Builder's

Back to Archive

Jess Lachs

Detailed Analysis & Action Guide/2024-05-23

数据组织架构中心化模型输入指标 vs 输出指标极度负责任通用货币模型Hiring

内容概要

本期播客深度探讨了 DoorDash 如何构建其极具影响力的分析团队。Jess Lachs 分享了她极具“逆向思维”的观点：为什么数据团队应该采用中心化汇报架构而非嵌入式？ 她详细拆解了如何定义能够驱动业务增长的指标（而非虚荣指标），以及如何通过“通用货币”模型在复杂的四方市场（消费者、商家、骑手、平台）中做权衡决策。此外，她还分享了从投行精英到初创公司“扫地僧”的职业转变，以及 DoorDash 早期极度负责任（Extreme Ownership）的文化细节。

逐字稿双语 PDF

工具/书籍

  • Libby
    -Jess 强烈推荐的图书馆借阅 App，用于免费阅读电子书和听书。
  • Ask Data AI
    -DoorDash 内部开发的 AI 聊天机器人，帮助非技术员工通过自然语言修改 SQL 查询。
  • 《The Rose Code》 (Kate Quinn)
    -关于二战女性密码破译员的历史小说，Jess 推荐，与其解决问题的职业本能契合。

行动建议

今天

  • 检查你的 KPI: 看看你的团队是否在考核“留存率”或“GMV”等无法直接控制的输出指标？如果是，尝试列出 3 个能驱动它们的输入指标。
  • 停止回复情绪化邮件: 实践 Jess 的“睡眠委员会”法则，明天早上再发。

本周

  • 设立 Office Hours: 在 Slack 或飞书上公布一个固定时间段，欢迎任何同事来咨询数据问题。
  • 寻找“Never Delivered”: 在你的业务中寻找那个发生率极低但伤害极大的“失败状态”，并为其建立监控。

关键洞察

  1. 分析不是服务，而是驱动: 数据团队不应是“接单员”（Jira 票据处理者），而应是业务合伙人，主动提出“既然我们知道了这个，下一步该做什么？”。
  2. 极度负责任（Extreme Ownership）: 早期员工不分职位。数据科学家在系统宕机时应主动去送外卖或打客服电话，这种文化决定了公司的韧性。
  3. 人才的“净进口” : 优秀的组织应该能吸引非专业背景的人才（如运营、财务）转型加入并胜任，这说明组织的方法论具有普适性和教育能力。
  4. 真理寻求者（Truth Seekers）: 在信息爆炸时代，数据团队的核心价值是剥离噪音，寻找事实真相，即使真相令人痛苦（如发现某个营销渠道全是欺诈）。
  5. 睡眠委员会: 遇到复杂或情绪化问题，不要立即回复，让“睡眠委员会”处理一晚，第二天往往会有更清晰、理智的决策。

嘉宾介绍

Jess Lachs

  • 身份: DoorDash 合伙人、数据科学与分析副总裁（VP of Analytics and Data Science）。
  • 职业经历:
    • DoorDash (2014 - 至今): 效力超过 10 年。最初是公司首位总经理（GM），负责从零开始启动波士顿等新市场，后转型并组建了全球顶尖的数据团队。
    • GiftSimple (2011 - 2014): 创始人，社交礼品初创公司。
    • Lehman Brothers (2006 - 2008): 投资银行分析师。
  • 核心专长: 数据驱动决策、组织架构设计（中心化模型）、指标定义与激励对齐、市场启动策略。
  • 社交媒体:

核心论点

论点一：中心化数据组织模型（Center of Excellence）优于嵌入式

核心观点: 数据人员应汇报给中心化数据负责人，而非业务部门负责人。

  • 人才标准一致性: 中心化管理能确保全公司数据人才的招聘门槛和技术水平高度统一，避免业务部门为了短期需求降低招聘标准。
  • 职业成长路径: 在业务部门内，数据人员往往面临晋升天花板；中心化架构提供了跨部门流动的机会（如从营销分析转到商户分析），有助于留住顶尖人才。
  • 消除数据孤岛: 避免不同部门对同一个指标（如“销售额”）有不同定义，确保全公司使用同一套方法论。

