汇报时别先讲看板、宽表怎么做的,先讲它让谁做了什么决定、改变了什么结果;技术细节只用来让领导相信你的结论。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
领导要的是决策,不是交付物
材料里的观点立正在讲汇报时提到,老板听到你的成果,脑子里会闪过“这相对竞争对手是什么情况”“这个提升对我意味着什么”“够不够、还要不要继续投”这类评估,然后要做决策。你要做的是把这件事的意义讲清楚,帮他做这个决策;技术细节的作用只是建立他对你结论的信任,他不信才需要看细节1。放到你们组:BI 看板、宽表、数据产品本身都是交付物,领导问“价值”时,问的是这些交付物改变了哪个业务动作。汇报开头可以直接写:某类用户/某条产线原来靠什么判断,现在靠什么判断,判断变快或变准之后做了什么不同的事。
价值说不清,常常是责任在交接中丢了
材料里的观点立正在《如何识别与消灭 fake work》里讲,fake work 容易长在责任被重置的地方:每交接一次,原本的结果就被翻译成更容易验收的交付物——用户问题变成需求,需求变成功能,功能变成上线,交付物都按时完成,最初的问题却可能原封不动。他给的办法是缩短距离:定义问题的人要跟到结果出现,结果不好,责任要一路回到最初的判断2。这正好解释你们的处境:中台组接到的是“做个看板”“开发张宽表”,验收标准自然变成上线没有、跑通没有。要讲出业务价值,得把这条链补回去——这个需求最初是业务方想解决什么问题,上线后谁在用、用来做什么决定。
先问清“这份数据要支持什么决策”
AI推演Mujtaba 在谈数据团队向上沟通时说,最重要的问题是“我们会用这份数据做什么决策、目的是什么”,因为提需求的人往往不了解数据,要的是某些数据,而知道问题后其实可以提供更好的数据;如果答案是没有什么决策,就可以反问这值不值得优先做3。立正回应说,这是区分一个只会写 SQL 的人和能影响决策的数据科学家的关键问题3。对你们是 AI 的应用建议:汇报前对每个看板或宽表问一遍“它支持谁的哪个决策、不做会怎样”,答不上来的先别当成果讲,或者如实标成基础能力投入。
提供的片段没有乳业或中台组织的具体案例,以上是把通用汇报与数据团队沟通原则套到你们场景的推演;具体该找哪个业务决策、哪些指标算价值,需要你们自己的业务信息。
出处
- 1教老板做事?这样汇报就对了!
讲汇报时老板如何评估成果、技术细节该扮演什么角色。
- 2如何识别与消灭 fake work
解释交付物替代结果、责任在交接中丢失的机制。
- 3Meta印度裔高级经理,分享向上管理心得
数据团队如何追问需求背后的决策,以及立正对此的回应。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。