Établissez tôt votre équipe de données à l'aide de ces outils et techniques

Vous ne pouvez pas vraiment investir trop tôt dans une équipe de données. C'est quelque chose que nous avons appris en tant qu'équipe petite mais grandissante. Nous avons investi dans une équipe de données à un stade précoce, afin de pouvoir établir les tendances d'utilisation des produits, créer des informations commerciales et identifier les domaines dans lesquels améliorer notre produit.

Si vous êtes une start-up en phase de démarrage, commencez à constituer votre équipe et votre architecture de stratégie de données dès que possible. Vous n'avez pas besoin d'aller loin : une équipe de données composée d'une seule personne peut faire une énorme différence pour votre réussite au fur et à mesure de votre croissance.

Embauchez d'abord un généraliste

Lorsqu'il s'agit de lancer votre équipe de données, vous pourriez être tenté d'embaucher un expert de la plus grande marque possible. Notre conseil : trouvez quelqu'un avec une expérience de démarrage en démarrage et qui a également travaillé avec des données à grande échelle.

Il y a des gens formidables avec des esprits brillants qui travaillent dans de grandes équipes de données d'entreprise, mais ces grandes équipes ont souvent leurs employés spécialisés dans des parties spécifiques de leur plate-forme de données. Cela a du sens lorsque vous avez 10 ingénieurs de données dans une équipe ou lorsque vous avez une grande équipe de scientifiques de données d'apprentissage automatique travaillant sur des algorithmes de tarification. Mais lorsque vous n'avez qu'un seul rôle de données pour l'ensemble de l'organisation, vous avez besoin de quelqu'un qui peut faire un peu de tout.

Il est important d'embaucher d'abord une personne polyvalente qui peut créer des informations sur les données, développer des hypothèses commerciales et créer une architecture de données évolutive à partir de zéro. Vous avez besoin de quelqu'un prêt à commencer à construire l'équipe de données à partir de zéro, de préférence quelqu'un qui peut embaucher le reste de votre équipe une fois que vous êtes prêt à le faire.

Cette première recrue devrait être quelqu'un qui a de l'expérience dans la constitution (ou au moins dans le travail) d'une équipe de données dans une startup en démarrage. Ils doivent être capables de générer rapidement de la valeur et avoir le sens des affaires pour poser les bonnes questions. Ils devraient être capables d'aborder les données d'une manière 80/20 pour fournir des résultats immédiats au lieu de plonger dans les problèmes les plus difficiles que vous avez.

Pour le côté ingénierie des données, il est courant d'engager un consultant ou un sous-traitant pour vous aider à configurer votre architecture. Nous avons décidé de compléter notre première embauche par un consultant. De cette façon, nous avons le meilleur des deux mondes : un expert en ingénierie des données à temps partiel et un généraliste qui peut maintenir l'architecture des données au quotidien. Nous avons mis en place des bases solides et avons également conservé nos connaissances en interne.

Une petite équipe de données peut répondre à de grandes questions

Même si vous ne pouvez pas embaucher immédiatement pour tous les rôles que vous souhaitez dans votre équipe de données à long terme, vous pouvez faire beaucoup avec seulement une ou deux des bonnes personnes. La clé est de penser en termes d'évolutivité et d'efficacité. Qu'est-ce qui aide votre équipe de données à faire plus avec moins ? Et comment cela fonctionnera-t-il lorsque votre équipe sera plus grande ?

Les analyses évolutives sont extrêmement importantes avec une petite équipe de données. En pensant à l'avance à la façon dont vos processus et flux de travail fonctionneront à mesure que votre équipe grandit, vous gagnerez du temps et créerez des solutions utiles pour certains des problèmes les plus chronophages de vos employés.

Par exemple, nous avons immédiatement réalisé que notre équipe de vente n'avait aucune visibilité sur l'utilisation des produits par les clients potentiels, et que cela allait revenir souvent. Nous avons donc créé pour nos commerciaux un tableau de bord d'espace de travail afin qu'ils puissent extraire les données eux-mêmes. Le travail de notre équipe de données consiste à permettre une prise de décision basée sur les données. Lorsque nous avons vu une opportunité pour un investissement ponctuel dans les données qui pourrait entraîner des centaines d'heures économisées du côté des ventes, nous avons agi en conséquence.

Une petite équipe de données devrait également se concentrer sur la prévention des problèmes à l'avenir. Si vous n'avez pour l'instant que les effectifs d'une équipe de données composée d'une seule personne, concentrez-vous sur vos plus gros problèmes, mais prévoyez également du temps pour maintenir et faire évoluer votre architecture de données afin de réduire la dette technologique.

