Vier Bausteine ​​zum Skalieren von Erkenntnissen – Teil 1: Das eingebettete Modell

(Nina Walberg) (4. Juni 2020)

Von Anfang an waren einsichtsorientierte Entscheidungen Teil der Kultur von Kolonial.no. Dies ist jedoch schwieriger geworden, da sich das Unternehmen zum führenden Online-Lebensmitteleinzelhändler in Norwegen mit mehr als 400 Mitarbeitern und einem Jahresumsatz von über 1 Milliarde NOK im Jahr 2019 entwickelt hat.

Einfach nur auf Anfrage Einblicke gewähren skaliert nicht und ist auch nicht die Art und Weise, wie wir arbeiten möchten. Mit der wachsenden Nachfrage nach Erkenntnissen haben wir die Rolle des Data & Insight-Teams von Datenanbietern zu Insight Enablern geändert, sodass unsere Kollegen unabhängig mit Daten und Analysen arbeiten können . (Abgesehen davon führen wir immer noch Ad-hoc-Analysen durch, wenn dies unsere besonderen Fähigkeiten erfordert.)

Unsere Transformation von einer Anfrage basierend auf einem Self-Served-Insight-Team

In den letzten sechs Monaten haben wir unsere Entscheidungsträger dazu gebracht, sich selbst auf Insight zu verlassen, und waren in der Lage mit dem wachsenden Bedarf an Erkenntnissen zu skalieren, ohne eine Reihe von Analysten zu rekrutieren. Dies ist der erste Teil einer Reihe von Beiträgen, in denen beschrieben wird, wie wir diese Herausforderung angegangen sind.

Das Potenzial von Daten erkennen

Die Mission der Daten & Das Insight-Team soll das Potenzial von Daten erkennen. Data Science wird angewendet, um das Endbenutzerprodukt zu verbessern. Beispiele hierfür sind Produktempfehlungen und personalisierte Einkaufserlebnisse. Datenprodukte sind auch wichtig, um die Leistung unseres Betriebs und unserer Verteilung durch Automatisierung zu verbessern. Ein hervorragendes Beispiel ist die Routenoptimierung. Wir erkennen das Potenzial von Daten auch durch unsere Kollegen, bei denen es unser Ziel ist, dass sie bei ihren Entscheidungen so viel Einfluss wie möglich haben.

Das Potenzial von Daten wird als Menschen erkannt und in den meisten Fällen durch Technologie interpretiert und in Erkenntnisse oder einen automatisierten Prozess umgewandelt. Wir arbeiten daran, den Einsatz von Technologie für Daten in geeigneten Prozessen zu erhöhen, um die Wertschöpfung zu steigern.

Die Lieferungen des Teams sind daher zweifach:

  • Bereitstellung von Datenprodukten zur Verbesserung des Kundenerlebnisses und des Betriebs
  • Seien Sie eine Unterstützungsfunktion für Entscheidungsträger auf allen Ebenen in Kolonial. nein

Wie wir Datenprodukte erstellen und die Leistungsfähigkeit von Datenalgorithmen nutzen, wird in diesem Artikel nicht behandelt, da der Schwerpunkt darauf liegt, wie wir mit eigennützigen Erkenntnissen Wirkung erzielen

In diesem Beitrag werden wir die vier Bausteine ​​und die Gründe für unsere Transformation der Rolle des Data & Insight-Teams und der Tools, mit denen wir dies erreichen, vorstellen Das. Der erste Baustein, unser eingebettetes Organisationsmodell, wird hier ebenfalls behandelt. Die folgenden drei Blöcke werden dann in speziellen Beiträgen, die in Kürze veröffentlicht werden, ausführlicher beschrieben.

Unsere vier Bausteine, um Erkenntnisse zu skalieren und sich selbst zu bedienen

1: Eingebettete Organisation

Rekrutierung der richtigen Art von Menschen
Die richtige Art von Menschen und deren Organisation ist der erste Schritt. Wir haben einen Rekrutierungsprozess mit einer Reihe von Datenpunkten entworfen, die so objektiv wie möglich sind, um Kandidaten fair vergleichen und sicherstellen zu können, dass sie über die richtige Kompetenz verfügen. Wir testen ihr Geschäftsverständnis, ihre analytischen Fähigkeiten zur Problemlösung und ihre technische Fähigkeit, mit Daten zu arbeiten. Obwohl die Stärke dieser drei Funktionen zwischen unseren Produktanalysten, Datenwissenschaftlern und Dateningenieuren etwas unterschiedlich gewichtet ist, können sie alle über unseren Insight-Stack hinweg arbeiten und Probleme unabhängig voneinander lösen. Wir stellen natürlich auch sicher, dass ihre persönlichen Qualitäten für ihre Aufgaben gut geeignet sind und dass sie gut zu unserer Kultur passen. Schließlich und ebenso wichtig: Wir verwenden viel Zeit, um sicherzustellen, dass wir gut zu den Kandidaten passen, damit sie im Unternehmen gut wachsen können.

Erwähnenswert ist dies, da wir unsere Entscheidungsträger wollen Um so viel wie möglich selbst zu tun, ist die Rolle des Analysten wahrscheinlich sowohl technischer als auch gleichzeitig stärker darauf ausgerichtet, andere zu befähigen als in herkömmlichen Analyseteams. Dies bedeutet, dass sie alle fließend SQL beherrschen, Datentransformationen implementieren können und anderen gerne helfen möchten, indem sie sie darin unterrichten und betreuen, selbst Analysen durchzuführen und sie richtig zu verwenden. Wenn sie Dashboards erstellen und Ad-hoc-Analysen durchführen, ist dies normalerweise schwieriger.

Das eingebettete Modell
Wenn Sie die richtigen Personen mit den richtigen Fähigkeiten haben, ist dies der Fall wichtig, um ihnen die besten Bedingungen zu geben, um so viel Wert wie möglich zu schaffen. Viele Leute haben viel über verschiedene Arten der Strukturierung von Analysen geschrieben (dieser Artikel fasst das Thema recht gut zusammen). Ich habe einige davon gesehen und ausprobiert und bin fest davon überzeugt, dass das eingebettete Modell das Beste für unsere Bedürfnisse ist. Die meisten unserer Produktanalysten und Datenwissenschaftler sind zusammen mit Produkt, UX und Entwicklern in unsere funktionsübergreifenden Produktteams eingebettet und arbeiten auf eine Teilmenge des Geschäfts hin. In unserem Fall sieht es so aus:

Daten & Insight ist im letzten Jahr erheblich gewachsen. Hier sehen Sie alle Personen ab Juni 2020 in Data & Insight und wie wir das eingebettete Modell verwenden. Als die in diesem Artikel beschriebenen Arbeiten durchgeführt wurden, war das Team viel kleiner.

Die Hauptprofis für diese Arbeitsweise sind die Domänen Wir erreichen eine Spezialisierung, die für uns bei einer Vielzahl von Problemen, an deren Lösung wir arbeiten, sehr wichtig ist. Wir sind auch nah an allen Geschäftsbereichen und können zu Diskussionen eingeladen werden (oder uns selbst einladen), wenn größere Entscheidungen getroffen werden sollen. Dann stellen wir aktiv sicher, dass die Analyse und ihre Annahmen solide sind. Unsere Teammitglieder sind Teil der Produktteams und stellen sicher, dass die Leistung gemessen wird, die Experimente korrekt eingerichtet werden und sich auf die Priorisierung, Produkt-Roadmaps und die Strategie auswirken.

Als Director for Data & Einblick Ich bin darauf angewiesen, dass unsere Analysten für eingebettete Produkte und Datenwissenschaftler von Tag zu Tag in engem Kontakt mit unseren Hauptakteuren stehen und das Wichtige aufgreifen. Dieses letzte Argument für das eingebettete Modell gibt uns Geschwindigkeit und stellt sicher, dass wir an den richtigen Stellen involviert sind, anstatt uns auf Informationen zu verlassen, die nur formelle Berichtslinien durchlaufen.

Sie brauchen kein großes Team
Dieser Beitrag basiert auf einer Präsentation, die ich gemacht habe genannt „Wie wir den Einblick auf 400 Personen mit vier Analysten und einem Dateningenieur skalierten“. Wenn Sie sich das Teamdiagramm oben ansehen, können Sie sehen, dass dies nicht die ganze Geschichte ist. Bis Februar 2020, als ich die Präsentation abhielt, hatten wir nur vier Analysten, und zwei dieser vier haben innerhalb der letzten drei Monate begonnen. Natürlich arbeiten unsere Datenwissenschaftler auch einen Teil ihrer Zeit mit Erkenntnissen, aber unser Hauptbeitrag zu Erkenntnissen sind unsere Produktanalysten.

Es ist jedoch wichtig, dass Produktanalysten, Datenwissenschaftler und Dateningenieure in derselben Disziplin versammelt sind breites Team mit ausgerichteten Zielen (wir verwenden OKRs), Wissensaustausch, Zusammenarbeit und Kompetenzentwicklung. Daten & Insight fungieren als Team. Wir haben zweiwöchentliche Teambesprechungen, um Fortschritte bei gemeinsamen Projekten zu planen und zu verfolgen. Wir haben auch zweiwöchentliche Tiefen-Tauchgänge, in denen wir uns gegenseitig unsere Arbeit zeigen, Beiträge zu Problemen erhalten, die wir zu lösen versuchen, und analytische Methoden und Technologien diskutieren. All dies ist wichtig, um eine Zentralisierung für alle Personen zu gewährleisten, die in Data & Insight arbeiten.

Während nur fünf Personen für all dies verantwortlich waren, wurden sie von den beiden anderen Teammitgliedern, dem Rest des Produkts & tech und dem Insight-Konsumenten.

Seien Sie gespannt auf den nächsten Teil, der die Insight-Infrastruktur behandelt.

Self-Served-Insight hängt nicht nur von großartigen Menschen ab, sondern erfordert auch eine gute Infrastruktur und einen Stack, der sich selbst unterstützt bediente Prozesse. Das ist das Thema des zweiten Teils (Die Entwicklung unserer Insight-Infrastruktur). Anschließend werden in Teil 3 (Best Development Practices) darüber nachgedacht, wie wir die Standardisierung ausrichten und etablieren.

Der nächste Teil wird detailliert auf unsere Insight-Infrastruktur und -Tools eingehen.

Sie können sich auch andere Beiträge meiner Kollegen in Product & Tech hier auf Medium wie (wie wir mit DevSecOps arbeiten) oder (wie wir Ausrichtung und Ausführung auf Strategie gelöst haben).

Wir suchen auch großartige Leute um uns zu helfen (doppelte Kapazität und technisches Team (und noch etwas)) und neue Positionen in den Daten & Insights-Team.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.