首页 自媒自媒体 THU数据派正文

数据和业务团队之间应更像“情侣”而非“上下级”

 本文为你分享《顶级数据团队建设全景报告》的发布会上以“数据团队建设&数据人才培养”为主题的圆桌论坛实录。

数据和业务团队之间应更像“情侣”而非“上下级”
 

 我的公司是否需要独立的数据团队? 我该何时、怎么样建设自己的数据团队? 数据团队的价值如何衡量? 数据人才培养需要注意哪些方面?针对这些业内普遍存在的数据团队建设问题,7月11日下午,清华-青岛数据科学研究院联合大数据文摘,在清华大学校内重磅发布首份《顶级数据团队建设全景报告》(下称《报告》)。

 发布会上,GrowingIO 创始人&CEO张溪梦、猎聘 CDO单艺、交通运输部科学研究院高级工程师叶劲松和北京邮电大学移动互联网开放创新实验室副主任谭茗洲同台,围绕“数据团队建设&数据人才培养”进行了一场高端对话。对话中,几位专家都承认数据团队对业务理解的重要性,叶劲松称,数据团队和业务团队之间该全方位加强合作,关系应更像“情侣”而不是“上下级”。

 *以下为圆桌论坛精彩内容节选,部分内容在不改变原意的情况下有删改:

 叶劲松:数据团队和业务团队之间应该形成“情侣关系”,而不是上下级关系

 数据团队与业务部门之间的适应性困境确实存在。现在交通行业相对偏传统,从IT的角度来讲,整个数据团队现在的运作有待进一步深入。谈到数据团队和业务团队之间的适应性困境,这确实是存在的客观情况。

 举例来说,我们这里有一个7、8个人左右的小数据团队,在与业务部门对接中,经常会遇到刚才提到的衔接问题。业务部门通常会基于他对业务的需求提出问题,但这些问题是建立在在没有实现数据理解或者技术理解的前提下产生的,很多需求是难以满足的。长此以往,就容易造成数据团队与其他团队的沟通鸿沟,并被片面的认定为数据团队不给力,提供不了有效支撑。

 这是一个非常普遍,从合作的角度来看,也非常严重的问题。在这样的情况下,我们需要想办法让数据团队和业务团队之间互相理解,增进沟通。通过技术部门和业务部门协调、理解,沟通清楚互相之间的需求,以及需求是否能够满足或为什么不能满足,这其实是很多数据团队首要应该做的事情。

 我们刚才讲数据部门和业务部门可以实现协作,比如业务团队提出了不切实际的业务需求,数据部门满足不了的时候,是可以提出一些优化建议的。当前,这个过程是要在不断的跟业务部门之间互相“打架”的过程中慢慢磨合实现的,大家都需要互相之间往前走一步,业务团队需要对技术和数据有更多的理解,而数据团队也需要去了解业务需求。而且这一过程通常还会常伴随着反复。

 在增进不同部门之间理解的过程中,还存在一些不得不面对的“先天壁垒”,与个人的专业出身有一定相关性。我们一般做数据的,是学IT技术出身的,比如说我们来到交通行业,了解一些行业具体业务知识相对比较容易一点。但是,如果你原来学经济的,或者学交通规划和管理专业的,后天再去理解数据的一些知识或者IT的技能要求,相对来讲会困难得多。

 所以为了克服上述种种困境,我们需要不断加强数据团队自身的建设,并且能够不断深挖并理解业务,以期能与业务团队良好沟通;另外一方面,还要通过数据本身的价值,利用数据,把业务也抓起来,促使两者之间有效融合。

数据和业务团队之间应更像“情侣”而非“上下级”
 

 单艺:数据团队的价值在于为公司决策提供数据支持

 首先,数据团队要为公司的决策提供数据基础。数据团队的出现往往先是满足公司对于数据,比如日常运营数据、产品数据、用户数据的收集、整理和访问的基础需求,所以往往会先搭一个偏工程的团队,做数据基础和平台。

 之后就是讨论怎么用数据做运营,就是公司的运作,公司的各个业务部门KPI的设计都需要依赖数据,这是数据第二个方面的重大价值。通过这些数据,我们才能够精确的反映公司各个业务线运营的健康状态。在这之上,我们可以进一步运用数据提升产品和服务的竞争优势。

 再接下来数据还承担着很多情报的工作,就是说把外部的数据引进来。比如说我们的竞争对手有什么动向,他们有哪些行为可以在网上或者通过这种数据交易可以获得,这个对于公司来讲,往往也是很有价值的事情。所谓Intelligence就是情报的含义。

 另外就是所谓的智能,即AI。有了数据之后,通过运用AI算法,能够自动化或者智能化公司的一些业务。比如招聘中的简历推荐服务:以前靠人筛选简历,费时费力,培训成本高;现在我们可以通过AI系统来做,已经能够达到接近人的匹配水平,可以解放很多HR的时间。比如我们可以用预测模型给销售提供商机建议,判断商机的大小,其准确性可以比普通销售的主观判断更准。

 数据也可以被产品化。在一些场景下,用户或者客户需要的就是数据。比如我们做的基于大数据的薪酬数据库和简历透镜等产品,就是从互联网大数据中提炼出非常有价值的数据分析结果,解决了HR面临的信息不对称问题。以前靠人工服务做撮合的事情,现在变成了机器来做,能够实现更加精确、有效率的匹配。

 上述这些就是数据在业务当中几个大的应用方面。

 张溪梦:促成数据分析师与业务人员协作模式,发挥最大价值

 1. 数据师要从响应型向建议型转变

 据我观察,当前大部分做数据的人都是响应型思维,这是一种以业务端需求为导向的思维方式。这种思维方式,可能产生的价值相对来说偏低。因为业务端提出的问题偏向探索型,提供的很多东西都是实验性的,甚至那些问题本身得出的结论也不一定真正产生商业价值。而响应型数据分析师往往对业务不太理解,只能就着业务端提出的问题进行回答,然后花很多时间在技术上做准备。

 从业务端来考虑,我们希望数据团队提出建议,帮我们大幅改善业务,而不只是回答一个个的问题。我们提出来的问题,很多都关乎转化率,比如,从销售到最后用户提供服务,这个转化周期多长时间。不过更核心的问题是给用户产生商业价值。如果我们的数据团队能够从更核心角度回答问题,给出具体的针对性建议,可能会好得多。

 2.业务端人员需要提高数据素养

 我觉得业务端人员需要提高数据素养,很多业务端的人根本不知道如何运用这个“核武器”(数据业务)。大部分人没有数据思维,不能把数字变成企业管理和运营的语言。业务端对事物本质的理解,可能比数据分析师对数据理解的重要性大得多,他们应该问相对正确的问题,用正确的问题来引导数据团队产生价值。

 之前领英的产品部们负责人曾经说过,“产品经理分两类,技术驱动型和艺术驱动型。”我回国以后发现很多产品经理、营销、销售大部分人都是不具备任何数据思维,完全是拍脑袋、拍大腿、拍胸脯做很多决策,同时还责怪数据端没有产生价值。我觉得这方面的工作应该多做一些,做得更多一些。

 谭茗洲:校园求职指南——跨界学习,从IT驱动到DT驱动

 其实我觉得IT时代,是在所有信息指尖建立一个连接,而DT时则是接替上一个信息时代,是一个接替关系,而非融合关系。现在我投资的企业,在给一些传统企业或者非传统企业做数据服务和数据技术建设的时候,会遇到一些新情况——现在传统企业建立自己的数据技术团队或者数据部门的时候,还是以原来的业务视角出发建立数据团队,最初数据团队的建立是想助力决策,结果他们产生了一些新的想法和理念,把原来的业务颠覆了。举一个小例子,阿里巴巴如果没有数据的话,哪有现在余额宝?原来这个事本来是给自己的业务部门统计一下销售量,日活,包括客户的活跃打折的这些东西,后来是新的业务场景。

