Jugando Jenga Digital con Modern Marketing Analytics: Entrevista con Christopher Penn

La entrevista de hoy con Christopher Penn, científico jefe de datos y cofundador de Trust Insights, causó revuelo incluso antes de que se publicara. Así que tome unas palomitas de maíz o una taza de té caliente y lea este artículo sobre análisis y analistas, martech moderno y hacia dónde se dirige todo.

Como siempre, gracias a Mariia Bocheva que sostuvo esta gran charla con Christopher.

Fuente: página oficial de Facebook de Christopher Penn

Vaya directamente a los puntos de interés aquí:​

Mariia Bocheva: ¿Puedes darnos una breve introducción sobre ti?

Christopher Penn: Mi experiencia fue en TI. Mi maestría es en administración de sistemas de información. Empecé a trabajar en una startup de servicios financieros a principios de la década de 2000. Actualizar el servidor web se convirtió en actualizar el sitio web y corregir el lanzamiento de correos electrónicos se convirtió en enviar el boletín por correo electrónico.

Lo que sucedió en ese momento fue que el marketing se convirtió en tecnología de marketing. Luego, a fines de la década de 2000 y principios de esta década, pasé al marketing a tiempo completo y comencé a trabajar con muchos más datos. Y fue entonces cuando me centré mucho más en la ciencia de datos. Fui interno en una empresa de relaciones públicas durante unos cinco años y realmente comencé a mirar más en el aprendizaje automático y la IA.
Me separé de esa compañía hace unos dos años porque iban en una dirección diferente. Tenía muchas ganas de centrarme en la ciencia de datos y el aprendizaje automático.

MB: Ha mencionado la ciencia de datos, el aprendizaje automático y el análisis. ¿Cuáles crees que son las habilidades duras más importantes hoy en día?

CP: Hay tres cubos de habilidades. Si nos remontamos a 1964, hubo un famoso estratega de negocios llamado Harold Leavitt que postuló que había tres áreas en las que todos debían ser competentes: personas, procesos y tecnología.

Para un analista experto o un científico de datos experto, necesita capacidades en las tres áreas. Debe comprender el lado humano de las cosas, cómo trabaja la gente, la estrategia comercial general y cosas por el estilo, y debe tener un buen manejo de los problemas que la empresa quiere resolver. También debe controlar el proceso, cómo se hacen las cosas, y poder traducir eso en el trabajo que realiza. Y luego, por supuesto, debe tener acceso a la tecnología, las habilidades, el conocimiento matemático para realizar el análisis de datos, y debe poder codificar.

Esos son los tres grandes cubos que muy pocas personas tienen en cantidades iguales y sólidas. Muchas personas tienen habilidades en un área y son débiles en las otras dos. Y esa es probablemente una de las cosas más importantes que un analista debe poder hacer: identificar sus debilidades. Para poder decir, sí, esto es en lo que necesito trabajar para llevar mis niveles a donde soy fuerte.

MB: Eso cubre parcialmente las habilidades blandas, como apenas llamaría saber cómo trabaja la gente una "habilidad dura". ¿Qué piensas sobre eso? ¿Qué habilidades blandas crees que son importantes?

CP: La diferencia entre habilidades duras y blandas es más interna y externa. Tus habilidades externas son las que llamarías habilidades duras: la capacidad de hablar con otro ser humano, leer las expresiones en su rostro y cosas así.

Pero internamente, eso requiere una enorme cantidad de autoconciencia. Requiere comprender su propio ego, las cosas que lo hacen más o menos efectivo como profesional de negocios, sus debilidades a las que tiene que adaptarse. Para algunas personas, es su ego, su capacidad de decir: Sí, siempre tengo que tener razón . Pero no, no lo haces.

Y, de hecho, es un pecado capital en el análisis de datos, ¿verdad? Recuerdo que estaba trabajando con esta firma de investigación y su discurso fue "cualquiera que sea el punto que quieras hacer, podemos construir datos para respaldarlo". Así no es como funciona esto. [Risas] Y, sin embargo, en realidad son una empresa de renombre porque ayudan a las empresas a inventar datos para defender lo que quieren probar. Y entonces la gente hace negocios con ellos porque dicen lo que quieres escuchar.

Otra habilidad súper importante es poder explicar las cosas a otras personas de manera que puedan entender. De nuevo, existe ese tipo de empatía. Y luego, la tercera cosa es realmente poder enseñar en múltiples niveles, poder saber dónde está alguien (la parte de la empatía) y luego adaptarse a la audiencia con la que está trabajando.

Estuve en Content Marketing World recientemente. Y en una audiencia, tenía personas que eran programadores. Así que les dije a los codificadores: Bien, esto es modelado de cadenas de Markov para ustedes, pero para todos los demás es Jenga digital . Ser capaz de adaptar tu enseñanza a donde alguien es una habilidad blanda muy importante. Es muy difícil si no tienes experiencia en el diseño de instrucciones educativas o ninguna experiencia en absoluto. He estado ayudando en la escuela de artes marciales de mi maestro durante 25 años y esa es una gran habilidad que tengo allí: ser capaz de ver que alguien está luchando con esto, que necesita ayuda con esto e identificar dónde está alguien. su propia progresión en su carrera es muy importante. Y es una habilidad que no se enseña. Tienes que aprenderlo a través de tus propias experiencias.

MB: ¿Crees que también está relacionado con la narración de historias y la capacidad de presentar datos de una manera que las personas puedan comprenderlos?

CP: Estoy de acuerdo en que lo es. Hay una expresión en psicología llamada "tirar colchones": todo el mundo tiene una puerta mental que está orientada de manera diferente. Y si arrojas un colchón a esa puerta, solo hay un cierto número de formas en que pasará. Pero la puerta de cada uno es diferente. Entonces, ¿cómo se forma tu audiencia? ¿Puedes arrojar colchones de manera que atraviesen tantas puertas como sea posible?

No me gusta la "narración". Y la razón por la que no me gusta esa frase es porque los mercadólogos, especialmente los mercadólogos que no tienen un buen conocimiento de los datos, tienden a ser demasiado egocéntricos, demasiado centrados en la empresa y dicen algo como, vamos a decir una historia sobre nuestro maravilloso producto! Pero a nadie le importa, ¿verdad? Cuente las historias que la audiencia quiere. Y eso, de nuevo, se remonta a la empatía y la autoconciencia. No se trata de ti o de la empresa. Se trata de lo que la audiencia necesita.

MB: Ese es un gran punto. Veo totalmente lo que quieres decir. Hablando de tirar colchones y de cómo todos somos diferentes, ¿qué opinas sobre la falta de comunicación entre los analistas y los equipos de marketing? ¿Tiene alguna recomendación sobre cómo se puede mejorar la comunicación?

CP: No creo que sea un gran problema porque, en primer lugar, no muchos equipos de marketing hablan con los analistas, o incluso tienen acceso a ellos. La mayoría de los especialistas en marketing con los que hablo se ven obligados a tratar de ser analistas porque su empresa no tiene [analistas] o la empresa los ha asignado a problemas comerciales más apremiantes. Entonces, el mayor desafío para esos especialistas en marketing pobres es desarrollar cualquier tipo de habilidad analítica para manejar los datos que tienen.

No puedo decirte la cantidad de veces que hablé con un vendedor que dijo: Oh, sí, tenemos Google Analytics. no se que significa No sé nada en Google Analytics. Es tan raro tener esas discusiones. No es, ya sabes, una cirugía de cohetes. Pero de nuevo, volviendo a esa autoconciencia, es una cirugía de cohetes para ellos porque entraron en marketing para ser creativos, inspirar, escribir bien, crear cosas. No entraron en marketing porque amaban la ciencia cuantitativa. De lo contrario, se habrían convertido en científicos de datos en primer lugar.

Pero ahora, la tecnología de marketing y el marketing digital los ha obligado a lidiar con este problema o ignorarlo el mayor tiempo posible. Cuando tienen acceso a los datos o tienen acceso a un analista, su éxito dependerá de su autoconciencia.

Los analistas no tienen un buen vocabulario de marketing y los especialistas en marketing no tienen un buen vocabulario en ciencia de datos y análisis de datos. Entonces, probablemente lo más importante y fácil de hacer es reunir a las personas los viernes por la tarde con la bebida que elijas y hacer que hablen entre ellos. Porque puedes familiarizarte lo suficiente con una disciplina simplemente escuchando a la gente hablar de ella.

Además, las personas tienen viajes diarios en muchos lugares. Y no es malo que sus científicos de datos escuchen podcasts de marketing o que sus especialistas en marketing escuchen podcasts de ciencia de datos para realmente comenzar a escuchar el vocabulario, escuchar cosas como regresión y regresión logística y bosque aleatorio. Y la gente podría decir, Oh, debería preguntarle a mi equipo qué significa esto o Hay diferentes tipos de datos en cada uno de estos, ¿cómo los abordamos?

Realmente está logrando que todos escuchen el vocabulario de otras disciplinas como una forma de comenzar a tener esas interacciones significativas.

MB: Me gusta mucho cómo lo juntaste. Tengo experiencia en análisis, pero también trabajo en marketing. Para mí, nunca fue un problema, porque tuve exposición a ambos. Pero mucha gente que ha estado trabajando en un campo no está expuesta al otro.

CP: Exacto.

MB: Genial. En términos de errores, ¿cuál cree que es el mayor error que puede cometer un analista? ¿Quizás puedas compartir algo de tu experiencia con lo que te hayas topado?

CP: En cuanto a los errores que cometen los analistas… Son problemas humanos, ¿no? Entonces, el número uno es realmente el sesgo de presuposición. Es decir, sé qué resultado estoy buscando y necesito probarlo. No. La palabra para eso es indiferente. Si no tienes curiosidad, no tienes curiosidad, no quieres encontrar la respuesta correcta. Quiere encontrar una respuesta lo más rápido posible, o quiere encontrar una respuesta que justifique un sesgo que ya tiene, un resultado que ya ha juzgado, y esos son problemas humanos, ¿no? Esos no están relacionados con la tecnología, y ningún software va a arreglar eso. Ninguna herramienta va a arreglar tu falta de curiosidad.

Así que eso es algo para lo que tenemos que entrenar lo mejor que podamos y contratar, más que nada. Y se puede contratar por curiosidad, ¿no?

Hay una pregunta de entrevista que solía hacer, que siempre pensé que era divertida, donde tomaba una baraja de cartas regulares y se la daba a una persona en una entrevista. Yo diría, Aquí hay una baraja de cartas. Ponlo en orden . Nunca especifiqué ningún tipo de orden ni nada por el estilo. El objetivo es mirar a la persona y ver cómo reacciona ante una directiva como esa. ¿Entran en pánico? Probablemente no sea así . Sí, lo tengo. Lo pondré en orden . Pero no dije qué pedido quería. Una vez más, tienen un sesgo de presuposición, y eso es malo. ¿Hacen preguntas? ¿Cuántas preguntas hacen? Cuando cavan, ¿te empujan? Esos son atributos que le gustaría tener.

MB: Pasemos a la siguiente parte de nuestra entrevista sobre lo mismo pero desde otro punto de vista. Hay muchas palabras de moda hoy en día. Todo el mundo habla de que las empresas se basan en datos, pero no muchas empresas lo consiguen. ¿Por qué crees que es? ¿Hay algo que nos falte en términos de análisis o marketing que pueda llevar a las empresas a otro nivel y ayudarlas a crecer y poder usar los datos que tienen?

CP: Este es un problema humano más que cualquier otra cosa.

Estar basado en datos significa que primero debe tomar decisiones con datos, no con la experiencia, el intelecto, el instinto, no es así como siempre lo hemos hecho .

Tienes que mirar los datos y decir: Bien, esto es lo que dicen los datos, y confiamos en cómo se procesaron, así que tomemos decisiones basándonos en ellos .

Eso requiere superar mi camino siempre es correcto , como lo llamamos, el problema HIPPO [la opinión de la persona mejor pagada]. Es un problema tan cultural y humano que es difícil de superar, por lo que volverse impulsado por los datos es muy, muy difícil.

Lo más importante (mi amigo Tom Webster de Edison Research dice esto) que impide que alguien se base en datos es que no puede lidiar con datos, análisis y respuestas que no le gustan.

En las artes marciales, tenemos una expresión que dice que tienes que sentirte cómodo sintiéndote incómodo , lo que significa que tienes que sentirte cómodo con respuestas parciales, con respuestas incompletas, con perder algunos de los datos que nunca tendrás, y aun así poder utilizar los datos de manera que generen un impacto en el negocio. No es que la gente tenga problemas de especialización o habilidades específicas. Puedes enseñar cualquier habilidad. El problema es que puedes hacer ese cambio cultural para decir: Sí, incluso si no me gusta la respuesta, incluso si no tengo clara la respuesta, seguiré usando la respuesta para tomar una decisión .

MB: Así que se trata más de un cambio cultural.

CP: Realmente lo es.

MB: Hablando de este cambio cultural, ¿tiene alguna recomendación sobre por dónde empezar?

CP: Trabajar para empresas que ya lo son. Suena frívolo, pero debido a que es algo tan humano, si el ADN de la empresa en la que trabajas no es así, es extremadamente difícil hacer ese giro, especialmente si el liderazgo no ha aceptado. Si el liderazgo es como , No, lo vamos a hacer como siempre lo hemos hecho. Nuestra empresa tiene 126 años, ¡y siempre lo hemos hecho así! Bueno, no vas a hacerles cambiar de opinión.

Estaba cenando con alguien en una conferencia recientemente. Y dijeron, Nuestra compañía tiene 126 años, y nuestro CEO dijo que solo queremos que sea 1950 . ¿Por qué no puede ser 1950, cuando la gente simplemente compra y usa nuestros productos y todo esto de Internet desaparece? Bueno, malas noticias, eso no va a pasar. [Risa]

MB: Es bastante difícil. Una breve historia aquí: Trabajamos con una empresa que tiene una larga historia. Fueron fundados en 1908 o algo así como un negocio familiar, y han producido lencería desde entonces. Y se hicieron bastante grandes. Ahora venden en Francia, Países Bajos, Reino Unido, Alemania, etc. Y tienen muchas tiendas físicas, y tienen diferentes cadenas. Tienen un segmento de lujo, un segmento de mercado masivo, etc. Y en algún momento, su equipo de comercio electrónico se acercó a la gerencia y dijo : Necesitamos aumentar nuestro presupuesto porque nuestros gastos están creciendo, estamos generando ventas y esto y aquello. Y dijeron, ¿saben qué, muchachos? Si observamos los ingresos generales, solo son responsables del 5 %.

Entonces, el equipo de comercio electrónico se acercó a nosotros y nos preguntó: ¿Pueden ayudarnos a demostrar, considerando la investigación de compras en línea fuera de línea, que en realidad producimos más ingresos para la empresa y que influimos en números más grandes? Ejecutamos un proyecto con ellos, y tomó unos buenos cinco o seis meses. Pero al final del día, resultó que eran responsables de casi el 30-35 % de los ingresos. Y les ayudó a demostrar que estaban haciendo cosas y eso les ayudó a aumentar su presupuesto. Pero sí, tomó un tiempo hablar con la junta directiva, mostrar los números e intentar cambiar este sentimiento interno. Exactamente de lo que estabas hablando.

CP: Sí. La cultura es dura. La gente es dura.

MB: Eso me lleva a otra pregunta. Me gustaría volver a la primera pregunta sobre habilidades técnicas. Estabas hablando de plataforma, personas y procesos, pero ¿qué piensas sobre cosas más técnicas, como Python simple y saber cómo crear tableros? ¿Quizás estadísticas? ¿Cuáles son las cosas cruciales para empezar para las personas que quieren profundizar en el análisis?

