数据分析科学管理的7项任务

数据分析科学管理的7项任务

随着企业数字化转型,不断发展,从小型企业到大型行业,数据分析师的数量不断增加,数据分析团队的规模和复杂性也随之增加。据报道,只有少数(22%)数据分析项目表现出高收入,而大数据项目大量失败(60%至85%)。

这就引出了一个问题:如何处理管理数据分析团队的复杂性?

本文中就来介绍:

  1. 定义什么是数据方法管理。
  2. 提出促进数据分析发展建议。
  3. 描述数据分析管理的任务。
  4. 概述公司对数据分析管理的需求。
  5. 如何找到合适的人选。

什么是数据分析管理?

数据分析师是训练有素的信息科学家、统计学家、自然科学家、社会科学家或数学家。他们深入了解复杂的流程,分析庞大的数据集并面临以前未解决的问题。以多种方式帮助节省时间、自动化流程和构建未来。但在某些情况下,他们往往非常喜欢解决问题,以至于他们失去了注意力。这就是数据管理发挥作用的时候。

数据管理是管理的一个分支,而不是数据分析。任命数据分析经理来代表和实现公司的愿景并实现其目标。为此,管理者需要赋予人们权力、鼓励团队、引导和激励这些人。他们有资源来帮助他们完成上述任务。如果他们能够避免对团队进行微观管理,继续关注更大的图景,并将项目的实际应用程序转化为数据分析师,并将结果转化为其他人,那么他们的工作就会最好。此外,他们至少需要对数据分析的基础知识、迭代项目的性质以及大多数数据分析师的学术背景有基本的了解。首先,数据分析经理需要在各个方向都成为良好的沟通者。

数据管理意味着组织一个迭代过程,使用科学方法和追求业务目标的高度自动化的软件基础设施从数据中提取洞察力。

企业为什么会重视?

数字化和数字化转型影响了许多商业模式;颠覆性技术使以前强大的商业案例变得过时。许多企业必须关注成本效率,这需要进一步优化流程。由于许多行业已经非常高效,只有自动化、优化和潜伏的潜力才能省钱。自动化带来了大量数据,现代数字机械也是如此。还有许多许多其他数据源,例如社交媒体、天气预报甚至竞争对手生成的数据。

为了获得竞争优势,公司需要释放各种数据源的潜力并将它们融合在一起以获得更多更好的知识。在很多情况下,人们认为数据越多越好(“大数据”),这并不完全准确。需要有正确的数据与其他数据集的正确关系。这通常被称为“智能数据”。智能数据侧重于整合数据(包括大数据)并准备提供真正商业价值的方式。

现在很多公司都在招聘数据分析师。但是在数据基础设施和设施方面,公司往往没有为高技能人才做好准备。他们面临巨大的挑战,难以融入发挥价值。另一方面,数据分析师有时在这种环境中没有受到挑战,会感到物料。当他们从事低于他们技能水平的工作时,他们会感到沮丧。因此,数据分析师没有那么有创造力,也没有揭示公司的潜力。这些条件有双重影响:公司拥有昂贵的数据分析师,还是无法运用数据分析发挥业务潜力。

推广数据分析文化

理想情况下,数据分析经理事先了解所有这些事情,并且能够在雇用数据分析师之前为公司做好准备,并将数据分析师置于最佳环境中。图 1 给出了一些建议,说明在日常生活中可以做些什么来实现思想开放的数据分析文化:

数据分析经理应该走在前面:必须能够确定公司发展方向,以便数据分析师需要对事物有不同的、更深入的关注。它们消除了障碍(尤其是在数据可访问性方面)并促进了学科领域之间的交流 。由于数据分析是一项团队项目,数据分析经理应该鼓励人们以加强团结感。

数据分析经理是正确数据分析的大使和推动者。

数据分析经理的任务

当涉及到数据分析经理的日常业务时,一些任务和职责(图 2)会反复出现并且需要跟踪。这些过程与典型的软件工程项目中的过程没有什么不同;然而,有些方面很突出。

图 2:数据分析管理的信息流三角形。蓝色箭头表示与提取信息的人的关系。灰色箭头表示向接收器推送信息。当数据分析经理与团队和利益相关者保持密切联系时,数据分析团队和利益相关者之间的推动关系被中断,因为数据分析团队应该留在团队泡沫中。除了管理关系外,数据分析经理还有确保项目整体成功的基本项目管理职责。

1:需求管理

在大多数数据分析项目中,第一步是与利益相关者交谈并找出他们的需求。这主要是关于提取信息和理解现实业务问题,谈论期望很重要,最终应该关注这个问题:一旦数据分析项目成功完成,利益相关者会有什么不同?

然后需要将记录的需求转化为数据分析师的分析任务。这些任务必须切成可消化的部分。可以与数据分析师讨论技术或分析深度。

2:时间和资源

处理复杂的问题往往意味着处理不确定性。同时,需要降低复杂性以估算项目预算,从而估算可花费的资金。对于利益相关者来说,通过估计时间和精力来为用户故事、需求或项目阶段的细节标上价格标签可能会有所帮助。然而,处理复杂性意味着处理各种未知数。根据不确定性水平在估计中设置时间缓冲是一种很好的做法。一种有用的方法是在不确定性画布上对用户故事进行排序以获得第一印象。

图 3:这个Rumsfeld’s Matrix可以用作不确定性画布。哪些因素是已知的(并且可以计算),哪些信息缺失,其他人有哪些(去问),哪些信息是未知的(例如,股票价格,天气)以及通常有多少完全出乎意料的事情发生 。

在时间可控的基础上正确的人使用正确的方式。在这个问题上,重要的是不要让人们承担过多的项目。他们从事的项目越多,由于交易成本而损失的时间就越多。由于上下文切换,每个额外项目大约损失了20%的工作时间。如果只有一个人有特定的技能可能会给整个项目带来风险,比如这个人不能工作或离开公司。此外,数据可访问性需要事先澄清。没有什么比数据分析师和其他团队成员闲坐着等待他们需要的基本数据更低效的了。

为了了解时间和资源的概况,以下问题是一个很好的起点:

团队:需要哪些专业知识?是否有合适的人员,他们是否有足够的时间来实现这个项目?

数据:什么数据是可用的(内部的,开放的,或购买的),它可以用来解决基于这些数据的分析问题?是否有必要进行数据收集(例如调查)?

基础设施:每个人都适当地配备了软件、硬件和云资源吗?

上述问题有助于找到从一开始就没有考虑到的其他利益相关者。此外,它可能会明确还需要哪些人加入(例如,it)。

3:推广

项目的进度和结果需要以一种每个人都可能理解的方式给利益相关者。数据分析经理需要为不再是一维的各种问题做好准备:随着产品或解决方案的发展,人们往往会更加挑剔,因为他们可以使用比他们纯粹的想象更多的感官,就像在需求组合中一样。

因此,有时像在 Scrum 中的冲刺模式一样对初步结果进行审查是有帮助的。在许多情况下,利益相关者的正确参与很重要,因为将来会有项目。如果利益相关者很好并且对结果和参与感到满意,他们将来更有可能慷慨解囊。

4: 框架和背景

我们回到团队上。每个人都需要了解项目的路线图、愿景并了解时间框架。这包括对正在发生的事情的深刻理解以及如果事情偏离轨道有义务说出来。有时候就需要做一个扫兴的人,尤其是对于喜欢解决问题并在深入挖掘时迷失方向的数据分析师。但有些问题并不总是属于业务范围内的问题。在这里,重要的是要表现出同理心并解释为什么会有另一个关注点。

5:促进沟通

就其对项目的益处而言,促进数据分析师、利益相关者和其他潜在参与人员之间的沟通是每个数据分析经理的一项基本任务。最重要的是,需要支持所有相关方之间对流程、方法和目标等的共同理解。

在图 2 中,沟通促进任务被建模为拉式关系,团队借此从利益相关者那里获取所需的信息。这是该模型的一个关键方面:团队获得所需的信息,同时保护其免受未经检查的利益相关者的请求。

6:团队共建

问题需要尽可能远离数据分析师,以确保他们有最好的环境来完成他们的工作。举办编码日或预留早上的时间用于集中工作可能会有所帮助。

因为任务和需求需要与涉众一起细化。数据分析经理通常不具备所有的信息,这就是为什么数据分析师需要参与会议。

7:项目管理要点

在大多数数据分析项目中,还必须考虑管理要素。一旦确定了时间和资源,就可以制定时间表。这可能或多或少困难,具体取决于首选的项目管理方法。有些事情是必不可少的,例如:

  • 跟踪目标,监控整体进度并控制财务资源;
  • 确保过程和结果的质量;
  • 管理文档、待办事项列表、董事会和会议;
  • 牢记假期和培训时间;
  • 注重团队建设。

作者:Martin Schmidt

免责声明:凡未注明来源或者来源为网络的信息均转自其它平台,是出于传递更多信息之目的,并不意味着赞同其观点或证实其内容的真实性。网站只负责对文章进行整理、排版、编辑,不承担任何法律责任。若有侵权或异议请联系我们删除,谢谢。

发表评论

您的电子邮箱地址不会被公开。