OWOX BI Research zum Stand der Digital Analytics: Interview mit Tim Wilson

Die Fragen für dieses Interview wurden von Mariia Bocheva, OWOX BI Business Development Executive, vorbereitet, nachdem sie Tim Wilson auf der Superweek-Konferenz getroffen hatte. Alle Fotos wurden uns freundlicherweise von Banoczy Zoltan, Gründer von Superweek – European Analytics Summit, zur Verfügung gestellt.

Es war eine große Freude, so tiefe Einblicke von Tim Wilson zu bekommen (folgen Sie ihm auf Twitter), einem aktiven Analysten mit viel Erfahrung und einer positiven Lebenseinstellung.

Tim arbeitet seit über 15 Jahren mit den vielen Dimensionen von Marketing- und Kundendaten. Er leitete die Business-Intelligence-Abteilung für ein 500-Millionen-Dollar-Hightech-Business-to-Business-Unternehmen und hat mehrere Top-50-Internethändler beraten, wie sie digitale Analysen in ihrem Geschäft anwenden können. Tim ist ein vermarkterfreundlicher Datenfreak. Und jetzt ist er Senior Analytics Director bei Search Discovery.

Search Discovery ist ein Business-Intelligence- und Analyseunternehmen, das Unternehmen in die Lage versetzt, Daten zur Verbesserung der Geschäftsleistung zu nutzen.

Welche Hard Skills sind heute für Analysten am wichtigsten? Muss ein Analyst SQL, Python und R kennen und Dashboards in den gängigsten Visualisierungstools wie Data Studio, Tableau und QlikView erstellen?

Dies ist eines der ziemlich heiß diskutierten Themen der letzten Zeit. Beginnen wir damit, dass Analysten sich mit Tabellenkalkulationen – Google Sheets und Excel – wirklich gut auskennen müssen. Auch wenn sie dort nicht den Großteil ihrer Arbeit erledigen, erhalten und versenden sie fast immer regelmäßig Informationen mithilfe von Tabellenkalkulationen.

Und wenn ein Analyst mit VLOOKUP und Pivot-Tabellen nicht sehr vertraut ist, wird er mit jeder anderen Plattform, auf der er Analysen durchführt, Probleme haben.

Von da an ist Komfort mit einem BI-/Visualisierungstool (ich würde Power BI zur Liste in Ihrer Frage hinzufügen) zunehmend erforderlich, obwohl es noch viele Unternehmen gibt, die noch in eines investieren müssen. Aus diesem Grund bin ich ein großer Fan von Google Data Studio – selbst wenn das Unternehmen den Sprung in eine kostenpflichtige Plattform noch nicht gewagt hat, müssen Analysten wissen, wie sie einige Basisvisualisierungen und die Untersuchung ihrer Schlüsseldaten so automatisieren können, dass dies möglich ist mit ihren Stakeholdern geteilt werden.

Ich sehe viele Analysten, deren Tage ziemlich ausgefüllt sind, die wertvolle Arbeit leisten, ohne die sehr steile Lernkurve durchlaufen zu haben, die erforderlich ist, um diese Sprachen fließend zu beherrschen. Aber es gibt eine Grenze dessen, was mit Excel- und BI-Plattformen getan werden kann.

Für einen Analysten oder eine Organisation mit großen Mengen an granularen Daten, die sie in Modellen verwenden möchten, werden SQL und Python oder R schnell zu einem Muss.

Und ich würde eine dritte Klasse von Hard Skills hinzufügen: Statistik . Das bedeutet, über bloße zusammenfassende Statistiken wie Mittelwert, Median und Standardabweichung hinauszugehen und wirklich zu verstehen, wie und wo Regression und Korrelation – und p-Werte und R-Quadrat – eingesetzt werden können. Dabei geht es sowohl darum, ein tieferes Verständnis der Natur von Daten zu erlangen, als auch darum, diese statistischen Methoden tatsächlich einzusetzen.

Welche Soft Skills sollte ein guter Analyst haben?

Da sind viele! Effektive Kommunikationsfähigkeiten stehen ganz oben auf der Liste, und dazu gehört alles, von persönlichen Interaktionen mit Stakeholdern – aktives Zuhören und Verstehen ihrer Bedürfnisse – bis hin zur Anwendung von Best Practices in der Datenvisualisierung, um die Ergebnisse präsentieren zu können einer Analyse übersichtlich und nachvollziehbar.

Ein guter Analyst ist auch neugierig (auf das Geschäft, auf die Daten, auf die Welt), skeptisch (auf das, was die Daten zeigen – jedes Mal, wenn es eine Überraschung gibt, nimmt er/sie an, dass es sich um ein Datenproblem handelt, und gräbt nach, um es zu bestätigen) und hat ein hohes Maß an Ausdauer (zur Bewältigung von Datenherausforderungen und sogar von Personen-/Prozessherausforderungen innerhalb der Organisation). Dies mögen eher „Charaktereigenschaften“ als „Fähigkeiten“ sein, aber sie sind alle ziemlich wichtig.

Glauben Sie, dass Missverständnisse zwischen Analysten und Marketingteams üblich sind? Wenn ja, haben Sie irgendwelche Empfehlungen, wie man es überwinden kann?

Absolut! Analysten und Marketer sprechen unterschiedliche Sprachen. Meiner Erfahrung nach muss es wirklich dem Analysten obliegen, „Marketing zu sprechen“. Das läuft darauf hinaus, ein paar Dinge zu tun:

1. Hören

Es kann verlockend sein, mit der Problemlösung ( Welche Daten kann ich zur Beantwortung dieser Frage heranziehen? ) zu früh zu beginnen und nicht wirklich nach dem zugrunde liegenden Geschäftsproblem zu suchen, das der Vermarkter angehen möchte.

2. Nicht sprechender Analytiker

Eine gewisse Aufklärung des Vermarkters ist in Ordnung – was eine Metrik bedeutet, welche Einschränkungen in den Daten bestehen – aber ich habe gesehen, wie Analysten viel zu schnell in die Deep-Analytics-Terminologie abgleiten, wenn dies nicht erforderlich ist.
Das kann den Vermarkter verwirrt zurücklassen oder, schlimmer noch, sich unwohl oder niedergeschlagen fühlen ( ich weiß nicht, wovon der Analyst spricht. Soll ich das? Er/sie scheint zu denken, dass ich es tun sollte! ).

3. Sagen Sie sich niemals, niemals, niemals, dass Stakeholder dumm sind

Das ist ein fataler Fehler – zu entscheiden, dass eine Beziehungsherausforderung eher eine Frage der Intelligenz als eine Frage der Kommunikation ist.

Welche professionellen Ressourcen oder Veranstaltungen können Sie Analysten empfehlen?

Die beste Ressource, die ich Analysten empfehlen kann, unabhängig davon, wo sie sich befinden, ist das Measure Slack-Team. Es ist kostenlos und hat Tausende von Analysten, die sich ständig engagieren und miteinander teilen. Alle paar Wochen gibt es einen Diskussionsthread zum Thema Was sind gute Ressourcen, um X zu lernen? oder Was sind gute Konferenzen für Y? es ist also sogar eine Ressource zum Identifizieren von Ressourcen!

Unabhängig davon gibt es einige großartige Konferenzen: MeasureCamp ist eine kostenlose Unkonferenz, die auf der ganzen Welt veranstaltet wird (und wenn es keine in Ihrer Nähe gibt, können Sie eine gründen!). Marketing Analytics Summit und Digital Analytics Hub sind großartige Konferenzen in den USA, und Superweek ist eine fantastische Option in Europa.

Die Digital Analytics Association baut die Ressourcen, die sie ihren Mitgliedern anbietet, weiter aus, das ist also eine großartige Ressource mit allerlei großartigem Material (und sogar einem Mentoring-Programm). Es gibt eine Reihe von MOOCs wie Coursera und edX, die eine beliebige Anzahl von Online-Kursen anbieten.

Und schließlich, wenn ich dieses ganze Interview durchgehen und den Digital Analytics Power Hour-Podcast nicht anschließen würde, wäre ich ein schrecklicher Vermarkter! Aber es gibt zahlreiche Analyse-, maschinelle Lern- und KI-Podcasts da draußen – zu viele (und zu viele, die ich mir nicht regelmäßig anhöre) – als dass ich versuchen könnte, Empfehlungen auszusprechen.

Welches Wissen fehlt Analysten und Marketingspezialisten, um Unternehmen datengetrieben zu machen?

