
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
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04