Datenlabore: Daten. Schnell. Nutzen. | 德国

全球公共机构关注如何更有效地利用数据以支持决策过程。一种前景广阔的方法是建立数据实验室，以开发用户导向的数据产品，从而迅速带来可感知的价值。 冯 · 卢卡 · 弗洛拉、朱莉娅 · 基尔、比约恩 · 明斯特曼、托马斯 · 韦伯 10 月 23 日 20 公共部门拥有庞大的数据资源。有效利用这些数据进行决策可以协助政府和管理机构更快地应对危机、更准确地评估其影响、制定有针对性的措施，并增强公众对其行为的信任。新兴技术如生成式AI可以帮助高效利用大量数据。 尽管在数据使用方面，政府部门经常面临挑战：数据质量参差不齐，往往分散或不具备数字化形式，且互操作性有限。1其他因素，如国家机构的规模和复杂性以及碎片化的过时技术，使得数据工作的快速扩展变得困难，并导致所谓的技术债务，这些债务阻碍了创新和技术进步。此外，公共机构在吸引合格的IT专业人才方面遇到困难。一方面，他们必须对大量员工进行培训，另一方面又需要与私营部门竞争以获得高素质的IT专家。2 尽管面临这些挑战，一些公共机构仍通过设立专门的数据实验室并将数据视为产品来利用数据方面取得了进展。私营企业中将数据视为产品的公司能够将数据驱动应用的实施时间减少多达90%。3以下将呈现一些应用案例，表明在公共部门同样存在类似的潜力，并解释如何利用数据实验室来充分发挥数据的价值。 Behandlung von Daten als Produkt 将数据视为产品意味着，以用户为中心，明确界定特定的信息需求，并通过数据的获取和组织来满足这些需求。这包括但不限于即席分析、分析模型（例如所谓的数字孪生、机器学习模型的AI）以及交互式数据可视化和仪表板。为了满足这些需求，需要建立一个灵活的数据架构，确保数据的可用性和可访问性。为了满足不同客户群体的需求，企业通常会首先开发一款基础产品，然后根据各个客户群体的具体需求进行针对性调整。数据产品也可以采用类似的方式处理。数据产品应设计为用户友好、模块化和可重用。以下示例说明了数据产品如何提高数据的使用效率并创造价值： 城市管理部门利用匿名化的通勤者数据及其他来源的数据（如人口统计数据和就业人数），创建了交通系统的数字孪生体。这些基于数据的仿真模型支持地方交通部门的转型。在一个数据实验室中，团队在八周内开发出了一种模型，该模型能够为城市制定碳中和交通策略提供支持。该模型为决策者提供了一个工具，以评估诸如减少CO排放和通勤时间等交通倡议的影响。R2 Digitale ZwillingeF ü r die Verkehr -温德在 europ ä ischenGro β st ä tten 现在casting模型提供实时估算，但在公共部门尚未广泛普及。这类模型可以减少信息发布的延迟。欧洲一个国家级统计局开发了一种基于回归的现在casting模型，该模型能够在最多两到三周的发布延迟下提供重要的经济增长指标。该模型不仅依赖传统的变量如失业统计数据和油价，还利用了实验性变量如通行费和Google趋势数据。与传统统计方法相比，它能够获得相当质量的结果。在 Echtzeit 播出 zur Bereitstellung von Erkenntnissen 在多个地区，包括欧洲地区，需要可靠的和及时的数据以能够有针对性地应对移民流动。为了支持联邦、州和地方政府层面的移民管理，一个欧盟机构开发了一款用户友好的数字移民仪表盘。该仪表盘作为主要的信息来源，聚合相关数据，并允许近乎实时的透明和基于事实的决策制定。它有助于根据不断增长的人口数量和语言多样性来规划住宿和学校容量。通过将解决方案视为数据产品，该机构在一个多月内开发并提供了仪表盘——即使面对分散的数据源和不同用户群体的多样化需求也是如此。 Datenmodell undDashboard f ü rKrisenmanagement Einrichtung von Datenlaboren zur 在所提到的例子中，数据实验室的工作在加速应用案例和优化决策制定中发挥了关键作用。数据实验室是国家机构内以应用为导向的数据科学部门，负责开发如AI模型或仪表板等数据产品。与专注于长期技术与数据转型的传统转型方法不同，数据实验室内部整合了分析能力，并构建资源以加快其他部门的数据产品的开发速度。完成一个数据产品后，数据实验室将其移交给相应的部门，然后再次致力于开发新的数据产品以及探索新的方法和技术。与其他数据实验室共享知识对于推动整个组织在技术和创新方面前进至关重要。 根据我们的经验，公共机构能够在两个月至四个月内建立数据实验室，并确立必要的组织结构、流程和工作方式。这还包括组合管理及创新方法、利益相关者管理和沟通模式以及技术基础。- 人才管理实施者。 建立一个强大的数据分析部门并非易事。典型的陷阱可能会阻碍数据分析团队的建设和工作效率：如果没有清晰的愿景和方向，新的分析单元可能会陷入处理大量请求的困境，试图同时应对多种应用场景。高层管理对这些单元的关注不足往往会加剧这种风险，可能导致该单元专注于解决“数据问题”而忽视了解决关键业务挑战和满足用户需求。