"Analytics is a business impact driving function and not purely a service function." — Jess Lachs

论点二：留存率（Retention）是糟糕的考核目标

核心观点: 留存率是长期输出指标，难以在短期内通过实验直接驱动。

  • 寻找输入指标: 团队应寻找能驱动留存的短期可观测指标（Input Metrics）。
  • 简单胜过复杂: 避免使用复杂的加权复合指标。如果一个指标需要解释半天（如 0.35 的健康分），团队将失去直觉。
  • 失败状态监控: 除了关注平均值，必须关注“极端失败案例”（如 Never Delivered 订单），这些案例对品牌和留存的伤害远超平均值的波动。

论点三：建立业务决策的“通用货币”（Common Currency）

核心观点: 将所有业务动作（降价、提速、增加品类）转化为统一的价值衡量标准。

  • 量化权衡: 如果降低 1 美元配送费能带来 X 订单量，而缩短 1 分钟配送时间能带来 Y 订单量，通过模型将它们统一转化为 GOV（总交易额）影响，管理者就能清晰决定资源投向。
  • 跨团队对齐: 营销团队和物流团队不再争吵，因为大家都在用同一种“语言”讨论对业务的贡献。

数据验证结果

验证项 1: DoorDash 的“WeDash”计划（员工必须去送外卖）。

验证项 2: 2014 年波士顿冬季气候对启动的影响。

  • 原文声称: "2014 年冬天在波士顿街头分发带有 Kind Bars 的优惠券。"
  • 验证结果: ✅ 确认。2014-2015 年冬季是波士顿历史上降雪量最大的年份之一，这对刚启动的配送业务是极大挑战。
  • 来源: National Weather Service 历史记录
  • 可信度: ⭐⭐⭐

验证项 3: 留存率作为滞后指标的行业共识。

  • 原文声称: "Retention is a terrible thing to goal on... it's a long-term output."
  • 验证结果: ✅ 确认。Reforge 等顶级增长机构均强调“输入指标”管理。
  • 来源: Reforge: Retention is a Lagging Indicator
  • 可信度: ⭐⭐⭐

四维分类评估

🟢 高度正确（行业共识）

观点 1: 关注分布而非平均值。

  • 验证依据: 在物流和配送行业，长尾的糟糕体验（如订单丢失）对用户流失的影响是非线性的。

观点 2: 招聘中的“好奇心”不可教。

  • 验证依据: 顶级数据分析师的区别不在于 SQL 熟练度，而在于是否会主动追问数据背后的“为什么”。

🔵 当下可执行（实操建议）

建议 1: 建立“数据办公时间”（Office Hours）。

  • 执行方法: 每周固定 2 小时，数据团队开放咨询，帮助非技术同事修改 SQL 或讨论业务逻辑，减少 Jira 工单堆积。

建议 2: 采用“通用货币”模型。

  • 执行方法: 尝试将不同部门的 KPI（如转化率、点击率、配送时长）通过历史数据回归分析，统一折算为对核心指标（如 GMV）的贡献值。

🟡 理智质疑（需视情况而定）

存疑点: 中心化模型是否会导致响应速度变慢？

  • 质疑原因: 许多初创公司发现，数据人员如果离业务太远，会不理解业务背景。Jess 的方案是通过“逻辑中心化、物理嵌入化”（Pod 结构）来平衡，但这需要极强的管理能力。

深度评分

知识价值: 9/10

  • 提供了极高维度的组织设计和指标哲学思考。

可执行性: 8/10

  • “通用货币”模型和“输入指标”理论非常落地。

商业潜力: 9/10

  • 对于多边市场（Marketplace）从业者具有极强的指导意义。

综合评分: 9/10