总之，想要实现数据驱动业务增长，负责人不能单凭一种数据的分析思维，或者单凭BI、数据仓库，甚至是一种机器学习模型的思维来看当今的商业环境，必须具备销售的思维、产品的思维、工程的思维以及营销的思维，还有客户服务的思维，才能真正利用数据产生价值。

怎样搭建增长团队的组织架构

先为大家分析几个拥有增长团队的公司的组织架构：

1. 领英：功能矩阵型增长团队

领英在2004年左右成立了增长团队，由产品经理、工程师、数据科学家，以及营销、设计专家组成。这个部门的核心使命有两点：用最低的成本，最高的速度获取客户；让用户更多的使用领英。他们的变现部门也是由产品经理、数据分析师、销售专家等组成。从中我们也能看出，数据团队嵌入在业务部门里面，与业务相配合，才能驱动业绩的增长，而不是通过提供数据报表或机器学习模型等方式仅仅实现数据底层建设。

2.Facebook：独立型增长团队

Facebook是专门成立了一个增长的大部门。这个部门的下面，VP负责三条产品线，每条产品线里面都有数据分析师、工程师、产品经理和设计师。通过这种方式组织他们的数据、产品和运营的团队，成为一个整体的增长部门，而不是成立一个独立在各个业务线之外的分析部门。

3. Pinterest：功能分布型增长团队

再来看一下Pinterest的增长团队架构，他们公司负责增长的团队是划在增长部门里面，但更偏重在以转化为核心的营销部门。

如何组建优秀的数据团队

1. 数据专家需要具备业务、产品等思维

2010年，我们对领英的数据分析、数据科学等各方面做了一个金字塔。结果显示，数据是从业务而非数据库或数据平台开始的。我们需要理解，所有的数据都是从我们的客户、产品和服务来生成的。那么，如果一个分析师、数据科学家不理解业务、产品、服务，无论他的技术多么优秀，都很难为公司创造价值。

2. 重视数据采集环节

在生成数据之前，我们必须要做有效率的数据追踪，因为如果我们在数据收集上没有前瞻性，会使数据团队变成一个数据清洗团队，工作效率很低。所以聪明的公司会花很多的时间和功夫在数据采集环节。

3. 数据价值通过积累实现爆发式增长

我们需要知道非结构化数据、半结构化数据、结构化数据存储在什么样的技术平台上效率是最高的，同时还要兼顾成本和计算时间。一般来说我们会在分析部门或者数据科学部门里做很多专题性分析，因为大部分公司是把BI或者商业智能直接放在了数据平台上面，这样的企业大部分都会以失败告终。以前在领英的时候，我们直接把分析部门加在了BI和数据之间，因为大量的分析结果是不需要做成报表的，而是直接进行分析。只有这些持续的、可重复的、有运营意义的东西，才能进入我们整个商业智能BI的平台。我们又加了一个BI之上的深度分析，深度分析一般在传统的概念里面会分成三个不同的流派：

一是和麦肯锡的管理科学等管理相关的深度分析；

二是以统计学为核心，用SaaS等，以统计学模型为核心的统计学流派；

三是机器学习，这个流派最近这一两年炒作成了AI，用神经网络等工具。

我认为这三种不同流派应该互相结合、互相协作，而非每一种模型完全应用于另外一种模型。这之上还有一层优化层，再在这之上才是真正的商业洞察和洞见。我们发现很多的数据科学家或分析师做的很多研究结果都很有趣，却不能落地。这种有趣却不能落地的东西毫无疑义，必须要把商业分析的结果放在业务里面，让业务能够直接产生决策和商业价值，这样的结果才是真正有价值的结果。我从来没有看过任何一家企业做一件数据上的工作就产生了百分之百的价值，不积小流不足以成江海，一般都是不断的积累、迭代、学习，每周比上周好3%或者是5%，最终产生几何级数的变量。

怎样推进数据价值落地