Memainkan Jenga Digital dengan Analisis Pemasaran Modern: Wawancara dengan Christopher Penn

Wawancara hari ini dengan Christopher Penn, seorang Kepala Ilmuwan Data dan salah satu pendiri Trust Insights, menjadi perbincangan bahkan sebelum dipublikasikan. Jadi ambil popcorn atau secangkir teh panas dan baca artikel ini tentang analitik dan analis, martech modern, dan ke mana arahnya.

Seperti biasa, terima kasih kepada Mariia Bocheva yang mengadakan pembicaraan hebat ini dengan Christopher.

Sumber: Halaman Facebook resmi Christopher Penn

Langsung ke tempat menarik di sini:​

Mariia Bocheva: Bisakah Anda memberi kami pengenalan singkat tentang diri Anda?

Christopher Penn: Latar belakang saya di bidang IT. Gelar master saya adalah dalam manajemen sistem informasi. Saya mulai bekerja di sebuah startup jasa keuangan di awal tahun 2000-an. Perbarui server web menjadi perbarui situs web, dan perbaiki peluncuran email menjadi kirim buletin email.

Yang terjadi saat itu adalah pemasaran menjadi teknologi pemasaran. Kemudian pada akhir 2000-an dan awal dekade ini, saya pindah ke pemasaran penuh waktu dan mulai bekerja dengan lebih banyak data. Dan saat itulah saya menjadi lebih fokus pada ilmu data. Saya bekerja di perusahaan PR selama sekitar lima tahun dan benar-benar mulai melihat lebih banyak pembelajaran mesin dan AI.
Saya berpisah dengan perusahaan itu sekitar dua tahun lalu karena mereka menuju ke arah yang berbeda. Saya benar-benar ingin fokus pada ilmu data dan pembelajaran mesin.

MB: Anda telah menyebutkan ilmu data, pembelajaran mesin, dan analitik. Menurut Anda, apa hard skill yang paling penting saat ini?

CP: Ada tiga ember keterampilan. Jika Anda kembali ke tahun 1964, ada ahli strategi bisnis terkenal bernama Harold Leavitt yang mengemukakan bahwa ada tiga bidang yang harus dikuasai oleh setiap orang: orang, proses, dan teknologi.

Untuk analis yang terampil atau ilmuwan data yang terampil, Anda memerlukan kemampuan di ketiga bidang tersebut. Anda perlu memahami sisi orang, bagaimana orang bekerja, strategi bisnis secara keseluruhan dan hal-hal seperti itu, dan Anda harus memiliki pegangan yang baik pada masalah yang ingin dipecahkan oleh bisnis. Anda juga harus memiliki pegangan pada proses — tentang bagaimana sesuatu dilakukan — dan dapat menerjemahkannya ke pekerjaan yang Anda lakukan. Dan kemudian, tentu saja, Anda perlu memiliki akses ke teknologi, keterampilan, pengetahuan matematika untuk melakukan analisis data — dan Anda harus mampu membuat kode.

Itulah tiga ember besar yang hanya dimiliki sedikit orang dalam jumlah yang sama dan kuat. Banyak orang memiliki keterampilan di satu bidang dan lemah di dua bidang lainnya. Dan itu mungkin salah satu hal terpenting yang harus dapat dilakukan seorang analis — untuk mengidentifikasi kelemahan mereka. Untuk dapat mengatakan, Ya, inilah yang perlu saya kerjakan untuk meningkatkan level saya ke tempat saya kuat.

MB: Itu sebagian mencakup soft skill, seperti yang saya sebut mengetahui bagaimana orang bekerja sebagai "hard skill." Apa pendapatmu tentang itu? Soft skill apa yang menurut Anda penting?

CP: Perbedaan antara hard dan soft skill lebih pada internal dan eksternal. Keterampilan eksternal Anda adalah yang Anda sebut keterampilan keras: kemampuan untuk berbicara dengan manusia lain, membaca ekspresi di wajah mereka dan hal-hal seperti itu.

Tapi secara internal, itu membutuhkan kesadaran diri yang luar biasa. Hal ini membutuhkan pemahaman ego Anda sendiri, hal-hal yang membuat Anda kurang lebih efektif sebagai seorang profesional bisnis, kelemahan Anda yang harus Anda akomodasi. Bagi sebagian orang, itu adalah ego mereka, kemampuan mereka untuk mengatakan, Ya, saya harus selalu benar . Tapi tidak, Anda tidak.

Dan faktanya, ini adalah dosa besar dalam analisis data, bukan? Saya ingat saya bekerja dengan firma riset yang satu ini dan nada mereka adalah "apa pun poin yang ingin Anda buat, kami dapat membangun data untuk mendukungnya." Itu bukan cara kerjanya. [Tertawa] Namun, mereka sebenarnya adalah perusahaan yang memiliki reputasi baik karena mereka membantu perusahaan menemukan data untuk mempertahankan apa yang ingin mereka buktikan. Jadi orang berbisnis dengan mereka karena mereka mengatakan apa yang ingin Anda dengar.

Keterampilan super penting lainnya adalah dapat menjelaskan sesuatu kepada orang lain dengan cara yang dapat mereka pahami. Jadi sekali lagi, ada empati semacam itu. Dan kemudian hal ketiga adalah benar-benar mampu mengajar di berbagai tingkatan, mampu mengetahui di mana seseorang berada (bagian empati) dan kemudian beradaptasi dengan audiens yang bekerja dengan Anda.

Saya berada di Content Marketing World baru-baru ini. Dan di satu audiens, saya memiliki orang-orang yang menjadi pembuat kode. Jadi saya memberi tahu para pembuat kode, Oke, jadi ini adalah pemodelan rantai Markov untuk Anda, tetapi untuk semua orang ini Jenga digital . Mampu menyesuaikan pengajaran Anda dengan seseorang adalah soft skill yang sangat penting. Sangat sulit jika Anda tidak memiliki latar belakang desain instruksi pendidikan atau pengalaman sama sekali. Saya telah membantu di sekolah seni bela diri guru saya selama 25 tahun dan itu adalah keterampilan hebat yang saya miliki di sana — dapat melihat bahwa seseorang berjuang dengan ini, mereka membutuhkan bantuan dengan ini, dan untuk mengidentifikasi di mana seseorang berada. kemajuan mereka sendiri dalam karir mereka sangat penting. Dan itu adalah keterampilan yang tidak diajarkan. Anda harus mempelajarinya melalui pengalaman Anda sendiri.

MB: Apakah menurut Anda itu juga terkait dengan mendongeng dan kemampuan menyajikan data sedemikian rupa sehingga orang dapat memahaminya?

CP: Saya setuju itu. Ada ungkapan dalam psikologi yang disebut "melempar kasur" - setiap orang memiliki pintu mental yang berorientasi berbeda. Dan jika Anda melempar kasur ke pintu itu, hanya ada beberapa cara untuk melewatinya. Tapi pintu masuk setiap orang berbeda. Jadi bagaimana bentuk audiens Anda? Bisakah Anda melempar kasur dengan cara yang memungkinkan mereka melewati pintu sebanyak mungkin?

Saya tidak suka "mendongeng." Dan alasan saya tidak menyukai ungkapan itu adalah karena pemasar, terutama pemasar yang tidak memiliki pemahaman data yang baik, memiliki kecenderungan untuk terlalu egois, terlalu berpusat pada perusahaan, dan mengatakan sesuatu seperti, Kami akan memberi tahu Anda cerita tentang produk kami yang luar biasa! Tapi tidak ada yang peduli, kan? Ceritakan kisah yang diinginkan penonton. Dan itu, sekali lagi, kembali ke empati dan kesadaran diri. Ini bukan tentang Anda atau perusahaan. Ini tentang apa yang dibutuhkan penonton.

MB: Itu poin yang bagus. Saya benar-benar mengerti apa yang Anda maksud. Berbicara tentang melempar kasur dan bagaimana setiap orang berbeda, apa pendapat Anda tentang miskomunikasi antara analis dan tim pemasaran? Apakah Anda memiliki rekomendasi tentang bagaimana komunikasi dapat ditingkatkan?

CP: Saya rasa itu bukan masalah besar karena tidak banyak tim pemasaran yang berbicara dengan analis — atau bahkan memiliki akses ke mereka. Sebagian besar pemasar yang saya ajak bicara dipaksa untuk mencoba menjadi analis karena perusahaan mereka tidak memiliki [analis] atau perusahaan telah menempatkan mereka pada masalah bisnis yang lebih mendesak. Jadi tantangan yang lebih besar adalah bagi para pemasar miskin untuk mengembangkan segala jenis keterampilan analitis untuk menangani data yang mereka miliki.

Saya tidak dapat memberi tahu Anda berapa kali saya berbicara dengan seorang pemasar yang seperti, Oh, ya, kami memiliki Google Analytics. Saya tidak tahu apa artinya. Saya tidak tahu apa-apa di Google Analytics. Sangat aneh untuk melakukan diskusi seperti itu. Ini bukan, Anda tahu, operasi roket. Tapi sekali lagi, kembali ke kesadaran diri itu, ini adalah operasi roket bagi mereka karena mereka masuk ke pemasaran untuk menjadi kreatif, menjadi inspirasi, menulis dengan baik, membuat barang. Mereka tidak terjun ke pemasaran karena mereka menyukai ilmu kuantitatif. Jika tidak, mereka akan menjadi ilmuwan data sejak awal.

Namun sekarang, teknologi pemasaran dan pemasaran digital telah memaksa mereka untuk mengatasi masalah ini atau mengabaikannya selama mungkin. Ketika mereka memiliki akses ke data atau mereka memiliki akses ke analis, keberhasilan mereka akan bergantung pada kesadaran diri mereka.

Analis tidak memiliki kosakata pemasaran yang baik, dan pemasar tidak memiliki kosakata yang baik dalam ilmu data dan analisis data. Jadi mungkin hal yang paling penting dan mudah dilakukan adalah mengumpulkan orang-orang pada Jumat sore dengan minuman pilihan Anda dan membuat mereka berbicara satu sama lain. Karena Anda bisa menjadi cukup akrab dengan suatu disiplin hanya dengan mendengar orang membicarakannya.

Juga, orang memiliki perjalanan di banyak tempat. Dan bukan hal yang buruk bagi ilmuwan data Anda untuk mendengarkan podcast pemasaran atau pemasar Anda mendengarkan podcast ilmu data untuk benar-benar mulai mendengar kosakata, mendengar hal-hal seperti regresi dan regresi logistik dan hutan acak. Dan orang-orang mungkin berkata, Oh, saya harus bertanya kepada tim saya apa artinya ini atau Ada tipe data yang berbeda di masing-masingnya, bagaimana kita mengatasinya?

Ini benar-benar membuat semua orang mendengar kosakata disiplin ilmu lain sebagai cara untuk memulai interaksi yang bermakna itu.

MB: Saya sangat suka bagaimana Anda menggabungkannya. Saya memiliki latar belakang di bidang analitik, tetapi saya juga bekerja di bidang pemasaran. Bagi saya, itu tidak pernah menjadi masalah, karena saya memiliki paparan keduanya. Tetapi banyak orang yang telah bekerja di satu bidang tidak terekspos ke bidang lainnya.

CP: Tepat sekali.

MB: Hebat. Dalam hal kesalahan, menurut Anda apa kesalahan terbesar yang bisa dilakukan seorang analis? Mungkin Anda bisa berbagi sesuatu dari pengalaman Anda yang Anda alami?

CP: Dalam hal kesalahan yang dibuat oleh para analis… Ini adalah masalah manusia, bukan? Jadi yang nomor satu memang bias praanggapan. Artinya, saya tahu hasil apa yang saya cari dan saya perlu membuktikannya. Tidak. Kata untuk itu adalah penasaran. Jika Anda penasaran, Anda tidak penasaran, Anda tidak ingin menemukan jawaban yang tepat. Anda ingin menemukan jawaban secepat mungkin, atau Anda ingin menemukan jawaban yang membenarkan bias yang sudah Anda miliki, hasil yang sudah Anda nilai, dan itu adalah masalah manusia, bukan? Itu tidak terkait dengan teknologi, dan tidak ada perangkat lunak yang akan memperbaikinya. Tidak ada alat yang akan memperbaiki rasa ingin tahu Anda.

Jadi itu adalah sesuatu yang harus kami latih sebaik mungkin dan kami pekerjakan, lebih dari segalanya. Dan Anda dapat menyewa untuk rasa ingin tahu, bukan?

Ada satu pertanyaan wawancara yang biasa saya lakukan, yang menurut saya selalu menyenangkan, di mana saya akan mengambil setumpuk kartu remi biasa dan memberikannya kepada seseorang saat wawancara. Saya akan mengatakan, Ini setumpuk kartu. Aturlah . Saya tidak pernah menentukan pesanan apa pun atau semacamnya. Tujuannya adalah untuk melihat orang tersebut dan melihat bagaimana mereka bereaksi terhadap arahan seperti itu. Apakah mereka panik? Itu mungkin tidak begitu Ya, saya mengerti. Aku akan mengaturnya . Tetapi saya tidak mengatakan pesanan mana yang saya inginkan. Sekali lagi, mereka memiliki prasangka praanggapan, dan itu buruk. Apakah mereka mengajukan pertanyaan? Berapa banyak pertanyaan yang mereka ajukan? Ketika mereka menggali, apakah mereka mendorong Anda di atasnya? Itu adalah atribut yang ingin Anda miliki.

MB: Mari kita beralih ke bagian selanjutnya dari wawancara kita tentang hal yang sama tetapi dari sudut pandang lain. Ada banyak kata kunci hari ini. Semua orang berbicara tentang perusahaan yang didorong oleh data, tetapi tidak banyak perusahaan yang berhasil dalam hal itu. Menurut Anda mengapa demikian? Apakah ada yang kami lewatkan dalam hal analitik atau pemasaran yang dapat membawa perusahaan ke tingkat yang lebih tinggi dan membantu mereka tumbuh dan dapat menggunakan data yang mereka miliki?

CP: Ini adalah masalah manusia lebih dari apa pun.

Berbasis data berarti Anda harus membuat keputusan dengan data terlebih dahulu — bukan pengalaman, bukan kecerdasan, bukan naluri, bukan cara yang selalu kami lakukan .

Anda perlu melihat data dan pergi, Oke, ini yang dikatakan data, dan kami yakin dengan cara pemrosesannya, jadi mari kita buat keputusan berdasarkan data itu .

Itu membutuhkan mengatasi cara saya selalu benar — seperti kami menyebutnya, masalah HIPPO [pendapat orang dengan bayaran tertinggi]. Ini adalah masalah budaya dan manusia yang sulit diatasi, jadi menjadi berbasis data sangatlah sulit.

Hal nomor satu — teman saya Tom Webster dari Edison Research mengatakan ini — yang menahan seseorang untuk tidak didorong oleh data adalah bahwa mereka tidak dapat menangani data dan analisis serta jawaban yang tidak mereka sukai!

Dalam seni bela diri, kami memiliki ungkapan bahwa Anda harus nyaman menjadi tidak nyaman , yang berarti Anda harus nyaman dengan jawaban sebagian, dengan jawaban yang tidak lengkap, dengan kehilangan beberapa data yang tidak akan pernah Anda miliki, dan masih bisa untuk menggunakan data dengan cara yang memberikan dampak bisnis. Bukannya orang memiliki masalah spesialisasi atau keterampilan khusus. Anda dapat mengajarkan keterampilan apa pun. Masalahnya adalah bisakah Anda membuat perubahan budaya itu untuk mengatakan, Ya, bahkan jika saya tidak menyukai jawabannya, bahkan jika saya tidak mengerti jawabannya, saya akan tetap menggunakan jawaban itu untuk membuat keputusan .

MB: Jadi ini lebih tentang pergeseran budaya.

CP: Itu benar-benar.

MB: Berbicara tentang pergeseran budaya ini, apakah Anda punya rekomendasi untuk memulai dari mana?

CP: Bekerja untuk perusahaan yang sudah seperti itu. Kedengarannya sembrono, tetapi karena itu adalah hal yang manusiawi, jika DNA perusahaan tempat Anda bekerja tidak seperti itu, sangat sulit untuk membuat poros itu, terutama jika kepemimpinan tidak setuju. Jika kepemimpinan itu seperti , Tidak, kami akan melakukannya dengan cara yang selalu kami lakukan. Perusahaan kami berusia 126 tahun, dan kami selalu melakukannya dengan cara ini! Nah, Anda tidak akan berubah pikiran.

Saya sedang makan malam dengan seseorang di sebuah konferensi baru-baru ini. Dan mereka berkata, Perusahaan kami berusia 126 tahun, dan CEO kami mengatakan bahwa kami hanya menginginkannya menjadi tahun 1950 . Mengapa tidak tahun 1950, ketika orang hanya membeli dan menggunakan produk kami dan semua masalah internet ini hilang? Nah, berita buruk, itu tidak akan terjadi. [Tertawa]

MB: Cukup sulit. Sebuah cerita singkat di sini: Kami bekerja dengan satu perusahaan yang memiliki sejarah panjang. Mereka didirikan pada tahun 1908 atau semacamnya sebagai bisnis keluarga, dan mereka telah memproduksi pakaian dalam sejak saat itu. Dan mereka menjadi cukup besar. Sekarang mereka menjual di Prancis, Belanda, Inggris, Jerman, dan sebagainya. Dan mereka memiliki banyak toko batu bata dan mortir, dan mereka memiliki rantai yang berbeda. Mereka memiliki segmen mewah, segmen pasar massal, dan sebagainya. Dan pada titik tertentu, tim e-niaga mereka mendatangi manajemen dan berkata, Kami perlu meningkatkan anggaran kami karena pengeluaran kami meningkat, kami mendatangkan penjualan dan ini dan itu. Dan mereka berkata, Anda tahu, teman-teman, jika kita melihat pendapatan keseluruhan, Anda hanya bertanggung jawab atas 5%.

Jadi tim e-niaga mendatangi kami dan bertanya, Bisakah Anda membantu kami membuktikan, dengan mempertimbangkan penelitian pembelian online secara offline, bahwa kami benar-benar menghasilkan lebih banyak pendapatan bagi perusahaan dan bahwa kami memengaruhi jumlah yang lebih besar? Kami menjalankan proyek dengan mereka, dan butuh waktu lima atau enam bulan. Tetapi pada akhirnya, ternyata mereka bertanggung jawab atas hampir 30–35% dari pendapatan. Dan itu membantu mereka membuktikan bahwa mereka melakukan sesuatu dan itu membantu mereka meningkatkan anggaran mereka. Tapi ya, butuh beberapa saat untuk berbicara dengan dewan direksi, menunjukkan angka-angka, dan mencoba mengubah perasaan internal ini. Persis apa yang Anda bicarakan.

CP: Ya. Budaya itu keras. Orang-orang itu keras.

MB: Itu membawa saya ke pertanyaan lain. Saya ingin kembali ke pertanyaan pertama tentang hard skill. Anda berbicara tentang platform, orang, dan proses, tetapi apa pendapat Anda tentang hal-hal yang lebih teknis, seperti Python sederhana dan mengetahui cara membuat dasbor? Mungkin statistik? Apa hal penting untuk memulai bagi orang yang ingin menggali lebih dalam tentang analitik?

CP: Oke, jadi saya punya sedikit kata-kata kasar tentang ini. Dashboard adalah visualisasi. Visualisasi adalah bagian penting dari analisis data. Dan itu salah satu hal yang merupakan seni tersendiri. Teknologi yang Anda sebutkan — SQL, Python, R, dll. — bukanlah alat visualisasi. Mereka adalah alat komputasi.

Dan salah satu dosa terbesar dalam semua analisis data, tetapi terutama dalam pemasaran, adalah mencoba membuat alat visualisasi Anda melakukan komputasi.

Ini seperti orang yang mencoba membuat kode situs web mereka dan berinteraksi dengan konten, visualisasi. Lembar gaya dan HTML Anda terpisah karena suatu alasan. Karena visualisasi terpisah dari komputasi. Anda benar-benar membutuhkan SQL, dan Python, dan R, dan SPSS, dan OWOX, dan apa pun yang Anda gunakan untuk melakukan komputasi dan melakukannya dengan baik — untuk dapat menyediakan semua analisis data di backend sebelum masuk ke visualisasi.

Dashboard Anda — jika visualisasi Anda — tidak boleh melakukan komputasi apa pun. Anda tidak boleh mencampur data, Anda tidak boleh melakukan manipulasi data. Semua data yang masuk ke visualisasi harus sudah dihitung sebelum sampai di sana.

Karena yang terjadi sebaliknya adalah Anda mengalami masalah tata kelola yang besar ini. Bos membutuhkan perubahan baru untuk sesuatu, tetapi kami tidak tahu bagaimana titik data itu sampai di sana. Jadi kita tidak tahu bagaimana memanipulasinya. Jadi kami tidak bisa melakukan perubahan. Kita harus memberi tahu bos, Maaf, butuh enam minggu bagi kita untuk menguraikan spageti kita untuk memahami apa yang akan terjadi di sini .

Ketika Anda memisahkan komputasi dari visualisasi dan bos berkata, Hei, saya menginginkan ini, Anda berkata, Bagus, saya akan masuk ke lapisan komputasi saya, memuat studio kami, dan membuat perubahan pada kode dan logika komputasi . Dan saya akan mengeluarkan titik data baru atau mengubah titik . Dan itu mengarah ke Ya, diagram batang, diagram batang baru, itu dia . Dan itu membuat perubahan tetap bersih, itu membuat versi tetap terkendali. Dan itu membuat semua manipulasi data jauh lebih mudah untuk dikelola, terutama dalam skala besar.

Jika Anda seorang pemasaran all-in-one, Anda mungkin bisa lolos dengan satu orang, satu toko, satu alat semacam itu. Dan Anda tidak akan mengalami masalah kontrol versi karena Anda satu-satunya orang yang bertanggung jawab untuk itu. Namun, jika Anda pergi atau dipecat, perusahaan itu benar-benar disemprot. Dan itu adalah praktik terburuk.

Jika Anda berada di perusahaan yang lebih besar di mana ada banyak orang di departemen analitik dan pemasaran Anda, Anda harus memisahkan komputasi dan visualisasi. Jika tidak, Anda akan membuang begitu banyak waktu dan uang hanya untuk mencari tahu di mana data itu berada dan siapa yang bertanggung jawab.

Hal lain — dan ini sangat penting untuk kepatuhan akhir-akhir ini dengan GDPR dan CCPA dan peraturan lainnya — adalah jika visualisasi dan komputasi digabungkan, Anda memiliki masalah kontrol akses. Anda memiliki masalah di mana Anda tidak dapat membuat batasan tentang siapa yang memiliki akses ke data, yang berarti Anda dapat membocorkan data, Anda dapat mengeksposnya kepada karyawan yang seharusnya tidak memiliki akses ke sumber data tertentu.

Saat komputasi diatur dan ditangani secara terpisah, Anda dapat membatasinya dan mengatakan kepada tim visualisasi Anda, Anda dapat memvisualisasikan semua ini yang boleh Anda miliki , dan tidak ada informasi pribadi sensitif yang pernah masuk ke tim visualisasi untuk disimpan itu aman dari mereka. Sangat penting bahwa orang melakukan itu untuk menjaga barang-barang ini terpisah dan bersih.

Jadi, apakah seorang analis yang bertanggung jawab atas visualisasi perlu mengetahui bahasa-bahasa itu? Sama sekali tidak. Apakah orang yang menghitung perlu tahu? Seratus persen ya.

MB: Anda memiliki poin besar di sini. Saya sangat menyukai pendekatan ini ketika kami memvisualisasikan kumpulan data yang sudah jadi dan tidak ada bidang terhitung di dalamnya.

Dan saya ingin menjernihkan satu pertanyaan yang sudah saya tanyakan. Ada tahapan bisnis yang berbeda atau ukuran bisnis yang berbeda atau bisnis yang beroperasi pada skala yang berbeda. Anda bisa melihatnya dari berbagai sudut. SMB, SME, perusahaan — mereka semua memiliki persyaratan yang berbeda untuk tim analitik, atau setidaknya sepertinya begitu. Bagaimana menurutmu? Apakah menurut Anda ada perbedaan dalam persyaratan untuk analis di berbagai jenis perusahaan?

CP: Pada dasarnya, setiap orang memiliki tujuan yang sama dalam pemasaran, yaitu membantu mendorong pendapatan. Benar? Jika tujuan Anda dalam pemasaran bukan untuk membantu mendorong pendapatan, saya tidak yakin apa yang Anda lakukan dalam pemasaran. Tapi apa pun yang Anda lakukan, Anda salah melakukannya. Karena pada akhirnya, itulah tugas kami — untuk menciptakan dampak. Apa yang terjadi bukanlah bahwa ada hal-hal yang berbeda untuk dilakukan. Seiring skala perusahaan Anda, tugas menjadi lebih terspesialisasi. Ketika Anda adalah seorang show-person di sebuah perusahaan kecil, Anda adalah web designer, email guy atau gal, analis, ahli statistik, orang layanan pelanggan mungkin.

Saat Anda tumbuh, Anda menyewa. Dan saat Anda merekrut, Anda berspesialisasi. Anda mulai membagi tugas individu. Dan setiap tugas sekarang memiliki pelaporan dan datanya sendiri, visualisasinya sendiri. Dan pada akhirnya, hal yang paling sering dilakukan perusahaan salah adalah mereka melupakan fakta bahwa setiap spesialisasi ini, terutama di perusahaan, masih harus mencapai tujuan yang sama yang dimiliki setiap orang, yaitu Apakah kita mendorong dampak bisnis? Apakah kita membantu perusahaan menghasilkan uang, menghemat uang, atau menghemat waktu? Tumbuhkan pelanggan? Semua hal ini.

Jadi tergantung di mana perusahaan Anda berada dalam siklus hidupnya, peran Anda, jika Anda seorang analis yang bijaksana, adalah bertanya, Apa yang saya lakukan yang berkontribusi pada tujuan gambaran besar itu? Apa KPI saya secara pribadi? Apakah KPI pribadi saya selaras dengan KPI departemen? Apakah mereka selaras dengan bisnis? Definisi yang saya gunakan dalam semua pembicaraan saya — Anda mendengarnya di konferensi MAICON [Konferensi Kecerdasan Buatan Pemasaran] — adalah bahwa KPI adalah angka yang menentukan apakah Anda mendapatkan bonus atau dipecat, bukan? Itu KPI. Jika itu angka dan Anda tidak akan mendapatkan bonus atau dipecat karena itu, itu adalah metrik.

Jadi ketika Anda melihat dari perspektif itu, apa KPI yang sedang Anda kerjakan, yang sedang dikerjakan oleh tim Anda, yang sedang dikerjakan oleh departemen Anda, yang sedang dikerjakan oleh perusahaan Anda? Dan Anda melihat angka-angka itu, dan terkadang angka-angka itu tidak masuk akal. Dan jika itu masalahnya, maka Anda sebagai seorang analis perlu menyadari hal itu dan menaikkan bendera dan berkata, Teman-teman, saya tidak yakin ini akan mendorong dampak bisnis apa pun. Dan jika perusahaan mengatakan Anda masih harus melakukannya, saat itulah Anda mulai memperbarui profil LinkedIn Anda. Karena jika sebuah perusahaan bekerja menuju KPI yang tidak masuk akal, mereka akan gulung tikar. Itu hanyalah masalah waktu.

MB: Jadi hanya untuk memastikan saya benar, tidak ada perbedaan persyaratan analis di perusahaan kecil versus perusahaan besar karena tujuan semua orang adalah pendapatan.

CP: Ya, pendapatan dan dampak bisnis — apakah Anda membantu perusahaan menghasilkan uang, menghemat uang, atau menghemat waktu? Itulah tiga fungsi yang diinginkan semua orang dan dibutuhkan setiap bisnis. Ini adalah hal yang sama yang telah kita bicarakan selama 10 milenium: lebih baik, lebih cepat, lebih murah … semua orang menginginkan itu. Jadi apa yang kita lakukan untuk membuat bisnis kita lebih baik, lebih cepat, dan lebih murah?

CP: Ya. Dan ini adalah salah satu masalah terbesar dalam pembelajaran mesin dan AI saat ini — tidak hanya mengetahui apa yang terjadi di dalam kotak tetapi juga menafsirkan dan menjelaskannya.

Penjelasan adalah penjelasan post-hoc tentang apa yang dilakukan model, seperti dalam hal ini dan hal-hal ini tidak. Ketika Anda melihat peraturan seperti GDPR, itu tidak cukup baik. 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, Terima kasih untuk itu. 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, Akhir dari cerita. 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!

Wow! 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!