Ce que j'ai appris au Marketing Analytics Summit 2019 à Las Vegas [Jour 2]

Ceci est la suite de mon récapitulatif du Marketing Analytics Summit. Pour en savoir plus sur les discussions du premier jour et sur les prochains sommets sur l'analyse marketing dans le monde, consultez l'article précédent.

• "La stratégie des données exécutables" par John Lovett
• "Ce que vous devez savoir sur vous - la psychologie du succès" par Michele Kiss
• "Identifier la personnalité du leadership" par Valérie Kroll
• "Analyse des analystes pour améliorer l'efficacité des processus" par Mariia Bocheva
  

Le jour 2 a commencé par une présentation liminaire de John Lovett , directeur principal de la stratégie de données chez Search Discovery. Son discours portait sur la stratégie de données exécutables - un plan d'utilisation des données à des fins qui comprend la compréhension de vos données, l'architecture de vos données pour les rendre utiles et l'activation de vos données pour un impact commercial.

Les organisations ont besoin d'une stratégie de données pour les guider, car l'exploitation des données dans l'environnement commercial d'aujourd'hui peut être complexe et déroutante. Il existe trois problèmes de données modernes : le manque de littératie des données, les silos de données et le manque de confiance dans les données.

Le problème ici est que les niveaux C et les chefs de départements ne comprennent souvent pas les données. Selon « Gartner Trend Insight Report: Fostering Data Literacy and Information by 2020 », 80 % des organisations prévoient d'initier délibérément le développement des compétences dans le domaine de la littératie des données, reconnaissant leur extrême carence.

Vous pouvez diviser la littératie des données en trois compartiments :

• Connaissance des métriques - Lorsque les gens savent ce que signifient les données, utilisent les mêmes termes et comprennent les valeurs qui les sous-tendent. C'est un niveau essentiel qui permet à tous les membres de l'équipe de parler le même langage.
• Connaissance des outils - Lorsque les gens sont capables de répondre aux besoins en données en libre-service, le cas échéant, et sont conscients du potentiel, des astuces et des limites des outils. Ce point est vraiment en corrélation avec la conférence de juin sur l'analyse en libre-service chez Twitch.
• Littératie conceptuelle - Lorsque les gens abordent et appliquent les données avec clarté et sophistication et peuvent s'expliquer à l'aide des données.

Pour maîtriser les données, vous devez comprendre vos données. Répondre aux questions suivantes devrait aider :

1. De quels types de données disposons-nous et de quels types avons-nous besoin pour répondre à nos questions ? Utilisez un inventaire de données interactif, des dictionnaires de données et des catalogues pour comprendre d'où viennent les données et en quoi elles consistent.
2. Les utilisateurs peuvent-ils accéder aux données en libre-service ou ont-ils besoin de quelqu'un pour les leur fournir ?
3. Qui a accès à nos données et comment les données peuvent-elles être utilisées ?
4. Les utilisateurs ont-ils une compréhension précise de nos données ou parlons-nous grec ?
5. Y a-t-il un degré élevé de confort dans l'utilisation des données, ou est-ce un combat chaque fois qu'un nouveau rapport doit être créé ?
   

Il n'est pas surprenant que la plupart des entreprises soient aux prises avec des données dispersées, car leurs sources de données ne communiquent pas entre elles :

Pour briser ces silos de données, vous devez définir d'où proviennent vos données et comment elles peuvent être connectées. Ensuite, vous pouvez hiérarchiser ce qui doit être mis en œuvre en premier. Voici quelques questions qui devraient vous y aider :

1. Quelles connexions de données et API existent ? La plupart des sources que vous souhaitez connecter peuvent être intégrées via des API prêtes à l'emploi ou des outils tiers, alors ne perdez pas de temps et d'autres ressources à créer vos propres intégrations.
2. Quelles transformations sont nécessaires à l'analyse ? Habituellement, vos données se présentent sous différents formats et à des vitesses différentes, donc pour les extraire dans un seul rapport, vous devez les traiter au préalable. Pensez-y à l'avance et planifiez en conséquence.
3. Existe-t-il des processus intégrés dans les ensembles de données ? Réfléchissez aux processus qui seront influencés par la mise en place de ces données.
4. Quand les données sont-elles actualisées et partagées ? Vérifiez à quelle fréquence vous devez mettre à jour les données et qui a besoin d'y accéder. Cela devrait aider à sélectionner les outils les plus appropriés pour partager des rapports avec l'équipe.

Une fois que vous avez répondu à ces questions, vous pouvez décider de l'approche que vous souhaitez utiliser pour l'architecture de vos données : des lacs de données, une structure de données ou un hub de données. Selon une étude récente de McKinsey, seulement 8 % des implémentations de lacs de données sont passées de la preuve de concept à la production.

Selon KPMG, seulement 35 % des organisations interrogées ont un niveau de confiance élevé dans l'utilisation de l'analyse de données par leur organisation. Pour résoudre ce problème, vous devez instaurer la confiance et activer vos données. Commencez par vous poser les questions suivantes :

1. Où les données peuvent-elles déclencher des actions automatisées ?
2. Comment utilisons-nous les données pour le ciblage et la personnalisation ?
3. Comment établir la confiance dans les données ?
   

Pour activer vos données, vous devez vous assurer que

• Les données sont fiables et les gens font confiance aux chiffres qu'ils voient. Cela peut être fait par différentes approches de test et de surveillance.
• Les données sont disponibles pour la collaboration. Allez parler aux parties prenantes de l'organisation pour comprendre sur quelles données elles doivent agir.
• Vous disposez d'un conseil de gouvernance des données chargé de superviser tous les processus liés aux données.

John a partagé quelques exemples concrets, notamment l'histoire d'un diffuseur américain à but non lucratif et l'approche utilisée par l'équipe Data Discovery pour élaborer une stratégie de données exécutables. Les étapes par lesquelles ils sont passés ont consisté à définir les objectifs, à les aligner sur les objectifs commerciaux et à mettre en place des mesures :

Une fois tous ces objectifs commerciaux rédigés, l'équipe Data Discovery les a hiérarchisés en fonction de l'impact commercial et du niveau d'effort requis, et a défini sa feuille de route de mise en œuvre en passant des tâches les plus cruciales et les plus précieuses aux moins importantes :

Ne laissez pas le faible taux de réussite des implémentations de lac de données vous effrayer. L'impact potentiel d'une mise en œuvre réussie est bien supérieur à l'investissement nécessaire. Pour commencer et éviter les erreurs d'autres entreprises, utilisez ces 10 secrets de l'analyse de mise à l'échelle. Vous pouvez toujours vous inspirer en regardant des études de cas d'autres entreprises. Voici quelques exemples:

• Ile de Beauté a utilisé l'analyse de bout en bout pour mesurer l'effet ROPO
• Des analyses de bout en bout intégrées et confortables en neuf étapes simples
• BUTIK. amélioration de la LTV client en combinant les données

La session suivante s'intitulait "Birds of a Feather", où chacun pouvait nommer un sujet ou un point douloureux dont il souhaitait discuter et passer à une table pour rencontrer des collègues partageant les mêmes idées pour une discussion approfondie. Personnellement, j'ai beaucoup aimé cette session car elle m'a donné quelques idées sur un problème que je ne savais pas comment résoudre.

Michele est une conférencière charismatique qui sait capter l'attention des gens, et j'ai beaucoup aimé la façon dont elle a montré les astuces de notre cerveau - mémoire de travail limitée, biais de confirmation, conformité à la norme, etc. - qui ont été prouvées par des études classiques. Il est important que les analystes soient conscients de ces contradictions, car l'analyse et l'optimisation consistent à utiliser des méthodes quantitatives pour comprendre les gens et pourquoi ils font ce qu'ils font. Voici quelques plats à emporter :

• Lorsque vous présentez des informations, vous devez travailler dans les limites des systèmes de perception et de mémoire.

Selon George A. Miller, un célèbre psychologue, la quantité d'informations que nous pouvons retenir dans la mémoire à court terme est de sept plus ou moins deux éléments. Un élément est un bloc d'informations, tel qu'un mot, un nombre, un point de données, etc. C'est pourquoi s'attendre à ce que les utilisateurs établissent des liens entre deux points de données à six pages d'intervalle ou il y a trente diapositives est une recette pour l'échec.

• Même si vos données semblent évidentes, si vous arrivez avec des "dernières nouvelles" qui vont à l'encontre de ce que l'entreprise sait, pense ou croit depuis un certain temps, vous aurez peut-être besoin de plus de données pour étayer votre point de vue contraire.

Vous pouvez également prévoir suffisamment de temps pour la discussion plutôt que de simplement envoyer vos conclusions, car ces discussions sont essentielles pour obtenir l'adhésion à ce nouveau point de vue. « Un homme avec une conviction est un homme difficile à changer. Montrez-lui des faits ou des chiffres et il remet en question vos sources. Faites appel à la logique et il ne comprendra pas votre point de vue », a déclaré Leon Festinger.

C'est ce qu'on appelle aussi la théorie de la dissonance cognitive. Cela nous dit que les gens n'aiment pas le sentiment d'incohérence (par exemple, entre nos croyances et nos actions). Nous cherchons à réduire ce sentiment inconfortable en justifiant nos croyances et en évitant les informations qui pourraient entrer en conflit.

• Lorsque vous travaillez avec des données, ne vous arrêtez pas à votre première hypothèse. Il peut être influencé par votre biais cognitif.

Notre cerveau est construit de manière à chercher à affirmer les croyances existantes. Et cela peut vous conduire à une erreur, car il peut y avoir de nombreuses raisons pour lesquelles les données montrent ce qu'elles font. En fait, je trouve que comprendre et reconnaître ce préjugé est très utile lorsque j'interroge des gens.

Vous obtenez généralement votre première impression dans les 15 secondes, et après cela, votre cerveau cherche quelque chose qui soutiendra cette première impression. Il est super important de remarquer ce moment et de commencer à chercher des faits qui soutiennent une position contraire. Cela vous aidera à échapper à vos biais cognitifs.

• Si vous avez des résultats analytiques qui remettent en question le statu quo, vous devez en discuter lentement et en tête-à-tête.

Évitez de mettre les gens sur place pour qu'ils soient d'accord ou en désaccord au sein d'un groupe, car il est moins probable que les membres d'un groupe défendent vos nouvelles découvertes contre la norme du groupe. De même, cela plaide contre le fait de passer directement à une séance de brainstorming de groupe. Une fois dans un groupe, 76 % des personnes seront d'accord avec le groupe (même si elles se trompent !), Il est donc plus facile d'avoir des idées plus variées et de minimiser la pensée de groupe en permettant un brainstorming individuel et sans entrave et en collectant toutes les idées en premier.

Cet effet est appelé conformité à la norme et a été prouvé par Ash dans ses expériences en 1951.

• Lorsque vous apportez des résultats, faites une recommandation sur la façon de les utiliser et soyez aussi précis que possible.

Définissez à qui revient la responsabilité d'agir si quelque chose change et assurez-vous d'avoir été entendu afin de ne pas vous faire piéger par l'effet de spectateur - plus il y a de spectateurs, moins il est probable qu'un individu intervienne et aide. Un bon exemple de cela est une urgence médicale lorsque tout le monde est debout et attend que quelqu'un d'autre agisse.

Il y a beaucoup plus d'exemples et de préjugés que vous pouvez trouver dans la présentation de Michele. Si vous souhaitez en savoir plus sur les préjugés, consultez cet article sur la psychologie pratique pour les data scientists par Conor Dewey.

Au cours du déjeuner, j'ai écouté une conférence vraiment inspirante sur l'identification de la personnalité du leadership par Valerie Kroll , directrice de l'optimisation chez Search Discovery et présidente du conseil d'administration de la Digital Analytics Association.

Dans son discours, Valérie a partagé son parcours de 12 ans d'un stagiaire quant à l'endroit où elle est maintenant et sa façon de devenir un leader. Voici plusieurs leçons qu'elle a apprises :

• Vous n'avez pas à gérer les gens pour être un leader. Un leader motive et inspire les autres à agir volontairement ; ils portent la culture et défient de manière constructive le statu quo. Je peux également ajouter que pour être un leader, vous devez avoir une forte empathie et une volonté de prendre des responsabilités.
• Trouvez des opportunités de leadership et ne vous laissez pas dépasser par le syndrome de l'imposteur :
  

Pour lutter contre le syndrome de l'imposteur, utilisez vos compétences analytiques - essayez d'examiner les faits et d'évaluer vos progrès et votre niveau actuel en fonction de ceux-ci, notez vos forces et vos réalisations et trouvez des moyens d'appliquer vos compétences. En outre, vous pouvez essayer le cahier d'exercices sur l'anxiété et la phobie d'Edmund J. Bourne.

• Si vous faites face à des préjugés ou à de la discrimination, parlez-en, idéalement avec le malfaiteur. Sinon, trouvez un collègue, un mentor ou quelqu'un des RH. Si votre entreprise n'a pas mis en place de processus pour gérer un problème important, signalez-le. N'ayez pas peur ou honte de qui vous êtes – votre âge, votre sexe, votre nationalité, etc. C'est peut-être quelque chose qui vous fait réussir et vous aide à apporter une perspective différente.
• Construisez votre marque personnelle sur les réseaux sociaux et encouragez le modèle en forme de T, évoluant non seulement en largeur mais aussi en profondeur.
  
• Tirez parti de votre réseau en établissant de véritables relations et ayez un argumentaire éclair prêt à l'emploi. Trouvez des connexions lors de rencontres, demandez aux gens de vous présenter à d'autres personnes intéressantes et développez ces connexions en apportant de la valeur. Soyez prêt à partager ce sur quoi vous travaillez qui crée le plus de valeur et est le plus innovant en moins d'une minute.
  
• Cherchez du mentorat. Cela peut être réciproque, car la meilleure façon de maîtriser une compétence est d'enseigner à quelqu'un. Lorsque vous recherchez un mentor, tenez compte des compétences non techniques ainsi que des compétences techniques, en vous concentrant sur vos objectifs de carrière.
  

Soit dit en passant, DAA a un programme de mentorat Women in Analytics, donc si vous êtes intéressé, jetez-y un coup d'œil.

Ensuite, il était déjà temps de partager mon histoire sur l'analyse des analystes pour améliorer l'efficacité des processus . Faire grandir une équipe demande beaucoup de temps et d'efforts et les bons outils de gestion. Les problèmes sont courants : répartition inefficace des tâches, manque de temps pour enseigner et coacher les nouveaux employés, manque de temps pour que les analystes chevronnés fassent de la R&D et améliorent leurs compétences, n'ont aucune idée du temps qu'un employé donné consacre à quelles tâches, et le la liste continue. Nous avons utilisé des lacs de données pour améliorer l'estimation des tâches, nous assurer que les leçons douloureusement apprises sont partagées avec tout le monde et équilibrer les priorités des projets.

En conséquence nous

1. réalisé que la charge de travail d'un analyste est loin de ce que nous attendions et que les valeurs moyennes peuvent cacher nos zones de croissance
2. prouvé que la plupart de nos analystes (~85 %) ont répondu aux e-mails à temps
3. cartographié les tâches typiques que nous rencontrons, combien de temps il faut habituellement pour les accomplir et comment le temps pour chaque tâche particulière peut varier
4. trouvé les faiblesses et les forces de chaque analyste pour personnaliser son plan de développement personnel
   trouvé des domaines pour l'automatisation.

Vous pouvez trouver mes diapositives sur Slideshare et un article sur ConversionXL qui retrace notre expérience.
Malheureusement, j'ai raté les discours de Garry Angel, Tim Wilson, Matt Gershoff et Moe Kiss, mais je les ai tous entendus parler à Superweek et je sais qu'ils sont brillants. Même si j'ai raté leurs présentations, c'était super de les revoir à #MASConf !

La toute dernière session du Marketing Analytics Summit était un enregistrement en direct du podcast Analytics Power Hour. Chaque épisode de ce podcast a un sujet fermé et un forum ouvert.

Le public a apprécié d'écouter Michael Helbling , responsable de la pratique analytique chez Search Discovery, Moe Kiss, consultant en analyse et Tim Wilson , directeur principal de l'analyse chez Search Discovery, partager leurs réflexions et leurs expériences. Vous pouvez trouver notre précédente interview exclusive avec Tim Wilson sur l'état de l'analyse moderne ici. Vous pouvez également trouver l'épisode du Marketing Analytics Summit ici. Je vous encourage fortement à écouter d'autres épisodes aussi.

1. Ne prenez pas un titre au pied de la lettre ; coupez le battage médiatique et concentrez-vous sur l'impact que vous avez.
2. Pour comprendre si l'analyse en libre-service fonctionne dans votre entreprise, demandez à votre équipe si elle dispose du support de données dont elle a besoin pour faire son travail efficacement et si elle est en mesure d'obtenir des données dans un délai qui répond aux besoins de son entreprise.
3. Utilisez une matrice de rôles de données pour vous assurer que tout le monde comprend ce que l'on peut attendre de chaque poste.
4. Soyez proactif en ce qui concerne la qualité de vos données, pas réactif.
5. Seuls 11 % des spécialistes du marketing se sentent "très confiants" dans l'exactitude de leur modèle d'attribution. Mais cela ne signifie pas que vous ne devriez pas essayer.
6. Pour évaluer le niveau de maturité de vos données, vous devez évaluer vos données dans trois catégories différentes : informations unifiées (mesure des performances et attribution), données unifiées (données cloisonnées, colocalisées ou unifiées) et fondation de données prédéfinie (précision du suivi, point de contact couverture, normalisation taxonomique).
7. Les entreprises qui lient les mesures marketing aux résultats commerciaux souhaités sont deux fois plus susceptibles de dépasser considérablement ces résultats. Et les entreprises qui lient les mesures marketing aux objectifs de revenus sont trois fois plus susceptibles de dépasser considérablement ces objectifs.
8. Les spécialistes du marketing et les analystes veulent une chose : les bons outils et processus pour savoir ce qu'il faut commencer, arrêter et continuer à faire pour atteindre leurs objectifs marketing.
9. Utilisez un plan de réussite pour aligner les activités marketing sur les objectifs commerciaux de votre entreprise et démontrer la valeur des investissements marketing et analytiques à la haute direction.
10. Concentrez-vous d'abord sur les processus générateurs de revenus, car ils ont plus d'impact.
11. Pour faire fonctionner vos processus, cartographiez-les, analysez-les et communiquez-les à l'équipe.
12. L'interaction physique est plus facile à comprendre et semble plus persuasive que le numérique - l'attention physique entraîne une mémorisation de la marque 70 % plus élevée. Donc, pour que votre public se souvienne de vous, vous devez faire appel à plus de sens, réduire les distractions et encourager l'interaction.
13. Contrôlez votre marque avec le référencement sur SERP, car la page de résultats de recherche est votre nouvelle page de destination. Vous devez tirer parti des extraits enrichis et revendiquer vos panneaux.
14. Doublez la création de la demande de marque.
15. Tirez parti des algorithmes sociaux en alternant les publications non promotionnelles et promotionnelles.
16. Utilisez la narration pour créer du contenu qui est connecté à votre marque, suscite un engagement élevé et crée une résonance émotionnelle.
17. Il existe trois problèmes principaux avec les données : le manque de littératie des données, les silos de données et le manque de confiance dans les données. Tous ces problèmes peuvent être résolus avec une stratégie de données exécutable - un plan d'utilisation des données à dessein qui comprend la compréhension de vos données, l'architecture de vos données pour les rendre utiles et l'activation de vos données pour un impact commercial.
18. La phycologie et l'analyse sont liées - soyez conscient des raccourcis mentaux et utilisez-les pour tirer parti de vos pouvoirs d'analyse et de marketing.
19. Pour trouver votre modèle de leadership, utiliser vos différences, développer votre réseau et votre marque personnelle, rechercher un mentor et un mentoré, combattre le syndrome de l'imposteur et inspirer les autres.
20. Le plus tôt sera le mieux. La collecte, la fusion et la préparation des données représentent environ 75 % de vos efforts. Assurez-vous de faire confiance à la qualité des données que vous collectez.
21. Commencez avec un tableau de bord MVP. Concentrez-vous sur pas plus de 10 KPI critiques.
22. Définissez ce que vous allez faire si une métrique change radicalement à 17h le vendredi. Vous devez avoir un plan pour savoir quoi faire si une métrique augmente ou diminue de manière inattendue. Si vous ne savez pas pourquoi vous devriez avoir un tel plan pour une certaine métrique, demandez-vous si vous avez besoin de le suivre du tout.

PS Ça a été une super expérience. Un merci séparé va à Jim Sterne pour m'avoir invité et à Roxanne Glavina, Speaker Management chez Rising Media, Inc. pour la bonne organisation.