Jouer à Digital Jenga avec Modern Marketing Analytics : Entretien avec Christopher Penn

L'interview d'aujourd'hui avec Christopher Penn, Chief Data Scientist et co-fondateur de Trust Insights, a fait le buzz avant même d'être publiée. Alors prenez du pop-corn ou une tasse de thé chaud et lisez cet article sur les analyses et les analystes, le martech moderne et où tout se dirige.

Comme toujours, merci à Mariia Bocheva qui a tenu cette belle conversation avec Christopher.

Source : Page Facebook officielle de Christopher Penn

Aller directement aux points d'intérêt ici:​

Mariia Bocheva : Pouvez-vous nous présenter rapidement votre personnalité ?

Christopher Penn : Ma formation était dans l'informatique. Ma maîtrise est en gestion des systèmes d'information. J'ai commencé à travailler dans une startup de services financiers au début des années 2000. La mise à jour du serveur Web est devenue la mise à jour du site Web et le lancement des e-mails corrigés est devenu l'envoi de la newsletter par e-mail.

Ce qui s'est passé à cette époque, c'est que le marketing est devenu une technologie marketing. Puis, à la fin des années 2000 et au début de cette décennie, je suis passé au marketing à plein temps et j'ai commencé à travailler avec beaucoup plus de données. Et c'est à ce moment-là que je me suis beaucoup plus concentré sur la science des données. Je suis allé en interne dans une entreprise de relations publiques pendant environ cinq ans et j'ai vraiment commencé à m'intéresser davantage à l'apprentissage automatique et à l'IA.
Je me suis séparé de cette entreprise il y a environ deux ans maintenant parce qu'ils allaient dans une direction différente. Je voulais vraiment me concentrer sur la science des données et l'apprentissage automatique.

MB : Vous avez mentionné la science des données, l'apprentissage automatique et l'analyse. Selon vous, quelles sont les compétences techniques les plus importantes aujourd'hui ?

CP : Il y a trois seaux de compétences. Si vous remontez à 1964, il y avait un célèbre stratège commercial nommé Harold Leavitt qui postulait qu'il y avait trois domaines dans lesquels tout le monde devait être compétent : les personnes, les processus et la technologie.

Pour un analyste qualifié ou un spécialiste des données qualifié, vous avez besoin de capacités dans les trois domaines. Vous devez comprendre le côté humain des choses, comment les gens travaillent, la stratégie commerciale globale et des choses comme ça, et vous devez avoir une bonne maîtrise des problèmes que l'entreprise veut résoudre. Vous devez également maîtriser le processus - la façon dont les choses sont faites - et être capable de traduire cela dans le travail que vous effectuez. Et puis, bien sûr, vous devez avoir accès à la technologie, aux compétences, aux connaissances mathématiques pour effectuer une analyse de données - et vous devez être capable de coder.

Ce sont les trois grands seaux que très peu de gens ont en quantités égales et robustes. Beaucoup de gens ont des compétences dans un domaine et sont faibles dans les deux autres. Et c'est probablement l'une des choses les plus importantes qu'un analyste doit être capable de faire : identifier ses faiblesses. Pour pouvoir dire, oui, c'est ce sur quoi je dois travailler pour amener mes niveaux là où je suis fort.

MB : Cela couvre en partie les compétences non techniques, car j'appellerais à peine savoir comment les gens travaillent une "compétence technique". Qu'est ce que tu penses de ça? Selon vous, quelles soft skills sont importantes ?

CP : La différence entre les hard skills et les soft skills concerne davantage l'interne et l'externe. Vos compétences externes sont celles que vous appelleriez des compétences techniques : la capacité de parler à un autre être humain, de lire les expressions sur son visage et des trucs comme ça.

Mais en interne, cela nécessite une énorme conscience de soi. Cela nécessite de comprendre votre propre ego, les choses qui vous rendent plus ou moins efficace en tant que professionnel des affaires, vos faiblesses dont vous devez vous accommoder. Pour certaines personnes, c'est leur ego, leur capacité à dire, Ouais, je dois toujours avoir raison . Mais non, vous ne le faites pas.

Et en fait, c'est un péché mortel dans l'analyse de données, n'est-ce pas ? Je me souviens que je travaillais avec cette entreprise de recherche et leur argumentaire était "quel que soit le point que vous voulez faire valoir, nous pouvons créer des données pour le soutenir." Ce n'est pas comme ça que ça marche. [Rires] Et pourtant, c'est en fait une entreprise réputée parce qu'elle aide les entreprises à inventer des données pour défendre ce qu'elles veulent prouver. Et donc les gens font affaire avec eux parce qu'ils disent ce que vous voulez entendre.

