流利的数据需要什么

那么，什么是数据流利性？数据流利性是理解数据，交流数据见解并终做出更明智的决策的能力。这是关于赋予员工技能以更快地获得更好的业务见解的能力。目标是使数据科学民主化，并在整个组织的适当深度建立数据技能。

但是就像学习语言一样数据流利性也要达到一定水平

每个员工对数据的熟练程度和熟练程度应反映其工作需求，这意味着数据流利程度应随手头业务问题的复杂性而定。组织必须建立一个学习环境，鼓励员工根据业务需求发展其数据技能。

看起来像流利的数据

对于任何优先考虑更快，更智能和可扩展工作的组织而言，树立数据流利文化至关重要。即使是对数据工具和资源的基本了解也可以极大地提高个人和团队之间的交互质量，以及整个组织的效率。讲数据的通用语言可以使人们对问题，方法和结果有更深入的相互理解。

实际上数据流利性对于不同的团队而言意味着不同的事情

但结果始终是更好的数据驱动决策，对于营销人员而言，可能会获得有关规划，执行和衡量成功广告系列的见识。对于财务团队来说，它可能正在使用预测分析来更准确地预测需求。对于人力资源部门，可能正在确定招聘和员工敬业度的做法。对于高管而言，这可能会为分析策略创建愿景并建立数据基础，包括建立公司的数据科学和分析模型。

优化整个公司的数据流畅度

在公司内部构建数据科学和分析实际上是关于人才的优化。在部门内部，掌握数据技能将直接推动见解和业务决策。但是监督这些职能的高管也有权组织这些职能，以提高效率和影响力。让我们看一下公司组织数据功能的不同方式。

数据科学和分析的组织模型

在我们的客户以及更广泛的客户中，我们看到公司使用三种主要模型来组织其数据团队：集中式，嵌入式和混合式，集中模式个模型是一个集中的数据科学和分析团队，该团队负责处理其他部门（通常设置为卓越中心）的请求。在此模型中，首席数据科学家或首席数据官负责监督整个数据功能，并且能够独立于其他功能区分数据需求的优先级。集中式数据团队实质上是数据的看门人。

该模型被广泛使用但可能会出现问题因为它为数据工具技能和责任创建了一个竖井

不鼓励数据团队以外的员工为自己开发数据流利性，因为他们将数据流利视为他人的责任。这也可能意味着数据团队完全受其他团队的要求支配，无法完全拥有建立自己的战略远景的所有权，同样请求者也只能依靠数据团队的可用资源，要么有专家，要么没有专家，请求者通常不了解正在取得的进展。在此过程中，由于数据团队和请求者在优先级和交付方面可能会有不同的想法，因此可能缺乏沟通和相互理解。

嵌入式模型

第二种是嵌入式或分散式模型，其中数据专业人员嵌入职能团队中。您可能在市场营销团队中有一位数据科学家或分析师负责市场营销分析，在销售团队中有一位支持销售目标的人员，在工程团队中有支持数据基础架构的人员，还有在财务团队中负责财务建模的人员。数据专业人员直接向每个部门职能部门的负责人汇报，并且与团队需求保持同步，因此与集中式模型相比，他们通常对手头的需求有更好的了解，但是嵌入式模型可能会出现问题，部门负责人可能没有数据流利性，这意味着他们可能无法为其数据科学家提供适当的指导和支持。整个公司可能还缺乏分析标准化，导致报告分散。

混合模型第三个是混合模型其中有一个中央数据团队

而数据专业人员也被嵌入功能团队中，与嵌入式模型一样，他们向部门负责人报告，但对公司的首席数据科学家也有虚线。这使首席数据科学家既可以充当有远见的技术领导，又可以弥合数据需求和功能专业知识之间的鸿沟，混合模型鼓励更多的跨职能协作，并且可以为每个数据专业人员带来强烈的目标感。尽管它非常强大，但是它需要仔细的组织结构，并且通常被数据流利性更成熟的公司青睐。

适应不断变化的数据需求

业务在选择数据科学和分析组织模型时应考虑员工需求。熟练的数据专家供不应求已经不是什么秘密，这意味着他们有很多选择。对于雇主而言，这意味着员工保留可能是个问题，他们必须确保其熟练掌握数据的员工充分参与。

业务在选择组织模型时还应考虑其公司当前和未来的需求

渐进的方法是明智的。早期业务可以采用精益方法，并具有支持整个公司启动的集中数据功能。数据科学家和分析师的薪水很高（通常在六个数字中），而且许多早期业务可能无法负担每个团队一个人的费用。然后，随着分析需求和功能的扩展，公司可能会转向嵌入式模型。随着公司的成熟，它可能会选择采用混合模型来提高运营速度和扩展功能，实施变更的重要部分是建立可以跟上的强大文化。一切都回到了提高整个公司的数据流利性上。无论您的公司现在采用哪种数据科学和分析组织模型，或者将来选择采用哪种模型，重要的是让每个人都说数据语言。