说到大数据时代的到来，想必应用最为广泛也最为深刻的当属互联网金融行业，像京东的京东金融、阿里巴巴的支付宝，还有一系列的P2P网贷，以及传统证券金融行业都在像互联网理财靠拢、升级。而这一切的一切，都源于大数据时代对于大数据的应用以及数据分析、数据挖掘给公司、机构、集团带来未来可靠乐观的投资收益指标、准确客观数据支持以及规划依据。而在这当中，当然少不了一支成功的数据分析团队。一个公司、企业的发展壮大，后台不可能仅靠零散的数据分析师、数据挖掘师来支撑，只有成功的数据分析团体，才能将一个公司的效益提升至最佳最稳定值。下面小编就来和大家分享一篇关于成功的数据分析团队关于职能与角色的分配的文章，希望对即将进入数据分析行业的你或经营者管理者们有所裨益。

                         一个成功的数据分析团队关于角色与职责的分配

多年以来我和数百家企业打过交道，在这个过程中，我领悟了让数据分析项目成功的一些因素，也亲眼看着很多项目失败。

最常见的失败原因说出来可能会让你惊讶。并非是缺乏数据专业知识或者整合失误，而仅仅是因为企业没有让“利用数据”成为任何人员的职责。太多公司花费好几个月收集有趣的数据，然后让它们静静地躺在角落里积攒灰尘。这个现象驱使我来撰写本文，希望它能给你灵感，让你为下一个分析项目增加一些结构性。 对分析的应用，本应该成为你不断汲取的商业泉源。

如果能为下列每个角色，找到至少一个乐于担当的人选，我保证你项目成功率会增加一千倍！对每个角色的具体描述和建议见下文。

角色及其输出

角色

交付

项目领导者

项目规划，包含工作范围与时间

数据建构者

数据模型，查询语句

产品开发者

实现跟踪（埋点）

分析者

提供新的业务问题

报告制作者

为业务提供报告

项目领导者

有一个团队成员要负责分析工作的实施交付。你可能已经知道，一个高效的项目管理者要：

• 识别项目的利益相关者，并搞清他们需要什么。这些人会问“我们要回答的商业问题是什么？”
  

• 设定并传达工作目标、范围和时间，落实到每个相关人员。
  

• 管理项目所依赖的资源，发现交付过程中的障碍。
  

• 确保项目如实交付、达成目标（例如，数据确实回答了对业务至关重要的问题）。
  

• 确保每个相关人员，从工程师到产品经理，同步工作并理解要交付什么。这个部分比较重要，因为人们通常低估或高度数据的作用。

对项目领导者的建议：

• 如果你专注于那些可以直接为产品或业务带来改变的问题，你的分析项目会得到最及时的反馈。例如：新的宣传活动带来的顾客是否转化为付费用户了（是否该继续在这个宣传渠道上继续投资）？或者，我们准备取消这个功能，你能否查看一下是否有付费用户在使用这个服务？
  

• 保证项目的规模尽可能小。一开始，只跟踪对于业务重要的少数几个关键行为，这样就能够快速回答最紧迫的商业问题（如，使用这个此功能的用户留存度如何？）及时的，有用的分析结果会让你所在的机构着迷，他们很快会提出更多你在下一轮要回答的问题。换句话说，分析工作应该是敏捷的，随着每次迭代更加深入。如果分析项目的规模太大（如，需要花费工程师两周时间），那你可能冒着拖延其他紧急项目的风险。
  

数据建构者

这个头衔听起来很炫，但它只是意味着你的团队需要有个懂技术的人创建数据模型，并理解查询语句如何工作。数据模型可以很简单，甚至像一封电子邮件，列出你要跟踪的行为和优先级。这个模型有助于确定和传达你的项目范围。数据建构者帮助整个团队评估哪些业务问题可以被回答，哪些不能。通常这个人不必是数据科学博士，一般由一个app开发人员，或者懂得用电子表格建立模型的人担任。

对数据分析者的建议：

• 花点时间让曾经使用过相同工具的人看看你的数据模型。例如，如果你在使用Keen，就跟使用过Keen的开发者聊聊。也可以让分析服务提供者和你一起审阅你的数据模型。不管你在使用什么工具，都会有些事情需要取舍，解决方案总有些部分不会按照预期工作。节省些时间，跟有过相同经历的人谈谈你的计划吧。
  

• 建立数据模型时，使用客户和业务领域的习惯用语，而不是应用开发者的习惯用语。例如，不要去追踪“阶段变化”，客户和你公司里的其他人无法理解它。如果能保证使用的语言是业务导向的，它会帮助你的机构/企业理解如何去查询和使用数据。
  

• 保证让至少一个人审阅你的数据模型，保证模型可被他人理解。你可能会发现有些对自己来说很直白的标签，对其他人来说并不清晰。比如，对于机构里的不同人员，“uuid”意味着不同的东西。
  

• 不要重复发明轮子（不要做无用功）。

产品开发者

项目一开始，就要有至少一个开发人员承担埋点的工作。他们在各处加一些代码，这样每次登录、购买、上传和其他行为的数据都能被保存。如果事件的来源有很多，比如移动应用+网页，这个工作可能由多个开发者完成（如，一个网站开发者和一个移动开发者）。在小一些的机构，埋点的开发者通常也扮演数据建构者。在大一些的团体中，开发者和数据建构者紧密合作，确保模型数据足够理想，以及事物被跟踪并以一致的格式标记（如“user.id” = “23cv42343jk88” 不是 “user.id” = “fran@cooldomain.com”）。埋点是个相对直接的过程，许多分析服务有直接可用的客户库使得此过程简化，不过，你的团队依然需要决定要跟踪什么行为，如何命名。

对产品开发者的建议：

• 确保根据对你的机构有意义的数据模型进行埋点。如果你的团队没有数据建构者，那么就扮演这个角色，在开始埋点之前规划一个模型。这会帮你理清思路，也更利于与他人沟通。
  

• 使用分开的repository，带有各自的key，针对dev, test和prod，这样就不会让生成数据和测试数据混淆。
  

• 埋点成功后，在正式使用前找个人审阅一下存进来的数据。和产品的其他功能一样，分析的实施也需要有个QA过程。埋点过程中错误很常见，如，把数字发送为字符串、命名不清、不正确地使用JSON的格式，或者标签里有错别字。

分析者

你会收集很多有意思的数据，但如果没人利用，这些数据就不会有价值。团队里需要至少有一个人对数据背后隐藏的东西非常好奇。我把这些人称为分析者。分析者通常是个开发者、产品经理或产品团队/营销团队的某个人。这些人不仅疯狂地想了解业务问题的答案，还能时时提出新问题。分析者喜欢钻研项目第一阶段收集的数据，而且有很多点子，引出下一阶段应该收集的新东西。换句话说，团队中需要有个人享受实践分析的过程。不要着急，这样的人有很多:)。技术背景对这个角色有很大帮助，这使得他们能快速理解什么样的查询语句可以得到想要的答案。这个角色对于项目成功至关重要，如果没人从数据中理解、学习，就无法从中得到任何价值。

对分析者的建议：

• 分析的结果可能对你自己而言显而易见或很有意义，但别人看来可能不是这样。这是因为03你从一开始就知道要回答什么问题。你知道数据包含哪些不包含哪些。此外你写的查询语句最终生成了可视化结果或报告。要让他人理解最终得到的数字都意味者什么，那么你要分享很多上下文内容给他们。
  

• 分享分析的结果时，需要写明你从数据中得到的结论，以及根据分析结果应该采取什么业务行动（如，上个版本发布后我们的转化率下降了，所以应该改回去）。其他人可能不仅没有正确解读数据所需的上下文，他们也很可能不像你那样感觉数据很迷人，且没时间去试图理解其意义。
  

• 不要用力过猛，不过，对于这个岗位来说沟通技巧很重要。分析者大约半数的时间都用在了沟通上。解释与总结从数据中获得的结论、结果需要花点时间。如果你的分析结果不能只是静静躺在别人的收件箱里。有些你是机构里唯一意识到某个机会或问题的人，应该确保机构对机会或问题有所反应。有时你得做那个难搞的人。不要低估自己工作的价值。
  

• 如果分析工作是你常常要做又来不及做的，试着把它加入你官方的职位描述中，每周或每月贡献固定时间在上面。不要让它干预你的其他时间。
• 
  

报告制作者

这个角色不是必需的，但你可能会想要制作一些报告，便于整个团队和其他利益相关者获取。要想让数据的实用性会大大提升，数据应该更紧密地与业务流程相连，而不是被遗弃在数据库里等着有人翻阅。一个前端开发者要能够把query变成产品经理和其他业务人员阅读的报告。下面是一些可能有用的例子：

• Email寄送周报
• 内部网站的一个页面
• 在面向用户的app中
• 用Google表格公开发布
• 推送到slack频道
• 在某个面板上展示
• 推送到salesforce
  

对报告制作者的建议：

• 确保报告的使用者能理解数据才能让你的工作产生最大价值。一个办法是，不断问他们“当你看到转化率5.2%时，这对你来说意味着什么？你会认为它是怎么计算出来的？”
  

• 另一种提高报告可读性的方式是写一份指南（如注释），以解释数据从何而来、如何被计算。例如，数据是否包含从网站和app获取的用户，或只是来自其中一种的用户？它是否包括测试用户和公司的内部用户，或者他们已经被过滤掉了？
  

• 玩得开心点！整个分析项目中最棒的部分，就是看着有人因为从结果学到了新东西而双眼放光，而你，通常就是让这一切发生的人。
•