Une autre compétence super importante est d'être capable d'expliquer les choses aux autres d'une manière qu'ils peuvent comprendre. Encore une fois, il y a ce genre d'empathie. Et puis la troisième chose est vraiment d'être capable d'enseigner à plusieurs niveaux, d'être capable de savoir où se trouve quelqu'un (la partie empathie) et de s'adapter ensuite au public avec lequel vous travaillez.

J'étais récemment chez Content Marketing World. Et dans un public, j'avais des gens qui étaient des codeurs. Alors j'ai dit aux codeurs, d'accord, donc c'est la modélisation de la chaîne de Markov pour vous, mais pour tous les autres, c'est du Jenga numérique . Être capable d'adapter votre enseignement là où quelqu'un est une compétence non technique super importante. C'est très difficile si vous n'avez aucune expérience dans la conception d'instructions pédagogiques ou aucune expérience dans ce domaine. J'ai aidé dans l'école d'arts martiaux de mon professeur pendant 25 ans et c'est une grande compétence que j'ai là - être capable de voir que quelqu'un a du mal avec ça, qu'il a besoin d'aide avec ça, et d'identifier où se trouve quelqu'un leur propre progression dans leur carrière est super importante. Et c'est une compétence qui ne s'enseigne pas. Vous devez l'apprendre à travers vos propres expériences.

MB : Pensez-vous que cela est également lié à la narration et à la capacité de présenter des données de manière à ce que les gens puissent les comprendre ?

CP : Je suis d'accord que ça l'est. Il y a une expression en psychologie appelée « jeter des matelas » — tout le monde a une porte mentale qui est orientée différemment. Et si vous lancez un matelas contre cette porte, il n'y a qu'un certain nombre de passages. Mais la porte de chacun est différente. Alors, comment se forme votre public ? Pouvez-vous jeter les matelas de manière à ce qu'ils franchissent le plus de portes possible ?

Je n'aime pas le "storytelling". Et la raison pour laquelle je n'aime pas cette phrase, c'est parce que les spécialistes du marketing, en particulier ceux qui ne maîtrisent pas bien les données, ont tendance à être trop égocentriques, trop centrés sur l'entreprise et à dire quelque chose comme, nous allons dire vous une histoire sur notre merveilleux produit! Mais personne ne s'en soucie, n'est-ce pas ? Racontez les histoires que le public veut. Et cela, encore une fois, remonte à l'empathie et à la conscience de soi. Il ne s'agit pas de vous ou de l'entreprise. Il s'agit de ce dont le public a besoin.

MB : C'est un excellent point. Je vois tout à fait ce que tu veux dire. En parlant de jeter des matelas et de la façon dont tout le monde est différent, que pensez-vous d'une mauvaise communication entre les analystes et les équipes marketing ? Avez-vous des recommandations sur la façon dont la communication peut être améliorée ?

CP : Je ne pense pas que ce soit vraiment un problème parce que peu d'équipes marketing parlent aux analystes en premier lieu — ou même y ont accès. La plupart des spécialistes du marketing à qui je parle sont obligés d'essayer d'être des analystes parce que leur entreprise n'a pas d'[analystes] ou que l'entreprise les a déployés sur des problèmes commerciaux plus urgents. Le plus grand défi est donc pour ces pauvres spécialistes du marketing de développer tout type de compétences analytiques pour traiter les données dont ils disposent.

Je ne peux pas vous dire le nombre de fois où j'ai parlé à un spécialiste du marketing qui m'a dit, Oh, oui, nous avons Google Analytics. Je ne sais pas ce que cela signifie. Je ne connais rien à Google Analytics. C'est tellement bizarre d'avoir ces discussions. Ce n'est pas, vous savez, une opération de fusée. Mais encore une fois, pour en revenir à cette conscience de soi, c'est une opération de fusée pour eux parce qu'ils se sont lancés dans le marketing pour être créatifs, pour être inspirants, pour bien écrire, pour créer des choses. Ils ne se sont pas lancés dans le marketing parce qu'ils aimaient la science quantitative. Sinon, ils seraient devenus des scientifiques des données en premier lieu.

