数据工具本身不是问题,问题在于流程和人员 - angadsg

22-12-12 banq

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。