Vier bouwstenen voor het schalen van inzichten – Deel 1: Het ingebedde model

(Nina Walberg) (4 juni 2020)

Vanaf het allereerste begin in 2013 maken inzichtgestuurde beslissingen deel uit van de cultuur van Kolonial.no. Dit is echter een grotere uitdaging geworden omdat het bedrijf is uitgegroeid tot de toonaangevende online supermarktketen in Noorwegen met meer dan 400 werknemers en een jaaromzet van meer dan 1 miljard NOK in 2019.

Gewoon op verzoek inzicht geven schaalt niet, en is ook niet de manier waarop we zouden willen werken. Met een groeiende vraag naar inzicht hebben we de rol van het Data & Insight-team veranderd van gegevensproviders in inzichten enablers – waardoor het voor onze collegas mogelijk wordt om onafhankelijk met gegevens en analyses te werken . (Dat gezegd hebbende, we doen nog steeds ad-hocanalyses wanneer dit onze speciale vaardigheden vereist).

Onze transformatie van een op verzoek gebaseerd naar een zelfbediend inzichtteam

In de afgelopen zes maanden hebben we onze besluitvormers zelfbediend gemaakt op basis van inzicht en mee te schalen met de groeiende behoefte aan inzichten zonder een heleboel analisten aan te trekken. Dit is het eerste deel in een reeks berichten waarin wordt beschreven hoe we deze uitdaging hebben aangepakt.

Het potentieel in gegevens realiseren

De missie van de gegevens & Insight-team moet het potentieel in gegevens realiseren. Data Science wordt toegepast om het eindgebruikersproduct te verbeteren, voorbeelden zijn productaanbevelingen en gepersonaliseerde winkelervaringen. Dataproducten zijn ook belangrijk bij het verbeteren van de prestaties van onze operatie en distributie door middel van automatisering, een uitstekend voorbeeld hiervan is route-optimalisatie. We realiseren ons ook het potentieel in gegevens via onze collegas, waar het ons doel is dat ze zoveel mogelijk impact maken met hun beslissingen.

Het potentieel in data wordt gerealiseerd doordat mensen en in de meeste gevallen technologie het interpreteren en omzetten in inzichten of een geautomatiseerd proces. We werken eraan om het gebruik van technologie op gegevens in geschikte processen te vergroten om de waardecreatie te vergroten.

De resultaten van het team zijn daarom tweeledig:

  • Dataproducten leveren om de klantervaring en de werking te verbeteren
  • Een ondersteunende functie zijn voor besluitvormers op alle niveaus in Kolonial. nee

Hoe we werken om dataproducten te maken en de kracht van data-algoritmen te gebruiken, wordt niet behandeld in dit artikel, aangezien de belangrijkste focus ligt op hoe we impact creëren met zelfbediende inzichten .

In dit bericht introduceren we de vier bouwstenen en de redenering voor onze transformatie van de rol van het Data & Insight-team en de tools die we gebruiken om te bereiken dat. Ook de eerste bouwsteen, ons embedded organisatiemodel, komt hier aan bod. De volgende drie blokken zullen dan in meer detail worden beschreven in speciale berichten die binnenkort zullen worden gepubliceerd.

Onze vier bouwstenen voor het schalen van inzichten en zelfbediening worden

1: Geïntegreerde organisatie

De juiste soort mensen rekruteren
De juiste soort mensen en de organisatie ervan is de eerste stap. We hebben een rekruteringsproces ontworpen met een reeks datapunten die zo objectief mogelijk zijn om kandidaten eerlijk te kunnen vergelijken en ervoor te zorgen dat ze de juiste competentie hebben. We testen hun zakelijk inzicht, hun analytische probleemoplossende vaardigheden en hun technische vaardigheid om met gegevens te werken. Hoewel de kracht van die drie capaciteiten een beetje anders wordt gewogen tussen onze productanalisten, datawetenschappers en data-ingenieurs, kunnen ze allemaal binnen onze inzichten werken en problemen zelfstandig oplossen. Uiteraard zorgen we er ook voor dat hun persoonlijke kwaliteiten goed passen bij hun taken en dat ze passen bij onze cultuur. Ten slotte, en even belangrijk – we gebruiken veel tijd om ervoor te zorgen dat we een goede match zijn voor de kandidaat, zodat ze goed kunnen groeien in het bedrijf.

Het is de moeite waard om te vermelden dat we willen dat onze besluitvormers om zoveel mogelijk zelf te doen, is de rol van de analist waarschijnlijk zowel technischer als tegelijkertijd meer gericht op het mogelijk maken van anderen dan in traditionele analytische teams. Dit betekent dat ze allemaal vloeiend SQL beheersen, datatransformaties kunnen implementeren en anderen graag willen helpen door hen te onderwijzen en te begeleiden bij het zelf analyseren en gebruiken op de juiste manier. Wanneer ze dashboards bouwen en ad-hocanalyses uitvoeren, zijn dat meestal de lastigste dingen.

