DoorDash 如何打造世界级数据团队：一位10年亲历者的深度复盘

嘉宾：Jessica Lax ｜ DoorDash 分析与数据科学副总裁｜领域：数据分析组织建设

背景与引子

2024年，DoorDash 的市值已突破700亿美元，成为美国最大的本地服务平台。但鲜为人知的是，这家公司曾经历过无数次生死考验——早期资金链紧张、竞争对手围剿、三边市场（消费者、配送员、商家）的复杂性让无数人质疑这个模式能否成功。

在这条充满不确定性的道路上，有一支团队始终扮演着关键角色——DoorDash 的数据分析团队。从最初的几个人发展到如今的数百人规模，他们不仅回答“为什么会发生”，更回答“既然知道了，接下来该怎么做”。

本期播客嘉宾 Jessica Lax 是 DoorDash 分析与数据科学副总裁，在公司工作了超过10年，是公司首位 GM（总经理），也是这支传奇数据团队的缔造者。她没有统计学博士背景，却带领团队做出了无数影响公司战略方向的关键决策。

以下是我从这场深度对话中提炼的核心智慧。

一、嘉宾是谁

Jessica Lax 的职业轨迹本身就是一部“非传统成功学”。

她早年在雷曼兄弟从事投资银行业务，之后创立了社交礼品公司 GS Simple。2014年加入 DoorDash 担任首位 GM，负责波士顿市场的拓展。正是在这个岗位上，她发现了公司对数据分析的迫切需求——如何设定目标、如何衡量不同市场的表现——于是自学 SQL 和 Python，亲手搭建了最初的指标体系。

“我经常开玩笑说，如果按现在的招聘标准，我根本不会被录用。”Jessica 在采访中坦言，“但我的背景反而让我能雇佣那些技术比我强的人，同时确保团队始终聚焦于驱动业务影响，而不是陷入技术炫技。”

从 GM 到数据团队的负责人，Jessica 用十年时间证明了：在数据领域，技术和业务直觉同样重要，而好奇心和ownership（主人翁意识）往往比学历更能预测一个人的潜力。

二、核心观点 TOP10

分析团队是驱动业务影响的职能部门，而不是单纯的服务部门。
集中式组织模型优于嵌入式模型——让分析师汇报线统一，但目标和合作伙伴保持一致。
优秀的指标应该是能驱动长期结果的短期可衡量指标，而不是盯着最终结果却无法快速迭代。
复合指标看起来完美，实际上往往是灾难——选择一个简单但人人能理解的指标，远胜过一个没人看得懂的“完美”公式。
在组织内建立“通用货币”，让不同团队能够做跨部门的权衡决策。
招聘时，最重要的特质是好奇心——这无法教，但可以通过面试中的案例设计测试出来。
数据科学家不应该被岗位定义——如果需要打电话给客户，那就去打这通电话。
一定要关注分布，而不仅仅是平均值——那些极端案例和失败场景，往往藏着最大的商业机会。
用 hackathon（黑客松）制度性地保护团队的探索时间，防止被日常需求填满。
团队文化需要刻意营造——central model 的一大优势是能形成“A Team”式的强烈归属感和学习氛围。

三、关键洞察

1. 中央汇报但嵌入合作：找到平衡点

很多人认为集中式数据团队会变成“信息孤岛”，或者沦为其他部门的“跑数工具”。Jessica 的解法是：汇报线集中，但团队按业务线划分成 pods，完美对应产品、工程、运营、营销的组织架构。“分析师和营销负责人有完全相同的目标——你们的成功就是彼此的成功。”这种设计既保留了 central model 的规模优势，又实现了“嵌入式”的合作深度。

2. “平均数”陷阱：为什么你的指标可能在说谎

DoorDash 曾经有一个叫“Never Delivered”（从未送达）的指标——订单彻底无法完成最终退款。这类情况发生概率极低，用平均值看几乎可以忽略。但深入分析后发现：这些极端案例直接导致了用户流失，而且成本远高于其发生频率，因为每一个流失的用户背后是未来所有潜在订单的损失。“你根本看不到他们，因为他们已经不在你的数据里了”——这是 Jessica 对数据分析盲区的深刻洞察。

