Wawancara dengan Danny Mawani Holmgaard

Kami meminta Yulia Tkachova, Manajer Produk di OWOX, untuk menghubungi Danny Mawani Holmgaard, Analis Utama di Impact Extend. Berikut daftar singkat topik yang mereka sentuh:

Yulia Tkachova: Mari berkenalan! Ceritakan tentang diri Anda dan pengalaman Anda.

Danny Mawani Holmgaard: Saya Analis Utama di agensi pemasaran digital Impact Extend. Saya tidak hanya bekerja dengan Google Analytics tetapi juga dengan rekayasa data, menyiapkan saluran data, mengintegrasikan data online dan offline, dan membangun model data. Saya menggabungkan dan menganalisis data sehingga dapat digunakan baik secara strategis, menunjukkan apakah kita berada di jalur yang benar atau ada sesuatu yang perlu diubah, dan secara operasional, memastikan bahwa data berada di sistem yang tepat sehingga dapat ditindaklanjuti.

YT: Bagaimana Anda mulai berurusan dengan analisis pemasaran?

DH: Saya benar-benar menemukan jalur karir ini secara tidak sengaja. Awalnya, saya sedang belajar desain konsep digital dan ingin menjadi seorang desainer web. Saya menambahkan Google Analytics ke salah satu proyek sekolah saya untuk bersenang-senang, dan tiba-tiba saya menyadari betapa Anda dapat memengaruhi seluruh proses strategis mulai dari pilihan desain hingga menciptakan pengalaman yang lebih baik bagi pengguna sambil meningkatkan hasil bisnis. Satu hal mengarah ke hal lain, dan saya telah bekerja dengan data selama enam tahun terakhir.

YT: Apa yang paling dan paling tidak Anda sukai dari peran Anda?

DH: Saya sangat senang dengan proyek baru dan merancang solusi dari awal. Ini berarti beralih dari melingkupi sumber data yang diperlukan hingga menulis kode untuk terhubung ke database dan API yang berbeda. Area lain yang sangat saya nikmati adalah melihat bahwa upaya kami benar-benar membuat dampak (permainan kata-kata) bagi klien kami dengan memberi mereka informasi yang mereka butuhkan tetapi tidak pernah terpikirkan untuk dimiliki guna mendorong bisnis mereka maju dengan keputusan berdasarkan data.

Bagian paling "menyenangkan" dari pekerjaan saya terjadi ketika ada yang rusak dan perlu diperbaiki. Ini bisa sangat sulit untuk mendapatkan data setelah peristiwa terjadi yang tidak dapat dilacak. Sayangnya, tidak pernah mungkin untuk meramalkan segala sesuatu yang bisa salah saat mengumpulkan data. Ini bisa berupa apa saja, mulai dari penerapan yang salah hingga seseorang yang mengonfigurasi pengaturan secara tidak benar di sistem mereka. Yang terbaik yang dapat Anda lakukan adalah mengatur monitor untuk data Anda dan melakukan pembersihan pegas sesekali untuk memastikan bahwa Anda mempertahankan kinerja yang baik dan belajar dari kesalahan.

YT: Apa artinya DH: Membuat data dapat ditindaklanjuti adalah sesuatu yang kami coba capai untuk semua pelanggan kami. Bagi saya, data yang dapat ditindaklanjuti adalah informasi yang dapat Anda ambil dan gunakan secara aktif di dalam organisasi, baik itu sesuatu yang kompleks seperti menghitung nilai umur pelanggan untuk pelanggan di semua saluran dan kemudian menggunakannya dalam sistem otomatisasi pemasaran Anda, menawar iklan berdasarkan biaya margin dan probabilitas penjualan produk, atau sesuatu yang sederhana seperti membuat pemirsa di Google Analytics yang membantu Anda melakukan penargetan ulang yang relevan. Secara keseluruhan, membuat data dapat ditindaklanjuti adalah tentang memastikan bahwa informasi yang Anda kumpulkan dapat digunakan untuk membuat perubahan secara dinamis berdasarkan tindakan yang dilakukan oleh pengguna untuk mendorong konversi atau memberikan pengalaman pengguna yang lebih baik.

YT: Keterampilan dan perangkat lunak apa yang Anda sarankan untuk membuat data dapat ditindaklanjuti?

DH: Ini terutama tergantung pada sumber daya dan ambisi tim Anda. Yang paling penting adalah mencari tahu apa yang ingin Anda capai dan tetapkan tujuan. Anda tidak harus bekerja dengan kumpulan data besar atau mampu melakukan pemrograman statistik tingkat lanjut untuk membuat data Anda dapat ditindaklanjuti. Mulai sederhana dan bangun dari sana. Ini bisa berupa apa saja, mulai dari memastikan bahwa data analitik Anda diukur dengan benar hingga mengunggah pengembalian dana atau data biaya untuk mempelajari produk mana yang membuat Anda kehilangan uang.

Secara umum, gunakan data yang Anda miliki saat ini dan mulailah dari yang kecil. Jika Anda memulai proyek yang terlalu besar sebelum organisasi dapat menanganinya, Anda berisiko membuang sumber daya tim yang berharga untuk proyek yang bisa gagal. Menurut saya, soft skill yang paling penting adalah kemampuan untuk penasaran dan kreatif dalam hal data apa yang dapat digunakan untuk mendorong bisnis ke depan. Semua tindakan teknis menjadi nomor dua, karena tidak berguna jika tidak dapat diterapkan secara strategis.

YT: Bagaimana dengan alat yang memungkinkan Anda bertindak berdasarkan data?

DH: Untuk mengurangi pengeluaran pada produk dan memungkinkan klien kami mengalokasikan sumber daya mereka untuk strategi dan eksekusi, kami telah membangun proses ETL [extract, transform, load] kami sendiri menggunakan Google Cloud Platform. Ini memudahkan kami untuk menskalakan dengan biaya rendah. Kami terutama menggunakan R, Python, dan SQL untuk proses data kami, tetapi kami juga menggunakan beberapa vendor untuk membantu kami, seperti corong. io dan OWOX, karena mereka mampu menangani banyak konektor data dari platform iklan dengan biaya rendah langsung di luar kotak.

Kerugian dengan membangun pengaturan seperti kami adalah kami membutuhkan waktu lama untuk membangun model efisien yang dapat menangani kumpulan data besar dan model statistik canggih yang kami rasa memiliki kualitas yang cukup baik untuk diproduksi. Saya penggemar berat alat ETL seperti Azure Databricks, Alteryx, dan produk serupa yang dapat mengurangi banyak pekerjaan rekayasa data dengan fitur bawaan. Alat-alat ini, bagaimanapun, bisa sangat mahal dan masih membutuhkan banyak pengetahuan untuk menghasilkan hasil. Jika Anda akan menggunakan alat yang mahal, ingatlah untuk menggunakannya dengan benar sehingga dapat memberikan pendapatan alih-alih menguras anggaran Anda.

YT: Beberapa hari yang lalu, kami berdua menyukai postingan Mikko Pippo tentang mengapa pemasar membuang-buang uang. Apakah ada poin lain yang Anda sarankan untuk ditambahkan ke daftar periksa Mikkos? Mengapa pemasar membuang anggaran mereka dan bagaimana Anda dapat menghindarinya?

DH: Mikko adalah salah satu orang pintar yang saya kenal, dan jika Anda tidak mengikutinya, saya sarankan Anda melakukannya. Jika saya bisa memberikan tambahan pada postingannya akan mencoba dan memperkaya data yang sudah Anda miliki, seperti data poin loyalitas pelanggan, pengembalian uang, atau segmen pelanggan. Ini cukup mudah dilakukan jika Anda memiliki klien, pengguna, atau id transaksi dalam pengaturan analitik Anda.

Alasan orang tidak memiliki dasar yang tepat untuk pengumpulan data atau tidak menggunakan data yang mereka miliki adalah seperti yang dikatakan Mikko: kurangnya pendidikan. Jika Anda tidak tahu apa yang bisa dilakukan data untuk Anda, atau jika Anda tidak tahu bagaimana seharusnya angka-angka itu terlihat dalam organisasi, sangat sulit untuk melakukan apa pun.

Analytics bisa menakutkan dan sulit untuk dikerjakan. Sebagian besar waktu, bukan karena orang yang duduk dengan data tidak ingin menggunakannya. Ini terutama pertanyaan tentang orang yang tidak punya waktu untuk mengukur kompetensi mereka. Oleh karena itu, terserah pada organisasi untuk membangun lingkungan di mana orang-orang yang memiliki akses ke data dapat mempelajari cara menggunakan analitik atau menemukan agensi eksternal untuk mendukung orang-orang yang membuat keputusan bisnis.

YT: Apa saran Anda untuk pemasar yang ingin benar-benar menjadi profesional berbasis data?

DH: Pasti mulai dari yang kecil. Mempelajari dasar-dasar statistik dan mampu melakukan beberapa Excel dasar dapat membawa Anda jauh. Setelah Anda merasa nyaman bekerja dengan kumpulan data dasar dan menggabungkan data, Anda dapat meningkatkannya dengan cara yang paling sesuai untuk Anda. Ketika saya mempelajari sesuatu yang baru, saya selalu mencoba mencocokkannya dengan proyek saat ini dan mencoba mempelajari sesuatu yang baru yang akan meningkatkan pekerjaan saya saat melakukannya. Saya mulai melakukan pemrograman statistik dengan R karena saya melakukan pekerjaan yang sama setiap bulan yang memakan waktu beberapa hari. Dengan mempelajari sesuatu yang baru, saya mengurangi ini menjadi satu jam. Satu hal yang ingin saya sebutkan di sini adalah Anda tidak perlu takut untuk melampaui ruang lingkup proyek. Meskipun jam yang Anda habiskan untuk mempelajari sesuatu mengurangi total keuntungan suatu proyek, Anda masih dapat menerapkan semua yang Anda pelajari ke proyek berikutnya yang Anda buat, menjadikannya lebih baik dan lebih stabil daripada jika Anda tidak menghabiskan waktu untuk mempelajari cara melakukannya .

Saran terakhir saya di sini adalah untuk memilih jalan. Anda tidak dapat melakukan apa saja jika Anda ingin melakukannya dengan baik. Saya jelas tidak sebagus statistik kepala intelijen bisnis kami, dan dia tidak sebaik saya dalam rekayasa data, jadi kami memiliki peran yang ditentukan tetapi masih dapat saling mendukung dalam dasar-dasar pekerjaan kami. Kolaborasi adalah kunci jika Anda ingin sukses, dan mempekerjakan orang dari luar untuk membantu meningkatkan skala departemen Anda bukanlah hal yang buruk.

YT: Siapa inspirasi terbesar Anda di komunitas #measure? Bisakah Anda menandai seorang profesional yang pendapatnya layak dibagikan di blog kami?

DH: Mark Edmonson jelas merupakan pria yang menginspirasi saya setiap hari. Dia memberikan banyak hal kepada komunitas, selalu membantu, dan terus membuat solusi hebat yang membantu analis di seluruh dunia meningkatkan pekerjaan mereka saat menggunakan platform Google Cloud.

YT: Apa lima acara favorit Anda untuk analis?

DH: Ini dia:

• mengukurkamp
• Superweek
• KTT Analisis Pemasaran
• Analisis Web Rabu
• Menganalisa!

YT: Bisakah Anda menyebutkan lima blog teratas Anda atau sumber lain untuk analis?

DH: Dengan senang hati:

• Blog Mark Edmondson
• blog Simo Ahava
• blog cxl
• Mania analisis
• Jeffalitik

… Mungkin juga blog saya sendiri ;) Ada banyak sumber bagus yang juga ingin saya sebutkan, seperti grup Facebook #measureslack dan Google Tag Manager. Bagian terbaik dari komunitas analitik adalah orang-orang ingin berbagi solusi hebat.

YT: Tren apa yang Anda amati dalam analitik dan tren apa yang akan bertahan dan berkembang di masa depan?

DH: Pelacakan sisi server jelas merupakan sesuatu yang akan mulai diterapkan orang di seluruh organisasi, karena Pencegahan Pelacakan Cerdas (ITP) mempersulit pengumpulan data yang akurat. Dalam hal ITP, saya agak ambivalen tentang ini. Di satu sisi, ITP memiliki tujuan besar untuk melindungi privasi pengguna. Secara pribadi, saya percaya bahwa pengguna harus selalu memiliki pilihan dalam hal informasi apa yang ingin mereka bagikan dengan bisnis. Di sisi lain, ini juga mencegah beberapa fungsionalitas situs berfungsi sebagaimana mestinya, seperti login otomatis dan personalisasi.