Geschäftskontext und ein tiefes Verständnis von Ungewissheit. Ersteres, glaube ich, da ich ständig sehe, wie Analysten und Vermarkter in die Daten springen, um „Antworten zu finden“ und „ Einblicke zu gewinnen“, ohne eine Geschäftsfrage klar formuliert zu haben, für die die Antwort zu einer wahrscheinlichen Handlung führen wird.

Letzteres ist etwas schwieriger zu artikulieren. Aber zurück zu John Wannamaker, der Anfang des 20. Jahrhunderts feststellte, dass „die Hälfte des Geldes, das ich für Werbung ausgebe, verschwendet wird; ich weiß nur nicht, welche Hälfte“, haben Marketer und Analysten eher erwartet, dass Daten „die Wahrheit“ liefern als zu lernen, wie man in einer probabilistischen Welt agiert.

Während wir vielleicht die „Wahrheit“ über die Vergangenheit kennen, z. B. wie viele Zugriffe auf meine Website im letzten Monat kamen? (und selbst das ist nicht „wahr“ – es gibt eine Menge Unordnung in der Datensammlung dort, die diese Zahl sogar nur zu einer Schätzung macht), diese Daten effektiv zu nutzen, um die Zukunft zu beeinflussen, bedeutet, ein tiefes Verständnis dafür zu entwickeln, wie „wahr „ein Bild der Welt, das die Daten malen, und dann entsprechend operieren.

Was sind die wichtigsten Dinge, die Analysten in verschiedenen Stadien der Geschäftsreife (Startup, SMB, KMU, Unternehmen) tun müssen?

Über diese Frage habe ich mir eigentlich noch nie Gedanken gemacht. Es ist eine interessante! Ich denke, dass Startups tendenziell weniger Ressourcen haben und im Allgemeinen eher in der Lage sind, ein gewisses Datenrisiko einzugehen.

Daher müssen Startups oft – aus Notwendigkeit – rauflustig sein und kostenlose Tools mit begrenzter Datenverwaltung und einigen potenziell fragilen (oder sogar manuellen!) Integrationen zusammenschustern. Und das ist eine gute Vorgehensweise, solange man anerkennt, dass es mit dem Wachstum eine Reifung der Systeme geben muss.

Das bedeutet in der Regel, dass Datenplattformen überholt und sogar komplett ersetzt werden müssen.

Am anderen Ende des Spektrums – Unternehmen – wird Governance zu einer wirklich großen Sache, da es mehr Menschen und Prozesse gibt, die sich auf die Daten auswirken und sich auf sie verlassen. Und in der Regel gibt es mehr Ressourcen, die der Analyse gewidmet werden können, sodass einige von ihnen für Governance und Prozesse verantwortlich sein können (oder sollten!) – wodurch das Risiko eines Ausfalls minimiert wird, der sich auf eine große Anzahl von Rollen und möglicherweise sogar auf die nahen auswirkt -Term Top-Linie des Geschäfts.

Welche Schwierigkeiten sehen Sie bei der Implementierung von Analytics und wie beurteilen Sie die Gesamtentwicklung des Marktes?

Beschränken wir das „Implementieren“ auf die Implementierung von Datenerfassungsplattformen, ergeben sich viele Herausforderungen:

• Single-Page-Apps (SPAs) liegen voll im Trend, und diese bringen Tagging-Herausforderungen mit sich.
• Die Umstellung der Verbraucher auf Makroebene auf Mobilgeräte – und die gestiegene Wahrscheinlichkeit, dass sie mit Marken über verschiedene Geräte hinweg interagieren – hat die geräteübergreifende Nachverfolgung für viele Unternehmen wichtiger gemacht, und es gibt keinen einfachen Weg, dies zu erreichen (es hängt von der Art der Unternehmen und Standort).
• Datenschutzbestimmungen wie GDPR und (in den USA) CCPA haben der Welt der Datenerfassung zusätzliche Einschränkungen und Überlegungen hinzugefügt.
• Das Blockieren des Trackings und Löschens von Cookies verlagert sich zunehmend von Werbeblockern, die auf einem winzigen Bruchteil der Browser der Benutzer installiert sind, zu Standardvorgaben in den Browsern selbst, was sicherlich mit den Daten herumspielen kann!

Was ist der größte Fehler, den ein Analyst machen kann? Können Sie einige Ihrer analytischen Fehler mitteilen?

Die größte Marke, denke ich, ist so aufgeregt, mit den Daten herumzuspielen, dass die Was versuche ich hier zu erreichen? Frage geht verloren.

Mir ist das öfter passiert, als ich zugeben möchte – ich habe mit einer vollkommen gültigen Geschäftsfrage begonnen und mich dann in die Mechanik der zugrunde liegenden Daten und ihre Komplexität hineingezogen und meine Fähigkeit, diese Komplexität so zu überwinden, durch die Am Ende des Projekts hatte ich einige ziemlich interessante Dinge mit den Daten selbst gemacht, aber ich hatte nichts geliefert, was das Geschäft wirklich vorangebracht hatte.

Was ist Ihrer Meinung nach die Zukunft der Marketinganalyse? Welche Trends sehen Sie kommen und was ist gefragt?

Trotz meiner früheren Überlegungen, mich wirklich auf die Grundlagen zu konzentrieren, bevor man in Data Science und maschinelles Lernen eintaucht, denke ich, dass wir weiterhin sehen werden, wie immer mehr Unternehmen maschinelles Lernen effektiv einsetzen.

Der Hauptgrund dafür ist, dass Unternehmen zunehmend Zugang zu Rohdaten über ihre Kunden und Interessenten haben – Verhaltens-, Beobachtungs- und demografische Daten.

Vor 10 Jahren beispielsweise lieferten Digital-Analytics-Plattformen hauptsächlich aggregierte Daten. Ein Bericht kann mehrere Dimensionen und Messwerte enthalten, aber die verfügbaren Daten beziehen sich nicht auf Sitzungs- oder Personenebene.

Das hat sich geändert, da die Hauptakteure auf dem Digital-Analytics-Markt damit begonnen haben, diese Daten auf Trefferebene verfügbar zu machen, und viele neuere Martech-Plattformen haben diesen Detaillierungsgrad von Anfang an verfügbar. Und das sind die Daten, die benötigt werden, um maschinelle Lerntechniken wirklich zu nutzen.

Welche Probleme sehen Sie heute auf dem Markt?

Ein großes Problem, das ich sehe, ist, dass es eine enorme Anzahl von Venture-Backed-Startups gibt, die dem Markt im Wesentlichen versprechen, dass sie einen magischen KI-Zauberstab zum Verkauf anbieten. In vielen (den meisten) Fällen ist das Marketing-Hype.

Aber weil Technologie eine höhere Marge hat und von Natur aus skalierbarer ist als Menschen oder Prozesse, gehen die Marketingdollars in der Branche dorthin, was bedeutet, dass „der Markt“ mit der Botschaft bombardiert wird, dass, wenn eine Organisation nur die richtige Technologie kauft und implementiert, sie wird plötzlich zu einer datenausgereiften, KI-gestützten Organisation.

Die Realität sieht einfach nicht so aus, so viele, viele Organisationen stellen große Schecks für Technologie aus, während sie sich selbst aushungern, wenn es um Analysepersonal und interne Investitionen in die Verbesserung von Analyseprozessen geht.

Welche analytischen Herausforderungen haben Sie gerade?

Ich muss meine Kunden immer noch darüber aufklären, wie wichtig es ist, die Grundlagen zu schaffen: klar festgelegte KPIs, zuverlässige und robuste Datenerfassung, Automatisierung sich wiederholender Aufgaben und Analysen, die von klar artikulierten Hypothesen angetrieben werden. Das ist eine Herausforderung, die sich in den letzten 15 Jahren wirklich nicht geändert hat.

Eine neuere Herausforderung ist die Aufregung um Data Science, maschinelles Lernen und KI. Ein Teil der Herausforderung besteht darin, die in diesen Bereichen verwendeten Tools zu verbessern, und ein Teil der Herausforderung besteht darin, die Kunden davon abzuhalten, diesen glänzenden neuen Objekten nachzujagen, wenn ihr größter Wert darin besteht, sich auf die Grundlagen zu konzentrieren.

Danke für so viele tolle Tipps, Tim! Wir hoffen, dass ihm weitere talentierte Analysten folgen werden und dass der gesamte Analytics-Markt gebildeter, enthusiastischer und professioneller wird.

Lass uns in Kontakt bleiben! Abonnieren Sie unseren Blog, um die nächsten Interviews aus unserer Forschung zum Stand der Digital Analytics zu lesen und die Erfahrung von Top-Analysten auf Ihr Unternehmen anzuwenden.

Worüber würdest du Tim fragen? Lass es uns in den Kommentaren unten wissen!