Generazione di più approfondimenti sulla qualità al mese | di Jordan Gomes | Novembre 2023 | Intelligenza-Artificiale

Come costruire sistemi per generare di più, con meno

In “Il mito elettronico rivisitato: perché la maggior parte delle piccole imprese non funziona e cosa fare al riguardo”, Michael E. Gerber invita i piccoli imprenditori a smettere di lavorare “nella loro attività” e a iniziare a lavorare nella propria attività. Una delle tesi centrali del libro è che i proprietari di PMI dovrebbero agire come se volessero concedere in franchising la propria attività. Ciò li costringe a (1) esaminare attentamente tutte le loro attività e processi e (2) ottimizzare e standardizzare tali attività e processi. In questo modo, massimizzeranno il rendimento della loro attività e la renderanno replicabile. Questa idea è simile a qualcosa che è stato espresso da Ray Dahlio in “I principi” – affinché una squadra abbia successo, il suo manager deve lavorare sulla squadra (e non nella squadra) e costruire un sistema che massimizzi il rendimento di ogni dato input.

In una certa misura, questi consigli possono essere applicati anche ai team di analisi. Per un team di analisi, schematicamente, l’input è il tempo impiegato per trasformare i dati in insight, gli output sono “insight di qualità” e la relazione tra i due può essere rappresentata come segue:

# insight di qualità al mese = tempo impiegato per trasformare i dati in insight/tempo medio necessario per trasformare i dati in insight di qualità

Per aumentare il numero di insight di qualità generati dal tuo team, devi lavorare sull’aumento del tempo impiegato per trasformare i dati in insight o sulla riduzione del tempo medio necessario per trasformare i dati in insight di qualità. Puoi farlo costruendo “sistemi”.

Aumentare il tempo impiegato per trasformare i dati in insight

Il tempo impiegato per trasformare i dati in insight è chiaramente una funzione dell’organico totale, quindi aumentare l’organico è la soluzione ovvia, ma potrebbe non essere la più semplice .

Un altro modo di vedere la cosa è che il tempo impiegato per trasformare i dati in insight è il risultato della seguente equazione:

Tempo impiegato per trasformare i dati in insight = Tempo totale dell’organico: tempo dedicato al lavoro non relativo ai dati

Il tempo dedicato al lavoro non relativo ai dati include elementi come “allineamento con le parti interessate”, “comunicazione”, ecc.

• Questi compiti sono essenziali per il successo di qualsiasi buon lavoro sui dati (che senso ha generare insight se non c’è interesse in essi o se non li comunichi correttamente?).
• Ma questi compiti vengono solitamente trattati come “ripensamenti”. È piuttosto raro vedere un team con una strategia o un processo chiaro su questi elementi, molto probabilmente perché non è così “interessante” come funzionano i dati reali, e anche perché questo non fa necessariamente parte delle loro competenze.
• Ciò fa sì che queste attività richiedano più tempo del previsto e più tempo di quanto necessario per garantire il successo del lavoro effettivo sui dati supportato.

(1) definendo processi chiari su come svolgere queste attività e (2) standardizzando e ottimizzando questi processi nel tempo, è possibile ottenere notevoli risparmi di tempo (ovvero riducendo il tempo dedicato al lavoro non relativo ai dati), e migliorare allo stesso tempo la qualità del tuo output.

Un esempio concreto di questo allineamento interfunzionale potrebbe essere quello di iniziare a condurre sessioni di definizione delle priorità all’inizio di ogni mese. Nel primo mese in cui lo fai, ti rendi conto che per avere una buona sessione di definizione delle priorità è necessario disporre di una struttura standard per prendere decisioni sulla definizione delle priorità. Lo introduci nel mese 2 e funziona, ma poi ti rendi conto che per renderlo ancora migliore, devi avere un processo migliore per mappare i potenziali progetti per il team, quindi lo introduci nel mese 3, ecc. Straordinari, con Con questo approccio iterativo puoi ottenere un processo molto efficace, consentendo al tuo team di dedicare meno tempo al “lavoro politico” e di concentrarsi maggiormente sulla creazione di insight.

Un altro esempio di comunicazione a livello aziendale: inizi senza un processo chiaro nel primo mese e ti rendi conto che il tuo studio non viene utilizzato quanto avrebbe dovuto. Quindi nel mese 2 lancerai un forum mensile. Durante questi forum mensili, ti rendi conto che i tuoi stakeholder hanno bisogno di vedere i dati presentati in un certo modo in modo che siano più digeribili per loro, quindi adotti un determinato formato/modello, ecc.

Ancora una volta: ottimizzando questi processi, non solo risparmi tempo che puoi reinvestire nella creazione di insight, ma ti prepari anche per il successo, poiché questi processi non legati ai dati, che richiedono molto tempo, supportano la capacità del tuo team di generare insight di qualità.

Diminuire il tempo medio necessario per trasformare i dati in insight di qualità.

Esistono un paio di fattori che possono influenzare il tempo necessario per trasformare i dati in insight di qualità. Per citarne solo alcuni:

• Le competenze dell’analista
• Il supporto della squadra
• La disponibilità dei dati
• L’esistenza degli strumenti

Migliorare le competenze dei tuoi analisti per ridurre il tempo necessario per trasformare i dati in insight di qualità è la prima strategia. Più elevate sono le competenze, maggiore è l’esperienza, più velocemente potranno essere nel trasformare i dati in insight di qualità. Sebbene la formazione a livello di team o il coaching individuale possano generalmente creare molto valore, un modo “soft” per migliorare le competenze consiste nel creare “modelli” di progetto in modo che un numero maggiore di analisti junior possa adottare le migliori pratiche e apprendere rapidamente. Ad esempio, avere dei modelli può costringerli a pensare a domande chiave come “qual è il punto dolente”, “come verranno utilizzati i risultati nella vita reale”, ecc. Che alla fine li aiuteranno a costruire affermazioni di problemi più forti prima di iniziare. il loro studio.

Creare modi in cui il team possa collaborare e condividere le proprie conoscenze può anche essere un modo per ridurre i tempi di acquisizione delle informazioni. Può essere facile come creare canali Slack o gruppi Google e trovare qualche incentivo per far partecipare le persone, ma queste piccole azioni possono fare molto. Una volta che esistono queste “sedi”, gli analisti possono trovare supporto quando non sono sicuri su come procedere, utilizzare la conoscenza collettiva del team e creare discussioni che ispirino nuove idee. Questo è anche il motivo per cui credo che sia fantastico organizzare riunioni ricorrenti in cui gli analisti possano presentare ciò su cui hanno lavorato, concentrandosi sulla metodologia utilizzata, poiché diffonde conoscenza e può dare idee.

La disponibilità dei dati può rappresentare un grosso ostacolo. Se devi dedicare il tuo tempo a fare query complicate perché non esistono semplici database aggregati e se devi ricontrollare ogni volta i tuoi risultati perché non esiste un’origine dati certificata o centralizzata, non solo ciò creerà stress inutile per la squadra, ma perderai tempo prezioso. Creare le giuste pipeline di dati per semplificare l’analisi a valle può essere una strategia efficace, se non è già stata fatta.

Infine, se devi fare la stessa analisi abbastanza spesso, l’esistenza di strumenti può essere un modo per ridurre il tempo che dedichi a lavori ripetitivi. Questo è abbastanza comune per cose come i test A/B, dove puoi creare/acquistare licenze per strumenti automatizzati per eseguire tutti i test statistici per te, in modo da non dover reinventare la ruota ogni volta che ottieni dati da un sperimentare. Richiede un caso d’uso specifico e ripetuto, ma in tal caso può essere un ottimo modo per ridurre i tempi di intuizione (e punto bonus: questo è anche un ottimo modo per standardizzare la qualità dell’output).

In definitiva, ci sono alcuni modi per ridurre il tempo medio necessario per ottenere approfondimenti e penso di essere abbastanza lontano dall’essere esaustivo. Puoi anche pensare alla gestione della conoscenza, alla rilevabilità dei dati, ecc.: tutto dipende da quali sono i principali punti critici che il tuo team si trova ad affrontare.

Insomma

Possiamo rielaborare la nostra formula iniziale:

N. approfondimenti sulla qualità al mese = (tempo totale dell’organico – tempo dedicato al lavoro non relativo ai dati) / tempo medio per ottenere approfondimenti sulla qualità.

E sebbene aumentare l’organico totale sia un modo per risolvere il problema, potresti ottenere risultati simili esaminando attentamente i tuoi processi, la tua infrastruttura, i tuoi strumenti e la tua strategia di “supporto agli analisti”.

Questo articolo è stato pubblicato in modo incrociato su Analisi spiegatauna newsletter in cui distillo ciò che ho imparato in vari ruoli analitici (dalle startup di Singapore alle grandi tecnologie di San Francisco) e rispondo alle domande dei lettori su analisi, crescita e carriera.