Quattro elementi costitutivi per la scalabilità delle informazioni – Parte 1: Il modello incorporato

(Nina Walberg) (4 giugno 2020)

Fin dallinizio nel 2013, le decisioni guidate dallintuizione hanno fatto parte della cultura di Kolonial.no. Tuttavia, questo è diventato più impegnativo poiché lazienda è cresciuta fino a diventare il principale rivenditore di generi alimentari online in Norvegia con oltre 400 dipendenti e un fatturato annuo che ha superato 1 miliardo di NOK nel 2019.

Fornire semplicemente informazioni su richiesta solo non scala e non è nemmeno il modo in cui vorremmo lavorare. Con una crescente domanda di informazioni dettagliate, abbiamo cambiato il ruolo del team di Data & Insight da fornitori di dati a abilitatori di insight, rendendo possibile ai nostri colleghi lavorare in modo indipendente con dati e analisi . (Detto questo, eseguiamo ancora analisi ad hoc quando richiede il nostro set di competenze speciali).

La nostra trasformazione da una richiesta basata a un team di informazioni self-service

Negli ultimi sei mesi, abbiamo reso i nostri decisori self-service su insight e sono stati in grado per scalare con la crescente necessità di approfondimenti senza reclutare un gruppo di analisti. Questa è la prima parte di una serie di post che descrivono come abbiamo affrontato questa sfida.

Realizzare il potenziale nei dati

La missione dei dati & Il team di Insight deve realizzare il potenziale dei dati. La scienza dei dati viene applicata per migliorare il prodotto per lutente finale, gli esempi includono consigli sui prodotti ed esperienze di acquisto personalizzate. I prodotti di dati sono importanti anche per migliorare le prestazioni delle nostre operazioni e distribuzione attraverso lautomazione, un ottimo esempio è lottimizzazione del percorso. Realizziamo il potenziale dei dati anche attraverso i nostri colleghi, dove il nostro obiettivo è che abbiano il maggior impatto possibile con le loro decisioni.

Il potenziale dei dati si realizza man mano che le persone e nella maggior parte dei casi la tecnologia li interpreta e li trasforma in intuizioni o in un processo automatizzato. Lavoriamo per aumentare luso della tecnologia sui dati in processi appropriati per aumentare la creazione di valore.

Le consegne del team sono quindi duplici:

  • Fornire prodotti di dati per migliorare lesperienza del cliente e il funzionamento
  • Essere una funzione di supporto per i responsabili delle decisioni a tutti i livelli in Kolonial. no

Il modo in cui lavoriamo per creare prodotti di dati e utilizzare la potenza degli algoritmi di dati non è trattato in questo articolo poiché lobiettivo principale è come creiamo impatto con insight self-service .

In questo post presenteremo i quattro elementi costitutivi e il razionale per la nostra trasformazione del ruolo del team di Data & Insight e gli strumenti che utilizziamo per ottenere quello. Anche il primo elemento costitutivo, il nostro modello organizzativo integrato, verrà trattato qui. I tre blocchi seguenti verranno quindi descritti in modo più dettagliato in post dedicati che saranno presto pubblicati.

I nostri quattro elementi costitutivi per scalare le informazioni e diventare self service

1: organizzazione incorporata

Reclutare il giusto tipo di persone
Il giusto tipo di persone e la loro organizzazione è il primo passo. Abbiamo progettato un processo di reclutamento con una serie di punti dati che sono il più oggettivi possibile per poter confrontare i candidati in modo equo e assicurarci che abbiano le giuste competenze. Mettiamo alla prova la loro comprensione del business, le loro capacità analitiche di problem solving e la loro capacità tecnica di lavorare con i dati. Sebbene la forza di queste tre capacità sia ponderata in modo leggermente diverso tra i nostri analisti di prodotto, data scientist e data engineer, possono tutti lavorare sul nostro stack di informazioni e risolvere i problemi in modo indipendente. Naturalmente ci assicuriamo anche che le loro qualità personali siano adatte ai loro compiti e che si adattino bene alla nostra cultura. Infine, e altrettanto importante: impieghiamo molto tempo per assicurarci di essere una buona coppia per il candidato in modo che possa crescere bene in azienda.

Vale la pena menzionarlo poiché vogliamo che i nostri decisori per fare il più possibile da soli, il ruolo dellanalista è probabilmente più tecnico e allo stesso tempo più focalizzato sullabilitazione degli altri rispetto ai tradizionali team analitici. Ciò significa che tutti conoscono correttamente SQL, possono implementare trasformazioni dei dati e amano aiutare gli altri insegnando e guidando loro stessi nel fare analisi e utilizzarli nel modo giusto. Quando costruiscono dashboard e fanno analisi ad hoc, di solito sono le cose più complicate.

Il modello incorporato
Quando hai le persone giuste con le giuste competenze, è importante dare loro le migliori condizioni per creare più valore possibile. Molte persone hanno scritto molto sui diversi modi per strutturare lanalisi (questo articolo riassume abbastanza bene largomento). Ne ho visti e provati un paio e credo fermamente che il modello incorporato sia il migliore per le nostre esigenze. La maggior parte dei nostri analisti di prodotto e data scientist fanno parte dei nostri team di prodotto interfunzionali insieme a prodotto, UX e sviluppatori e lavorano per un sottoinsieme del business. Nel nostro caso è simile a questo:

Dati & Insight è cresciuto notevolmente nellultimo anno. Qui puoi vedere tutte le persone a partire da giugno 2020 in Data & Insight e come utilizziamo il modello incorporato. Quando il lavoro descritto in questo articolo è stato completato, il team era molto più piccolo.

I principali vantaggi di questo modo di lavorare è il dominio specializzazione che otteniamo, qualcosa che è molto importante per noi con una così vasta gamma di problemi che stiamo lavorando per risolvere. Siamo anche vicini a tutte le unità aziendali e possiamo essere invitati (o addirittura invitare noi stessi) a discussioni quando stanno per essere prese decisioni più importanti. È allora che ci assicuriamo attivamente che lanalisi e le loro ipotesi siano valide. I membri del nostro team fanno parte dei team di prodotto, assicurandosi che le prestazioni siano misurate, gli esperimenti siano impostati correttamente e abbiano un impatto sulla definizione delle priorità, sulle roadmap del prodotto e sulla strategia.

In qualità di Director for Data & Insight Dipendo dai nostri analisti di prodotto incorporati e dal data scientist per essere in stretto contatto con i nostri principali stakeholder giorno per giorno e raccogliere ciò che è importante. Questultimo argomento per il modello incorporato ci dà velocità e ci assicura di essere coinvolti nei posti giusti invece di fare affidamento su informazioni che passano solo attraverso linee di reporting formali.

Non hai bisogno di un grande team
Questo post è basato su una presentazione che ho fatto chiamato “Come abbiamo ridimensionato le informazioni a 400 persone con quattro analisti e un ingegnere dei dati”. Guardando il grafico della squadra sopra, puoi vedere che questa non è completamente lintera storia. Ma fino a febbraio 2020, quando ho tenuto la presentazione, avevamo solo quattro analisti e due di questi quattro hanno iniziato negli ultimi tre mesi. Ovviamente i nostri data scientist lavorano anche con gli insight parte del loro tempo, ma il nostro principale contributore agli insight sono i nostri analisti di prodotto.

Tuttavia è importante che analisti di prodotto, data scientist e data engineer si riuniscano nella stessa disciplina ampio team con obiettivi allineati (usiamo OKR), scambio di conoscenze, cooperazione e sviluppo delle competenze. I dati & Insight agiscono come una squadra. Abbiamo riunioni bisettimanali del team per pianificare e seguire i progressi sui progetti comuni. Abbiamo anche sessioni bisettimanali di immersione profonda in cui mostriamo il nostro lavoro a vicenda, riceviamo input sui problemi che stiamo cercando di risolvere e discutiamo metodi analitici e tecnologia. Tutto ciò è importante per avere un po di centralizzazione per tutte le persone che lavorano in Data & Insight.

Sebbene solo cinque persone fossero incaricate di fare tutto questo, sono stati sempre supportati e incoraggiati da entrambi gli altri membri del team, il resto della tecnologia del prodotto & e consumatori di insight.

Resta sintonizzato per la parte successiva che copre linfrastruttura di insight

Insight self-service non dipende solo da persone fantastiche, ma richiede anche una buona infrastruttura e uno stack che supporti processi serviti. Questo è largomento della seconda parte, (Levoluzione della nostra infrastruttura di insight). Segue poi le nostre riflessioni su come allineare e stabilire la standardizzazione nella terza parte, (Migliori pratiche di sviluppo).

La parte successiva entrerà nei dettagli della nostra infrastruttura di analisi e dei nostri strumenti

Non esitate a leggere altri post dei miei colleghi in Product & Tech qui su Medium come (come lavoriamo con DevSecOps) o (come abbiamo risolto lallineamento e lesecuzione della strategia).

Cerchiamo anche persone fantastiche per aiutarci (raddoppiare la nostra capacità e il team tecnico (e unaltra cosa)) e aver pubblicato nuove posizioni nei dati & Team di approfondimenti.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *