数据文化是症状-而非解决方案

数据文化是症状，而非解决方案

原文：towardsdatascience.com/data-culture-is-the-symptom-not-the-solution/

数据文化和数据治理越来越多地被引用为构建数据驱动型组织的先决条件。两者都被视为将商业智能和人工智能（AI）的投资转化为商业价值的关键。但这里有一个问题：数据治理可以积极设计——数据文化则不能。

本文是对 CIO.com 上发布的管理摘要的详细深入探讨。它探讨了组织在努力成为数据驱动型时数据文化的真正作用——这个作用可能与你的预期大相径庭。借鉴现代组织理论，我提供了一种实际的方法来超越失败的“数据文化”倡议，并提出了一种思考方式，最终释放了你的数据和 AI 投资的价值。

附录提供了一个 数据文化速查表 *，其中总结了关键点，以便立即使用。

我是 Jens，一位具有 20 年经验的商业数据专家，帮助各行业的商业领导者释放数据算法的潜力。

tl;dr

许多数据倡议未能达到预期，不是因为技术问题，而是因为领导者对文化的理解有误。
文化是组织的涌现属性，而不是设计对象。它可以被诊断和间接影响，但永远不会被直接塑造或工程化为期望的形式。
因此，与数据治理不同，数据文化不能被视为数据与人工智能创造价值的先决条件。它是结果而非原因。
数据文化的真正用途是诊断性的：就像传感器一样，它有助于揭示利用数据作为资产的隐藏障碍。
一旦确定了这些障碍的根本原因，领导者可以设计针对性的干预措施，以改善数据价值创造。当干预措施产生效果时，这会间接地使数据文化作为副作用而改变。
当两者都考虑在内时，真正的数据价值创造才成为可能：治理提供可靠的基础，文化使其有效应用。

1 为什么组织追求数据文化？

大多数组织都旨在成为数据驱动型，以利用数据作为组织资产所承诺的潜力。他们旨在应用诸如商业智能（BI）或人工智能（AI）等技术，将运营数据用于分析目的。应用包括：

控制：报告或 BI 仪表板用于监控和监督
自动化：可以自动化处理解决复杂商业挑战的任务
决策制定：从数据中得出的见解有时可以支持（而不是替代！）解决复杂商业问题所需的人类直觉
创新：创造有助于提出（并回答）关于客户、竞争对手、技术和行业趋势的正确问题的见解

尽管承诺了诸多好处，许多企业仍难以释放其数据的价值 [1]。这并非新问题。商业智能（BI）、分析学和人工智能（AI）——不仅仅是大型语言模型，还包括数据科学和机器学习——已经存在了几十年。然而，将数据转化为可衡量的成果仍然是许多组织的挑战。

因此，除了战略清晰度 [2]之外，术语数据文化越来越多地被引用为组织成为数据驱动型成功的关键因素 [3]。

但数据文化究竟是什么？它真的是将数据转化为商业价值的前提条件吗？并且我们能否积极地将其塑造为期望的形式，从而实现数据价值创造的成功？

由于数据文化最终是对整体组织文化的看法，因此首先就组织文化是什么以及如何接近它达成一致至关重要。

2 组织文化

2.1 主流方法的局限性

组织文化一直是社会学中一个研究成熟的领域 [4, 5, 6] 已经有几十年了。然而，许多高管报告称，文化变革和转型努力仍然是组织面临的最具挑战性的任务之一。尽管关于著名引用的 70%失败率 7 的说法 8 仍有争议，但关于一点存在广泛的共识：文化变革绝非微不足道，许多倡议都未能达到预期。为什么情况会是这样？

基于卢曼的系统理论的现代组织理论 [9, 10, 11] 提供了一个答案：虽然许多商业领袖隐含地认为文化是可以有意塑造的，但从系统理论的角度来看，这是不可能的。因此，文化变革倡议的高失败率并不令人惊讶，因为许多倡议在设计时基于一个有缺陷的假设，即从系统理论的角度来看。

