Digital Jenga mit moderner Marketinganalyse spielen: Interview mit Christopher Penn

Das heutige Interview mit Christopher Penn, einem Chief Data Scientist und Mitbegründer von Trust Insights, sorgte schon vor seiner Veröffentlichung für Aufsehen. Schnappen Sie sich also etwas Popcorn oder eine Tasse heißen Tee und lesen Sie diesen Artikel über Analytics und Analysten, moderne Martech und wohin sich alles entwickelt.

Wie immer danke an Mariia Bocheva, die dieses großartige Gespräch mit Christopher geführt hat.

Quelle: Offizielle Facebook-Seite von Christopher Penn

Springen Sie hier direkt zu den Points of Interest:​

Mariia Bocheva: Können Sie uns kurz etwas über sich vorstellen?

Christopher Penn: Mein Hintergrund war in der IT. Mein Master-Abschluss ist Management von Informationssystemen. Ich habe in den frühen 2000er Jahren angefangen, in einem Finanzdienstleistungs-Startup zu arbeiten. Das Aktualisieren des Webservers wurde zum Aktualisieren der Website, und der Start von E-Mails wurde behoben, um den E-Mail-Newsletter zu senden.

Damals wurde aus Marketing Marketing-Technologie. Dann, Ende der 2000er und Anfang dieses Jahrzehnts, wechselte ich hauptberuflich ins Marketing und begann, mit viel mehr Daten zu arbeiten. Und das war der Zeitpunkt, an dem ich mich viel mehr auf Data Science konzentrierte. Ich war ungefähr fünf Jahre lang intern bei einer PR-Firma und fing wirklich an, mich mehr mit maschinellem Lernen und KI zu beschäftigen.
Ich habe mich vor ungefähr zwei Jahren von dieser Firma getrennt, weil sie in eine andere Richtung gingen. Ich wollte mich unbedingt auf Data Science und maschinelles Lernen konzentrieren.

MB: Sie haben Data Science, maschinelles Lernen und Analytik erwähnt. Welche Hard Skills sind Ihrer Meinung nach heute am wichtigsten?

CP: Es gibt drei Bereiche mit Fähigkeiten. Wenn Sie ins Jahr 1964 zurückgehen, da war ein berühmter Geschäftsstratege namens Harold Leavitt, der postulierte, dass es drei Bereiche gibt, in denen jeder kompetent sein muss: Menschen, Prozesse und Technologie.

Für einen erfahrenen Analysten oder einen erfahrenen Datenwissenschaftler benötigen Sie Fähigkeiten in allen drei Bereichen. Sie müssen die menschliche Seite der Dinge verstehen, wie Menschen arbeiten, die allgemeine Geschäftsstrategie und solche Dinge, und Sie müssen die Probleme, die das Unternehmen lösen möchte, gut im Griff haben. Sie müssen auch den Prozess im Griff haben – wie die Dinge erledigt werden – und in der Lage sein, dies in Ihre Arbeit umzusetzen. Und dann müssen Sie natürlich Zugang zu der Technologie, den Fähigkeiten und dem mathematischen Wissen haben, um Datenanalysen durchzuführen – und Sie müssen in der Lage sein, zu programmieren.

Das sind die drei großen Eimer, die nur sehr wenige Menschen in gleichen und robusten Mengen haben. Viele Menschen haben Fähigkeiten in einem Bereich und sind in den anderen beiden schwach. Und das ist wahrscheinlich eines der wichtigsten Dinge, die ein Analyst können muss – seine Schwächen zu identifizieren. Um sagen zu können: Ja, das ist es, woran ich arbeiten muss, um mein Niveau dahin zu bringen, wo ich stark bin.

MB: Das deckt teilweise Soft Skills ab, da ich das Wissen, wie Menschen arbeiten, kaum als „Hard Skill“ bezeichnen würde. Was denkst du darüber? Welche Soft Skills halten Sie für wichtig?

CP: Der Unterschied zwischen Hard- und Soft Skills bezieht sich eher auf interne und externe. Ihre äußeren Fähigkeiten sind die, die Sie harte Fähigkeiten nennen würden: die Fähigkeit, mit einem anderen Menschen zu sprechen, die Gesichtsausdrücke zu lesen und so weiter.

Aber innerlich erfordert das ein enormes Maß an Selbstbewusstsein. Es erfordert, Ihr eigenes Ego zu verstehen, die Dinge, die Sie als Geschäftsprofi mehr oder weniger effektiv machen, Ihre Schwächen, die Sie berücksichtigen müssen. Bei manchen Menschen ist es ihr Ego, ihre Fähigkeit zu sagen: Ja, ich muss immer Recht haben . Aber nein, tust du nicht.

Und in der Tat ist es eine Todsünde in der Datenanalyse, oder? Ich erinnere mich, dass ich mit diesem einen Forschungsunternehmen zusammengearbeitet habe und ihr Pitch lautete: „Was auch immer Sie sagen wollen, wir können Daten sammeln, um dies zu unterstützen.“ So funktioniert das nicht. [Lacht] Und doch sind sie eigentlich eine seriöse Firma, weil sie Unternehmen dabei helfen, Daten zu erfinden, um zu verteidigen, was sie beweisen wollen. Und so machen die Leute Geschäfte mit ihnen, weil sie sagen, was Sie hören wollen.

Eine weitere superwichtige Fähigkeit ist es, anderen Menschen Dinge so erklären zu können, dass sie sie verstehen können. Da ist also wieder diese Art von Empathie. Und dann ist die dritte Sache wirklich in der Lage zu sein, auf mehreren Ebenen zu unterrichten, zu wissen, wo jemand ist (der Teil der Empathie) und sich dann an das Publikum anzupassen, mit dem man arbeitet.

Ich war kürzlich auf der Content Marketing World. Und in einem Publikum hatte ich Leute, die Programmierer waren. Also sagte ich den Programmierern: Okay, das ist also Markov-Kettenmodellierung für Sie, aber für alle anderen ist es digitales Jenga . In der Lage zu sein, Ihren Unterricht dort anzupassen, wo jemand ist, ist eine superwichtige Soft Skill. Es ist sehr schwierig, wenn Sie keinen Hintergrund in der Gestaltung von pädagogischen Anweisungen oder überhaupt Erfahrung damit haben. Ich helfe seit 25 Jahren in der Kampfkunstschule meines Lehrers aus und das ist eine großartige Fähigkeit, die ich dort habe – in der Lage zu sein, zu sehen, dass jemand damit zu kämpfen hat, dass er dabei Hilfe braucht, und zu erkennen, wo jemand steckt Ihr eigener Fortschritt in ihrer Karriere ist super wichtig. Und es ist eine Fähigkeit, die nicht gelehrt wird. Das muss man durch eigene Erfahrungen lernen.

MB: Denken Sie, dass es auch mit Storytelling und der Fähigkeit, Daten so zu präsentieren, dass Menschen sie verstehen können, zusammenhängt?

CP: Dem stimme ich zu. In der Psychologie gibt es einen Ausdruck namens „Matratzen werfen“ – jeder hat eine mentale Tür, die anders ausgerichtet ist. Und wenn Sie eine Matratze vor diese Tür werfen, gibt es nur eine bestimmte Anzahl von Wegen, wie sie durchkommt. Aber jeder Eingang ist anders. Wie ist also Ihr Publikum geformt? Können Sie Matratzen so werfen, dass sie durch so viele Türen wie möglich gelangen?

Ich mag „Storytelling“ nicht. Und der Grund, warum ich diesen Satz nicht mag, ist, dass Marketingfachleute, insbesondere Marketingfachleute, die kein gutes Verständnis für Daten haben, dazu neigen, zu egozentrisch und zu unternehmenszentriert zu sein und so etwas zu sagen wie: Wir werden es sagen Ihnen eine Geschichte über unser wunderbares Produkt! Aber es interessiert niemanden, oder? Erzählen Sie die Geschichten, die das Publikum will. Und das geht wiederum auf Empathie und Selbstbewusstsein zurück. Es geht nicht um Sie oder das Unternehmen. Es geht darum, was das Publikum braucht.

MB: Das ist ein toller Punkt. Ich verstehe total, was du meinst. Apropos Matratzenwerfen und wie jeder anders ist, was halten Sie von Missverständnissen zwischen Analysten und Marketingteams? Haben Sie Empfehlungen, wie die Kommunikation verbessert werden kann?

CP: Ich glaube nicht, dass das ein großes Problem darstellt, weil nicht viele Marketingteams überhaupt mit Analysten sprechen – oder überhaupt Zugang zu ihnen haben. Die meisten Vermarkter, mit denen ich spreche, sind gezwungen, sich als Analysten zu versuchen, weil ihr Unternehmen keine [Analysten] hat oder das Unternehmen sie für dringendere Geschäftsprobleme eingesetzt hat. Die größere Herausforderung besteht also darin, dass diese armen Vermarkter analytische Fähigkeiten entwickeln, um mit den Daten umzugehen, die sie haben.

Ich kann Ihnen gar nicht sagen, wie oft ich mit einem Vermarkter gesprochen habe, der sagte: Oh, ja, wir haben Google Analytics. Ich weiß nicht, was es bedeutet. Ich kenne mich mit Google Analytics nicht aus. Es ist so seltsam, diese Diskussionen zu führen. Es ist keine Raketenoperation. Aber um noch einmal auf dieses Selbstbewusstsein zurückzukommen, es ist eine Raketenoperation für sie, weil sie ins Marketing gegangen sind, um kreativ zu sein, um inspirierend zu sein, um gut zu schreiben, um Sachen herzustellen. Sie kamen nicht zum Marketing, weil sie die quantitative Wissenschaft liebten. Sonst wäre er erst Data Scientist geworden.

Aber jetzt haben Marketingtechnologie und digitales Marketing sie gezwungen, sich mit diesem Problem auseinanderzusetzen oder es so lange wie möglich zu ignorieren. Wenn sie Zugang zu Daten haben oder Zugang zu einem Analysten haben, hängt ihr Erfolg von ihrem Selbstbewusstsein ab.

Analysten haben kein gutes Marketing-Vokabular und Marketingfachleute haben kein gutes Vokabular in Data Science und Datenanalyse. Das wohl Wichtigste und Einfachste ist also, die Leute am Freitagnachmittag mit dem Getränk Ihrer Wahl zusammenzubringen und miteinander ins Gespräch zu bringen. Denn man kann sich mit einer Disziplin ausreichend vertraut machen, indem man einfach zuhört, wie Leute darüber reden.

Außerdem pendeln die Menschen an vielen Orten. Und es ist keine schlechte Sache für Ihre Data Scientists, Marketing-Podcasts zu hören, oder für Ihre Marketer, Data-Science-Podcasts zu hören, um wirklich damit anzufangen, das Vokabular zu hören, Dinge wie Regression und logistische Regression und Random Forest zu hören. Und die Leute könnten sagen: Oh, ich sollte mein Team fragen, was das bedeutet, oder Es gibt verschiedene Datentypen in jedem von ihnen, wie gehen wir damit um?

Es bringt wirklich jeden dazu, das Vokabular anderer Disziplinen zu hören, um diese sinnvollen Interaktionen zu beginnen.

MB: Ich mag wirklich, wie du es zusammengestellt hast. Ich habe meinen Hintergrund in der Analytik, arbeite aber auch im Marketing. Für mich war das nie ein Problem, weil ich beiden ausgesetzt war. Aber viele Leute, die in einem Bereich gearbeitet haben, sind dem anderen nicht ausgesetzt.

CP: Genau.

MB: Großartig. In Bezug auf Fehler, was ist Ihrer Meinung nach der größte Fehler, den ein Analyst machen kann? Vielleicht können Sie etwas von Ihren Erfahrungen mitteilen, auf die Sie gestoßen sind?

CP: In Bezug auf Fehler, die Analysten machen … Das sind menschliche Probleme, richtig? Die Nummer eins ist also wirklich die Präsuppositionsverzerrung. Das heißt, ich weiß, welches Ergebnis ich anstrebe, und ich muss es beweisen. Nö. Das Wort dafür ist uninteressant. Wenn Sie nicht neugierig sind, sind Sie nicht neugierig, Sie wollen nicht die richtige Antwort finden. Sie möchten so schnell wie möglich eine Antwort finden, oder Sie möchten eine Antwort finden, die eine Voreingenommenheit rechtfertigt, die Sie bereits haben, ein Ergebnis, das Sie bereits beurteilt haben, und das sind menschliche Probleme, richtig? Diese sind nicht technologiebezogen, und keine Software wird das beheben. Kein Tool wird Ihre Unwissenheit beheben.

Das ist also etwas, das wir so gut wie möglich ausbilden und dafür einstellen müssen, mehr als alles andere. Und Sie können aus Neugier einstellen, oder?

Es gibt eine Interviewfrage, die ich früher gestellt habe und die ich immer lustig fand, bei der ich ein Kartenspiel genommen und es einer Person bei einem Interview gegeben habe. Ich würde sagen, hier ist ein Kartenspiel. Bring es in Ordnung . Ich habe nie eine Reihenfolge oder ähnliches angegeben. Das Ziel ist es, sich die Person anzusehen und zu sehen, wie sie auf eine solche Anweisung reagiert. Haben sie Panik? Das ist wahrscheinlich nicht so Yep, ich habe es. Ich werde es in Ordnung bringen . Aber ich habe nicht gesagt, welche Reihenfolge ich wollte. Auch hier haben sie eine Präsuppositionsverzerrung, und das ist schlecht. Stellen sie Fragen? Wie viele Fragen stellen sie? Wenn sie graben, drängen sie dich darauf? Das sind Eigenschaften, die Sie haben möchten.

MB: Kommen wir zum nächsten Teil unseres Interviews über dieselbe Sache, aber aus einem anderen Blickwinkel. Heutzutage gibt es viele Schlagworte. Alle reden davon, dass Unternehmen datengetrieben sind, aber das gelingt nicht vielen Unternehmen. Warum denkst Du, das ist? Gibt es etwas, das uns in Bezug auf Analytik oder Marketing fehlt, das Unternehmen auf eine andere Ebene bringen und ihnen helfen könnte, zu wachsen und die vorhandenen Daten zu nutzen?

CP: Das ist mehr als alles andere ein menschliches Problem.

Datengesteuert zu sein bedeutet, dass Sie Entscheidungen zuerst anhand von Daten treffen müssen – nicht auf Erfahrung, nicht auf Intellekt, nicht auf Instinkt, nicht so, wie wir es immer gemacht haben .

Sie müssen sich die Daten ansehen und sagen: Okay, das sagen die Daten aus, und wir sind uns sicher, wie sie verarbeitet wurden, also treffen wir darauf basierende Entscheidungen .

Das erfordert die Überwindung meines Weges ist immer richtig – wie wir es nennen, das HIPPO-Problem [die Meinung der bestbezahlten Person]. Es ist so ein kulturelles und menschliches Problem, das schwer zu überwinden ist, also ist es wirklich, wirklich schwierig, datengesteuert zu werden.

Das Wichtigste – das sagt mein Freund Tom Webster von Edison Research – das jemanden davon abhält, datengetrieben zu sein, ist, dass er nicht mit Daten, Analysen und Antworten umgehen kann, die ihm nicht gefallen!

In den Kampfkünsten haben wir den Ausdruck, dass man sich wohlfühlen muss, wenn man sich unwohl fühlt , was bedeutet, dass man sich mit Teilantworten, mit unvollständigen Antworten, mit fehlenden Daten, die man nie haben wird, wohlfühlen muss und trotzdem in der Lage sein muss um die Daten so zu nutzen, dass sie geschäftliche Auswirkungen haben. Es ist nicht so, dass Menschen Fachprobleme oder spezifische Fähigkeiten haben. Sie können überhaupt jede Fähigkeit unterrichten. Das Problem ist, können Sie diesen kulturellen Wandel vollziehen, um zu sagen: Ja, selbst wenn mir die Antwort nicht gefällt, selbst wenn mir die Antwort unklar ist, werde ich die Antwort dennoch verwenden, um eine Entscheidung zu treffen .

MB: Es geht also eher um einen Kulturwandel.

CP: Das ist es wirklich.

MB: Wenn Sie über diesen kulturellen Wandel sprechen, haben Sie irgendwelche Empfehlungen, wo Sie anfangen sollen?

CP: Arbeite für Unternehmen, die das bereits sind. Es klingt leichtfertig, aber weil es so menschlich ist, ist es extrem schwierig, diesen Drehpunkt zu finden, wenn die DNA des Unternehmens, in dem Sie arbeiten, nicht so ist, besonders wenn die Führung nicht eingekauft ist , Nein, wir werden es so machen, wie wir es immer gemacht haben. Unser Unternehmen ist 126 Jahre alt und das haben wir schon immer so gemacht! Nun, du wirst ihre Meinung nicht ändern.

Ich habe kürzlich mit jemandem auf einer Konferenz zu Abend gegessen. Und sie sagten: Unser Unternehmen ist 126 Jahre alt, und unser CEO sagte, wir wollen einfach, dass es 1950 wird . Warum kann es nicht 1950 sein, wenn die Leute einfach unsere Produkte kaufen und benutzen und dieses ganze Internet-Ding verschwindet? Nun, schlechte Nachrichten, das wird nicht passieren. [Lachen]

MB: Es ist ziemlich schwierig. Eine kurze Geschichte hier: Wir arbeiten mit einem Unternehmen zusammen, das eine lange Geschichte hat. Sie wurden 1908 oder so ähnlich als Familienunternehmen gegründet und produzieren seitdem Dessous. Und sie sind ziemlich groß geworden. Jetzt verkaufen sie in Frankreich, den Niederlanden, Großbritannien, Deutschland und so weiter. Und sie haben viele stationäre Läden und sie haben verschiedene Ketten. Sie haben ein Luxussegment, ein Massenmarktsegment und so weiter. Und irgendwann kam ihr E-Commerce-Team zum Management und sagte: Wir müssen unser Budget erhöhen, weil unsere Ausgaben steigen, wir Umsätze einbringen und dies und das. Und sie sagten, wisst ihr was, Leute, wenn wir uns die Gesamteinnahmen ansehen, seid ihr nur für 5 % verantwortlich.

Also kam das E-Commerce-Team zu uns und fragte: Können Sie uns helfen zu beweisen, dass wir tatsächlich mehr Umsatz für das Unternehmen erzielen und dass wir größere Zahlen beeinflussen? Wir haben ein Projekt mit ihnen durchgeführt, und das hat gute fünf oder sechs Monate gedauert. Aber am Ende des Tages stellte sich heraus, dass sie für fast 30–35 % des Umsatzes verantwortlich waren. Und es half ihnen zu beweisen, dass sie Dinge tun, und das half ihnen, ihr Budget zu erhöhen. Aber ja, es hat eine Weile gedauert, mit dem Vorstand zu sprechen, die Zahlen zu zeigen und zu versuchen, dieses interne Gefühl zu verändern. Genau das, wovon Sie gesprochen haben.

CP: Ja. Kultur ist hart. Menschen sind hart.

MB: Das bringt mich zu einer anderen Frage. Ich möchte auf die erste Frage zu den Hard Skills zurückkommen. Sie haben über Plattformen, Menschen und Prozesse gesprochen, aber was halten Sie von eher technischen Dingen wie einfachem Python und dem Wissen, wie man Dashboards erstellt? Vielleicht Statistik? Was sind die entscheidenden Dinge, mit denen man beginnen sollte, wenn man tiefer in die Analytik einsteigen möchte?

CP: Okay, also habe ich ein bisschen Schimpfen darüber. Dashboards sind Visualisierungen. Visualisierung ist ein wichtiger Bestandteil der Datenanalyse. Und es ist eines dieser Dinge, die eine Kunst für sich sind. Die von Ihnen erwähnten Technologien – SQL, Python, R usw. – sind keine Visualisierungstools. Sie sind Rechenwerkzeuge.

Und eine der größten Sünden in der Datenanalyse, insbesondere aber im Marketing, ist der Versuch, Ihre Visualisierungstools zum Rechnen zu bringen.

Es ist wie mit Menschen, die versuchen, ihre Website zu kodieren und mit dem Inhalt, der Visualisierung, zu interagieren. Ihre Stylesheets und Ihr HTML sind aus einem bestimmten Grund getrennt. Weil die Visualisierung vom Rechnen getrennt ist. Sie brauchen unbedingt SQL und Python und R und SPSS und OWOX und alles andere, was Sie für die Berechnung verwenden und es gut machen – um in der Lage zu sein, die gesamte Datenanalyse im Backend bereitzustellen, bevor sie zur Visualisierung geht.

Zu keinem Zeitpunkt sollte Ihr Dashboard – sollten Ihre Visualisierungen – irgendeine Art von Berechnung durchführen. Sie sollten keine Daten mischen, Sie sollten keine Datenmanipulation durchführen. Alle Daten, die in Visualisierungen einfließen, sollten bereits berechnet werden, bevor sie dort ankommen.

Denn was sonst passiert, ist, dass Sie auf dieses massive Governance-Problem stoßen. Der Chef braucht eine neue Änderung an etwas, aber wir wissen nicht, wie dieser Datenpunkt dorthin gelangt ist. Wir wissen also nicht, wie wir es manipulieren sollen. Wir können also keine Änderungen vornehmen. Wir müssen dem Boss sagen, Entschuldigung, es wird sechs Wochen dauern, bis wir unsere Spaghetti entwirren und verstehen, was hier passieren wird .

Wenn Sie die Berechnung von der Visualisierung getrennt halten und der Chef sagt: Hey, ich möchte das, sagen Sie: Großartig, ich gehe in meine Berechnungsebene, lade unser Studio hoch und ändere den Code und die Berechnungslogik . Und ich schiebe einen neuen Datenpunkt heraus oder ändere den Punkt . Und das führt zu Yep, Balkendiagramm, neues Balkendiagramm, da ist es . Und es hält Änderungen sauber, es hält Versionen unter Kontrolle. Und es macht alle Datenmanipulationen so viel einfacher zu verwalten, insbesondere im großen Maßstab.

Wenn Sie ein Marketing-All-in-One sind, können Sie wahrscheinlich mit einer Person, einem Geschäft und einem Tool davonkommen. Und Sie werden nicht auf das Problem der Versionskontrolle stoßen, weil Sie die einzige Person sind, die dafür verantwortlich ist. Wenn Sie jedoch gehen oder gefeuert werden, ist diese Firma völlig abgespritzt. Und es ist die schlechteste Praxis.

Wenn Sie in einem größeren Unternehmen mit mehreren Mitarbeitern in Ihren Analyse- und Marketingabteilungen arbeiten, müssen Sie Computer und Visualisierung getrennt halten. Andernfalls verschwenden Sie so viel Zeit und Geld damit, herauszufinden, wo sich die Daten befinden und wer dafür verantwortlich ist.

Die andere Sache – und das ist heutzutage so wichtig für die Einhaltung von GDPR und CCPA und anderen Vorschriften – ist, dass Sie ein Zugriffskontrollproblem haben, wenn Visualisierung und Berechnung miteinander kombiniert werden. Sie haben ein Problem, bei dem Sie keine Grenzen setzen können, wer Zugriff auf die Daten hat, was bedeutet, dass Sie Daten verlieren können, Sie können sie Mitarbeitern zugänglich machen, die keinen Zugriff auf bestimmte Datenquellen haben sollten.

Wenn die Datenverarbeitung separat geregelt und gehandhabt wird, können Sie sie einschränken und zu Ihrem Visualisierungsteam sagen: Sie können all das visualisieren, was Sie haben dürfen , und zu keinem Zeitpunkt gehen vertrauliche persönliche Informationen auch nur zur Aufbewahrung an das Visualisierungsteam es sicher vor ihnen. Es ist so wichtig, dass die Leute das tun, um dieses Zeug getrennt und sauber zu halten.

Muss ein Analyst, der für die Visualisierung zuständig ist, diese Sprachen also beherrschen? Absolut nicht. Muss die Computerperson es wissen? Hundertprozentig ja.

MB: Sie haben hier einen großen Punkt. Ich mag den Ansatz sehr, wenn wir vorgefertigte Datensätze visualisieren und keine berechneten Felder darin enthalten sind.

Und ich möchte eine Frage klären, die ich bereits gestellt habe. Es gibt verschiedene Geschäftsphasen oder verschiedene Unternehmensgrößen oder Unternehmen, die in unterschiedlichen Größenordnungen tätig sind. Sie können es aus verschiedenen Blickwinkeln betrachten. KMU, KMU, Großunternehmen – sie alle haben unterschiedliche Anforderungen an ein Analytics-Team, oder zumindest sieht es so aus. Was denkst du? Glauben Sie, dass es Unterschiede in den Anforderungen an Analysten in Unternehmen unterschiedlicher Art gibt?

CP: Grundsätzlich haben alle im Marketing das gleiche Ziel, nämlich den Umsatz zu steigern. Recht? Wenn Ihr Ziel im Marketing nicht darin besteht, den Umsatz zu steigern, bin ich mir nicht sicher, was Sie im Marketing tun. Aber was auch immer du tust, du machst es falsch. Denn am Ende des Tages ist es unsere Aufgabe, Wirkung zu erzielen. Was passiert, ist nicht, dass es verschiedene Dinge zu tun gibt. Je größer Ihr Unternehmen wird, desto spezialisierter werden die Aufgaben. Wenn Sie eine Ein-Personen-Show in einem kleinen Unternehmen sind, sind Sie der Webdesigner, der E-Mail-Typ oder die E-Mail-Frau, der Analyst, der Statistiker, möglicherweise der Kundendienstmitarbeiter.

Wenn Sie wachsen, stellen Sie ein. Und wenn Sie einstellen, spezialisieren Sie sich. Sie fangen an, einzelne Aufgaben abzuspalten. Und jede Aufgabe hat jetzt ihr eigenes Reporting und ihre eigenen Daten, ihre eigene Visualisierung. Was Unternehmen am Ende des Tages am häufigsten falsch machen, ist die Tatsache aus den Augen zu verlieren, dass jede dieser Spezialisierungen, insbesondere im Unternehmen, immer noch dasselbe Ziel verfolgen muss, das alle haben, nämlich Haben wir die geschäftlichen Auswirkungen vorangetrieben? Helfen wir dem Unternehmen, Geld zu verdienen, Geld zu sparen oder Zeit zu sparen? Kunden wachsen? All diese Dinge.

Je nachdem, wo sich Ihr Unternehmen in seinem Lebenszyklus befindet, besteht Ihre Rolle als vernünftiger Analyst darin, zu fragen: Was tue ich, das zu diesem großen Ziel beiträgt? Was sind meine persönlichen KPIs? Stimmen meine persönlichen KPIs mit den KPIs der Abteilung überein? Sind sie mit denen des Unternehmens abgestimmt? Die Definition, die ich in all meinen Vorträgen verwende – Sie haben sie auf der MAICON-Konferenz [Marketing Artificial Intelligence Conference] gehört – ist, dass ein KPI eine Zahl ist, die bestimmt, ob Sie einen Bonus bekommen oder gefeuert werden, richtig? Das ist ein KPI. Wenn es eine Zahl ist und Sie keinen Bonus bekommen oder dafür gefeuert werden, dann ist es eine Metrik.

Aus dieser Perspektive betrachtet, was sind die KPIs, auf die Sie hinarbeiten, auf die Ihr Team hinarbeitet, auf die Ihre Abteilung hinarbeitet, auf die Ihr Unternehmen hinarbeitet? Und Sie sehen sich diese Zahlen an, und manchmal ergeben sie keinen Sinn. Und wenn das der Fall ist, dann müssen Sie sich als Analyst dessen bewusst sein und die Flagge hissen und sagen: Leute, ich bin mir nicht sicher, ob das irgendwelche Auswirkungen auf das Geschäft haben wird. Und wenn das Unternehmen sagt, dass Sie es noch tun müssen, beginnen Sie mit der Aktualisierung Ihres LinkedIn-Profils. Denn wenn ein Unternehmen auf unsinnige KPIs hinarbeitet, wird es sein Geschäft aufgeben. Es ist nur eine Frage der Zeit.

MB: Nur um sicherzugehen, dass ich Sie richtig verstanden habe, es gibt keinen Unterschied zwischen den Anforderungen an Analysten in kleinen Unternehmen und großen Unternehmen, weil das Ziel für alle der Umsatz ist.

CP: Ja, Auswirkungen auf Umsatz und Geschäft – helfen Sie dem Unternehmen, Geld zu verdienen, Geld zu sparen oder Zeit zu sparen? Das sind die drei Funktionen, die jeder will und die jedes Unternehmen braucht. Es ist dasselbe, worüber wir seit 10 Jahrtausenden sprechen: besser, schneller, billiger … jeder will das. Was tun wir also, um unser Geschäft besser, schneller und billiger zu machen?

CP: Ja. Und das ist heute eines der größten Probleme beim maschinellen Lernen und der KI – nicht nur zu wissen, was in der Box passiert, sondern auch zu interpretieren und zu erklären.

Erklärbarkeit ist eine post-hoc-Erklärung dessen, was das Modell getan hat, da dieses Ding durchlaufen wurde und diese Dinge nicht. When you look at regulations like GDPR, that's not good enough. GDPR says that you have to be able to tell a customer in the European Economic Area how their data was used, which means you need to be able to unpack the algorithm itself and say, Dank dafür. Let's get deeper in our troubleshooting investigation. What problems do you see on the market today? One of them is ethics, for sure. And probably culture, employees, and the maturity level of companies. Maybe you can unwrap that once again, or maybe you want to add something else to the problems?

CP : I think probably one of the most important things that companies are going to need to do is change how they hire. The reason you don't have good people coming out of school with skills in statistics and data science as a standard — even if there are exceptions to every rule — is because you have professors at these schools who are, you know, in their later years of their career who also don't have those skills and don't know how to teach them. And the marketplace doesn't demand them.

If the marketplace demanded them and said, Ende der Geschichte. Those are the core languages in data science. And every vendor out there that is offering sort of an easy drag-and-drop interface — their technology is lagging behind what the open-source code is in the marketplace. If you want to use the latest version of GPT-2 from OpenAI, guess what? You better know how to use Python, because no vendor has it in their software yet. And if you want to be able to do advanced text analytics, that's where you're going to have to go. So you have to learn those things. If you want to take some courses, there's a phenomenal resource hub from IBM called Cognitive Class, and it's 100% free. You pay zero dollars and you can take all these different courses on every topic imaginable in data science and AI. I strongly recommend it.

MB: One very last question. How can an analyst have a greater impact on marketing or on business? I predict you'll also say that it's a human problem and an involvement problem, but maybe you could add something else.

CP: It's somewhat related, but it's having those KPIs and those goals and understanding your business's KPIs. If you want to have an impact, you have to serve the overall goals of the company. And that means you have to understand them.

As a marketer, if you just blindly have that bias — I'm going to drive new leads, that's what I'm really good at — but the company has a customer retention problem and we need your help creating content that retains customers, that keeps them loyal, then you're going to be doing the wrong thing.

Do you understand the goals of your company? Do you understand how your marketing relates to those goals? If you don't, better update your LinkedIn profile, because you're not going to last very long.

MB: Thanks a lot. That inspires me the most!

Wow! There was a lot of stuff revealed in this interview! We're still processing it all.

We totally agree with Christopher about the human and technology problems. Sometimes they're hard to admit, but you should fight them. We're glad to be one of the companies that's moving in the direction of making data a tool for development, decision-making, and people.

Share this article with your colleagues, and stay tuned for our next interviews!