Čtyři stavební bloky pro změnu měřítka – Část 1: Integrovaný model

(Nina Walberg) (4. června 2020)

Od samého začátku v roce 2013 byla rozhodnutí založená na vhledu součástí kultury Kolonial.no. To se však stalo ještě náročnějším, protože se společnost stala vedoucím maloobchodníkem s potravinami online v Norsku s více než 400 zaměstnanci a ročním výnosem, který v roce 2019 překročil 1 miliardu NOK.

Jednoduše poskytuje přehled na vyžádání nemění měřítko a také to není způsob, jakým bychom chtěli pracovat. S rostoucí poptávkou po statistikách jsme změnili roli týmu Data & Insight, který se stal poskytovatelem dat, a poskytovatelům přehledu – což umožňuje našim kolegům samostatně pracovat s daty a analýzami . (Jak již bylo řečeno, stále provádíme analýzu ad hoc, pokud to vyžaduje naši speciální sadu dovedností.)

Naše transformace z požadavku na samoobslužný tým statistik

Za posledních šest měsíců jsme našim rozhodovacím orgánům umožnili samostatně obsluhovat vhled a byli schopni škálovat s rostoucí potřebou poznatků bez náboru spousty analytiků. Toto je první část ze série příspěvků popisujících, jak jsme se k této výzvě postavili.

Realizace potenciálu v datech

Poslání Data & Insight tým je realizovat potenciál v datech. Data Science se používá ke zlepšení produktu koncového uživatele, příklady zahrnují doporučení produktů a personalizované nákupní zážitky. Datové produkty jsou také důležité při zlepšování výkonu našeho provozu a distribuce prostřednictvím automatizace, vynikajícím příkladem je optimalizace trasy. Uvědomujeme si také potenciál v datech prostřednictvím našich kolegů, kde je naším cílem, aby co nejvíce ovlivnili svá rozhodnutí.

Potenciál v datech je realizován tak, že lidé a technologie ho ve většině případů interpretují a transformují do přehledů nebo automatizovaného procesu. Pracujeme na zvýšení využití technologie na datech v příslušných procesech, abychom zvýšili tvorbu hodnoty.

Dodávky týmu jsou proto dvojí:

  • Poskytování datových produktů za účelem zlepšení zákaznické zkušenosti a fungování
  • Buďte podpůrnou funkcí pro osoby s rozhodovací pravomocí na všech úrovních napříč Kolonial. ne

V tomto článku se nebudeme zabývat tím, jak pracujeme na vytváření datových produktů a využívání síly datových algoritmů, protože hlavní důraz je kladen na to, jak vytváříme dopad pomocí samoobslužných statistik .

V tomto příspěvku představíme čtyři stavební kameny a racionální proměny naší role týmu Data & Insight a nástroje, které používáme k dosažení že. Zde se také budeme zabývat prvním stavebním blokem, naším integrovaným organizačním modelem. Následující tři bloky budou poté podrobněji popsány ve vyhrazených příspěvcích, které budou brzy publikovány.

Naše čtyři stavební kameny škálování poznatků a stávání se samoobslužnými

1: vestavěná organizace

Nábor správného druhu lidí
Prvním krokem je správný druh lidí a jejich organizace. Navrhli jsme náborový proces se sadou datových bodů, které jsou co nejobjektivnější, abychom mohli spravedlivě porovnávat kandidáty a zajistit, aby měli správnou kompetenci. Testujeme jejich obchodní porozumění, jejich analytické dovednosti při řešení problémů a jejich technické schopnosti pracovat s daty. I když je síla těchto tří funkcí mezi našimi analytiky produktů, datovými vědci a datovými inženýry vážena trochu odlišně, všichni mohou pracovat napříč naším zásobníkem vhledů a samostatně řešit problémy. Samozřejmě také zajišťujeme, aby jejich osobní vlastnosti byly vhodné pro jejich úkoly a aby se dobře hodily pro naši kulturu. A konečně, a stejně důležité – věnujeme spoustu času tomu, abychom se ujistili, že jsme pro kandidáta vhodným partnerem, aby mohl ve společnosti dobře růst.

Za zmínku stojí, že protože chceme, aby naši činitelé s rozhodovací pravomocí aby co nejvíce udělali sami, je role analytika pravděpodobně techničtější a zároveň více zaměřená na umožnění ostatním než v tradičních analytických týmech. To znamená, že všichni hovoří plynně SQL, dokážou implementovat transformace dat a rádi pomáhají ostatním tím, že je učí a mentorují, aby sami prováděli analýzy a používali je správným způsobem. Když vytvářejí řídicí panely a provádějí ad hoc analýzu, je to obvykle složitější.

