数据治理中的有趣发现(二)

枫棠    发布于:2019-10-25 浏览 50

在上一篇中,作者抛出了以下两个观点:1.数据治理,从业务的最初阶段,就要开始设计。2.如果你不了解所使用的各种数据结果的口径,就不要推动所谓的“用数据说话”。本篇将继续抛出一些观点,感兴趣的伙伴可以查看并评论留言。

文章转载自公众号:老树之见

作者:老树

在上一篇中,我抛出了以下两个观点:

  1. 数据治理,从业务的最初阶段,就要开始设计。

  2. 如果你不了解所使用的各种数据结果的口径,就不要推动所谓的“用数据说话”。

第二个观点换个角度说,就是数据的消费方,一定要有“数据严谨性”的意识,尤其当你是一个leader的时候。第二篇中,我继续抛出一些观点。

  • 知识沉淀的健全与否,决定了数据治理的执行成本

数据治理项目,不仅需要深挖各种细节的业务定义,还需要有许多的“决断”(比如确定一版大家都能有共识的口径),需要协同的人,牵扯的部门往往很多。我们先不谈人配合意愿的问题(许多时候,数据治理会触碰协作方的“安全边界”,这是一种寓情于理都可以理解的沟通障碍),我们假设所有协作方都无条件配合的情况下,仍然有极大概率出现的困难,那就是:

“谁都说不清某个关键的细节”

为什么呢?因为知道的人已经走了,或者时间久了忘了,且没有历史记录沉淀下来。在业务变化快,人员流动大的互联网公司,这种情况尤其普遍。

如何解决该问题?道理其实很简单,就是加强业务知识管理;但执行基本很扯淡,因为谁都不愿意“打杂”。所以我有两个明确的建议:

  1. 每个有明确的组织边界的团队,都要建立《新人上手指南》,由公司HR部门全程监督:内容制作详细且定期更新,每次更新发布,都由两个以上协作团队进行审核;HR跟踪部门新人对《新人上手指南》的评价,该评价计入该部门各层级的KPI考核中。

  2. 公司内部,从leader开始,应用任务协作和文档管理工具。目前市面上的协作工具已经很多,私有部署的和saas模式都有,无论大小公司,都能找到适合自己价位的工具。但心理预期要降低,工具的应用,并不能立马解决问题;工具的应用,只是一个起点,能够使整个团队,开始建立知识管理和协作提效的意识

  • 我们可能正在透支整个社会的“数据应用能力”

这个观点在我脑中有段时间了。出现的当时,我自己很诧异,但仔细想了想,也许这真的是事实。为什么我们大力招人,却鲜有合适的人选?尤其是高段位人才。高段位固然是稀缺的,但稀缺的情况能够改善么?目前似乎看不到好的信号。

首先,整个大的公共教育环境,对数据分析、数据科学人才的培养是非常滞后的。虽然近年来大力投入资源,但是一是起步晚了,人才补充到市场还需要时间。

二是培养方式不够脚踏实地。高校里,缺乏有实战经验的老师设计课程体系,导致“堆砌”理论,学生的商业感知和动手能力都不够好。市场上的培训机构呢,基本上急功近利,拿入门级的知识当专业课,让学生挂几个“包”,跑几个“函数”,尝试几个kaggle案例,就收一笔学费,不论效果如何。

在这两个大背景下,我们大量的“用人单位”,只管招人干活,不管人的培养(许多都是自由生长,尤其是与上一个观点相呼应,当知识沉淀很差时,人才的成长更难达预期)。在门槛越抬越高的情况下,公司内部的小伙伴却没有清晰的成长路径和辅导。那么结果就是,有一定工作年限的所谓的“高阶数据分析人才”,泡沫越来越大。而正在努力的行业新人,却不能在正确的方向上,用合理的时间达到必要的高度。

“既然是泡沫,终究是要破灭的!

当泡沫破灭,所有人认清了现实以后。国内的数据分析高阶人才市场,有可能出现信心危机。极有可能造成“高阶大数据人才信任感缺失”的情况,市场信心的恢复,可要花点时间。这与金融危机,是一个道理。

“以我个人招聘的经历来说(完全达到了大样本要求):数据分析领域,在正确的发展路径上的,3-7年工作经验是最有价值的。更长工作年限的人选,适配性可能不好,薪资要求也会偏高。”

回过头来,有资源,有能力的大厂,应该正视这个问题。格局应该高一点,不管人才能不能长期留住,都要以“为中国经济发展,以自身业务场景为基础,培养数据分析人才。”为责任。踏踏实实分析现有的业务需求和人才成长模型,设计务实、分阶段、可量化、有积累效应的人才成长体系。

目前在数据领域打拼多年,资历颇深的伙伴们,尤其是处在团队管理岗位的伙伴,也应正视这个问题。你们的未来,并不取决于你有多稀缺,有多少好的offer,这些都是暂时的。好好培养身边的新人们,给予更多的引导和帮助。只有帮助他们提高,市场对“数据分析人才”的信心才能维持,整个市场的人才梯度更健康,才能挤压水分,消除泡沫。从长远来看,才有利于行业内所有人的生存。


对文章版权如有异议,请添加数澜客服微信号进行申诉:shulan_shouhou

收藏此文章 点赞此文章

评论 (0)

暂无用户回复

评论此篇文章

登录后可回复
/1000