در زمان نگارش این متن (شهریور ۱۴۰۱) حدود ۴ ساله که از عمر صنف تحلیل داده (Data Analysis Guild) میگذره. این صنف که الان بیش از ۴۰ نفر عضو داره، از یه جمع کوچیک ۳ نفره شروع شد. من این فرصت رو داشتم که تقریبا از همون روزهای اول، عضوی از این مسیر باشم و رشد صنف تحلیل داده تا به امروز رو ببینم. در این متن قراره این صنف رو معرفی کنیم. اول از هدف تشکیل شدنش میگیم، بعد هم راجع به تیمها (squad) و چپترهایی (chapter) که ذیل صنف قرار میگیرن توضیح میدیم.
این متن میتونه برای دو گروه از مخاطبها جذاب باشه. گروه اول افرادی هستن که به تحلیل داده علاقه دارن و دوست دارن بدونن واحدهای تحلیل داده تو شرکتهای بزرگی مثل دیوار چه ساختاری دارن و چجوری کار میکنن. گروه دوم هم مدیران تحلیل داده تو شرکتهای کوچکتر هستن که در ابتدای مسیر رشد قرار دارن و میخوان بدونن یه تیم کوچیک تحلیل داده تو چه مسیری و با چه ساختاری میتونه رشد کنه.
هدف اصلی صنف تحلیل داده، استخراج بینش (insight) از طریق تحلیل دادههای مختلفه، برای اینکه تصمیمگیرندگان در شرکت بتونن از این بینشها استفاده کنن و تصمیمهای مبتنی بر داده بگیرن. مثلا وقتی یکی از تیمهای دیوار داره روی مسالهی یافتپذیری آگهیها کار میکنه، تحلیلگر دادهی تیم با تحلیل دادههای مربوط به رفتار کاربرانی که بین آگهیهای دیوار جستجو کردن، میتونه به تیم در پیدا کردن نقاط درد کاربرها کمک کنه.
با اینکه صنف تحلیل داده از ابتدای تشکیلش هدف ثابتی داشته، اما ساختار اون در طول زمان متغیر بوده. (اگر با مفاهیم «صنف»، «تیم»، «قبیله» و «چپتر» آشنایی ندارید، نیازه که قبل از خوندن ادامه متن، با این مفاهیم آشنا بشید. این مفاهیم از ساختار شرکت Spotify الهام گرفته شده که میتونید اینجا در موردشون بخونید) چیزی که ما امروز به اسم صنف تحلیل داده میشناسیم، در ابتدا یک تیم کوچیک سه نفره بود که به صورت مرکزی کار میکرد، یعنی خود این تیم واحد مجزایی از سایر تیمهای دیوار بود. بعد از گذشت حدود یک سال از تشکیل این تیم، به این نتیجه رسیدیم که خوبه بیشتر اعضای این تیم رو در سایر تیمهای دیوار پخش کنیم، و به اصطلاح از تیم به چپتر تغییر ساختار دادیم. در طول زمان و با بیشتر شدن تعداد افراد، تغییرات ساختاری بیشتری داشتیم و در نهایت به ساختار فعلی رسیدیم که در اون بخشی از صنف به صورت مرکزی و بخشی از صنف به صورت توزیع شده در سایر دیوار فعالیت میکنن.
دلیل اینکه در شروع کار ساختار مرکزی رو انتخاب کردیم، این بود که اولین مسالهای که میخواستیم بهش بپردازیم، مساله تعریف، محاسبه و پایش سنجههای کلیدی عملکرد دیوار (Key Performance Indicator یا به اختصار KPI)، بود. این مساله در سطح کل دیوار تعریف میشد و نمیخواستیم هر تیم جداگانه به حل این مساله بپردازه. برای محاسبه این KPIها، علاوه بر دادههای محصول دیوار، دادههای بیرونی از طریق تلفنی یا میدانی جمع آوری میشد.
بعد از پرداختن به مسائل کلی دیوار، نوبت این بود که به مسائل تیمهای مختلف دیوار بپردازیم. در همین راستا ساختار رو از مرکزی به توزیع شده تغییر دادیم. مهمترین دلیل این تغییر، این بود که برای اینکه تحلیلگران داده بتونن به موثرترین شکل در حل مسائل تیمها مشارکت کنن، نیاز بود که از نزدیک با مسائل تیمها آشنا بشن و در جریان کارهای تیم قرار بگیرن. این ارتباط با حضور تحلیلگر داده در اون تیم و شرکت در جلسات تیمی شکل میگرفت. البته هنوز تعداد کمی از تحلیلگران داده به صورت مرکزی کار میکردن تا به مسائل کلی دیوار و مسائل مهمی که در حوزه فعالیتهای هیچ تیمی نمیگنجید بپردازن.
در حال حاضر، صنف تحلیل داده از دو چپتر تحلیل داده (Data Analysis Chapter) و تحقیقات بازار (Market Research Chapter) و چند تیم مرکزی تشکیل شده. هر کدوم از این چپترها و تیمها لیدرهای (leader) خودشون رو دارن و همه این لیدرها به راهبر (director) صنف گزارش میدن. در ادامه هر کدوم از چپترها و تیمهای مرکزی رو معرفی میکنیم.

این چپتر از تحلیلگران داده تشکیل شده. تحلیلگران داده ممکنه عضو قبایل (Tribe) محصول و مارکتینگ یا عضو تیمهای مرکزی صنف باشن. کار اصلی تحلیلگران داده اینه که بتونن دغدغههای تیمی رو که توش هستن به مسالههای خوش تعریف و شفاف تبدیل کنن، برای این مسالهها سنجههای قابل اندازهگیری تعریف کنن، این سنجهها رو محاسبه کنن و در قالب مناسبی نمایش بدن، و از این سنجهها به بینشهایی برسن که به تصمیمگیریها کمک کنه. آخرین مرحله هم اینه که بتونن این بینشها رو به ذینفعان ارائه بدن.

تحلیلگران داده در دیوار با توجه به تنوع تیمها، تخصصهای متنوعی دارن و مسئلههای متنوعی حل میکنن. اما تواناییهای مشترکشون رو میشه این دو مورد دید: اول اینکه باید محصول و کسبوکار دیوار و بازاری که توش فعاله رو خوب بشناسن و بتونن مسائلش رو تحلیل کنن، دوم هم اینکه تواناییهای فنی مورد نیاز برای کار با دادههای بزرگ (مثل کدنویسی و آمار) رو داشته باشن. در شکل زیر سعی کردیم تواناییهای مورد نیاز برای یک تحلیلگر داده در دیوار رو بیان کنیم.

اگر بخوایم به عنوان مثال چند نمونه از تسکهایی که تحلیلگران داده تو دیوار انجام میدن رو ذکر کنیم، میتونیم به این موارد اشاره کنیم:
در حال حاضر در هر کدوم از تیمهای محصولی دیوار یک یا دو تحلیلگر داده مشغول به کارن. تعداد تحلیلگران داده به تعداد اعضای کل تیم و میزان نیاز تیم به کارهای تحلیلی بستگی داره. اما به طور تقریبی میشه گفت در دیوار به ازای هر سه نیروی فنی، یک نیروی تحلیلگر داده وجود داره.
این چپتر در راستای کمک به تصمیمگیری دادهمحور، به مسائلی میپردازه که برای پاسخ دادن به اونها، نیاز به جمعآوری داده از بیرون دیوار (مثلا به صورت تلفنی یا میدانی) داریم.
چپتر تحقیقات بازار از دو بخش تشکیل شده. بخش اول، محققینی هستن که عضو تیمهای محصولی یا مارکتینگ هستن. این افراد سعی میکنن مسئلههای تیمی که عضوش هستن رو به خوبی مشخص و تعریف کنن و بعد بر اساس مساله، تحقیقی طراحی کنن که بتونه به مساله جواب بده. طراحی یک تحقیق، شامل مراحل طراحی پرسشنامه، مشخص کردن روش جمع آوری داده و نمونه گیری میشه. در نهایت آماده کردن گزارشی از نتایج تحقیق، استخراج بینش از این نتایج و ارائه اون به ذینفعان هم وظیفه محققین بازاره.
بخش دوم چپتر تحقیقات بازار، بخشیه که به صورت مرکزی کار میکنه و دو وظیفه به عهده داره: اول اینکه تحقیقاتی که در سطح کل دیوار هستن و محدود به یک تیم خاص نمیشن رو به عهده بگیره؛ دوم هم اینکه مدیریت واحدهای عملیاتی رو انجام بده. عملیات تحقیقات بازار (مصاحبههای تلفنی و میدانی) توسط شرکتهای دیگهای انجام میشه که ارتباط با این شرکتها و نظارت بر کیفیت کارشون یکی از کارهای بخش مرکزی چپتر تحقیقات بازاره.
محققین بازار از پیشزمینههای تحصیلی و شغلی متنوعی میان، اما تمرکز تواناییهاشون در چند حوزه خاصه. حوزه اول (مشابه تحلیلگران داده) شناخت محصول و کسبوکار دیوار و مسالههاشه. سایر حوزهها هم روشهای جمع آوری داده، نمونه گیری و آمار استنباطیه.
تیم قیمتگذاری سعی میکنه با تحلیل دادههای داخلی و بیرونی، به قبایل محصولی برای تغییرات قیمتی و پیادهسازی مدلهای درآمدی جدید کمک کنه. (منظور از قیمت، قیمت آگهیهای دیوار که توسط کاربرها درج میشه نیست، بلکه منظور قیمت خدماتیه که دیوار به کاربرانش میده، مثل هزینه «نردبان» کردن آگهی) هدف از این تغییرات قیمتی و مدلهای درآمدی علاوه بر بهینه کردن درآمد دیوار، بهبود کیفیت آگهیها و لیستهاییه که کاربر مشاهده میکنه. به عبارت دیگه، این تیم سعی میکنه درآمد دیوار رو همراستای بهبود کیفیت آگهیها و لیستها بهینه کنه. به عنوان مثال، وقتی درج آگهی در یک دستهبندی رایگان باشه، کاربرها (خصوصا کاربرانی که ماهیت کسبوکاری دارن) انگیزه دارن که آگهیهای تکراری یا بی کیفیت بذارن تا تماس بیشتری دریافت کنن. افزایش قیمت درج آگهی سعی میکنه جلوی این انگیزهها رو بگیره، که هم باعث افزایش درآمد دیوار میشه و هم افزایش کیفیت آگهیها و لیستها.
علاوه بر کمک به تغییرات قیمتی، این تیم پیشبینی درآمد دیوار رو برای استفاده در بودجهبندی سالیانه شرکت انجام میده و همواره سعی میکنه با توسعه مدلهای کارا، پیشبینیهای دقیقتری از درآمد دیوار داشته باشه.
توانمندی اعضای این تیم علاوه بر کار با داده، پیش زمینه اقتصاده که بتونن اثرات تغییرات قیمت رو در سناریوهای مختلف مدل کنن.
تیم تحلیل دادههای اقتصادی تلاش میکنه با تحلیل دادههای رسمی و عمومی (منتشرشده توسط سازمانهای دولتی مثل مرکز آمار)، بازارهایی رو که دیوار توی اونها مشغول به فعالیته بهطور پیوسته تحلیل کنه و نتایج تحلیل رو در قالب ساخت تعدادی شاخص و سنجه کلیدی در اختیار تیمهای محصولی قرار بده. تخمین حجم بازارهای مختلف در زمان و مکان، بررسی رفتار بازیگران متفاوت در هر یک از بازارها و تحلیل بازارهای بالقوهی دیوار (که ممکنه در آینده، سرمایهگذاری توی اونها برای دیوار جذاب باشه) از مهمترین بینشهاییه که این تیم ارائه میده. اعضای این تیم علاوه بر کار با دادههای داخلی دیوار، توانایی کار با دادهها و سنجههای اقتصادی و تحلیل اونها رو هم دارن.
تیم بینش کسبوکار به تصمیمگیری دادهمحور در سطح فرامحصولی یا افقی (Horizontal) شرکت کمک میکنه. منظور از فرامحصولی هر مسئلهایه که بهطور کامل داخل حوزه یک قبیله محصولی قرار نمیگیره و مربوط به وضعیت کلی دیوار به عنوان یک محصول و کسبوکاره. تعریف سنجههای کلیدی دیوار (KPI)، محاسبه و نگهداری از اونها، تهیه گزارشهای تحلیلی از این سنجهها و کمک به تدوین استراتژی کلی شرکت اصلیترین کارهاییه که این تیم انجام میده.
هدف این تیم اینه که دسترسی به داده رو برای همه کسایی که میخوان با داده کار کنن (از جمله اعضای صنف تحلیل داده) راحتتر و سریعتر کنه. در شرکتهای بزرگ که حجم دادههاشون خیلی زیاده و پیچیدگی دادهها هم خیلی بالاست، دسترسی به داده و آماده کردنش برای تحلیل کار سخت و زمانبریه. از طرف دیگه تنوع دادههای دیوار هم زیاده که باعث میشه افراد مختلف ندونن چه دادههایی داریم و برای هر مسالهای سراغ چه دادهای میتونن برن و چه جوری میتونن از این دادهها استفاده کنن. هدف این تیم حل این مشکلاته.
اعضای این تیم پوزیشن مهندس تحلیل (Analytics Engineer) رو دارن. این افراد هم باید با کار تحلیل داده و مسالههای تحلیلگران داده آشنا باشن، هم بعضی از تواناییهای فنی یک مهندس داده (Data Engineer) رو داشته باشن که بتونن طراحی و پیادهسازی راهحلها رو انجام بدن.
در این مطلب با چپترها و تیمهای صنف تحلیل داده آشنا شدید. در آینده با انتشار مطالب دیگهای به تخصصها و تواناییهای اعضای هر کدوم از این چپترها و تیمها میپردازیم و سعی میکنیم مسیر ورود به هر کدوم رو شفاف کنیم. راجع به مدل وظایف هر کدوم از اعضای صنف و نحوه تعاملشون با بقیه شرکت هم صحبت خواهیم کرد.
این مطلب با کمک تعدادی از بچههای صنف تحلیل داده نوشته شده که اینجا ازشون تشکر میکنم.