建立一个能够提供持续商业价值的数据能力是一个旅程，而且是一个艰巨的旅程。根据你的组织在这个旅程中的位置，可能有不同的答案。你应该雇用谁？你应该如何组织资源以使其影响最大化？你如何确保他们与业务利益相关者和技术职能部门保持一致？虽然这些问题没有一个万能的解决方案，但在你发展你的数据团队和能力并成为一个更多的数据驱动的组织时，有一些重要的因素需要记住。

评估你在旅途中的位置

Buzzfeed和ITV都是以吸引眼球为业。他们获得的观众越多，他们可以在此基础上销售更多的广告。Buzzfeed本质上是一家科技公司，而ITV正处于数字化转型的阶段。然而，发展数据能力与发展数字能力是非常不同的。人们可以在数字平台上运行一个精通技术的企业，但仍然处于数据之旅的起点。

你怎么能确定你在旅程中的位置？一个重要的因素是，你的数据能力是以防御性的还是进攻性的方法为基础。防御性的方法是回顾昨天发生的事情。数据人才通常专注于为企业生成KPI报告。通常情况下，防守型团队包括对出现的机会作出反应的通才；他们通常被视为一种支持性的职能。当基线报告尚未到位时，防御性的方法可以增加很多价值，但这些团队往往很快就会被那些几乎没有商业价值的请求所淹没。

另一方面，一个拥有更多进攻性数据战略的组织，较少关注对报告请求的反应，而更关注数据和人工智能如何为EBIT（息税前利润）增长和创新做出贡献。进攻性战略意味着数据团队领先于战略问题，并积极主动地提出如何以及在哪里可以增加价值，而不是等待业务团队告诉它的路线图应该是什么。

通常情况下，进攻型团队比防守型团队表现出更大的专业化程度。一个更先进的数据能力可以为分析师、数据可视化专家、数据产品所有者、数据科学家、经济学家、数据工程师和机器学习工程师划出不同的职责和职业轨道。这种更高的专业化程度往往与保留数据人才的时间更长有关，因为他们比普通人有更多的指导和职业发展的感觉。此外，在进攻性战略中，面向业务的角色，如分析师和数据科学家，通常专注于为业务的特定部分增加价值。

职能和技术的专业化不仅使数据团队从一个主要是被动的角色过渡到战略伙伴，它还使成员能够进一步创造更大的自动化和自我服务能力。分析师和数据科学家可以创建快速赢取的原型，以展示价值并获得利益相关者的认同。但为了扩大数据驱动的决策，你还需要一个强大的数据工程团队，以及对基础设施和数据质量及治理的投资。这些举措比数据科学和分析更难与投资回报率挂钩，但它们是在整个组织内实现数据民主化的基础。 

找到适合组织需求的运营模式

无论一个组织在其数据旅程中处于什么位置，都没有一个标准化的模式来最大化其数据能力的影响。最强大的数据团队会根据文化、战略、商业模式和数据旅程的成熟度等因素，随着时间的推移而不断发展。他们经常在集中化的职能和将人才分成职能团队之间交替进行，前者由数据领导者管理所有的数据人才。当数据计划是分散和无组织的时候，集中化往往是有效的，这可能发生在旅程的开始阶段，也可能发生在组织的扩展阶段。以团队为中心的结构对于创造与利益相关者和合作伙伴更紧密的整合是非常有用的。

无论数据团队的集中化程度如何，具有影响力的数据能力的组织都有一个共同点：他们的结构设计一方面是与业务紧密结合，另一方面是与工程紧密结合。为了使这种双重调整制度化，重要的是要从建立数据领导者的最佳报告线开始。

理想情况下，数据和分析部门的负责人应该向行政级别的战略监督者报告，他有定量思考的能力，并对新技术表现出好奇心。这种战略和定量技能的结合（而不是一个特定的头衔，如CFO、CEO或CSO）是建立一个具有战略思维和技术成果的数据功能的关键。例如，在Buzzfeed，数据负责人向CTO报告。这在Buzzfeed的情况下是很理想的，因为产品和工程也都在技术部下，而在一个数字原生公司，技术部本身就是一个高度战略性的职能。

因此，数据领导者必须组织他们的团队，以确保与业务和技术的紧密合作。目前，Buzzfeed和ITV的数据团队包括分析师和数据科学家，他们向数据领导汇报，但在职能上却被嵌入业务团队。数据和平台工程师向工程主管报告，但仍保留对数据主管的虚线报告，因为数据架构和渠道对所有其他分析工作的成功是如此关键。

数据领导不仅对数据工程师的路线图有一定的发言权，而且还参与他们的工作流程，并在行政领导层为他们辩护，认识到这个团队的成功是在分析和人工智能方面取得进一步成功的基石。 

雇佣谁

虽然专业化和运营模式很重要，但雇佣那些渴望有大局观并对人和流程有近乎人类学兴趣的团队成员也很关键。数据人才很容易钻进兔子洞，追逐那些智力上有趣但商业价值不高的项目和机会，或者为了回答一个一开始就没有明确说明的商业问题而奋力向前。

商业用户通常向数据专家提出的问题并没有真正解决他们想要解决的问题。因此，数据分析师或数据科学家最宝贵的技能之一就是能够深入挖掘并准确理解用户想要得到的东西，必要时重新表述问题，然后再制定技术方法。

管理者应该采取以价值观为主导的招聘方式，选择那些务实的、努力追求卓越运营的人。这意味着雇用那些从一开始就考虑生产其算法的数据科学家，对他们来说，成功意味着用户采用其解决方案。这与那些主要对测试所有最新技术感兴趣的人形成鲜明对比，即使这些技术对业务的影响很小或没有被采用。

这也意味着要雇佣那些非常关心业务价值实现时间的数据工程师——那些专注于建立更快、更有效的系统和渠道的人。事实上，一些最有价值的数据工程工作发生在数据工程师被邀请成为商业价值对话的一部分，而不是被归为后台职能。

另一个预测数据角色成功的关键因素是有效驾驭模糊性的能力。数据产品，如推荐系统或自动数据渠道，通常比其他技术产出涉及更多的模糊性。对于像Buzzfeed购物内容的推荐系统这样的东西，通常几乎不可能制定结构化的路线图，因为建立这些系统包括大量的“未知数”，这些未知数在一开始就无法预测，需要多次迭代。最好的数据人才不仅能适应不断变化的路线图，还能向产品、业务和工程团队解释为什么这项工作与其他类型的产品开发不同，更加反复，更加不确定。