很多甲方的數據人員編制有限，因此會找乙方完成相關工作，作爲甲方，經常會發現乙方做事不給力，一方面可能的確是乙方能力問題，但另一方面，也許是你給乙方安排的工作出現了問題，對於不同類的數據工作，甲方和乙方的擅長程度是不同的，相互之間只有取長補短才能創造更高價值，今天就來談談甲乙方分工的18個原則。
原則一：
科斯說，是交易成本與管理成本的對比，決定了企業的邊界。交易成本越低的事情，越應該外部化；管理成本越低的事情，越應該內部化，數據管理者應該遵循這個原則，挑戰來源於如何比較這兩個成本的大小，比如經常有企業把數據挖掘工作外包，顯然低估了交易成本。
原則二：
康威定律說，組織架構決定系統架構和產品形態，大多企業的數據組織取名如數據管理部、數據運營部、經營分析部等等，從名稱就能推斷出其是以管理和運營爲主的，因此不要擅自去增加研發等相關的崗位，比如算法，全部購買或外包吧，除非你有能力改變組織的職能。
原則三：
數字化時代給IT人帶來了更多機會，可惜的是，現在IT發展的趨勢是將跟業務無關的通用IT技術剝離出去，企業的IT人將越來越業務化，比如雲計算推動了IaaS和PaaS的外包，雲原生的發展歷史就是一部將代碼中跟業務無關的非功能代碼逐步剝離的過程，無論是容器、微服務、Severless、Service Mesh還是DevOps。
這些東西讓企業的IT人員不再有機會去搞什麼高可用、容災、安全、運維、測試、通信等通用技術研究，即使搞了也成爲不了企業的核心競爭力，實際上，通用技術的交易成本和管理成本已經發生了巨大變化，這也在改變着企業數據團隊核心競爭力的內涵，進而影響到甲乙方的分工原則。
原則四：
大多企業養不起龐大的數據開發團隊，因爲從科斯定理的角度看，這種團隊的管理成本太高了，企業更需要的是少量的數據技術管理者，能夠撬動更多的乙方資源爲甲方服務，並且不被忽悠，當然數據技術管理者也不是那麼容易培養，除了熟悉業務和管理，至少也要有開發的經歷，否則關鍵時候頂不上去
原則五：
在甲方智能化、自動化水平還不夠的前提下，簡單重複的工作需要外包，無論是取數還是報表，其實這種模式對雙方都有益，甲方解決了內部需求的問題，乙方賺取微薄的利潤但獲得了實踐的機會，培養了一大批高端的數據人才
原則六：
越是業務化、協同化的數據工作，越不能外包，因爲交易成本太高了，一方面是乙方很難在業務上跟上甲方的步伐，另一方面甲方很多工作講究的是人情世故，顯然乙方不太合適
原則七：
大數據平臺技術發展一日千里，數據採集、數據處理等技術有明顯的通用性、開源性、多樣性等特點，通過引入合適的乙方不僅能完成建設和運營工作，還能實現彎道超車，甲方唯一要做的是擁有自己的數據架構師，能說服企業採用推薦的方案，並防止被乙方忽悠
原則八：
數據應用（產品）開發工作可以外包，無論是UI/UE、前端，後端，數據處理等等，甲方不要嘗試去建立這麼多技術棧，這些技術跟大數據平臺一樣，有足夠的乙方可供選擇，而且交易成本可控
原則九：
如果你的企業有志於成爲一個數字化企業，那麼數據倉庫建模就不要外包，第一，數據已經成爲生產要素，既然你的企業要自己設立財務部來管理自己的貨幣、固定資產，那麼這個原則也同樣適用於數據資產，第二，數據這種生產資料跟貨幣還不一樣，它帶有強烈的業務性的，而只有自己的員工才能與業務與時俱進，乙方可以幫你一時，但幫不了一世，第三，模型是需要迭代的，長遠來講，將數據倉庫模型外包給乙方交易成本很高
原則十：
如果企業希望數據挖掘真能產生點效益，那麼數據挖掘工作就不要外包，因爲數據挖掘中業務理解、模型迭代、業務運營等的工作比重太高了，這些顯然不適合乙方長期來做
原則十一：
數據分析工作不要外包，道理同數據挖掘，但數據分析諮詢卻可以外包，因爲乙方的高端數據分析諮詢專家可以給甲方提供方法論的指導，給出不同的看問題的角度，還能夠幫助甲方跳出業務看業務
原則十二：
只要甲方能把業務問題定義清楚，明確輸入和輸出，算法工作就可以外包，乙方既可以臨時抽調人員本地服務，也可以採取遠程支持的形式，甲方也很難養活一隻算法團隊，有那麼1–2個算法人員成不了氣候，最後大多轉型或者離職
原則十三：
數據治理工作涉及企業的組織、機制和流程，需要太多的協同，因此不要嘗試外包，自己都搞不清楚狀況的情況下，顯然乙方會比你更會犯渾，當然這裏的數據治理是狹義的，不是指那種建個大數據平臺就認爲是數據治理了的概念
原則十四：
數據產品經理不能外包，從業務、創新、協調、體驗、迭代、個性等各個角度看，乙方來做這個事情都會極度不適，很多時候幹成了開發經理，當然乙方幹項目經理還是OK的，畢竟有很多規範和流程可以遵循
原則十五：
狹義的數據中臺是指數據模型和數據服務，顯然數據中臺是無法外包的，當別人說可以幫你建數據中臺的時候，首先要問問它關於數據中臺的定義和理解，不要雞同鴨講了
原則十六：
爲前面所有數據類工作提供支撐的任何工具，比如元數據工具、開發工具等等，是直接採購產品好還是自己定製好，取決於這類工作外包的可行性，越不能外包的工作，意味着標準化程度越低，越需要採取定製的方式實現
原則十七：
在數據領域任何一個專業，甲方都需要乙方頂尖數據專家的支持，無論是平臺、算法、開發、挖掘、分析、治理等等，因爲甲方總有5–10%的問題是自己無法解決的，頂尖專家則是超越了一切限制的存在
原則十八：
爲了數據驅動業務，甲方要爲乙方的創意買單，要爲乙方的連接買單，即使這種工作很難用工時評估，否則乙方的高端人才就跑完了
當然沒有什麼是絕對的，如果甲方的很多工作的確沒有相關的組織和人員保障，那麼交給乙方是唯一的辦法，但如果有的選擇，就儘量遵循這些原則吧。
文章來源：与数据同行
原文鏈接：https://mp.weixin.qq.com/s/ZXF4VJeRm1ukI6V4JjQ1mQ
※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※
文章推薦
◆跟資料打交道的人都得會的這8種資料模型，滿足工作中95%的需求
關注數據君的臉書：
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。按贊我的臉書，會有豐富資料包贈送唷！
