数据治理与数据文化的区别及价值释放方法

数据文化和数据治理正日益被视为构建数据驱动型组织的先决条件。两者都被认为是将商业智能（BI）和人工智能（AI）投资转化为商业价值的关键。但关键在于：数据治理可以主动设计，而数据文化则不能。

本文深入探讨了数据文化在一个组织致力于实现数据驱动时所扮演的真实角色——这个角色可能与您的预期大相径庭。文章借鉴现代组织理论，提供了一种实用的方法，旨在超越那些失败的“数据文化”倡议，并提出了一种全新的思维方式，以最终释放数据和AI投资的价值。

文末附有“数据文化速查表”，提炼了核心要点，以便即时应用。

核心摘要

许多数据项目未能达到预期，并非因为技术问题，而是因为领导者对文化的误解。
文化是组织的一种涌现属性，而非设计对象。它可以被诊断并间接影响，但绝不能被直接塑造成期望的形态。
因此，与数据治理不同，数据文化不能被视为通过数据和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：它像一个传感器，有助于揭示利用数据作为资产的隐性障碍。
一旦识别出这些障碍的根本原因，领导者就可以设计有针对性的干预措施，以提高数据价值创造能力。当干预措施生效时，数据文化将作为副作用间接发生转变。
当数据治理提供可靠基础、数据文化促成其有效应用时，真正的数据价值创造才成为可能。

1 组织为何追求数据文化？

大多数组织都致力于实现数据驱动，以期充分发掘数据作为组织资产的潜力。它们旨在应用商业智能（BI）或人工智能（AI）等技术，将运营数据进行再利用，以实现分析目的。其应用范围广泛，包括：

控制：利用报告或BI仪表板进行监控和监督。
自动化：自动化处理重复性业务挑战中的任务。
决策制定：从数据中获得的洞察有时可以支持（但不能替代！）人类直觉，以解决复杂的业务问题。
创新：创造洞察，帮助提出（并回答）关于客户、竞争对手、技术和行业趋势的正确问题。

尽管数据驱动承诺带来诸多益处，但许多企业在释放数据价值方面仍面临挑战 [1]。这并非新问题。BI、分析和AI——不仅包括大型语言模型，也涵盖数据科学和机器学习——已经存在数十年。然而，将数据转化为可衡量的业务成果对许多组织来说依然是一个难题。

因此，除了战略清晰度 [2]之外，数据文化一词也日益被引用为组织实现数据驱动的关键成功因素 [3]。

但究竟什么是数据文化？它真的是将数据转化为商业价值的先决条件吗？我们有可能主动将其塑造成期望的形态，从而成功地通过数据创造价值吗？

鉴于数据文化最终是整体组织文化的一种视角，因此，首先明确组织文化的定义及其应对方法至关重要。

2 组织文化

2.1 主流方法的局限性

组织文化作为社会学 [4, 5, 6] 中一个成熟的研究领域已有数十年。然而，许多高管报告称，文化变革和转型工作仍然是组织面临的最严峻挑战之一。尽管广为人知的70%失败率 [7]备受争议 [8]，但有一点已达成广泛共识：文化变革绝非易事，许多倡议都未能达到预期。这是为什么呢？

基于卢曼系统理论 [9, 10, 11] 的现代组织理论提供了一个答案：尽管许多商业领袖隐含地认为文化是可以被有意塑造的，但从系统理论的角度来看，这是不可能的。因此，如果许多文化变革倡议都是基于一个错误的假设进行设计的，那么其高失败率也就不令人意外了。

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，文化不是可以直接设计的对象，而是一种潜在的意义结构，它引导并制约着决策。

文化是组织沟通的涌现产物。它可以被观察、扰动或轻推，但绝不能被精心设计。

将这些洞察应用于实践，可以提高变革和转型倡议的成功率，这也解释了系统理论日益受到研究人员和实践者青睐的原因 [12, 13, 14]。

2.2 组织文化的定义

在此采纳系统理论的视角，组织文化可以被粗略定义为组织中那些在很大程度上未明言且部分潜意识的规则，而组织本身则是一种特殊的复杂社会系统。其目的是告知组织成员预期行为，从而使某些行动比其他行动更有可能发生。

组织文化决定了“这里的事情是如何完成的”。

文化作为一种所谓的不可判定决策前提——一个在复杂环境中日益重要的过滤器，在这种环境中，个体必须越来越自主地做出决策和行动 [14]。

这类未明言和潜意识规则（文化）的典型例子包括：

这里的人们互相帮助。
我们公开面对错误。
在会议中，职位最高的人先发言。

2.3 文化工作的启示

采纳系统理论的观点为组织中的文化工作提供了新的洞察：

文化不是现有条件的原因，而是其结果。

因此，“好的文化”是成功创造价值的先决条件这一假设并不成立 [14]。文化最好被理解为价值创造中潜在问题（或成功）的表征。

系统理论基础为组织文化工作带来了几项实际启示：

改变情境，而非人员：领导者应将重点从改变员工或其“心态”转向改变情境，因为后者是实现行为改变的更大杠杆。
避免文化设计倡议：试图精心设计“最优”目标文化的尝试，其成功率本身就很低，应予避免。
将文化用作诊断工具：将文化视为揭示价值创造隐性障碍的传感器，而非可以直接塑造的变量。利用它来发现解释看似非理性行为阻碍价值创造的根本原因。
通过小型干预和反馈循环工作：设计并探究那些能够改变员工工作环境的干预措施，并观察反馈，以解决障碍。可能的干预措施包括改变结构、管理系统、人际交流设置或保护（新）工作方式。
警惕蓝图式方法：组织是复杂的社会系统。因此，不能期望因果关系是线性的。在一个情境中有效的方法，在另一个情境中可能会失败。所以，从成功组织学习的价值往往有限。

因此，文化工作的真正价值在于识别未见的障碍，尝试小规模、情境特定的干预措施，并允许更合适的模式涌现——而不是试图通过设计企业价值观等方式来构建一个期望的文化目标图景。

3 数据文化

3.1 数据文化的定义与价值

数据文化仅仅是组织文化的一个具体视角。其潜在定义可以是：

数据文化关注的是决定如何利用数据来创造或保护商业价值的共享习惯、价值观和非正式规则。

由于数据文化本质上是行动中的组织文化，因此第2节的原则同样适用：组织无法直接设计出所需的数据文化，也不可能定义一套通用的最佳实践来以期望的方式影响数据文化。

相反，组织应该利用数据文化来识别阻碍数据作为资产使用的障碍，然后探究小型干预措施，逐步消除这些障碍。一旦成功，当数据价值创造有效运作时，合适的数据文化将自行涌现。

正如一般的组织文化一样，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隐藏的问题。
杠杆识别：指向根本原因而非表象。
早期指标：显示干预措施是否开始奏效。
风险管理：在数字化转型期间标记意外的副作用。

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，应从何入手？审视数据文化中通常相关的方面已被证明是有益的。以下六个分析领域及其对应的成功模式，常在文化障碍成功解决时出现。这些不应被视为数据文化设计的目标模式，而应作为识别相关障碍的视角。

图1：识别数据文化障碍的分析领域

图1：识别数据文化障碍的分析领域。

数据意识：领导者和员工理解数据驱动型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以数据为导向的工作方式——在它们能创造价值的地方。
数据素养：组织所有成员都具备相关跨学科能力，能够以创造价值的方式使用数据。
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：数据和洞察跨越边界，乐于主动共享。
数据可用性：用户可以轻松、安全、及时地访问对他们重要的数据。

这些模式是需要监测的信号，而非需要刻意构建的目标。它们的形成表明障碍正在减少，数据文化正作为成功干预措施的副产品开始转变。

4 数据治理与数据文化

4.1 数据价值创造

数据治理是组织实现数据驱动的另一个被认为的先决条件。但它与数据文化有何关联？

数据治理一词并未有统一的定义，但 [15] 经常引用的一种定义是：

“数据治理被定义为对数据资产管理行使权威和控制（规划、监控和执行）。”

使用这一常见定义，数据治理主要关注实施流程、角色和职责，以实现数据的可持续价值创造。它涵盖了促成数据价值创造的正式规则。这些正式规则可以通过管理层的论证、奖励或惩罚来强制执行。因此，它与数据文化相辅相成。

数据文化和数据治理是同一枚硬币的两面：治理为复杂问题带来秩序，而文化则在复杂情境中创造适应性。

关键在于将数据治理和数据文化视为不可分割的两种基本模式，它们的相互作用共同促进了数据价值创造：这是一个持续的组织过程，其中数据被使用、解释并整合到决策中，以产生商业价值。

