昨天的文章，我描繪了資料工作的理想，希望能做到 outcome map。雖然聽起來困難重重，但並非全無可能。就像 Continuous Discovery Habits 大家聽過都很想做到，也知道滿困難，還是有一大群人不斷的在嘗試努力中 🔄。

Photo by JESHOOTS.COM on Unsplash

為了達到這個理想，讓我們來想個策略 🧭。

好策略 / 壞策略

講到策略，一定要提到這本經典著作 📔, Good Strategy / Bad Strategy.

The essence of a strategy:

1. A diagnosis
2. A guiding policy
3. A set of coherent actions

策略的組成要件：

1. 要有診斷
2. 要有指導方針
3. 要有一系列行動

對比一下

Detecting a bad strategy:

1. Fluff
2. Failure to face the challenge
3. Mistaking goals for strategy
4. Poor strategic objectives

如何看出這是個壞策略：

1. 打高空沒重點
2. 沒有指出問題
3. 只寫出目標就以為是策略
4. 不切實際

從書中引用一小部分，你應該會對這個對比有感，尤其是對壞策略的形容，大概可以讓你回想到過去某些經歷 😆？！

如何思考及建立一個好的資料策略呢？

這本書的作者 Richard Rumelt 提供許多心態、思考以及實際的方法，教你如何建立好策略。在此就不贅述，直接提供一些案例跟經驗分享 🌟。

我相信每個人對都會設法根據手上的資訊及知識，做出最好的決定。而挑戰在於，要如何獲得非常全面的知識及資訊？其實一聽就知道這不太可能，因為沒有無限的時間 ⏳ 跟資源，每次決策總是有個時間限制的。

回想當初 Data Team 剛成立的時候 (詳見 Day 3)，我們的策略是：

初次建立 Data Team, 我們最大的挑戰是建立資料水管 data pipeline, 確保資料清理乾淨且讓每個人都容易取得。評估後，決定採用 BigQuery + dbt + Metabase；接著我們串接各種資料源、討論如何建立及使用開發及正式環境、準備各種說明文件，以及提供教學分享🛠 等。

但是，沒想到 (詳見 Day 7)！原本以為 Metabase 夠簡單，也馬上有同事會使用，後來才發現原來會使用的同事是擁抱新技術的少數人 Tech Enthusiasts, 多數人需要更完整、簡單的說明，以及更多成功案例後，才會開始採用。挑戰改變了，因此我們策略也得跟著調整：

該如何全公司的提高資料素養？讓多數人也願意開始使用？我們發現導入資料文化，是打算改變眾人的行為，急不得，也不是提供一次教學就結束，這需要慢慢推動、觀察是否發生。因此，我們做了一連串的事情，先找接受的人開始合作、建立成功案例，調整合作方式、逐漸地加深合作關係，提供自動化服務 🚀 等等。詳見 Day 11 列出的許多作法。

沒有完美的策略。是根據學習跟觀察，發現挑戰改變了，就不斷調整策略 🔧。

A new strategy is, in the language of science, a hypothesis, and its implementation is an experiment.

如果用科學用語來說，新策略其實就是假設，而實踐策略則是實驗。

實用的操作手冊 📕

我知道你可能會希望有個簡單的操作手冊，讓你可以照表操課就好。我也很想有這種東西，盡量寫，但我想強調，工具只是工具，使用需要根據不同的狀況調整 🛤。

以下提供一點參考，

• 建立 Data Team 時，
  • 確認一下你的目標是什麼？為什麼公司需要一個 Data Team?
  • 建立後，打算如何評估 Data Team？可以參考 Day 9 的討論
• 如果目標是希望提高公司的資料素養，Day 11 提供許多方法
  • 要記得評估你面臨的狀況是什麼，誰是你的資料使用者？你對目前的資料熟悉程度、以及公司使用的各種工具的熟悉程度
• 如果 Data Team 的目標是營運，可能你面臨的資料源很多、需求及技術難度較高，這我就幫不太上忙 🧩。

可以不要有策略嗎?

在 Day 16 我提到 AI 導入手冊 📘，其中第四步就是要建立一個 AI 導入策略。只有目標或願景是不夠的，我們需要一個如何做到的方法 📌。

A good strategy hostly acknowledges the challenges being faced and provides approach to overcoming them.

好策略是誠實的揭露問題，並提供可能可以跨越挑戰的方法。

策略會提供我們一個計畫，列出一系列的工作項目，彼此互相支援，也讓我們知道哪些問題是已知，過程中累積遇到哪些原本不知道的問題，持續探索、討論、解決。

下一篇 ⏭️

這篇是系列文中討論團隊與公司的最後一篇，下一篇我想補充一個想法。dbt 希望讓資料人可以學習工程師的最佳做法，但像我這種不是技術背景的資料人，不太理解這個概念是什麼意思，讓我們在明天的文章一起探索看看 🔍。

對 dbt 或 data 有興趣 👋？歡迎加入 dbt community 到 #local-taipei 找我們，也有實體 Meetup 請到 dbt Taipei Meetup 報名參加