高效的数据分析工作可以为公司带来巨大的竞争优势，因为业务经理可以获得对市场趋势和客户行为的新见解，否则可能无法了解。
为了充分利用他们的信息资源，企业需要拥有一支强大的分析团队。建立和管理一流的团队需要什么，这些团队应该做些什么工作才能取得成功?
这些并非都是微不足道的问题。在这个高度需要数据驱动的环境中，企业如何建立和管理一支数据分析专家团队，这可能会对未来几年的业务发展产生重大影响。
Zeta Global公司(一家客户生命周期管理营销公司)的首席信息官Jeffry Nimeroff表示，在您组建数据分析团队之前，您需要为这个团队制定任务和章程。
Nimeroff说：“在太多的组织中，数据分析工作嵌入了更为传统和简单的‘报告和分析’概念。在这种情况下，反应性报告通常是占优的，因为总是有另一种方式可提供更有意义的报告，这可能成为一个无限的循环，而数据分析的真实能力将永远不会体现。”
数据团队的成功始于团队成员的多样性
在组建团队时，不要将重点局限于只寻找数据分析专业人才。专家说，多样性人才对于数据分析团队的成功至关重要。
“非常重要的是，团队不仅要吸收具有数据分析能力的人才，还要吸收那些具有商业及人际关系技能的人才，后者可以首先帮助团队构建问题，然后在分析工作结束时有效地将分析结果进行传达，”汤姆•达文波特(Tom Davenport)说道，他是德勤分析公司(Deloitte Analytics)的高级顾问，以及《数据分析竞争法:企业赢之道》一书的作者。
跨国集团美国通用电气公司(GE)很重视其分析团队的多样化技能。公司首席数据官克里斯蒂娜·克拉克(Christina Clark)表示：“当世界级技术技能与扎实的职能领域知识相结合时，数据和分析才是最高效的。”
克拉克说，这可以通过组建一支拥有各种业务背景的团队来实现，团队中既包含IT技能人才，也包含其他技能人才。她说：“我们在开发支持财务功能的创新解决方案方面取得了巨大的进展。支持这一工作的数据团队包括了经验丰富的IT专业人士，还包括财务分析师、前审计师和财务经理。”
对任何分析团队来说，丰富的数据科学知识都是至关重要的，但团队中还应该有统计师、数学专家和机器学习专家，他们了解算法以及清楚这些算法如何应用于数据，(一家技术服务公司)Incedo公司的首席执行官TP Miglani补充说道。
Miglani说：“您也需要技术专家，即数据工程师，他们可以建立管道来获取数据，以完成所有的数据分析工作。同时您还需要业务专家，他们了解您解决难题所处的领域，并清楚该领域的复杂性。例如，如果现在面临的问题是开发数据驱动的药物，那么您的团队需要吸收一些定量药理学家和生物学家。
Miglani说，从技术上讲，数据专家应该是一个可以同时做到这些工作的“独角兽”。“但独角兽并不存在，”他说。“成功的数据科学团队应该包含多样化的人才，每个人都带来了团队所需要的这些技能。”
变更管理和IT价值
达文波特(Davenport)说，如果数据分析项目涉及规范性或运营性分析(例如，如果分析结果将与业务流程或一些工作紧密相关)，那么还需要有人来管理变更流程。他说：“联合包裹服务公司(UPS)的猎户座项目(ORION)导致了司机行驶路线产生巨大变化，他们投入了大量的时间和精力来变更管理。”
鉴于分析团队将严重依赖于像大型数据工具等技术基础设施，让IT部门在某种程度上代表分析团队，这也很重要。达文波特说：“即使分析团队没有向IT部门汇报工作，通常情况下，让分析团队中表现出一些IT职能，这也是个好主意。”
利用数据和工具，注重经验
Nimeroff说，分析团队中的任何人都应该有很多的角色经验。
他说：“数据分析工作既是一门艺术，也是一门科学，有更多经验的人可以比新手更能以创新和有效的方式利用工具。我还发现，新手依靠工具来完成繁重的工作，他们可能擅长或可能完全不擅长独立做这些工作。另一方面，我还遇到过优秀的数据专家，他们都是手工完成一切工作。他们不会提升或帮助团队加速推进工作。寻找那些可以不用工具进行工作，但能够理解和接受现代工具价值的人才，这是我所看重的。”
外部专家和嵌入式团队
许多公司求助于外部专家来帮助开展分析项目。没关系，但一定要确保项目的工作实际上能够满足组织的需求，这很重要。
达文波特说：“如果团队中有一些成员是外包人员，那么要确保每个项目至少有一名内部员工，他们有助于确保分析结果能够得到采纳。”
尽可能让分析团队成为正在进行的分析业务的正式成员，或至少在项目实施期间嵌入其中。达文波特表示，日用消费品公司--宝洁公司过去就是通过“嵌入式”分析师来完成这一工作，但现在他们会向相关业务职能部门负责人汇报。
“无情的优先排序”
一旦你的团队已组建完成，接下来的工作就是找到一个运作模式，让每个人都能正常工作，Nimeroff说。
“公司正变得越来越灵活(类似于软件敏捷式开发)，寻找一种对工作进行优先排序的方法，将需要完成的工作分解成可操作的单元，为每项工作内容制定具体的成功标准，并为持续的沟通提供框架，这往往就是成败之间的差别，”他说。
此外，如果团队能够证明其所做工作的商业价值，那么它将更有可能取得成功，Miglani说。
Miglani说：“与提出数据科学建议的利益相关者和消费者进行接触，这有助于展示团队工作的价值，并且可以更深入地了解团队应该关注的关键痛点。尽早分享工作成果，构建组织结构，在该组织结构中的数据科学目标要与业务部门的目标保持一致，这是创造价值的好方法。”
美国通用电气公司通过分析工作来实行“无情的优先排序”。克拉克说：“致力于明确界定业务优先级将使数据和分析团队取得最大的成功。当团队能够在目标领域发挥作用时，他们更有可能保持积极性，激发业务合作伙伴进行参与。”
该公司已经看到其航空业务中“数字联盟(Digital League)”所取得的显著生产力成果，在这一业务领域组建跨职能团队来确定工作优先级，然后在两周内提出他们的见解。
注重实验与创新
在团队中保持实验心态也很重要。
Miglani 说，“这些项目的商业案例并不简单，你必须向未知领域走进一步。不同于在开始时就设想一个明确范围的技术项目，数据科学项目是以一个和一组需要测试的假设和问题开始的。这些项目没有明确的前后处理流程图，而数据科学的新团队需要理解并适应这种情况。”
按照这些方式，应该有创新的渠道，克拉克说。她说：“这个领域有很多新兴技术。员工们想知道他们有时间和资金来继续发展自己的技能，并尝试新的方法。我们利用‘全球数字中心’，在自主组织团队中孵化新技术和试点工作，创新气氛使团队保持积极性。”
与一般科学和学习过程一样，好奇心也是数据分析的关键要素。一家餐饮和零售商奖励计划服务提供商--Paytronix Systems公司的数据专家和分析团队负责人斯图亚特·威尔逊(Stuart Wilson)表示：“拥有好奇心的人想要继续自己的分析工作，而不管客户是否要求这样做。”
威尔逊说：“我们的一名分析师决定检验在六个月前进行的一次市场营销活动的数据。正因为如此，我们能够发现此次活动的一个意想不到的结果，否则我们将没有收获。”
另一个好的做法是学会提问并解决正确的业务问题。
“每个数据科学项目都应该从咨询工作开始，即了解“项目内容”和“原因”，Miglani说。“此外，任何分析工作的目的不是为了实施某个工具或平台。其目的应该始终是为了获得正确的业务成果而设计的，要做到这一点需要问正确的问题。”
数据是成功的基础
如果组织创建了“数据基础”，那么数据分析团队就更有可能取得工作成功，克拉克说。她说：“数据领域的技术专家希望看到从组织到数据基础的真正承诺的工作。在我们的财务部门，开展了一个协作计划，以在两年内简化流程和提高数据质量及访问能力。我们已经看到员工生产力得以提高，技术成本降低，以及拥有数字技能员工群体扩大。”
保证高质量的数据应是任何数据基础的基石。
“对您数据的了解和管理是成功的关键，”威尔逊说。“您的分析工作只能与您的数据一样准确。当我们通过自己的分析工作而取得成功时，我们经常被要求将此分析工作制作成报告或表格，这样业务用户可以每天使用这些分析结果。如果您的数据流程不可靠或您的数据不完整，那么您的分析结果将会有缺陷，而且由此采取的任何举措都将是错误的。”
不断地训练
Nimeroff说，在快速变化发展的分析领域、持续教育和个人发展方面保持优势，这对于管理一个充满活力和成功的团队至关重要。“数据分析是发展最快的领域之一，尽管前沿技术不适用于所有情况或所有组织，但并不意味着与时俱进不重要，”他说。
Paytronix公司很注重对分析人员的持续培训，以及对分析结果的沟通能力。
威尔逊说：“您的团队需要了解您数据的更多细节，了解统计偏差会使分析工作可能出错，并了解如何有效地提取数据，然后传达可行的分析结果。”
“我经常告诉我的团队，如果没有清楚理解分析工作而开始工作，那么世界上最好的分析也将是浪费，”威尔逊说。“为此，在解决问题时要牢记目标：商业用户将如何根据这些信息改变其行为?这应该有助于您调整分析方法并关注您给出的结论。”
版权声明：本文为企业网D1Net编译，转载需注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。
京公网安备 11010502049343号