Integrovaný model
Když máte správné lidi se správnou dovedností, je to je důležité poskytnout jim ty nejlepší podmínky k vytvoření co největší hodnoty. Mnoho lidí toho hodně napsalo o různých způsobech strukturování analytiky (tento článek toto téma docela dobře shrnuje). Několik z nich jsem viděl a vyzkoušel a pevně věřím, že vložený model je pro naše potřeby nejlepší. Většina našich produktových analytiků a datových vědců je začleněna do našich vícefunkčních produktových týmů společně s produkty, UX a vývojáři a pracuje na podmnožině podnikání. V našem případě to vypadá takto:

Data & Insight za poslední rok podstatně vzrostl. Zde můžete vidět všechny lidi od června 2020 v Data & Insight a jak používáme vložený model. Po dokončení prací popsaných v tomto článku byl tým mnohem menší.

Hlavními klady tohoto způsobu práce je doména specializace, které dosáhneme, něco, co je pro nás při tak široké škále problémů, na kterých pracujeme, docela důležité. Jsme si také blízcí všem obchodním jednotkám a můžeme být pozváni (nebo dokonce sami sebe) do diskusí, když se chystají větší rozhodnutí. Tehdy aktivně zajišťujeme, aby analýza a jejich předpoklady byly zdravé. Členové našeho týmu jsou součástí produktových týmů a dbají na to, aby byl měřen výkon, experimenty byly nastaveny správně a měly dopad na prioritizaci, cestovní plány a strategii.

Jako ředitel pro data & Insight Závisím na tom, že naši integrovaní analytici produktů a datoví vědci budou každý den v úzkém kontaktu s našimi hlavními zúčastněnými stranami a vyzvednou si, co je důležité. Tento konečný argument pro vložený model nám dává rychlost a zajišťuje, že jsme zapojeni na správných místech, místo abychom se spoléhali na to, že informace procházejí pouze formálními liniemi hlášení.

Nepotřebujete velký tým
Tento příspěvek je založen na prezentaci, kterou jsem udělal „Jak jsme rozšířili přehled na 400 lidí se čtyřmi analytiky a jedním datovým inženýrem“. Když se podíváte na týmový graf výše, uvidíte, že to není úplně celý příběh. Ale do února 2020, kdy jsem prezentaci pořádal, jsme měli jen čtyři analytiky a dva z těchto čtyř začali v posledních třech měsících. Naši datoví vědci samozřejmě také část svého času pracují s insightem, ale naším hlavním přispěvatelem k insightům jsou naši produktoví analytici.

Je třeba mít ve stejné disciplíně shromážděné produktové analytiky, datové vědce a datové inženýry široký tým se sladěnými cíli (používáme OKR), výměna znalostí, spolupráce a rozvoj kompetencí. Data & Insight fungují jako tým. Máme dvoutýdenní týmová setkání, abychom plánovali a sledovali pokrok na společných projektech. Máme také dvoutýdenní hluboká ponory, kde si navzájem předvádíme svou práci, získáváme informace o problémech, které se snažíme řešit, a diskutujeme o analytických metodách a technologiích. To vše je důležité pro centralizaci všech lidí pracujících v Data & Insight.

I když to všechno mělo na starosti pouze pět lidí, byli po celou dobu podporováni a povzbuzováni oběma ostatními členy týmu, zbytek produktu & tech a informujte spotřebitele.

Zůstaňte naladěni na další část pokrývající infrastrukturu statistik

Samoobslužný přehled nezávisí jen na skvělých lidech, vyžaduje také dobrou infrastrukturu a zásobník, který podporuje sebe sama obsluhované procesy. To je téma druhé části (Vývoj naší vhledové infrastruktury). Poté následují naše myšlenky na to, jak sladíme a zavádíme standardizaci ve třetí části (Osvědčené vývojové postupy).

Další část se podrobně věnuje naší vhledové infrastruktuře a nástrojům

Neváhejte se podívat na další příspěvek od mých kolegů v produktu & Tech zde na médiu, jako je (jak pracujeme s DevSecOps) nebo (jak jsme vyřešili zarovnání a provedení strategie).

Hledáme také skvělé lidi aby nám pomohli (zdvojnásobili náš kapacitní a technický tým (a ještě jednu věc)) a zveřejnili nové pozice v Data & Tým Statistik.

Napsat komentář

Vaše e-mailová adresa nebude zveřejněna. Vyžadované informace jsou označeny *