Notizen aus Gesprächen mit Leitern für Wachstum und Analyse in acht Unternehmen, die überdenken, wie ihre Datenteams ihre Woche unter agentic AI verbringen.
In den letzten zwei Quartalen haben wir uns mit Growth-, Analytics- und Data-Science-Leitern von acht Unternehmen zusammengesetzt, die ihre Arbeitsweise überdenken. Die Zusammensetzung der Teams hat sich kaum verändert. Was sie mit ihren Tagen anfangen, hat sich komplett geändert. Dies sind Notizen aus diesen Gesprächen, wobei die Besonderheiten anonymisiert und die Muster beibehalten wurden.
Im Jahr 2022 sah die archetypische Woche in einem führenden B2C-Data-Science-Team überall ungefähr gleich aus. Montag und Dienstag waren dem Abrufen und Abgleichen von Daten für die bestehenden Dashboards gewidmet. Der Mittwoch wurde mit Überprüfungen mit dem Business verbracht, wobei die Zahlen der Vorwoche verteidigt oder erklärt wurden. Donnerstag war der einzige Tag für eigentliche Modellierungsarbeit. Am Freitag wurde das Modell für den folgenden Montag in eine Folie überführt.
In dieser Woche wurde großzügig gerechnet ungefähr ein nutzbarer Einblick pro Person und Monat erzielt. Niemand war damit zufrieden, auch nicht die Leute, die die Arbeit erledigten. Es war jedoch das Gleichgewicht, das die Werkzeuge zuließen.
Bei den acht von uns untersuchten Teams hat sich die Woche um eine andere Arbeitseinheit neu organisiert. Es ist nicht der Bericht. Es ist nicht das Modell. Es ist das ausgelieferte, kausal gelesene Experiment. Jede Aktivität im Kalender lässt sich auf die Erhöhung der Rate zurückführen, mit der diese produziert werden.
In jedem der acht Teams wird der wöchentliche BI-Bericht nicht mehr manuell erstellt. Er wird automatisch generiert, geprüft und veröffentlicht. Die Aufgabe des Analysten ist es nicht, den Bericht zu erstellen, sondern ihn zu hinterfragen, wenn eine Zahl ungewöhnlich aussieht. Das hat pro Person pro Woche ungefähr einen Tag zurückgewonnen.
Das Muster, das früher den Montag verzehrte – ein Business-Stakeholder fragt nach einem Ausschnitt, der Analyst zieht ihn, der Stakeholder fragt nach einer Folgefrage – wurde durch eine Self-Service-Oberfläche über demselben zugrundeliegenden Modell ersetzt. Der Stakeholder zieht seine eigenen Ausschnitte. Der Analyst wird für die Modellierungsfragen hinzugezogen, nicht für die Abruffragen.
Eine gut formulierte Hypothese ist jetzt das wirkungsvollste Artefakt im Team. Sie umreißt das Segment, gibt die erwartete Richtung an, benennt die guardrail metrics und zitiert die priors. Schlechte Hypothesen verschwenden die gesamte nachfolgende Pipeline. Die Teams, die das Verfassen als Handwerk betrachten, übertreffen die Teams, die es als nachträglichen Einfall behandeln, materiell.
Das Gespräch des Head of Data mit dem Head of growth drehte sich früher um Dashboards. Jetzt geht es um Experimente. Niemand streitet über ein Diagramm isoliert; jedes Argument basiert auf der Inkrementalitätsablesung einer spezifischen versandten Variante. Dies ist die größte kulturelle Verschiebung und die, die von den Interviewpartnern am häufigsten unaufgefordert erwähnt wurde.
Die Teams, die diese Umstellung vorgenommen haben, sind nicht gewachsen. Zwei der acht schrumpften sogar durch natürliche Fluktuation und stellten keine neuen Mitarbeiter ein, und ihr Durchsatz stieg trotzdem. Was sich änderte, war die interne Struktur.
Jedes Team, mit dem wir sprachen, hatte sich auf eine Version derselben internen Kennzahl geeinigt: ausgelieferte, kausal ausgewertete Experimente pro Analyst pro Quartal. Im Jahr 2022 lag der Median für diese Gruppe bei zwei. Im Jahr 2026 liegt er je nach Bereich zwischen zwanzig und vierzig. Das ist das Produktivitäts-Delta, und es ist die eine Zahl, die die ARPU-Trajektorie des Unternehmens über die folgenden zwei Quartale vorhersagt.
Drei Versuche tauchten immer wieder als Fehlstarts auf. Es lohnt sich, sie zu benennen, denn sie sind die natürlichen ersten Schritte und zahlen sich nicht aus.
Der konsistente rote Faden dieser Gespräche war die Verlagerung von der Produktion von Artefakten zur Produktion von Rate. Rate von Hypothesen, Rate von versandten Experimenten, Rate von validierten Learnings. Jede architektonische Entscheidung, die dieser Rahmung nachfolgte, zeigte in dieselbe Richtung.
Für das Betriebsmodell, in das diese Teams migriert sind, siehe Von Kampagnenkalendern zu kontinuierlichem Decisioning.
Häufig gestellte Fragen
Verwandte Ressourcen
Im Produkt ansehen
Die gleichen Schleifen, die dieser Hinweis beschreibt, laufen 24/7 in deiner Kundenbasis. Beobachte, wie der Arbeitsbereich 1:1 entscheidet, Experimente durchführt und ausführt.
Vokabular
Definitions an answer engine can quote, each one a page of its own.
Vergleichen
Neutral reads on the categories buyers evaluate against a decision layer.
Alle Vergleiche
