Realmente no se puede invertir en un equipo de datos demasiado pronto. Eso es algo que aprendimos como un equipo pequeño pero en crecimiento. Invertimos en un equipo de datos en una etapa temprana, para que pudiéramos establecer tendencias de uso del producto, crear conocimientos comerciales e identificar áreas para mejorar nuestro producto.  Si es una startup en etapa inicial, comience a construir su equipo y arquitectura de estrategia de datos tan pronto como pueda. No tiene que ir a lo grande: un equipo de datos de una sola persona puede marcar una gran diferencia en su éxito a medida que crece.  Contrata a un generalista primero  Cuando se trata de lanzar su equipo de datos, es posible que tenga la tentación de contratar a un experto de la marca más grande que pueda. Nuestro consejo: encuentre a alguien con experiencia en startups y que también haya trabajado con datos a escala.  Hay personas maravillosas con mentes brillantes que trabajan en grandes equipos de datos empresariales, pero estos grandes equipos a menudo hacen que sus empleados se especialicen en partes específicas de su plataforma de datos. Eso tiene sentido cuando tiene 10 ingenieros de datos en un equipo o cuando tiene un gran equipo de científicos de datos de aprendizaje automático que trabajan en algoritmos de precios. Pero cuando solo tiene una función de datos para toda la organización, necesita a alguien que pueda hacer un poco de todo.  Es importante contratar primero a un todoterreno que pueda crear conocimientos de datos, desarrollar hipótesis comerciales y crear una arquitectura de datos escalable desde cero. Necesita a alguien listo para comenzar a construir el equipo de datos desde cero, preferiblemente alguien que pueda contratar al resto de su equipo una vez que esté listo para hacerlo.  Esta primera contratación debe ser alguien que tenga experiencia en crear (o al menos trabajar en) un equipo de datos en una etapa inicial de inicio. Necesitan poder generar valor rápidamente y tener la perspicacia comercial para hacer las preguntas correctas. Deberían poder abordar los datos de una manera 80/20 para ofrecer resultados inmediatos en lugar de sumergirse en los problemas más difíciles que tenga.  Para el lado de la ingeniería de datos, es común contratar a un consultor o contratista para ayudar a configurar su arquitectura. Decidimos complementar nuestra primera contratación con un consultor. De esta manera, tenemos lo mejor de ambos mundos: un experto en ingeniería de datos a tiempo parcial y un generalista que puede mantener la arquitectura de datos día a día. Establecimos bases sólidas y también mantuvimos nuestro conocimiento en casa.  Un pequeño equipo de datos puede responder grandes preguntas  Incluso si no puede contratar de inmediato para todos los roles que desea en su equipo de datos a largo plazo, puede hacer mucho con solo una o dos de las personas adecuadas. La clave es pensar en términos de escalabilidad y eficiencia. ¿Qué ayuda a su equipo de datos a hacer más con menos? ¿Y cómo funcionará esto cuando tu equipo sea más grande?  Los análisis escalables son extremadamente importantes con un pequeño equipo de datos. Al pensar con anticipación en cómo funcionarán sus procesos y flujos de trabajo a medida que crece su equipo, ahorrará tiempo y creará soluciones valiosas para algunos de los problemas que más tiempo consumen de sus empleados.  Por ejemplo, inmediatamente nos dimos cuenta de que nuestro equipo de ventas no tenía visibilidad sobre el uso de productos de los clientes potenciales y que iba a surgir con frecuencia. Así que construimos a nuestros representantes de ventas un tablero de espacio de trabajo para que puedan extraer los datos ellos mismos. El trabajo de nuestro equipo de datos es permitir la toma de decisiones basada en datos. Cuando vimos una oportunidad para una inversión única en datos que podría generar cientos de horas ahorradas en el lado de las ventas, actuamos en consecuencia.  Un pequeño equipo de datos también debe centrarse en prevenir problemas en el futuro. Si solo tiene la plantilla para un equipo de datos de una sola persona en este momento, manténgalo enfocado en sus problemas más grandes, pero también presupueste tiempo para mantener y escalar su arquitectura de datos para reducir la deuda tecnológica.  Las herramientas que utiliza nuestro equipo de datos  Desde el principio, nuestro objetivo fue pensar en el futuro en cada decisión.  Como todas las startups, queríamos generar un ROI inmediato. Usamos un almacén de datos centralizado que es nuestra única fuente de verdad: nada daña más a los equipos de datos que tener datos fragmentados o no confiables. Podemos consolidar nuestros datos gracias a automatizaciones e integraciones.  Esto nos ayuda a proporcionar información valiosa a toda la empresa con poca elevación.   Canalizamos todos nuestros datos utilizando herramientas ELT como Segment (que también es nuestra herramienta de recopilación de datos), Fivetran y etapas externas de Snowflake.  Usamos  para limpiar todos nuestros datos sin procesar en un formato más utilizable. Por ejemplo, nuestra tabla dim_user tiene ~20 tablas que la alimentan bajo el capó, que tienen mucha información crítica sobre nuestros clientes, como cuántas notificaciones envían y en qué tipo de plan están. Al hacer que esto esté tan fácilmente disponible, nuestros usuarios no técnicos pueden obtener rápidamente información empresarial. Podemos ver rápidamente a los clientes que no pagan o que se autogestionan y envían muchas notificaciones para identificar posibles contratos comerciales. Nuestro equipo de éxito del cliente también creó informes para analizar el estado de nuestros clientes con contratos comerciales. También usamos dbt para limpiar nuestros datos de información confidencial.   dbt  Usamos Census para enviar los datos de nuestro almacén a lugares como HubSpot y Courier. Esto permite que nuestros equipos de ventas y marketing accedan a esta información en la plataforma que utilizan a diario.  Metabase es nuestra herramienta de BI. Nos permite crear paneles, escribir consultas SQL y proporcionar un formato de autoservicio para usuarios no técnicos. Descubrimos que la creación de este tipo de tableros de datos de autoservicio permite a los usuarios responder muchas de sus propias preguntas. Se ponen en marcha rápidamente sin grandes inversiones por adelantado, como los equipos que usan Looker o Tableau.  Por ejemplo, tenemos un guión de KPI que muestra las principales métricas de la empresa. También podemos hacer un seguimiento del rendimiento de los espacios de trabajo individuales e identificar los espacios de trabajo a los que podemos dirigirnos para nuestro equipo de ventas. También hemos llevado la toma de decisiones basada en datos al desarrollo de nuestros productos al profundizar en el uso de productos de nuestros clientes. Un ejemplo es que descubrimos que muchos de nuestros usuarios estaban creando su propia instancia de Courier en lugar de unirse a la instancia de Courier existente de sus colegas. Con esta información, nuestro equipo de productos volvió a la mesa de dibujo para crear una página que muestre los espacios de trabajo de Courier creados por el mismo dominio de correo electrónico comercial para que pueda solicitar acceso fácilmente.   También usamos Propel para impulsar nuestro análisis en la aplicación para brindar visibilidad a nuestros usuarios finales. Una forma en que usamos Propel es entregar análisis de plantillas para nuestros clientes de nivel empresarial. Propel permite a nuestros ingenieros colocar fácilmente visualizaciones de GraphQL sobre nuestras métricas desde nuestro almacén.   Nuestro equipo de datos está evolucionando nuevamente  Ahora, estamos entrando en un período de crecimiento, por lo que, naturalmente, estamos evolucionando nuevamente en nuestro enfoque de datos. Nuestro objetivo actual es permitir que nuestros científicos de datos desarrollen experiencia en la materia mientras mantienen estándares de datos centralizados.  Nuestra estructura actual está centralizada, con un ingeniero de análisis sénior que reporta al jefe de datos. Funciona ahora, ya que todavía estamos en las primeras etapas de creación de un equipo de datos. Pero cuando el equipo se amplíe, haremos la transición a un modelo híbrido.  Los científicos de datos cubrirán ciertas áreas comerciales (como el equipo de productos), pero seguirán reportando al Jefe de Datos. Esto permitirá a los científicos de datos desarrollar experiencia en la materia mientras mantienen estándares de datos centralizados a medida que continuamos creciendo. Debido a que el equipo de datos siempre cambiará y crecerá junto con el resto de la organización, necesita estándares que escalarán con el negocio.  Si desea obtener más información sobre cómo abordamos la estandarización de datos, consulte nuestra publicación de blog en  .   cómo Courier se convirtió en compatible con HIPAA

