Quatro blocos de construção para insights de dimensionamento – Parte 1: O modelo incorporado

(Nina Walberg) (4 de junho de 2020)

Desde o início em 2013, as decisões orientadas por insights fazem parte da cultura de Kolonial.no. No entanto, isso se tornou mais desafiador à medida que a empresa cresceu e se tornou a líder no varejo de alimentos on-line na Noruega, com mais de 400 funcionários e uma receita anual que ultrapassou 1 bilhão de NOK em 2019.

Simplesmente entregando insight apenas mediante solicitação não escala e também não é a maneira que gostaríamos de trabalhar. Com uma demanda crescente por insight, mudamos a função da equipe Data & Insight de provedores de dados para facilitadores de insight – possibilitando que nossos colegas trabalhem independentemente com dados e análises . (Dito isso, ainda fazemos análises ad hoc quando isso requer nosso conjunto de habilidades especiais).

Nossa transformação de uma solicitação baseada em uma equipe de insight autônoma

Nos últimos seis meses, tornamos nossos tomadores de decisão autônomos com base em insight escalar com a necessidade crescente de insights sem recrutar um monte de analistas. Esta é a primeira parte de uma série de postagens que descrevem como abordamos esse desafio.

Percebendo o potencial dos dados

A missão dos dados & A equipe do Insight deve realizar o potencial dos dados. Data Science é aplicada para melhorar o produto do usuário final, exemplos incluem recomendações de produtos e experiências de compra personalizadas. Os produtos de dados também são importantes para melhorar o desempenho de nossa operação e distribuição por meio da automação, um excelente exemplo sendo a otimização de rotas. Também percebemos o potencial dos dados por meio de nossos colegas, onde nosso objetivo é que eles causem o maior impacto possível com suas decisões.

O potencial dos dados é realizado à medida que as pessoas e, na maioria dos casos, a tecnologia os interpreta e transforma em percepções ou em um processo automatizado. Trabalhamos para aumentar o uso de tecnologia de dados em processos adequados para aumentar a criação de valor.

As entregas da equipe são, portanto, duas:

  • Entrega de produtos de dados para melhorar a experiência do cliente e a operação
  • Ser uma função de suporte para tomadores de decisão em todos os níveis em Kolonial. não

O modo como trabalhamos para criar produtos de dados e usar o poder dos algoritmos de dados não é abordado neste artigo, pois o foco principal é como criamos impacto com insights próprios .

Nesta postagem, apresentaremos os quatro blocos de construção e os fundamentos para a nossa transformação do papel da equipe do Data & Insight e as ferramentas que usamos para alcançar este. O primeiro bloco de construção, nosso modelo organizacional integrado, também será abordado aqui. Os três blocos a seguir serão descritos com mais detalhes em postagens dedicadas a serem publicadas em breve.

Nossos quatro blocos de construção para dimensionar insights e tornar-se autônomo

1: Organização incorporada

Recrutar o tipo certo de pessoas
O tipo certo de pessoas e a organização delas é o primeiro passo. Projetamos um processo de recrutamento com um conjunto de dados que são os mais objetivos possíveis para poder comparar os candidatos de forma justa e garantir que eles tenham a competência certa. Testamos sua compreensão de negócios, suas habilidades analíticas de resolução de problemas e sua habilidade técnica para trabalhar com dados. Embora a força desses três recursos seja avaliada de forma um pouco diferente entre nossos analistas de produto, cientistas de dados e engenheiros de dados, todos eles podem trabalhar em nossa pilha de insights e resolver problemas de ponta a ponta de forma independente. É claro que também nos certificamos de que suas qualidades pessoais sejam adequadas para suas tarefas e que sejam adequadas para nossa cultura. Finalmente, e igualmente importante – usamos muito tempo para garantir que somos uma boa combinação para o candidato, para que ele possa crescer bem na empresa.

É importante mencionar isso, pois queremos nossos tomadores de decisão para fazer o máximo possível, o papel do analista é provavelmente mais técnico e, ao mesmo tempo, mais focado em capacitar os outros do que nas equipes analíticas tradicionais. Isso significa que todos são fluentes em SQL, podem implementar transformações de dados e gostam de ajudar os outros, ensinando-os e orientando-os a fazerem análises sozinhos e usando-os da maneira certa. Quando eles criam painéis e fazem análises ad hoc, geralmente é a coisa mais complicada.

O modelo incorporado
Quando você tem as pessoas certas com o conjunto certo de habilidades, é importante dar-lhes as melhores condições para criar o máximo valor possível. Muitas pessoas escreveram muito sobre diferentes formas de estruturar a análise (este artigo resume o tópico muito bem). Eu vi e experimentei alguns deles e acredito fortemente que o modelo incorporado é o melhor para nossas necessidades. A maioria de nossos analistas de produto e cientista de dados está integrada em nossas equipes multifuncionais de produto, juntamente com produto, UX e desenvolvedores, e trabalhando em um subconjunto do negócio. Em nosso caso, é assim:

Dados & O Insight cresceu substancialmente no ano passado. Aqui você pode ver todas as pessoas em junho de 2020 em Data & Insight e como usamos o modelo incorporado. Quando o trabalho descrito neste artigo foi feito, a equipe era muito menor.

Os principais prós desta forma de trabalho são o domínio a especialização que alcançamos, algo que é muito importante para nós com uma gama tão ampla de problemas que estamos trabalhando para resolver. Também estamos próximos de todas as unidades de negócios e podemos ser convidados (ou até mesmo nos convidar) para discussões quando decisões maiores estiverem prestes a ser tomadas. É quando nos certificamos ativamente de que a análise e seus pressupostos sejam sólidos. Os membros da nossa equipe fazem parte das equipes de produto, garantindo que o desempenho seja medido, os experimentos sejam configurados corretamente e afetem a priorização, os roteiros de produtos e a estratégia.

Como diretor de dados & Insight Eu dependo de nossos analistas de produtos incorporados e cientistas de dados para estar em contato próximo com nossos principais interessados ​​no dia a dia e pegar o que é importante. Esse argumento final para o modelo incorporado nos dá velocidade e garante que estejamos envolvidos nos lugares certos, em vez de depender de informações que passam apenas por linhas de relatórios formais.

Você não precisa de uma grande equipe
Esta postagem é baseada em uma apresentação que fiz chamado “Como escalamos o insight para 400 pessoas com quatro analistas e um engenheiro de dados”. Olhando para o gráfico da equipe acima, você pode ver que esta não é toda a história. Mas até fevereiro de 2020, quando fiz a apresentação, tínhamos apenas quatro analistas, e dois desses quatro começaram nos últimos três meses. É claro que nossos cientistas de dados também trabalham com insights parte de seu tempo, mas nosso principal contribuidor para insights são nossos analistas de produto.

É importante ter analistas de produto, cientistas de dados e engenheiros de dados reunidos na mesma disciplina equipe ampla com objetivos alinhados (usamos OKRs), troca de conhecimento, cooperação e desenvolvimento de competências. Os dados & Insight atuam como uma equipe. Temos reuniões de equipe quinzenais para planejar e acompanhar o progresso de projetos comuns. Também temos sessões de mergulho profundas quinzenais, nas quais mostramos nosso trabalho uns aos outros, obtemos sugestões sobre os problemas que estamos tentando resolver e discutimos métodos analíticos e tecnologia. Tudo isso é importante para haver alguma centralização para todas as pessoas que trabalham no Data & Insight.

Embora apenas cinco pessoas estivessem encarregadas de fazer tudo isso, elas sempre foram apoiadas e incentivadas pelos outros membros da equipe, o resto da tecnologia & do produto e a consumidores do insight.

Fique atento para a próxima parte que aborda a infraestrutura do insight

O insight autônomo não depende apenas de ótimas pessoas, mas também requer uma boa infraestrutura e uma pilha que o sustente processos atendidos. Esse é o tópico da parte dois, (A evolução de nossa infraestrutura de insight). Em seguida, segue com nossas reflexões sobre como alinhamos e estabelecemos a padronização na parte três, (Melhores práticas de desenvolvimento).

A próxima parte entrará em detalhes sobre nossa infraestrutura e ferramentas de insight

Sinta-se à vontade para verificar outra postagem de meus colegas no Produto & Tecnologia aqui no Medium, como (como trabalhamos com DevSecOps) ou (como resolvemos o alinhamento e a execução da estratégia).

Também estamos procurando ótimas pessoas para nos ajudar (dobrar nossa capacidade e equipe de tecnologia (e mais uma coisa)) e postar novas posições nos dados & Equipe do Insights.

Deixe uma resposta

O seu endereço de email não será publicado. Campos obrigatórios marcados com *