此外，如果重要资源被用于运营和维护已开发的数据产品，而不是用于开发新的数据产品，那么数据分析实验室的创新能力也可能受到限制。另一个常见的挑战在于现有的（旧）技术可能限制了数据分析实验室的解决方案空间和创新潜力。当试图全面重新构建新的基础设施时，这通常会导致漫长的实施时间和延误。最后，获得必要的技能人才（如IT专家和数据科学、工程、架构等相关角色），并将其整合到公共组织的工作流程和职业路径中，也是一项公认的重大挑战。 以下六项措施可以帮助数据实验室克服挑战并开发快速、以用户和效果为中心的数据产品。 Auf wirkungsvolle Anwendungsf ä lle fokussieren 数据分析实验室可以积极应对当前紧迫的挑战。通过早期建立涵盖整个组织的相关应用场景管道，可以确保聚焦于相关性和影响力，凸显数据分析实验室工作的意义，并赢得高层管理的支持。这种定位还有助于吸引来自技术行业的专业人才。同时，这也有助于避免数据分析实验室淹没在大量请求中，或迷失在专家问题的解决过程中。 在数据产品的开发过程中，用户导向和用户体验扮演着至关重要的角色。实验室通过早期准确理解用户需求，可以确保从一开始就将产品开发针对实际使用者进行。紧密与用户合作下构建迭代开发周期，促进了精确度和接受度的提升，进而增强了数据产品的有效性。通过不同渠道和格式持续收集用户反馈，让数据实验室能够逐步将数据产品推向下一个发展水平。 Ein hohes Bereitstellungstempo beibehalten 一个数据实验室应该成为一个数据产品的工厂——而不是一个仓库。存在一个风险，即在管理不断增长的已交付数据产品集合时，会绑定重要的资源。通过为开发的数据产品设定明确的时间表，确保将其技术和技术转移给前线组织，数据实验室可以保持高速的创新节奏。 在 einen hochmodernen Technologie - Stack Investeren 和 Infrastruckuren schrittweise aufbauen 为了根据最新的技术标准提供数据工程和数据科学，数据实验室需要一个技术支持栈，该栈能够支持前沿方法如机器学习和（生成性）人工智能，并替代过时的基础设施。这需要采用商业标准组件、多供应商方法以及灵活的治理和运营模型。 数据实验室有能力迅速应对技术进步，无需重建现有的基础设施。通过逐步实施基于下一款数据产品的基础设施需求的可扩展云基础设施和相关技术，数据实验室可以替代碎片化的遗留技术并构建模块化架构。 Ein funktions ü bergreifendes 团队 mit Top - IT - Talenten aufbauen 新IT专业人士——数据科学家、云专家、数据架构师/工程师以及数据分析员——的需求正在增加，以便能够迅速实施创新的数据产品，并使数据实验室能够跟上技术进步。数据实验室应及早投资于（生成型）人工智能领域专业知识的构建和积累，并探索人工智能应用的潜力，以确保其具备未来竞争力。IT专业人士 往往会被那些能够提供灵活的工作环境、充足资源，并允许员工享有创造性自由以进行探索性工作的组织吸引。此外，这些企业还允许员工通过一个现代的技术栈来扩展其技能。企业文化的影响力是提升吸引力和创新动力的关键因素。 Eine f ü r ö ffentlichen Sektor geignete Daten - Governance anwenden 选择的数据治理应考虑数据保护、IT安全、透明度以及公共部门的法律要求，并针对特定应用场景加以考虑，以促进数据产品的快速和模块化发展。良好的治理模型有助于数据实验室保持灵活性，并能动态应对不断变化的规定和要求，例如生成式AI的应用。  以明确的重点、才华横溢的专业人才、正确的企业文化以及合适的技术为焦点，数据实验室可以作为数据利用的孵化器和加速器发挥作用。这使得公共机构更加以用户为中心、高效且有效率，同时促进数据能力的发展。行政内部建立强大的数据策略人士和实践者网络的积极构建，能显著提升数据实验室的创新力。 我们的经验表明，早期识别并成功实施第一个相关数据产品可以消除现有障碍，并激发对更多产品的兴趣。鉴于数据将成为未来决策的核心，公共机构应积极投资必要的基础设施和所需技能——并通过数据实验室及早释放数据的潜力。 Autor: innen Luca FloraAssociate Partner, M ü nchen Luca _ Flora @ mckinsey. com Julia Klier高级合伙人, M ü nchenJulia _ Klier @ mckinsey. com 比约恩 · 明斯特曼高级合伙人 ， 慕尼黑Bjoern _ Muenstermann @ mckinsey. com 托马斯 · 韦伯合伙人 ， 法兰克福 Thomas_ Weber @ mckinsey. com 作者们感谢Solveigh Hieronimus, Johannes Keller, Nikan Moghadam, Matthias Roggendorf和Justus Winkelmann为本文所做出的贡献。 www. mckinsey. com