Cztery elementy do skalowania statystyk – część 1: Model osadzony

(Nina Walberg) (4 czerwca 2020 r.)

Od samego początku 2013 roku decyzje oparte na wglądu były częścią kultury Kolonial.no. Jednak stało się to trudniejsze, ponieważ firma stała się wiodącym sprzedawcą artykułów spożywczych w Norwegii, zatrudniającym ponad 400 pracowników i rocznym przychodem, który przekroczył 1 miliard NOK w 2019 roku.

Po prostu dostarcza wgląd na żądanie tylko nie skaluje się, a także nie jest sposobem, w jaki chcielibyśmy pracować. Wraz z rosnącym zapotrzebowaniem na wgląd, zmieniliśmy rolę zespołu Data & Insight z dostawców danych na podmioty umożliwiające wgląd w dane – umożliwiając naszym współpracownikom niezależną pracę z danymi i analizami . (Biorąc to pod uwagę, nadal wykonujemy analizę ad hoc, gdy wymaga to naszego specjalnego zestawu umiejętności).

Nasza transformacja z prośby opartej na samodzielnym zespole analizującym

W ciągu ostatnich sześciu miesięcy sprawiliśmy, że nasi decydenci sami służyli wglądem i byliśmy w stanie skalować się wraz z rosnącą potrzebą wglądu bez zatrudniania grupy analityków. To jest pierwsza część serii postów opisujących, jak podeszliśmy do tego wyzwania.

Uświadomienie sobie potencjału danych

Misja Data & Zespół Insight ma zdać sobie sprawę z potencjału danych. Nauka danych jest stosowana w celu ulepszenia produktu użytkownika końcowego, przykłady obejmują rekomendacje produktów i spersonalizowane doświadczenia zakupowe. Produkty danych są również ważne dla poprawy wydajności naszej działalności i dystrybucji poprzez automatyzację, czego doskonałym przykładem jest optymalizacja tras. Zdajemy sobie również sprawę z potencjału danych dzięki naszym współpracownikom, gdzie naszym celem jest, aby wywarli jak największy wpływ na swoje decyzje.

Potencjał danych jest realizowany przez ludzi, aw większości przypadków technologia interpretuje je i przekształca w spostrzeżenia lub zautomatyzowany proces. Pracujemy nad zwiększeniem wykorzystania technologii na danych w odpowiednich procesach, aby zwiększyć tworzenie wartości.

Dostawy zespołu są zatem dwojakie:

  • Dostarczanie produktów danych w celu poprawy obsługi klienta i działania
  • Wesprzyj osoby decyzyjne na wszystkich szczeblach w Kolonialnym. nie

W tym artykule nie omówiono sposobu, w jaki pracujemy nad tworzeniem produktów danych i wykorzystywaniem mocy algorytmów danych, ponieważ główny nacisk kładzie się na to, jak wywieramy wpływ za pomocą samoobsługowych informacji .

W tym poście przedstawimy cztery elementy składowe i uzasadnienie transformacji roli Data & Zespół Insight i narzędzia, których używamy do osiągnięcia że. Pierwszy element konstrukcyjny, nasz wbudowany model organizacyjny, również zostanie tutaj omówiony. Następujące trzy bloki zostaną następnie opisane bardziej szczegółowo w dedykowanych postach, które wkrótce zostaną opublikowane.

Nasze cztery elementy składowe skalowania statystyk i samodzielnej obsługi

1: Wbudowana organizacja

Rekrutacja odpowiednich ludzi
Odpowiedni rodzaj ludzi i ich organizacja to pierwszy krok. Zaprojektowaliśmy proces rekrutacji z zestawem punktów danych, które są możliwie najbardziej obiektywne, aby móc sprawiedliwie porównać kandydatów i upewnić się, że mają odpowiednie kompetencje. Sprawdzamy ich zrozumienie biznesowe, umiejętności analitycznego rozwiązywania problemów i techniczną zdolność do pracy z danymi. Chociaż siła tych trzech możliwości jest nieco różna w przypadku naszych analityków produktowych, analityków danych i inżynierów danych, wszyscy mogą pracować w naszym stosie wglądu i samodzielnie rozwiązywać problemy. Oczywiście upewniamy się również, że ich cechy osobiste są dobrze dostosowane do ich zadań i dobrze pasują do naszej kultury. I na koniec, co równie ważne – poświęcamy dużo czasu, aby upewnić się, że dobrze pasujemy do kandydata, aby mógł dobrze się rozwijać w firmie.

Warto o tym wspomnieć, ponieważ chcemy, aby nasi decydenci aby zrobić jak najwięcej samodzielnie, rola analityka jest prawdopodobnie zarówno bardziej techniczna, jak i bardziej skoncentrowana na umożliwianiu innym niż w tradycyjnych zespołach analitycznych. Oznacza to, że wszyscy biegle posługują się językiem SQL, potrafią wdrażać transformacje danych i lubią pomagać innym, ucząc ich i pomagając im w samodzielnym przeprowadzaniu analiz i korzystaniu z nich we właściwy sposób. Kiedy budują pulpity nawigacyjne i wykonują analizy ad hoc, zwykle jest to trudniejsza sprawa.

Wbudowany model
Jeśli masz odpowiednich ludzi z odpowiednim zestawem umiejętności, to jest to ważne, aby zapewnić im jak najlepsze warunki do tworzenia jak największej wartości. Wiele osób napisało wiele o różnych sposobach tworzenia struktury danych analitycznych (ten artykuł dość dobrze podsumowuje ten temat). Widziałem i wypróbowałem kilka z nich i mocno wierzę, że model embedded jest najlepszy dla naszych potrzeb. Większość naszych analityków produktowych i analityków danych jest osadzonych w naszych wielofunkcyjnych zespołach produktowych wraz z produktem, UX i programistami i pracuje nad podzbiorem działalności. W naszym przypadku wygląda to tak:

Dane & W zeszłym roku wnikliwość znacznie wzrosła. Tutaj możesz zobaczyć wszystkie osoby od czerwca 2020 r. W Data & Insight oraz sposób, w jaki korzystamy z modelu osadzonego. Po zakończeniu pracy opisanej w tym artykule zespół był znacznie mniejszy.

Głównymi zaletami tego sposobu pracy jest domena specjalizacja, którą osiągamy, co jest dla nas dość ważne przy tak szerokim wachlarzu problemów, nad którymi pracujemy. Jesteśmy również blisko wszystkich jednostek biznesowych i możemy zostać zaproszeni (lub nawet zaprosić siebie) do dyskusji, gdy zbliżają się większe decyzje. Właśnie wtedy aktywnie upewniamy się, że analiza i ich założenia są prawidłowe. Członkowie naszego zespołu wchodzą w skład zespołów produktowych, co zapewnia mierzenie wydajności, prawidłową konfigurację eksperymentów i wpływa na ustalanie priorytetów, plany rozwoju produktów i strategię.

Jako dyrektor ds. Danych & Insight Liczę na naszych analityków produktów wbudowanych i analityków danych, którzy są w bliskim kontakcie z naszymi głównymi interesariuszami każdego dnia i podejmują to, co jest ważne. Ten ostatni argument przemawiający za modelem osadzonym daje nam szybkość i zapewnia, że ​​jesteśmy zaangażowani we właściwych miejscach, zamiast polegać na informacjach przechodzących tylko przez formalne linie raportowania.

Nie potrzebujesz dużego zespołu
Ten post jest oparty na mojej prezentacji zatytułowany „Jak skalowaliśmy wgląd do 400 osób z czterema analitykami i jednym inżynierem danych”. Patrząc na powyższy wykres zespołu, możesz zobaczyć, że to nie jest cała historia. Ale do lutego 2020 r., Kiedy prowadziłem prezentację, mieliśmy tylko czterech analityków, a dwóch z tych czterech rozpoczęło pracę w ciągu ostatnich trzech miesięcy. Oczywiście nasi naukowcy zajmujący się danymi również przez część swojego czasu zajmują się wglądem, ale głównym źródłem spostrzeżeń są nasi analitycy produktów.

Ważne jest, aby analitycy produktów, naukowcy danych i inżynierowie danych pracowali w tej samej dyscyplinie szeroki zespół z ustalonymi celami (stosujemy OKR), wymianę wiedzy, współpracę i rozwój kompetencji. Dane & Insight działają jako zespół. Co dwa tygodnie spotykamy się z zespołami, aby planować i śledzić postępy we wspólnych projektach. Co dwa tygodnie prowadzimy również głębokie sesje nurkowe, podczas których pokazujemy sobie nawzajem naszą pracę, uzyskujemy opinie na temat problemów, które próbujemy rozwiązać, oraz omawiamy metody analityczne i technologię. Wszystko to jest ważne, aby zapewnić pewną centralizację dla wszystkich osób pracujących w Data & Insight.

Chociaż tylko pięć osób było odpowiedzialnych za to wszystko, przez cały czas byli wspierani i zachęcani przez obu pozostałych członków zespołu, natomiast pozostała część & technologii i wgląd konsumentów.

Czekaj na następną część obejmującą infrastrukturę wglądu

Samoobsługowy wgląd nie zależy tylko od wspaniałych ludzi, ale również wymaga dobrej infrastruktury i stosu, który wspiera siebie obsługiwane procesy. To jest temat części drugiej (Ewolucja naszej infrastruktury wglądu). Następnie przedstawiamy nasze przemyślenia na temat sposobu dostosowania i ustanowienia standaryzacji w części trzeciej (Najlepsze praktyki rozwojowe).

W następnej części zajmiemy się szczegółami naszej infrastruktury i narzędzi wglądu

Zapraszam do zapoznania się z innym postem od moich kolegów w Produkt & Techniki tutaj na Medium, takie jak (jak pracujemy z DevSecOps) lub (jak rozwiązaliśmy dopasowanie i wykonanie strategii).

Szukamy także wspaniałych ludzi aby nam pomóc (podwoić nasze możliwości i zespół techniczny (i jeszcze jedno)) i opublikowali nowe pozycje w Data & Zespół Insights.

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *