AMO 是一家了解所在市场复杂动态以及哪些活动会影响市场的组织。
编者按：本文介绍了构建分析成熟的组织（Analytically Mature Organization，AMO）的一些框架和方法。章分为三个部分：了解分析成熟度、更上一层楼、什么是 “成熟” 的组织。分析成熟度可以从需求、人员、工具和流程、文化等方面进行评估，根据评估结果可将组织划分为启动阶段、发展阶段和成熟阶段。构建分析成熟的组织需要进行良好的诊断、制定指导方针，并制定一致的行动计划。最终目标是构建一个能够理解市场动态并能够影响结果的分析成熟型组织。文章来自编译。
只需要一些简单的框架就可以确定组织的分析需求，还可以确定如何让公司成为更显著的数据驱动型的组织。
了解组织的分析成熟度如何为数据专业人员提供强大优势。它将让你的“非分析”型决策（从“项目优先级排序”到“如何展示你的发现”）变得更加有理有据，并帮助你制定长期目标。这确实是一个优势——没有多少数据专业人士会退后一步去设计长期目标（而实现这些长期目标的人就更少了）。
本文分为 3 部分：
第 1 部分：了解分析成熟度
第 2 部分：更上一层楼
第 3 部分：什么是“成熟”组织
下面我们就深入了解一下吧！
了解分析成熟度
在特定时间，任何组织（团队、产品、公司等）都会处在分析成熟度的某个阶段。就像人类会先后经历“爬、走、跑”一样，组织也会经历类似的阶段。这是永恒不变的自然法则之一：一切事物都要经历创造、发展和成熟的阶段。
确定分析成熟度有一些有趣的框架，各自具有不同的组成部分以及侧重点。根据我个人的经验，我发现通过以下 4 种成分来看待一个组织最有用，可操作也是最强的：
组织需求：Robert D. Peng 与 Elizabeth Matsui 在《数据的艺术》（The Art of Data）中写道，问题主要有 6 种类型：描述性问题、探索性问题、推理性问题、预测性问题、因果性问题以及机械性问题。你被问到的问题类型通常可以很好地说明你的组织处在哪种成熟度水平 —— 低成熟度的组织主要对描述性以及探索性数据研究感兴趣，而高成熟度组织会询问更多预测性与因果性的问题。
人员：分析成熟度的另一个关键成分是人员，这既包括能力，也包括规模。取决于组织拥有多少数据资源以及其规模如何。
组织的工具与流程：是否有适合数据专业人员的标准化工具？是不是为数据团队制定了标准化流程（比方说优先级、模板等）？
组织文化：在决策时直觉与数据之间有何区别？
根据组织在每种成分上的得分，它将处在以下 3 个阶段之一：
启动阶段：在这个阶段，组织需要掌握一些基本报告，了解已经发生的情况（“后见之明”）。没有集中化的数据团队，甚至可能连数据分析师都没有——数据研究是由一些精通数据的运营者在朝九晚五的工作之外完成的。在观察特定现象时，没有工具、没有流程，也没有关于应该从什么样的视角去分析的明确规定。这会导致很多噪音（比方说，多支团队对客户流失有不同的定义，从而导致日后出现分歧）。在文化方面，虽然每个人都同意数据应该为决策过程提供信息，但由于缺乏数据（或对数据的不信任），许多决策都是通过“有根据的直觉”做出的。
发展阶段：组织对自己的市场以及对于一些应该跟踪的关键指标已经有了良好的可见性。现在它需要理解事情会按照某种方式演变（“洞察力”）。团队开始得到数据专业人员的支持（要么嵌入到团队内部，要么就是集中在一起的数据团队）。数据基础设施正在慢慢从 Google 电子表格转向更强大的工具。为了对所有数据请求进行分类，确定优先级，最早从事分析工作的几位数据专业人员设立了基本的优先级原则以及工单系统（用Google 表单即可）。跨团队正在采用通用的视角，因此决策对数据的一来越来越强。非数据专业人员在提出哪些数据问题方面变得更加聪明，通过工具，非数据专业人员自己就可以查看数据
成熟阶段：组织了解事物为什么会是这样的走势，而且现在可以预测和影响未来的变化了（“先见之明”）。他们开始组建集中化的数据团队，这支团队充当了主动思考的合作伙伴的作用（相对于前一阶段的“被动支持”）。工具、流程和指标正在标准化。每个决策过程都需要数据。
理解分析成熟度：组织所处的不同阶段在需求、人员、工具/流程及文化上的区别
上图是现实生活的简化。事实上，组织在每一种成分上的得分可能非常不同——但你知道要点是什么。这个框架的美妙之处在于：
它为你提供了一种结构化的方法来发现阻碍组织分析发展的关键因素。
它可以让你准确地定位你的组织在旅程当中所处的位置 —— 以及下一步该去哪儿。
这就是为什么当你知道如何使用这个框架时，你会获得强大优势的原因所在：它为你提供了一种手段来了解现在所处的位置以及未来可能的位置，并替你诊断为什么还没有到达那里。那么你的工作就“只有”制定一个策略来排除障碍——这正是我们下面将要看到的内容。
更上一层楼
理查德·拉姆莱特（Richard Rumlet）在《好战略，坏战略》（Good Strategy, Bad Strategy）中写道：“战略工作的核心始终是一样的：发现情况的关键因素，并设计一种协调与集中行动的方法来应对这些因素”。
当你想要提高组织的分析成熟度时也是如此：你先得找出可帮助你进入下一步的关键因素，并设计一个计划来实现这一目标。我们在上面看到的框架 —— 将分析成熟度分解为 4 个组成部分的框架：组织的需求、数据资源、流程与工具以及数据文化 —— 可以帮助你找到组织存在哪些差距 —— 但找到这些只是完成了工作的20%。下面我们将讨论剩下的80%
好战略，坏战略分析框架
我喜欢理查德·鲁姆莱特的书，我认为这本数提供了一个很好的框架来思考这个问题。他解释说，一个好的战略有 3 个要素：
诊断：框架最重要的部分是诊断——诊断是你的整个逻辑方法的基础。诊断应该能让你了解当前的情况，以及组织为什么目前会处在这个位置。
一些指导原则：基于这个诊断，你可以得出一些指导原则——一旦你踏上提高分析成熟度的旅程，这些原则可帮助你简化决策过程，并帮助你在前进道路上避免偏离方向。
遵循上述两点的一致的行动计划：根据你的诊断和指导原则，你的主要任务是决定你想要在什么时间范围内达到目标以及如何实现目标。
好战略，坏战略思考框架
从诊断开始
把问题讲清楚就等于解决了一半
——约翰·杜威
其想法是为了了解当前的情况及其背后的真正“原因”。你想解决的并不是症状——你的目标是找到根本原因并解决需要解决的问题。
以下是有关如何做出好诊断的一些技巧：
从我们之前看到的 4 个维度开始：需求/人员/工具和流程/文化，并利用这个视角来评估你的组织，并找到每个领域存在问题的根源。
获取当前痛点与解决方案的相关数据。
人员访谈：了解人员、他们的工作、他们的决策过程以及他们在日常工作中是如何使用数据的。
跟踪观察：同样地，跟踪观察人员也是深入了解他们日常工作的好方法，并且可以发现只是访谈无法获得的洞察。
进行调查：基于组织的规模，发放调查可以帮助你获取更多的定量数据。好处：这还可以让你开始跟踪所在组织对“分析”的感受，并为你提供一个稍后可以做出报告的基准。
进行“文献回顾”，既可以是内部（回顾以前的工作，了解他们是如何尝试解决以前的痛点的，成功与否都没关系，还要分析原因），也可以是外部的（网络上免费提供了大量内容，而且你正在思考的问题很可能以前已经被记录和讨论过，这既可以是在《哈佛商业评论》的一篇好文章里面，也可以是在一个面向分析爱好者的不起眼的论坛上）。了解其他人对如何解决不同问题的观点总是很有帮助的。
练习问问5 个“为什么”：每次发现新的见解时都要问问自己为什么。你希望能从宏观的视角观察事物并了解组织所处状况的关键原因。请注意，这项任务未必很容易完成，尤其是如果你在公司内部呆了很长时间并且习惯了事情原本的情况的话。
制定指导政策
在他们的嘴被我打歪之前，每个人都有一个计划。
——迈克·泰森
诊断会揭示出一些模式，让你得出指导原则。而这些指导原则在几种不同的情况下会派上用场：
在定义你的行动计划时：可以将它们看作是高速公路上的“护栏”：指导原则会让你始终保持在正轨上，并确保你诊断出的问题得到解决
当遇到你没有预料到的情况时：你可以运用不同的原则来促进和指导你的决策 —— 这会给你带来令人难以置信的安心
当要做出权衡或对利益相关者说“不”时：说“不”总是很复杂的 —— 但这对于好战略至关重要。通过明确原则并让利益相关者同意，这样拒绝他们的要求时对方会更容易接受些。
指导原则最困难的部分是坚持——就像人生一样。
制定行动计划
这项行动计划需要连贯一致，并涵盖分析成熟度的不同组成部分。
如何制定行动计划：
在你要支持的组织里面寻找专业领域专家，并与他们一起制定计划：
让他们了解你的诊断和指导原则，并与他们一起集思广益，讨论下一步应该采取什么措施以及在哪个时间范围内进行。
如果你所在组织节奏很快，请考虑针对可选性进行优化 —— 让你有时间推动组织的成熟度，同时也能够回答“消防演习”或对时间敏感的问题。
跳出组织之外思考：如果你支持的时一家大公司的一部分，还要考虑如何与其他分析职能部门互动，并将其添加到你的计划之中。
设定成功标准：只要完成的是定性的工作，不要忘记给成功设定标准。与任何其他工作一样，一旦完成，你应该能够判断工作是否成功。因此，设置一个二元化的成功标准将能够告诉你自己做得怎么样。要花点心思在这上面——确保标准能够恰当地代表你想要解决的问题。
建立报告流程和时间表：工作很重要，但如果没人知道或采用你做出来的东西的话，那你真的在创造价值吗？设置适当的报告流程可让你同时实现多个目标。
让更多受众了解你的工作并促进协作机会。
促进分析产品的GTM（走向市场）战略（因为你有地方来宣传新的仪表板和报告了）。
确保领导层的支持：如果没有领导层的支持，你就没法围绕着数据建立文化。向他们展示计划并获得他们的支持，以确保顺利实现你的目标。
成功的秘诀
前几天，FS newsletter分享了这个小想法：
“成功的秘诀：
开始的勇气。
有专注的自律。
有信心弄清楚。
有耐心，知道进展未必总是看得见的。
就算在糟糕的日子里也要坚持下去。”
到最后，归根结底就要靠这个。你需要有勇气，围绕着组织的分析成熟度及其应该达到的水平展开对话，要有制定行动计划的自律（同时处置迫在眉睫的消防演练），尽管可能会遇到反对者，但仍需要找到合适的解决方案的信心，耐心以及前进的毅力。
希望你能够实现最终的目标：建立一个分析成熟型组织
最终目标：分析成熟型组织 (AMO)
我一直在讨论 AMO，我们也了解了该如何发展成AMO，但我还没有具体概述过什么是分析成熟型组织，以及为什么AMO会这么好。以下就是第三部分——通过具体例子展示成熟的分析组织的不同做法！
AMO 是一家了解所在市场复杂动态以及哪些活动会影响市场的组织。
分析成熟型组织可以清楚地了解其活动（“输入指标”）如何推动短期结果（“输出指标”），进而推动长期结果（“结果指标”）。
例子：一家分析成熟型营销组织将会了解发送促销电子邮件（输入：已发送电子邮件的数量）对推动新注册（输出：注册数量）的影响，以及这些注册将在多大程度上转化为付费用户（结果：付费用户数量）。他们会用不同的比率（注册数/发送数），并对不同的活动进行基准测试，从而帮助他们提高营销技巧。
成熟型组织还能够清楚地了解影响其营收指标的关键因素。他们可以无缝地执行根本原因分析，了解这些主要指标的演变情况，并采取纠正措施。
例子：销售组织将能够根据可能存在的阻力或赚钱机会来确定优先考虑哪些渠道和客户群。他们已经完善了调查过程 —— 从而可以将这个过程自动化，并且在这个阶段，算法可以直接向合适的人提供合适的见解。
数据需求已转向更“复杂”的问题，比方说机会大小、因果影响跟踪等。更难的问题需要深厚的领域专业知识以及先进的统计方法
例子：分析成熟型人力资源组织希望开始研究什么可以推动员工留存及/或成功 —— 之后，就可以开始进行因果影响分析，从而提取出成功预测因子的关键因素。
一家分析成熟型组织是一个需要几支专业数据团队协作的组织。
分析成熟型组织的全部支柱都要依赖于干净的数据——这就是为什么在分析成熟型组织当中，会有数据工程师来建立数据管道、数据集以及数据库，并且要确保遵循非常严格的规则和“服务水平”协议”（SLA），从而让不同的下游团队（比方说数据科学或商业智能）可以轻松地使用数据。
你还要有产品经理跟这些数据工程师一起工作，以确保搭建出合适的数据库来解决组织最紧迫的痛点问题，并开发工具来提高数据可发现性（这一点即便在非常成熟的组织里也总是一个复杂话题）。
你还要有数据科学家，他们将利用所有这些数据并将其转化为产品和业务用户更深入的洞察，从而使组织能够做出更好的决策。他们通常是一支非常核心的团队，他们的工作会影响到上游和下游团队的路线图（即他们的需求将影响数据工程团队的路线图，而他们的发现通常会影响其他分析师团队的工作）。
最后，还要有业务/数据/财务分析师，需要他们为战略决策和日常运营提供支撑。
举一个大型零售商的具体例子：
数据工程师将建立正确的管道，以确保我们拥有日常数据库，里面包含有商店名称、位置、库存、每件商品的销售额等信息。
数据科学家将利用这些数据库进行“购物篮分析”，去发现哪些商品组合是客户经常会一起购买的。
业务分析师将利用这些发现，并研究如何在不同的商店采取不同的经营策略。他们将建立指标来跟踪这种“运营化”（并可能根据这些指标为不同的商店设置不同的 OKR）。
一个分析成熟型组织是一家拥有强大工具和标准化流程的组织——可以让不同的团队更快地获得更高质量的洞察。
AMO 已经实施了强大的数据治理流程，让人们更容易使用数据。分析师不必花费数小时仔细检查每个数据源 —— 他们可以信任一些经过认证的数据库和指标，这大大节省了他们的宝贵时间。
已经开发（或实施）了多种工具来将典型的数据研究标准化——从而减少了个人贡献者的犯错空间，并让更多的人获得他们需要的洞察。
例子：你不必对 A/B 测试进行统计测试，你已经有了工具，只需输入数据，工具即可自动为你执行此操作。
类似地，从项目管理的角度来看，一项研究通常地“步骤”已经被映射、形式化和标准化（从优先级决策过程到研究的内部GTM过程）。得益于这些正式的流程，组织可以更轻松地了解谁在做什么以及如何与不同的数据团队协作。
最后，一个分析成熟型组织是一个人人都精通数据的组织。
由于知识管理一直是优先事项（而不仅仅是事后想法），人们发现很容易找到资源和支持来响应他们的数据请求。
还有一些鼓舞人心的终身“数据领导者”已经开始组织内部的“数据爱好者”生态体系。
提供内部培训并提高人员技能——不管他们处在数据之旅的哪个阶段都可以。
数据论坛很“酷”——论坛是展开精彩对话以及做出重大决策的地方。数据团队被看作是“思考的合作伙伴”，在要做出关键决策的时候往往会被叫过来一起商量。每个决策即便不是由数据驱动，也是由数据提供依据的。
总之，你已经拥有了一台运转良好的机器。一切都已准备就绪，数据团队可以专注于生成高质量的洞察，而且数据使用的准入门槛已被消除，感兴趣的个人可以开始获得见解，并改进他们的日常工作。这里已经变成了一个乌托邦。
译者：boxi。
本文来自翻译, 如若转载请注明出处。