 我觉得数据团队的建立和融合问题,不是冲突问题,而是涉及到跨界。因为数据本身就是一个跨界的科学,比如人工智能、数据等这些学科都是在计算机学科下面的分支。再谈到教学,这也个是很大的问题,真正的挑战不在于对计算机学科本身的认识,反而是跨界在语言学、伦理学、社会科学的认知,这个学科本身是跨界的,是真正有很多未来智能化应用的,是一个培养方式,可能会更为有长远打算。

 在学校,从人才培养方面说,现在最大的一个短板就是学生对于自己在这个时代里面认知的迷茫,他们还在用当年的IT思维去思考DT的这件事。我觉得这是两件事,因为这是两个不同的时代产生的不同驱动力的事情。以前是IT驱动,现在是数据驱动。在人才的方面,跨界的思维培养更为适当一些。

数据和业务团队之间应更像“情侣”而非“上下级”

 提问环节精选:

 一、 如何在大学就做好就业准备?

 提问:各位老师您好,作为在校生,我发现大学学习虽然涉及到了计算机、管理等多门学科知识,但每样东西理解的都很肤浅。所以从你们的经验来看,是建议在校时多学一些计算机科学这方面的知识?抑或者是尽量利用学校的资源多学一些知识?以备以后工作的时候更加有竞争力?

 单艺:在我看来,我觉得你要想想本科毕业之后你想做什么,是想往学术界去深造发展?还是想到工业界去做一些实际的事情,我觉得这个会对你的学习重心有一个很大的关系。如果这样的话,就可以根据自己的兴趣去选方向。

 如果你去社会上工作,那你综合的能力是重要影响因素。在学校里的时间,适合深奥的理论知识学习。你工作以后,受到各种工作安排的影响,甚至受到家庭上的一些影响,可能就没有那些大块的学习时间。我自己会倾向于在学校多学一些理工科或者是技能方面的。这是我个人的理解,供你参考。

 二、 以金融行业为例,如何将数据嵌入到业务部门?

 张溪梦:这个问题很大,也是一个很好的问题。根据我个人理解,金融行业中,风险控制、预测模型,其实最早的时候我们都是从银行的体系里面学来的。我感觉一般在金融机构里面,最大的两块,一个是风控,一个是营销。风控那边,用细节数据源打通以后,如何对一个用户或者一个企业进行评级?评估是否要给他发放贷款,评价他的利率,以及如何让企业能从他身上挣到钱,而不是损失很多钱,我觉得这里面其实有很多的应用案例。从银行最早期的,比如如何放贷款,到今天的互联网金融,小额贷款,微贷款,还有现在蚂蚁金服,他们做的很多的,甚至用生物的技术来进行风险识别,人脸识别的这种技术来进行风控,我觉得已经做得很完善了。那边有很多案例,您可以作为简单的参考。

 提问:我追加一点,您是怎么样给业务部门和技术部门的搭配关系,让它的效果更好?

 张溪梦:我以前做分析师的时候是在业务的内部,后面我尽力做到业务的嵌入,与数据中心化一起实现。如果您的技术已经建立得非常完善了,业务部门和分析的职能应该一体化。否则就容易产生一些潜在的隔膜。我觉得上述所有问题最核心的地方就是跨界。数据部门或者业务部门,不能有一个非常明确的疆界,核心是要融合,一体化。这样来说的话,我们的数据就变成商业流程一个很自然的部分。所以说我觉得未来的发展趋势,还是一个融合的一个趋势。未来的人才上,需要的人才也是跨界的。真正最好的融合方式就是你在部门内部,而非部门之间做融合,能最好、最有效的调动资源,这是我个人的一些看法。

 

责任编辑:陈近梅

分享: