大数据分析与实践-社会研究与数字治理第13章 组织分析团队

第13章组织分析团队QQ：81505050杨武剑周苏大数据分析与实践——社会研究与数字治理大数据时代的来临，人人都在说数据分析，可是说到未必能做到，真正从数据中获得洞察并指导行动的案例并不多见。数据分析更多的是停留在验证假设、监控效果的层面，而通过数据分析获得洞察的很少，用分析直接指导行动的案例更是少之又少。从洞察到行动，数据可以发挥更大价值，前提是我们对数据分析有更深层的认知。数据分析是分层次的。从开始数据分析到促成行动达成目标，需要经历很多阶段，从上至下对应的分析层次包括：表象层、本质层、抽象层和现实层等四个层次（见图13-1）。第13章导读案例数据之路：从洞察到行动

图13-1分析的四个层次第13章导读案例数据之路：从洞察到行动表象层，就像汽车仪表盘，实时告诉你发生了什么，并适时做个警报提示等等，是what。分析师要做的事情就是搭建指标体系，进行各种维度的统计分析。本质层，像诊断仪，不再停留在观察肉眼可见的表面症状，而是去检测身体内部的问题，这个层面要揭露现象背后的动因，找到规律，是why。主要做的事情就是进行个案分析，获得需求动机层面的认知，然后对个体进行聚类获得全面的洞察。抽象层，是特殊到一般的过程，对业务问题进行抽象，用模型去刻画业务问题，是how。这个层面做的事情就是把问题映射到模型，然后再用模型去做预测，减少不确定性。其产出主要是分类（标签）和排序（评分）。第13章导读案例数据之路：从洞察到行动现实层，是一般到特殊的过程，将抽象的模型套用到现实中来，告诉大家如何去行动，是when、where、whoandwhom。就像航标，要时刻为业务保驾护航，指导业务的行动。其产出主要是规则和短名单。在明确分析的层次后，要想从洞察到行动，需要做到四个层次的穿透和每个层次的深入。首先，分析要能够穿透各个层次，只有上下贯通，数据分析的价值才能立竿见影。其次，在分析的每个层次上要做的深入。第13章导读案例数据之路：从洞察到行动1.在表象层，看数据要深入主要体现在两个方面：（1）从“点”到“线面体”，从看一个点的数据，到看线，看面，看体。一般来讲，想看数据的人潜意识里是要成“体”的数据的，只是沟通过程中变成了“点”的需求，因为“点”简单容易讲明白，但是，这次给不了“体”的数据，下次还会围绕“体”的数据提各种“点”的需求，这个时候我们需要延伸一下，提前想需求方之所想，就不用来回往复了。第13章导读案例数据之路：从洞察到行动（2）关注数据之间的逻辑关系。这方面最值得借鉴的就是平衡计分卡了，它从数据指标的角度去看，就是一套带有因果关系的指标体系。

