京公网安备 11010802034615号
经营许可证编号:京B2-20210330
企业应如何培养数据驱动的分析文化?
在大数据时代,各行业企业越来越需要依靠数据来进行日常决策并发掘其相关价值潜力。从传感器数据到网站数据,再到销售数据,企业中可被量化和依靠数据进行分析的业务日益增多。
但是这带来的问题很多,其中之一就是:企业需要越来越重视数据科学家的作用,他们的分析能力在业务中举足轻重。但实际上,在大多数企业内,数据科学家能起到的作用相当有限。
为此,越来越多的企业选择Tableau来赋予员工(不仅限于数据科学家和数据分析师)看到并理解数据的能力。我们发现,不同企业利用Tableau取得的成功差异较大,具体取决于实施方法和企业的响应变化能力。虽然Tableau具有出色的自助功能,但我们看到,在企业内广泛推广分析文化的客户比其他客户更容易成功。如今,Tableau的顾问与客户携手合作,引导他们走向以分析为主导的文化。
企业应如何培养数据驱动的分析文化?
要想真正培育数据驱动的分析文化,就必须有大局观,要考虑对数据科学家的管理,同时注重培训、工具、招聘流程以及更多跨部门协作等因素。要真正向分析文化进行转变,这些关键点都要考虑。而且,在大多数情况下,这种转变必须从领导层开始。
1、培育分析文化从领导层开始,即意味着要从授权开始。
成功的分析文化必须是自上而下,以一种非常自由而又民主的方式进行。“培育”与“实施”或“强迫”是相反的,这一点甚为关键,它意味着你要授权并相信你的员工,相信他们能通过数据进行分析并回答他们自己的问题。传统分析师通常由一个核心团队进行单独管理。但在分析文化下,领导层应该通过向整个公司提供可访问的工具、适当的培训并给予数据访问权(除了最敏感的数据),以确保公司的每个员工都能自行发现问题、解决问题。
自助分析是自立的基石,而自立又是成功分析文化的基石。支持自助分析成功的关键是隐藏数据的潜在复杂性。切记,工具,如果不是所有员工都能使用它,那么它对于企业而言就不是很好的工具。即使配备的工具只有小部分员工能使用,那么用得再好、再厉害,那还是不够的。
要让所有的使用者都能对数据使用驾轻就熟,常常需要对他们进行额外的培训。部分培训可以借助实际工具开展,比如使用案例、在线视频等。这种培训往往侧重于特性和功能性。但往往需要进行更全面的培训。我们需要加强员工的思考能力,激发其分析好奇心,奠定数据可视化等相关领域的基础。引进外部专家,往往有助于实现这一目的,并让事情变得有意思起来。有了这一学术背景和一般性基础,专用工具的培训才更有意义。
值得注意的是,于许多公司(尤其是那些拥有极敏感数据的公司)而言,这种程度的授权起初会让人极为不安——这使我们又回到了领导层的问题上了。领导层必须痛下决心,改变公司原有信息控制,真正做到数据开放,如果做不到这一点,就会破坏整个转变进度。授权可以让管理层一开始感到不适,但是只要一步步做下去,一切就会慢慢变得正常。
2、要实现这一目标,领导层必须学会要求所有决策要根据数据说话。
再也不要问中层管理人员的意见,而是直接要求他们的决策必须含有相应数据——同时要求他们也这样要求各自的下属。决策将不得再以“我认为”等字眼开始。相反,“从数据来看”应该贯穿所有对话。当然,只有领导层坚持以身作则,这项规则才能坚持下去。所有高管都应养成日常使用数据的习惯,且必须做出榜样,示范推进分析流程和分析文化。
有一个措施虽小却很重要,那就是确实让数据成为所有工作考核的一部分。这样一来,就可以依据数据对公司里的所有员工进行测评。这将在个人层面上大大鼓励数据驱动决策。还有一个可行措施是在全公司内举行一次数据使用竞赛。这些措施都能起到很好的辅助作用,能让领导层全面地发动和鼓励数据驱动行为。由管理层发起并担任裁判,通过开展一次可以让大家都能展示自己数据使用技能的内部比赛,可以让很多人有参与感,并将工具和培训转化为实际行动,还可以使得数据分析和使用真正成为公司内的风尚。
3、除了采取这些措施,领导层还必须注重招聘过程。
和新员工一起构建分析文化,应该不断努力将他们带入公司想要构建的数据文化当中。当然,数据应该会在这一过程中发挥作用……但请切记:理想人选通常不是那些最了解最新技术的人。于某些岗位而言,技术技能是很重要,但有一个特质却不可或缺,而且每个员工都应该具备,那就是:批判性思维。
为了挖掘具有批判性思维能力的人才,可以对所有候选人进行数据驱动测试。测试结果通常很能说明问题:候选人能否就招聘者所提供的数据提出问题、是否有能力回答这些问题以及候选人是否能就这些数据提出后续问题。
好奇心是另一种真正强调自立的无形文化,也属于“分析文化”范畴。对于如何衡量候选人的好奇心,这里有一个很棒的快捷方法,即询问候选人马桶的工作原理是什么。
大多数候选人都会提前准备大量现成的格式化答案,但很少有候选人会就马桶准备好答案!这个问题会考察面试者是否拥有好奇心,是否具有个性,而好奇心和个性正是所有招聘文化和企业文化不可或缺的两个重要方面。
总之,实施分析文化是一个循序渐进的过程,幻想一夜之间实现是不现实的。
但请相信我,也许一年以后我们再次提起分析文化时,贵公司肯定希望自己的领导层早在一年前的今天就已经开始着手实施分析文化。先选择一门合适的技术,然后教公司里的每一个人如何使用这门技术,再将数据变成所有对话的基础,这些都不过是贵公司开始推进分析文化的几种方式罢了,而这一切,都要从贵公司的领导层开始。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21