Investigación de BI de OWOX sobre el estado de la analítica digital: entrevista con Tim Wilson

Las preguntas para esta entrevista fueron preparadas por Mariia Bocheva, Ejecutiva de Desarrollo de Negocios de BI de OWOX, luego de conocer a Tim Wilson en la conferencia Superweek. Todas las fotos fueron amablemente presentadas por Banoczy Zoltan, fundador de Superweek – European Analytics Summit.

Fue un gran placer obtener información tan profunda de Tim Wilson (sígalo en Twitter), un analista activo con mucha experiencia y una visión positiva de la vida.

Tim ha trabajado con las múltiples dimensiones del marketing y los datos de los clientes durante más de 15 años. Dirigió el departamento de inteligencia empresarial de una empresa de alta tecnología de empresa a empresa valorada en 500 millones de dólares y ha consultado a varios de los 50 principales minoristas de Internet sobre cómo aplicar el análisis digital a sus negocios. Tim es un geek de datos amigable con los vendedores. Y ahora es director sénior de análisis en Search Discovery.

Search Discovery es una empresa de análisis e inteligencia empresarial que permite a las organizaciones utilizar los datos para mejorar el rendimiento empresarial.

¿Qué habilidades duras son las más importantes para los analistas hoy en día? ¿Un analista debe conocer SQL, Python y R y crear paneles en las herramientas de visualización más comunes, como Data Studio, Tableau y QlikView?

Este es uno de esos temas bastante debatidos últimamente. Comencemos diciendo que los analistas deben conocer muy bien las hojas de cálculo ( Google Sheets y Excel ). Incluso si no es ahí donde están haciendo la mayor parte de su trabajo, casi siempre obtendrán y enviarán información utilizando hojas de cálculo con bastante regularidad.

Y si un analista no se siente muy cómodo con BUSCARV y las tablas dinámicas , tendrá problemas con cualquier otra plataforma en la que realice análisis.

A partir de ahí, la comodidad con una herramienta de BI/visualización (agregaría Power BI a la lista en su pregunta) es cada vez más un requisito, aunque todavía hay muchas empresas que aún tienen que invertir en una. Soy un gran admirador de Google Data Studio por ese motivo: incluso si la empresa no se ha lanzado a una plataforma paga, los analistas deben saber cómo automatizar algunas visualizaciones y exploraciones básicas de sus datos clave de una manera que pueda ser compartida con sus partes interesadas.

Veo muchos analistas cuyos días están bastante ocupados haciendo un trabajo valioso sin haber ascendido la curva de aprendizaje muy empinada requerida para ganar fluidez con esos idiomas. Pero hay un límite en lo que se puede hacer con las plataformas Excel y BI.

Para un analista o una organización que tiene grandes volúmenes de datos granulares que desean utilizar en modelos, SQL y Python o R se convierten rápidamente en imprescindibles.

Y agregaría una tercera clase de habilidades duras: estadísticas . Esto significa ir más allá de las estadísticas de resumen como la media, la mediana y la desviación estándar, y comprender realmente cómo y dónde se pueden utilizar la regresión y la correlación, y los valores p y R-cuadrado. Se trata tanto de obtener una comprensión más profunda de la naturaleza de los datos como de implementar esos métodos estadísticos.

¿Qué habilidades blandas debe tener un buen analista?

¡Hay muchos! Las habilidades de comunicación efectiva están en la parte superior de la lista, y eso incluye todo, desde interacciones uno a uno con las partes interesadas (escuchar y comprender sus necesidades de manera activa) hasta aplicar las mejores prácticas en la visualización de datos para poder presentar los resultados. de un análisis de forma clara y comprensible.

Un buen analista también es curioso (sobre el negocio, sobre los datos, sobre el mundo), escéptico (sobre lo que muestran los datos; cada vez que hay una sorpresa, él/ella asume que es un problema de datos y profundiza para confirmar), y tiene un alto grado de perseverancia (para superar desafíos de datos e incluso desafíos de personas/procesos dentro de la organización). Estos pueden ser más "rasgos de carácter" que "habilidades", pero todos son bastante importantes.

¿Cree que la falta de comunicación entre los analistas y los equipos de marketing es común? En caso afirmativo, ¿tiene alguna recomendación sobre cómo superarlo?

¡Absolutamente! Los analistas y los especialistas en marketing hablan idiomas diferentes. En mi experiencia, realmente debe recaer en el analista "hablar de marketing". Eso se reduce a hacer algunas cosas:

1. Escuchando

Puede ser tentador comenzar a resolver problemas ( ¿Qué datos puedo obtener para responder a esta pregunta? ) de manera prematura y no investigar el problema comercial subyacente que el especialista en marketing busca abordar.