4.2 数据治理与数据文化的区别

数据治理和数据文化之间的相互作用，通过组织设计 [14] 和管理文献 [16] 中一个强大的指导性区分——复杂问题与复杂情境——来理解最为恰当。

数据治理试图驾驭复杂问题，而数据文化则是应对复杂情境的涌现结果。这种指导性区分在组织内部以进一步对应的区分形式显现。

图2：数据治理与数据文化是数据驱动决策的同一枚硬币的两面。

1 情境：复杂问题 / 复杂情境

这是所有其他区分的指导性区分。复杂问题是可知的、可预测的，即使它们可能很困难。它们的相互作用遵循清晰的因果关系。通过足够的蓝图和专业知识，可以设计出期望的结果。数据治理是驾驭复杂问题的主要工具，例如，定义谁可以访问数据或确保数据质量足够。
复杂情境是不可预测和涌现的。因果关系并非事先明确，并持续变化。数据文化使组织能够有效驾驭复杂情境，例如，当员工需要决策以解决复杂的业务问题时，他们会主动分享分析洞察以改进决策。

2 主要关注点：基础 / 应用

这一区分突出了每种模式在从数据到价值的旅程中优先关注什么。数据治理侧重于创建可靠的基础。其主要关注点是使数据成为一个稳定、可预测、可管理的对象——数据资产本身。这在很大程度上是一个复杂任务：它涉及定义规则、确保质量，并根据清晰的因果关系构建访问权限。

相比之下，数据文化则促成在决策时刻对该基础的有效应用。它决定了人们是否以及如何实际利用这一稳定基础来应对不确定性并创造商业价值。

3 管理方式：命令与控制 / 自主承诺

数据治理依赖于命令与控制——行使正式的、职位性的权力。相反，数据文化无法被强制规定。它通过自主承诺促成复杂情境中的决策：这是一种涌现现象，人们基于自愿给予的信任和感知到的能力追随非正式领导者 [13, 14]。

4 规则：正式 / 非正式

数据治理通过政策和流程中发现的正式、明确、书面规则来运作。这些规则以具体的形式存在：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、不成文的社会规范和惯例来运作，这些规范和惯例规定了“这里的事情是如何真正完成的”。它们表现为指导行动的无形但决定性的前提：对仪表板的信任程度、数据的感知相关性、分享洞察的意愿，或挑战数据驱动假设的心理安全。

5 决策：按章办事 / 自主决策

数据治理要求人们按章办事，以确保一致性和标准化。这是执行——无需决策。

数据文化帮助人们在面对不确定性时自主决策。这可以通过将现有数据与直觉相结合，或者通过提出关于客户、竞争对手、技术和行业趋势的正确问题来实现，这随后需要识别可能缺少哪些数据来验证假设。

6 目标：稳定性 / 适应性

数据治理旨在创造稳定性，一个可预测且可靠的基础，其中数据质量一致、访问受控、流程遵循既定标准。这种稳定性实现了可靠性和合规性，并允许组织自信地使用数据进行决策。

数据文化旨在实现适应性，即有效响应不断变化的业务需求、新兴机遇和意想不到挑战的能力。这种适应性使组织能够在动态环境中生存和发展，并以新颖的方式利用数据。

7 创建方式：可强制执行 / 需自然涌现

这捕捉了它们起源的根本差异，并强调了本文的一个关键信息。数据治理需要被设计和强制执行，而数据文化则需要作为现有结构条件的间接结果而自然涌现。

4.3 相互作用：良性循环

虽然主要影响路径是从数据治理流向数据文化——治理为文化的涌现提供可靠基础——但这种相互作用是双向的。强大的数据文化将治理的正式、复杂结构赋予生命。

以下是一些例子：

数据质量 — 数据治理可以定义数据质量规则，但问责文化会激励员工主动报告异常情况。
元数据管理 — 数据治理可以强制要求创建数据目录，但只有协作文化才能确保其持续的策展，提供丰富、上下文相关且最新的元数据，使其真正有价值。
数据采集 — 数据治理可以定义数据采集流程，但探究文化不断生成需要测试的新业务假设，从而通过这些流程驱动全新数据集的采集。

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。治理的已设计、复杂系统和文化的涌现、复杂行为持续相互强化和改进，推动数据价值创造远超仅凭规则所能强制实现的程度。第6节的实际案例也将阐明这种效果。

5 设计和探究文化干预的工具

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

组织中的文化工作肯定有不同的方法，这里选择了一种在咨询实践中成功应用的方法。为了构建发现文化模式和设计干预措施的过程，文章借鉴了所谓的文化板（Culture Board） [17]。

