Négy építőelem a betekintés méretezéséhez – 1. rész: A beágyazott modell

(Nina Walberg) (2020. június 4.)

2013 elejétől kezdve a belátásvezérelt döntések a Kolonial.no kultúrájának részét képezték. Ez azonban egyre nagyobb kihívást jelent, mivel a vállalat Norvégia vezető online élelmiszerbolt-kiskereskedőjévé nőtte ki magát, több mint 400 alkalmazottal és éves bevétellel 2019-ben meghaladta az 1 milliárd NOK-t.

Egyszerűen csak kérésre nyújt betekintést nem méretarányos, és nem is az a mód, ahogyan szeretnénk dolgozni. A növekvő betekintési igény miatt megváltoztattuk a Data & Insight csapat szerepét, hogy adatszolgáltatóktól betekintést elősegítővé váljanak – lehetővé téve kollégáink számára, hogy önállóan dolgozzanak az adatokkal és az elemzésekkel . (Ennek ellenére továbbra is ad hoc elemzést végzünk, ha ehhez speciális készség szükséges).

Átalakulás egy kérésből önkiszolgáló betekintési csapattá

Az elmúlt hat hónap során a döntéshozóinkat önállóan szolgáltattuk a betekintésre, és képesek voltunk az egyre növekvő betekintési igényre méretezni anélkül, hogy elemzőcsoportokat toborozna. Ez a bejegyzéssorozat első része, amely leírja, hogyan léptünk ehhez a kihíváshoz.

Az adatokban rejlő lehetőségek megvalósítása

Az adatok küldetése & Az Insight csapatnak fel kell ismernie az adatokban rejlő lehetőségeket. A Data Science alkalmazást a végfelhasználói termék fejlesztésére alkalmazzák, példák között szerepelnek termékajánlások és személyre szabott vásárlási tapasztalatok. Az adattermékek az automatizálás révén fontosak a működésünk és az elosztásunk teljesítményének javításában is, kiváló példa erre az útvonal optimalizálása. Kollégáink révén felismerjük az adatokban rejlő lehetőségeket is, ahol az a célunk, hogy döntéseikkel a lehető legnagyobb hatást érjék el.

Az adatokban rejlő lehetőségek emberként valósulnak meg, és a legtöbb esetben a technológia értelmezi és transzformálja belátássá vagy automatizált folyamattá. Az értékteremtés növelése érdekében azon dolgozunk, hogy a megfelelő folyamatokban fokozzuk a technológia használatát az adatokon.

A csapat szállítása ezért kettős:

  • Adattermékek szállítása az ügyfélélmény és a működés javítása érdekében
  • Legyen támogató funkció a döntéshozók számára a Kolonial minden szintjén. nem

Ez a cikk nem foglalkozik azzal, hogy miként dolgozunk az adattermékek létrehozásában és az adatalgoritmusok erejének kihasználásában, mivel a fő hangsúly arra irányul, hogyan hozzunk létre hatást önkiszolgáló betekintéssel .

Ebben a bejegyzésben bemutatjuk a négy építőelemet és a Data & Insight csapat szerepének átalakításának ésszerűségét és az eléréshez használt eszközöket. hogy. Az első építőelemre, a beágyazott szervezeti modellünkre itt is kitérünk. A következő három blokkot ezután részletesebben leírjuk a hamarosan megjelenő külön bejegyzésekben.

Négy építőelemünk a skálázásról és az önkiszolgálásról

1: Beágyazott szervezet

Megfelelő típusú emberek toborzása
A megfelelő emberek fajtája és szervezete az első lépés. Megterveztük a toborzási folyamatot olyan adatpont-készlettel, amelyek a lehető legobjektívebbek ahhoz, hogy tisztességesen összehasonlíthassuk a jelentkezőket és megbizonyosodhassunk a megfelelő kompetenciájukról. Teszteljük üzleti megértésüket, analitikai problémamegoldó készségüket és az adatokkal való technikai képességüket. Bár e három képesség erősségét kissé eltérően súlyozzák termékelemzőink, adatkutatóink és adatmérnökeink, mindannyian dolgozhatnak a betekintési rakományunkban, és a problémákat egymástól függetlenül oldják meg. Természetesen arról is gondoskodunk, hogy személyes tulajdonságaik megfelelőek legyenek feladataikhoz, és hogy kultúránkhoz jól illeszkedjenek. Végül, és ugyanolyan fontos – sok időt fordítunk arra, hogy jól megfeleljünk a jelöltnek, hogy jól növekedhessenek a cégben.

Érdemes megemlíteni, hogy mivel szeretnénk döntéshozóinkat hogy minél többet végezzenek el maguk, az elemző szerepe valószínűleg egyszerre technikaibb és egyúttal jobban összpontosít mások engedélyezésére, mint a hagyományos elemző csoportokban. Ez azt jelenti, hogy mindnyájan folyékonyan beszélnek az SQL-ben, képesek végrehajtani az adatátalakításokat, és szeretnek segíteni másoknak azáltal, hogy megtanítják és mentorálják őket abban, hogy maguk végezzék az elemzést és a megfelelő módon használják őket. Amikor irányítópultokat építenek és ad hoc elemzéseket végeznek, általában ez a trükkesebb dolog.

