如何组建一支优秀的数据分析团队？

过去三十年,许多公司增设新的管理层以应对变幻莫测的商业环境。上世纪80年代中期,对于多数公司而言,首席财务官还是个陌生的职位。然而,伴随着价值管理以及企业与投资人关系日趋透明,越来越多的公司有了首席财务官。随着品牌建设与客户管理对公司的重要性与日俱增,首席市场官就变得越来越重要,此外,还有不少公司设置了首席战略官,帮助公司应对来自市场的挑战。

现在,数据分析的力量正深刻影响着商业格局。抓住数据发展带来的机遇,增加利润,提升生产力甚至打造全新的业务单元,成为了企业的新需求——这不仅需要信息基础设施领域的人才与投资,也需要变革思想观念,组织一线培训,提高团队的执行力。若没有强大的执行力,要充分驾驭数据分析的巨大浪潮将格外困难。

大数据对公司的影响非常广泛,涉及市场营销、风险、运营等,高级管理层能够以不同的方式参与其中。某些情况下,可以将任务委托给首席信息官、首席市场官、首席战略官等。其他公司或许需要新的角色,如首席数据官、首席技术官或者首席分析师等,来组建一流的数据分析中心团队。

数据分析团队的六大任务

制定并实施一项大数据与先进分析战略,需要的不仅仅是将数据提供给外部服务提供商进行数据挖掘,而是让公司以经营日常业务的方式应对转变。变幻莫测的环境对高管团队提出严格要求。经验丰富的高管具有不可替代性,他们能够将理论应用于实际,引导企业渡过难关,作出艰难的权衡,在决策出现分歧时表明权威立场。新的数据分析文化,将成为企业领导力的新焦点,这是必然的发展趋势。经验表明,数据分析团队的需要完成六项任务。在分配任务与增设新职时,企业领导人需要充分评估这六大任务。

1.创新思维

已经着手创新思维,革新观念的高级团队需要获取数据分析知识,以此了解大数据的作用。同时,他们也需要接受数据已然成为业务核心这一事实。只有公司高层管理人员的思维与观念发生转变后,持久的行为变化才能辐射整个公司。初期阶段,非常重要的一个问题在于“数据分析怎么样才能帮助企业实现跨越式发展”这种发展通常发生在企业每一个重要的业务与职能部门中,由具有影响力的高级主管所领导。

一家大型运输公司的领导人要求其首席战略官负责数据分析。为了在公司高管中传播新的思想与知识,该首席战略官安排了高管们访问一些具有数据头脑的大公司。随后,他要求每个业务部门将数据分析作为明年战略规划的重点之一。这一做法非常成功。一方面,大数据融入了各部门的战略目标中;另一方面,其鼓励各部门的管理人员关注大数据。不久之后,他们便开始分享各自的想法并不断探索新的分析机遇——这一切给该公司注入了新的活力。

2.制定数据分析策略

与其他新兴商业机遇相同,数据分析潜力仍未得到充分发掘,原因在于缺少清晰的战略、计划与标准。许多公司在该领域受挫,有些是因为没有设置高管明确负责数据分析或者制定相关规划;还有则是因为没有开展充分的讨论或者投入必要时间分清楚大数据分析的轻重缓急。

一家电信通讯公司的首席执行官致力于发展数据分析,尤其是利用数据分析优化客户关系与定价。尽管该公司聘用了一名高级分析人员,但很快发展陷入了停滞。诚然,分析团队付出了努力,深入探索模型与分析技术。但企业部门的同事没有及时培训其中级管理人员,如何使用这些模型:他们尚未了解这些分析与模型的潜力,因为这些并不是其战略重点。

正如之前谈到的,要充分实现数据分析的潜力需要制定清晰的计划。计划需要划分重点并明确路径以实现预计的经营业绩,这与战略规划的流程相似。制定这样的计划需要团队的支持。

在一家北美公司,首席执行官要求在线数字运营负责人(他具备丰富的数据知识)制定企业发展战略。首席执行官同时要求,该负责人在制定发展战略时必须与其他不熟悉大数据的业务部门负责人合作。这项合作——将数据与分析技术专家和经验丰富的前线运营者结合起来——保证了计划中列举的分析目标关注实际、具有影响力的商业决策。此外,在高管互相分享彼此进程后,这种协作模式成为了其他业务部门规划实践的蓝图。