图3：修改后的文化板。

从经过验证的业务需求出发，文化板引导识别数据文化障碍，提炼所发现的问题，设计可连接的干预措施，并最终实施和评估它们。具体来说，这五个步骤是：

步骤1 — 业务需求：清晰地框定指导性组织问题。然后追溯其根本原因，以避免治标不治本。记录业务需求，以确保利益相关者之间达成共识。提示：成为数据驱动型组织并非您的业务需求，它可能只是您的解决方案。
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其实现？上述六个分析领域可以帮助发现具体的障碍。
步骤3 — 感知：提炼、整合并记录所发现的障碍，以便专注于重要问题。
步骤4 — 创建：设计可能解决这些障碍的可连接干预措施。
步骤5 — 实施：将干预措施有效且可持续地锚定在组织中，然后观察和评估其影响。

由于在复杂的社会系统（如组织）中，干预措施的成功从不保证，因此文化板是迭代使用的：根据需要循环操作，直到障碍得到解决。

请注意，应用文化板本身就是一种干预：它让员工接触到以前未见的文化模式。仅凭这些洞察就已经可以引发变革，并对数据价值创造产生积极影响。

以下医疗保健领域的案例说明了文化板如何将这种方法付诸实践。

6 实践案例——更明智的数据文化方法如何挽救生命

一家医院面临较高的治疗错误率，这不仅威胁到患者安全和法规遵从，也阻碍了其成为质量领先者的战略抱负。医院设有“关键事件报告系统”（CIRS），用于捕获并从差错和失误中学习。然而，该系统在很大程度上未被充分利用。提交的少数报告也往往过于模糊，无法进行有意义的分析。

步骤1：业务需求

为实现其战略抱负并满足监管要求，医院必须降低错误率。这需要一套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，而是要建立一个可靠的反馈循环，从而可衡量地提高患者安全。这正是扎实的战略工作 [2] 发挥作用的地方，它提供了优先级、管理层关注以及设计数据驱动型组织的动力。

步骤2：识别

利用现有文化作为诊断工具，对医务人员的访谈揭示了几条阻碍CIRS使用的强大、未明言的规则：

恐惧： “报告错误就是承认过失。这会引发对罪魁祸首的追查，而不是对原因的探究。” 这指向了一种指责文化，让报告感觉像个人风险。
投入： “我们本来就超负荷了。花20分钟为一个没有任何反馈的系统记录东西，简直是浪费时间。” 这揭示了与效率这一核心价值的冲突。
徒劳： “这些报告都进了黑箱。我们从不知道它们后续如何，那还不如不费事。” 这表明缺乏可见的反馈循环，使得投入的努力显得毫无意义。

步骤3：感知

提炼这些发现，核心问题便清晰可见：组织的现有情境与期望的学习目标不兼容。尽管管理层官方要求从事件中学习，但系统的结构、激励和日常惯例实际上却惩罚了所需的行为。问题不在于员工的心态，而在于他们所处的工作环境。

步骤4：创建

与其试图强迫医生更好地记录事件或启动“文化变革计划”，不如设计三项精确的结构性干预措施来解决已识别的障碍：

为消除恐惧，一项数据治理干预： 建立明确、具有约束力的规则，确保报告流程完全匿名且受保护。该流程明确设计为“无责追究”，由管理层正式保证。
为应对投入，一项技术干预： 重新设计事件报告平台，以最大限度地减少摩擦，使文档记录尽可能快速和简便。
为对抗徒劳，一项数据领导力干预： 组建一个受保护的、跨学科的学习团队，并由一名高级经理赞助。该团队不受日常效率压力的影响，其任务是分析报告、开发具体的改进措施（如新的检查清单），更重要的是，将成功和经验教训反馈给组织。

步骤5：实施

这些干预措施创造了一个积极的反馈循环。事件记录时间显著减少。随着第一批报告在新受保护的流程下处理，员工发现这是安全的，并开始提供详细的事件报告。学习团队能够根据早期报告开发并优化一份手术检查清单，这份清单被证明能显著减少某一特定类别的错误。这一切实可见的成功被广泛传达，证明了CIRS的价值，进一步强化了报告的记录。
结果，报告的数量和质量显著增加。一种心理安全和基于数据学习的新文化开始涌现——并非作为预设目标，而是作为结构条件调整所带来的附带效应。

7 结论

数据文化不是一套需要被设计和推行的价值观，而是组织的涌现属性。它是通过数据和AI成功创造价值的结果，而非原因。与数据治理不同，它无法被精心设计或强制要求。

请对那些“一刀切”的、旨在设计“良好数据文化”的最佳实践保持批判性。每个组织都是一个复杂的社会系统，对干预措施的反应各不相同。文化是涌现的——遵循此类“秘方”时，您永远不知道会得到什么结果。在一个组织中有效的方法，在另一个组织中可能就会失败。

