3

数据工具本身不是问题，问题在于流程和人员 - angadsg

 2 years ago
source link: https://www.jdon.com/63782
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
neoserver,ios ssh client

数据工具本身不是问题，问题在于流程和人员 - angadsg


在过去的十年中，数据工具有了 "寒武纪大爆炸"。每个数据工具都在不同的层面上解决了一个新的问题--但在我看来，"数据驱动的决策 "这个最终的问题与其说是由BI工具解决的，不如说是由人和流程解决的。

Creation > Ingestion > Warehouse > DE / Modeling > Consumption
其中消费包括 BI / 分析、实验和 ML。

每个工具都有某种形式的批评，因为通常情况下，团队最终没有按照创造者建立、设想、甚至验证的方式来使用它们。这有悖于良好的产品原则，但在我看来，这是事实数据工具是复杂的混合物，与消费者应用程序不同，让界面和过程 "令人愉快 "真的很难。如果 "用户 "层（又称DS、DE、DA成熟度）存在问题，或者用户无法获得足够的价值，那么这甚至可能是无法实现的。

关于什么会导致数据工具的成功的一些假设（即成功=团队感觉/相信/衡量他们是一个数据驱动或知情的组织）。

  1. 作为工具采用和入职的一部分，对行为变化的教育有强制功能（例如，looker建模语言，工作流程的DBT）。
  2. 对 "咨询 "的高投资--例如销售工程、承包商、入职培训，以推动行为改变。不具有可扩展性--但对某些数据产品有效。
  3. 筛选出那些已经是数据成熟的组织/公司（例如airbnb--它有一个有原则的数据组织），但在这种情况下，他们很可能用他们现有的工具做得很好。
  4. 有明确结果的利基市场，例如，用amplitude进行漏斗分析，用crashlytics进行碰撞分析，用Interana进行序列分析。

#＃1，＃2，＃3 - 都很难实现，这让我们把＃4作为推动数据工具成功的可能的可行选择。

总而言之，有两大类数据工具：

通用数据工具和行为变化数据工具。

  1. 通用数据工具被大量采用（因为它们通常在信息/平台层--尽管不一定），它们的成功在很大程度上取决于组织的数据成熟度。这些工具必须在它们所做的事情上非常出色，例如，fivetran或airbyte需要对支持的源和汇有很高的覆盖率，或者例如bigquery需要对PB级的数据有疯狂的速度。
  2. 行为改变工具的例子包括dbt（他们的口号是--"改变数据，改变团队"），或者任何能够实现特定分析需求的BI工具，例如amplitude funnel分析。

 


report

Recommend

About Joyk


Aggregate valuable and interesting links.
Joyk means Joy of geeK