CP: Bueno, tengo un poco de queja sobre esto. Los tableros son visualización. La visualización es una parte crítica del análisis de datos. Y es una de esas cosas que es un arte en sí mismo. Las tecnologías que mencionó (SQL, Python, R, etc.) no son herramientas de visualización. Son herramientas informáticas.

Y uno de los mayores pecados en todos los análisis de datos, pero especialmente en el marketing, es intentar que tus herramientas de visualización hagan computación.

Es como la gente que trata de hacer que su sitio web codifique e interactúe con el contenido, la visualización. Tus hojas de estilo y tu HTML están separados por una razón. Porque la visualización está separada de la computación. Necesita absolutamente SQL, Python, R, SPSS y OWOX, y cualquier otra cosa que use para hacer la computación y hacerlo bien, para poder proporcionar todo el análisis de datos en el backend antes de que pase a la visualización.

En ningún momento su panel de control, sus visualizaciones, deben realizar ningún tipo de computación. No debe combinar datos, no debe manipular datos. Todos los datos que se incluyen en las visualizaciones ya deben calcularse antes de que lleguen allí.

Porque de lo contrario, lo que sucede es que te encuentras con este problema de gobernanza masivo. El jefe necesita un nuevo cambio en algo, pero no sabemos cómo llegó allí ese punto de datos. Así que no sabemos cómo manipularlo. Así que no podemos hacer ningún cambio. Tenemos que decirle al jefe, Lo siento, nos llevará seis semanas desenredar nuestros espaguetis para entender lo que va a pasar aquí .

Cuando mantiene la computación separada de la visualización y el jefe dice: Oye, quiero esto, dices: Genial, voy a entrar en mi capa de computación, cargar nuestro estudio y hacer cambios en el código y la lógica de computación . Y sacaré un nuevo punto de datos o cambiaré el punto . Y eso lleva a Sí, gráfico de barras, nuevo gráfico de barras, ahí está . Y mantiene limpios los cambios, mantiene las versiones bajo control. Y hace que todas las manipulaciones de datos sean mucho más fáciles de administrar, especialmente a escala.

Si es un todo en uno de marketing, probablemente pueda salirse con la suya con una persona, una tienda, una herramienta. Y no vas a encontrarte con el problema del control de versiones porque eres la única persona responsable de ello. Sin embargo, si te vas o te despiden, esa empresa está totalmente arruinada. Y es la peor práctica.

Si está en una empresa más grande donde hay varias personas en sus departamentos de análisis y marketing, debe mantener la computación y la visualización separadas. De lo contrario, perderá mucho tiempo y dinero tratando de averiguar dónde se encuentran los datos y quién está a cargo de ellos.

La otra cosa, y esto es tan importante para el cumplimiento en estos días con GDPR y CCPA y otras regulaciones, es que si la visualización y el cómputo se combinan, tiene un problema de control de acceso. Tiene un problema en el que no puede crear límites en cuanto a quién tiene acceso a los datos, lo que significa que puede filtrar datos, puede exponerlos a empleados que no deberían tener acceso a ciertas fuentes de datos.

Cuando el cómputo se rige y se maneja por separado, puede restringirlo y decirle a su equipo de visualización, puede visualizar todo lo que se le permite tener , y en ningún momento la información personal confidencial se envía al equipo de visualización para mantenerla. está a salvo de ellos. Es muy importante que la gente haga eso para mantener estas cosas separadas y limpias.

Entonces, ¿un analista responsable de la visualización necesita conocer esos lenguajes? Absolutamente no. ¿La persona informática necesita saber? Cien por ciento sí.

MB: Tienes un gran punto aquí. Me gusta mucho el enfoque cuando visualizamos conjuntos de datos listos para usar y no hay campos calculados en ellos.