2. Analista que no habla

Un poco de educación del vendedor está bien, lo que significa una métrica, cuáles son las limitaciones en los datos, pero he visto a los analistas caer en la terminología de análisis profundo demasiado rápido cuando no es necesario.
Eso puede dejar al especialista en marketing confundido o, peor aún, sentirse incómodo o menospreciado ( no sé de qué está hablando el analista. ¿Se supone que debo hacerlo? ¡Él/ella parece pensar que debería hacerlo! ).

3. Nunca, nunca, NUNCA te digas a ti mismo que las partes interesadas son estúpidas

Ese es un error fatal: decidir que un desafío en una relación es una cuestión de inteligencia en lugar de una cuestión de comunicación.

¿Qué recursos o eventos profesionales puede recomendar para los analistas?

El principal recurso que puedo recomendar a los analistas, independientemente de dónde se encuentren, es el equipo de Measure Slack. Es gratis y tiene miles de analistas que interactúan constantemente y comparten entre sí. Cada pocas semanas, hay un hilo de discusión sobre ¿Cuáles son buenos recursos para aprender X? o ¿Cuáles son las buenas conferencias a las que ir para Y? ¡así que es incluso un recurso para identificar recursos!

Por otra parte, hay algunas conferencias geniales: MeasureCamp es una desconferencia gratuita que se organiza en todo el mundo (y si no hay una cerca de ti, ¡entonces puedes comenzar una!). Marketing Analytics Summit y Digital Analytics Hub son excelentes conferencias en los EE. UU., y Superweek es una opción fantástica en Europa.

La Digital Analytics Association continúa aumentando los recursos que ofrece a sus miembros, por lo que es un gran recurso con todo tipo de material excelente (e incluso un programa de tutoría). Hay una serie de MOOC como Coursera y edX que ofrecen una gran cantidad de cursos en línea.

Finalmente, si hiciera toda esta entrevista y no conectara el podcast Power Hour de Digital Analytics, ¡sería un vendedor terrible! Pero existen numerosos podcasts de análisis, aprendizaje automático e inteligencia artificial, demasiados (y demasiados que no puedo escuchar con regularidad), para que yo intente hacer recomendaciones.

¿Qué conocimientos les faltan a los analistas y especialistas en marketing para que las empresas se basen en datos?

Contexto empresarial y un profundo conocimiento de la incertidumbre. Lo primero, creo, ya que veo constantemente que tanto los analistas como los especialistas en marketing saltan a los datos queriendo "encontrar respuestas" y "generar información " sin haber formulado claramente una pregunta comercial para la cual la respuesta conducirá a una acción probable.

Este último es un poco más complicado de articular. Pero retrocediendo hasta John Wannamaker, que señaló a principios del siglo XX que "la mitad del dinero que gasto en publicidad se desperdicia; simplemente no sé qué mitad", los especialistas en marketing y los analistas esperaban que los datos proporcionaran "la verdad" en lugar de que aprender a operar en un mundo probabilístico.

Si bien es posible que sepamos "la verdad" sobre el pasado, como ¿cuánto tráfico llegó a mi sitio el mes pasado? (e incluso eso no es "verdadero": hay mucho desorden sobre la recopilación de datos que incluso hace que ese número sea solo una estimación), efectivamente poner esos datos en uso para impactar el futuro significa desarrollar una comprensión profunda de cómo "verdadero " una imagen del mundo que pintan los datos y luego operan en consecuencia.

¿Cuáles son las cosas más importantes que los analistas deben hacer en las diferentes etapas de madurez del negocio (inicio, SMB, SME, empresa)?

En realidad nunca he considerado esa pregunta. ¡Es interesante! Creo que las empresas emergentes tienden a tener más recursos y, en general, son más capaces de asumir algún riesgo de datos.

Por lo tanto, las nuevas empresas a menudo, por necesidad, necesitan ser rudimentarias y improvisar herramientas gratuitas con un control de datos limitado y algunas integraciones potencialmente frágiles (¡o incluso manuales!). Y esa es una buena forma de operar, siempre que se reconozca que, con el crecimiento, será necesario que los sistemas maduren.

Eso generalmente significa que las plataformas de datos deberán revisarse e incluso reemplazarse por completo.

En el otro extremo del espectro, las empresas, la gobernanza se convierte en un gran problema, ya que hay más personas y procesos que impactan y dependen de los datos. Y, por lo general, hay más recursos para dedicar al análisis, por lo que algunos de ellos pueden (¡o deberían!) ser responsables de la gobernanza y los procesos, lo que minimiza el riesgo de una falla que afecta a una gran cantidad de roles y, potencialmente, incluso a los más cercanos. -término línea superior del negocio.

¿Qué dificultades ve cuando se trata de implementar análisis y cómo evaluaría el desarrollo general del mercado?

Si limitamos la "implementación" a la implementación de plataformas de recopilación de datos, hay muchos desafíos:

• Las aplicaciones de una sola página (SPA) están muy de moda y presentan desafíos de etiquetado.
• El cambio de los consumidores a nivel macro hacia los dispositivos móviles, y la mayor probabilidad de que interactúen con las marcas en todos los dispositivos, ha hecho que el seguimiento entre dispositivos sea más importante para muchas organizaciones, y no existe una forma sencilla de lograrlo (depende de la naturaleza de la empresa y el sitio).
• Las regulaciones de privacidad como GDPR y (en los EE. UU.) CCPA han agregado restricciones y consideraciones adicionales al mundo de la recopilación de datos.
• El bloqueo del seguimiento y la eliminación de cookies está pasando cada vez más de los bloqueadores de anuncios instalados en una pequeña fracción de los navegadores de los usuarios a ser valores predeterminados estándar dentro de los propios navegadores, ¡lo que ciertamente puede alterar los datos!

¿Cuál es el mayor error que puede cometer un analista? ¿Puedes compartir algunos de tus errores analíticos?

Creo que lo más importante es emocionarse tanto por jugar con los datos que ¿Qué estoy tratando de lograr aquí? la pregunta se pierde.

Me ha sucedido eso más veces de las que me gustaría admitir: comencé con una pregunta comercial perfectamente válida, luego me dejé atrapar por la mecánica de los datos subyacentes y su complejidad y mi capacidad para conquistar esa complejidad de tal manera que, por el Al final del proyecto, había hecho algunas cosas bastante interesantes con los datos en sí, pero no había entregado algo que realmente hiciera avanzar el negocio.

¿Cuál crees que es el futuro de la analítica de marketing? ¿Qué tendencias ve venir y qué tiene una gran demanda?

A pesar de mis pensamientos anteriores sobre la necesidad de centrarme realmente en los conceptos básicos antes de sumergirme en la ciencia de datos y el aprendizaje automático, creo que seguiremos viendo más y más empresas que utilizan el aprendizaje automático de manera efectiva.

La principal razón de esto es que, cada vez más, las organizaciones tienen acceso a datos sin procesar sobre sus clientes y prospectos: conductuales, observacionales y demográficos.

Hace 10 años, por ejemplo, las plataformas de análisis digital proporcionaban principalmente datos agregados. Puede haber múltiples dimensiones y métricas en un informe, pero aun así, los datos disponibles no estaban a nivel de sesión o de persona.

Eso ha ido cambiando a medida que los principales actores en el mercado de análisis digital han comenzado a hacer que los datos de nivel de éxito estén disponibles, y cualquier cantidad de plataformas martech más nuevas tienen ese nivel de detalle disponible desde el principio. Y esos son los datos que se necesitan para realmente obtener valor de las técnicas de aprendizaje automático.

¿Qué problemas ve en el mercado hoy en día?

Un gran problema que veo es que hay una enorme cantidad de nuevas empresas respaldadas por empresas que, esencialmente, prometen al mercado que tienen una varita mágica de IA a la venta. En muchos (la mayoría) de los casos, eso es exageración de marketing.

Pero debido a que la tecnología es un margen más alto e inherentemente más escalable que las personas o los procesos, ahí es donde van los dólares de marketing en la industria, lo que significa que "el mercado" es bombardeado con el mensaje de que, si una organización simplemente compra e implementa la tecnología adecuada, se convertirá repentinamente en una organización con datos maduros y potenciada por IA.

La realidad simplemente no funciona de esa manera, muchas, muchas organizaciones están escribiendo grandes cheques por tecnología mientras se mueren de hambre cuando se trata de personal de análisis e inversión interna en mejoras de procesos de análisis.

¿Qué desafíos analíticos tiene en este momento?

Todavía tengo que educar continuamente a mis clientes sobre la importancia de establecer los conceptos básicos: KPI claramente establecidos, recopilación de datos confiable y sólida, automatización de tareas repetitivas y análisis impulsados ​​por hipótesis claramente articuladas. Ese es un desafío que realmente no ha cambiado en los últimos 15 años.

Un desafío más reciente es el entusiasmo por la ciencia de datos, el aprendizaje automático y la IA. Parte del desafío es aumentar las herramientas que se utilizan en esas áreas, y parte del desafío es evitar que los clientes quieran perseguir estos nuevos y brillantes objetos cuando su mayor valor provendría de centrarse en lo básico.

¡Gracias por tantos buenos consejos, Tim! Esperamos que lo sigan más analistas talentosos y que todo el mercado analítico se vuelva más educado, entusiasta y profesional.

¡Mantengámonos en contacto! Suscríbete a nuestro blog para leer las próximas entrevistas de nuestra investigación sobre el estado de la analítica digital y adapta la experiencia de los mejores analistas a tu negocio.

¿Qué le preguntarías a Tim? ¡Háganos saber en los comentarios a continuación!