A beágyazott modell
Amikor megfelelő emberek vannak, megfelelő készségekkel, akkor fontos, hogy a legjobb feltételeket biztosítsuk számukra, hogy minél nagyobb értéket teremtsenek. Sokan sokat írtak az elemzés strukturálásának különböző módjairól (ez a cikk elég jól összefoglalja a témát). Láttam és kipróbáltam közülük párat, és határozottan hiszem, hogy a beágyazott modell a legjobb az igényeinknek. A legtöbb termékelemzőnk és adatkutatónk többfunkciós termékcsapatunkba ágyazódik együtt a termékekkel, az UX-szel és a fejlesztőkkel, és az üzlet egy részhalmazán dolgozik. Esetünkben így néz ki:

Data & Az éleslátás jelentősen nőtt az elmúlt évben. Itt láthatja az összes embert 2020 júniusától a Data & Insight szolgáltatásban, és hogyan használjuk a beágyazott modellt. Amikor az ebben a cikkben leírt munkát elvégezték, a csapat sokkal kisebb volt.

Ennek a munkamódszernek a fő előnye a tartomány specializáció, amelyet elértünk, ami nagyon fontos számunkra ilyen sokféle problémával, amelyek megoldásán dolgozunk. Az összes üzleti egységhez közel állunk, és meghívhatunk (vagy akár meghívhatjuk magunkat) megbeszélésekre, amikor nagyobb döntések születnek. Ekkor aktívan megbizonyosodunk arról, hogy az elemzés és feltételezéseik megalapozottak-e. Csapatunk tagjai a termékcsapatok tagjai, és gondoskodnak a teljesítmény méréséről, a kísérletek megfelelő beállításáról, valamint hatással vannak a prioritásokra, a termék ütemterveire és a stratégiájukra.

Az adatokért felelős igazgatóként & Betekintés Abban vagyok, hogy beágyazott termékelemzőink és adatkutatóink nap mint nap szoros kapcsolatban állnak a fő érdekeltekkel és felveszik a fontosat. Ez az utolsó érv a beágyazott modell mellett gyorsaságot nyújt nekünk, és biztosítja, hogy a megfelelő helyeken vegyünk részt, ahelyett, hogy csak a hivatalos jelentési sorokon átmenő információkra támaszkodnánk.

Nincs szükség nagy csapatra
Ez a bejegyzés egy általam készített előadáson alapul címmel „Hogyan szereztünk betekintést 400 emberbe négy elemzővel és egy adatmérnökkel”. A fenti csapatdiagramot megnézve láthatja, hogy ez nem teljesen az egész történet. De 2020 februárjáig, amikor megtartottam az előadást, csak négy elemzőnk volt, és ebből kettő az elmúlt három hónapban indult. Természetesen az adatkutatóink idejük egy részében is dolgoznak a betekintéssel, de a betekintéshez fő hozzájárulásunk termékanalitikusaink.

Fontos azonban, hogy a termékelemzők, az adattudósok és az adatmérnökök ugyanabban a tudományágban gyűljenek össze. széles csapat összehangolt célokkal (OKR-eket használunk), tudáscserével, együttműködéssel és kompetenciafejlesztéssel. Az adatok & Insight csapatként működik. Kéthetente csapattalálkozókkal tervezzük és követhetjük a közös projektek előrehaladását. Kéthetente mély merüléssel is foglalkozunk, ahol megmutatjuk egymásnak a munkánkat, beismerjük azokat a problémákat, amelyeket megpróbálunk megoldani, és megvitatjuk az analitikai módszereket és technológiát. Mindez azért fontos, hogy legyen némi központosítás a Data & Insight-ban dolgozó emberek számára.

Míg csak öt ember volt felelős mindezért, mind a csapat többi tagja, mind a többi termék & tech és a betekintés a fogyasztókba.

Maradjon velünk a betekintési infrastruktúrát bemutató következő részen

Az önkiszolgáló betekintés nemcsak a nagyszerű emberektől függ, hanem jó infrastruktúrára és az önmagát támogató veremre is szükség van kiszolgált folyamatok. Ez a második rész témája (A betekintési infrastruktúránk fejlődése). Ezt követi a szabványosítás összehangolásának és kialakításának gondolata a harmadik részben (Legjobb fejlesztési gyakorlatok).

A következő rész részletesen bemutatja a betekintési infrastruktúránkat és eszközeinket

Nézze meg nyugodtan a többi termék munkatársaitól a & Tech itt a Közegen, például (hogyan dolgozunk a DevSecOps-szal) vagy (hogyan oldottuk meg a stratégia összehangolását és végrehajtását).

Remek embereket is keresünk hogy segítsen nekünk (megduplázzuk kapacitás- és technikai csapatunkat (és még egy dolgot)), és új pozíciókat írtunk a Data & Insights csapat.

Vélemény, hozzászólás?

Az email címet nem tesszük közzé. A kötelező mezőket * karakterrel jelöltük