第一篇:走向数据之光,价值驱动
第二篇:走向数据之光,实践思考
第三篇:走向数据之光,成长启示
“学习、交流、成长”
这几年听到最多的一个声音,我们要开始“卷”价值了。那么“你的价值体现是什么?”、“当前还有多少价值可以做”、“接下来我们要创造什么价值”…
“数据分析中BI/BA的价值定位”
下面部分内容是鄢维凡老师在会上的分享,讨论的主题是数据分析(BI/BA)的价值定位和数据工作的价值思考。
“数据分析中BI/BA的价值思考”
发展到现在,不同行业不同类型的公司,应该都有增设数据类相关的岗位。业务形态不一样,组织的定位也迥然不同,在架构设计和职能负责的内容上也大相径庭。
当讨论价值的时候,首先应该要了解到我们所在的团队是属于哪种类型的组织架构,以及在整体业务视角下还有哪些人在做着数据相关的内容,寻找共性和差一点。
所有工作的核心价值,都可以提炼成为四点:降本、提效、创收、控风险。
应对不同角色的人,需要厘清各自的需求点,回到第一篇《数据分析能够带来诸多商业价值》中的归纳整理,了解数据受众是特别重要的一个环节。
● 老板的期待 -- 做一些帮助业务成长的数据分析
● 业务的诉求 -- 通过数据帮助我解决当前的问题
● 数据的能力 -- 数据技术应用带来潜在商业价值
“数据分析中的目标聚焦”
不同的企业,在不同的阶段,团队需要对接的事情都特别多。一开始了解业务、接触数据的时候,都会保持着非常浓厚的兴趣和新鲜感,时间一长,在价值感得不到满足的时候就会催生出自我怀疑,我做的事情真的有价值么?
引发职业焦虑的因素,和职业规划有着一定的关系,可能是现有目标不匹配,抑或是目标已偏离预期,再或者是没有找到真正的目标。
在布赖恩·费瑟斯通豪《远见:如何规划职业生涯3大阶段》一书中提到,你要不断问自己这三个问题:我擅长什么?我爱好什么?这个世界需要什么?三者交集的部分,找到自己的目标,当前应该做哪些方面的刻意练习,强化优势,用长板补短板。
而个人职业成长旅程中有三个定位:岗位定位,管理定位,行业定位。
● 28岁前,用岗位专业定位自己,你干啥最专业?
● 32岁之前,用管理角色定位自己,你做项目、带团队、搞运营的能力怎么样?
● 38岁之前,用行业品类定位自己,你在哪一个行业领域做到了顶尖?
“数据分析具体都要做什么”
经过互联网“十年”快速发展,对于几乎所有泛商科的岗位来说,“数据分析”都是不可或缺的必备技能。
数据分析,如果只是用来做数据处理,它就是一个技能,可以人人都是数据分析,如销售、市场、运营、策划、产品、技术等需要通过数据分析实现业务持续增长;财务、法务、人力等行政类岗位也是需要通过数据分析来提升工作效率,提高人效等指标。
数据分析,当统计实现具备一定难度的时候,加上大数据技术&工具、算法模型、需求理解、项目管理、根音、归因,它就变成了一门职业,不是人人都可以成为数据分析,需要具备非常强的专业门槛。
参考领英站内主流数据人才岗位的设计:
对于具体的岗位职责、工作内容,就需要对照各自公司的JD和岗位胜任力模型,组织需要这个角色做什么、负责什么、产出什么,基本上都写在大部门规划和考核点上。
要做的出色,就需要思考另外一个问题,我们站在这个位置,还可以再做点什么超出预期的事情来。
“数据分析发挥的三类价值”
回归到商业的几个本质上,信息差、理解差和认识差,数据在日常经营中所发挥的三类价值(资源价值、站位价值和信息价值),需要对具体的业务(市场、运营、活动、产品、设计)起到决策支撑性作用。
专业数据分析和业务团队自己的数据处理相对比,之间的差异点在于:
● 学习成本,专业的人学习专业的工具,快,并且能快速拿结果
● 理解认知,信息是可以快速传输的,但是理解会存在知识差
● 落地方案,我知道了,和我知道并且能做了,是两个层面的问题
不是业务没有数据分析能力,而是专业的BI更有性价比。如果企业内部的决策对数据的依赖度没那么高,对数据的时效要求比较低,数据所能催生出来的价值就会越稀缺,这时候数据更多时候是起到辅助验证的作用。
所以,要想在数据工作中找到自我成就感,那在公司选择或者老板选择上就注定需要多付出心思做筛选,因为需要,所以存在。
“数据分析在未来的展望”
“互联网”、“人工智能”、“AIGC”、“5G”、“量子计算”,在这个快速变化的时代下,国家提倡数字经济,企业实施数字化转型,对数字化人才的需求急剧增长,数字化人才日益成为国家创新驱动发展、企业转型升级的核心竞争力。
借用以前沐心做的一个总结,对职场上的绝大多数来说,懂业务的人不懂数据,懂数据的人不太懂业务。从经验上来看未来的展望,还是要夯实好基础功,利用专业壁垒,做好自己擅长的事情。譬如,
● 跟进数据指标完成
● 做好业务根因分析
● 探索业务归因因素
● 拟定数据标准规范
● 参与业务数据治理
“数据分析的价值衡量”
观远的一份报告中把数据对经营决策的两类价值进行提炼,将其分为基础价值和赋能价值,并总结出了对其中数据赋能价值有较大影响的两大因素:
基础价值:最基础的数据展示,让业务部门能够更便捷地看到不同来源的业务数据
赋能价值:这类价值也是最难评估和验证。一方面,因为业绩增长通常是多因素共同作用的结果,难以评价数据建设单一因素在其中发挥的价值;另一方面,由于企业组织规划中通常有清晰的角色分工,数据建设岗位通常为中后台部门,不直接为业绩结果负责,导致数据价值链冗长,追溯成本高。
数据决策,原本是为了替代拍脑袋的经验决策,但是人是惯性的,我们慢慢的也会从数据决策,变成拍脑袋得数据结论的经验决策。以前拿一个指标需要取数,时间久了,不取数,也能估的出来,这种算经验还是算数据?
个人能力的成长,溢出部门职责要求的时候,会形成一种对抗,部门的职责范围扩增,会衍生出组织团队定位的问题,都需要做好日常的思考、复盘和总结,保持持续的学习和交流必不可少。