Recherche OWOX BI sur l'état de l'analyse numérique : entretien avec Tim Wilson

Les questions de cet entretien ont été préparées par Mariia Bocheva, responsable du développement commercial OWOX BI, après avoir rencontré Tim Wilson lors de la conférence Superweek. Toutes les photos ont été aimablement présentées par Banoczy Zoltan, fondateur de Superweek – European Analytics Summit.

Ce fut un grand plaisir d'obtenir des informations aussi profondes de Tim Wilson (suivez-le sur Twitter), un analyste actif avec des tonnes d'expérience et une vision positive de la vie.

Tim travaille avec les nombreuses dimensions du marketing et des données clients depuis plus de 15 ans. Il a dirigé le département d'intelligence économique d'une entreprise interentreprises de haute technologie de 500 millions de dollars et a consulté plusieurs des 50 principaux détaillants Internet sur la manière d'appliquer l'analyse numérique à leur entreprise. Tim est un geek des données convivial pour les spécialistes du marketing. Et maintenant, il est directeur principal de l'analyse chez Search Discovery.

Search Discovery est une société d'informatique décisionnelle et d'analyse qui permet aux organisations d'utiliser les données pour améliorer les performances de l'entreprise.

Quelles compétences techniques sont les plus importantes pour les analystes aujourd'hui ? Un analyste doit-il connaître SQL, Python et R et créer des tableaux de bord dans les outils de visualisation les plus courants tels que Data Studio, Tableau et QlikView ?

C'est l'un de ces sujets très controversés ces derniers temps. Commençons par dire que les analystes doivent très bien connaître les feuilles de calcul - Google Sheets et Excel . Même si ce n'est pas là qu'ils effectuent la majeure partie de leur travail, ils obtiendront et enverront presque toujours des informations à l'aide de feuilles de calcul de manière assez régulière.

Et si un analyste n'est pas très à l'aise avec VLOOKUP et les tableaux croisés dynamiques, il aura du mal avec toute autre plate-forme sur laquelle il effectue des analyses.

À partir de là, le confort avec un outil de BI/visualisation (j'ajouterais Power BI à la liste de votre question) est de plus en plus une exigence, bien qu'il y ait encore beaucoup d'entreprises qui n'ont pas encore investi dans un. Je suis un grand fan de Google Data Studio pour cette raison - même si l'entreprise n'a pas franchi le pas vers une plate-forme payante, les analystes doivent savoir comment automatiser certaines visualisations de base et l'exploration de leurs données clés d'une manière qui peut être partagées avec leurs parties prenantes.

Je vois beaucoup d'analystes dont les journées sont bien remplies faire un travail précieux sans avoir gravi la courbe d'apprentissage très abrupte nécessaire pour maîtriser ces langues. Mais il y a une limite à ce qui peut être fait avec les plateformes Excel et BI.

Pour un analyste ou une organisation qui dispose de gros volumes de données granulaires qu'il souhaite utiliser dans des modèles, SQL et Python ou R deviennent rapidement indispensables.

Et j'ajouterais une troisième classe de hard skills : les statistiques . Cela signifie aller au-delà des statistiques récapitulatives telles que la moyenne, la médiane et l'écart type, et vraiment comprendre comment et où la régression et la corrélation - et les valeurs p et R au carré - peuvent être utilisées. Il s'agit autant d'acquérir une compréhension plus approfondie de la nature des données que de déployer réellement ces méthodes statistiques.

Quelles compétences générales un bon analyste devrait-il avoir ?

Il y a beaucoup de! Les compétences de communication efficaces sont en tête de liste, et cela comprend tout, des interactions individuelles avec les parties prenantes - écouter et comprendre leurs besoins de manière active - à l'application des meilleures pratiques en visualisation de données pour être en mesure de présenter les résultats d'une analyse d'une manière claire et compréhensible.

Un bon analyste est également curieux (sur l'entreprise, sur les données, sur le monde), sceptique (sur ce que les données montrent - chaque fois qu'il y a une surprise, il suppose qu'il s'agit d'un problème de données et creuse pour confirmer), et a un degré élevé de persévérance (pour surmonter les défis liés aux données et même les défis liés aux personnes/processus au sein de l'organisation). Il peut s'agir davantage de "traits de caractère" que de "compétences", mais ils sont tous assez importants.

Pensez-vous que les problèmes de communication entre les analystes et les équipes marketing sont courants ? Si oui, avez-vous des recommandations sur la façon de le surmonter?

Absolument! Les analystes et les spécialistes du marketing parlent des langues différentes. D'après mon expérience, il faut vraiment qu'il incombe à l'analyste de "parler marketing". Cela revient à faire plusieurs choses :

1. Écoute

Il peut être tentant de commencer à résoudre des problèmes ( quelles données puis-je extraire pour répondre à cette question ? ) prématurément et de ne pas vraiment sonder le problème commercial sous-jacent que le spécialiste du marketing cherche à résoudre.

2. Analyste qui ne parle pas

Une certaine éducation du spécialiste du marketing est bonne - ce que signifie une métrique, quelles sont les limites des données - mais j'ai vu des analystes se glisser trop rapidement dans la terminologie de l'analyse approfondie alors que ce n'était pas nécessaire.
Cela peut laisser le spécialiste du marketing confus ou, pire, se sentir mal à l'aise ou déprimé ( je ne sais pas de quoi parle l'analyste. Suis-je censé le faire ? Il/elle semble penser que je devrais ! ).

3. Ne jamais, jamais, JAMAIS se dire que les parties prenantes sont stupides

C'est une erreur fatale - décider qu'un défi relationnel est une question d'intelligence plutôt qu'un problème de communication.

Quelles ressources ou événements professionnels pouvez-vous recommander aux analystes ?

La meilleure ressource que je puisse recommander aux analystes, où qu'ils se trouvent, est l'équipe Measure Slack. C'est gratuit et des milliers d'analystes s'engagent et partagent constamment les uns avec les autres. Toutes les quelques semaines, il y a un fil de discussion sur Quelles sont les bonnes ressources pour apprendre X ? ou Quelles sont les bonnes conférences auxquelles aller pour Y ? c'est donc même une ressource pour identifier les ressources !

Séparément, il y a quelques grandes conférences : MeasureCamp est une contre-conférence gratuite qui se déroule dans le monde entier (et s'il n'y en a pas près de chez vous, alors vous pouvez en créer une !). Marketing Analytics Summit et Digital Analytics Hub sont d'excellentes conférences aux États-Unis, et Superweek est une option fantastique en Europe.

La Digital Analytics Association continue de développer les ressources qu'elle offre à ses membres, c'est donc une excellente ressource avec toutes sortes de matériel de qualité (et même un programme de mentorat). Il existe un certain nombre de MOOC comme Coursera et edX qui proposent un certain nombre de cours en ligne.

Enfin, si je parcourais toute cette interview et que je ne branchais pas le podcast Digital Analytics Power Hour, je serais un très mauvais marketeur ! Mais il existe de nombreux podcasts d'analyse, d'apprentissage automatique et d'IA - trop nombreux (et trop nombreux que je n'arrive pas à écouter régulièrement) - pour que j'essaie de faire des recommandations.

Quelles connaissances manquent aux analystes et aux spécialistes du marketing pour rendre les entreprises data-driven ?

Contexte commercial et compréhension approfondie de l'incertitude. Le premier, je crois, car je vois constamment les analystes et les spécialistes du marketing sauter dans les données voulant "trouver des réponses" et "générer des idées " sans avoir clairement formulé une question commerciale pour laquelle la réponse conduira à une action probable.

Ce dernier est un peu plus délicat à articuler. Mais en remontant jusqu'à John Wannamaker, notant au début des années 1900 que "la moitié de l'argent que je dépense en publicité est gaspillée ; je ne sais tout simplement pas quelle moitié", les spécialistes du marketing et les analystes s'attendaient à ce que les données fournissent "la vérité" plutôt que d'apprendre à fonctionner dans un monde probabiliste.

Bien que nous connaissions peut-être "la vérité" sur le passé, comme Combien de trafic est venu sur mon site le mois dernier ? (et même ce n'est pas "vrai" - il y a beaucoup de désordre dans la collecte de données là-bas qui fait même de ce nombre une estimation), mettre efficacement ces données à utiliser pour avoir un impact sur l'avenir signifie développer une compréhension approfondie de la façon dont "vrai " une image du monde que les données peignent, puis fonctionnent en conséquence.

Quelles sont les choses les plus importantes que les analystes doivent faire à différents stades de maturité de l'entreprise (startup, PME, PME, entreprise) ?

Je n'ai jamais vraiment réfléchi à cette question. C'est intéressant ! Je pense que les startups ont tendance à être plus à court de ressources et, généralement, plus capables de prendre certains risques liés aux données.

Ainsi, les startups doivent souvent - par nécessité - être décousues et bricoler des outils gratuits avec une gouvernance des données limitée et des intégrations potentiellement fragiles (voire manuelles !). Et c'est une bonne façon de fonctionner, tant qu'on reconnaît qu'avec la croissance, il faudra faire mûrir les systèmes.

Cela signifie généralement que les plates-formes de données devront être révisées et même entièrement remplacées.

À l'autre extrémité du spectre - les entreprises - la gouvernance devient un très gros problème, car il y a plus de personnes et de processus qui impactent et dépendent des données. Et, généralement, il y a plus de ressources à consacrer à l'analyse, de sorte que certaines d'entre elles peuvent (ou devraient !) être responsables de la gouvernance et des processus, ce qui minimise le risque d'échec qui affecte un grand nombre de rôles et, potentiellement, même les proches. -terme top line de l'entreprise.

Quelles difficultés voyez-vous lorsqu'il s'agit de mettre en œuvre des analyses et comment évaluez-vous le développement global du marché ?

