司数据团队所需的 无论您是数据科学主管还是组织的首席数据官，负责数据都绝非易事。要知道公司收集的所有数据有何用途，或者如何成功履行职责，并不总是一件容易的事。
归根结底，管理数据团队没有完美的剧本。您需要掌握各种技能和工具，才能掌控您的工作和公司的数据。从理解概率到与您的团队沟通，我们将介绍任何数据人员在工作场所成功处理数据所需的一些基本技能。
1. 了解何时购买，何时建造
构建还是购买分析技术是公司经常遇到 手机号码数据 的问题——无论是后端业务、入职流程还是数据，两者都有优点和缺点。首先，利用现有的所有开源大数据工具并构建自己的分析解决方案似乎很有吸引力。它可以让数据科学团队完全控制他们收集的数据、收集方式以及如何处理这些数据——对吗？
但是，如果你可以外包，并且仍然可以从数据中获取所需信息，那么你可能应该这样做。开发和管理数据工具很快就会变成大项目，从而将工程资源从核心任务中抽离出来。其中许多工具对于非数据科学家的最终用户来说也很难使用。
如果您要购买分析平台
您可以探索各种选项，以决定是否需要一个完整、强大的平台，或者您是否可以采取更随意的方式，从内部工具和附加组件收集数据，然后将它们拼接在一起。或者，您可以 品牌如何在社交媒体上支持本土社区——正确的方式 选择全栈平台，它可以更彻底地整合您的数据，并快速启动您的工作。您还将获得将团队整合到新平台上的支持，这是一种让不同人熟悉使用数据的好方法。Scuba独特的全栈分析平台是一个解决方案的示例，它为您公司的任何人提供灵活、强大的行为分析。
2. 尽早出击
如果您要处理数据，越早开始收集数据越好。您需要建立数 司数据团队所需的 据管道，即使它还在公司成立初期。如果您已经全速运转，您需要能够尽快设置数据收集，同时保持准确性并立即进行大规模运营。尽早行动还意味着您需要评估公司的需求并找到正确的数据解决方案——以及协调团队之间的集成并与上下级合作以找到可行的解决方案。
3.了解数据的业务背景
如果你能收集数据然后就完事了，那么管理 邮寄线索 数据科学团队就很简单了。但每个尝试过管理数据的人都知道事实并非如此。你需要根据业务目标和愿景来使用数据。你希望在一个月、一个季度或一年内看到业务发生哪些变化？哪些指标可以帮助你衡量实现增长的进展？能够弄清楚这些问题，才能将数据从一堆数字转化为可付诸行动的见解。
4.选择性注意
随着新发现的跟踪几乎所有事物的能力的出现，另一个挑战是辨别哪些事物值得我们关注。尤其是在资源有限的情况下，选择要分析的内容是建立公司和实现业务目标的关键部分。这建立在能够将数据和指标置于业务环境中的基础上。弄清楚您的团队和公司想要去哪里，并确定可以帮助您实现目标的 KPI。即使您有一百万个想法，也要将精力集中在您可以实际实现的目标上。Uber 前乘客增长主管 Andrew Chen很好地总结了这一点：
“如果你不打算采取行动，那么它可能就不值得衡量。（同样，如果你想采取行动来改善某件事，你就会想要衡量它。）”
不过，不要吝惜你想要收集的数据。如果有疑问，收集更多数据总是更好的选择——只要确保你的分析堆栈可以处理负载即可。
5. 知道如何提出分析性问题
任何熟练的数据科学家或分析师的核心都是一项关键技能：知道如何提出正确的问题。单靠数据不一定能让您的公司脱颖而出，或帮助您打造出色的产品和蓬勃发展的业务。分析是关于深入研究数据以了解幕后情况。您需要能够提出问题，以便将您的信息转化为假设和理论，并最终获得关键见解和分析。
这并不意味着一次性 提出完美的问题——一个能够带来改变留 司数据团队所需的 存率或转化率的洞察的问题。这意味着能够反复提出基于数据的分析驱动问题，直到你找到你正在寻找的洞察——或者没有预料到的洞察。
虽然这并不是一项可以一下子掌握的技能，但你可以通过以下方式培养提出聪明、分析性问题的技能：
了解您的产品
了解数据分析的基础知识
愿意跳出固有的思维框架
协同工作
这些将为提出更大的问题奠定基础。
6. 建立组织内沟通模型
数据是一种工具，它可以帮助公司中的每个人更深入地思考您的产品和流程。要做到这一点，每个人都需要能够访问和理解这些数据，并知道你用这些数据做什么。
这并不意味着你只需分发分析的最终结果，或转储大量原始数据并假设你的公司会像你一样理解它。使数据民主化是建立更好的分析、团队和流程的关键。这意味着获取你拥有的信息并通过简化使其易于访问，以便每个人都可以看到、理解和操纵你收集的信息。
7. 基本数学概率
简单的数学概念在遇到违反直觉的情况时，甚至连最聪明的数学家都会感到困惑。这是因为我们的直觉和数据往往指向不同的方向，这使得我们很难辨别什么才是真正的正确。解决这一困境的一部分是不断更新你的基础知识——当你觉得数据告诉你的东西与你的直觉不符时，就回到它们。
这可以帮助你避免偏见，例如特怀曼定律。特怀曼定律认为，任何看起来不寻常的统计数据都是错误的。也就是说，如果你看到的东西比你预期的有趣得多，那么它背后一定有原因——例如，3 月凌晨 2-3 点没有流量的网站可能只是受到了夏令时的影响。意识到数据有时对我们的大脑来说很难处理，可以阻止你犯错误或得出错误的见解。
8. 衡量成功
对于您在分析中所做的所有定量工作，您很容易忘记您也应该衡量自己的成功——尤其是使用 KPI，因为 KPI 因部门和团队而异。您的销售团队可能需要评估他们的 CRM 工具如何跟踪客户，以及它是否有助于他们有效地跟进潜在客户。您的数据科学团队可能需要弄清楚他们对新用户保留的分析是否有效，或者您的产品有多少每日 (DAU) 和每月活跃用户 (MAU)。
鼓励团队以批判的眼光审视自己的流程并设定自己的成功指标。例如，探索目标和关键结果 (OKR) 框架可能会有所帮助，以关注工具如何帮助实现团队目标。留出定期与团队会面并审查工具也可以避免在长期内浪费金钱在无效的工具或流程上。不要在没有制定计划来跟踪其成功的情况下根据您的数据实施工具或新流程 – 并且不要犹豫更换或迭代不起作用的工具或指标。这将节省您的时间并建立您的长期成功。
9. 关注“为什么”，而不仅仅是“是什么”
您的数据是由实际的人（或设备或其他事物）生成的。如果您只查看数据点，可能会错过客户旅程的一个关键组成部分：原因。
行为分析可以帮助您提出有力的假设，说明产品用户的行为原因。有时，直接追根溯源也同样有价值。为了全面了解数据并制定全面的分析流程，您可以使用：
客户研究：无论您是与使用您的产品的客户交谈、通过 Zoom 向他们提问，还是进行全面的调查，听取未经过滤的客户体验都是了解他们行为方式的最佳和最直接的方法之一。
客户旅程：工具可以让您了解客户实际使用产品的方式，这对于找出“原因”非常有价值。通过观察这些用户的旅程会话的开始，数据团队可以将用户在您网站上的多种路径拼接在一起 – 从产品使用到结账流程。找到摩擦点、粘性点甚至流失点可以让数据团队发现推动这些趋势的因素 – 以及如何采取行动。通过直接了解源头而不是仅仅依靠数字，建立对了解客户如何使用您的产品的决心。