Cuatro componentes básicos para ampliar información valiosa – Parte 1: El modelo integrado

(Nina Walberg) (4 de junio de 2020)

Desde el principio en 2013, las decisiones impulsadas por el conocimiento han sido parte de la cultura de Kolonial.no. Sin embargo, esto se ha vuelto más desafiante a medida que la compañía ha crecido hasta convertirse en el minorista de comestibles en línea líder en Noruega con más de 400 empleados y un ingreso anual que superó los mil millones de NOK en 2019.

Simplemente brinda información a pedido solo no escala, y tampoco es la forma en que nos gustaría trabajar. Con una creciente demanda de información, hemos cambiado la función del equipo de & Insight de datos de ser proveedores de datos a habilitadores de información, lo que hace posible que nuestros colegas trabajen de forma independiente con datos y análisis. . (Dicho esto, seguimos haciendo análisis ad hoc cuando requiere nuestro conjunto de habilidades especiales).

Nuestra transformación de un equipo basado en solicitudes a un equipo de información autoservicio

Durante los últimos seis meses, hemos logrado que nuestros tomadores de decisiones se sirvan de información y escalar con la creciente necesidad de conocimientos sin contratar a un grupo de analistas. Esta es la primera parte de una serie de publicaciones que describen cómo hemos abordado este desafío.

Descubriendo el potencial de los datos

La misión de los datos & El equipo de Insight debe aprovechar el potencial de los datos. La ciencia de datos se aplica para mejorar el producto del usuario final, los ejemplos incluyen recomendaciones de productos y experiencias de compra personalizadas. Los productos de datos también son importantes para mejorar el rendimiento de nuestra operación y distribución a través de la automatización, un excelente ejemplo es la optimización de rutas. También nos damos cuenta del potencial de los datos a través de nuestros colegas, donde nuestro objetivo es que tengan el mayor impacto posible con sus decisiones.

El potencial de los datos se realiza a medida que las personas y, en la mayoría de los casos, la tecnología los interpreta y transforma en conocimientos o en un proceso automatizado. Trabajamos para incrementar el uso de la tecnología sobre los datos en procesos adecuados para incrementar la creación de valor.

Las entregas del equipo son por tanto dobles:

  • Entrega de productos de datos para mejorar la experiencia del cliente y la operación
  • Ser una función de apoyo para los tomadores de decisiones en todos los niveles en Kolonial. no

La forma en que trabajamos para crear productos de datos y utilizar el poder de los algoritmos de datos no se trata en este artículo, ya que el enfoque principal es cómo creamos impacto con conocimientos de autoservicio .

En esta publicación, presentaremos los cuatro componentes básicos y la lógica de nuestra transformación del rol del equipo de & Insight de datos y las herramientas que usamos para lograr ese. El primer bloque de construcción, nuestro modelo organizacional integrado, también se cubrirá aquí. Los siguientes tres bloques se describirán con más detalle en publicaciones dedicadas que pronto se publicarán.

Nuestros cuatro bloques de construcción para escalar estadísticas y convertirse en autoservicio

1: Organización integrada

Reclutar el tipo adecuado de personas
El primer paso es el tipo adecuado de personas y su organización. Hemos diseñado un proceso de selección con un conjunto de puntos de datos que son lo más objetivos posible para poder comparar a los candidatos de manera justa y asegurarnos de que tienen la competencia adecuada. Ponemos a prueba su comprensión empresarial, sus habilidades analíticas para la resolución de problemas y su capacidad técnica para trabajar con datos. Aunque la fuerza de esas tres capacidades se pondera de manera un poco diferente entre nuestros analistas de productos, científicos de datos e ingenieros de datos, todos pueden trabajar en nuestra pila de conocimientos y resolver problemas de un extremo a otro de forma independiente. Por supuesto, también nos aseguramos de que sus cualidades personales se adapten bien a sus tareas y de que encajen bien con nuestra cultura. Por último, e igualmente importante, dedicamos mucho tiempo a asegurarnos de que somos una buena opción para el candidato para que pueda crecer bien en la empresa.

Vale la pena mencionar que, como queremos a nuestros tomadores de decisiones Para hacer todo lo posible por sí mismos, el papel del analista es probablemente más técnico y al mismo tiempo más centrado en habilitar a otros que en los equipos analíticos tradicionales. Esto significa que todos dominan SQL, pueden implementar transformaciones de datos y les gusta ayudar a otros enseñándoles y guiándolos para que hagan análisis ellos mismos y usándolos de la manera correcta. Cuando crean cuadros de mando y realizan análisis ad hoc, suele ser más complicado.

El modelo integrado
Cuando tienes las personas adecuadas con el conjunto de habilidades adecuado, es importante darles las mejores condiciones para crear tanto valor como sea posible. Mucha gente ha escrito mucho sobre diferentes formas de estructurar la analítica (este artículo resume bastante bien el tema). He visto y probado un par de ellos y creo firmemente que el modelo integrado es el mejor para nuestras necesidades. La mayoría de nuestros analistas de productos y científicos de datos están integrados en nuestros equipos de productos multifuncionales junto con productos, UX y desarrolladores, y trabajan en un subconjunto del negocio. En nuestro caso, se ve así:

Datos & Insight ha crecido sustancialmente el año pasado. Aquí puede ver todas las personas a junio de 2020 en Data & Insight y cómo usamos el modelo integrado. Cuando se realizó el trabajo descrito en este artículo, el equipo era mucho más pequeño.

La principal ventaja de esta forma de trabajo es el dominio especialización que logramos, algo que es muy importante para nosotros con una gama tan amplia de problemas que estamos trabajando para resolver. También estamos cerca de todas las unidades de negocio y podemos ser invitados (o incluso invitarnos a nosotros mismos) a debates cuando están a punto de tomarse decisiones importantes. Es entonces cuando nos aseguramos activamente de que el análisis y sus supuestos sean sólidos. Los miembros de nuestro equipo forman parte de los equipos de productos y se aseguran de que se mida el rendimiento, que los experimentos se configuren correctamente y que tengan un impacto en la priorización, las hojas de ruta del producto y la estrategia.

Como director de datos & Insight Yo dependo de nuestros analistas de productos integrados y de nuestro científico de datos para estar en contacto cercano con nuestros principales accionistas día a día y captar lo que es importante. Este último argumento para el modelo integrado nos da velocidad y asegura que estemos involucrados en los lugares correctos en lugar de depender de la información que solo pasa a través de líneas de reporte formales.

No necesitas un gran equipo
Esta publicación se basa en una presentación que hice llamado «Cómo ampliamos el conocimiento a 400 personas con cuatro analistas y un ingeniero de datos». Al mirar la tabla de equipos de arriba, puede ver que esta no es toda la historia. Pero hasta febrero de 2020, cuando realicé la presentación, solo teníamos cuatro analistas, y dos de esos cuatro comenzaron en los últimos tres meses. Por supuesto, nuestros científicos de datos también trabajan con conocimientos parte de su tiempo, pero nuestro principal contribuyente a los conocimientos son nuestros analistas de productos.

Aunque es importante tener analistas de productos, científicos de datos e ingenieros de datos reunidos en la misma disciplina equipo amplio con metas alineadas (usamos OKRs), intercambio de conocimiento, cooperación y desarrollo de competencias. Los datos & Insight actúan como un equipo. Tenemos reuniones de equipo quincenales para planificar y seguir el progreso de proyectos comunes. También tenemos sesiones de inmersión profunda quincenales en las que nos mostramos nuestro trabajo, obtenemos comentarios sobre los problemas que estamos tratando de resolver y discutimos métodos analíticos y tecnología. Todo esto es importante para tener algo de centralización para todas las personas que trabajan en Data & Insight.

Si bien solo cinco personas se encargaron de hacer todo esto, los otros miembros del equipo, el resto de la tecnología del producto & y la consumidores de conocimiento.

Estén atentos a la siguiente parte que cubre la infraestructura de conocimiento

El conocimiento de autoservicio no solo depende de personas excelentes, sino que también requiere una buena infraestructura y una pila que se respalde Procesos servidos. Ese es el tema de la segunda parte, (La evolución de nuestra infraestructura de conocimiento). A continuación, le seguimos nuestras ideas sobre cómo alinearnos y establecer la estandarización en la parte tres, (Mejores prácticas de desarrollo).

La siguiente parte explicará en detalle nuestras herramientas e infraestructura de información

No dude en consultar otras publicaciones de mis colegas en Producto & Tecnología aquí en Medium, como (cómo trabajamos con DevSecOps) o (cómo hemos resuelto la alineación y ejecución de la estrategia).

También estamos buscando personas excelentes para ayudarnos (duplicar nuestra capacidad y equipo técnico (y una cosa más)) y hemos publicado nuevas posiciones en la & Equipo de estadísticas.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *