格，从而提高销售效率和利润率。

举措四：将价值分解成更容易实现的步骤

精益数据方法的核心举措是快速找到能实现的最小业务单元价值，将宏大的业务目标分解为具体的、可操作的小步骤，逐步实现业务价值。这可以分成三步走：第一步，价值拆解，将整体业务目标分解为多个小目标，每个小目标对应一个具体的行动步骤和数据分析任务。第二步，里程碑管理，设定项目里程碑和阶段性成果，逐步推进项目实施，在推进过程中及时调整策略和方法。第三步，敏捷开发，采用敏捷开发方法，分阶段交付数据产品和业务改进方案，快速迭代和优化。

笔者辅导的一家制造企业希望通过数据驱动的方式提升生产效率。面对这么宏大的目标，往往无从开始，于是在精益数据方法的指导下，利用精益数据价值树的工具，将宏大的目标分解为多个具体步骤：首先，优化原材料供应链；其次，提升生产设备的维护和管理；最后，优化生产流程。每个步骤都有明确的行动计划和数据支持，从而逐步实现整体目标。

上述这些策略不仅有助于企业提升数据驱动决策的效率和准确性，还能帮助企业在复杂多变的业务环境中找到通向价值实现的最短路径。

 在现代管理和决策领域，Cynefin 框架被广泛认为是一种强有力的工具，能够帮助人们识别、分析和解决各种复杂的业务和管理问题。学习 Cynefin 框架不仅能够让人们更好地识别问题，分析问题，还能够帮助人们在应对复杂性和不确定性时采取适当的行动，从而更有效解决问题。

Cynefin 框架的起源和意义

Cynefin 是一个威尔士语单词，发音为 [kə-nɛv-ɪn]，字面意思是“栖息地”，但其实际含义更为丰富，强调理解问题所处环境和背景的重要性。Cynefin 框架是由戴夫·斯诺登（Dave Snowden）在 1999 年提出的，他将问题分为五个领域：简单的（Simple）、繁杂的（Complicated）、复杂的（Complex）、混乱的（Chaotic）和无序的（Disorder）。

Cynefin 框架的五个领域

Cynefin 框架将问题分解成五个领域，如图1所示：

简单的（Simple）：对于简单的问题，存在可预测和可重复的因果关系，属于“已知的已知”，即我们已经知道所有需要知道的事情。这类问题通常都是不言自明的，有一个公认的、显而易见的答案。解决简单问题的步骤是：感知→分类→应对。即先感受和识别问题，然后对问题进行分类，再根据分类来选择应对策略。

例如，一个刚毕业的大学生处在职业发展的初期，想要积累工作经验。这是相对简单的，只要遵循一些固定的工作流程，就能产生可预测的结果。

繁杂的（Complicated）：对于繁杂的问题，因果关系并不显而易见，属于“已知的未知”，即我们知道有些事情我们不知道。这类问题需要运用专业知识来分析。解决繁杂问题的步骤是：感知→分析→应对。即先收集数据和相关信息，然后运用专业知识对它们进行分析，找出有效的应对策略。

例如，随着大学毕业生积累了一定的工作经验，他们会遇到一些繁杂的问题，这需要靠专业知识去解决。例如，一个工程师需要解决某个技术难题，必须通过数据分析和专业知识来找到最佳解决方案。

复杂的（Complex）：对于复杂的问题，因果关系是不可预测的，属于“未知的未知”，即我们不知道有些事情我们不知道。只有在解决问题之后，才能将问题和解决步骤看清楚。解决复杂问题的步骤是：探索→感知→应对。即先进行实验、测试和探索，从而获得感知和反馈，再根据反馈来制定和调整应对策略，逐渐找到问题的解决方案。

例如，一名经验丰富的管理者需要设计一项新的市场策略。这类问题的解决过程充满不确定性，需要不断尝试、评估和调整策略，才能找到最佳的市场方案。

混乱的（Chaotic）：对于混乱的问题，没有确定的因果关系，属于“不可知的未知”，即存在不能获知的情况，短期内无法识别具体的模式。解决混乱问题的步骤是：行动→感知→应对。即先快速选择一个方案去行动，等形势稳定下来之后，再去分解问题，将问题转化为复杂问题或者繁杂问题域。

例如，一家企业在面临突发危机时，需要快速做出决策，例如自然灾害后的紧急响应。这时，立即采取行动是关键，随后再根据形势变化调整策略。

无序的（Disorder）:当问题的情况很不明朗时，我们可以认为它是无序的。在这种情况下，解决无序问题的步骤是：先确定问题所在的领域，然后再按照前面介绍的方法来解决。

例如，一个初创公司在成立初期面对市场、技术和管理上的多重挑战，这种情况下需要先明确每个问题的性质，再采用相应的策略进行解决。

在 Cynefin 框架的基础上，精益数据价值C3S模型把数据分析应用于业务问题的处理过程中，按照价值创造的路径，将业务问题分成四个象限：复杂问题挖掘（Complex）、组合数据分析（Complicated）、混沌问题定义（Chaos）和清晰问题回答（Simple）。每个象限内的业务问题类型和分析方法有所不同，通过精益数据价值 C3S 模型，数据工作者能够有章可循，按部就班地实现从数据到业务价值的转换，如图2所示：

清晰问题回答（Simple）

有唯一准确的答案，能够从现有数据中直接查询到结果。例如，哪个单品的销量最好？当前的任务是否完成？采用的数据分析方法比较清晰，包括简单统计分析、报表生成、仪表盘展示等。

