Dinge, die ich auf dem Marketing Analytics Summit 2019 in Las Vegas gelernt habe [Tag 2]

Dies ist eine Fortsetzung meiner Zusammenfassung des Marketing Analytics Summit. Um mehr über die Vorträge von Tag 1 und bevorstehende Marketing Analytics Summits auf der ganzen Welt zu erfahren, lesen Sie den vorherigen Artikel.

• „Die ausführbare Datenstrategie“ von John Lovett
• „Was Sie über sich wissen müssen – Psychologie für den Erfolg“ von Michele Kiss
• „Führungspersönlichkeit identifizieren“ von Valerie Kroll
• „Analyse von Analysten zur Verbesserung der Prozesseffizienz“ von Mariia Bocheva
  

Tag 2 begann mit einer Keynote-Präsentation von John Lovett , Senior Director of Data Strategy bei Search Discovery. Sein Vortrag befasste sich mit der ausführbaren Datenstrategie – einem Plan zur zielgerichteten Nutzung von Daten, der das Verstehen Ihrer Daten, die Architektur Ihrer Daten, um sie nützlich zu machen, und die Aktivierung Ihrer Daten für geschäftliche Auswirkungen umfasst.

Organisationen brauchen eine Datenstrategie, die sie leitet, da die Nutzung von Daten in der heutigen Geschäftsumgebung komplex und verwirrend sein kann. Es gibt drei moderne Datenprobleme: Mangelnde Datenkompetenz, Datensilos und mangelndes Vertrauen in Daten.

Das Problem dabei ist, dass C-Levels und Abteilungsleiter Daten oft nicht verstehen. Laut „Gartner Trend Insight Report: Fostering Data Literacy and Information by 2020“ planen 80 % der Unternehmen, eine bewusste Kompetenzentwicklung im Bereich der Datenkompetenz zu initiieren, wobei sie ihren extremen Mangel anerkennen.

Sie können die Datenkompetenz in drei Bereiche aufteilen:

• Metrikkompetenz – Wenn Menschen wissen, was Daten bedeuten, verwenden Sie dieselben Begriffe und verstehen Sie die Werte dahinter. Dies ist eine wesentliche Ebene, die es allen im Team ermöglicht, dieselbe Sprache zu sprechen.
• Tool-Kompetenz – Wenn Menschen in der Lage sind, Datenanforderungen angemessen zu erfüllen, und sich des Potenzials, der Tricks und der Grenzen der Tools bewusst sind. Dieser Punkt korreliert wirklich mit Junis Vortrag über Self-Service-Analytics bei Twitch.
• Konzeptionelle Kompetenz – Wenn Menschen Daten mit Klarheit und Raffinesse angehen und anwenden und sich anhand von Daten erklären können.

Um datenkompetent zu sein, müssen Sie Ihre Daten verstehen. Die Beantwortung der folgenden Fragen sollte helfen:

1. Welche Arten von Daten haben wir und welche brauchen wir, um unsere Fragen zu beantworten? Verwenden Sie ein interaktives Dateninventar, Datenwörterbücher und Kataloge, um zu verstehen, woher Daten stammen und woraus sie bestehen.
2. Können Benutzer Daten selbst verwalten oder brauchen sie jemanden, der sie ihnen bereitstellt?
3. Wer hat Zugriff auf unsere Daten und wie können die Daten verwendet werden?
4. Haben die Benutzer ein genaues Verständnis unserer Daten oder sprechen wir Griechisch?
5. Gibt es ein hohes Maß an Komfort bei der Verwendung von Daten, oder ist es jedes Mal ein Kampf, wenn ein neuer Bericht erstellt werden muss?
   

Es ist keine Überraschung, dass die meisten Unternehmen mit verstreuten Daten zu kämpfen haben, weil ihre Datenquellen nicht miteinander kommunizieren:

Um diese Datensilos aufzubrechen, müssen Sie definieren, woher Ihre Daten kommen und wie sie verbunden werden können. Dann können Sie priorisieren, was zuerst umgesetzt werden soll. Hier sind einige Fragen, die Ihnen dabei helfen sollten:

1. Welche Datenverbindungen und APIs gibt es? Die meisten Quellen, die Sie verbinden möchten, können über vorgefertigte APIs oder Tools von Drittanbietern integriert werden, verschwenden Sie also keine Zeit und andere Ressourcen, um Ihre eigenen Integrationen zu erstellen.
2. Welche Transformationen sind für die Analyse notwendig? Normalerweise liegen Ihre Daten in unterschiedlichen Formaten und mit unterschiedlichen Geschwindigkeiten vor. Um sie also in einen einzigen Bericht zusammenzufassen, müssen Sie sie vorher verarbeiten. Denken Sie rechtzeitig darüber nach und planen Sie entsprechend.
3. Gibt es integrierte Prozesse über Datensätze hinweg? Überlegen Sie, welche Prozesse durch diese Daten beeinflusst werden.
4. Wann werden Daten aktualisiert und geteilt? Überprüfen Sie, wie oft Sie Daten aktualisieren müssen und wer Zugriff darauf benötigt. Dies sollte bei der Auswahl der am besten geeigneten Tools zum Teilen von Berichten mit dem Team helfen.

Nachdem Sie diese Fragen beantwortet haben, können Sie entscheiden, welchen Ansatz Sie für die Architektur Ihrer Daten verwenden möchten: Data Lakes, Data Fabric oder einen Data Hub. Laut einer aktuellen Studie von McKinsey sind nur 8 % der Data-Lake-Implementierungen vom Proof-of-Concept in die Produktion übergegangen.

Laut KPMG haben nur 35 % der befragten Unternehmen ein hohes Maß an Vertrauen in die Nutzung von Datenanalysen durch ihr Unternehmen. Um dieses Problem zu beheben, müssen Sie Vertrauen aufbauen und Ihre Daten aktivieren. Beginnen Sie damit, sich folgende Fragen zu stellen:

1. Wo können Daten automatisierte Aktionen auslösen?
2. Wie verwenden wir Daten für Targeting und Personalisierung?
3. Wie bauen wir Vertrauen in Daten auf?
   

Um Ihre Daten zu aktivieren, müssen Sie dies sicherstellen

• Die Daten sind zuverlässig und die Menschen vertrauen den Zahlen, die sie sehen. Dies kann durch verschiedene Test- und Überwachungsansätze erfolgen.
• Daten sind für die Zusammenarbeit verfügbar. Sprechen Sie mit Stakeholdern in der Organisation, um zu verstehen, auf welche Daten sie reagieren müssen.
• Sie haben einen Data Governance Council, der für die Überwachung aller datenbezogenen Prozesse verantwortlich ist.

John erzählte ein paar Beispiele aus dem wirklichen Leben, darunter die Geschichte eines amerikanischen gemeinnützigen Senders und den Ansatz, den das Data Discovery-Team verwendet hat, um eine ausführbare Datenstrategie zu entwickeln. Die Phasen, die sie durchliefen, bestanden darin, die Ziele zu definieren, sie an den Geschäftszielen auszurichten und Messungen einzurichten:

Sobald alle diese Geschäftsziele niedergeschrieben waren, priorisierte das Data Discovery-Team sie basierend auf den geschäftlichen Auswirkungen und dem erforderlichen Aufwand und definierte ihre Implementierungs-Roadmap, die von den wichtigsten und wertvollsten Aufgaben zu den weniger wichtigen wechselte:

Lassen Sie sich nicht von der geringen Erfolgsquote von Data-Lake-Implementierungen abschrecken. Die potenziellen Auswirkungen einer erfolgreichen Implementierung sind viel höher als die erforderlichen Investitionen. Verwenden Sie diese 10 Geheimnisse der Skalierungsanalyse, um loszulegen und die Fehler anderer Unternehmen zu vermeiden. Sie können sich jederzeit von Fallstudien anderer Unternehmen inspirieren lassen. Hier sind ein paar Beispiele:

• Ile de Beaute verwendete End-to-End-Analysen, um den ROPO-Effekt zu messen
• Comfy hat in neun einfachen Schritten End-to-End-Analysen erstellt
• BUTIK. verbessertes Kunden-LTV durch Kombinieren von Daten

Die nächste Sitzung hieß „Birds of a Feather“, wo jeder ein Thema oder einen Schmerzpunkt nennen konnte, den er diskutieren wollte, und sich an einen Tisch begeben konnte, um gleichgesinnte Kollegen für eine eingehende Diskussion zu treffen. Ich persönlich mochte diese Sitzung sehr, weil sie mir ein paar Ideen zu einem Problem gab, von dem ich nicht wusste, wie ich es angehen sollte.

Michele ist eine charismatische Rednerin, die es versteht, die Aufmerksamkeit der Menschen zu erregen, und ich mochte es sehr, wie sie die Tricks unseres Gehirns – begrenztes Arbeitsgedächtnis, Bestätigungsverzerrung, Konformität mit der Norm usw. – zeigte, die durch klassische Studien bewiesen wurden. Für Analysten ist es wichtig, sich dieser Widersprüche bewusst zu sein, denn bei Analytik und Optimierung geht es darum, mithilfe quantitativer Methoden Menschen zu verstehen und zu verstehen, warum sie tun, was sie tun. Hier sind einige der Imbissbuden:

• Beim Präsentieren von Informationen müssen Sie innerhalb der Grenzen von Wahrnehmungs- und Gedächtnissystemen arbeiten.

Laut George A. Miller, einem berühmten Psychologen, beträgt die Menge an Informationen, die wir im Kurzzeitgedächtnis behalten können, sieben plus oder minus zwei Elemente. Ein Element ist ein Stück Information, wie ein Wort, eine Zahl, ein Datenpunkt usw. Deshalb ist die Erwartung, dass Benutzer Verbindungen zwischen zwei Datenpunkten im Abstand von sechs Seiten oder vor dreißig Folien herstellen, ein Rezept für ein Scheitern.

• Selbst wenn Ihre Daten selbstverständlich erscheinen, benötigen Sie möglicherweise mehr Daten, um Ihre gegenteilige Ansicht zu untermauern, wenn Sie mit „aktuellen Nachrichten“ kommen, die dem widersprechen, was das Unternehmen seit einiger Zeit weiß, denkt oder glaubt.

Vielleicht möchten Sie auch viel Zeit für Diskussionen einplanen, anstatt nur Ihre Ergebnisse zu versenden, da diese Diskussionen entscheidend sind, um Unterstützung für diesen neuen Standpunkt zu erhalten. „Ein Mann mit einer Überzeugung ist schwer zu ändern. Zeigen Sie ihm Fakten oder Zahlen und er hinterfragt Ihre Quellen. Appellieren Sie an die Logik, und er versteht Ihren Standpunkt nicht“, sagte Leon Festinger.

Dies wird auch als Theorie der kognitiven Dissonanz bezeichnet. Es sagt uns, dass Menschen das Gefühl der Widersprüchlichkeit (z. B. zwischen unseren Überzeugungen und unseren Handlungen) nicht mögen. Wir versuchen, dieses unangenehme Gefühl zu reduzieren, indem wir unsere Überzeugungen rechtfertigen und Informationen vermeiden, die widersprüchlich sein könnten.

• Wenn Sie mit Daten arbeiten, hören Sie nicht bei Ihrer ersten Hypothese auf. Es kann durch Ihre kognitive Voreingenommenheit beeinflusst werden.

Unser Gehirn ist so gebaut, dass es versucht, bestehende Überzeugungen zu bestätigen. Und das kann zu einem Fehler führen, da es viele Gründe geben kann, warum die Daten zeigen, was sie tun. Ich finde es wirklich praktisch, diese Voreingenommenheit zu verstehen und zu erkennen, wenn ich Leute befrage.

Normalerweise erhalten Sie Ihren ersten Eindruck innerhalb von 15 Sekunden, und danach sucht Ihr Gehirn nach etwas, das diesen ersten Eindruck unterstützt. Es ist super wichtig, diesen Moment wahrzunehmen und nach Fakten zu suchen, die eine gegenteilige Position stützen. Es wird Ihnen helfen, Ihrer kognitiven Voreingenommenheit zu entkommen.

• Wenn Sie Analyseergebnisse haben, die den Status quo in Frage stellen, sollten Sie diese langsam und unter vier Augen besprechen.

Vermeiden Sie es, Menschen innerhalb einer Gruppenumgebung vor Gericht zu stellen, um zuzustimmen oder nicht zuzustimmen, da es weniger wahrscheinlich ist, dass Menschen in einer Gruppe für Ihre neuen Erkenntnisse gegen die Norm der Gruppe eintreten. Ebenso spricht dies dagegen, direkt zu einer Gruppen-Brainstorming-Sitzung zu springen. Einmal in einer Gruppe, stimmen 76 % der Menschen der Gruppe zu (auch wenn sie falsch liegen!), sodass es einfacher ist, vielfältigere Ideen zu bekommen und Gruppendenken zu minimieren, indem man individuelles, ungehemmtes Brainstorming zulässt und zuerst alle Ideen sammelt.

Dieser Effekt wird Normkonformität genannt und wurde 1951 von Ash in seinen Experimenten nachgewiesen.

• Geben Sie bei der Übermittlung von Erkenntnissen eine Empfehlung für deren Verwendung ab und seien Sie so spezifisch wie möglich.

Definieren Sie, wessen Verantwortung es ist, zu handeln, wenn sich etwas ändert, und stellen Sie sicher, dass Sie gehört wurden, damit Sie nicht vom Zuschauereffekt gefangen werden – je mehr Zuschauer anwesend sind, desto unwahrscheinlicher ist es, dass eine Person eingreift und hilft. Ein gutes Beispiel dafür ist ein medizinischer Notfall, wenn alle nur stehen und darauf warten, dass jemand anderes handelt.

Es gibt viel mehr Beispiele und Vorurteile, die Sie in Micheles Präsentation finden können. Wenn Sie mehr über Vorurteile erfahren möchten, lesen Sie diesen Artikel über praktische Psychologie für Datenwissenschaftler von Conor Dewey.

Beim Mittagessen hörte ich mir einen wirklich inspirierenden Vortrag über die Identifizierung von Führungspersönlichkeiten von Valerie Kroll an, Optimization Director bei Search Discovery und Präsidentin des Vorstands der Digital Analytics Association.

In ihrem Vortrag teilte Valerie ihre 12-jährige Reise von einer Quant-Praktikantin zu ihrer jetzigen Position und ihren Weg zur Führungskraft. Hier sind einige Lektionen, die sie gelernt hat:

• Sie müssen keine Menschen führen, um eine Führungskraft zu sein. Eine Führungskraft motiviert und inspiriert andere dazu, bereitwillig zu handeln; Sie tragen die Kultur und hinterfragen den Status quo konstruktiv. Ich kann auch hinzufügen, dass man als Führungskraft ein starkes Einfühlungsvermögen und die Bereitschaft haben muss, Verantwortung zu übernehmen.
• Finden Sie Führungsmöglichkeiten und lassen Sie sich nicht vom Hochstapler-Syndrom einholen:
  

Um das Hochstapler-Syndrom zu bekämpfen, setzen Sie Ihre analytischen Fähigkeiten ein – versuchen Sie, Fakten zu betrachten und Ihren Fortschritt und Ihr aktuelles Niveau darauf basierend einzuschätzen, schreiben Sie Ihre Stärken und Erfolge auf und finden Sie Wege, Ihre Fähigkeiten anzuwenden. Sie können auch The Anxiety and Phobia Workbook von Edmund J. Bourne ausprobieren.

• Wenn Sie Vorurteilen oder Diskriminierung ausgesetzt sind, sprechen Sie darüber, idealerweise mit dem Übeltäter. Wenn nicht, finden Sie einen Kollegen, Mentor oder jemanden in der Personalabteilung. Wenn Ihr Unternehmen keine Prozesse zur Behandlung eines wichtigen Problems hat, bringen Sie es zur Sprache. Haben Sie keine Angst oder schämen Sie sich dafür, wer Sie sind – Ihr Alter, Geschlecht, Ihre Nationalität usw. Vielleicht ist es etwas, das Sie erfolgreich macht und Ihnen hilft, eine andere Perspektive einzubringen.
• Bauen Sie Ihre persönliche Marke in sozialen Netzwerken auf und fördern Sie das T-förmige Modell, das sich nicht nur in der Breite, sondern auch in der Tiefe entwickelt.
  
• Nutzen Sie Ihr Netzwerk, indem Sie echte Verbindungen herstellen und einen sofort einsatzbereiten Elevator Pitch haben. Finden Sie Verbindungen bei Treffen, bitten Sie Leute, Sie anderen interessanten Menschen vorzustellen, und entwickeln Sie diese Verbindungen, indem Sie einen Mehrwert bieten. Seien Sie bereit, in weniger als einer Minute zu teilen, woran Sie arbeiten, was den größten Wert schafft und am innovativsten ist.
  
• Suchen Sie nach Mentoring. Es kann auf Gegenseitigkeit beruhen, denn der beste Weg, eine Fähigkeit zu meistern, besteht darin, sie jemandem beizubringen. Berücksichtigen Sie bei der Suche nach einem Mentor sowohl Soft Skills als auch Hard Skills und konzentrieren Sie sich auf Ihre Karriereziele.
  