Het ingebedde model
Als u over de juiste mensen met de juiste vaardigheden beschikt, is het belangrijk om ze de beste voorwaarden te bieden om zoveel mogelijk waarde te creëren. Veel mensen hebben veel geschreven over verschillende manieren om analyses te structureren (dit artikel vat het onderwerp vrij goed samen). Ik heb er een aantal gezien en geprobeerd en ben er sterk van overtuigd dat het ingebedde model het beste is voor onze behoeften. De meeste van onze productanalisten en datawetenschappers zijn ingebed in onze multifunctionele productteams, samen met product, UX en ontwikkelaars, en werken aan een subset van het bedrijf. In ons geval ziet het er als volgt uit:

Data & Insight is het afgelopen jaar aanzienlijk gegroeid. Hier kun je alle mensen zien vanaf juni 2020 in Data & Insight en hoe we het embedded model gebruiken. Toen het werk dat in dit artikel wordt beschreven klaar was, was het team veel kleiner.

De belangrijkste voordelen van deze manier van werken is het domein specialisatie bereiken we, iets dat heel belangrijk voor ons is met zon breed scala aan problemen die we proberen op te lossen. We zitten ook dicht bij alle business units en kunnen worden uitgenodigd (of zelfs onszelf uitnodigen) voor discussies wanneer grotere beslissingen op het punt staan ​​te worden genomen. Op dat moment zorgen we er actief voor dat de analyse en hun aannames kloppen. Onze teamleden maken deel uit van de productteams en zorgen ervoor dat de prestaties worden gemeten, experimenten correct worden opgezet en dat ze van invloed zijn op prioriteitstelling, productroadmaps en strategie.

Als Director for Data & Inzicht Ik ben afhankelijk van onze embedded productanalisten en datawetenschappers om van dag tot dag in nauw contact te staan ​​met onze belangrijkste stakeholders en om op te pikken wat belangrijk is. Dit laatste argument voor het embedded model geeft ons snelheid en zorgt ervoor dat we op de juiste plaatsen betrokken zijn in plaats van te vertrouwen op informatie die alleen via formele rapportagelijnen loopt.

Je hebt geen groot team nodig
Dit bericht is gebaseerd op een presentatie die ik heb gedaan genaamd “Hoe we inzicht hebben geschaald naar 400 mensen met vier analisten en één data-engineer”. Door naar het bovenstaande teamdiagram te kijken, kun je zien dat dit niet helemaal het hele verhaal is. Maar tot februari 2020, toen ik de presentatie hield, hadden we maar vier analisten, en twee van die vier begonnen in de afgelopen drie maanden. Natuurlijk werken onze datawetenschappers ook een deel van hun tijd met inzicht, maar onze belangrijkste bijdrage aan inzichten zijn onze productanalisten.

Het is echter belangrijk om productanalisten, datawetenschappers en data-ingenieurs in dezelfde discipline te hebben. breed team met afgestemde doelen (we gebruiken OKRs), kennisuitwisseling, samenwerking en competentieontwikkeling. Data & Insight fungeren als een team. We hebben tweewekelijkse teamvergaderingen om de voortgang van gemeenschappelijke projecten te plannen en te volgen. We hebben ook tweewekelijkse diepe duiksessies waarin we ons werk aan elkaar laten zien, input krijgen over problemen die we proberen op te lossen en analytische methoden en technologie bespreken. Dit alles is belangrijk om enige centralisatie te hebben voor alle mensen die in Data & Insight werken.

Hoewel slechts vijf mensen de leiding hadden over dit alles, werden ze altijd gesteund en aangemoedigd door beide andere teamleden, de rest van product & tech en de inzichten in consumenten.

Blijf op de hoogte voor het volgende deel over inzichtinfrastructuur

Zelfbediend inzicht is niet alleen afhankelijk van geweldige mensen, het vereist ook een goede infrastructuur en een stack die zichzelf ondersteunt bediende processen. Dat is het onderwerp van deel twee, (De evolutie van onze inzichteninfrastructuur). Daarna volgen onze gedachten over hoe we standaardisatie afstemmen en tot stand brengen in deel drie, (Beste ontwikkelingspraktijken).

Het volgende deel gaat in detail in op onze inzichtinfrastructuur en tools

Bekijk gerust andere berichten van mijn collegas in Product & Tech hier op Medium zoals (hoe we werken met DevSecOps) of (hoe we afstemming en uitvoering op strategie hebben opgelost).

We zijn ook op zoek naar geweldige mensen om ons te helpen (onze capaciteit en ons technische team verdubbelen (en nog één ding)) en nieuwe posities in de gegevens & Insights-team.

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *