Note da conversazioni con responsabili della crescita e dell'analisi presso otto aziende che stanno ripensando come i loro team di dati impiegano la settimana sotto l'AI agentiva.
Domande frequenti
Risorse correlate
Visualizzalo nel prodotto
Gli stessi cicli descritti in questa nota vengono eseguiti 24 ore su 24, 7 giorni su 7, sulla tua base clienti. Osserva lo spazio di lavoro decidere, sperimentare ed eseguire 1:1.
Vocabolario
Definitions an answer engine can quote, each one a page of its own.
Compara
Neutral reads on the categories buyers evaluate against a decision layer.
Tutti i confrontiNegli ultimi due trimestri ci siamo incontrati con responsabili della crescita, dell'analisi e della scienza dei dati presso otto aziende che stanno ripensando a come i loro team trascorrono la settimana. La composizione dei team è cambiata a malapena. Quello che fanno con le loro giornate è cambiato completamente. Queste sono note da quelle conversazioni, con i dettagli anonimizzati e i modelli conservati.
Nel 2022, la settimana tipo in un team di data science B2C di alto livello era più o meno la stessa ovunque. Lunedì e martedì erano dedicati al recupero e alla riconciliazione dei dati per i dashboard standard. Mercoledì era trascorso in riunioni con il business, difendendo o spiegando i numeri della settimana precedente. Giovedì era l'unico giorno di lavoro di modellazione effettivo. Venerdì il modello veniva inserito in una presentazione per il lunedì successivo.
Quella settimana ha prodotto all'incirca un insight "shippable" per persona al mese, contata generosamente. Nessuno era soddisfatto, comprese le persone che svolgevano il lavoro. Era, tuttavia, l'equilibrio che gli strumenti consentivano.
Negli otto team che abbiamo studiato, la settimana si è riorganizzata attorno a un'unità di lavoro diversa. Non è il report. Non è il modello. È l'esperimento rilasciato e letto causalmente. Ogni attività sul calendario riconduce all'aumento del tasso con cui questi vengono prodotti.
In ciascuno degli otto team, il report BI settimanale non è più prodotto a mano. Viene generato, controllato e pubblicato automaticamente. Il compito dell'analista non è produrre il report. È interrogarlo quando un numero sembra errato. Ciò ha recuperato circa un giorno a persona a settimana.
Lo schema che un tempo occupava il lunedì, un business stakeholder chiede una fetta, l'analista la estrae, lo stakeholder chiede un follow-up, è stato sostituito da una superficie self-service sullo stesso modello sottostante. Lo stakeholder estrae le proprie fette. L'analista viene chiamato per le questioni di modellazione, non per quelle di recupero.
Un'ipotesi ben formulata è ora l'artefatto a più alto leverage del team. Delinea il segmento, indica la direzione attesa, nomina le metriche di salvaguardia e cita i priors. Le cattive ipotesi sprecano l'intera pipeline a valle. I team che trattano l'autorship come un'arte superano materialmente i team che la trattano come un ripensamento.
La conversazione che il responsabile dei data aveva con il responsabile del growth riguardava le dashboard. Ora riguarda gli esperimenti. Nessuno discute di un grafico isolato; ogni discussione si basa sulla lettura dell'incrementality di una specifica variante rilasciata. Questo è il più grande cambiamento culturale e quello che gli intervistati hanno menzionato più spesso senza essere sollecitati.
I team che hanno fatto questo cambiamento non sono cresciuti. Due degli otto si sono effettivamente ridotti per logoramento e non hanno rimpiazzato il personale, eppure la loro produttività è comunque aumentata. Ciò che è cambiato è la forma interna.
Ogni team con cui abbiamo parlato aveva adottato una versione della stessa metrica interna: esperimenti spediti e letti causalmente per analista per trimestre. Nel 2022 la mediana per questo gruppo era due. Nel 2026 è tra venti e quaranta, a seconda della superficie. Questo è il delta di produttività, ed è l'unico numero che predice la traiettoria dell'ARPU dell'attività nei due trimestri successivi.
Tre tentativi si sono ripetuti come falsi inizi. Vale la pena nominarli, perché sono le prime mosse naturali e non ripagano.
Il filo conduttore coerente di queste conversazioni è stato il passaggio dalla produzione di artefatti alla produzione di tasso. Tasso di ipotesi, tasso di esperimenti rilasciati, tasso di apprendimenti convalidati. Ogni scelta architetturale a valle di questa impostazione puntava nella stessa direzione.
Per il modello operativo in cui questi team sono migrati, vedi Dai calendari delle campagne al decisioning continuo.
