- 產品
- 產品解決方案
- 行業解決方案
- 案例
- 數據資產入表
- 賦能中心
- 伙伴
- 關于
時間:2025-09-25來源:數據工匠俱樂部瀏覽數:126次
第一性原理就是把事物的基本原理搞清楚。
(1)重新審視以往的經驗公式,拋棄那些已經過時的經驗知識。
(2)不搞自作聰明的打比方和類比,A就是A,B就是B。
具體執行下來分為三步第一查 “需求規則有沒有模糊地帶”。比如標注汽車,文檔里寫 “標注整車范圍”,那還需要進一步確認天線、后視鏡、行李架、備胎這些和車相連的部位是否需要標注。遇到這種情況,別自己瞎猜,找甲方對接人,把這些細節一條條確認清楚,最好讓對方給幾個 “標準答案” 示例,比如標注正確的圖、標注錯誤的圖,貼在需求文檔里,后續給標注員培訓時才好講明白。第二查 “技術能不能執行”。需求摸透了,接下來就是試標。大多數人的思維還是安排團隊里技術能力最好的人參與試標,為了拿下項目也是正確的選擇,但也可能給自己、給對方挖坑。試標是整個項目的 “報警器”,能提前暴露70%的問題,如果合適的情況下,別只挑經驗最豐富的標注員,得把新手、中等、老手水平的人都拉進來,比例大概 1:2:1。其中他們擔任了不同的職能。新手能發現需求文檔里 “沒說明白” 的地方,也能代表最低下限。 中等水平的人則能反映 “普遍情況”,他們的準確率和速度,更接近整個團隊的平均水平。 老手側重評估 “標注難度”,覺得哪些地方最費時間,應該通過哪些方式提升人效,也應以更高質量提交數據拿下項目。 第三查?“項目能不能落地”。這塊不僅是技術能力是否可做,還要判斷綜合人效。綜合人效=爬坡期、標注/質檢/驗收人員配比、返修耗時。能否賺的到錢、包的住成本,標注行業本質還是勞動密集型產業,創收的本質還是靠標注員的勞動力產出,綜合人效毛利至少在15%以上才有的做。并且試標一定要確認好驗收尺度,有些項目準入簡單,投入大量人力做了一段時間,甲方反饋質量不達標又需要全部返工重做。把產量目標拆成 “三級指標”:總項目目標→小組目標→個人日目標。比如總目標是 10 天標 1 萬條,分成 5 個小組,每個小組就負責 2000 條,再按小組人數分攤到個人,假設每個小組 10 個人,那每個人每天的目標就是 20 條。這樣一來,誰拖了后腿,一眼就能看出來。如果產量不達標,要找病根。重點不是看 “誰標得好”,而是看 “大家錯在哪”。這塊也切忌不要頭痛醫頭腳痛醫腳,要找問題本質出在哪里。這其中一般有兩塊最大的問題點。
(1)一定要重視復盤,一些團隊為了只讓標注團隊產出,忽略了很多復盤環節,不復盤意味著下次可能還錯,能力也無法提升。復盤不能一昧的講,硬宣貫下去的知識對標注員吸收效果不會好,管理的一個目的要人盡其才,復盤要引導每個人去思考自己錯的點在哪里、如何解決。比如執行時讓其自己總結錯在哪里,每個人講自己的錯題。再由“老手”指正補充。
(2)錯誤問題一定要定性,除卻客觀因素如規則不理解、工具不擅長使用,我見過許多錯誤都籠統的歸結為標注員“粗心”,然后就簡單的說下次要細心就一筆帶過。實際項目問題拆解一定要拆解到更細的底部,要深究粗心原因,是太著急了 還是沒好好做,要結合獎懲的管理手段,懲不一定是扣績效扣錢,也可以是勞動值日、抄寫規則、增加產量等等。起碼要在主觀上要有在好好標注的意識,而不是敷衍了事,如確實主觀再認真標注 但客觀上仍然粗心錯誤很多,屬于個別人員問題,應考慮調換其他適合的項目。很多標注員會覺得 “要準確率就別要效率,要效率就會丟準確率”,其實兩者可以在一定程度上共存。先說準確率。多數團隊常見方法是做FAQ,即錯題表,讓大家知道哪些標注方法是錯誤的,需要避免的。這塊可以擴充一步,即人人都是質檢員,人會有思維定勢,當自檢時往往發現不了自己錯在哪里。可以安排A檢B,B檢查C這種形式,讓每個人看下別人是怎么做的。注意,核心點并不是真的讓他們質檢出錯誤,而是不要埋頭苦干,比如A檢出B的錯誤,B認為沒有錯,這樣討論的形式會讓其加深記憶,并且不自覺的要更認真的去做。也可以考慮讓大家多看一些質檢通過的案例。非垂直專業領域的標注項目一般都不難,正常智商的人都可以做,只要一個人真的投入精力好好去做,基本都不會有問題,所以在管理上的一大重點,是要發揮人的主觀能動性。再說效率。核心是三點。第一是熟練使用工具快捷鍵,能用快捷鍵的一定不用鼠標點,要養成操作習慣。第二是減少無效操作,比如標注員標一張圖,要反復切換工具、調整參數,有時候給錯類別還要返工,要形成更好的作業習慣,可以安排老手看新手做題,發現其具體問題,再讓新手跟著老手的做題習慣操作,慢慢同步作業思維。第三是別太較真,有些作業項目可能對于遠方的標注物、模糊的標注物精度要求并不高,有些“細心”的標注員可能會在作業上精雕細琢,那效率肯定起不來,要引導他以最快的方式做幾張圖,再結合實際情況判斷是否滿足驗收標準,讓其找到那個驗收合格的點。
上一篇:數據治理中的“打醬油”現象...
下一篇:數據要素價值形成規范...