Fire byggesten til skalering af indsigt – Del 1: Den indlejrede model

(Nina Walberg) (4. juni 2020)

Helt fra starten i 2013 har indsigtsdrevne beslutninger været en del af Kolonial.nos kultur. Dette er dog blevet mere udfordrende, da virksomheden er vokset til at blive den førende online-dagligvareforhandler i Norge med mere end 400 ansatte og en årlig omsætning, der krydsede 1 mia. NOK i 2019.

Bare leverer indsigt på anmodning bare skalerer ikke og er heller ikke den måde, vi gerne vil arbejde på. Med et stigende krav om indsigt har vi ændret rollen som Data & Insight-teamet fra at være dataudbydere til indsigtsaktiverende – hvilket gør det muligt for vores kolleger at uafhængigt arbejde med data og analyse . (Når det er sagt, foretager vi stadig ad hoc-analyse, når det kræver vores specielle færdighedssæt).

Vores transformation fra en anmodning baseret på selvbetjent indsigtsteam

I løbet af de sidste seks måneder har vi gjort vores beslutningstagere selvbetjent med indsigt og været i stand til at skalere med det voksende behov for indsigt uden at rekruttere en flok analytikere. Dette er den første del i en række indlæg, der beskriver, hvordan vi har nærmet os denne udfordring.

At realisere potentialet i data

Dataens mission & Insight team er at realisere potentialet i data. Data Science anvendes til at forbedre slutbrugerproduktet, eksempler inkluderer produktanbefalinger og personaliserede shoppingoplevelser. Dataprodukter er også vigtige for at forbedre ydeevnen i vores drift og distribution gennem automatisering, et fremragende eksempel er ruteoptimering. Vi realiserer også potentialet i data gennem vores kolleger, hvor vores mål er, at de har så stor indflydelse som muligt på deres beslutninger.

Potentialet i data realiseres som mennesker og i de fleste tilfælde fortolker og omdanner teknologi det til indsigt eller en automatiseret proces. Vi arbejder på at øge brugen af ​​teknologi på data i passende processer for at øge værdiskabelsen.

Teamets leverancer er derfor dobbelt:

  • Levering af dataprodukter for at forbedre kundeoplevelsen og driften
  • Vær en supportfunktion for beslutningstagere på alle niveauer på tværs af Kolonial. nej

Hvordan vi arbejder på at oprette dataprodukter og bruge datalgoritmernes styrke er ikke dækket af denne artikel, da hovedfokus er på, hvordan vi skaber effekt med selvbetjent indsigt .

I dette indlæg introducerer vi de fire byggesten og det rationelle for vores transformation af rollen som Data & Insight-teamet og de værktøjer, vi bruger til at opnå at. Den første byggesten, vores integrerede organisationsmodel, vil også blive dækket her. De følgende tre blokke vil derefter blive beskrevet mere detaljeret i dedikerede indlæg, der snart offentliggøres.

Vores fire byggesten til at skalere indsigt og blive selvbetjent

1: Integreret organisation

Rekruttering af den rigtige type mennesker
Den rigtige slags mennesker og organisering af dem er det første skridt. Vi har designet en rekrutteringsproces med et sæt datapunkter, der er så objektive som muligt for at kunne sammenligne kandidater retfærdigt og sikre, at de har den rigtige kompetence. Vi tester deres forretningsforståelse, deres analytiske problemløsningskompetencer og deres tekniske evne til at arbejde med data. Selvom styrken af ​​disse tre kapaciteter vægtes lidt forskelligt mellem vores produktanalytikere, dataforskere og dataingeniører, kan de alle arbejde på tværs af vores indsigtsstabel og løse problemer fra ende til anden uafhængigt. Vi sørger naturligvis også for, at deres personlige kvaliteter er velegnede til deres opgaver, og at de passer godt til vores kultur. Endelig og lige så vigtigt – vi bruger meget tid på at sikre, at vi er et godt match for kandidaten, så de kan vokse godt i virksomheden.

Det er værd at nævne det, som vi vil have vores beslutningstagere at gøre så meget som muligt selv, er analytikerens rolle sandsynligvis både mere teknisk og samtidig mere fokuseret på at muliggøre andre end i traditionelle analytiske teams. Dette betyder, at de alle er flydende i SQL, kan implementere datatransformationer og gerne hjælpe andre ved at undervise og vejlede dem i at udføre analyser selv og bruge dem på den rigtige måde. Når de bygger dashboards og laver ad hoc-analyse, er det normalt de mere vanskelige ting.

