如何从0开始搭建数据分析团队，推动企业增长引擎

当身边的企业纷纷踏上数据化之路，你还在苦于估计市场需求的时候有大量误差？判断公司健康水平的时候没有标准？衡量供应商优质程度的时候没有参考？

充分利用信息资源应该成为你的重中之重。

在今天的供给侧改革阶段，在这个高度数据驱动的环境中，每个企业需要有一个强大的数据分析团队。数据分析团队，可能会对未来几年的业务产生重大影响。那么，组建和维护一个数据分析团队需要做什么？团队应该怎样做才能使自己取得成功？

今天，我们来说说企业如何搭建适合自己的数据分析团队。首先我们来看看企业应用数据的3种模式。

一、企业应用数据的3种模式

1、传统应用模式

在传统意义上，也是大家已经轻车就熟的应用方式，主要面对企业业务产生的结构化数据，这种模式的目标是满足企业内部各种量化和精细化管理。

统计分析主要内容包括：面向基础的业务统计分析、面向客户的营销和渠道优化管理、面向内部的成本核算和结构优化、面向内外部合规和风险管理控制、面向业绩预测、运营绩效管理。这种分析大部分要求精准、及时。

2、智能化推动模式

智能化在生产制造行业和互联网化的行业比较普遍，以工业制造、IOT（物联网）以及互联网数据的应用为主。例如汽车制造行业、医疗检查设备行业、传媒行业、电子商务行业、大型设备制造企业、电力石油供应企业，智能家居企业等。

这些企业主要是在产品和服务中增加了智能化的数据采集手段，然后通过用户行为分析直接提供嵌入业务场景的智能化服务体系，本质上属于自身产品和服务的智能化提升。

3、高端智库模式

智库模式主要服务于企业的市场分析、战略研究、产品定位和转型策略、突发性事件处理、行业级系统性风险的预测和防范等。

这种模式需要分析人员提供基础数据服务、分析工具、场景化的证据、线索的组织策略。同时产出依赖于自身知识结构体系的专题分析报告和决策建议。

小结

在企业内部，三种系统架构模式中任何一种都不能简单代替其他的数据服务模式，不同的发展阶段，需要采取不同的模式。依据以上特征，常见的数据分析团队架构可以采取三种结构：功能型团队、嵌入型团队、混合型团队。（以下详述）

二、常见数据分析团队的3种结构

1、功能型团队

在公司的组织架构里，有一支专门的分析团队，如“商业分析部”，支撑公司所有业务部门的数据分析需求，团队成员向部门leader汇报工作，而部门leader向CEO或COO汇报。

优势：

① 团队在公司的重要讨论中有一席之地，可以获得属于团队的预算和必备的基础设施；可以按依据业务方需求的工作量及重要程度，按需分配分析人员，并机动地解决所有人的分析需求，即使这并不是某些特定部门的首要任务；

② 给分析人才提供跨部门协作的机会，可以接触多种类型的分析，分析人员可以快速提升技能。

2、嵌入型团队

嵌入型团队需要为每个团队（销售团队、市场团队、产品团队、客户服务团队等）都配备数据分析师，他们负责解决团队特定的分析需求，并汇报给不同的负责人。

优势：

① 数据分析师被安排到特定的团队中，更了解真实的业务场景，能快速提供精准匹配的服务；

② 将分析师放在最需要的地方，他们本身乐意沉浸其中解决问题。

劣势：

① 长期负责一个部门的业务分析，当存在跨部门分析需求时，难以支援，且基础设施和学习预算会严重不足；

② 分析人员普遍缺少晋升通道，个人成长空间有限。

3、混合型团队

混合型团队是一个具有独立负责人的团队，但每一个分析师都有自己负责的特定领域，他们的汇报对象是独立的部门负责人，但与他们支持的业务部门坐在一起共同工作，解决业务部门的问题。

这使得数据分析团队在资源方面可以拥有重要地位，同时团队内个人的专业知识也能够发挥最大的影响力。混合型团队成功了解决功能型团队和嵌入型团队的缺点，最大化的提高了工作效率。

三、如何找到适合的数据分析师

构建数据分析团队时，是采取功能型、嵌入型还是混合型？这需要依据企业自身的发展阶段来确定。

但无论采取哪种团队架构，我们却少不了引进优秀的数据分析师。接下来我们就说说如何找到合适的数据分析师。

1、避免招聘把工具作为“包装点”的人

你的企业如果正在急速扩张，需要来自数据分析师的帮助，但此时你通常不知道什么样的人可以真正为团队带来价值。在这里直接寻找来自其他公司的数据分析师，尤其是大型公司的，并不一定是个好选择。

因为大多数分析师实际上都是“记录者”，他们为需要数据的人跑数据，却并没有分析出任何结果。当我们通过筛选功能来检索市面上部分分析师的时候，会因他们在工作描述中有使用特殊工具的经验而增加了露出的几率。

我们需要知道一件事：一个优秀的数据分析师，并不会以使用Google Analytics、Tableau、Omniture等工具作为自己的“包装点”，还应该具备相应的能力，我在之前的文章中具体讲述过，有兴趣的朋友可以过来再次查阅《思维 | 数据驱动决策的10种思维》

2、找到生性对分析有好奇心的人

实际上企业并不应过多关注分析师使用工具的经验，（当然会使用SQL和Excel是一个很大的帮助）。数据分析师把时间用在为他人跑数据越多，他们分析这些工具输出数据的价值的可能性就越小。你真正需要的是那些生性对分析有好奇心的人。

比如一位新毕业生，他在求职信中谈到他如何通过自己的睡眠模式和饮食数据，找到了改善他的健康状况的方法。在面试的过程中，他之所以被面试官排在了数十位拥有多年工作经验的分析师之前，是因为他真正在自己思考分析结果，解决问题，而非利用工具做了一篇报告。

3、在面试中测试数据分析的真正能力

你可以在面试中给候选人一台带有Excel数据的笔记本电脑和一些模糊的问题，让他们来进行分析。

事实证明，这个筛选机制得出了很好的的结果，很多人从来没有得到过数据，或者他们的答案是非常错误的，而少数优秀的分析师直接通过方法轻松解决问题，这就是企业要找到的人。

这种招聘方法简单有效的另外一个原因是，它实际上也向求职者展示了分析师的工作是什么，可以让求职者有机会判断是否喜欢这份工作，让他们展示如何解决问题，他们也可以从中获取到一些有价值的东西。

小结

总的来说，数据分析师团队是企业最难扩张的团队之一，建立团队的关键是选择满足公司需求的团队形态。团队的结构其实并不是最重要的，但是招聘合适的人选非常重要。

我们可以预测，如果企业可以找到正确的人并组建自己的分析师团队，那么你将在市场占得先机。

*本文整合自：

未来支撑企业发展的三种数据分析模式思考

如何建立一个数据分析团队

数据分析团队结构

原文始发于微信公众号（DataHunter）