专栏首页大数据文摘张溪梦:如何打造高速增长团队,实现快速增长

张溪梦:如何打造高速增长团队,实现快速增长

大数据文摘作品,转载要求见文末

作者 | 刘文清

本文整理自2017年7月11日由清华-青岛数据科学研究院联合大数据文摘举办的《顶级数据团队建设全景报告》发布会上,GrowingIO 创始人&CEO张溪梦所做的以“数据团队的建设现状与建议”为主题的发言。

张溪梦表示,数据受到了很多行业和公司的热捧,但能够真正利用数据产生可衡量的价值的公司凤毛麟角。并为大家分享了数据团队的建设现状,针对如何打造高速增长团队给出了他的建议。

后台回复关键词“清华大数据”,下载完整版PPT。

以下为张溪梦演讲实录:

张溪梦:《顶级数据团队建设全景报告》定稿后我就看过了,写得非常好。我在上周参加一个CTO峰会时就引用了报告中的内容,例如人们对数据价值的认知度普遍较低、数据价值落地艰难等,分析结果受到很多CTO的高度认可。因为大数据概念在中国过去几年里风起云涌,数据受到了很多行业和公司的热捧,大部分企业为此投入了大量资源、时间、人力,但能够真正利用数据产生可衡量的价值的公司凤毛麟角。

我认为首先数据是有巨大的价值的,其次,结合咱们中国整个产业的发展趋势来看,数据也必然会产生爆发式的价值输出。但是,想要实现数据变现,需要公司的领导层、执行层以及管理层齐心合力推动数据团队的价值落地才行。

我以前在美国做了很多年的数据分析工作,当时我所在的公司既是网络公司,又是媒体公司,同时还有B2B的一家SaaS公司,期间我主要负责数据分析和带领数据科学团队,并接手了数据变现工作。在那里我经历了如何通过数据连接企业的销售、营销、产品、工程、服务及风控等各个部门的整体流程。多年的工作经验让我充分地意识到了数据的价值。我认为,数据将成为企业提高效率需要具备的最基本的能源,并代替互联网成为未来连接世界最主要的媒介。

为什么要利用数据驱动业务增长

相较欧美发达国家,数据驱动意识之所以在我国起步较晚,有两个因素:

一是因为以前中国的劳动力成本低,我们可以通过大量廉价劳动力来弥补效率的不足。但是中国的人口红利在2015年年初的时候已经达到了顶峰,随之会慢慢下降,人力成本将迅速上升;

二是在过去10年左右的时间里,互联网流量的红利一直在衰减,而且形成了非常显著的马太效应。比如说,人们在移动端使用手机,70%以上的时间贡献给了BAT等互联网的业界巨头,几十万家企业要分割剩余的30%的流量。因此,今天的流量非常稀缺,越来越昂贵。

综上来看,现如今的人力成本在不断增加,流量变得越来越贵,一个企业想要在行业里面生存下来,必须要增加单位产出,并且不能以增加人力为代价。这时候,利用数据驱动业务增长就成为了一个非常好的出路。

怎样实现数据驱动业务增长

在讲数据驱动业务增长的组织架构之前,我先为大家分享一个概念:“增长黑客”。不同于靠烧流量、大规模地推等粗放的增长方式,“增长黑客(Growth Hacking)”是通过技术手段和数据分析,以最低成本甚至零预算的方式,获取客户和收入的指数级增长。今年可口可乐公司在他们企业内部设置了首席增长官,代替了他们在职二三十年的首席营销官,因为他们认为一个企业如果想高效的利用数据来驱动增长,那么部门或团队的负责人需要同时具备数据分析能力、营销能力、工程和产品能力。

这实际上是需要负责人从流量型思维向客户型思维转化。流量型的思维是指通过多平台多渠道打广告的方式获取客户,拉取流量。这种方式成本低,能大量吸引新的客户,但是赚完这些客户的钱以后,就把他们抛弃了。客户型的思维就是利用高成本的广告或方式获取客户,并对客户进行再运营,不断从既有的客户身上获取价值,甚至通过客户创造更多的价值。我们可以参考“增长黑客”增长模型的五个环节:

可口可乐之所以把CMO变成CGO的模式,把技术团队、业务团队以及所有的业务线全部放在一个首席增长官的管理下面,主要也是需要打破以往的营销部门负责获客,产品部门负责激活,运营部门负责留存,销售部门负责变现,客服部门负责服务流程中的藩篱。其中实现连接各部门最核心的两点是:第一点是用户,用户没有变;第二点是数据,用户的数据从获取到第一次使用,再到留存、变现,可以使各部门联系起来。

总之,想要实现数据驱动业务增长,负责人不能单凭一种数据的分析思维,或者单凭BI、数据仓库,甚至是一种机器学习模型的思维来看当今的商业环境,必须具备销售的思维、产品的思维、工程的思维以及营销的思维,还有客户服务的思维,才能真正利用数据产生价值。

怎样搭建增长团队的组织架构

先为大家分析几个拥有增长团队的公司的组织架构:

1. 领英:功能矩阵型增长团队

领英在2004年左右成立了增长团队,由产品经理、工程师、数据科学家,以及营销、设计专家组成。这个部门的核心使命有两点:用最低的成本,最高的速度获取客户;让用户更多的使用领英。他们的变现部门也是由产品经理、数据分析师、销售专家等组成。从中我们也能看出,数据团队嵌入在业务部门里面,与业务相配合,才能驱动业绩的增长,而不是通过提供数据报表或机器学习模型等方式仅仅实现数据底层建设。

2.Facebook:独立型增长团队

Facebook是专门成立了一个增长的大部门。这个部门的下面,VP负责三条产品线,每条产品线里面都有数据分析师、工程师、产品经理和设计师。通过这种方式组织他们的数据、产品和运营的团队,成为一个整体的增长部门,而不是成立一个独立在各个业务线之外的分析部门。

3. Pinterest:功能分布型增长团队

再来看一下Pinterest的增长团队架构,他们公司负责增长的团队是划在增长部门里面,但更偏重在以转化为核心的营销部门。

如何组建优秀的数据团队

1. 数据专家需要具备业务、产品等思维

2010年,我们对领英的数据分析、数据科学等各方面做了一个金字塔。结果显示,数据是从业务而非数据库或数据平台开始的。我们需要理解,所有的数据都是从我们的客户、产品和服务来生成的。那么,如果一个分析师、数据科学家不理解业务、产品、服务,无论他的技术多么优秀,都很难为公司创造价值。

2. 重视数据采集环节

在生成数据之前,我们必须要做有效率的数据追踪,因为如果我们在数据收集上没有前瞻性,会使数据团队变成一个数据清洗团队,工作效率很低。所以聪明的公司会花很多的时间和功夫在数据采集环节。

3. 数据价值通过积累实现爆发式增长

我们需要知道非结构化数据、半结构化数据、结构化数据存储在什么样的技术平台上效率是最高的,同时还要兼顾成本和计算时间。一般来说我们会在分析部门或者数据科学部门里做很多专题性分析,因为大部分公司是把BI或者商业智能直接放在了数据平台上面,这样的企业大部分都会以失败告终。以前在领英的时候,我们直接把分析部门加在了BI和数据之间,因为大量的分析结果是不需要做成报表的,而是直接进行分析。只有这些持续的、可重复的、有运营意义的东西,才能进入我们整个商业智能BI的平台。我们又加了一个BI之上的深度分析,深度分析一般在传统的概念里面会分成三个不同的流派:

  • 一是和麦肯锡的管理科学等管理相关的深度分析;
  • 二是以统计学为核心,用SaaS等,以统计学模型为核心的统计学流派;
  • 三是机器学习,这个流派最近这一两年炒作成了AI,用神经网络等工具。

我认为这三种不同流派应该互相结合、互相协作,而非每一种模型完全应用于另外一种模型。这之上还有一层优化层,再在这之上才是真正的商业洞察和洞见。我们发现很多的数据科学家或分析师做的很多研究结果都很有趣,却不能落地。这种有趣却不能落地的东西毫无疑义,必须要把商业分析的结果放在业务里面,让业务能够直接产生决策和商业价值,这样的结果才是真正有价值的结果。我从来没有看过任何一家企业做一件数据上的工作就产生了百分之百的价值,不积小流不足以成江海,一般都是不断的积累、迭代、学习,每周比上周好3%或者是5%,最终产生几何级数的变量。

怎样推进数据价值落地

《报告》中也提到,公司对数据价值的认知是非常高的,但数据团队的价值落地艰难。其实大部分的原因还是因为我们太关注于技术底层的建设,而忽略了上层的商业本质。这其实也是一个两难的境地,下层的技术框架搭建耗时长,没有人能越过这些下层一下子就跳到最后一个决策层去。

因此,我们今天强烈建议,无论是数据团队还是工程团队,或者是数据科学团队,应该用技术的方法,尽量的把底部做得很小。我们必须要把我们的时间和精力尽量的花在上层,因此,就要求我们今天的数据团队要尽量的把底下数据追踪的时间、建立数据平台的时间、做基本的BI系统的时间缩小,甚至包括我们今天建立业务的时间都要自动化,都要缩小。以前我们在领英的时候,建立预测模型的机制是自动的,系统可以自动的每周建16个模型,其中选出来有益的模型自动上线。这就减轻了我们数据工程团队在技术上花费的时间,他们会花更多的时间和业务端,如和产品端、服务端来探讨怎么用这些数据能直接产生商业价值。这样会使价值变现更快更大。

我最后想要分享的是数据变现需要经历的三个阶段:道、术、器。

道是指大家对数据要有一个准确的理解和认知,这是整个体系的基础。

术是指方法,做数据分析需要掌握一套科学的方法,企业各个部门特别是一线的销售、客户服务、营销、产品等部门必须能够熟练的用数据来做各种决策和商业判断,来直接产生业务价值。

器是指工具,没有工具的话数据分析只能是空谈、无法落地。我们必须要用技术来产生好的工具,通过工具使数据很快的满足业务端的需求。在道、术、器上要做到统一。

我的报告就到这里,谢谢!

后台回复关键词“清华大数据”,下载完整版PPT。

关于转载 如需转载,请在开篇显著位置注明作者和出处(转自:大数据文摘 | bigdatadigest),并在文章结尾放置大数据文摘醒目二维码。无原创标识文章请按照转载要求编辑,可直接转载,转载后请将转载链接发送给我们;有原创标识文章,请发送【文章名称-待授权公众号名称及ID】给我们申请白名单授权。未经许可的转载以及改编者,我们将依法追究其法律责任。联系邮箱:zz@bigdatadigest.cn。

本文分享自微信公众号 - 大数据文摘(BigDataDigest),作者:大数据文摘

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2017-07-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 关于大数据的十个有力事实

    大数据文摘
  • 【重磅译文】大数据-风险管理新武器

    大数据文摘
  • 2015中国开放政府数据“探显”报告(下载)

    大数据文摘
  • 大数据时代的10个重大变革

    大数据时代的到来正在改变人们的生活方式、思维模式和研究范式,我们可以总结出10个重大变革。 NO.1目标驱动型 数据驱动 决策方式 传统科学思维中,决策制定...

    企鹅号小编
  • 【数据】数据预处理

    小编邀请您,先思考: 1 数据预处理包括哪些内容? 2 如何有效完成数据预处理? 数据的质量和包含的有用信息量是决定一个机器学习算法能够学多好的关键因素。因此,...

    陆勤_数据人网
  • 大数据时代:缺乏能动性的大数据是没有价值的!

    不是所有的大数据都是有价值的,大数据只有“动起来”才能体现其价值,否则,很可能是无用的。很多有着海量数据流的公司,虽然有着大把客户资源和现金流,本来是非常适合进...

    挖掘大数据
  • 【观点】 从大数据中获取商业价值的9种方法

    现在已经有了许多利用大数据获取商业价值的案例,我们可以参考这些案例并以之为起点,我们也可以从大数据中挖掘出更多的金矿。 2013 TDWI关于管理...

    机器学习AI算法工程
  • 大数据实现商业价值的九种方法

    TDWI最近关于管理大数据的调查显示,89%的受访者认为大数据是一个机会,而在2011年的大数据分析的调查中这个比例仅为70%。在这两次调查中受访问者均普遍...

    机器学习AI算法工程
  • “揭秘”大数据的10个神话!

    本文整合自恒信国通 也许对大数据更好的一个类比是它就像一匹意气风发的冠军赛马: 通过适当的训练和天赋的骑师,良种赛马可以创造马场记录–但没有训练和骑手,这个强大...

    CDA数据分析师
  • 大数据市场乱象:用人工智能讲故事 低质虚假数据大量倒卖

    伴随着资本大量进入大数据行业,出现了创业公司估值过高的现象,好像只要打上大数据的标签,一些公司的估值动辄翻番好几倍。企业信用数据服务商上海斯睿德信息技术有限公司...

    BestSDK

扫码关注云+社区

领取腾讯云代金券