Den indlejrede model
Når du har de rigtige mennesker med det rigtige færdighedssæt, er det vigtigt at give dem de bedste betingelser for at skabe så meget værdi som muligt. Mange mennesker har skrevet meget om forskellige måder at strukturere analyser på (denne artikel opsummerer emnet ganske godt). Jeg har set og prøvet et par af dem og tror stærkt på, at den integrerede model er bedst til vores behov. De fleste af vores produktanalytikere og dataforskere er indlejret i vores tværfunktionelle produktteam sammen med produkt, UX og udviklere og arbejder hen imod en delmængde af virksomheden. I vores tilfælde ser det sådan ud:

Data & Insight er vokset betydeligt det sidste år. Her kan du se alle mennesker fra juni 2020 i Data & Indsigt og hvordan vi bruger den integrerede model. Når det arbejde, der er beskrevet i denne artikel, blev gjort, var teamet meget mindre.

De vigtigste fordele ved denne måde at arbejde på er domænet specialisering vi opnår, noget der er ret vigtigt for os med så mange forskellige problemer, vi arbejder på at løse. Vi er også tæt på alle forretningsenhederne og kan inviteres (eller endda invitere os selv) til diskussioner, når større beslutninger er ved at blive taget. Det er når vi aktivt sørger for, at analyser og deres antagelser er sunde. Vores teammedlemmer er en del af produktteamene og sørger for, at ydeevnen måles, eksperimenterne er konfigureret korrekt, og de påvirker prioritering, produktkøreplaner og strategi.

Som direktør for data & Indsigt Jeg er afhængig af, at vores integrerede produktanalytikere og dataforskere er i tæt kontakt med vores vigtigste interessenter fra dag til dag og finder ud af, hvad der er vigtigt. Dette sidste argument for den integrerede model giver os hurtighed og sørger for, at vi er involveret de rigtige steder i stedet for at stole på, at information kun passerer gennem formelle rapporteringslinjer.

Du har ikke brug for et stort team
Dette indlæg er baseret på en præsentation, jeg gjorde kaldet ”Hvordan vi skalerede indsigt til 400 personer med fire analytikere og en dataingeniør”. Ved at se på holdskemaet ovenfor kan du se, at dette ikke er helt hele historien. Men indtil februar 2020, da jeg holdt præsentationen, havde vi kun fire analytikere, og to af disse fire startede inden for de sidste tre måneder. Naturligvis arbejder vores dataforskere også med indsigt en del af deres tid, men vores vigtigste bidragyder til indsigt er vores produktanalytikere.

Det er dog vigtigt at have produktanalytikere, dataloger og dataingeniører samlet i samme disciplin. bredt team med målrettede mål (vi bruger OKRer), videnudveksling, samarbejde og kompetenceudvikling. Data & Insight fungerer som et team. Vi har to ugentlige holdmøder for at planlægge og følge fremskridtene med fælles projekter. Vi har også hver uge dybe dykkersessioner, hvor vi viser vores arbejde for hinanden, får input til problemer, vi prøver at løse og diskuterer analytiske metoder og teknologi. Alt dette er vigtigt for at have en vis centralisering for alle de mennesker, der arbejder i Data & Insight.

Mens kun fem personer var ansvarlige for at gøre alt dette, blev de hele tiden støttet og opmuntret af begge andre teammedlemmer, resten af ​​produktet & tech og indsigt forbrugere.

Hold øje med den næste del, der dækker indsigt infrastruktur

Selvbetjent indsigt er ikke kun afhængig af store mennesker, det kræver også en god infrastruktur og en stak, der understøtter selv serverede processer. Det er emnet i del to (Udviklingen af ​​vores indsigtsinfrastruktur). Derefter følges vores tanker om, hvordan vi tilpasser og etablerer standardisering i del tre, (bedste udviklingspraksis).

Den næste del vil gå i detaljer i vores indsigt infrastruktur og værktøjer

Du er velkommen til at tjekke andet indlæg fra mine kolleger i Produkt & Tech her på Medium som (hvordan vi arbejder med DevSecOps) eller (hvordan vi har løst tilpasning og udførelse på strategi).

Vi leder også efter gode mennesker for at hjælpe os (fordoble vores kapacitet og teknologiteam (og en ting mere)) og har sendt nye positioner i Data & Insights-team.

Skriv et svar

Din e-mailadresse vil ikke blive publiceret. Krævede felter er markeret med *