公司不大，自己的判断可能并不正确，欢迎大家来进行讨论。
很多项目在初期，对数据的依赖是非常小的，毕竟能养活自己的是订单。
随着项目的壮大，数据量的上升，员工的增加，早期的数据服务不能更好的满足需求了，迫切需要进行数据化的建设。
在我的认知中数据化需要做好两块内容：数据治理及提升数据分析价值。
1、如何进行数据治理
简单解释下何为数据治理：
这篇文章中数据治理指健壮的数据处理流程，全面的数据工具，使得数据准确，可用，好用，方便用。
//1.1 规范流程，加强检查
确认埋点的规范，埋点的执行流程，埋点的监测流程。
确认好数仓ETL的流程，并对ETL结果的正确性进行检查，尤其注意数据类型的更改可能带来的影响。
确认好业务数据库改变，数仓对应调整的流程。
确认好数据提取的规范，并对输出数据进行检查。
//1.2 减少数据孤岛，ALL in One
早期项目可能购买了多家第三方的数据服务，或者自己有多个数据库，常常这两种情况会同时存在。
数据的分隔会给数据使用造成很大困扰和成本。包括数据口径统一，数据验证，数据处理等。
良好的数据整合，无论是为分析提供数据，还是为应用提供数据，都更加便捷，准确，有效。
//1.3 健壮数据提供的工具
埋点管理工具、埋点测试工具
数仓管理工具
数据提取工具
报表工具
BI可视化工具
一般公司一开始有的估计只有 数据提取工具，其他的不一定有合理的解决方案。
2、如何提供数据分析价值
//2.1 指标化
合理的宏观指标，可以有效的确认好目标。
合理的组内指标，可以有效的指导组内业务动作。
确认了指标，数据分析就可以更有效的发挥。
下面是去年撰写的一些常用指标 。
此处为语雀文档，点击链接查看：https://www.yuque.com/dataking/x1
//2.2 业务数据化
首先需要有业务逻辑线与数据的映射关系，做分析的人需要知道他分析的数据，在业务上是什么样的含义。
在理解业务的基础上，需要将业务过程中产生的数据，进行数据记录，并归入到数仓内。、
有些行业是业务人员会采购一些物品进行活动，或者与某些商家进行了一些活动。这些数据往往都存在于业务人员的笔记本的EXCEL中，并不能与已有的数据联系起来。
//2.3 指标制定标准
仅仅有指标和数据，还是会出现不知道做什么情况。
这是因为执行的同学并不清楚，现在企业是什么水平，无法从数据中定位好业务情况。
所以对指标制定标准，非常重要，什么样的表现是合格的，什么样的表现是糟糕的。有了标准，无论是分析，还是落地执行，都将更加有效。
//2.4 A/B测试
A/B测试无论如何都会耗费一定的资源。
但是当业务做到一定的程度一定要开始做A/B测试，不仅仅是尝试这种方式，更是在积累足够的测试后，很可能会发现一些有效的业务增长点。
3、要注意的一些问题
1、不要否认历史上做出的成绩，即使是推翻重来。历史上的方案，一定是在当时的情况下，相对合理的选择，只是不再适合现在罢了。
2、建议数据单独为一个部门。
直属管理层，与产品、技术、运营统一级别。
数据组工作职能：从数据支撑 转为 商业智能团队，目标是提供战略决策及项目数据化建设。
3、较为充足的资源
数据和别的岗位略有不同，想要做的好需要的资源可能会需求更多。
所以相对充足的资源，包括人力资源和财力资源是数据化建设不可或缺的部分。
有一点点像国家铺设铁路，建立公路，早期的投入都不容小觑。
这里可以查看 ：
此处为语雀文档，点击链接查看：https://www.yuque.com/dataking/x0/kwizf0
4、透明的公司文化
数据对于信息的需求是非常巨大的。
文化的透明，方便大家信息的互通，更容易产出业绩。
5、数据培训
数据化需要人的支持，对于分析师和普通业务人员都有培训的需求。