Y me gustaría aclarar una pregunta que ya hice. Hay diferentes etapas de negocios o diferentes tamaños de negocios o negocios que operan a diferentes escalas. Puedes mirarlo desde diferentes ángulos. SMB, SME, empresa: todos tienen diferentes requisitos para un equipo de análisis, o al menos parece que los tienen. ¿Qué piensas? ¿Cree que hay una diferencia en los requisitos para los analistas en empresas de diferentes tipos?

CP: Fundamentalmente, todos tienen el mismo objetivo en marketing, que es ayudar a generar ingresos. ¿Derecha? Si su objetivo en marketing no es ayudar a generar ingresos, no estoy seguro de lo que está haciendo en marketing. Pero sea lo que sea que estés haciendo, lo estás haciendo mal. Porque al final del día, ese es nuestro cargo: crear impacto. Lo que pasa no es que haya cosas diferentes que hacer. A medida que su empresa crece, las tareas se vuelven más especializadas. Cuando eres un programa de una sola persona en una pequeña empresa, eres el diseñador web, el tipo o chica de correo electrónico, el analista, el estadístico, la persona de servicio al cliente posiblemente.

A medida que creces, contratas. Y a medida que contratas, te especializas. Empiezas a dividir tareas individuales. Y cada tarea ahora tiene su propio informe y sus propios datos, su propia visualización. Y así, al final del día, lo que las empresas hacen mal con mayor frecuencia es que pierden de vista el hecho de que cada una de estas especializaciones, especialmente en la empresa, todavía tiene que alcanzar el mismo objetivo que todos tienen, que es ¿Impulsamos el impacto empresarial? ¿Ayudamos a la empresa a ganar dinero, ahorrar dinero o ahorrar tiempo? aumentar los clientes? Todas estas cosas.

Entonces, dependiendo de dónde se encuentre su empresa en su ciclo de vida, su papel, si es un analista sensato, es preguntar: ¿Qué estoy haciendo que contribuya a ese objetivo general? ¿Cuáles son mis KPI personalmente? ¿Mis KPI personales están alineados con los KPI del departamento? ¿Están alineados con los del negocio? La definición que utilizo en todas mis charlas, la escuchó en la conferencia MAICON [Conferencia de inteligencia artificial de marketing], es que un KPI es un número que determina si obtiene una bonificación o lo despiden, ¿verdad? Eso es un KPI. Si es un número y no obtendrá una bonificación ni lo despedirán por ello, es una métrica.

Entonces, cuando mira desde esa perspectiva, ¿cuáles son los KPI en los que está trabajando, en los que está trabajando su equipo, en los que está trabajando su departamento, en los que está trabajando su empresa? Y miras esos números, y a veces no van a tener ningún sentido. Y si ese es el caso, entonces usted, como analista, debe ser consciente de eso y levantar la bandera y decir: Chicos, no estoy seguro de que esto vaya a generar ningún impacto en el negocio. Y si la empresa dice que todavía tienes que hacerlo, ahí es cuando empiezas a actualizar tu perfil de LinkedIn. Porque si una empresa está trabajando en KPI sin sentido, van a cerrar. Es solo cuestión de tiempo.

MB: Entonces, para asegurarme de que lo entendí bien, no hay diferencia en los requisitos para los analistas en las empresas pequeñas y en las grandes porque el objetivo para todos son los ingresos.

CP: Sí, impacto en los ingresos y el negocio: ¿está ayudando a la empresa a ganar dinero, ahorrar dinero o ahorrar tiempo? Esas son las tres funciones que todo el mundo quiere y todo negocio necesita. Es lo mismo de lo que hemos estado hablando durante 10 milenios: mejor, más rápido, más barato ... todo el mundo quiere eso. Entonces, ¿qué estamos haciendo para que nuestro negocio sea mejor, más rápido y más económico?

CP: Sí. Y este es uno de los mayores problemas del aprendizaje automático y la IA en la actualidad: no solo saber lo que sucede dentro de la caja, sino también interpretarlo y explicarlo.

La explicabilidad es una explicación post-hoc de lo que hizo el modelo, como en esto pasó y estas cosas no. 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, Gracias por eso. 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, Fin de la historia. 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!

¡Guau! 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!