This story contains new, firsthand information uncovered by the writer.

Orchestrate Unlimited Notifications From 1 API | Sign-up today!

Courier simplifies triggering and sending notifications from your app with one API and drag and drop UI.


2021 - HackerNoon Contributor of the Year - SOFTWARE-ARCHITECTURE

2022 - HackerNoon Contributor of the Year - Business Strategy

2022 - HackerNoon Contributor of the Year - Digital Transformation

2022 - HackerNoon Contributor of the Year - Graphql

2022 - HackerNoon Contributor of the Year - Rest Api

2022 - HackerNoon Contributor of the Year - Software Architecture

2022 - Tech Ceo of the Year

2021 - HackerNoon Contributor of the Year - APP-DEVELOPMENT

Nominated for 2022 - HackerNoon Contributor of the Year - Rest Api

Nominated for 2022 - Tech Ceo of the Year

Nominated for 2022 - HackerNoon Contributor of the Year - Digital Transformation

Nominated for 2022 - HackerNoon Contributor of the Year - Graphql

Nominated for 2022 - HackerNoon Contributor of the Year - Business Strategy

Nominated for 2022 - HackerNoon Contributor of the Year - Software Architecture

Este audio es producido en el idioma original de la historia!

Establezca su equipo de datos con anticipación usando estas herramientas y técnicas

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Una breve introducción a la teoría del cerebro de Boltzmann

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Una breve introducción a la teoría del cerebro de Boltzmann

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps