بحث OWOX BI حول حالة التحليلات الرقمية: مقابلة مع تيم ويلسون

أعدت أسئلة هذه المقابلة ماريا بوتشيفا ، مديرة تطوير الأعمال في OWOX BI ، بعد أن قابلت تيم ويلسون في مؤتمر Superweek. تم تقديم جميع الصور من قبل Banoczy Zoltan ، مؤسس Superweek - European Analytics Summit.

لقد كان من دواعي سروري الحصول على مثل هذه الرؤى العميقة من تيم ويلسون (تابعه على Twitter) ، وهو محلل نشط يتمتع بخبرة كبيرة ونظرة إيجابية للحياة.

عمل Tim مع العديد من أبعاد التسويق وبيانات العملاء لأكثر من 15 عامًا. أدار قسم ذكاء الأعمال في شركة ذات تقنية عالية من شركة إلى شركة بقيمة 500 مليون دولار أمريكي ، واستشار العديد من أفضل 50 شركة لبيع التجزئة عبر الإنترنت حول كيفية تطبيق التحليلات الرقمية على أعمالهم. تيم هو خبير بيانات صديق للمسوقين. وهو الآن مدير التحليلات الأول في Search Discovery.

Search Discovery هي شركة معلومات وتحليلات للأعمال تعمل على تمكين المؤسسات من استخدام البيانات لتحسين أداء الأعمال.

ما هي المهارات الصعبة الأكثر أهمية للمحللين اليوم؟ هل يتعين على المحلل معرفة SQL و Python و R وإنشاء لوحات معلومات في أدوات التصور الأكثر شيوعًا مثل Data Studio و Tableau و QlikView؟

هذا هو أحد تلك الموضوعات التي نوقشت بشدة في الآونة الأخيرة. لنبدأ بالقول إن المحللين يجب أن يعرفوا جداول البيانات - جداول بيانات Google و Excel - جيدًا حقًا. حتى لو لم يكن هذا هو المكان الذي يقومون فيه بمعظم عملهم ، فسيحصلون دائمًا على المعلومات ويرسلونها باستخدام جداول البيانات على أساس منتظم إلى حد ما.

وإذا لم يكن المحلل مرتاحًا جدًا لـ VLOOKUP والجداول المحورية ، فسيواجهون صعوبة مع أي نظام أساسي آخر حيث يقومون بالتحليل.

من هناك ، أصبحت الراحة باستخدام أداة BI / التصور (سأضيف Power BI إلى القائمة في سؤالك) مطلبًا متزايدًا ، على الرغم من أنه لا يزال هناك الكثير من الشركات التي لم تستثمر في واحدة بعد. أنا معجب كبير بـ Google Data Studio لهذا السبب - حتى لو لم تقم الشركة بالانغماس في نظام أساسي مدفوع ، يحتاج المحللون إلى معرفة كيفية أتمتة بعض التصور الأساسي واستكشاف بياناتهم الرئيسية بطريقة يمكن أن يتم مشاركتها مع أصحاب المصلحة.

أرى الكثير من المحللين الذين تكون أيامهم ممتلئة تمامًا يقومون بعمل قيم دون أن يصعدوا إلى منحنى التعلم الحاد للغاية المطلوب لاكتساب الطلاقة مع تلك اللغات. ولكن هناك حدًا لما يمكن عمله مع منصات Excel و BI ..

بالنسبة للمحلل أو المؤسسة التي لديها كميات كبيرة من البيانات الدقيقة التي يرغبون في استخدامها في النماذج ، تصبح SQL و Python أو R ضرورة لا غنى عنها بسرعة.

وأود أن أضيف فئة ثالثة من المهارات الصعبة: الإحصاء . وهذا يعني تجاوز مجرد الإحصائيات الموجزة مثل الانحراف المتوسط ​​والمتوسط ​​والمعياري ، وفهم حقًا كيف وأين يمكن استخدام الانحدار والارتباط - والقيم p و R -. يتعلق الأمر باكتساب فهم أعمق لطبيعة البيانات بقدر ما يتعلق بنشر تلك الأساليب الإحصائية فعليًا.

ما هي المهارات اللينة التي يجب أن يمتلكها المحلل الجيد؟

هنالك الكثير! تتصدر القائمة مهارات الاتصال الفعال ، وهذا يشمل كل شيء بدءًا من التفاعلات الفردية مع أصحاب المصلحة - الاستماع إلى احتياجاتهم وفهمها بطريقة نشطة - إلى تطبيق أفضل الممارسات في تصور البيانات حتى تكون قادرًا على تقديم النتائج لتحليل بطريقة واضحة ومفهومة.

