数据项目，让你的职业发展更上一层楼

2023-05-09 00:05

关注并将「人人都是产品经理」设为星标

每天早 07 : 45 按时送达

日常碎片化式的数据工作模式，对组织价值贡献有限，对个人成长更是不利。如果琐碎的数据工作占据了工作中的大部分时间，便需要停下来思考优化了。本文作者分享了如何“把日常工作项目化”的方法，即通过参与、主导“数据项目”，让工作上价值，让个人有成长，一起来看一下吧。

作者：一个数据人的自留地

来源微信公众号：一个数据人的自留地

题图来自Unsplash，基于CC0协议

全文共 2815 字，阅读需要 6 分钟

——————— / BEGIN / ——————

数据岗越来越卷了。

一方面，大量人才在涌入数据领域；另一方面，大部分企业的数据岗并没有非常清晰的职业上升通路；此外，我们也无法回避——日趋成熟的AI对部分初级数据分析岗的冲击和优化已是必然趋势。

如果你每天你的工作中：90%的时间花在跑SQL/攒EXCEL粘贴成PPT播报给领导，或者忙不完的建表、接口、调度；亦或阶段总结时候，你总是在统计响应了多少个需求/上线了多少报表/调整了几个模型/运维了多少个BUG——那你应该停下，来好好思考一下了。

不是说这些工作没有必要，而是说，长此以往碎片式的模式工作，对组织价值贡献有限，对个人成长更是不利。

所以，我今天想和大家聊聊，如何“把日常工作项目化”。就是通过参与、主导“数据项目”，让工作上价值，让个人有成长。

什么是数据项目

首先，说说什么是数据项目。

数据项目是基于数据资产、利用数据相关方法论，来解决特定问题的、有时间和范围边界的任务组合。随着企业数字化转型的深化，企业内的数据项目越来越多了，例如业务分析型项目、数据挖掘类项目、BI类项目、数据治理类项目、数据平台建设项目等等。

其次，数据项目和其他项目有什么不同？

数据项目，首先是一个项目，适用于PMP相关理论；但同时又基于数据要素来达成目标，有自己的独特性：

数据驱动：不同于其他IT项目，数据项目以数据为原材料，通过对数据的采集、整合、加工、分析、挖掘、应用，来实现商业价值的创造和增长。
需求不确定：数据项目需求通常会更复杂、更模糊和更具有不确定性，不仅前期需要更大量的沟通，而且项目需求变化频率也会比较大。
交付周期：数据项目的交付周期比一般IT项目更短，用户的响应周期期望也越来越高。

第三，数据项目和数据日常工作有什么不同？

目标不同：日常工作是保障数据基础工作稳定运行、满足日常数据使用；而项目制工作要实现特定价值输出和成果输出。
周期不同：日常工作是固定的、重复性的、常规的；而项目有头有尾、需要闭环的。
机制不同：日常工作按照固定流程、规范操作做就可以了；而项目制大部分是要解决新问题，通常需要根据具体情况来创新。

虽然数据日常工作和数据项目有很多不同，但也有紧密联系。日常工作中特定的痛点、难点、问题点可以升级为一个项目，去击破；而项目工作完毕后总结的方法和规律，则可能变成日常工作。

为什么日常工作之外要做数据项目

可能有人问，我就是初级数分或者数据开发，并不是项目经理；而且我服务内部，不是乙方需要对外交付——我日常响应需求就好了，为什么还要关注项目？

而我想说，如果你不想一直做初级选手，那就一定要做项目。日常工作是基础、是底线，但做项目，才真正可帮助我们拓展技能、提高能力、为企业和客户创造显性化的价值。

向外看，翻翻各个数据岗的高端招聘，哪个不会要求“有数据项目经验者优先”？工作几年了，你简历上的“项目经历”又该如何填充、提炼？向内看，做升职评审、年度评优，哪个单位又不是以项目来进行申报、来进行评价的呢？

因此，从底层逻辑上说，【做项目】这是一种思维模式和做事方式。不论项目大小，只要用“项目管理”的模式来做，就会有不同的视角、不同的收获，从而产出更高层面的价值。

数据项目的分类和特点

那么企业中常见的数据项目有哪些？分别有什么特点？实施步骤包括什么？

1）数据平台项目

这类项目是从零到一或从1到N搭建组织的数据技术底座。如数据仓库、数据湖、大数据平台、主数据系统、数据资产管理平台、数据门户、BI工具的建设和迭代。项目产出是数据专有的平台和系统。一般项目主责人是技术团队。项目也会按照信息化建设的路径来做，如需求、开发、测试、上线等。

2）数据资产管理/数据治理项目

这类项目是通过数据治理/数据资产管理方法论，解决企业整体的或某一领域的数据质量或合规问题。项目的产出通常是一套数据标准、数据管理制度、数据管理流程、或在上述保障机制下形成清洁数据。过程包括确定目标和范围、确定治理结构、制定数据标准和管理流程、实施治理方案、监测优化等。

3）数据报表/可视化项目

占比最多的项目，旨在通过BI工具，利用已有的数据来开发报表或可视化驾驶舱。项目产出通常是指标体系、各类报表、驾驶舱BI等。过程包括需求、方案设计、报表开发、数据测试、上线等。

4）数据分析项目

占比也非常高。是通过已有的数据，利用商业模型或算法模型，解决特定业务问题。产出通常是数据分析报告或可被调用的API。步骤包括确定问题、收集数据、探索分析、建立模型、分析解释、出具建议、应用优化等。

数据项目的重点和难点？

不管是什么样的数据项目，结合第一部分谈到的数据项目特点，我们在开展数据项目时要特别注意如下几个方面：

1）需求和范围

项目目标不能仅仅是“完成一个报表”、“建设一个平台”，而是要和业务价值进行紧密捆绑！在立项时候务必清晰两个问题，一是目前业务到底有哪些痛点，通过这个项目，到底在效率提升、决策提升、成本降低、风险降低上可以得到什么具体改善？二是这些痛点是通过这一个项目就能解决吗？是否需要分步骤各个击破，我先做哪一部分？确保需求充分共识。

2）项目组织

如同其他项目，项目要画出所有干系人的组织架构图。业务方、数据团队、系统建设团队、流程团队，管理层，彼此都是什么关系？还有哪些隐性的干系人？谁应该主导这个项目？谁分别负责哪部分内容？防止后续只是为别人做嫁衣或者成为背锅侠。

3）风险管理

数据项目的主要风险有三个，其一是数据质量；其二是数据安全；其三是是否对齐业务价值。这三个要在一开始的调研中都做好现状清楚。

4）复盘和价值评估管理

这是和日常工作最大的不同。项目一定要总结和复盘。总结写给领导和需求方，复盘写给自己。这样才能不断的萃取通用的方法，不断提升。