Übrigens hat DAA ein Women in Analytics Mentoring-Programm, also wenn Sie interessiert sind, probieren Sie es aus.

Dann war es schon an der Zeit, meine Geschichte über Analyzing Analysts to Improve Process Efficiency zu erzählen. Der Aufbau eines Teams erfordert viel Zeit und Mühe und die richtigen Management-Tools. Die Schmerzpunkte sind häufig: ineffiziente Verteilung von Aufgaben, keine Zeit, neue Mitarbeiter zu schulen und zu coachen, nicht genug Zeit für erfahrene Analysten, um Forschung und Entwicklung zu betreiben und ihre Fähigkeiten zu verbessern, keine Ahnung zu haben, wie viel Zeit ein bestimmter Mitarbeiter für welche Aufgaben aufgewendet hat, und das Liste geht weiter. Wir haben Data Lakes verwendet, um die Aufgabenschätzung zu verbessern, sicherzustellen, dass schmerzhaft gelernte Lektionen mit allen geteilt werden, und um Projektprioritäten auszugleichen.

Als Ergebnis wir

1. erkannten, dass die Arbeitsbelastung eines Analysten weit von unseren Erwartungen entfernt ist und dass Durchschnittswerte unsere Wachstumszonen verbergen können
2. bewiesen, dass die meisten unserer Analysten (~85 %) E-Mails pünktlich beantworteten
3. die typischen Aufgaben, auf die wir stoßen, abgebildet, wie lange es normalerweise dauert, sie zu erledigen, und wie die Zeit für jede einzelne Aufgabe variieren kann
4. ermittelte Schwächen und Stärken für jeden Analysten, um seinen persönlichen Entwicklungsplan anzupassen
   Bereiche für die Automatisierung gefunden.

Sie finden meine Folien auf Slideshare und einen Artikel auf ConversionXL, der unsere Erfahrungen darstellt.
Leider habe ich die Vorträge von Garry Angel, Tim Wilson, Matt Gershoff und Moe Kiss verpasst, aber ich habe sie alle bei der Superweek sprechen hören und weiß, dass sie brillant sind. Obwohl ich ihre Vorträge verpasst habe, war es großartig, sie auf der #MASConf wiederzusehen!

Die allerletzte Session auf dem Marketing Analytics Summit war eine Live-Aufzeichnung des Analytics Power Hour-Podcasts. Jede Folge dieses Podcasts hat ein geschlossenes Thema und ein offenes Forum.

Das Publikum hörte gerne zu, wie Michael Helbling , Analytics Practice Lead bei Search Discovery, Moe Kiss, Analytics Consultant, und Tim Wilson , Senior Director of Analytics bei Search Discovery, ihre Gedanken und Erfahrungen austauschten. Unser vorheriges exklusives Interview mit Tim Wilson zum Stand der modernen Analytik finden Sie hier. Außerdem finden Sie hier die Folge vom Marketing Analytics Summit. Ich empfehle Ihnen dringend, sich auch andere Folgen anzuhören.

