Fyra byggstenar för skalning av insikter – Del 1: Den inbäddade modellen

(Nina Walberg) (4 juni 2020)

Från och med början 2013 har insiktsstyrda beslut varit en del av Kolonial.nos kultur. Detta har dock blivit mer utmanande eftersom företaget har vuxit till att bli den ledande livsmedelsbutiken online i Norge med mer än 400 anställda och en årlig intäkt som passerade 1 miljard norska kronor 2019.

Helt enkelt leverera insikt på begäran bara skala inte, och är inte heller det sätt vi skulle vilja arbeta på. Med en växande efterfrågan på insikt har vi ändrat rollen som Data & Insight-teamet från att vara dataleverantörer till insiktsaktiviteter – vilket gör det möjligt för våra kollegor att självständigt arbeta med data och analys. . (Med detta sagt gör vi fortfarande ad hoc-analys när det kräver vår speciella kompetensuppsättning).

Vår omvandling från en begäran baserad på självbetjänad insiktsteam

Under de senaste sex månaderna har vi gjort våra beslutsfattare självbetjänade med insikt och kunnat att skala med det växande behovet av insikter utan att rekrytera en massa analytiker. Detta är den första delen i en serie inlägg som beskriver hur vi har angripit denna utmaning.

Förverkligande av potentialen i data

Uppgiften för Data & Insight-teamet är att förverkliga potentialen i data. Datavetenskap används för att förbättra slutanvändarprodukten, exempel inkluderar produktrekommendationer och personliga shoppingupplevelser. Dataprodukter är också viktiga för att förbättra prestanda för vår drift och distribution genom automatisering, ett utmärkt exempel är ruttoptimering. Vi inser också potentialen i data genom våra kollegor där vårt mål är att de ska få så stor påverkan som möjligt med sina beslut.

Potentialen i data realiseras som människor och i de flesta fall tolkar tekniken och förvandlar den till insikter eller en automatiserad process. Vi arbetar för att öka användningen av teknik på data i lämpliga processer för att öka värdeskapandet.

Teamets leveranser är därför dubbla:

  • Leverera dataprodukter för att förbättra kundupplevelsen och driften
  • Var en supportfunktion för beslutsfattare på alla nivåer i Kolonial. nej

Hur vi arbetar för att skapa dataprodukter och använda kraften i datalgoritmer beskrivs inte i denna artikel eftersom huvudfokus ligger på hur vi skapar effekt med självbetjäna insikter .

I det här inlägget kommer vi att presentera de fyra byggstenarna och det rationella för vår transformation av rollen för Data & Insight-teamet och de verktyg vi använder för att uppnå den där. Den första byggstenen, vår inbäddade organisationsmodell, kommer också att behandlas här. Följande tre block kommer sedan att beskrivas mer detaljerat i dedikerade inlägg som snart kommer att publiceras.

Våra fyra byggstenar för att skala insikter och bli självbetjänade

1: Inbäddad organisation

Rekrytera rätt typ av människor
Rätt typ av människor och organisationen av dem är det första steget. Vi har utformat en rekryteringsprocess med en uppsättning datapunkter som är så objektiva som möjligt för att kunna jämföra kandidater rättvist och se till att de har rätt kompetens. Vi testar deras affärsförståelse, deras analytiska färdigheter och deras tekniska förmåga att arbeta med data. Även om styrkan i dessa tre funktioner vägs lite annorlunda mellan våra produktanalytiker, dataforskare och dataingenjörer, kan de alla arbeta över vår insiktsstack och lösa problem från slut till slut oberoende. Vi ser naturligtvis också till att deras personliga egenskaper är väl lämpade för sina uppgifter och att de passar bra för vår kultur. Slutligen, och lika viktigt – vi använder mycket tid på att se till att vi är en bra matchning för kandidaten så att de kan växa bra i företaget.

Det är värt att nämna det som vi vill att våra beslutsfattare för att göra så mycket som möjligt själva är rollen som analytiker förmodligen både mer teknisk och samtidigt mer fokuserad på att möjliggöra andra än i traditionella analytiska team. Det betyder att de alla är flytande i SQL, kan implementera datatransformationer och gillar att hjälpa andra genom att lära och mentorera dem att göra analyser själva och använda dem på rätt sätt. När de bygger instrumentpaneler och gör ad hoc-analys är det vanligtvis de mer knepiga grejerna.

Den inbäddade modellen
När du har rätt personer med rätt skicklighet är det viktigt att ge dem de bästa förutsättningarna för att skapa så mycket värde som möjligt. Många har skrivit mycket om olika sätt att strukturera analyser (denna artikel sammanfattar ämnet ganska bra). Jag har sett och provat ett par av dem och tror starkt att den inbäddade modellen är bäst för våra behov. De flesta av våra produktanalytiker och datavetare är inbäddade i våra tvärfunktionella produktteam tillsammans med produkt, UX och utvecklare och arbetar mot en delmängd av verksamheten. I vårt fall ser det ut så här:

Data & Insikt har vuxit kraftigt det senaste året. Här kan du se alla människor från och med juni 2020 i Data & Insikt och hur vi använder den inbäddade modellen. När det arbete som beskrivs i den här artikeln gjordes var teamet mycket mindre.

De viktigaste proffsen för detta sätt att arbeta är domänen specialisering vi uppnår, något som är ganska viktigt för oss med så många problem vi arbetar för att lösa. Vi är också nära alla affärsenheter och kan bjudas in (eller till och med bjuda in oss själva) till diskussioner när större beslut håller på att tas. Det är då vi aktivt ser till att analyser och deras antaganden är sunda. Våra teammedlemmar är en del av produktteamen och ser till att prestanda mäts, experiment är korrekt inställda och de påverkar prioritering, produktkartor och strategi.

Som direktör för data & Insikt Jag är beroende av att våra inbäddade produktanalytiker och datavetare är i nära kontakt med våra viktigaste intressenter från dag till dag och tar upp det som är viktigt. Det sista argumentet för den inbäddade modellen ger oss snabbhet och ser till att vi är involverade på rätt ställen istället för att förlita oss på att information bara passerar formella rapporteringslinjer.

Du behöver inte ett stort team
Detta inlägg är baserat på en presentation jag gjorde kallas ”Hur vi skalade insikt till 400 personer med fyra analytiker och en dataingenjör”. Genom att titta på lagdiagrammet ovan kan du se att detta inte är helt hela historien. Men fram till februari 2020, när jag höll presentationen, hade vi bara fyra analytiker, och två av dessa fyra startade under de senaste tre månaderna. Naturligtvis arbetar våra dataforskare också med insikt en del av sin tid, men vår främsta bidragsgivare till insikter är våra produktanalytiker.

Det är dock viktigt att ha produktanalytiker, datavetare och dataingenjörer samlade i samma disciplin. brett team med anpassade mål (vi använder OKR), kunskapsutbyte, samarbete och kompetensutveckling. Data & Insikt fungerar som ett team. Vi har två veckors teammöten för att planera och följa framstegen i gemensamma projekt. Vi har också djupdykningssessioner varannan vecka där vi visar vårt arbete för varandra, får input om problem vi försöker lösa och diskuterar analytiska metoder och teknik. Allt detta är viktigt för att ha en viss centralisering för alla människor som arbetar i Data & Insikt.

Medan bara fem personer var ansvariga för att göra allt detta, fick de hela tiden stöd och uppmuntras av båda andra lagmedlemmar, resten av produkten & tech och insiktskonsumenter.

Håll dig uppdaterad om nästa del som täcker insiktsinfrastruktur

Självbetjänad insikt är inte bara beroende av fantastiska människor, det kräver också en bra infrastruktur och en stack som stöder sig själv serverade processer. Det är ämnet i del två, (Utvecklingen av vår insiktsinfrastruktur). Det följs sedan med våra tankar om hur vi anpassar och etablerar standardisering i del tre, (Bästa utvecklingsmetoder).

Nästa del kommer att gå i detalj i vår insiktsinfrastruktur och verktyg

Kolla gärna in andra inlägg från mina kollegor i Produkt & Tech här på Medium som (hur vi arbetar med DevSecOps) eller (hur vi har löst inriktning och körning på strategi).

Vi letar också efter fantastiska människor för att hjälpa oss (fördubbla vårt kapacitet och vårt teknologiteam (och en sak till)) och har lagt upp nya positioner i Data & Insights team.

Lämna ett svar

Din e-postadress kommer inte publiceras. Obligatoriska fält är märkta *