Όπου η συνεργασία αποτυγχάνει γύρω από τα δεδομένα (και 4 συμβουλές για τη διόρθωσή της)

Αναδημοσίευση από τον Πλάτωνα

Ακολουθούν: 0

Όπου η συνεργασία αποτυγχάνει γύρω από τα δεδομένα (και 4 συμβουλές για τη διόρθωσή της)
Εικόνα από creativeart στο Freepik

Οι ομάδες δεδομένων εργάζονται όλο και περισσότερο σαν ομάδες μηχανικής λογισμικού, αγκαλιάζοντας εργαλεία μηχανικής και ανάπτυξης για τη διαχείριση της εργασίας τους. Αυτά κυμαίνονται από συστήματα ελέγχου εκδόσεων όπως το Github, έως την υιοθέτηση ευέλικτων πρακτικών όπως το Kanban και το Scrum, και περιλαμβάνουν τελετές όπως καθημερινό standup, δεσμεύσεις σπριντ και επιδείξεις σπριντ. Λύσεις που έχουν σχεδιαστεί για συγκεκριμένο σκοπό (όπως το dbt για μοντελοποίηση δεδομένων, δοκιμές και ενοποίηση) έχουν έρθει στην αγορά, υποστηρίζοντας τη νοοτροπία της μηχανικής λογισμικού. Αυτές οι λύσεις δίνουν τη δυνατότητα σε μεγάλες, κατανεμημένες ομάδες δεδομένων να κάνουν το καλύτερο δυνατό έργο.

Όμως, όσον αφορά τη συνεργασία μεταξύ των ομάδων δεδομένων και της υπόλοιπης επιχείρησης, υπάρχει ακόμα πολύς χώρος για καινοτομία.

Ακόμη και οι πιο προνοητικοί οργανισμοί με γνώμονα τα δεδομένα εξακολουθούν να βασίζονται σε τυπικά εργαλεία και πρακτικές συνεργασίας (π.χ. Slack, email ή τακτικά προγραμματισμένες συναντήσεις) για τη διαχείριση της επικοινωνίας μεταξύ των ομάδων δεδομένων τους και των επιχειρηματικών συμμετόχων. Τελικά γιατί όχι; Δεν θα έπρεπε η ομάδα δεδομένων και οι ροές εργασίας της να μοιάζουν με άλλες λειτουργίες στον οργανισμό; Αυτό το επιχείρημα και η συμπεριφορά, λειτουργεί όταν οι αλληλεπιδράσεις είναι σχετικά γενικής φύσης. Αλλά σε καταστάσεις όπου η δυναμική της ομάδας είναι πιο περίπλοκη (και τα δεδομένα είναι πιο κεντρικά σε κάθε σημαντική συζήτηση και απόφαση), αυτή η εξάρτηση από γενικές λύσεις είναι ανεπαρκής.

Καθώς τα δεδομένα γίνονται πιο κεντρικά στις επιχειρηματικές λειτουργίες, τα μέλη της ομάδας δεδομένων συχνά χρειάζεται να φορούν πολλά καπέλα. Σε ορισμένες περιπτώσεις, πρέπει να λειτουργούν ως διαχειριστές προϊόντων κατανοώντας τις ανάγκες των επιχειρηματικών χρηστών, ώστε να μπορούν να εξελίξουν την πλατφόρμα δεδομένων. Σε άλλες περιπτώσεις, απαιτείται να χειρίζονται ad hoc αιτήματα με την ικανότητα υποστήριξης. Σε άλλες περιπτώσεις, πρέπει να ενσωματώσουν νέους χρήστες και να τους βοηθήσουν να ασχοληθούν με τα στοιχεία δεδομένων που τους είναι διαθέσιμα.

Τα γενικά εργαλεία συνεργασίας και οι παραδοσιακές προσεγγίσεις για τη διαχείριση της εργασίας καταρρέουν γρήγορα σε αυτά τα σενάρια. Οι ομάδες προϊόντων και οι ομάδες υποστήριξης διαθέτουν ειδικά σχεδιασμένα εργαλεία για τη διαχείριση της εργασίας τους. Δεν χρειάζονται και οι ομάδες δεδομένων μια λύση για την καλύτερη διαχείριση των αιτημάτων των ενδιαφερομένων; Ή εργαλεία για τη διαχείριση της τεκμηρίωσης υποστήριξής τους ή την εκπαίδευση των τελικών χρηστών; Οι καλύτερες ομάδες δεδομένων συχνά δυσκολεύονται με αυτό το μέρος της ροής εργασίας τους και καταλήγουν να υιοθετούν λύσεις που έχουν κατασκευαστεί για άλλους (σε αυτήν την περίπτωση, ομάδες προϊόντων και υποστήριξης).

Δεδομένου ότι οι περισσότερες εργασίες και αλληλεπιδράσεις δεδομένων είναι εσωτερικές, μπορεί να είναι δύσκολο για τις ομάδες να βρουν τον σωστό τρόπο να συνεργαστούν με τους επιχειρηματικούς φορείς χωρίς να δημιουργούν σύγχυση και να αντιμετωπίσουν την αδεξιότητα.