Selain itu, saya percaya bahwa ITP dapat memiliki konsekuensi membuat perusahaan melakukan solusi yang memaksa orang untuk memberikan lebih banyak informasi daripada yang sebenarnya mereka lakukan sebelumnya. Contohnya dapat membuat pengguna masuk sebelum mereka dapat melanjutkan menjelajahi situs web atau menolak akses ke pengguna yang tidak memberikan persetujuan mereka di situs tersebut. Dalam keadaan ITP saat ini, saya pikir itu tidak cocok untuk pengguna atau perusahaan. Dunia masih dalam kurva pembelajaran yang curam dalam hal mengikuti undang-undang sambil tetap dapat memberikan pengalaman yang baik. Saya berharap untuk melihat bagaimana itu akan dimainkan.

Hal lain yang perlu diperhatikan adalah platform analisis Aplikasi+Web. Ini masih dalam tahap yang sangat awal, tetapi ini akan menjadi sesuatu yang sangat saya rekomendasikan untuk diterapkan dan dikembangkan seiring perkembangannya. Dengan begitu, Anda dapat menggunakan kemampuan platform begitu Anda membutuhkannya. Itu juga dilengkapi dengan banyak fitur keren seperti ekspor BigQuery gratis.

YT: Tantangan baru apa yang Anda hadapi dalam pekerjaan sehari-hari dibandingkan pada awal karir Anda sebagai seorang analis?

DH: Peran saya telah banyak berubah, dari lebih sebagai peran pendukung di awal karir saya menjadi proyek mengemudi ujung ke ujung. Sebelumnya, tantangan saya adalah memahami cara kerja dan melakukan yang terbaik untuk memastikan bahwa laporan menunjukkan metrik yang tepat dan pelacakan disiapkan dengan benar.

Hari ini, saya tahu bagaimana melakukan hal-hal ini, dan banyak kesulitan dalam mengkomunikasikan strategi sehingga klien memahami manfaat pengumpulan data dan mendorong organisasi mereka untuk menggunakan informasi itu secara aktif. Singkatnya, saya telah beralih dari melaksanakan tugas implementasi dan pelaporan yang ditugaskan kepada saya untuk mengarahkan strategi dan "mengapa" bagaimana data harus mengalir. Saya percaya bahwa kunci untuk melakukan banyak pekerjaan kasar sebelum dapat memahami dan mengarahkan strategi.

Sebelum Anda dapat maju sebagai analis dan mengembangkan keterampilan Anda, Anda harus menguasai dasar-dasar dan memahami bagaimana semuanya terhubung.

YT: Google Analytics atau Adobe?

DH: Saya pribadi lebih suka menggunakan Google Analytics, karena lebih tersedia untuk semua orang dan memiliki API yang hebat. Namun, menurut saya, Adobe memiliki produk yang kuat dan stabil, dengan beberapa cara yang sangat keren untuk menganalisis data, sekaligus menjadi produk yang lebih kuat dalam hal kepatuhan.

YT: Data Studio, Tableau, atau Power BI?

DH: Saya suka menggunakan R's ShinyDashboards, karena Anda dapat membangun apa pun yang Anda inginkan dengan semua jenis grafik yang Anda inginkan secara dinamis. Selain itu, tidak memerlukan lisensi yang mahal (kecuali jika Anda ingin menggunakan solusi yang di-host).

Sejujurnya, saya pikir ada sesuatu yang hebat dengan semua alat yang disebutkan di atas. Data Studio gratis dan cepat, PowerBI bisa murah dan menyediakan banyak visualisasi hebat di luar kotak, dan Tableau memiliki beberapa fungsi berbagi yang sangat keren dan fitur yang hebat jika ada banyak orang yang menjelajahi dan menganalisis data dalam organisasi.

YT: AppsFlyer atau FireBase?

DH: Saya tidak memiliki pendapat yang ketat di sini. Namun, perkembangan APP+Web jelas membuat FireBase menarik saat ini.

Kunci sukses seorang analis adalah kesabaran dan kesiapan untuk memulai dari awal. Terima kasih kepada Danny atas saran sederhana ini yang membantu kami tetap fokus dan persuasif dalam analitik kami.

Jika Anda menyukai wawancara ini atau memiliki pertanyaan untuk Danny, tinggalkan komentar di bawah! Jangan lupa untuk berlangganan blog kami untuk mendapatkan lebih banyak pembicaraan dan artikel bermanfaat dari dunia analitik.