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
在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17