關於「能善用數據的投資」vs.「花大錢卻得不到效益」 差異及怎麼做?
(本文原刊登於 三才計畫 Staying Relevant)
重點 :
1. 聰明的企業知道，要能善用數據帶來的機會，就必須著眼在內部用戶的行為改變，而不是光砸大錢在 tech stack 的投資
- 這跟花大錢加入健身俱樂部會員，並不會讓你有阿諾史瓦辛格的身材的道理類似
2. 所謂的數據驅動，關鍵在於學會如何問好的問題
- 問好的問題並不會是單純軟體工具能提供的
- 然而如何問好問題卻不會是一般數據教學會強調的東西
3. 即便是領域的專家，也並不意味著就知道如何利用該領域的數據
- 就像經驗老道的雕刻家，不代表他們首次遇到3D印表機就會用
- 用戶首次接觸到數據，並不意味著他們會知道 (1) 該問什麼問題 (2) 得到答案後該怎麼採取行動
4. 儀表板本身不會給答案，它只會呈現資訊，能將資訊轉變為答案，是另外一種專門的技能
- 決定一間公司能否實現數據驅動，相當於在問: 團隊裡有多少人具備能將數據應用於實際情境的能力
更多細節 :
1. 數據驅動可分成兩件事 : Gauges vs. Levers
- Gauges(指標) : 能測量什麼? eg. 用戶CTR
- Levers(槓桿) : 能操作什麼? eg. 投放渠道、標題怎麼下
- 聰明的問題都是先從盤點槓桿開始，後才是決定測量什麼指標
2.指標分為「領先指標」跟「落後指標」
- 落後指標通常是你會在意的東西 eg. 月營收
- 領先指標則是跟落後指標相關的東西 eg. 造訪次數
- 落後指標可告訴你，決策是否有成效，但對做出決策沒有幫助
- 聰明的企業知道，透過操作哪些「槓桿」會影響哪些「領先指標」而釐清領先指標跟槓桿的關係，正是問出好問題的核心
該怎麼採取行動 :
1. 認清數據工作是在創造有利於組織的知識
- 所以他的本質是知識工作 (創造知識 / 擴散知識 / 促進組織改變) 只是剛好用的工具跟其他部門(IT/PM)有重疊而已
- 比起軟體開發，更重視問問題與探索的過程
- 正確的衡量績效的方式是產生了多少insight跟impact，而不是deliver了多少deliverables (eg. 像是蓋了多少張dashboard)
2. 數據工作產生價值的方式是透過問好的問題，得到高價值的產出
- 其本質是探索(exploratory) 這跟以「目標達成」的思維有本質上的不同
- 強行套用專案管理的思維去管理data team 將會導致「過早迫使下結論，停止探索」進而錯失「問出好問題，創造高價值」的機會，你將會花更多時間在做規劃、寫專案文件、報進度，而非學習
3.所有工具運用與工作安排，應以為讓探索的過程更為順暢為目的
規劃infrastructure時，應刻意設計容易讓探索工作發生的環境、盡可能降低ops 的burden，然後最小化 research to production的差距為目標
- 最好研究的產出是直接production ready 的，避免中間的轉譯的成本
短線分析需求應以營運單位能夠self-service為目標，長線分析研究才是data team應瞄準的標的 (而不是埋沒在小而快但影響有限的營運細節裡)
- 以「埋設追蹤碼 / AB testing / 蓋儀表板」三項技能，構成完整的「收集/分析/決策」數位營運閉環 loop