“提出正确的问题就已经解决了问题的一半。”

数据要素时代，每个人都在谈论数据解决方案如何创造商业价值。但这究竟是怎么发生的呢？一个流行的范式是“数据 — 信息 — 知识 — 智慧”金字塔。在这个模型中，原始数据具有背景，经过丰富含义并最终经过分析，可以让我们洞悉过去或未来。这个模型描述了我们如何在企业内将数据用于分析目的以创造价值。

数据不仅仅是各种模型的资源或财务报告的要求。谷歌、Facebook、Airbnb 和 Uber 都是数据驱动型公司。对他们来说，数据不仅是业务的补充，更是核心业务的推动者。他们基于数据构建应用程序。这也影响着他们构建系统的方式。然而，并非每个组织都是科技公司，以同样的方式处理数据可能并不可行。每个数据计划都需要针对特定环境量身定制的方法。

在过去 20 年多的时间里，我曾担软件工程师、IT咨询顾问、数据治理专家、解决方案架构师和项目经理，参与了不同组织的几十个项目。在此期间，我收集并分析了需求、实施了模型、设计了架构、构建了数据平台、开发了数据管道。我还向高层管理人员进行了汇报、与利益相关者进行了协调、指导了初级员工、建立了标准和最佳实践、自动化流程、估算了预算等。

为了做好工作，需要汇集来自不同领域的信息：组织架构、技术环境、业务需求、数据现状、财务约束。多年来，我整理了许多不同的问题清单，用于文档、研讨会、会议和演示。答案变成了概念、计划，最终变成了产品。

我觉得在讨论数据解决方案时，有很多更重要的问题需要提出。这让我想到了这篇文章，其中我总结了 51 个我认为可以帮助利用数据实现业务价值的问题。

业务和战略目标

1. 企业、部门或高管的短期和长期目标是什么？

2. 数据如何支持这些目标？它是用于决策、报告，还是作为应用程序的核心组件？

3. 这些目标是否涉及多个部门？利益相关者之间需要多少协调？

4. 这项计划的成功是什么样子的？我们将如何衡量实现目标的有效性？

5. 谁在支持这个数据计划？赞助商是谁？他们如何支持我们？

6. 这个项目是否具有明确的范围和结束日期，还是一项持续进行的计划？整个过程中有哪些重大里程碑？

7. 我们是否有可以提供所需投资回报率（ROI）的用例？

8. 我们是否必须遵守严格的预算限制和严格的期限？

9. 与此举措相关的监管或合规考虑是什么？

10. 这一举措面临的最大风险是什么？如何降低这些风险？

项目范围和要求

1. 我们是从现有的数据解决方案迁移过来的吗，还是这是一个绿地项目？

2. 我们是否从一开始就开发概念验证（PoC）、最小可行产品（MVP）或生产解决方案？

3. 这是第一个也是唯一的数据用例，还是我们正在为多个用例构建一个平台？

4. 我们是在构建数据仓库、数据湖还是 Lakehouse？选择其中一个而不是其他的原因是什么？

5. 我们要实现哪些用例？它们专注于批处理、流式处理、联机分析处理 (OLAP) 还是联机事务处理 (OLTP)？

6. 我们需要存储多少历史数据？我们需要以多快的速度检索这些数据？

7. 数据需要多快可用？立即提供数据有什么好处？

8. 这些系统有多重要？它们是否直接集成到生产流程（例如制造）中？

9. 我们可以和源应用程序团队谈谈吗？如果需要，我们可以修改源应用程序吗？

10. 数据准确性和一致性有多重要？丢失单个数据点可以接受吗？

数据来源和技术

1. 我们要连接到哪些源系统？它们是流数据源、RDBMS、基于云的还是本地的？

2. 我们处理的是结构化、半结构化（例如 JSON、XML）还是非结构化数据（例如文本、图像、音频）？

3. 数据在哪里生成？是通过用户输入还是机器生成的数据？

4. 我们是否有特定的高性能要求？我们会从分布式计算中受益吗？

5. 我们需要考虑的主要数据安全性和合规性要求是什么？

6. 我们计划如何处理数据质量和数据治理？

7. 该组织是否有偏好或已标准化的特定工具或技术？

8. 是否存在需要维护或修改的现有集成？

9. 该解决方案需要多大的可扩展性才能适应未来的增长？

10. 数据可用之前需要经过哪些转换过程？

11. 是否有整合第三方数据源的计划？

团队和专业知识

1. 每个用例将有多少人参与，他们的角色和专业水平如何？

2. 数据团队在组织内扮演什么角色？

3. 公司的数据成熟度水平如何？

4. 我们是否具备定制、实施和维护解决方案的专业知识？

5. 团队对需求的定义和提供能力有多强？我们是否需要提取和定义每个细节，或者团队是否有能力提供定义明确的规范？

6. 我们是否需要雇用额外的资源或咨询外部专家？

7. 数据团队将如何与其他部门（如 IT、营销和销售）合作？

8. 如何在团队内部定义和传达角色和职责？

9. 如何衡量团队的绩效和生产力？

用户和利益相关者的考虑因素

1. 正在开发的数据解决方案的主要用户是谁？

2. 他们的主要要求和期望是什么？

3. 与当前数据处理相关的用户主要关注点或痛点是什么？

4. 我们如何确保数据解决方案满足所有利益相关者的需求？

5. 将采用哪些反馈机制来不断改进数据解决方案？

6. 最终用户需要多少培训或入职指导？

7. 我们是否需要为不同的用户组提供不同的访问级别或数据视图？

8. 我们将如何收集用户反馈并将其纳入数据解决方案的未来迭代中？

9. 用户对系统正常运行时间和可用性有何期望？

10. 我们如何衡量并鼓励用户采用？

11. 如何将数据解决方案的变化和更新传达给用户？

应对复杂的 IT 和数据项目需要丰富的经验，以及对业务的深入理解和深入研究技术细节的能力。这需要针对每种情况提出正确的问题并得出适当的结论。