相反，请将数据文化用作传感器。让它揭示阻碍数据基础转化为更优商业决策的关键障碍。一旦这些根本原因可见，就可以设计小型、定制化的干预措施来弥合这一差距，观察其影响，并让更有效的数据文化因此而形成。

文化板是进行这种数据文化工作的实用工具。它帮助领导者揭示障碍，设计有针对性的干预措施，并进行迭代，直到业务需求得到满足，并因此涌现出新的文化模式。

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, “Why Becoming a Data-Driven Organization Is So Hard,” Harvard Business Review, Feb. 24, 2022. [Online]. Available: https://hbr.org/2022/02/why-becoming-a-data-driven-organization-is-so-hard

[2] J. Linden, “How Most Organizations Get Data Strategy Wrong — and How to Fix It,” Towards Data Science. [Online]. Available: https://medium.com/data-science/how-most-organizations-get-data-strategy-wrong-and-how-to-fix-it-b8afa59f1533

[3] G. Kesari, “Building a Data-Driven Culture: Four Key Elements,” MIT Sloan Management Review, Jan. 23, 2025. [Online]. Available: https://sloanreview.mit.edu/article/building-a-data-driven-culture-four-key-elements/

[4] G. Burrell and G. Morgan, Sociological Paradigms and Organisational Analysis, 1st Edition. London: Routledge, 1979. doi: 10.4324/9781315242804.

[5] G. Morgan, Images of organization, Updated ed., [Nachdruck]. Thousand Oaks,CA: Sage Publications, 2011.

[6] E. H. Schein, Organizational culture and leadership, 1. ed. San Francisco: Jossey-Bass Publ, 1985.

[7] N. Nohria and M. Beer, “Cracking the Code of Change,” Harvard Business Review. [Online]. Available: https://hbr.org/2000/05/cracking-the-code-of-change

[8] M. Hughes, “Do 70 Per Cent of All Organizational Change Initiatives Really Fail?,” J. Change Manag., vol. 11, no. 4, pp. 451–464, Dec. 2011, doi: 10.1080/14697017.2011.630506.

[9] C. Baraldi, G. Corsi, E. Esposito, and K. Walker, Unlocking Luhmann: A Keyword Introduction to Systems Theory. Bielefeld: Bielefeld University Press, 2021. [Online]. Available: https://www.transcript-verlag.de/978-3-8376-5674-9/unlocking-luhmann/?number=978-3-8394-5674-3

[10] N. Luhmann, Organization and decision. Cambridge: Cambridge University Press, 2018. doi: 10.1017/9781108560672.

[11] J. Tække, “Luhmann and Organization Culture -A Systems Theoretical Analytical Strategy Luhmann and Organization Culture -A Systems Theoretical Analytical Strategy,” June 2025. [Online]. Available: https://www.researchgate.net/publication/392760245LuhmannandOrganizationCulture-ASystemsTheoreticalAnalyticalStrategyLuhmannandOrganizationCulture-ASystemsTheoreticalAnalyticalStrategy

[12] D. Seidl and K. H. Becker, “Organizations as Distinction Generating and Processing Systems: Niklas Luhmann’s Contribution to Organization Studies,” Organization, vol. 13, no. 1, pp. 9–35, Jan. 2006, doi: 10.1177/1350508406059635.

[13] M. Poppenborg, Wir führen anders: 24 ½ befreiende Impulse für Manager, 1. Auflage. Berlin: intrinsify.me GmbH, 2021.

[14] G. Wohland and M. Wiemeyer, Denkwerkzeuge der Höchstleister: Warum Dynamikrobuste Unternehmen Marktdruck Erzeugen, 1st ed. UNIBUCH VERLAG, 2014.

[15] D. Henderson, S. Earley, C. Bradley, and Data Administration Management Association, Eds., DAMA-DMBOK: data management body of knowledge, Second

[16] D. J. Snowden and M. E. Boone, “A Leader’s Framework for Decision Making,” Harvard Business Review, Nov. 2007. [Online]. Available: https://hbr.org/2007/11/a-leaders-framework-for-decision-making

[17] D. Seidl and K. H. Becker, “Kulturarchitekt: Culture Board – Unternehmenskultur analysieren und verändern,” 1. Auflage. Vahlen, 2019.