3. 从复合指标到简单目标：一次“降级”带来巨大成功

DoorDash 曾用复合模型来衡量商家健康度，把活跃时长、图片完整度、菜单准确性等多个因素加权成一个“35分”的分数。问题是：没有人知道35分意味着什么，更不知道该怎么做才能提升。Jessica 的建议是：与其追求完美公式，不如把最重要的单一指标拎出来——比如“新商家在7天内是否获得第一笔订单”——让团队明确知道该往哪里发力。“你永远拿不到100分，但先搞定最重要的那几件事，95%的效果可能就够了。”

4. 招聘的隐藏秘密：测试好奇心比测试技术更难

在面试中，Jessica 会故意在案例里埋一个“不太对劲”的细节，观察候选人是否会主动发现并追问。“大多数人只会完成问题的表面回答，但真正优秀的人会说’这个数据有点奇怪，我想深挖一下’。”技术技能可以通过测试筛选，但自我驱动的好奇心才是区分顶尖人才的关键标志。

5. AI 的实际应用：让非技术人员也能提问数据

DoorDash 开发了一个叫“Ask Data AI”的内部工具，任何员工都可以用自然语言提问，获取 SQL 查询建议和数据解读。Jessica 对这个工具最大的期待不是提升数据团队的效率，而是赋能那些过去需要“排队等分析师”的非技术同事。“让合适的人做合适的事，把数据团队的时间留给真正需要深度分析的问题。”

四、精彩金句

“分析不是服务职能，是驱动业务影响的职能。”

——Jessica 明确区分了她想打造的团队类型：不是等着接需求、帮忙跑数据的“工具人”，而是主动发现机会、提供决策建议的战略伙伴。

“留存率是一个糟糕的考核指标——它几乎不可能在短期内被显著驱动。”

——这句话点出了很多公司在设定OKR时的通病：盯着最终结果却无法快速迭代。正确做法是找到驱动留存的短期可衡量输入指标。

“你是一个数据科学家，但你的目标是搞清楚发生了什么——如果这意味着你需要拿起电话给客户打电话，那就去打这通电话。”

——这是 DoorDash 极端 ownership 文化在数据团队的缩影：不被岗位描述束缚，以解决问题为最终目的。

“与其追求完美公式，不如选择一个简单但人人能理解的指标——因为理解才能驱动行动。”

——关于复合指标的反思：那些看起来科学的加权公式，往往因为没人理解而变成无效的管理工具。

“当数据告诉你转化率提高了5%时，试着再问一句：是谁的转化率提高了？”

——提醒团队关注分布而非平均值，警惕平均数掩盖的真相。

五、实战案例

案例：Referral（推荐）渠道的“平均数陷阱”

DoorDash 曾通过 hackathon 对推荐获客渠道进行深度复盘。从表面数据看，Referral 渠道的获客效率和回本周期都低于平均水平——按照传统逻辑，应该削减投放预算。

但团队没有止步于此。他们深入分析后发现：这个指标呈现典型的“双峰分布”——

第一类用户：真正认可产品的消费者，主动推荐同样高质量的用户，回本周期极短，ROI 极高；
第二类用户：薅羊毛型用户，在网上发布推荐码吸引同样只想拿优惠的人，实际转化质量极差。

问题在于：差的第二类用户把平均数拉低了，让这个优质渠道看起来不值得投入。

团队亲自“作弊”测试——创建虚假账号、反复下单测试规则漏洞，甚至在办公室狂点纸杯蛋糕来验证套现路径。最终发现了当时极其宽松的反欺诈规则和推荐码上限缺失问题。

这次洞察直接推动了新的反欺诈机制和推荐码使用上限的建立，Referral 渠道随后成为最高效的获客来源之一。

这个案例完美展示了 Jessica 的方法论：不满足于平均值，主动深挖分布，用实验验证假设，然后果断行动。

六、行动建议

1. 用“通用货币”统一跨团队决策语言

为什么要做：不同团队用不同指标衡量成功，导致资源分配时无法横向比较，做决策全靠“拍脑袋”。

如何开始：选取一个核心业务指标（如 GMV 或订单量），建立模型把产品、运营、营销等各团队的 KPI 翻译成这个统一单位。比如：“营销多花1美元能带来多少 GMV？”“配送时间缩短1分钟能增加多少订单？”

能得到什么结果：管理层在做资源配置决策时，可以清晰比较不同投入的回报率，快速找到ROI最高的发力点。

2. 强制保护团队的“探索时间”

为什么要做：紧急的日常需求永远填不满时间桶，如果不刻意预留，探索性工作会永远被搁置，最终失去发现重大机会的能力。

如何开始：每月或每季度举办数据团队的 hackathon，给1-2天时间让所有人自选课题深挖；与业务合作伙伴沟通，解释这些洞察对产品路线图的长期价值，争取支持。

能得到什么结果：DoorDash 的 Referral 渠道洞察就来自 hackathon。长期来看，这种机制能持续输出改变业务方向的关键发现。

3. 用案例面试刻意测试“好奇心”

为什么要做：技术技能可以标准化测试，但自我驱动发现问题的人才更难识别，而这类人往往决定团队的创新天花板。

如何开始：在面试案例中埋入一个“不正常”的数据点，观察候选人是否会主动发现并追问；或者在追问环节故意给出相互矛盾的信息，看候选人如何处理新信息的冲击。

能得到什么结果：筛选出那些“不满足于表面答案”的人——他们会在入职后持续带来意外的洞察和贡献。

4. 关注极端案例和失败场景

为什么要做：平均值会掩盖极端情况，而这些极端案例往往是用户流失和成本浪费的主要来源，频率低但影响大。

如何开始：在核心质量指标之外，专门建立对“失败场景”的追踪（如 Never Delivered、登录失败等）；给这些极端案例设定独立目标，而不是仅仅关注整体平均值的提升。

能得到什么结果：直接降低用户流失率和隐性成本；更重要的是，你会发现很多“看不见的问题”其实在悄悄蚕食你的业务。

5. 培养“打破岗位边界”的文化

为什么要做：当数据科学家只会写 SQL、写模型，他们提供的价值就局限在“技术执行”层面；真正顶尖的分析师应该能定义问题、设计实验、推动决策。

如何开始：明确向团队传递信号——解决问题的路径不限于岗位描述，鼓励成员去做“需要做但没人规定要你做”的事；从自己做起，Jessica 本人就经常在会议中说“数据科学家打电话给客户，这完全没问题”。

能得到什么结果：团队成员会更主动、更全面地思考业务问题；那些跨越岗位边界的经验会成为职业发展的宝贵财富，也为组织培养出更多具备全局视野的领导者。

七、我的总结

Jessica Lax 用十年时间在 DoorDash 验证了一个核心命题：好的数据分析组织，不只是回答问题，而是定义问题、驱动决策。

从集中式模型优于嵌入式模型，到用“通用货币”统一跨团队决策；从警惕“平均数陷阱”，到刻意保护探索时间——她的方法论看似朴素，实则直击大多数企业在数据化转型中踩过的坑。

最打动我的，是她对“ownership”的理解：不被岗位定义，不等别人告诉你该做什么，用一切手段解决摆在面前的问题。

这不仅适用于数据团队——适用于任何想在复杂环境中创造影响力的人。

Jessica 正在 LinkedIn 撰写系列博客，分享她在 DoorDash 建立全球数据分析组织的经验，感兴趣的朋友可以去关注。

📺 播客信息

发布时间：2024-07-14
时长：1小时19分钟56秒
播放量：31739 次观看
原版视频：『YouTube』