1. Nehmen Sie einen Titel nicht für bare Münze; Durchbrechen Sie den Hype und konzentrieren Sie sich auf die Wirkung, die Sie erzielen.
2. Um zu verstehen, ob Self-Service-Analytics in Ihrem Unternehmen funktioniert, fragen Sie Ihr Team, ob es die Datenunterstützung hat, die es benötigt, um seine Arbeit effektiv zu erledigen, und ob es in der Lage ist, Daten in einem Zeitrahmen zu erhalten, der seinen Geschäftsanforderungen entspricht.
3. Verwenden Sie eine Datenrollenmatrix, um sicherzustellen, dass jeder versteht, was von jeder Position erwartet werden kann.
4. Seien Sie proaktiv, wenn es um Ihre Datenqualität geht, nicht reaktiv.
5. Nur 11 % der Vermarkter fühlen sich „sehr sicher“ in Bezug auf die Genauigkeit ihres Attributionsmodells. Aber das bedeutet nicht, dass Sie es nicht versuchen sollten.
6. Um Ihren Datenreifegrad zu bewerten, müssen Sie Ihre Daten in drei verschiedenen Kategorien auswerten: Einheitlicher Einblick (Leistungsmessung und -zuordnung), Einheitliche Daten (siloierte, zusammengelegte oder einheitliche Daten) und vordefinierte Datengrundlage (Tracking-Präzision, Touchpoint Abdeckung, Taxonomie-Standardisierung).
7. Unternehmen, die Marketingkennzahlen mit den gewünschten Geschäftsergebnissen verknüpfen, werden diese Ergebnisse mit doppelt so hoher Wahrscheinlichkeit deutlich übertreffen. Und Unternehmen, die Marketingkennzahlen mit Umsatzzielen verknüpfen, werden diese Ziele mit dreimal höherer Wahrscheinlichkeit deutlich übertreffen.
8. Sowohl Marketingspezialisten als auch Analysten wollen eines: die richtigen Tools und Prozesse, um zu wissen, was sie anfangen, aufhören und fortsetzen müssen, um ihre Marketingziele zu erreichen.
9. Verwenden Sie einen Erfolgsplan, um Marketingaktivitäten an den Geschäftszielen Ihres Unternehmens auszurichten und der Geschäftsleitung den Wert von Marketing- und Analyseinvestitionen zu demonstrieren.
10. Konzentrieren Sie sich zuerst auf umsatzsteigernde Prozesse, da diese mehr Wirkung erzielen.
11. Damit Ihre Prozesse funktionieren, bilden Sie sie ab, analysieren Sie sie und kommunizieren Sie sie dem Team.
12. Physische Interaktion ist leichter zu verstehen und wirkt überzeugender als digitale – physische Aufmerksamkeit führt zu einer um 70 % höheren Markenerinnerung. Um bei Ihrem Publikum in Erinnerung zu bleiben, müssen Sie also mehr Sinne ansprechen, Ablenkungen reduzieren und die Interaktion fördern.
13. Kontrollieren Sie Ihre Marke mit On-SERP-SEO, da die Suchergebnisseite Ihre neue Zielseite ist. Sie müssen Rich Snippets nutzen und Ihre Panels beanspruchen.
14. Verdoppeln Sie die Schaffung von Markennachfrage.
15. Nutzen Sie soziale Algorithmen, indem Sie nicht werbliche und werbliche Posts abwechseln.
16. Verwenden Sie Storytelling, um Inhalte zu erstellen, die mit Ihrer Marke verbunden sind, ein hohes Engagement erzielen und emotionale Resonanz erzeugen.
17. Es gibt drei Hauptprobleme mit Daten: Mangelnde Datenkompetenz, Datensilos und mangelndes Vertrauen in Daten. All diese Probleme können mit einer ausführbaren Datenstrategie angegangen werden – einem Plan für die zielgerichtete Nutzung von Daten, der das Verstehen Ihrer Daten, die Architektur Ihrer Daten, um sie nützlich zu machen, und die Aktivierung Ihrer Daten für geschäftliche Auswirkungen umfasst.
18. Phykologie und Analytik sind miteinander verbunden – achten Sie auf mentale Abkürzungen und nutzen Sie sie, um Ihre Analyse- und Marketingfähigkeiten zu nutzen.
19. Um Ihr Führungsmodell zu finden, nutzen Sie Ihre Unterschiede, entwickeln Sie Ihr Netzwerk und Ihre persönliche Marke, suchen Sie nach einem Mentor und Mentee, bekämpfen Sie das Hochstapler-Syndrom und inspirieren Sie andere.
20. Je früher desto besser. Das Sammeln, Zusammenführen und Aufbereiten von Daten macht etwa 75 % Ihrer Bemühungen aus. Stellen Sie sicher, dass Sie der Qualität der von Ihnen erfassten Daten vertrauen.
21. Beginnen Sie mit einem MVP-Dashboard. Konzentrieren Sie sich auf nicht mehr als 10 kritische KPIs.
22. Definieren Sie, was Sie tun werden, wenn sich eine Metrik am Freitag um 17:00 Uhr dramatisch ändert. Sie sollten einen Plan haben, was zu tun ist, wenn eine Metrik unerwartet steigt oder fällt. Wenn Sie keine Ahnung haben, warum Sie einen solchen Plan für eine bestimmte Metrik haben sollten, überlegen Sie, ob Sie sie überhaupt verfolgen müssen.

PS Es war eine großartige Erfahrung. Ein separater Dank geht an Jim Sterne für die Einladung und an Roxanne Glavina, Speaker Management bei Rising Media, Inc. für die reibungslose Organisation.