المحلل الجيد هو أيضًا فضولي (حول العمل ، حول البيانات ، حول العالم) ، متشكك (حول ما تظهره البيانات - في أي وقت توجد فيه مفاجأة ، يفترض أنها مشكلة بيانات ويبحث عن تأكيد) ، و لديه درجة عالية من المثابرة (للتغلب على تحديات البيانات وحتى تحديات الأشخاص / العمليات داخل المنظمة). قد تكون هذه "سمات شخصية" أكثر من "مهارات" ، لكنها كلها مهمة جدًا.

هل تعتقد أن سوء التواصل بين المحللين وفرق التسويق أمر شائع؟ إذا كانت الإجابة بنعم ، فهل لديك أي توصيات حول كيفية التغلب عليها؟

قطعاً! يتحدث المحللون والمسوقون لغات مختلفة. من واقع خبرتي ، يجب حقًا أن يقع على عاتق المحلل "التحدث عن التسويق". يعود ذلك إلى القيام ببعض الأشياء:

1. الاستماع

قد يكون من المغري البدء في حل المشكلات ( ما البيانات التي يمكنني سحبها للإجابة على هذا السؤال؟ ) قبل الأوان وليس التحقيق في مشكلة العمل الأساسية التي يتطلع المسوق إلى معالجتها.

2. لا يتحدث المحلل

بعض تعليم المسوق جيد - ما يعنيه المقياس ، وما هي القيود الموجودة في البيانات - لكنني رأيت المحللين ينزلقون إلى مصطلحات التحليل العميق wayyyyy بسرعة كبيرة عندما لا يكون ذلك ضروريًا.
يمكن أن يترك ذلك المسوق في حيرة من أمره ، أو الأسوأ من ذلك ، الشعور بعدم الارتياح أو الإحباط ( لا أعرف ما الذي يتحدث عنه المحلل. هل من المفترض أن أفعل؟ يبدو أنه / هي يعتقد أنه ينبغي علي ذلك! ).

3. لا تخبر نفسك أبدًا أبدًا أن أصحاب المصلحة أغبياء

هذا خطأ فادح - تحديد أن تحدي العلاقة هو مسألة ذكاء وليس مسألة اتصال.

ما هي الموارد أو الأحداث المهنية التي يمكنك أن توصي بها للمحللين؟

أهم مورد يمكنني أن أوصي به للمحللين ، بغض النظر عن مكان وجودهم ، هو فريق Measure Slack. إنه مجاني ، ولديه آلاف المحللين يشاركون ويشاركون باستمرار مع بعضهم البعض. كل بضعة أسابيع ، هناك موضوع مناقشة حول ما هي الموارد الجيدة لتعلم X؟ أو ما هي المؤتمرات الجيدة للذهاب إليها من أجل Y؟ لذلك فهو مصدر لتحديد الموارد!

بشكل منفصل ، هناك بعض المؤتمرات الرائعة: MeasureCamp هو مؤتمر مجاني يتم وضعه في جميع أنحاء العالم (وإذا لم يكن هناك واحد بالقرب منك ، فيمكنك أن تبدأ واحدًا!). تعتبر قمة تحليلات التسويق ومركز التحليلات الرقمية مؤتمرين رائعين في الولايات المتحدة ، ويعد Superweek خيارًا رائعًا في أوروبا.

تواصل جمعية التحليلات الرقمية تنمية الموارد التي تقدمها لأعضائها ، لذلك يعد هذا موردًا رائعًا يحتوي على جميع أنواع المواد الرائعة (وحتى برنامج التوجيه). هناك عدد من الدورات الضخمة على شبكة الإنترنت مثل Coursera و edX التي تقدم أي عدد من الدورات التدريبية عبر الإنترنت.

أخيرًا ، إذا مررت بهذه المقابلة بالكامل ولم أقم بتوصيل بودكاست Digital Analytics Power Hour ، فسأكون مسوقًا رهيبًا! ولكن هناك العديد من التحليلات والتعلم الآلي والبودكاست للذكاء الاصطناعي - الكثير جدًا (والكثير جدًا الذي لا يمكنني الاستماع إليه بانتظام) - بالنسبة لي لمحاولة تقديم توصيات.

ما هي المعرفة التي يفتقدها المحللون والمتخصصون في التسويق لجعل الشركات تعتمد على البيانات؟

سياق الأعمال التجارية وفهم عميق لعدم اليقين. الأول ، على ما أعتقد ، حيث أرى باستمرار كل من المحللين والمسوقين يقفزون إلى البيانات راغبين في "العثور على إجابات" و "إنشاء رؤى " دون صياغة سؤال عمل بوضوح والذي ستؤدي إجابته إلى اتخاذ إجراء محتمل.