图13-2某银行平衡计分卡战略地图示意第13章导读案例数据之路：从洞察到行动平衡计分卡通过战略地图把策略说清楚讲明白，通过KPI进行有效的衡量，被评价为“透视营运因果关系的绩效驱动器”，“将策略化为具体行动的翻译机”。平衡计分卡对我们的启发是，人人可以梳理出一套和自己业务相关的有逻辑关系的数据指标体系，通过它实现聚焦和协同。第13章导读案例数据之路：从洞察到行动2.在本质层，深入理解业务模式深入理解业务模式，要跳出既有的思维模式，建立新的心智模型。比如我们看淘宝，淘宝业务的本质是什么呢？其中一个答案是复杂系统。大家都知道，淘宝是一个生态系统，淘宝是一个典型的由买家、卖家、ISV、淘女郎等各种物种构成的复杂系统，阿里巴巴是一个更大的复杂系统。复杂系统对我们的启发是，关注个体（系统内部买家卖家等参与者）的同时，注意分析个体在群体中位置和角色，分析群体的发展潜力、演化规律、竞争度、成熟度等，分析群体和群体之间关系。同时，对应的抽象层建模的方法也要与之适配。第13章导读案例数据之路：从洞察到行动3.在抽象层，构建抽象特征和模型这是指在微观上构建更加抽象的特征，宏观上构建更加抽象的模型。（1）在既有的分析和挖掘框架下，构建更加抽象的特征（也可以理解成维度、指标）。这个可以类比现在最火的深度学习技术，如果对一个图片进行识别，即使你获取的是像素信息，深度学习可以自动学习出像素背后的形状、物体的特征等中间知识，越上层的特征越接近真相。图13-3深度学习技术示意图第13章导读案例数据之路：从洞察到行动给我们的启示就是，在交易笔数交易金额这种“像素级别”特征（指标）的基础上，可以考虑是否交易笔数连续上升、营销活动交易占比等带有业务含义，更加抽象同时接近业务的特征（指标）。用抽象特征去建模可以提升模型的效果，用抽象的指标去分析可以更贴近业务需求。第13章导读案例数据之路：从洞察到行动（2）宏观方面，可以用更加抽象的方式对业务进行建模。淘宝是复杂系统，我们也可以对复杂系统进行建模。做些适当的简化，对淘宝做一个高度抽象，那就是一个字“网”。节点是买家、卖家等物种，边就是购买、收藏、喜欢等行为产生的关系。整个淘宝就是一张大网（见图13-4）。建立这张大网之后，我们就可以做深入的分析，比如市场细分，个性化推荐等等。第13章导读案例数据之路：从洞察到行动图13-4淘宝女装业务的抽象模型示意图图注：不同的颜色表示不同的细分互动市场，点代表的是店铺或者会员，连线表示会员是店铺的熟客，点的大小对店铺而言代表店铺的熟客数，对会员而言代表常购买的店铺数，越接近图的中心越表示大众化的需求，越接近图的边缘越体现需求的个性化。第13章导读案例数据之路：从洞察到行动4.在现实层，要深入业务中深入到业务中去，要不断提升对相关业务的认知能力。心态上不要自我设限，分析无边界，分析师要主动参与到业务模式、产品形态的规划和设计去。要了解业务，在此基础上灵活运用模型的产出，比如：一个风险控制策略，假如已经有一个风险事件打分模型对风险事件打分排序，分析师可以根据业务需求灵活设计模型的使用策略，例如，对于风险得分最高的时间，机器自动隔离，风险得分偏高的，用机器+人工审核的半自动方式进行隔离。模型是死的，活用靠人。第13章导读案例数据之路：从洞察到行动目录企业的分析文化数据科学家（数据工作者）集中式与分散式分析团队组织分析团队12345走起，大数据分析企业的分析文化PART0113.113.1企业的分析文化分析路线图是将商业战略转化为分析执行计划以达成业务目标的奠基石。很多公司在进行或展开分析研究时走了不少弯路，在进行高价值分析的生产部署时容易陷入无数的复杂细节中。这些复杂的细节可以被分为三种，即人、流程和技术。如果执行不好，这三者是让项目脱轨的重要原因，但是在执行好的时候，它们也是帮助实现成功生产部署的促成因素。下面，我们来考虑怎样根据分析路线图去创造持续的价值，关注分析中最复杂的部分：人。我们讨论如何最大限度地吸引并留住分析人才，以及更好地组织分析团队来实现成功。13.1.2繁荣分析的文化共性13.1.1管理分析团队的有效因素最大限度地吸引并留住分析人才，以及更好地组织分析团队来实现成功。13.1企业的分析文化13.1.1

管理分析团队的有效因素决定如何最有效地组建和管理分析团队，需要考虑几个因素。就像任何一个组织架构一样，随着业务目标的不同、业务需求的变化和组织内部对分析使用深度的不同，团队的组织结构会随之发生变化。企业文化是指企业成员之间价值和实践的分享。具有分析文化的企业很看重基于事实的决策，并通过将分析贯穿于其业务，采取相应的行动并获得有价值的商业影响来体现这种价值观。13.1.1

管理分析团队的有效因素大型企业在过去的一段时间内，其分析的成熟度不断演进，即从对过去结果的描述性报告，到后来通过预测分析对未来事件进行积极预测，再到现在使用高度复杂的优化技术来进行指导性分析。如今的创业公司经常通过使用预测分析和指导性分析，拥有可以快速超越现有业务的优势，使其在一开始就可以凭借强有力的推荐和计分引擎，与业界巨头平分秋色。13.1.1

管理分析团队的有效因素大型企业通常从评估业务结果并确立目标或是关键绩效指标（KPI）开始，他们通过简单技术来实现这个目标，例如电子表格或者复杂一点的记分卡，然后用商务智能仪表盘来评估过去的绩效表现。企业开始逐步走向预测分析领域，对未来结果进行预测，并基于预测来进行决策。因为预测分析已经证明了其可信度，公司开始将分析嵌入到业务流程中，要么使决策自动化，要么考虑更多复杂情况，为决策者提供更多的合理建议进行决策。图13-5商务智能仪表盘13.1.2

繁荣分析的文化共性不管是一开始就习惯使用分析手段的创业公司，还是正在提升分析成熟曲线的大型企业，都可以让分析繁荣并吸引分析人才的文化具有共同性，这些企业拥有一种可以包容、培养和陶冶的文化。（1）好奇心。一群人内心充满好奇，喜欢学习并且不断提高自己。培养好奇心的组织允许其员工在公司内部的不同流程、顾客和供应商之间建立关联。将好奇心和解决问题的能力结合起来会非常强大，它能够让跨部门的团队进行合作，分享他们的专业知识，识别并解决业务问题，或是抓住稍纵即逝的机会，为业务开拓新的价值。培养好奇心给了企业一个机会，去实验并尝试新的想法。一个充满好奇心和勇于尝试的企业可以让思维跳出条条框框，创造出颠覆式的创新，带来显著的商业价值。13.1.2

繁荣分析的文化共性（2）解决问题的能力。问题解决者力图通过识别问题、瓶颈、约束并建立让企业达到目标的解决方案，最终实现目标。问题解决型的企业经常将解决问题作为一种方法，实现卓越运营、高绩效和高效执行。这样的企业透过问题表面，挖掘问题根源、瓶颈，然后尝试找到解决方案，来解决问题或使问题最小化。这经常需要企业的不同的团队进行良好的合作和沟通来解决问题，这样的企业寻求的是持续的提高。（3）实验。力求创新的企业都会检验新的创新想法，这意味着他们必须容忍失败，因为并不是每个新的想法都会带来成功。从错误和失败中学习，对于演进潜在的解决方案是十分重要的。一个推行实验的企业会寻找创新性和科学性人才，他们具有突破条框的思维模式，拥抱那些非线性和相反的想法。13.1.2

繁荣分析的文化共性（4）改变。历史上没有任何一个时代的业务需要像今天这样灵活运作。这是宏观经济因素不断进行结构转变的结果，使竞争更加全球化。唯一不变的，是变化将成为一种常态，企业必须将灵活作为一种制度，来适应他们身处的这个不断变化的世界。这意味着企业必须从死板的、等级分明的组织转化为更加有机、自组织的企业，从而能够拥抱并利用变革。尽管领先的创新企业经常以他们能够适应市场转变为傲，但是有自省精神的企业会通过采用快速跟随者的执行策略，来从市场的变化中获利。改变并不意味着成为第一，但是它意味着进行与总体商业战略相匹配的改变，并保持企业在市场中时常处于最新和相关的状态。13.1.2

繁荣分析的文化共性（5）证明。基于证据或是基于事实进行决策的组织，会通过不断地收集并分析数据来做出商业决策。这意味着要最大限度地使用可获得的数据，来尽可能快地做出决策，然后继续利用新数据学习并提高。那些成功使用数据来进行决策的组织，从两个方面训练他们的组织，即如何设计准确的业务问题来使用数据得到答案，以及如何使用软件工具来得到答案。数据科学家（数据工作者）PART0213.213.2数据科学家（数据工作者）我们需要新一代的分析专家，他们能够从全局出发，懂得如何将众多的分析方法应用到商业问题上来。现今，分析人才是一种稀缺资源，对于想要建立分析团队的公司来说，找到、吸引并保留分析人才是一件相当困难的事情。13.2.3数据准备专业人员13.2.1数据科学家角色13.2.4分析程序员13.2.2分析人才的四种角色13.2.5分析经理13.2.7吸引数据科学家13.2.6分析通才13.2数据科学家（数据工作者）13.2.1

数据科学家角色数据科学家这个术语是在20世纪60年代被创造出来的，直到2012年大数据这个术语在市场中被广泛采用，这个名词才变得流行起来。公司开始急切地寻找难得的数据科学家。现代分析人才可以按领域、经验和相应的技能分成不同类别。当然，理想的是计算机科学、数学和专业知识三位一体的复合型人才，但这在任何一个人身上都很难完全具备。要想找到一个掌握计算机科学技术的人才，又能够使用多种软件语言、不同的软件工具和对软件设计有很深的见解，这是非常困难的。更不要说寻找掌握这些技巧的同时，又对应用数学、统计和运营研究有深刻理解的人才了。这是企业经常放弃最重要的职能或是行业专业知识和商业洞察力的原因，促使组织进一步去改进其对分析角色的定义。13.2.1

数据科学家角色2012年和2013年，某研究机构开展一项研究项目，涉及关于技能、经验、教育和数据科学家属性特征的信息，展示了各种分析专业人员的“指纹”。数据科学人才有几个标准，譬如好奇心、冒险精神和“用正确的方式做事”这种基于价值的导向。组织希望找到那种超级好奇的人，而非简单寻找一种特殊的，有分析编程语言R技能的人。超级好奇的人喜欢学习，同时他们可以教会自己。研究数据表明，分析天才想要研究复杂的、具有挑战性的，能够给他们的组织带来深远影响的项目。分析专业人才在乎的是能够解决有趣、复杂的问题。他们在乎的是能否继续因为他们的好奇心和学习的能力而受到重视。13.2.1

数据科学家角色事实上，分析人才经常说，离开一家公司是因为他们觉得工作无聊，而加入另外一家公司的原因是他们能学到更多——数据科学家比起金钱激励更看重精神激励。一项数据挖掘调查也显示，分析项目中得到更多的认可和在分析项目上的自主性是让分析人才对他们工作满意的最重要的因素。其他的关键因素包括有意思的项目和教育机会，这和研究机构发现分析人才是好奇、活跃的学习者这件事不谋而合。13.2.2

分析人才的四种角色在一次调查中，研究机构将分析人才分为四种分析角色：通才、数据准备型人才、程序员和管理者，这些角色在典型分析任务中所花费的时间如图13-6所示。图13-6在分析价值链上按功能花费的时间13.2.2

分析人才的四种角色一项研究结果揭示了一组关于数据科学家的“原始天才指纹”，一些重点是：·数据科学家有认知的“态度”，并且会追寻对万事万物更深的理解。·他们具有创造性，不仅愿意去创造解决方案，并且更愿意去得出最优秀的解决方案。例如编程可以更加优化流程，或者是更好地将解决方案可视化。他们会营造一种组织文化，重视不同的方法和创造性的想法。·数据科学家有很强的“以正确的方式做事”的欲望，并且鼓励其他人也像他们一样做事。他们愿意发声去捍卫他们相信正确的事情，即使面对争议。13.2.2

分析人才的四种角色·他们对质量、标准和细节要求有非常强的意识，经常通过这些特点去评估其他事物。他们非常勤奋，对细节方案和复杂任务会一直认真持续跟进。·数据科学家的表达感情倾向于拘谨和沉默，除非被要求发言或是讨论的问题十分重要，他们在团队或组织会议中会有些沉默寡言。·数据科学家愿意承担通过计算确定的风险——必须在经过关于事实、数据和有可能的结果等一系列深思熟虑的分析之后。他们通过事实、数据和逻辑而不是情感说服团队的其他人。数据科学家重视项目、系统和工作文化的安全性。13.2.2

分析人才的四种角色研究最重大的发现之一，是数据科学家的工作角色范围太广，以至于很难依据角色定义进行招聘。数据科学家就像大家说的“医生”，这个词很容易理解，但是不足以说明它下面的不同专业领域。毕竟，有多少医生可以集心脏手术、皮肤科、小儿科和神经科于其一身呢？数据科学家的分类和子分类有助于帮助确立特定的角色、特长和相应的任务。随着分析工作流被分到具体的工作角色和任务中，相关要求将会更加具体，符合要求的人才库会逐渐壮大。13.2.2

分析人才的四种角色所有四个分析角色都具备的两大特征是：（1）非常强烈的求知欲（理论驱动）。（2）有强大的动力去得出具有创造性的解决方案（创新驱动）。13.2.3

数据准备专业人员每个分析角色的类别都会有些不同。专门从事数据准备的分析专业人员会将大半（46%）的时间花在数据采集和数据准备工作上。图13-7数据准备分析专业人员所用的时间13.2.3

数据准备专业人员这个类别的分析专业人员也在很多工作上花费时间。他们的第二级工作（分析、数据挖掘、设计、解译和展示）和数据准备工作息息相关。数据准备分析师和其他分析工作角色不同，他们明显不是非常有进取心（较少的政治动机），他们对晋升不感兴趣。数据准备专业人员注重细节，他们最不可能犯错误。·寻找人才——数据准备职位的候选人很有可能在组织的其他部门中找到，尤其是那些强调细节的职位。记住，除了要求具有强烈求知欲和创造力之外，也需要具有把握细节和不出差错的能力。当然，对于这样的工作角色，评估和培训是十分重要的。数据准备是在四类分析角色里对统计领域知识要求最低的。13.2.3

数据准备专业人员·雇佣——当想激励候选人时，不要强调这个职位的政治成长、职业晋升，或是承诺有很多对高级管理层的曝光机会。·管理——数据准备工作人员想要详细了解他们的工作目标和绩效表现而不是一般性的评价，他们对自己的项目和表现评价十分关注。·人才保留——数据准备角色处于分析的后台，但这是一个非常大的必要部分。这个工作角色的专业人员一样有创造力、对知识的兴趣和信仰。他们很容易感到无趣，然后离开，到另一个可以充分满足他们求知欲的职位上。最后，他们会寻找一个在精神上有挑战的职位，比起晋升，这种职位对于他们本身的好奇心和创造力更有吸引力。13.2.4

分析程序员专门研究分析编程的分析专业人员会花费很多时间（33%）来编写计算机代码、对数据进行操作和处理。他们把工作时间分成许多份，以完成众多其他和分析相关的工作，主要是分析、数据准备和数据采集方面的工作。

图13-8分析程序员所用的时间13.2.4

分析程序员研究显示，分析程序员这个职位的平均年龄最低，而且经验最少（超过一半工作经验少于5年）。这个职位的人也缺少在公司向上爬的想法。从能力的角度来看，分析程序员有最强的欲望去合作，确保工作中合作顺利。·寻找人才——在组织现有的编程职位中寻找分析程序员。注意那些安装测试版软件的人，那些经常寻求突破功能极限或是时常进行测试试验的人。再这个意义上，刚毕业的大学生会是一个很好的人才来源，询问他们正在从事的项目，即便使是他们个人的项目。13.2.4

分析程序员·雇佣——这个工作角色的候选人对学习新的软件最感兴趣，他们喜欢待在技术和分析的领先前沿，喜欢被授权进行实验和探索，并且参与到持续的学习中去。如果离动手工作越远，他们会觉得无聊和不满意。·管理——考虑到分析程序员的年龄和阅历水平，非常明智的做法是，花一定时间去指导程序员了解相关的商业知识、商业期望，或许还有在组织内部如何处理复杂的职场关系。如果不给他们一些企业内部的洞察和界限，由于缺乏职场悟性可能让他们陷入麻烦之中。他们学习得很快，而且非常乐于学习。13.2.4

分析程序员·人才保留——像所有的分析专业人员一样，这一类人非常容易感到无聊。经济激励和晋升的承诺不会吸引他们，也不会使他们觉得很珍惜或是很有挑战。从根本上来说，他们是在寻找一种精神上富有挑战的工作角色，比起职业晋升，这更能吸引他们本身的好奇心和创造力。13.2.5

分析经理分析经理将大多数时间（57%）花费在管理分析团队并执行一系列的管理任务上。他们的工作量花在负责管理下属的报告和项目上，然后向他们的客户展示项目的成果。图13-9分析经理所用的时间13.2.5

分析经理分析经理年龄相对较大，并且他们都有比较广泛的相关经验。研究显示经理与其他分析专业人才相比，具有更强的竞争和政治倾向，愿意指导并帮助团队。·寻找人才——管理候选人可以从现有的分析专业人员或组织其他管理领域的人才中挑选。他们很容易被识别出来，因为他们非常愿意从事有助于发展并提升自己在公司职级的事情。·雇佣——管理候选人会非常关注晋升以及管理他们的团队。如果职位会有晋升，可以在公开招聘、职位描述或是面试中说明。但是如果他们曾经被告知能够晋升而以后没有兑现，他们会很不乐意。13.2.5

分析经理·管理——除非他们晋升的路径图十分明确，否则那些有着管理想法的人将会觉得缺少动力。他们将领导力和对其他领导者的曝光度视为一种奖励和一种值得去奋斗的东西。考虑到他们对成果的关注不高，也许他们的晋升可以和目标达成以及能否准时完成项目挂钩。·人才保留——研究显示，经理人最在乎的是学习和能否在组织中晋升，而对经济奖励不太感兴趣。当挽留他们在一个并不喜欢的职位上的时候，报酬不是影响因素。13.2.6

分析通才分析通才，在小型和非常大的组织中都可以发现这种人，他们从不花大量的时间在任何一个相对专业的领域。分析通才好像是一个“混血儿”，包含着其他专业分析人员的“天赋”特点。这些经验丰富的专家可以被形容为最像分析经理的人，他们对政治或管理缺乏兴趣，但是喜欢做可以得到切实结果的认真和注重细节的工作。

图13-10分析通才所用的时间13.2.7

吸引数据科学家依据研究提供的标准，内部候选人可以被识别出来。此外，顶级人才总是寻求公司以外同行的认可并经常出席行业会议。专业论坛给想要雇佣顶级人才的公司提供了一个完美的人才聚集地，利用这些场合抛出你想要寻求答案的问题，而这对于人才来讲就像是天然磁铁一样。另外一个顶级人才的聚集地是在一些分析比赛中。最后，分析专业人员的行业团体，譬如数据挖掘、统计学、运筹学、R和SAS用户群和开源项目（如R、Spark等），都提供了可以用来找到顶级人才的极好场所。13.2.7

吸引数据科学家吸引数据科学家的最有效方法，是让他们对即将要做的分析工作感兴趣。他们是非常具有好奇心的一群人，所以在工作信息和面试对话中可以用项目细节来激发他们的工作兴趣。研究显示，数据科学家更倾向于在他们的回答中表现自己有思想、认真、具体。他们是倾听者，不是健谈的人。本身的天赋让数据科学家能够非常快乐地和数据打交道，而这和那些在面试中非常有魅力的人的自身特质完全不同。13.2.7

吸引数据科学家为了确定候选者是否具有好奇心，可以观察数据科学家候选人是否询问了很多的问题。他们是天生的研究者，而且面试之前做足了功课。他们在意细节，没有得到问题答案时会感到困惑，如果候选人没有准备并且没有很多的问题，这可能代表一种好奇心的缺乏，而好奇心的缺乏是胜任这份工作的障碍之一。13.2.7

吸引数据科学家正如研究中显示的那样，比起销售人员、律师和很多其他的职业，科学家的激励方式很不一样。研究显示，尽管销售人员喜欢经济奖励，但科学家更渴望同行的认可。要确保给数据科学家提供机会让他们与其他的团队分享他们的知识——不论是公司内部还是公司外部。允许数据科学家在各种专业场合提出自己的创新想法和研究。要确保可以关注和认识到数据科学家对一个组织成功的贡献。这些激励，还有一些需要解决的具有挑战性和有趣的问题，是留住顶级分析天才的关键。13.2.7

吸引数据科学家正如我们所发现的，欢迎、鼓励并奖励好奇心、解决问题、实验、变革和基于事实决策的企业文化，会像天然的磁铁那样可以吸引分析分析人才。理解数据科学家的天生人才指纹和他们的工作角色——通才、数据准备、程序员和经理——让组织能够确立一个合适的关于分析专业人员的职业道路序列。尽管分析人才是稀缺资源，但是如果工作可以分成组织雇佣的各种角色，能够匹配各种分析工作流程，组织还是有机会利用现有资源找到分析人才的。建立或是转向一个基于事实的企业文化，可以像天然的磁铁那样吸引和留住那些顶级分析人才。要记住分析团队想要为业务目标做出贡献，确保认可和奖励那些分析人才做出的成功贡献，这样他们就会知道他们的工作是有价值的，他们的贡献对于整个公司来说是重要的。集中式与分散式分析团队PART0313.313.3集中式与分散式分析团队为分析人才建立一个合适的组织架构，对于分析团队的持续成功、影响力和能否最大程度留住人才，都是十分关键的。随着团队和公司的成长和变化，组织架构也会随着时间变化。但是首先需要考虑的因素之一，是需要集中的分析团队还是一个分散的分析团队。集中式团队允许专业分析人员去分享基于整个团队的经验和专业知识而形成的最佳实践。集中式方式是创建一个分析团队的常用方式，因为这种方式可以使团队建立分析工作的统一基础，尽管从长期来看分析团队将会采用分散式组织形式。集中式团队通常会建立统一的方法、流程、操作和工具来进行分析模型的开发和部署。图13-11集中式分析团队13.3集中式与分散式分析团队然而，集中式团队通常与业务部门的衔接较弱，而且分析主作会采用自上而下的方式进行。尽管这种方法看上去好像与业务有所脱离，但它通常是将战略分析引入到组织的一种方式，或是借鉴其他行业的分析方法和用例的常用方式。13.3集中式与分散式分析团队分散式团队和业务部门通常在一起，他们对业务的理解更深刻。传统意义上，银行业的数量分析专家和统计学家是分散形式组织的，而且是市场风险、交易或是市场功能的一部分。尽管这种组织架构能够很好地将分析团队的工作与业务目标协调统一，但通常是驱动关注业务执行的应对式行为，而不是引导组织实现战略性目标的主动行为。分散式团队的操作方法和流程通常不统一，会导致重复工作和成果整合问题。这导致不同团队的分析结果不一致。随之会造成困惑，并需要额外的工作来核对不同团队的结论。

图13-12分散式分析团队13.3集中式与分散式分析团队混合模式结合了集中式和分散式组织架构，用来平衡分析与业务目标的一致性问题和高效利用稀缺的分析资源的问题。通常，团队集中处理管理性任务，如建立和分析通用的最佳实践、培训和指导。混合模式使用分布式模型将专业分析人员和业务部门放在一起，以保障分析工作和业务目标的一致性，同时建立对业务更深入的理解。当专业分析人员和一线业务人员一起工作时，他们都对业务和分析有了更深的理解。因为一线业务人员积极参与到为业务确立分析方法的工作中，他们就能够理解结论是如何得出的，一线业务人员就建立了对专业分析人员和他们工作成果的信任和信心。尽早建立信心是在组织中形成建立和使用分析结果氛围的关键因素。13.3集中式与分散式分析团队

图13-13混合式分析团队13.3集中式与分散式分析团队在分散式模型中，专业分析人员和业务人员是合作关系，信心的建立是合作的基础。在集中式模型中，通过初期的成功来建立信心就更加重要：将分析团队集中在一起会增加另外一层复杂度和挑战。在集中式团队中，人们尝试利用数据和分析去做一些激动人心的事情。由于我们不是业务单元中的一员，业务部门不会与分析团队共同探讨业务思路和战略。这件事没有完美的答案，因为不管是集中式还是分散式组织模型都有它们的问题。解决问题的关键在于在执行的基础上，一步一步建立信任。13.3集中式与分散式分析团队分散式模也存在的最大挑战，是作为分析师的员工，倾向于解决“经营业务”这种类型的问题。通常，业务运营从本质上会把精力关注在执行上，而很少关注创新。他们关注制订下一个季度的目标，分析师的关注点也在于如何完成目标。例如，“我们怎样去调整我们的市场活动？”，以此来实现销售目标。组织分析团队PART0413.413.4组织分析团队选择适用于现在的最佳团队结构，随着团队不断实验、学习和适应，不断发展、改进团队架构。13.4.3实验室团队13.4.1卓越中心13.4.4数据科学技能自我评估13.4.2首席数据官与首席分析官选择最佳团队结构，不断实验、学习和适应，不断发展、改进团队架构。13.4组织分析团队13.4.1

卓越中心分析卓越中心（COE）是建立一个混合组织架构的另外一种方式。一些公司将卓越中心建成一种虚拟或是矩阵式团队，另外一些公司在卓越中心成立一个专业分析人员的永久团队。分析卓越中心通常负责分析培训和制定标准。13.4.1

卓越中心通常这个团队的一项持续工作是为整个组织持续开发培训材料和组织培训课程。最成功的分析团队是向每一个人灌输分析的概念和如何利用分析在业务中获得价值。这包括向每个人传达分析工作的路线图、业务发展目标和路线图中每个分析项目的预期。当每个人都了解了分析路线图，整个业务团队会开始理解在他们的业务中到底如何利用分析来产生价值。有了这种理解，每个人都能对如何利用数据和分析来帮助提出和解决他们的业务领域中的相关问题而贡献新的想法。接着按角色的情况，公司可以培训每个人如何使用特定的分析工具和软件。13.4.1

卓越中心分析COE建立分析标准和指标。当业务单元各自独立进行分析时，可能会存在一种风险，那就是报告会呈现不同的或是冲突的结果。出现这样的结果有两个原因：复杂的业务逻辑可能对不同部门来说意味着不同的事情，另外，部门也更愿意展示对其有利的结果。13.4.2

首席数据官与首席分析官过去几年来，正如数据科学家的工作角色出现，另外两个高管角色也出现了：首席数据官和首席分析官。尽管这两个工作角色的职位名称经常混淆，但是这两个工作角色有着非常不同的目标。这两个执行官经常有着相似的背景，但是他们运用背景的方式非常不同。首席数据官主要负责数据资产、数据基础架构和数据管理。也就是说，首席数据官专注于获取和管理数据资产。首席分析官主要负责利用数据资产，通过应用分析模型到数据资产中，将其转化为对一个组织的实际价值。13.4.2

首席数据官与首席分析官很少有组织可以奢侈地同时拥有首席数据官和首席分析官。但是，随着分析团队的发展，团队在组织中变得更加具有战略作用，这些职位被投入了更多的关注。基于他们对数据和分析的理解，对企业来说，这两个角色是企业建立和贯彻有着自身特色分析路线图的关键。在现代分析方法的早期，在高管团队内部建立对以数据为基础的决策机制的信心，这两个角色是关键人物。13.4.2

首席数据官与首席分析官随着现代分析时代的不断发展，首席数据官将更多的精力放在通过真正理解业务来利用数据上，懂得如何获取附加数据去真正实现企业所想。具有创新能力的商业领袖是真正的天才，他们非常善于关联不同的信息，他们从行业、从观察行业中的人、从竞争性的新闻还有任何他们可以打听到消息的地方获得信息，即使这个信息可能仅仅是趣闻轶事。现今的分析组织倾向于使用他们的内部数据。一些组织会购买外部数据。无论如何，现代分析时代的首席分析官和首席数据官将会考虑这个问题，并在此基础上合作。他们会弄清怎样能够获得新的数据，或者即使不能直接得到数据，如何能够定位问题。13.4.3

实验室团队实验室团队通常是一个独立团队或是创新团队，用来快速实现分析创新和原型。一个实验室团队通常很小，专注于对新技术和新的有潜力的分析应用进行尝试。这个团队的研究方向通常由首席数据官或是首席分析官来确定。在公司接受一个分析技术模型之后，这个模型就移交到一个产品分析团队，进行模型的推广和持续的优化。此外，分析项目办公室是一个专注于项目管理的项目办公室。分析项目办公室负责管理项目预算和计划。13.4.4

数据科学技能自我评估为探索数据科学家应该具有的职业技能，多个研究项目进行了不同的探索，综合得出数据科学从业人员相关的25项技