卢曼将组织概念化为自我复制的、复杂的决策沟通社会系统。在这种观点下，文化不是一个可以直接设计的对象，而是一个指导并约束决策的潜在意义结构。

文化是组织沟通的涌现产物。它可以被观察、干扰或引导，但永远不能被设计。

应用这些见解可以提高变革和转型实践的成功率，这为研究人员和实践者对系统理论的日益关注提供了正当理由 [12, 13, 14]。

2.2 组织文化的定义

在这里采用系统理论视角，组织文化可以大致定义为组织中的大量不言而喻和部分潜意识规则，后者是一种特定的复杂社会系统。其目的是向组织成员传达预期的行为，从而使某些行动比其他行动更有可能。

组织文化决定了这里的工作方式。

文化充当所谓的不可决定的决策前提——一个在复杂环境中变得越来越重要的过滤器，在这些环境中，个人必须越来越多地自主做出决定和行动 [14]。

这种不言而喻且潜意识中的规则（文化）的典型例子包括：

人们在这里互相帮助
我们公开处理错误
在会议中，级别最高的人先发言

2.3 文化工作的影响

采用系统理论观点为组织中的文化工作提供了新的见解：

文化不是原因，而是现有条件的结果。

因此，“良好的文化是成功价值创造的先决条件”的假设并不成立 [14]。文化更好地被理解为价值创造中潜在问题（或成功）的症状。

从系统理论的基础出发，对组织文化的工作有几个实际后果：

改变环境，而非人：领导者应将重点从改变人或他们的“心态”转移到改变环境，因为这是实现行为改变更大的杠杆。
避免文化设计倡议：试图设计“最佳”目标文化的尝试本质上成功率很低，应该避免。
将文化作为诊断工具使用：将文化视为价值创造中隐藏障碍的传感器，而不是可以直接塑造的变量。用它来揭示解释看似不合理行为并阻碍价值创造的根源原因。
通过小规模干预和反馈循环工作：设计和测试改变人们工作环境的干预措施，并观察反馈，以便解决障碍。可能的干预措施包括结构、管理系统、人际交流的设置或保护（新的）工作方式。
警惕蓝图：组织是复杂的社会系统。作为这样的系统，你不能期望有因果关系。在一个环境中有效的东西可能在另一个环境中失败。因此，从成功的组织中学习往往价值有限。

因此，文化工作的真正价值在于识别未见的障碍，进行小范围的特定环境干预，并允许更合适的模式出现——而不是试图设计一个理想的文化目标图景，例如通过设计的公司价值观。

3 数据文化

3.1 数据文化的定义和价值

数据文化仅仅是组织文化的一个特定视角。一个可能的定义可能是：

数据文化关注的是共享的习惯、价值观和非正式规则，这些规则决定了我们如何在这里使用数据来创造或保护商业价值

因为数据文化最终是组织文化在行动中的体现，所以第二部分的原则适用：你不能直接工程化一个期望的数据文化，也不可能定义普遍的最佳实践来以期望的方式影响数据文化。

相反，组织应使用数据文化来识别阻碍数据作为资产使用的障碍，然后探测小的干预措施，这些干预措施逐渐消除这些障碍。一旦成功，一旦数据的价值创造有效运作，合适的数据文化将自行出现。

至于一般组织文化，数据文化工作的真正价值在于其诊断能力：

传感器：揭示数据价值创造中的隐藏问题
杠杆识别：指向根本原因而不是症状
早期指标：显示干预措施是否开始起作用
风险管理：在数字化转型过程中标记出意外的副作用

3.2 识别数据文化障碍的分析领域

在识别数据文化障碍时从哪里开始？查看数据文化的通常相关方面已被证明是有帮助的。这些方面的一个可能的集合如下六个分析领域及其在成功解决文化障碍时经常出现的相应成功模式。这些不应被视为数据文化设计的目标模式，而应被视为识别相关障碍的视角。

图 1：识别数据文化障碍的数据文化分析领域。

数据意识：领导和员工理解数据驱动价值创造的机遇和局限性
数据领导力：领导者积极要求并倡导基于数据的作业方式——其中他们增加价值
数据素养：组织中的所有成员都拥有使用数据以价值创造方式的相关跨学科能力
基于洞察的工作方式：组织中的每个人都愿意探索和利用数据的价值创造潜力
协作工作方式：数据和洞察愿意且主动地在边界之间共享
数据可用性：用户可以轻松、安全、及时地访问与他们相关的数据

这些模式是监控的信号，而不是需要工程化的目标。它们的形成表明障碍正在减少，数据文化正作为成功干预的副产品开始转变。

4 数据治理与数据文化

4.1 数据价值创造

数据治理是组织成为数据驱动型的一个感知先决条件。但它与数据文化有何关系？

数据治理这个术语并没有被唯一地定义，但一个经常引用的定义是15：

“数据治理被定义为对数据资产管理的权威和控制（规划、监控和执行）的行使”

使用这个共同定义，数据治理主要关于实施流程、角色和责任，以实现数据的可持续价值创造。它涵盖了正式规则，以实现数据的增值。这些正式规则可以通过管理通过论点、奖励或惩罚来执行。因此，它补充了数据文化。

数据文化和数据治理是同一枚硬币的两面：治理为复杂的事物带来秩序，而文化在复杂的事物中创造适应性。

关键在于将数据治理和数据文化视为不是两个独立的倡议，而是两种基本模式，它们的相互作用有助于数据价值创造：这是一个持续的组织过程，在这个过程中，数据被使用、解释并整合到决策中，以产生商业价值。

4.2 区分数据治理和数据文化

通过观察组织设计14和管理文献16中使用的强大[指导性区别]，我们可以最好地理解数据治理和数据文化之间的相互作用：复杂与复杂之间的区别。

数据治理是试图掌握复杂性的尝试，而数据文化是导航复杂性的涌现结果。这种指导性区别在组织内部表现为进一步的相应区别。

图 2：数据治理和数据文化是数据驱动决策的两个方面。

1 背景：复杂/复杂

这是所有其他区别的指导性区别。复杂环境是可知和可预测的，即使它们很难。它们的相互作用遵循清晰的因果关系。有了足够的蓝图和专业知识，可以设计出期望的结果。数据治理是掌握复杂性的主要工具，例如，定义谁可以访问数据或确保数据质量足够。

复杂环境是不可预测和涌现的。因果关系在事先并不清楚，并且不断变化。数据文化使组织能够有效地导航复杂环境，例如，当员工需要决定解决复杂商业问题时，他们积极分享分析见解以改善他们的决策。

2 主要关注点：基础/应用

这种区别突出了每个模式在从数据到价值旅程中优先考虑的内容。数据治理专注于创建一个可靠的基石。其主要关注的是将数据变成一个稳定、可预测和可管理的对象——即数据资产本身。这主要是一个复杂的任务：它涉及到定义确保质量的规则，并根据明确的因果关系来结构化访问。

与此相反，数据文化在决策时刻能够有效地应用这个基石。它决定了这个稳定的基石是否以及如何被人们用来导航不确定性并创造商业价值。

3 管理：命令与控制/自愿承诺

数据治理依赖于命令与控制——正式、职位权力的行使。相比之下，数据文化不能被命令。它通过自愿承诺来促进复杂环境中的决策：一种涌现现象，其中人们根据自愿授予的信任和感知能力追随非正式领导者 [13, 14]。

4 规则：正式/非正式

数据治理通过在政策和流程中找到的正式、明确的书面规则来运作。这些表现为有形的实物：书面政策、流程图、角色描述或数据质量 KPI。

数据文化通过非正式、不成文的社交规范和惯例来运作，这些规范和惯例规定了“这里真正是如何做事的”。这些表现为无形但决定性的前提，指导着行动：对仪表板的信任程度、数据的感知相关性、分享见解的意愿，或挑战数据驱动假设的心理安全感。

5 决策：按部就班/自主决定

数据治理要求人们按部就班地工作以确保一致性和标准化。这是执行——无需做出决策。

数据文化帮助人们在不确定性面前自主做出决策。要么是通过结合可用数据与直觉，要么是通过询问有关客户、竞争对手、技术和行业趋势的正确问题，这随后需要确定可能缺失哪些数据来验证假设。

6 目标：稳定性/适应性

数据治理旨在创建稳定性，一个可预测和可靠的基石，其中数据质量是一致的，访问是受控的，流程遵循定义的标准。这种稳定性使可靠性、合规性成为可能，并允许组织有信心地使用数据进行决策。

数据文化旨在使组织具备适应性，即能够有效地应对不断变化的业务需求、新兴机会和意外挑战。这种适应性使组织能够在动态环境中生存和繁荣，并以新颖的方式利用数据。

7 创建：可以强制/需要出现

这捕捉了它们起源的根本差异，并强调了本文中的一个关键信息。数据治理需要被设计和执行，而数据文化需要作为现有结构条件的间接结果而出现。

4.3 互动：良性循环

虽然影响的主要路径是从数据治理到数据文化——治理为文化的出现提供可靠的基础——但互动是双向的。强大的数据文化使治理的正式、复杂的结构变得生动。

一些例子包括：

数据质量—数据治理可以定义数据质量规则，但责任文化会激励员工主动报告异常观察。
元数据管理—数据治理可以强制创建数据目录，但只有协作文化才能确保其持续维护，使用丰富、上下文相关和最新的元数据，使其真正有价值。
数据获取—数据治理可以定义获取数据的过程，但探究文化不断产生需要测试的新业务假设，通过这些过程推动获取全新的数据集。

数据治理和数据文化之间的这种反馈循环创造了一个良性循环。设计的复杂治理系统和文化出现的复杂行为不断相互加强和改进，推动数据价值创造远远超出仅靠规则所能强制执行的范围。第六部分中的实际例子也将说明这一效果。

5. 一种设计和文化干预的探针工具

我们如何将上述理论付诸实践？我们如何识别阻碍数据与人工智能价值生成的文化模式，并设计解决其根本原因的干预措施？

在组织中处理文化工作当然有不同方法，在这里我选择了一种方法，我们在我们的咨询实践中成功地应用了这种方法。为了结构化揭示文化模式和设计干预措施的过程，我们从所谓的文化板 [17]中汲取灵感。

图 3：修改后的文化板。

从一个经过验证的业务需求开始，董事会指导你识别数据文化障碍，总结你所发现的内容，设计可连接的干预措施，并最终实施和评估它们。具体来说，五个步骤是：

步骤 1—业务需求：明确界定指导性组织问题。然后追踪到其根本原因，以避免治疗症状。记录业务需求以确保利益相关者之间有共同的理解。提示：成为数据驱动不是你的业务需求，它可能只是你的解决方案。
步骤 2—识别：根据业务需求分析数据文化。有哪些文化模式阻碍了它？上述六个分析领域可以帮助发现具体障碍。
步骤 3—感知：提炼、整合并记录你发现的障碍，以关注重要的事情。
步骤 4—创建：设计可连接的干预措施，这些措施可能有助于解决障碍。
步骤 5—实施：在组织中有效地和可持续地锚定干预措施，然后观察和评估其影响。

由于在复杂的社会系统（如组织）中干预的成功从未得到保证，因此文化委员会被迭代使用：根据需要循环多次，直到障碍得到解决。

注意，应用文化委员会本身就已经是一种干预：它使员工接触到以前未见过的文化模式。这些见解本身就可以引发变革，并对数据的价值创造产生积极影响。

以下来自医疗保健的例子说明了文化委员会如何帮助将这种方法付诸实践。

6 实践示例—如何通过更智能的数据文化方法拯救生命

一家医院面临着治疗错误率高的风险，这威胁到患者安全、法规遵从以及其成为护理质量领导者的战略雄心。一个所谓的关键事件报告系统（CIRS）已经到位，用于捕捉和从接近失误和错误中学习。然而，它基本上未被使用。提交的少数报告通常过于模糊，无法进行有意义的分析。