هذا الأخير أكثر تعقيدًا في التعبير عنه. ولكن بالعودة إلى John Wannamaker ، فقد أشار في أوائل القرن العشرين إلى أن "نصف الأموال التي أنفقها على الإعلان تُهدر ؛ ولا أعرف أي نصف" ، كان المسوقون والمحللون يتوقعون أن تقدم البيانات "الحقيقة" بدلاً من ذلك من تعلم كيفية العمل في عالم احتمالي.

على الرغم من أننا قد نعرف "الحقيقة" عن الماضي ، مثل كم عدد الزيارات التي أتت إلى موقعي في الشهر الماضي؟ (وحتى هذا ليس "صحيحًا" - هناك الكثير من الفوضى حول جمع البيانات هناك مما يجعل هذا الرقم مجرد تقدير) ، واستخدام هذه البيانات بشكل فعال للتأثير في المستقبل يعني تطوير فهم عميق لمدى "صحة "صورة للعالم الذي ترسمه البيانات ، ثم تعمل وفقًا لذلك.

ما أهم الأشياء التي يتعين على المحللين القيام بها في مراحل مختلفة من نضج الأعمال (بدء التشغيل ، الشركات الصغيرة والمتوسطة ، الشركات الصغيرة والمتوسطة ، المؤسسات)؟

لم أفكر في هذا السؤال أبدًا. إنه أمر مثير للاهتمام! أعتقد أن الشركات الناشئة تميل إلى أن تكون أكثر ضيقًا في الموارد ، وبشكل عام ، أكثر قدرة على تحمل بعض مخاطر البيانات.

لذلك غالبًا ما تحتاج الشركات الناشئة - بدافع الضرورة - إلى أن تكون متشظية وأن تجمع معًا أدوات مجانية ذات إدارة محدودة للبيانات وبعض عمليات الدمج التي قد تكون هشة (أو حتى يدوية!). وهذه طريقة جيدة للعمل ، طالما هناك إدراك أنه مع النمو ، سيكون هناك حاجة إلى نضج الأنظمة.

هذا يعني عمومًا أن منصات البيانات ستحتاج إلى الإصلاح وحتى استبدالها بالكامل.

على الطرف الآخر من الطيف - المؤسسات - تصبح الحوكمة صفقة كبيرة حقًا ، حيث يوجد المزيد من الأشخاص والعمليات التي تؤثر على البيانات وتعتمد عليها. وعادة ما يكون هناك المزيد من الموارد التي يجب تكريسها للتحليلات ، لذلك يمكن (أو ينبغي!) أن يكون بعض هؤلاء مسؤولين عن الحوكمة والعمليات - مما يقلل من مخاطر الفشل الذي يؤثر على عدد كبير من الأدوار ، وربما حتى القريبة - الخط الأعلى على المدى للأعمال.

ما الصعوبات التي تراها عندما يتعلق الأمر بتنفيذ التحليلات وكيف يمكنك تقييم التطور العام للسوق؟

إذا قصرنا "التنفيذ" على تنفيذ منصات جمع البيانات ، فهناك الكثير من التحديات:

• تعتبر تطبيقات الصفحة الواحدة (SPA) رائجة إلى حد كبير ، وتلك التطبيقات تقدم تحديات في وضع العلامات.
• أدى تحول المستهلك على المستوى الكلي إلى الهاتف المحمول - وزيادة احتمالية مشاركتهم مع العلامات التجارية عبر الأجهزة - إلى جعل التتبع عبر الأجهزة أكثر أهمية للعديد من المؤسسات ، ولا توجد طريقة مباشرة لتحقيق ذلك (يعتمد ذلك على طبيعة الشركة والموقع).
• أضافت لوائح الخصوصية مثل القانون العام لحماية البيانات (GDPR) وقانون حماية خصوصية المستهلك في الولايات المتحدة (CCPA) قيودًا واعتبارات إضافية إلى عالم جمع البيانات.
• يتحول حظر تتبع وحذف ملفات تعريف الارتباط بشكل متزايد من أدوات حظر الإعلانات المثبتة على جزء صغير من متصفحات المستخدمين إلى كونها إعدادات افتراضية قياسية داخل المتصفحات نفسها ، والتي يمكن بالتأكيد أن تتلاعب بالبيانات!

ما هو أكبر خطأ يمكن أن يرتكبه المحلل؟ هل يمكنك مشاركة بعض أخطائك التحليلية؟

أعتقد أن أكبر منتج هو الشعور بالحماسة بشأن العبث بالبيانات التي أحاول تحقيقها هنا؟ يضيع السؤال.

لقد حدث ذلك مرات أكثر مما أحب أن أعترف به - لقد بدأت بسؤال عمل صالح تمامًا ، ثم انغمس في آليات البيانات الأساسية وتعقيدها وقدرتي على التغلب على هذا التعقيد مثل ذلك ، من خلال نهاية المشروع ، لقد قمت ببعض الأشياء المثيرة للاهتمام بالبيانات نفسها ولكني لم أقم بتسليم شيء كان يدفع الأعمال إلى الأمام حقًا.

ما رأيك في مستقبل تحليلات التسويق؟ ما الاتجاهات التي تتوقعها وما الذي يتزايد الطلب عليه؟

على الرغم من أفكاري السابقة حول الحاجة إلى التركيز حقًا على الأساسيات قبل الغوص في علوم البيانات والتعلم الآلي ، أعتقد أننا سنستمر في رؤية المزيد والمزيد من الشركات التي تضع التعلم الآلي في الاستخدام الفعال.

السبب الأكبر لذلك هو أنه ، بشكل متزايد ، يمكن للمؤسسات الوصول إلى البيانات الأولية حول عملائها وتوقعاتهم - السلوكية ، والرصدية ، والديموغرافية.

منذ 10 سنوات ، على سبيل المثال ، قدمت منصات التحليلات الرقمية بيانات مجمعة بشكل أساسي. يمكن أن يكون هناك أبعاد ومقاييس متعددة في التقرير ، ولكن مع ذلك ، فإن البيانات المتاحة لم تكن على مستوى الجلسة أو مستوى الشخص.

لقد كان هذا يتحول حيث بدأ اللاعبون الرئيسيون في سوق التحليلات الرقمية في إتاحة بيانات مستوى النتائج ، وأي عدد من منصات martech الأحدث لديها هذا المستوى من التفاصيل المتاحة من get-go. وهذه هي البيانات اللازمة للحصول على قيمة حقيقية من تقنيات التعلم الآلي.

ما هي المشاكل التي تراها في السوق اليوم؟

المشكلة الكبيرة التي أراها هي أن هناك عددًا هائلاً من الشركات الناشئة المدعومة من المشروع والتي تعد ، بشكل أساسي ، السوق بأن لديها عصا ذكاء اصطناعي سحرية للبيع. في كثير من الحالات ، يكون هذا هو الضجيج التسويقي.

ولكن نظرًا لأن التكنولوجيا هي هامش أعلى وقابلية التوسع بطبيعتها أكثر من الأشخاص أو العمليات ، فهذا هو المكان الذي تذهب إليه أموال التسويق في الصناعة ، مما يعني أن "السوق" يتم قصفه برسالة مفادها أنه إذا اشترت مؤسسة ما التكنولوجيا الصحيحة وطبقتها ، ستصبح فجأة مؤسسة ناضجة للبيانات ومدعومة بالذكاء الاصطناعي.

الواقع لا يعمل بهذه الطريقة ، فالعديد من المؤسسات تكتب شيكات كبيرة للتكنولوجيا بينما تجوع نفسها عندما يتعلق الأمر بموظفي التحليلات والاستثمار الداخلي في تحسينات عملية التحليلات.

ما هي التحديات التحليلية التي تواجهك الآن؟

لا يزال يتعين علي تثقيف عملائي باستمرار حول أهمية وضع الأساسيات: مؤشرات الأداء الرئيسية المحددة بوضوح ، وجمع البيانات الموثوق والقوي ، وأتمتة المهام المتكررة ، والتحليلات التي تحركها فرضيات واضحة. هذا تحد لم يتغير حقًا على مدار الخمسة عشر عامًا الماضية.

التحدي الأكثر حداثة هو الإثارة حول علم البيانات والتعلم الآلي والذكاء الاصطناعي. جزء من التحدي هو في الواقع تكثيف الأدوات المستخدمة في تلك المجالات ، وجزء من التحدي هو منع العملاء من مطاردة هذه الأشياء الجديدة اللامعة عندما تأتي أعلى قيمة لها من التركيز على الأساسيات.

شكرا جزيلا على النصيحة العظيمة ، تيم! نأمل أن يتابعها المزيد من المحللين الموهوبين وأن يصبح سوق التحليلات بأكمله أكثر تعليماً وحماسًا واحترافية.

لنبقى على تواصل! اشترك في مدونتنا لقراءة المقابلات التالية من بحثنا حول حالة التحليلات الرقمية وتكييف تجربة كبار المحللين مع عملك.

عن ماذا ستسأل تيم؟ اسمحوا لنا أن نعرف في التعليقات أدناه!