Fire byggesteiner for skalering av innsikt – Del 1: Den innebygde modellen

(Nina Walberg) (4. juni 2020)

Helt fra begynnelsen i 2013 har innsiktsdrevne beslutninger vært en del av Kolonial.nos kultur. Dette har imidlertid blitt mer utfordrende ettersom selskapet har vokst til å bli den ledende dagligvareforhandleren i Norge med mer enn 400 ansatte og en årlig inntekt som krysset en milliard kroner i 2019.

Bare levere innsikt på forespørsel bare skalerer ikke, og er heller ikke slik vi ønsker å jobbe. Med en økende etterspørsel etter innsikt, har vi endret rollen til Data & Insight-teamet fra å være dataleverandører til innsiktsaktiviteter – noe som gjør det mulig for våre kolleger å selvstendig jobbe med data og analyse . (Når det er sagt, gjør vi fortsatt ad hoc-analyse når det krever vårt spesielle ferdighetssett).

Vår transformasjon fra en forespørsel basert til selvbetjent innsiktsteam

I løpet av de siste seks månedene har vi gjort beslutningstakerne våre selvbetjent på innsikt og vært i stand til å skalere med det økende behovet for innsikt uten å rekruttere en haug med analytikere. Dette er den første delen i en serie innlegg som beskriver hvordan vi har nærmet oss denne utfordringen.

Å realisere potensialet i data

Oppgaven til Data & Insight team er å realisere potensialet i data. Data Science brukes for å forbedre sluttbrukerproduktet, eksempler inkluderer produktanbefalinger og personlige shoppingopplevelser. Dataprodukter er også viktige for å forbedre ytelsen til vår drift og distribusjon gjennom automatisering, et utmerket eksempel er ruteoptimalisering. Vi innser også potensialet i data gjennom våre kolleger der vårt mål er at de skal få mest mulig innflytelse med sine beslutninger.

Potensialet i data blir realisert som mennesker og i de fleste tilfeller tolker og forvandler teknologi det til innsikt eller en automatisert prosess. Vi jobber for å øke bruken av teknologi på data i passende prosesser for å øke verdiskapingen.

Teamets leveranser er derfor todelt:

  • Levering av dataprodukter for å forbedre kundeopplevelsen og driften
  • Vær en støttefunksjon for beslutningstakere på alle nivåer på tvers av Kolonial. nei

Hvordan vi jobber for å lage dataprodukter og bruke kraften til datalgoritmer, er ikke dekket i denne artikkelen, da hovedfokus er på hvordan vi skaper innvirkning med selvbetjent innsikt .

I dette innlegget vil vi introdusere de fire byggesteinene og det rasjonelle for vår transformasjon av rollen til Data & Insight-teamet og verktøyene vi bruker for å oppnå at. Den første byggesteinen, vår innebygde organisasjonsmodell, vil også bli dekket her. Følgende tre blokker vil deretter bli beskrevet mer detaljert i dedikerte innlegg som snart skal publiseres.

Våre fire byggesteiner for å skalere innsikt og bli selvbetjent

1: Innebygd organisasjon

Å rekruttere riktig type mennesker
Den rette typen mennesker og organisering av dem er det første trinnet. Vi har designet en rekrutteringsprosess med et sett med datapunkter som er så objektive som mulig for å kunne sammenligne kandidater rettferdig og sørge for at de har riktig kompetanse. Vi tester deres forretningsforståelse, deres analytiske ferdigheter og tekniske evner til å jobbe med data. Selv om styrken til disse tre funksjonene er vektet litt forskjellig mellom produktanalytikerne, dataforskerne og dataingeniørene våre, kan de alle jobbe på tvers av vår innsiktsstabel og løse problemer helt til slutt uavhengig. Vi sørger selvfølgelig også for at deres personlige egenskaper passer godt til oppgavene sine og at de passer godt for vår kultur. Til slutt, og like viktig – vi bruker mye tid på å sørge for at vi passer godt sammen med kandidaten, slik at de kan vokse godt i selskapet.

Det er verdt å nevne det slik vi ønsker at beslutningstakerne våre å gjøre så mye som mulig selv, er rollen som analytiker sannsynligvis både mer teknisk og samtidig mer fokusert på å muliggjøre andre enn i tradisjonelle analytiske team. Dette betyr at de alle er flytende i SQL, kan implementere datatransformasjoner og liker å hjelpe andre ved å lære og veilede dem i å gjøre analyser selv og bruke dem på riktig måte. Når de bygger dashbord og gjør ad hoc-analyse, er det vanligvis de mer vanskelige greiene.