Les outils utilisés par notre équipe de données

Dès le début, notre objectif était d'être avant-gardiste dans chaque décision.

Comme toutes les startups, nous voulions générer un ROI immédiat. Nous utilisons un entrepôt de données centralisé qui est notre seule source de vérité - rien ne nuit plus aux équipes de données que d'avoir des données fragmentées ou non fiables. Nous sommes en mesure de consolider nos données grâce aux automatisations et aux intégrations.

Cela nous aide à fournir des informations précieuses à l'ensemble de l'entreprise avec une faible levée.

Nous transmettons toutes nos données à l'aide d'outils ELT tels que Segment (qui est également notre outil de collecte de données), Fivetran et les étapes externes Snowflake.

Nous utilisons dbt pour nettoyer toutes nos données brutes dans un format plus utilisable. Par exemple, notre table dim_user contient environ 20 tables sous le capot, qui contiennent de nombreuses informations critiques sur nos clients, telles que le nombre de notifications qu'ils envoient et le type de forfait auquel ils appartiennent. En rendant cela si facilement disponible, nos utilisateurs non techniques peuvent rapidement tirer des informations commerciales. Nous pouvons rapidement examiner les clients non payants ou en libre-service qui envoient de nombreuses notifications pour identifier les prospects commerciaux. Notre équipe de réussite client a également créé des rapports pour examiner la santé de nos clients sous contrat commercial. Nous utilisons également dbt pour nettoyer nos données des informations sensibles.

Nous utilisons Census pour renvoyer les données de notre entrepôt à des endroits tels que HubSpot et Courier. Cela permet à nos équipes commerciales et marketing d'accéder à ces informations sur la plateforme qu'elles utilisent au quotidien.

Metabase est notre outil de BI. Il nous permet de créer des tableaux de bord, d'écrire des requêtes SQL et de fournir un format libre-service pour les utilisateurs non techniques. Nous avons constaté que la création de ces types de tableaux de bord de données en libre-service permet aux utilisateurs de répondre à bon nombre de leurs propres questions. Ils sont rapides à démarrer sans gros investissements initiaux, comme les équipes qui utilisent Looker ou Tableau.

Par exemple, nous avons un tableau de bord KPI qui affiche les principaux indicateurs de l'entreprise. Nous pouvons également suivre les performances des espaces de travail individuels et identifier les espaces de travail que nous pouvons cibler pour notre équipe de vente. Nous avons également intégré la prise de décision basée sur les données dans le développement de nos produits en approfondissant l'utilisation des produits par nos clients. Par exemple, nous avons constaté que beaucoup de nos utilisateurs créaient leur propre instance Courier au lieu de rejoindre l'instance Courier existante de leur collègue. À l'aide de ces informations, notre équipe produit est retournée à la planche à dessin pour créer une page qui présente les espaces de travail Courier créés par le même domaine de messagerie professionnelle afin que vous puissiez facilement demander l'accès.

Nous utilisons également Propel pour alimenter nos analyses intégrées à l'application afin d'offrir une visibilité à nos utilisateurs finaux. L'une des façons dont nous utilisons Propel consiste à fournir des analyses de modèles à nos clients de niveau Entreprise. Propel permet à nos ingénieurs de placer facilement des visualisations GraphQL au-dessus de nos métriques depuis notre entrepôt.

Notre équipe de données évolue à nouveau

Maintenant, nous entrons dans une période de croissance, donc naturellement, nous faisons à nouveau évoluer notre approche des données. Notre objectif actuel est de permettre à nos scientifiques des données d'acquérir une expertise en la matière tout en maintenant des normes de données centralisées.

Notre structure actuelle est centralisée, avec un ingénieur senior en analyse qui relève du responsable des données. Cela fonctionne maintenant puisque nous en sommes encore aux premières étapes de la constitution d'une équipe de données. Mais lorsque l'équipe s'agrandira, nous passerons à un modèle hybride.

Les scientifiques des données couvriront certains domaines d'activité (comme l'équipe produit), mais ils relèveront toujours du responsable des données. Cela permettra aux scientifiques des données d'acquérir une expertise en la matière tout en maintenant des normes de données centralisées au fur et à mesure de notre croissance. Étant donné que l'équipe chargée des données évoluera et se développera constamment avec le reste de l'organisation, vous avez besoin de normes qui évolueront avec l'entreprise.

Si vous souhaitez en savoir plus sur notre approche de la normalisation des données, consultez notre article de blog sur comment Courier est devenu conforme à la loi HIPAA .