课程内容
课程特色
在这个大数据的时代,工作效率以及业务竞争力,很大程度是通过数据驱动的。同时数据分析获得的洞察也是正确决策的重要保障。可以说,数据体系的建设和数据使用能力是现代企业业务增长的关键引擎。获得数据赋能,提升业务效率,也正是企业数字化转型关键目标。
本课程由导师在B端与C端顶尖企业长期担任高管,领导业务、研发等团队时积累的丰富实战经验总结而成,以如何获得和使用数据为核心方向,可以提供如下价值:
1)理解企业数字化转型的主要阶段和方向,以及数据如何为研发赋能;
2)如何针对研发体系设计数据指标体系,并建立底层的数据驱动机制;
3)有哪些关键的数据分析方法,如何使用,以帮助IT团队获得深度洞察,找到瓶颈,指明研发效率提升的优化方向。
课程分为两个主要部分展开:
1. 研发数据指标体系
本部分的侧重点是底层研发数据驱动机制的建设。为了能够用好数据,首先要知道需要获取什么数据,也就是建立数据指标体系。本部分先从最关键的指标---北极星指标说起,根据导师在工作中实际寻找北极星的经验,通过多个案例让学员理解实战中的北极星寻找方法。此外,课程还将重点讲述又一个重要的底层数据机制:飞轮效应,介绍如何通过数据观察设计研发体系的飞轮,进而达到通过良性循环提升研发效能。随后,课程通过对OSM模型的深入介绍,指导学员如何结合研发目标,拆解工作流程,并相应建立数据模型和指标体系,以对目标的达成提供最有力的支持。
2. 研发数据分析与瓶颈/机遇洞察
数据分析体系部分涵盖数据收集、数据分析与决策两个部分。
1) 数据收集部分,课程将介绍多种不同类型的数据如何在瓶颈与机遇洞察中发挥价值,随后介绍四大类数据收集方法,如何进行数据清洗与归一化,以及如何通过系统数据挖掘找到关键信息,使数据分析获得关键输入。
2) 数据分析是课程的核心部分,先从数据指标异常的五种判断方法开始,指导学员如何在数据中发现问题。随后,课程将通过大量案例深入介绍导师根据工作实践总结的多种在顶尖大厂常用的数据分析方法,包括趋势分析、下钻分析、漏斗分析、聚类分析、对比分析、相关性分析、归因分析和建模分析,介绍在什么环节、针对什么问题、通过什么方法获得洞察。随后深入展开两种研发经常用的关键分析方法:AB测试和行为分析,帮助学员掌握如何通过AB测试客观验证方案效果,以及如何通过复杂的行为分析找到产品用户的痛点和优化方向。
本节最后将给出一个大型综合性案例,让学员将数据分析的知识形成串联,融会贯通。
本课程包含两个探讨共创环节,帮助学员结合学到的课程知识,对自身产品进行实际的深入思考和演练,掌握数据分析方法和产品指标体系建设。
课程收益
本课程重点针对数据的收集和使用方法进行讲解,指出数据如何为IT条线赋能,帮助研发团队通过数据获得瓶颈和优化环节洞察,通过大量实操方法和案例的分享,帮助研发人员建立和提升数据意识,为研发效能提升提供有力的助力。
课程对象
本课程针对金融研发团队定制,适用于金融、保险、证券的研发线员工。
课程大纲
主题 | 内容 | 案例与工具 |
一. 课程导入 (60分钟) | 1. 导师自我介绍 2. 课程逻辑介绍 3. 研发体系的数字化转型 4. 数字经济:从技术到治理 5. 全新经济要素:数据要素 | l 课程的组织逻辑是什么?如何更有效听课?如何获得实际行动指南? l 研发体系如何获得大数据的深度赋能? l 如何解读国家提出的数据要素和数字经济? |
二. AI通识与研发赋能 (90分钟) | 1. AI的主要类型与发展趋势 l 规则式AI/专家系统 l 模型式AI l Agent与具身智能 l 通用智能 2. 机器学习类型与应用场景 l 监督学习 l 无监督学习 l 强化学习 l 深度学习 3. 大模型原理与研发适用性 l 神经网络原理 l 主流大模型特点对比 l AI模型的性能指标 4. AI在研发中的应用场景 l 研发提效 l AIGC l 个性化产品/智能营销/自动化精细化运营 l 金融风控 5. 目前极普遍的AI认知误区 案例:OpenAI、DeepSeek、Manus、智能体在研发体系中的应用案例 | l 研发人员要学习什么AI知识?怎么才能在AI时代保持竞争力, 不被AI取代? l AI有哪些主要类型?哪些适用于研发领域? l 应用最广泛的机器学习是什么?如何通俗地理解大模型的基本工作原理? l AI在金融领域的典型应用场景是什么?研发如何获得AI深度赋能? l 有哪些企业对AI的普遍认知误区?AI是不是就是大模型?企业真的需要部署DeepSeek吗? |
三.数据指标体系构建 (150分钟) | 1. 全景视图 l 数据驱动研发提效的模式 l 数据赋能研发的四大场景 2. 数据驱动的底层机制 l 北极星:研发KPI先导指标 3. 研发指标体系构建方法工具箱 l 研发指标的选择与评估 l 研发指标体系搭建方法 l 面向研发目标的指标体系萃取 l 指标拆解模型:OSM框架 案例:京东研发提效北极星筛选;亚马逊北极星筛选;金融产品的研发指标体系设计;SaaS指标体系萃取 | l 大数据通过什么模式和逻辑来驱动研发体系找到问题与机会,实现研发效能优化? l 为什么说大部分企业都理解错了北极星?如何用北极星指标保障业务目标的达成? l 什么是研发北极星?它如何帮助研发效能提升?如何寻找研发体系的北极星? l 如何根据具体研发目标找到对应的精准数据指标体系?如何拆解研发大KPI为一系列的过程KPI和子KPI? |
探讨共创1 (60分钟) | l 中金研发体系的北极星筛选与指标体系设计 l 练习:帮助学员针对自己的核心研发提效目标,寻找相应的北极星指标;并使用OSM指标模型,推导该目标下的研发指标体系 |
四. 数据收集与异常判定 (60分钟) | 1. 一次抽丝剥茧的经典分析 2. 数据分析整体流程 3. 四大类数据收集策略 4. 复杂数据收集 5. 数据清洗与归一化 6. 大数据创新循环链 7. 数据异常判定的多种方法 | l 有哪些数据收集策略? l 如何收集一些特殊数据,如客户设备数据、竞争对手数据、顾客潜意识数据? l 如何进行数据的清洗?什么是归一化? l 有哪些数据异常判断方法?何时应该触发数据分析? |
五.研发瓶颈洞察优化 (180分钟) | 1. 研发侧数据分析方法 1) 趋势分析 2) 下钻分析 3) 漏斗分析 4) 对比分析 5) 归因分析 6) 聚类分析 7) 相关性分析 8) AI建模分析 2. 常见数据分析误区 3. 数据分析深度案例解析 案例:911系统的缺陷预测、研发瓶颈的漏斗分析与优化、代码质量相关性分析与控制、研发的缺陷对比分析与缺陷预测、研发资源配置相关性分析、代码评审矩阵分析、建模分析在研发管理上的应用…… | l 有哪些在研发提效中常用的数据分析方法?它们应分别该在什么时候,针对什么目的,如何使用? l 如何用下钻分析快速锁定研发问题所在位置? l 如何通过漏斗分析找到系统性能瓶颈? l 如何使用对比分析,预测系统可能存在的缺陷数量与分布? l 如何通过对比分析,控制代码评审的时间和质量? l 如何通过归因分析,厘清问题相关团队的责任? l 如何通过相关性分析确定研发资源配置的最优策略? l 如何通过AI建模和机器学习,确定最优的需求规模、程序员人数、缺陷数量与测试时间、研发流程参数? |
六. AB测试 (90分钟) | 1. AB测试流程关键点 2. 实验样本随机分组 3. AA测试 4. 测试指标的选择 5. 置信度 6. 新奇效应与初识效应 7. 测试灵敏度提升 8. AB测试的替代方案 9. 辛普森悖论 案例:研发方案的AB测试、B端数据工具AB测试 | l 为什么大部分企业做的AB测试都是错的? l 怎么精准测定一个研发策略产生的精确效果?如何精确测定一次代码优化取得的实际效果? l 如何设计研发端的AB测试?需要具备什么条件? l 研发AB测试的测试指标如何选择? l AB测试条件不完全具备时,有什么替代方案? |
探讨共创2 (60分钟) | l 数据分析实战演练:IT团队研发效能提升的瓶颈与机遇分析 练习:帮助学员针对自己的研发现状,使用多种深度数据分析方法,结合AI工具的辅助,快速发现研发提效的优化方向 |