Den innebygde modellen
Når du har de rette menneskene med riktig ferdighetssett, er det viktig å gi dem de beste forutsetningene for å skape mest mulig verdi. Mange har skrevet mye om forskjellige måter å strukturere analyser på (denne artikkelen oppsummerer emnet ganske bra). Jeg har sett og prøvd et par av dem og tror sterkt at den innebygde modellen er best for våre behov. De fleste av våre produktanalytikere og datavitenskapere er innebygd i våre tverrfunksjonelle produktteam sammen med produkt, UX og utviklere, og jobber mot en delmengde av virksomheten. I vårt tilfelle ser det slik ut:

Data & Innsikt har vokst betydelig det siste året. Her kan du se alle menneskene fra juni 2020 i Data & Innsikt og hvordan vi bruker den innebygde modellen. Når det arbeidet som er beskrevet i denne artikkelen ble gjort, var teamet mye mindre.

De viktigste fordelene for denne måten å jobbe på er domenet spesialisering vi oppnår, noe som er ganske viktig for oss med et så bredt spekter av problemer vi jobber med å løse. Vi er også nær alle forretningsenhetene og kan inviteres (eller til og med invitere oss selv) til diskusjoner når større beslutninger er i ferd med å tas. Det er da vi aktivt sørger for at analyser og deres antakelser er sunne. Teammedlemmene våre er en del av produktteamene, og sørger for at ytelsen måles, eksperimentene er satt opp riktig og de påvirker prioritering, produktkart og strategi.

Som direktør for data & Innsikt Jeg er avhengig av at våre innebygde produktanalytikere og dataforskere er i nær kontakt med våre viktigste interessenter fra dag til dag og tar opp det som er viktig. Dette siste argumentet for den innebygde modellen gir oss fart og sørger for at vi er involvert på de riktige stedene i stedet for å stole på at informasjon bare går gjennom formelle rapporteringslinjer.

Du trenger ikke et stort team
Dette innlegget er basert på en presentasjon jeg gjorde kalt “Hvordan vi skalerte innsikt til 400 personer med fire analytikere og en dataingeniør”. Ved å se på lagdiagrammet ovenfor kan du se at dette ikke er helt hele historien. Men til februar 2020, da jeg holdt presentasjonen, hadde vi bare fire analytikere, og to av disse fire startet i løpet av de siste tre månedene. Naturligvis jobber våre dataforskere også med innsikt en del av tiden, men vår viktigste bidragsyter til innsikt er produktanalytikerne våre.

Det er imidlertid viktig å ha produktanalytikere, datavitenskapsmenn og dataingeniører samlet i samme fag bredt team med målrettede mål (vi bruker OKR), kunnskapsutveksling, samarbeid og kompetanseutvikling. Data & Insight fungerer som et team. Vi har to ukentlige teammøter for å planlegge og følge fremdriften i vanlige prosjekter. Vi har også to døgn økter hvor vi viser vårt arbeid for hverandre, får innspill til problemer vi prøver å løse og diskuterer analytiske metoder og teknologi. Alt dette er viktig for å ha en viss sentralisering for alle som jobber i Data & Insight.

Mens bare fem personer hadde ansvaret for å gjøre alt dette, ble de hele tiden støttet og oppmuntret av begge andre teammedlemmer, resten av produktet & tech og innsikt forbrukere.

Følg med for neste del som dekker innsiktsinfrastruktur

Selvbetjent innsikt er ikke bare avhengig av flotte mennesker, det krever også en god infrastruktur og en stabel som støtter seg selv servert prosesser. Det er temaet i del to, (Utviklingen av vår innsiktsinfrastruktur). Deretter følges det med våre tanker om hvordan vi justerer og etablerer standardisering i del tre, (Best Development practices).

Den neste delen vil gå i detalj om vår innsiktsinfrastruktur og verktøy

Sjekk gjerne ut annet innlegg fra kollegene mine i Produkt & Tech her på Medium som (hvordan vi jobber med DevSecOps) eller (hvordan vi har løst justering og utførelse på strategi).

Vi ser også etter flotte mennesker for å hjelpe oss (doble kapasitets- og teknologiteamet vårt (og en ting til)) og har lagt ut nye posisjoner i Data & Innsiktsteam.

Legg igjen en kommentar

Din e-postadresse vil ikke bli publisert. Obligatoriske felt er merket med *