另外一些重要决策,也需要有权威、有经验的高级领导人负责,这些决策涉及数据集成,搭建高级分析模型与工具以改善运营状况,由此就提出了巨大的资源需求。现在,越来越多的外部供应商有能力提供核心数据、模型与工具。因此,企业需要高管的经验来权衡究竟是“独立开发还是购买服务”是否需要内部独立开发这些模型与分析工具,并彻底拥有这些自定的分析技术的知识产权以此满足迫在眉睫的开发战略需求与预期运营提升或者规模扩张至关重要,以至于借用外部供应商的经验与人力是不是更为明智的选择创建强大的数据资产也需要高级领导的参与。限制关键外部数据的访问需要就企业与客户、供应商或其他价值链上的第三方建立高级伙伴关系。

不同零售商选择了完全不同的道路,这让企业领导人了解,其必须权衡的一系列因素。一些零售商与数据分析公司已经签订了长期合同,涵盖广泛的数据分析需求。其他方,包括传统企业与在线企业,也对内部数据与分析技术展开深入投资。每一个选择都反映出战略、金融与组织需求的动态集,这些都应该由高层管理而非中级管理人员决定。

3.确保数据分析技术专业优势

在任何战略方案中,企业总需要分析专家助力实现快速稳定发展。当今时代的数据分析博弈基于开放、云基础设施,因此,所有内部与外部数据能够轻松地以用户友好的方式整合。新环境也要求新的管理技能,调动更多资深数据专家。这些专家能够开发预测或优化模型,确保发展的可靠性。

目前,在世界最热门的市场中,已经有许多公司争先寻找这些先进技术人才,争取到这些宝贵的人力并让他们与企业领导人真正互动起来,以此改变公司发展状况是高层管理人员未来的真正任务,而这通常需要创造性的解决方案。

某家主流消费品企业的大数据领导人决定在远离公司本部的地区投资建立一个数据分析中心,该区拥有丰富的数据科学家与数据工程师青睐的优秀人才与文化环境。接下来,公司领导人完成最后一步,让每个分析团队与本部的业务团队间实现直接联系。

4.调用资源

在不同职能部门间调用人力与资本,创建新的决策支持工具和帮助一线管理人员利用先进分析模型需要花费诸多精力,这通常让企业管理层惊讶不已。赋予高管更多的权力非常重要,这有助于高管突破制度限制,这些繁杂的制度通常影响了数据分析对决策执行的支持。要获得成功,就有必要让各部门的管理人员协同合作积极应对变化—鼓励IT、业务部门、分析团队互相协作,并培训专家负责协调与领导。缺乏领导力的公司往往容易失败。

举例来说,一家运输公司里,产品领域中层管理人员的职责是寻找数据分析机会,进而继续推进。而数据团队无法准时提交数据或提交的数据格式不尽人意,往往令分析团队懊恼不已。而在将分析结果嵌入自定义工具中时,管理者变得更加沮丧,因为他只能以常规预算与计划进程处理紧急请求。随后,该公司让一位高级市场营销主管负责优化数据分析进程。这名主管将不同职能的团队组合起来,这包括数据库管理人员、分析师和程序员。他们致力于探索数据分析机会,分析项目从起始到最终落地周期为六到八周。通过敏捷资源调用,市场营销主管上位后仅仅几个月,该公司便成功寻找到了数个分析重点。

5.打造一线功能

数据专家设计的复杂数据分析解决方案必须以简单、强交互性的模式嵌入一线工具中,只有这样,管理人员与一线职工才愿意每天使用这些工具。为推广工具应用付出的努力不可轻视,这包括正式培训、在职培训等。经验表明,许多公司90%的投资用于创建模型,而对一线应用的投资只有10%。而事实上,前线应用的投资应该不少于50%。

6.恰当发挥领导力作用

多数公司会承认,他们的确需要增设新的职位。但遗留的一个重要问题在于,在哪里增设新职新的权利和责任系统又该如何设计经验表明,公司有充足理由强调数据分析战略与人才,甚至创建常规数据分析中心。但是,业务职能部门也需要一线活动(资源调用、能力建设)支持。原因有两个:首先,对于利用数据分析增加收入提高生产力,不同业务部门有不同侧重点;其次,当公司将一线业务与核心运营和管理侧重点结合时,积极鼓励前线进行适当调整也同等重要。