Mais maintenant, la technologie marketing et le marketing numérique les ont obligés à faire face à ce problème ou à l'ignorer le plus longtemps possible. Lorsqu'ils ont accès aux données ou qu'ils ont accès à un analyste, leur succès dépendra de leur conscience de soi.

Les analystes n'ont pas un bon vocabulaire marketing, et les spécialistes du marketing n'ont pas un bon vocabulaire en science des données et en analyse de données. Donc, la chose la plus importante et la plus facile à faire est probablement de réunir les gens le vendredi après-midi avec la boisson de votre choix et de les faire parler entre eux. Parce qu'on peut se familiariser suffisamment avec une discipline rien qu'en entendant les gens en parler.

De plus, les gens ont des déplacements dans de nombreux endroits. Et ce n'est pas une mauvaise chose pour vos scientifiques de données d'écouter des podcasts marketing ou pour vos spécialistes du marketing d'écouter des podcasts de science des données pour vraiment commencer à entendre le vocabulaire, entendre des choses comme la régression et la régression logistique et la forêt aléatoire. Et les gens pourraient dire, Oh, je devrais demander à mon équipe ce que cela signifie ou Il y a différents types de données dans chacun d'eux, comment pouvons-nous les traiter ?

C'est vraiment faire en sorte que tout le monde entende le vocabulaire d'autres disciplines comme un moyen de commencer à avoir ces interactions significatives.

MB : J'aime beaucoup la façon dont vous l'avez mis en place. J'ai une formation en analytique, mais je travaille aussi en marketing. Pour moi, cela n'a jamais été un problème, car j'ai été exposé aux deux. Mais beaucoup de gens qui ont travaillé dans un domaine ne sont pas exposés à l'autre.

CP : Exactement.

MB : Super. En termes d'erreurs, quelle est, selon vous, la plus grosse erreur qu'un analyste puisse commettre ? Peut-être pouvez-vous partager quelque chose de votre expérience que vous avez rencontré ?

CP : En termes d'erreurs que commettent les analystes… Ce sont des problèmes humains, n'est-ce pas ? Donc, le numéro un est vraiment le biais de présupposition. Autrement dit, je sais quel résultat je recherche et je dois le prouver. Non. Le mot pour cela est incurieux. Si vous êtes incurieux, vous n'êtes pas curieux, vous ne voulez pas trouver la bonne réponse. Vous voulez trouver une réponse le plus rapidement possible, ou vous voulez trouver une réponse qui justifie un parti pris que vous avez déjà, un résultat que vous avez déjà jugé, et ce sont des problèmes humains, n'est-ce pas ? Ceux-ci ne sont pas liés à la technologie, et aucun logiciel ne va résoudre ce problème. Aucun outil ne résoudra votre manque de curiosité.

C'est donc quelque chose que nous devons former du mieux que nous pouvons et embaucher, plus que tout. Et vous pouvez embaucher par curiosité, non ?

Il y a une question d'entrevue que j'avais l'habitude de faire, que je trouvais toujours amusante, où je prenais un jeu de cartes à jouer ordinaire et le donnais à une personne lors d'une entrevue. Je dirais, Voici un jeu de cartes. Mettez-le dans l'ordre . Je n'ai jamais spécifié aucun type de commande ou quelque chose comme ça. Le but est de regarder la personne et de voir comment elle réagit à une telle directive. Paniquent-ils ? Ce n'est probablement pas si oui, j'ai compris. Je vais le mettre en ordre . Mais je n'ai pas dit quelle commande je voulais. Encore une fois, ils ont un biais de présupposition, et c'est mauvais. Posent-ils des questions ? Combien de questions posent-ils ? Quand ils creusent, vous poussent-ils dessus ? Ce sont des attributs que vous voudriez avoir.

MB : Passons à la suite de notre entretien sur la même chose mais d'un autre point de vue. Il y a beaucoup de mots à la mode aujourd'hui. Tout le monde parle d'entreprises axées sur les données, mais peu d'entreprises y parviennent. Pourquoi pensez-vous que c'est? Y a-t-il quelque chose qui nous manque en termes d'analyse ou de marketing qui pourrait amener les entreprises à un autre niveau et les aider à se développer et à être en mesure d'utiliser les données dont elles disposent ?

CP : C'est un problème humain plus qu'autre chose.

Être axé sur les données signifie que vous devez d'abord prendre des décisions avec des données - pas l'expérience, pas l'intellect, pas l'instinct, ce n'est pas ainsi que nous l'avons toujours fait .

Vous devez regarder les données et vous dire, d' accord, c'est ce que disent les données, et nous sommes sûrs de la façon dont elles ont été traitées, alors prenons des décisions en fonction de celles-ci .

Cela nécessite de surmonter mon chemin est toujours juste - comme nous l'appelons, le problème HIPPO [l'opinion de la personne la mieux payée]. C'est un problème tellement culturel et humain qu'il est difficile de surmonter, donc devenir axé sur les données est vraiment, vraiment difficile.

La première chose - mon ami Tom Webster d'Edison Research le dit - qui empêche quelqu'un d'être axé sur les données, c'est qu'il ne peut pas gérer des données, des analyses et des réponses qu'il n'aime pas !

Dans les arts martiaux, nous avons une expression selon laquelle vous devez être à l'aise d'être mal à l'aise , ce qui signifie que vous devez être à l'aise avec des réponses partielles, avec des réponses incomplètes, avec des données manquantes que vous n'aurez jamais, et toujours capable utiliser les données de manière à avoir un impact commercial. Ce n'est pas que les gens aient des problèmes de spécialisation ou des compétences spécifiques. Vous pouvez enseigner n'importe quelle compétence. Le problème est que pouvez-vous faire ce changement culturel pour dire, oui, même si je n'aime pas la réponse, même si je ne suis pas clair sur la réponse, je vais quand même utiliser la réponse pour prendre une décision .

MB : Il s'agit donc plutôt d'un changement culturel.

CP : C'est vraiment le cas.

MB : En parlant de ce changement culturel, avez-vous des recommandations sur où commencer ?

CP : Travaillez pour des entreprises qui le sont déjà. Cela semble désinvolte, mais parce que c'est une chose tellement humaine, si l'ADN de l'entreprise dans laquelle vous travaillez n'est pas ainsi, il est extrêmement difficile de faire pivoter ce pivot, surtout si le leadership n'a pas adhéré. Si le leadership est comme , Non, nous allons le faire comme nous l'avons toujours fait. Notre entreprise a 126 ans et nous l'avons toujours fait ainsi ! Eh bien, vous n'allez pas leur faire changer d'avis.

Je dînais avec quelqu'un à une conférence récemment. Et ils ont dit, Notre entreprise a 126 ans, et notre PDG a dit que nous voulions juste que ce soit 1950 . Pourquoi ne pouvons-nous pas être en 1950, lorsque les gens achètent et utilisent nos produits et que toute cette histoire d'Internet disparaît ? Eh bien, mauvaise nouvelle, ça n'arrivera pas. [En riant]

MB : C'est assez difficile. Une histoire rapide ici : Nous travaillons avec une entreprise qui a une longue histoire. Ils ont été fondés en 1908 ou quelque chose comme ça en tant qu'entreprise familiale, et ils ont produit de la lingerie depuis lors. Et ils sont devenus assez gros. Maintenant, ils vendent en France, aux Pays-Bas, au Royaume-Uni, en Allemagne, etc. Et ils ont beaucoup de magasins physiques, et ils ont différentes chaînes. Ils ont un segment de luxe, un segment de marché de masse, etc. Et à un moment donné, leur équipe de commerce électronique est venue voir la direction et a dit : nous devons augmenter notre budget car nos dépenses augmentent, nous attirons des ventes et ceci et cela. Et ils ont dit, vous savez quoi, les gars, si on regarde le chiffre d'affaires global, vous n'êtes responsables que de 5 %.

L'équipe de commerce électronique est donc venue nous voir et nous a demandé : pouvez-vous nous aider à prouver, en considérant la recherche d'achat en ligne hors ligne, que nous produisons réellement plus de revenus pour l'entreprise et que nous influençons un plus grand nombre ? Nous avons mené un projet avec eux, et cela a duré cinq ou six mois. Mais en fin de compte, il s'est avéré qu'ils étaient responsables de près de 30 à 35 % des revenus. Et cela les a aidés à prouver qu'ils faisaient des choses et cela les a aidés à augmenter leur budget. Mais oui, il a fallu un certain temps pour parler au conseil d'administration, montrer les chiffres et essayer de changer ce sentiment interne. Exactement ce dont vous parliez.

CP : Ouais. La culture est dure. Les gens sont durs.

MB : Cela m'amène à une autre question. J'aimerais revenir à la première question sur les compétences spécialisées. Vous parliez de plate-forme, de personnes et de processus, mais que pensez-vous de choses plus techniques, comme Python simple et savoir comment créer des tableaux de bord ? Peut-être des statistiques ? Quels sont les éléments cruciaux par lesquels commencer pour les personnes qui souhaitent approfondir leurs analyses ?

CP : D'accord, alors j'ai un peu de rage à ce sujet. Les tableaux de bord sont une visualisation. La visualisation est un élément essentiel de l'analyse des données. Et c'est une de ces choses qui est un art en soi. Les technologies que vous avez mentionnées — SQL, Python, R, etc. — ne sont pas des outils de visualisation. Ce sont des outils de calcul.

Et l'un des plus grands péchés dans toutes les analyses de données, mais surtout dans le marketing, est d'essayer de faire en sorte que vos outils de visualisation fassent du calcul.

C'est comme les gens qui essaient de créer le code de leur site Web et d'interagir avec le contenu, la visualisation. Vos feuilles de style et votre HTML sont séparés pour une raison. Parce que la visualisation est distincte de l'informatique. Vous avez absolument besoin de SQL, de Python, de R, de SPSS et d'OWOX, et de tout ce que vous utilisez pour faire le calcul et le faire bien - pour pouvoir fournir toutes les analyses de données sur le backend avant qu'elles ne passent à la visualisation.

À aucun moment, votre tableau de bord - vos visualisations - ne doit faire aucun type de calcul. Vous ne devriez pas mélanger les données, vous ne devriez pas faire de manipulation de données. Toutes les données qui entrent dans les visualisations doivent déjà être calculées avant d'y arriver.

Parce que ce qui se passe autrement, c'est que vous vous heurtez à cet énorme problème de gouvernance. Le patron a besoin d'un nouveau changement pour quelque chose, mais nous ne savons pas comment ce point de données est arrivé là. Nous ne savons donc pas comment le manipuler. Nous ne pouvons donc apporter aucune modification. Il faut dire au patron, Désolé, ça va nous prendre six semaines pour démêler nos spaghettis pour comprendre ce qui va se passer ici .

Lorsque vous séparez le calcul de la visualisation et que le patron dit, Hé, je veux ça, vous dites, Super, je vais aller dans ma couche de calcul, charger notre studio et apporter des modifications au code et à la logique de calcul . Et je vais pousser un nouveau point de données ou changer le point . Et cela mène à Oui, graphique à barres, nouveau graphique à barres, le voilà. Et il garde les changements propres, il garde les versions sous contrôle. Et cela facilite grandement la gestion de toutes les manipulations de données, en particulier à grande échelle.

Si vous êtes un marketing tout-en-un, vous pouvez probablement vous en tirer avec une seule personne, un seul magasin, un seul outil. Et vous n'allez pas rencontrer le problème du contrôle de version parce que vous êtes la seule personne qui en est responsable. Cependant, si vous partez ou êtes licencié, cette entreprise est totalement arrosée. Et c'est la pire pratique.

Si vous êtes dans une grande entreprise où il y a plusieurs personnes dans vos services d'analyse et de marketing, vous devez séparer l'informatique et la visualisation. Sinon, vous allez perdre tellement de temps et d'argent à essayer de comprendre où se trouvent les données et qui en est responsable.

L'autre chose - et c'est si important pour la conformité de nos jours avec GDPR et CCPA et d'autres réglementations - est que si la visualisation et le calcul sont mélangés, vous avez un problème de contrôle d'accès. Vous avez un problème où vous ne pouvez pas créer de limites quant à qui a accès aux données, ce qui signifie que vous pouvez divulguer des données, vous pouvez les exposer à des employés qui ne devraient pas avoir accès à certaines sources de données.

Lorsque le calcul est régi et géré séparément, vous pouvez le restreindre et dire à votre équipe de visualisation, vous pouvez visualiser tout ce que vous êtes autorisé à avoir , et à aucun moment des informations personnelles sensibles ne sont transmises à l'équipe de visualisation pour les conserver. à l'abri d'eux. Il est si important que les gens fassent cela pour garder ces choses séparées et propres.

Un analyste responsable de la visualisation doit-il donc connaître ces langages ? Absolument pas. L'informaticien a-t-il besoin de savoir ? Cent pour cent oui.

MB : Vous avez un point important ici. J'aime beaucoup l'approche lorsque nous visualisons des ensembles de données prêts à l'emploi et qu'ils ne contiennent aucun champ calculé.

Et j'aimerais éclaircir une question que j'ai déjà posée. Il existe différentes étapes d'activité ou différentes tailles d'entreprises ou d'entreprises opérant à différentes échelles. Vous pouvez le regarder sous différents angles. SMB, PME, entreprise - ils ont tous des exigences différentes pour une équipe d'analyse, ou du moins il semble que ce soit le cas. Qu'en penses-tu? Pensez-vous qu'il y a une différence dans les exigences pour les analystes dans les entreprises de différents types ?

CP : Fondamentalement, tout le monde a le même objectif en marketing, qui est de contribuer à générer des revenus. À droite? Si votre objectif en marketing n'est pas d'aider à générer des revenus, je ne sais pas ce que vous faites en marketing. Mais quoi que vous fassiez, vous le faites mal. Parce qu'en fin de compte, c'est notre mission : créer un impact. Ce qui se passe, ce n'est pas qu'il y ait différentes choses à faire. Au fur et à mesure que votre entreprise évolue, les tâches deviennent plus spécialisées. Lorsque vous êtes une personne seule dans une petite entreprise, vous êtes le concepteur de sites Web, le gars ou la fille du courrier électronique, l'analyste, le statisticien, la personne du service client peut-être.

Au fur et à mesure que vous grandissez, vous embauchez. Et au fur et à mesure que vous embauchez, vous vous spécialisez. Vous commencez à diviser les tâches individuelles. Et chaque tâche a désormais son propre reporting et ses propres données, sa propre visualisation. Et donc en fin de compte, ce que les entreprises font le plus souvent de mal, c'est qu'elles perdent de vue le fait que chacune de ces spécialisations, en particulier dans l'entreprise, doit encore atteindre le même objectif que tout le monde a, qui est Avons-nous eu un impact commercial ? Aidons-nous l'entreprise à gagner de l'argent, à économiser de l'argent ou à gagner du temps ? Augmenter les clients ? Toutes ces choses.

Donc, selon l'endroit où se trouve votre entreprise dans son cycle de vie, votre rôle, si vous êtes un analyste sensé, est de demander, qu'est-ce que je fais qui contribue à cet objectif global ? Quels sont mes KPI personnellement ? Mes KPI personnels sont-ils alignés sur les KPI du département ? Sont-ils alignés sur ceux de l'entreprise ? La définition que j'utilise dans toutes mes conférences - vous l'avez entendue à la conférence MAICON [Marketing Artificial Intelligence Conference] - est qu'un KPI est un nombre qui détermine si vous obtenez une prime ou si vous êtes viré, n'est-ce pas ? C'est un KPI. Si c'est un nombre et que vous n'allez pas recevoir de bonus ou être viré pour cela, c'est une métrique.

Donc, de ce point de vue, quels sont les KPI vers lesquels vous travaillez, vers lesquels votre équipe travaille, vers lesquels votre département travaille, vers lesquels votre entreprise travaille ? Et vous regardez ces chiffres, et parfois ils n'auront aucun sens. Et si tel est le cas, alors vous, en tant qu'analyste, devez en être conscient et lever le drapeau et dire, les gars, je ne suis pas sûr que cela aura un impact commercial. Et si l'entreprise dit que vous devez encore le faire, c'est à ce moment-là que vous commencez à mettre à jour votre profil LinkedIn. Parce que si une entreprise travaille sur des KPI absurdes, elle va faire faillite. C'est juste une question de temps.

MB : Donc, juste pour être sûr d'avoir bien compris, il n'y a pas de différence entre les exigences des analystes des petites entreprises et celles des grandes entreprises, car l'objectif pour tout le monde est le chiffre d'affaires.

CP : Oui, les revenus et l'impact commercial — aidez-vous l'entreprise à gagner de l'argent, à économiser de l'argent ou à gagner du temps ? Ce sont les trois fonctions que tout le monde veut et dont chaque entreprise a besoin. C'est la même chose dont nous parlons depuis 10 millénaires : mieux, plus vite, moins cher … tout le monde veut ça. Alors, que faisons-nous pour rendre notre entreprise meilleure, plus rapide et moins chère ?

CP : Oui. Et c'est l'un des plus gros problèmes de l'apprentissage automatique et de l'IA aujourd'hui - non seulement savoir ce qui se passe à l'intérieur de la boîte, mais aussi l'interpréter et l'expliquer.

L'explicabilité est une explication post-hoc de ce que le modèle a fait, comme dans cette chose qui s'est passée et ces choses qui ne se sont pas passées. 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, Fin de l'histoire. 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!

Ouah! 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!