单品销量排名：一家超市希望了解各单品的销售情况，通过生成销售报表和仪表盘，就可直接展示每个单品的销量排名，帮助管理层快速做出决策。

组合问题分析（Complicated）

多个清晰问题的组合，有复杂规律的确定性因果关系。例如，如何提升某个单品的销量？哪些 SKU 的销量最好？采用的数据分析方法比较复杂，包括多变量分析、回归分析、时间序列分析等。

一家食品公司希望提高某款新产品的销量，通过分析历史销售数据、市场推广活动、季节性因素等，使用回归分析找到销量提升的最佳策略。

复杂问题挖掘（Complex）

没有确定性规律的因果关系，需要不断分解和探索的业务价值。例如，如何提升收入？如何提升客户的满意度？采用的分析方法一般是探索性数据分析（EDA）、高级统计分析和机器学习算法来发现潜在模式和规律。

一家零售公司希望提升整体收入，需要分析多种因素（如市场趋势、消费者行为、促销活动效果等），并使用机器学习模型预测哪些策略最有效。

混沌问题定义（Chaos）

适合哪些问题模糊不清，需要进行顶层设计的系统性问题。例如，战略方向是什么？采用的数据分析方法包括战略规划、头脑风暴、情景分析等。

初创科技公司希望明确未来的发展战略，通过市场调研、竞争对手分析、技术趋势预测，进行情景分析和头脑风暴，找出最适合的发展路径。

DIWK 模型

DIKW模型（Data-Information-Knowledge-Wisdom）是信息科学中的一个经典模型，用于描述数据、信息、知识和智慧之间的层次关系。这一模型有助于理解如何从原始数据逐步提炼出有价值的信息、知识，最终升华为智慧，如图3所示：

数据（Data）

数据是最基础的层次，指的是从物理世界中记录的原始事实和数字。这些数据通常是未经处理的，没有经过分类、过滤或解释。数据的特点是数量庞大、形式多样（如数字、文本、图像等）、没有直接意义。例如，温度传感器每秒记录一次温度值，这些温度值就是数据。

信息（Information）

信息是经过处理和整理后的数据。通过分类、过滤和结构化，使数据具有特定的意义和上下文。信息的特点是提炼后的数据、有规律和结构、具备一定的意义。例如，将温度传感器的原始数据按时间顺序整理，并计算每日的最高温度、最低温度和平均温度，这些统计结果就是信息。

知识（Knowledge）

知识是对信息的理解和解释，基于经验、学习和推理形成的一种能力。知识帮助我们理解信息的背景、意义和应用。知识的特点是对信息的抽象和总结、需要经验和专业知识、有助于决策和行动。例如，根据温度信息，气象学家能够理解气候模式，预测未来的天气变化。这种能力就是知识。

智慧（Wisdom）

智慧是知识的升华，能够基于深刻的洞察和判断做出最佳决策和行动。智慧不仅依赖于知识，还包括道德和伦理的考虑。智慧的特点是知识的应用和运用、包含价值判断、能够指导长期战略和行动。例如，气象学家在预测到极端天气后，不仅发出预警，还提出具体的防灾减灾措施，从而保护人民的生命和财产安全。这种综合判断和行动能力就是智慧。

C3S模型是 DIKW 模型的逆向工程，就是将复杂的业务问题，通过数据分析的工具，层层分解成客观的、清晰的数据问题，从而最快从数据中获得业务价值。精益数据价值C3S模型通过将业务问题分成复杂问题挖掘、组合数据分析、混沌问题定义和清晰问题回答四个象限，帮助企业在数据分析过程中有针对性地选择分析方法和工具，从而更有效地创造业务价值。每个象限对应的业务问题类型和分析方法不同，企业可以根据具体需求，选择最适合的方法进行分析和决策，如图4所示：

对于清晰问题，可以直接采用报表、仪表盘、KPI 工具、管理驾驶舱或者通知消息等数据工具，让用户最直接的获得确定的答案，从而去指导业务操作。

对于组合问题，就提供统计分析工具、时间序列分析工具等方法，帮助业务一层层分解组合问题到简单清晰问题，从而获得最佳答案。

对于复杂问题，则需要借助探索性数据分析工具、机器学习模型或者 A/B 测试工具，来不断试探，寻找最优解的可能性。

而对于混沌问题，则可能第一步并不是从数据出发，而是要从战略出发，从场景出发，寻找到业务价值点，然后再分解成复杂问题、组合问题和清晰问题，最后得出最优解。

C3S模型指导企业在面对不同类型的问题时，采用最合适的工具和方法，从而最大化数据的利用效率和价值创造。通过运用C3S模型，企业可以在不同的业务场景中明确数据应用的最佳路径，避免无效的尝试和资源浪费，加速实现数据驱动的业务增长和创新。这不仅提升了数据分析的效率，还促进了企业整体决策水平的提高，使数字化转型变得更加科学和高效。

（作者系中国特色数字化转型方法论创始人。畅销书《精益数据方法论——数据驱动的数字化转型》唯一作者，中国计算机学会数字化转型与企业架构SIG主席、数字产业创新研究中心副主席、公众号《凯哥讲数字化》作者，为企业提供数字化转型咨询培训辅导教练服务。本文刊发于2024年第8期《信息化建设》杂志）