Quatre éléments de base pour la mise à léchelle des informations – Partie 1: Le modèle embarqué

(Nina Walberg) (4 juin 2020)

Depuis le tout début de 2013, les décisions éclairées font partie de la culture de Kolonial.no. Cependant, cela est devenu plus difficile à mesure que la société est devenue le premier détaillant dépicerie en ligne en Norvège avec plus de 400 employés et un chiffre daffaires annuel qui a dépassé le milliard de NOK en 2019.

Fournir simplement des informations sur demande juste ne sadapte pas et ce nest pas non plus la façon dont nous aimerions travailler. Face à une demande croissante dinformations, nous avons changé le rôle de léquipe Data & Insight, passant du statut de fournisseur de données à celui de facilitateur dinformations, ce qui permet à nos collègues de travailler de manière indépendante avec des données et des analyses . (Cela étant dit, nous faisons toujours une analyse ad hoc lorsque cela nécessite nos compétences spéciales).

Notre transformation dune équipe basée sur la demande à une équipe de perspicacité en libre-service

Au cours des six derniers mois, nous avons fait en sorte que nos décideurs se servent des informations et évoluer avec le besoin croissant dinformations sans recruter un groupe danalystes. Ceci est la première partie dune série darticles décrivant comment nous avons abordé ce défi.

Réaliser le potentiel des données

La mission des données & Léquipe Insight doit réaliser le potentiel des données. La science des données est appliquée pour améliorer le produit de lutilisateur final, les exemples incluent des recommandations de produits et des expériences dachat personnalisées. Les produits de données sont également importants pour améliorer les performances de nos opérations et de notre distribution grâce à lautomatisation, un excellent exemple étant loptimisation des itinéraires. Nous réalisons également le potentiel des données grâce à nos collègues, où notre objectif est quils aient le plus dimpact possible avec leurs décisions.

Le potentiel des données est réalisé au fur et à mesure que les gens et, dans la plupart des cas, la technologie les interprètent et les transforment en informations ou en processus automatisé. Nous travaillons pour augmenter lutilisation de la technologie sur les données dans des processus appropriés pour augmenter la création de valeur.

Les livraisons de léquipe sont donc doubles:

  • Fournir des produits de données pour améliorer lexpérience client et le fonctionnement
  • Être une fonction dassistance pour les décideurs à tous les niveaux de Kolonial. non

La manière dont nous travaillons pour créer des produits de données et utiliser la puissance des algorithmes de données nest pas couverte dans cet article, car lobjectif principal est de savoir comment nous créons un impact grâce aux informations en libre-service .

Dans cet article, nous présenterons les quatre blocs de construction et le rationnel de notre transformation du rôle de léquipe Data & Insight et les outils que nous utilisons pour y parvenir cette. Le premier élément de base, notre modèle organisationnel intégré, sera également traité ici. Les trois blocs suivants seront ensuite décrits plus en détail dans des articles dédiés qui seront bientôt publiés.

Nos quatre éléments de base pour faire évoluer les connaissances et devenir libre-service

1: Organisation intégrée

Recruter le bon type de personnes
Le bon type de personnes et leur organisation est la première étape. Nous avons conçu un processus de recrutement avec un ensemble de points de données aussi objectifs que possible pour pouvoir comparer équitablement les candidats et sassurer quils ont la bonne compétence. Nous testons leur compréhension des affaires, leurs compétences en résolution de problèmes analytiques et leur capacité technique à travailler avec des données. Bien que la force de ces trois capacités soit pondérée un peu différemment entre nos analystes de produits, nos scientifiques des données et nos ingénieurs de données, elles peuvent toutes travailler sur notre pile dinformations et résoudre les problèmes de bout en bout de manière indépendante. Nous nous assurons bien sûr également que leurs qualités personnelles sont bien adaptées à leurs tâches et quelles correspondent bien à notre culture. Enfin, et tout aussi important – nous utilisons beaucoup de temps pour nous assurer que nous sommes à la hauteur du candidat afin quil puisse bien se développer dans lentreprise.

Il convient de le mentionner, car nous voulons que nos décideurs pour faire le plus possible lui-même, le rôle de lanalyste est probablement à la fois plus technique et en même temps plus axé sur lhabilitation des autres que dans les équipes analytiques traditionnelles. Cela signifie quils maîtrisent tous SQL, peuvent mettre en œuvre des transformations de données et aiment aider les autres en leur enseignant et en les encadrant pour quils effectuent eux-mêmes des analyses et les utilisent de la bonne manière. Lorsquils créent des tableaux de bord et effectuent des analyses ad hoc, ce sont généralement les choses les plus délicates.

Le modèle intégré
Lorsque vous avez les bonnes personnes avec les bonnes compétences, cest important de leur donner les meilleures conditions pour créer le plus de valeur possible. De nombreuses personnes ont beaucoup écrit sur les différentes manières de structurer les analyses (cet article résume assez bien le sujet). Jai vu et essayé quelques-uns dentre eux et je crois fermement que le modèle intégré est le meilleur pour nos besoins. La plupart de nos analystes produit et data scientist sont intégrés dans nos équipes produits interfonctionnelles avec les produits, lexpérience utilisateur et les développeurs, et travaillent pour un sous-ensemble de lentreprise. Dans notre cas, cela ressemble à ceci:

Données & Insight a considérablement augmenté lannée dernière. Ici, vous pouvez voir toutes les personnes à partir de juin 2020 dans Data & Insight et comment nous utilisons le modèle intégré. Une fois le travail décrit dans cet article terminé, léquipe était beaucoup plus petite.

Le principal avantage de cette façon de travailler est le domaine spécialisation que nous atteignons, ce qui est très important pour nous avec un si large éventail de problèmes que nous travaillons à résoudre. Nous sommes également proches de toutes les business units et pouvons être invités (ou même nous inviter) à des discussions lorsque des décisions plus importantes sont sur le point dêtre prises. C’est alors que nous nous assurons activement que les analyses et leurs hypothèses sont solides. Les membres de notre équipe font partie des équipes produit, sassurant que les performances sont mesurées, que les expériences sont correctement configurées et quelles ont un impact sur la hiérarchisation, les feuilles de route des produits et la stratégie.

En tant que directeur des données & Insight Je compte sur nos analystes de produits embarqués et notre data scientist pour être en contact étroit avec nos principales parties prenantes au jour le jour et saisir ce qui est important. Cet argument final pour le modèle embarqué nous donne de la vitesse et garantit que nous sommes impliqués aux bons endroits au lieu de nous fier uniquement aux informations qui transitent par des lignes hiérarchiques formelles.

Vous navez pas besoin dune grande équipe
Ce message est basé sur une présentation que jai faite appelé «Comment nous avons étendu la perspicacité à 400 personnes avec quatre analystes et un ingénieur de données». En regardant le tableau de léquipe ci-dessus, vous pouvez voir que ce nest pas complètement toute lhistoire. Mais jusquen février 2020, lorsque jai tenu la présentation, nous navions que quatre analystes, et deux de ces quatre ont commencé au cours des trois derniers mois. Bien sûr, nos data scientists travaillent également avec des insights une partie de leur temps, mais nos analystes de produits sont notre principal contributeur aux insights.

Il est cependant important davoir des analystes de produits, des data scientist et des data ingénieurs réunis dans la même discipline large équipe avec des objectifs alignés (nous utilisons des OKR), échange de connaissances, coopération et développement des compétences. Les données & Insight agissent en équipe. Nous avons des réunions déquipe toutes les deux semaines pour planifier et suivre les progrès des projets communs. Nous avons également des sessions de plongée toutes les deux semaines où nous montrons notre travail les uns aux autres, obtenons des commentaires sur les problèmes que nous essayons de résoudre et discutons des méthodes analytiques et de la technologie. Tout cela est important pour avoir une certaine centralisation pour toutes les personnes travaillant dans Data & Insight.

Alors que seulement cinq personnes étaient chargées de faire tout cela, elles ont toujours été soutenues et encouragées par les deux autres membres de léquipe, le reste de la technologie & et le les consommateurs dinsight.

Restez à lécoute pour la partie suivante concernant linfrastructure dinsight

Les insight en libre-service ne dépendent pas seulement de personnes formidables, ils nécessitent également une bonne infrastructure et une pile qui prend en charge processus servis. Cest le sujet de la deuxième partie (Lévolution de notre infrastructure dinsight). Il est ensuite suivi de nos réflexions sur la façon dont nous alignons et établissons la normalisation dans la troisième partie (Meilleures pratiques de développement).

La partie suivante va détailler notre infrastructure et nos outils dinsight

Nhésitez pas à consulter dautres articles de mes collègues dans Product & Tech ici sur Medium comme (comment nous travaillons avec DevSecOps) ou (comment nous avons résolu lalignement et lexécution sur la stratégie).

Nous recherchons également des personnes formidables pour nous aider (doubler notre capacité et notre équipe technique (et encore une chose)) et avoir publié nouveaux postes dans les données & Équipe Insights.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *