編者按：Amanda Richardson是HotelTonight的首席數據和戰略官。她在這篇文章中分享了各行各業的數據團隊在數據工作中最容易犯的四個代價極其昂貴的錯誤，同時分享了避免犯這四種錯誤的方法，從而讓數據團隊更好地為公司的戰略目標服務。此外，她還分享了她是如何將過去幾年的產品團隊的管理經驗帶到數據團隊中的。
Amanda Richardson是HotelTonight的首席數據和戰略官，之前在該公司擔任產品副總裁。她現在為一款月活用戶幾百萬的APP監測四五百個數據事件。她的團隊從每個用戶會話那里注冊了數百個事件。她現在已經沉浸在了數據世界中，并敏銳地觀察著其他公司都是如何基于數據進行決策的。然而，她發現很多公司對數據的處理方法不僅是懶惰的，而且是無效的、容易誤導人的，從而讓公司錯過了大量機會。
近日，Amanda接受了First Round Review的專訪，她在專訪中分享了各行各業的數據團隊應該小心提防的四種對待和處理數據的錯誤方法，以及管理者如何從這四種方法中逃離出來，從而讓數據團隊更好地為公司的戰略目標服務。此外，她還分享了她是如何將過去幾年的產品團隊的管理經驗帶到現在所帶領的數據團隊中的。她還解釋了，要想打造下一代產品，最重要的是要看你能否做到簡單、前后一致和達成共識，而不是追求利用最熱門的新東西。
錯誤1：從指標開始，而不是從目標開始。
如今獲取獲取比以往任何時候都要容易。在大部分公司內部，搜集、存儲和分析數據已經變成了一項標準化的工作。但很多時候，他們迷失在對實時數據分析和數據湖的爭奪中，對于如何使用這些數據卻沒有連貫、直接的規劃。Amanda發現很多團隊都在毫無目的地挖掘數據。沒有明確的目標，他們在追逐的是一個移動的目標，導致永遠無法達成目標。
一開始，你需要從一個需要回答的特定問題或需要調查驗證的特定假設開始。很多時候，大家在推出一個產品后，會說：“結果怎么樣？” 而不是說：“我們的產品目標是將X轉化成Y，或者增加漏斗頂部，或者移動漏斗底部，或者增加每個用戶的營收。”
如果沒有一個明確的、前后一致的目標，就會在獲取數據后重犯與之前相同的錯誤。以HotelTonight的“最喜歡的酒店”這個功能為例，這個功能讓用戶在搜索酒店的時候“喜歡”那些他們想優先打電話聯系的特定酒店。這個功能是主要面向我們的高級用戶的嗎？還是主要面向那些只想關注某個特定酒店的新用戶？亦或是面向那些正在規劃旅行的人，他們希望有一個酒店觀察列表功能？所有這些都是有可能的。但是確定這個功能成功與否的關鍵指標是什么呢？如果弄不清這一點，你最后就會陷入這樣的境地：有人說“這項功能在我們那些最重度用戶那里是非常受歡迎的，每個重度用戶平均會喜歡12家酒店；” 還有人說：“這個功能主要是面向那些新用戶的。” 于是你開始困惑了，到底誰說得對？
有效地消化數據的關鍵是清楚地表明你想要完成什么目標，以及如何定義成功。這說起來容易做起來難。如果大家都站在一個很高的高度，那么大家就很容易就這個問題能達成一致。但是一旦你們陷入到細節中，如我們未來30天想要實現的主要目標是什么？這是大家就不清楚了。
所以，一定要讓目標變得更加清晰和明確。創建一個你用來評價成功與否的記分卡。原則就是在每一個項目開始之前寫下評判成功的標準。Amanda引用了一種經典的目標管理原則：SMART。S即Specific，代表具體的，指績效考核要切中特定的工作指標，不能籠統；M即Measurable，代表可度量的，指績效指標是數量化或者行為化的，驗證這些績效指標的數據或者信息是可以獲得的；A即Attainable，代表可實現的，指績效指標在付出努力的情況下可以實現，避免設立過高或過低的目標；R即Relevant，代表相關性，指實現此目標與其他目標的關聯情況；T即Time－based，代表有時限，注重完成績效指標的特定期限。
在說到設定最重要的目標時，Amanda毫不含糊：設定公司最重要的目標是創業公司創始人最重要的職責之一。領導者的職責是說：我們要攀登珠穆朗瑪峰。而團隊的工作職責是找出攀登珠峰的最佳路徑和對每個團隊成員的要求。在一家處于初期階段的創業公司，如果讓產品經理去負責確定這些戰略重點，這是不公平的。
把你的目標寫在紙上也是為了避免在中途改變方向的最好方法。人們很容易會有這樣的想法：“在昨晚的晚飯上，我聽到我的朋友說起一個功能，我們產品要做這個功能，要將它作為我們的目標。” 每當我們發現在什么地方做得不錯、取得了一定的成績，我們就容易將其視為一種勝利。我們都希望自己是正確的?？赡苣阕铋_始的時候設定的目標是：“我們的目標是通過一項新功能讓新用戶增加10%。后來你發現這項功能的重復使用率達30%。突然你會說：這是一個重要的勝利，因為這項功能獲得了30%的重復使用率。” 你這時已經忘了最初設定的目標是什么了。其實人們是很容易忘了最初的目標的。
其實要想理解這背后的原因很簡單。因為創業公司面臨太多的壓力了。公司CEO需要展示自己取得的一些成功。如果公司團隊在持續擴張，公司CEO是需要給這些人發工資的，因此面臨的壓力可想而知。但是不管怎樣，誠實地對待公司的目標是CEO的職責所在。
對于公司的最重要的目標以及用來衡量目標的指標，一定要做到盡可能的精確。比如：我們最大的目標是在X日之前將訂單額做到Y。用來衡量成功的數字一定要做到清晰明確。
在緊盯著最初設定的目標的同時，這并不是說你可以對從數據中發現的其它一些東西視而不見。不過一定要把你的注意力集中在你最初設定需要完成的目標上以及想要獲得的數據上。當你問數據工程師一個產品或功能的數據表現時，他們很多時候都會告訴你有關這個產品或功能的一系列有趣的事實和數據指標。不要把那些次要的指標和你的最高指標弄混淆了。不知道從哪里開始著手？不妨每個季度設定一個主要目標?？紤]一下你這個季度的首要目標。你是否有一個明確的、可定義的指標來衡量這個目標的完成情況？
錯誤2：不考慮自身實際情況，盲目跟風做個性化
對于很多創業公司而言，個性化都是解決問題的一個方案，如自定義用戶的主屏幕或者提供一些個性化推薦。這也是Amazon和Facebook這類非常成功的公司經常會采用的一種做法。由此可以說明，個性化是一個好東西，不是嗎？
其實并不一定如此，尤其是在創業公司早期階段。早期創業公司的創始人在做每一個決策的過程中，都必須要考慮機會成本。個性化功能是需要大量時間去開發的。從很多方面說，個性化功能也只是一個普通功能。個性化功能是一個你需要的的功能，還是一個對你的產品有意義的功能呢？
即使個性化功能對產品是一個有意義的功能，你可能依然需要延后一段時間去開發這項功能。要想讓產品的個性化功能變得有意義、更高效，這通常是需要大量的數據來支持的，而很多早期創業公司是沒有這多么的數據的。
我曾和一些非常早期的創業公司的創始人進行過溝通，他們當時只有可能不到100個用戶，但是他們卻說：“我們打算做一些個性化功能了。” 我內心就納悶地想：“你想要個性化的是什么呢？更重要的是，為什么要做個性化？你要解決的問題是什么？” 通常他們做個性化功能的動機是，因為個性化是現在大家都在做的一件事，或是公司的某個董事會成員認為個性化是通往成功的秘訣。
我這么說，并不是說我是一個反對個性化的人，因為定制化的搜索結果也是HotelTonight用戶體驗的關鍵元素。但是，要想了解用戶究竟希望獲得什么樣的個性化功能，這是需要分析大量數據才能知道的。通過對大量數據的分析，HotelTonight意識到，旅行者不希望僅僅基于搜索和訂單歷史給他們推薦酒店，而是希望能基于自己目前所處的情景來獲得推薦。
也許我上次預訂是一家豪華酒店，因為我那是在一個周末為了一個很重要的紀念日才預定這么豪華的酒店的。但是，如果我工作出差到紐約，這時如果預定豪華酒店，這時公司肯定是不給報銷的。每周的哪一天、每天的什么時間，這都是在做酒店推薦的時候非常重要的考量因素。如果你在晚上11點預訂的酒店，你可能并不介意酒店是否有spa，不是嗎? 所有這些因素在做個性化推薦的時候都非常重要。如果我們在沒有獲得足夠過數據的情況下就急于提供個性化的體驗，我們是無法了解用戶真正的需求的。
對于你是否該做個性化的工作以及何時開始做，這并沒有一個固定的答案。Amanda的建議是，首先從一個目標開始，或是從一個需要測試的假設開始?？纯丛谑裁吹胤匠隽藛栴}，這時個性化可能是一個解決方案。比如，如果HotelTonight紐約地區的用戶轉化率下降了，我們不知道其中的原因。這時，一個可能的解決方案就是通過一種更加個性化的方式給用戶展示酒店。但是在做個性化的時候，最好要將做個性化所需的時間和人力成本考慮進去。
對于有些創業公司而言，個性化是與公司使命緊密相連的，因此需要盡早做一些個性化的功能。但對于其它很多公司而言，可能永遠不值得在個性化上投入時間和精力。如果你做的是一款新的照片流應用，那么你應該盡早地做一些個性化推薦功能，因為它可以是你們產品的核心競爭力。如果你銷售的是非常昂貴的B2B軟件，這時可能永遠都不需要做個性化推薦功能。
過度關注個性化是有巨大的機會成本的。因為一旦做一些個性化功能就需要占用很多開發時間，你需要在這中間進行權衡取舍。當你不把時間浪費在追求個性化的奇幻世界中的時候，你就可以將更多時間用來追求有更大成功可能性的更重要的增長機會。你的數據團隊可以專注于回答那些關鍵性的業務問題，比如更好地了解驅動用戶轉化的因素，你可能會認為個性化能解決這個問題，即使它并解決不了。
除非你已經確定了你要解決的問題，否則不要因為很多解決方案看起來既廉價又吸引人就去隨便嘗試。
錯誤3：招聘一個專門的數據科學家
如果你認為你的公司需要招聘一個數據科學家來專門負責公司的數據分析工作，這時建議你三思而后行。在我看來，數據科學是一套技能的組合，而并不是一份工作。就好比我認為分析和對策是一套技能組合、而不是一份工作一樣。在公司發展早期，團隊中的每個人都需要有戰略眼光，每個人都需要能夠做數據分析。
Amanda以最近的一部電影《隱藏人物》（Hidden Figures）為例，這部電影講述了美國宇航局早期任務背后的女數學家的故事。這些女數學家被稱為“電腦”，不是嗎？他們曾經是唯一致力于做復雜計算的人。但那已經不再是一份工作了，現在每個人都需要做計算，它已經成為通用技能組合的一部分了。這就是這個世界演進的方式。我認為數據科學未來也會沿著這條道路發展。更多的人應該能夠承擔起數據科學方面的工作職責，并且有能力通過分析數據來做決策。
想想有效的數據科學都需要哪些東西：需要統計學方面的知識、計算能力等。但是要想提出正確的問題并有意義地解答這些問題，還需要了解足夠多的市場知識以及商業運作方式。數據科學所需的另一項關鍵技能是編程技能。然而，很多企業往往招聘那些只有統計技能的人做數據科學家，然后讓其獨立開展工作，這樣他們就永遠無法進入工作所需的業務環境。這種工作上的隔離使數據科學家無法了解公司運營的真實情況。這就會使得他們得出的數據分析結果和建議都太理論化了，和公司實際業務的相關性并不高。
我們之前犯過一個錯誤，也是很多公司都會犯的一個錯誤，就是招聘一個技術很高但卻缺乏商業頭腦的數據科學家。然后我們讓這個數據科學家獨立工作，讓他研究那些數百萬個我們必須要回答的用戶問題。不管他的技術水平有多高，他都沒有能夠獲得成功所需的工作環境和背景。他們沒有時間或機會與工程師、產品經理或市場部門的負責人溝通，他們不知道要該從數據中找哪些東西，他們也沒有機會去問正確的問題。
舉一個之前HotelTonight的例子，我們公司的數據科學家曾經會經常過來告訴我說：“我們的最有價值的用戶是那些在安裝應用后兩周內不轉化的用戶，最有價值的用戶通常是那些在安裝應用后的15到30天內轉化的用戶。”事實確實如此。但是，即使知道這一點，我們能做點什么呢？這只是一個有趣的事實罷了，對我們并沒有實際的幫助。
與此同時，如果什么都考數據科學家，很多真正值得解決的問題可能都困在了漫長的等待中。因為大家都會排隊等待數據科學家的時間，看他什么時候有時間解決自己遇到的數據方面的問題，而不是說：“我們是否能想辦法自己解決這個問題，而不是只靠數據科學家？” 如果你能打造一個讓每個人都有權力和能力去做數據分析的公司，那么你將會變得更加成功。
不要把注意力只放在在數據科學家這個狹隘的頭銜上，而是要重點考慮一下你希望數據科學家能帶來哪些技能。因為很有可能，你現有團隊中的有些人已經具備了這些技能。有些人會說：“我雇不起一個數據科學家。”這是一種不善于思考的懶散表現。你團隊中可能有人是統計學背景的，你公司里肯定也有開發者，此外，你公司里肯定也有一個有商業頭腦的人，可能就是CEO自己。將這三個人聚在一起，他們所具備的知識技能組合是完全能趕上一個專門的數據科學了所具備的知識技能組合的。這樣你就不用非要等著那個神奇的數據科學家出現來解救你了。
此外，創業公司應該再三思考自己是否有供數據科學家開展工作所需的足夠多的數據。要做深入的數據分析，就需要有大量的數據。如果你創業剛剛3個月，只有幾十個用戶的話，這時你很有可能沒有足夠多的數據供數據科學家開展工作。
當你招聘了專業的數據科學家后，一定不要讓他自己待在一個角落里獨自工作。要讓他參與到一些會議和討論中來，這樣他就能知道你是如何運用他的數據分析結果的。我現在開始反思我們第一次招聘數據科學家時犯的一些錯誤。當時那位數據科學家加入公司后，他就自己在那獨立辦公，和我們所有人都離得遠遠的。當你的團隊成員了解了他們是如何為公司整體目標服務的時候，他們就能以一種更加明智的方式做好他們的工作。因此要讓從事數據工作的人員走出他們的舒適區，參與到公司實際業務中去。
你始終都需要注重積累和學習工程技能、統計分析知識和商業頭腦，并且支持那些想展示和發揮這三方面能力的員工。尤其是在你公司早期，你最好能夠能招聘三名專家，讓他們聚在一起做數據分析工具，而不是指望尋找一個數據科學家全才幫你解決所有這些問題。
錯誤四：追求那些最新的數據工具組合
新的工具總是會不斷出現。但是最終，這些數據工具是無法確保你有一個完美的數據策略的。如果你輸入的是垃圾，那你輸出的肯定也是垃圾。一個工具能夠吸收你發送給它的任何數據事件。但是定義這些數據事件和它們的含義的只能是你自己。你必須確保這些數據事件不會變化。
如果你運用得當的話，即使是最簡單的工具也能夠幫你有效管理數據。Amanda建議，每個數據團隊要為他們所在的公司提供三樣東西：
（1）一個中央儀表盤。這又回到了本文中說道的第一點。當你知道了你的核心指標是什么的時候，你就將這個指標放在中央儀表盤上，這樣就沒有人能夠改變它。如果這個指標顯示在儀表盤上最顯著的位置，那么就沒人會過來跟你說：“那不是我們的目標。” 你甚至可以用一個鎖定的Google Docs文檔來作為公司的中央儀表盤。這么做的目的就是讓大家正在做的事有一個權威依據，讓大家知道主要目標和核心指標是什么， 你還可以定期給大家推送儀表盤里的這些核心指標。
（2）可獲取的數據。如果你希望團隊中的每個人都有能力進行數據分析，那么你就需要讓他們能夠更容易地獲得這些數據。對于營銷團隊成員來說，你需要讓他們能獲得營銷歸因方面的數據。對于產品團隊成員來說，你需要讓他們能獲得轉化方面的數據。對于工程師團隊成員來說，你需要讓他們能獲得產品運行方面的數據。最重要的是鼓勵員工親自參與到與自己工作業務相關的所有環節中去。好消息是，現在有整整一代的人都是伴隨電腦一塊長大的，他們隨時隨地都能獲得他們想要的任何東西。
（3）靈活的數據分析工具選擇空間。選擇一種思維方式比選擇任何一種單一的工具要重要得多。可以讓每個團隊自行選擇適合各自的數據工具。并不是只能選擇一種工具。Amanda帶領的數據團隊用的是Looker，公司里的其他團隊可能發現其他工具更適合他們做數據分析，他們就可以自由選擇適合他們使用的工具。有人這樣說：“如果公司里的所有人在做數據分析的時候都使用Looker這一款數據分析工具，這樣不是更好嗎？” 要知道，世界上沒有哪款工具能滿足所有的數據分析需求，Looker也是，每種數據分析工具只能滿足部分需求，更別說滿足用戶的自定義需求了。這時強制全公司只使用一款數據分析工具顯然是不明智的。不妨讓各自團隊選擇適合他們自己的數據分析工具，不要強制。
你為什么需要像做產品一樣來做數據分析工作？
Amanda無法預測下一個數據趨勢什么時候會出現，但是她已經有辦法確保她的團隊不會被那些最新最耀眼的目標所干擾了：她管理HotelTonight數據運營團隊的方法和她之前管理產品團隊的方法是類似的。
在HotelTonight做產品副總裁三年后，公司聯合創始人Shank想讓他轉去負責帶領公司的數據團隊。“當時我們已經到了這樣一個階段：大家對我們的核心指標是什么有不同的看法，他想要解決這個問題。在數據指標方面，我很快就發現了一些你在產品工作中經常會遇到的同樣的問題：利益相關者太多，大家對于什么是最重要的這個問題有很多不同的看法。” Amandao說道。
剛剛說的是我發現的一些不好的方面，那對我來說好的方面是什么呢？我發現，數據團隊面臨的問題其實和產品團隊面臨的問題是差不多的。所以根據我之前3年多的產品團隊管理經驗，我能很快找到了解決數據團隊面臨的問題的方案了。
Amanda發現，她需要打造一個和她之前管理產品團隊時所打造的類似的基礎架構。“我們需要一個待辦事項列表。我們需要一個知道解決方案的人。我們需要有人去和用戶溝通，了解用戶是如何使用數據的，他們想要的是什么數據。我們需要一個QA流程來確保我們不會改變數據。
首先，她要確保團隊中有專門的數據產品負責人。這和在產品團隊中每個產品都有專門的負責人一樣。“我們團隊中有一個很棒的數據產品主管。他走訪了解公司里的每個團隊，看他們是如何使用數據的。他還負責對數據工作進行優先級劃分。此外，他每周都要和數據工程師團隊一起制定迭代計劃。” Amanda說道。
其次，團隊要負責確保進入的數據是好的數據，為此他們使用一個嚴格的QA測試套件。“我們總是在后臺監控和自動化數據，這樣我們就不會在出現問題的三周后才發現問題了。數據每天都在變化嗎？數據異常是否超出了界限？沒有數據進來了嗎？你需要從產品的角度來問這些產品行為方面的問題。
再次，文檔至關重要。Amanda發現，在管理數據團隊時，有一樣東西比她在之前管理產品團隊時更重要，那就是文檔。要想清晰地定義目標，公司所有成員需要使用一套共同的詞匯，她的團隊負責定義每一個詞匯的含義，從“營收”到“訪客”，再到“用戶”。比如，對“用戶”這個詞的定義。”只有做過搜索行為的才算是用戶嗎？如果有人只是檢查了他們的訂單，那是不是用戶？是我們有對方郵箱地址的才算是用戶嗎？
數據分析工作的成功與否取決于這些細節，但是就這些術語的含義達成共識是很復雜的一件事。團隊中需要有一個數據產品負責人的另外一個原因就在于，這個人可以深度走訪每一個團隊，確保大家在術語含義上達成共識。
最后，清理無用數據。這和在維護一個健康的產品時要定期砍掉一些無用的功能一樣，維護一個健康的數據產品需要將一些無用的垃圾數據數據庫中清理出去。否則可能就會有人利用這些無用數據得出幾種不同的營收定義。
如果你的公司還很年輕或者說還很小，你可以采用這個策略。首先招聘一個能力很強的數據工程師，他既要關心商業，也要證明價值，然后讓他來確定接下來該優先做什么。這個人可能必須同時肩負起幾重身份，承擔一些開發或分析的責任，從而讓你知道花高價錢招他進來是值得的。此外，你還應該鼓勵他像產經理那樣去思考，并在工作中學習那些技能。
對于Amanda而言，有一個明確的跡象表明她的策略是正確的：“沒有人再問數據是否是準確的了，他們可能不喜歡這個數據，但沒人質疑數據的準確性。” 這種自信是Amanda用管理產品的方式來做數據工作的最大的回報。通過清晰的定義和良好的流程，她不僅讓公司的目標更加明確，還讓公司能夠更有成效地開展各種實驗。
原文鏈接：http://firstround.com/review/the-four-cringe-worthy-mistakes-too-many-startups-make-with-data/
編譯組出品。編輯：郝鵬程。
京公網安備 11010502049343號