步骤 1：业务需求

为了实现其战略雄心和满足法规要求，医院必须降低其错误率。这需要一种系统的方法来从事件中学习。业务需求不仅仅是增加报告的数量和质量，而是创建一个可靠的反馈循环，可以衡量地提高患者安全。这正是稳健的战略工作[2]发挥作用的地方，提供优先级、管理关注和设计数据驱动组织的动机。

步骤 2：识别

使用现有的文化作为诊断工具，对医疗人员的访谈揭示了几个强大而未公开的规则，阻碍了 CIRS 的使用：

恐惧：“报告错误就是承认有罪。它开始寻找肇事者，而不是原因。”这指向了一种责备文化，其中报告感觉像是一种个人风险。
努力： “我们本身就负担很重。为了一个没有任何回报的系统花上 20 分钟来记录东西是浪费时间。” 这揭示了与效率这一核心价值观的冲突。
无效： “这些报告进入了一个黑箱。我们从未听到它们发生了什么，所以为什么费心？” 这表明缺乏可见的反馈循环，使得努力看起来毫无意义。

步骤 3：感知

提炼这些发现使核心问题变得明显：组织的背景与期望的学习抱负不相符。虽然管理层正式要求从事件中学习，但系统的结构、激励和常规实际上惩罚了所需的行为。问题不在于员工的心态；而是在于他们工作的环境。

步骤 4：创造

而不是试图强迫医生更好地记录事件或启动一个“文化变革计划”，设计了三个精确的结构性干预措施来解决已识别的障碍：

为了对抗恐惧，一项数据治理干预措施： 建立了明确、具有约束力的规则，以实现完全匿名和保护性的报告流程。该流程明确设计为“无责备”，由管理层提供正式保障。
为了对抗努力，一项技术干预措施： 对事件报告平台进行了重新设计，以最小化摩擦，使记录尽可能快速和简单。
为了对抗无效，一项数据领导干预措施： 创建了一个由高级经理赞助的保护性、跨学科的 学习团队。这个团队免受日常效率压力的影响，并有权分析报告、制定具体改进措施（如新的清单），并且至关重要，将成功和经验教训传达给组织。

步骤 5：实施

这些干预措施创造了一个积极的反馈循环。记录事件的所需时间显著减少。随着第一份报告在新保护流程下得到处理，员工看到这是安全的，并开始提供详细的意外事件报告。学习团队可以根据早期报告开发和优化手术清单，这明显减少了特定类别的错误。这种有形的成功得到了广泛传播，证明了 CIRS 的价值，进一步加强了报告记录。

因此，报告的数量和质量显著增加。一种新的基于心理安全和数据学习的文化开始出现——这不是一个计划的目标，而是对结构性条件量身定制变化的副作用。

7 结论

数据文化不是一套需要设计和推广的价值观，而是组织的一种涌现属性。它是利用数据和人工智能成功创造价值的效果，而不是原因。与数据治理不同，它不能被设计或要求。

对设计“良好数据文化”的通用最佳实践保持批判性思维。每个组织都是一个复杂的社会系统，对干预的反应各不相同。它是自发的——你永远不知道遵循这些食谱会得到什么结果。在一个组织中有效的方法可能在另一个组织中失败。

相反，将数据文化作为一个传感器使用。让它揭示阻止你的数据基础转化为更好的商业决策的关键障碍。一旦这些根本原因变得明显，设计小型、定制的干预措施来弥合这一差距，观察影响，并允许更有效的数据文化因此形成。

文化董事会是进行数据文化工作的实用工具。它帮助领导者识别障碍，设计有针对性的干预措施，并迭代，直到满足业务需求，从而产生新的文化模式。

本文的编辑支持（拼写、语法、措辞、文献研究）是在生成式 AI 的帮助下提供的。本文的观点、结构和论点完全由作者创造。

附录：数据文化速查表

图 4：数据文化速查表。

参考文献

[1] R. Bean, “为什么成为数据驱动型组织如此困难,” 哈佛商业评论, 2022 年 2 月 24 日. [在线]. 可用: hbr.org/2022/02/why-becoming-a-data-driven-organization-is-so-hard

[2] J. Linden, “大多数组织如何错误地制定数据战略——以及如何纠正它,” Towards Data Science. [在线]. 可用: medium.com/data-science/how-most-organizations-get-data-strategy-wrong-and-how-to-fix-it-b8afa59f1533

[3] G. Kesari, “构建数据驱动文化：四个关键要素,” 麻省理工学院斯隆管理评论, 2025 年 1 月 23 日. [在线]. 可用: sloanreview.mit.edu/article/building-a-data-driven-culture-four-key-elements/

[4] G. Burrell 和 G. Morgan, 社会学的范例与组织分析, 第 1 版. 伦敦：Routledge, 1979. doi: 10.4324/9781315242804.

[5] G. Morgan, 组织图像, 更新版，[重印]. 千橡市，CA：Sage Publications, 2011.

[6] E. H. Schein, 组织文化与领导力, 第 1 版. 旧金山：Jossey-Bass Publ, 1985.

[7] N. Nohria 和 M. Beer, “破解变革之谜，” 《哈佛商业评论》。[在线]. 可用：hbr.org/2000/05/cracking-the-code-of-change

[8] M. Hughes, “真的有 70%的所有组织变革倡议都失败了？,” 《变革管理杂志》，第 11 卷，第 4 期，第 451–464 页，2011 年 12 月，doi: 10.1080/14697017.2011.630506.

[9] C. Baraldi, G. Corsi, E. Esposito 和 K. Walker, 《解锁卢曼：系统理论关键词导论》. 比勒费尔德：比勒费尔德大学出版社，2021. [在线]. 可用：www.transcript-verlag.de/978-3-8376-5674-9/unlocking-luhmann/?number=978-3-8394-5674-3

[10] N. Luhmann, 《组织和决策》. 剑桥：剑桥大学出版社，2018. doi: 10.1017/9781108560672.

[11] J. Tække, “卢曼与组织文化 - 系统理论分析策略，” 2025 年 6 月。[在线]. 可用：www.researchgate.net/publication/392760245_Luhmann_and_Organization_Culture_-A_Systems_Theoretical_Analytical_Strategy_Luhmann_and_Organization_Culture_-A_Systems_Theoretical_Analytical_Strategy

[12] D. Seidl 和 K. H. Becker, “组织作为区分生成和处理系统：尼克拉斯·卢曼对组织研究的贡献,” 《组织》，第 13 卷，第 1 期，第 9–35 页，2006 年 1 月，doi: 10.1177/1350508406059635.

[13] M. Poppenborg, 《我们领导不同：为管理者提供 24 ½ 个解放性启示》, 第 1 版. 柏林：intrinsify.me GmbH，2021.

[14] G. Wohland 和 M. Wiemeyer, 《卓越者的思维工具：为什么动态稳健的企业能产生市场压力》, 第 1 版. UNIBUCH VERLAG, 2014.

[15] D. Henderson, S. Earley, C. Bradley 和数据管理协会，编，《DAMA-DMBOK：数据管理知识体系》(https://dama.org/learning-resources/dama-data-management-body-of-knowledge-dmbok/), 第二版

[16] D. J. Snowden 和 M. E. Boone, “领导者决策框架,” 《哈佛商业评论》，2007 年 11 月。[在线]。可获取：hbr.org/2007/11/a-leaders-framework-for-decision-making

[17] F. Heuer 和 O. Kruggel, 《文化建筑师：使用文化委员会分析并改变企业文化, 第 1 版。杜塞尔多夫：Fachmedien Otto Schmidt KG，2022。

posted @ 2026-03-28 10:00 布客飞龙III 阅读(14) 评论(0) 收藏举报

刷新页面返回顶部

龙哥盟