Εάν διερευνήσετε τα προβλήματα συνεργασίας μεταξύ ομάδων δεδομένων και άλλων, είναι βέβαιο ότι θα βρείτε ασυμμετρίες πληροφοριών μεταξύ των κατασκευαστών και των καταναλωτών στοιχείων δεδομένων. Από τη μία πλευρά, έχετε δημιουργούς δεδομένων με βαθιά γνώση σχετικά με τα υποκείμενα δεδομένα, πώς να τα χειριστείτε και να τα αναλύσετε και πώς να τα διαμορφώσετε σε ένα ευρύτερο σύνολο στοιχείων δεδομένων. Από την άλλη πλευρά, έχετε καταναλωτές δεδομένων, οι οποίοι είναι συνήθως ειδικοί στον τομέα με πλούσιες γνώσεις σχετικά με την ίδια την επιχείρηση, κάτι που μπορεί να είναι κρίσιμο για την παροχή ευρύτερου πλαισίου, την κατανόηση των δεδομένων και την εξέλιξη της πλατφόρμας δεδομένων.

Πάρτε την Τζέιν, για παράδειγμα. Μόλις μπήκε σε μια εταιρεία του Fortune 500 ως υπεύθυνη πωλήσεων, διαχειριζόμενος μια κατανεμημένη ομάδα 15 πωλητών στα νοτιοανατολικά. Τη δεύτερη μέρα της νέας της δουλειάς, της προωθείται ένα email από έναν συνάδελφο με πολλούς συνδέσμους σε διάφορους πόρους: ένα υπολογιστικό φύλλο με πληροφορίες διοχέτευσης, διάφορες αναφορές στο Salesforce και μια χούφτα πίνακες εργαλείων σχετικά με την ατομική απόδοση στη λύση BI της εταιρείας. Αφού πέρασε μερικά λεπτά κοιτάζοντας τα δεδομένα, συνειδητοποιεί ότι δεν έχει ιδέα τι πραγματικά κοιτάζει και τι σημαίνει. Στέλνει ένα μήνυμα στον υπεύθυνο πωλήσεών της ζητώντας βοήθεια, ο οποίος χρησιμοποιεί τον συνεργάτη του στην ομάδα δεδομένων που δημιούργησε τους περισσότερους από αυτούς τους πόρους. Ο αναλυτής δεδομένων διαβάζει το email, αναστενάζει και στη συνέχεια ξοδεύει την επόμενη ώρα γράφοντας μια απάντηση. Δημιουργούν ένα εισιτήριο στον πίνακα JIRA για να «επανεκτιμήσουν την τεκμηρίωση».

Η βασική αιτία πίσω από αυτά τα είδη ζητημάτων συνεργασίας δεδομένων είναι οι ασυμμετρίες πληροφοριών μεταξύ κατασκευαστών και καταναλωτών, που αφήνουν όλους απογοητευμένους και δυσαρεστημένους.

Τραγικά, οι άνθρωποι που επηρεάζονται συχνότερα από αυτή τη δυναμική είναι οι κατώτεροι υπάλληλοι ή τα μεσαία στελέχη στην πρώτη γραμμή, επειδή έχουν συνήθως λιγότερη δύναμη στον οργανισμό και το λιγότερο πλαίσιο για την κατανόηση των αποφάσεων που λαμβάνονται γύρω από τα δεδομένα. Χωρίς εντατική εκπαίδευση, αυτοί οι εργαζόμενοι είναι ευάλωτοι σε είδη προβλημάτων επικοινωνίας που προκύπτουν από ασυμμετρίες πληροφοριών. Είναι επίσης επιρρεπείς να πέσουν θύματα του «συνδρόμου του τριξίματος», όπου οι φωνές των στελεχών και των μελών της ανώτερης ηγετικής ομάδας ακούγονται φυσικά πιο δυνατά από τις ομάδες δεδομένων (και ως εκ τούτου τα αιτήματα και οι ανάγκες τους έχουν προτεραιότητα έναντι των άλλων.)

Προκειμένου να έχουμε καλύτερη απόδοση της επένδυσης από τις τεράστιες επενδύσεις που γίνονται σε εργαλεία δεδομένων και ομάδες, πρέπει να επιτεθούμε σε αυτές τις ασυμμετρίες πληροφοριών στην καρδιά των προβλημάτων μας. Το να φτάσουμε στο μηδέν είναι ίσως ένας φιλόδοξος στόχος, αλλά οι ομάδες δεδομένων θα πρέπει συνεχώς να προσπαθούν να καλύψουν αυτό το χάσμα μέσω πρακτικών, συνεργασιών και εργαλείων. Κάτι τέτοιο θα εξαλείψει τις τριβές, θα αυξήσει τη διαφάνεια και την εμπιστοσύνη και θα επιτρέψει σε όλους να επωφεληθούν περισσότερο από τις προσφορές δεδομένων της εταιρείας.