Si l'on limite la « mise en œuvre » à la mise en place de plateformes de collecte de données, les défis sont nombreux :

• Les applications à page unique (SPA) sont très en vogue, et celles-ci introduisent des défis de marquage.
• Le passage des consommateurs au niveau macro au mobile - et la probabilité accrue qu'ils s'engagent avec des marques sur tous les appareils - a rendu le suivi inter-appareils plus important pour de nombreuses organisations, et il n'y a pas de moyen simple d'y parvenir (cela dépend de la nature du l'entreprise et le site).
• Les réglementations sur la confidentialité telles que le RGPD et (aux États-Unis) le CCPA ont ajouté des restrictions et des considérations supplémentaires au monde de la collecte de données.
• Le blocage du suivi et de la suppression des cookies passe de plus en plus des bloqueurs de publicités installés sur une infime partie des navigateurs des utilisateurs à des paramètres par défaut standard dans les navigateurs eux-mêmes, ce qui peut certainement gâcher les données !

Quelle est la plus grosse erreur qu'un analyste puisse faire ? Pouvez-vous partager certaines de vos erreurs d'analyse ?

La plus grande marque, je pense, est tellement excitée à l'idée de jouer avec les données que le Qu'est-ce que j'essaie de réaliser ici ? question se perd.

Cela s'est produit plus de fois que je ne veux l'admettre - j'ai commencé avec une question commerciale parfaitement valable, puis j'ai été aspiré par la mécanique des données sous-jacentes et sa complexité et ma capacité à vaincre cette complexité de sorte que, par le fin du projet, j'avais fait des choses assez intéressantes avec les données elles-mêmes, mais je n'avais pas livré quelque chose qui faisait vraiment avancer l'entreprise.

Selon vous, quel est l'avenir de l'analyse marketing ? Quelles tendances voyez-vous venir et qu'est-ce qui est en forte demande ?

Malgré mes réflexions antérieures sur la nécessité de vraiment se concentrer sur les bases avant de plonger dans la science des données et l'apprentissage automatique, je pense que nous continuerons à voir de plus en plus d'entreprises utiliser efficacement l'apprentissage automatique.

La principale raison en est que, de plus en plus, les organisations ont accès à des données brutes sur leurs clients et prospects - comportementales, observationnelles et démographiques.

Il y a 10 ans, par exemple, les plateformes d'analyse numérique fournissaient principalement des données agrégées. Il pouvait y avoir plusieurs dimensions et métriques dans un rapport, mais même ainsi, les données disponibles n'étaient pas au niveau de la session ou au niveau de la personne.

Cela a changé à mesure que les principaux acteurs du marché de l'analyse numérique ont commencé à rendre disponibles ces données au niveau des hits, et un certain nombre de nouvelles plates-formes martech ont ce niveau de détail disponible dès le départ. Et ce sont les données nécessaires pour vraiment tirer parti des techniques d'apprentissage automatique.

Quels problèmes voyez-vous sur le marché aujourd'hui ?

Un gros problème que je vois est qu'il existe un nombre énorme de startups soutenues par du capital-risque qui promettent essentiellement au marché qu'elles ont une baguette magique d'IA à vendre. Dans de nombreux (la plupart) des cas, c'est du battage publicitaire.

Mais parce que la technologie est une marge plus élevée et intrinsèquement plus évolutive que les personnes ou les processus, c'est là que vont les dollars du marketing dans l'industrie, ce qui signifie que "le marché" est bombardé d'un message selon lequel, si une organisation achète et met en œuvre la bonne technologie, elle deviendra soudainement une organisation mature en matière de données et alimentée par l'IA.

La réalité ne fonctionne tout simplement pas de cette façon, de très nombreuses organisations écrivent de gros chèques pour la technologie tout en se privant de personnel d'analyse et d'investissement interne dans l'amélioration des processus d'analyse.

Quels défis analytiques rencontrez-vous actuellement ?

Je dois toujours sensibiliser mes clients à l'importance de mettre en place les bases : des KPI clairement établis, une collecte de données fiable et robuste, une automatisation des tâches répétitives et des analyses guidées par des hypothèses clairement articulées. C'est un défi qui n'a vraiment pas changé au cours des 15 dernières années.

Un défi plus récent est l'engouement suscité par la science des données, l'apprentissage automatique et l'IA. Une partie du défi consiste en fait à augmenter les outils utilisés dans ces domaines, et une partie du défi consiste à empêcher les clients de vouloir chasser ces nouveaux objets brillants alors que leur valeur la plus élevée proviendrait de se concentrer sur les bases.

Merci pour tant de bons conseils, Tim! Nous espérons que des analystes plus talentueux le suivront et que l'ensemble du marché de l'analyse deviendra plus instruit, enthousiaste et professionnel.

Restons en contact! Abonnez-vous à notre blog pour lire les prochaines interviews de nos recherches sur l'état de l'analyse numérique et adapter l'expérience des meilleurs analystes à votre entreprise.

Que demanderiez-vous à Tim ? Faites-nous savoir dans les commentaires ci-dessous!