http://www.hbrtaiwan.com/blog_content_261_1.html
馬特．艾利克, 提姆．麥奎爾, 賈斯科． (Matt Ariker, Tim McGuire, and Jesko Perry)
馬特．艾利克是麥肯錫公司消費者行銷分析中心（Consumer Marketing Analytics Center）營運長。提姆．麥奎爾、賈斯科．裴利兩人都是麥肯錫公司董事，提供客戶有關巨量資料、先進分析、顧客生命週期管理等的服務。
許多公司念念不忘要如何把他們的資料轉化為價值，但我們發現，他們花太多時間在「資料」上，花太少時間在這個方程式的「人員」這一邊。
然而，要把方程式裡「人員」這一邊做對，不只是要雇用最優秀的人才（雖然這點很重要）。根據我們的經驗，許多企業忽略了兩個重要項目：1）確認他們真正需要的人員，2）在他們的先進分析（advanced analytics）辦公室裡建立「顧客服務」的心態。
合適的團隊
巨
量資料人才是關鍵問題。麥肯錫全球研究院（McKinsey Global
Institute）指出，到2018年，光是在美國，就可能短缺14萬至19萬擁有深厚分析技能的人才。但是，企業應先花時間確認他們需要的各種角色，
好讓巨量資料機器運作，而不是急著招募數學與科學高手。雖然不同的公司有不同的人才需求，但你的先進分析辦公室仍然需要配備下列五種重要人才：
1.資料衛生員（Data Hygienists）可
確保進入系統的資料是乾淨、正確的，並在整個資料生命週期當中都保持乾淨而正確。例如，擷取的時間值都相同嗎？一個資料集測量的可能是一年的日曆天數
（365天），另一個測量的是一年的工作日數（260天），還有一個是一年的小時數（8765小時）。所有的值都必須相同，才能進行比較。或是舊資料的欄
位裡面填的是新類型的資料，但沿用舊的欄位名稱？如果資料庫沒有處理這些問題，新產品的資料可能會覆蓋舊產品的資料，呈現毫無意義的結果。這個資料清理的
工作，在資料最初被擷取時就得開始做，而且在任何階段接觸到該資料的所有團隊成員都應參與。
2.資料探索員（Data Explorer）篩選堆積如山的巨量資料，找出你真正需要的資料。這可能是很重要的任務，因為外部那麼多資料並不是為了分析而存在，因此，不是用容易取得的方式儲存或組織的。收銀機的資料是絕佳的例子。它最初的功能是讓公司追蹤營收，而非去預測某一顧客接下來會買什麼產品。
3.業務解決方案設計師（Business Solution Architect）把發現的資料集中起來，並加以組織整理，以更進行分析。他們建構資料，確保所有使用者可以在適當的時段有效地查詢那些資料。例如，使用者必須每分鐘或每小時取用某些資料，所以就必須每分鐘或每小時更新那些資料。
4.資料科學家（Data Scientist）取用這種經過組織的資料，建立複雜的分析模型，例如，協助預測顧客行為，並且可做先進的顧客區隔和定價優化（pricing optimization）。他們確保會經常更新每個模型，好讓模型長期有效用。
5.活動專家（Campaign Expert）將
模型轉化為成果。他們很深入了解那些提供特定行銷活動的技術系統，例如哪個客戶應該在什麼時候得到什麼消息。他們使用從模型中學到的東西，來安排行銷活動
推出順序和所用管道的優先次序，例如，對某個已確認的市場區隔過去的行為進行分析，結果發現，最有效的方式是先發送一封電子郵件給客戶，然後在48小時後
直接郵寄廣告資料。
重要的是，應追蹤資料在整個巨量資料團隊裡移動的情況，並確保在人員和機器之間交接的所有資料，都有明確的負責人。這麼做，可確保擔任既定角色的每個人都負起責任，完整地交付資料，而不只是完成個人的任務而已。
建立顧客服務文化
打
造沒有人使用的產品或服務，是很傷士氣的。所以，你的團隊要負責證明那些模型對企業內部的業務負責人有何助益。這需要把業務負責人當成顧客。優良的零售商
都會告訴你，若要成功，你必須了解你的顧客。定期與他們會面，以了解他們的需求，並徵詢他們對團隊所建立的模型表現如何的意見。不時問自己，「在公司裡，
我的分析可以幫助到誰？」以及「他們是否同意，是我幫助他們成功的？」
我們也觀察到，巨量資料的相關計畫失敗了，因為企業內部顧客對巨量
資料團隊沒有信心，也不信任他們的模型。信任始於透明化。對於誰正在做什麼，要完全公開。提供務實的預定完成時間。在決定要建立哪些模型時，應清楚說明要
做哪些取捨，好讓你的內部顧客有足夠的資訊做出明智決定，最後做出最佳終端產品。
為確保採取「服務單位」式的文化，你應根據企業的成功與
否，來評量個人績效，不只是考慮資料的數量或速度等常用的評量指標。追蹤內部顧客使用多少新模型以獲得新結果。有些公司發放巨量資料團隊成員獎金的標準，
依據的是內部顧客多迅速和多廣泛地採用那些模型，而不是模型有多創新。這種方法可以防止傳統的口水戰：「我建立了一個絕妙的模型，沒有人使用它不是我的
錯！」這樣做也能預防這個問題：為分析而分析，不是為了對業務有好處而分析。
建立成功的分析團隊，既需要合適的人，也需要合適的文化。關於巨量資料，你的團隊應該花較少時間去擔心如何分析資料，應該花較多時間專注於如何提供資料。（侯秀琴譯）
原文請見：Five Roles You Need on Your Big Data Team
更多主題文章：聘顧、領導團隊
更多作者文章：馬特．艾利克, 提姆．麥奎爾, 賈斯科．
沒有留言:
張貼留言