Ακολουθούν 4 προληπτικές συμβουλές για ηγέτες δεδομένων που θέλουν να μειώσουν τις ασυμμετρίες πληροφοριών και να επιτύχουν καλύτερη συνεργασία στους οργανισμούς τους:

Ευθυγραμμίστε τις οργανωτικές και ομαδικές δομές με τις ανάγκες της επιχείρησης. Αυτό περιλαμβάνει όχι μόνο μοντέλα αναφοράς, αλλά και ρόλους και λειτουργίες ομάδας δεδομένων. Έχουμε ήδη αρχίσει να βλέπουμε περισσότερες αγγελίες εργασίας για ρόλους όπως "διαχειριστής προϊόντων δεδομένων" ή "μάστερ scrum δεδομένων". Αυτές οι νέες λειτουργίες θα βοηθήσουν τις ομάδες δεδομένων να διαχειρίζονται προκλήσεις συνεργασίας, οι οποίες, στο τέλος της ημέρας, αφορούν συνήθως άτομα και διαδικασίες έναντι των υποκείμενων προβλημάτων τεχνολογίας.
Εξετάστε το ενδεχόμενο να επενδύσετε σε ένα μητρικό μοντέλο όπου τα μέλη της ομάδας σας - ή σε ορισμένες περιπτώσεις ολόκληρα pods - ευθυγραμμίζονται με συγκεκριμένες επιχειρηματικές μονάδες. Αυτό θα επιτρέψει την ευθυγράμμιση των πιο μακροπρόθεσμων πρωτοβουλιών δεδομένων με τις άμεσες επιχειρηματικές ανάγκες, την προώθηση της ανταλλαγής γνώσεων, καθώς και τις στενότερες, συνεργατικές σχέσεις μεταξύ των αναλυτών και εκείνων που υποστηρίζουν καθημερινά.
Ξεκινήστε από μικρά και χτίστε πάνω στην επιτυχία σας καθώς προχωράτε. ο δύναμη της πρώτης εντύπωσης δεν μπορεί να υπερεκτιμηθεί. Οι αρχικές αντιλήψεις για την ομάδα δεδομένων είναι απίστευτα σημαντικές για το πώς θα ληφθεί η εργασία τους, επομένως να είστε προσεκτικοί σχετικά με το πώς συμβαίνει αυτό με τα βασικά μέλη της ομάδας εκ των προτέρων. Εστιάστε χτίζοντας ισχυρές σχέσεις με 1-2 βασικούς πρωταθλητές στον οργανισμό που μπορούν να σας βοηθήσουν να διαδώσετε τη λέξη για το πόσο καταπληκτικοί είστε. Επεκτείνετε από εκεί.
Έχετε υπόψη ποια εργαλεία συνεργασίας μπορεί να αξιοποιηθεί σε όλο τον κύκλο ζωής των πρωτοβουλιών δεδομένων και των προϊόντων δεδομένων σας. Για παράδειγμα, σκεφτείτε πώς θέλετε να συγκεντρώσετε τους ανθρώπους, τη διαδικασία και τα συστήματά σας για καθεμία από τις παρακάτω κατηγορίες. Συχνά αυτό που θα λειτουργήσει για μια κατηγορία αποτυγχάνει παταγωδώς σε άλλες:
- Συνεργασία εντός της ομάδας δεδομένων
- Γενική συνεργασία με άλλους υπαλλήλους εκτός της ομάδας σας
- Ερωτήσεις ad hoc ή αιτήματα νέων δυνατοτήτων
- Συνεχής υποστήριξη για προϊόντα δεδομένων
- Πεδίο εφαρμογής νέων πρωτοβουλιών δεδομένων ή προϊόντων δεδομένων
- Εξέλιξη της προσφοράς δεδομένων σας με βάση το τι είναι πολύτιμο για την επιχείρηση

Καινοτόμες ομάδες δεδομένων ήδη μεταναστεύουν στις βέλτιστες πρακτικές μηχανικής λογισμικού και αυτή η τάση είναι πιθανό να συνεχιστεί τα επόμενα χρόνια. Καθώς εξετάζετε την επένδυση σε υποδομές δεδομένων για την υποστήριξη της μελλοντικής ανάπτυξης, σκεφτείτε εργαλεία που υποστηρίζουν τη συνεργασία επιχειρηματικών εταίρων.

Νίκολας Φρόυντ είναι ένα έμπειρο στέλεχος του κλάδου SaaS με πάνω από μια δεκαετία εμπειρία κορυφαίων startups που επικεντρώνονται στην ανάπτυξη με γνώμονα τα προϊόντα. Ως Ιδρυτής και Διευθύνων Σύμβουλος του Workstream.io, ο Nick ηγείται μιας εκκίνησης τεχνολογίας σε αρχικό στάδιο που βοηθά τις ομάδες δεδομένων να διαχειρίζονται κρίσιμα στοιχεία δεδομένων. Πριν από το Workstream, ο Nick υπηρέτησε ως Αντιπρόεδρος Επιχειρήσεων για την BetterCloud, έναν ανεξάρτητο προμηθευτή λογισμικού που προσφέρει την κορυφαία λύση SaaS Operations Management. Προηγουμένως, ο Νικ κατείχε ανώτερες χρηματοοικονομικές θέσεις στην Tesla, ενώ κέρδιζε το MBA του στο Χάρβαρντ.