Wawancara dengan Jim Stern

Jim Sterne adalah Pendiri Marketing Analytics Summit (sebelumnya eMetrics Summit), Direktur Emeritus Digital Analytics Association, penulis 12 buku, pembicara berbakat, dan orang serta spesialis yang hebat secara keseluruhan.

Mariia Bocheva dengan senang hati bertemu Jim di Marketing Analytics Summit di Las Vegas pada Juni 2019, beberapa bulan setelah wawancara ini terjadi. Mariia telah menerbitkan laporan lengkap pada hari pertama dan kedua konferensi ini.

Wawancara Mariia dengan Jim mencakup tema-tema berikut:

Komunikasi adalah kuncinya : berbicara dengan orang-orang dalam rapat, memberikan presentasi PowerPoint, berbagi dasbor. Ini bisa disebut hard skill, karena sangat dibutuhkan, tapi sebenarnya itu people skill, jadi soft skill.

JS: Ketika kita berbicara tentang hard skill, pertama kita berbicara tentang data itu sendiri – pengumpulan data, pembersihan, membangun saluran . Pada dasarnya, sisi rekayasa data. Jika Anda senang bekerja di perusahaan yang cukup besar untuk memiliki insinyur data, Anda tidak perlu melakukan hal-hal ini.

Apa yang merupakan keterampilan keras yang diperlukan adalah mengetahui dari mana data itu berasal . Bagaimana itu diproses, diproses sebelumnya, dan diintegrasikan sebelum Anda mendapatkannya? Anda harus memahami bahan bakunya.

Satu lagi yang saya lihat adalah statistik . Sama sekali tidak perlu menjadi ahli statistik, tetapi sangat penting untuk memahami statistik secara umum sehingga Anda dapat menerapkan konsep-konsepnya. Keterampilan keras termasuk mengetahui alat Anda. Seperti yang dikatakan Adam Greco: “Semakin Anda mengetahui alat Anda, semakin banyak pilihan yang Anda miliki, semakin banyak kemampuan yang Anda miliki.”

Terakhir, jika Anda ingin mendalami, pelajari R atau Python tergantung pada apa yang lebih Anda minati – statistik atau pembelajaran mesin. Sekali lagi, itu sama sekali tidak perlu tetapi sangat membantu.

JS: Itu sangat tergantung pada banyak faktor. Jika saya memiliki tim yang terdiri dari seratus analis, maka mungkin saya tidak membutuhkan orang yang tahu cara menggunakan SQL, Python, dan R. Di sisi lain, tidak ada salahnya.

Apakah saya harus menjadi pembuat kode yang ahli? TIDAK. Tetapi apakah saya harus memahami apa yang sedang terjadi dan apa yang terjadi di balik layar? YA.

Sangat berguna untuk mengetahui cara kerja TCP/IP, berguna untuk mengetahui cara kerja HTTPS, sangat berharga untuk mengetahui bagaimana pengkodean terjadi. Apakah itu benar-benar diperlukan tergantung pada tim Anda .

Jika Anda adalah satu-satunya orang yang bekerja dengan SQL, Anda harus menjadi lebih baik karena Anda adalah satu-satunya. Tetapi jika Anda memiliki seluruh tim ahli SQL, Anda tidak perlu menjadi; tetapi Anda harus memahami apa yang mereka bicarakan sehingga Anda dapat mengajukan pertanyaan yang bagus.

Tukang ledeng tidak perlu tahu bagaimana pipa tembaga dibuat, tetapi jika dia tahu dan kemudian menemukan masalah aneh, dia bisa berkata, Oh, itu masalah di manufaktur .Karena dia memiliki pengetahuan tambahan ini. Jadi apakah itu perlu? Tidak, tapi itu selalu berguna.

JS: Ya, itu sangat umum. Rekomendasinya adalah tentang pelatihan silang. Saya sedang memberikan presentasi (mungkin 15 tahun yang lalu di Jerman) menjelaskan apa yang dilakukan seorang analis dan bagaimana pekerjaan analis untuk membantu orang-orang di perusahaan melakukan pekerjaan mereka.

Sangat penting untuk memahami apa yang orang lain coba capai . Kemudian seseorang di antara hadirin mengangkat tangannya (tidak biasa untuk jenis audiens ini) dan bertanya, Apakah saya harus memahami semua pekerjaan lain di seluruh perusahaan? Dan saya bilang YA! Itu benar, itu tugasmu. Adalah baik untuk mengetahui apa yang orang coba capai untuk membantu mereka, tetapi juga baik jika mereka cukup memahami tentang data.

Saya memiliki contoh pelatihan silang dalam analitik lintas departemen. Ketika David Rhee bekerja di Adidas, dia memutuskan timnya perlu meningkatkan keterampilan mereka. Jadi dia merotasi mereka melalui tanggung jawab yang berbeda. Dia akan mengambil orang analisis email dan menempatkan mereka bertanggung jawab atas tampilan; menempatkan orang yang bertanggung jawab atas metrik media sosial dan kemudian menempatkan mereka yang bertanggung jawab atas metrik web. Sepanjang tahun, dia merotasi orang. Jadi jika Anda berada di sana selama 3 atau 4 tahun, Anda belajar bagaimana melakukan segalanya.

Dan sementara reaksi instan saya adalah, Ya Tuhan! Aku harus memulai dari awal! Saya menghabiskan satu tahun mempelajari hal ini dan sekarang Anda hanya akan melemparkan saya ke dalam air dingin dan saya harus belajar berenang lagi, jawabannya adalah ya, Anda harus. Dan sebagai hasilnya, seluruh tim mengetahui apa yang dilakukan orang lain. Jadi, ketika Anda memiliki keputusan untuk dibuat, Anda membuatnya dari perspektif organisasi daripada saya yang bertanggung jawab atas email. Ini dapat membantu seluruh departemen. Dan saya pikir metodologi ini dapat bekerja dengan cara lain.

Ketika seseorang datang dan berkata, saya telah ditawari pekerjaan yang lebih baik dengan orang lain di tengah perusahaan ,David akan mendorong dan mendukung mereka karena dia akan berkata, Anda tahu, dalam dua atau tiga atau lima tahun dari sekarang Anda akan kembali bekerja untuk saya dan Anda akan menjadi lebih pintar karena Anda telah mempelajari hal-hal baru .Jika kita menerapkannya pada perbedaan antara analitik dan pemasaran, orang analitik dapat menghabiskan satu hari dalam sebulan hanya mengikuti salah satu klien analitik mereka, bergaul dengan orang-orang pemasaran email, bergaul dengan orang-orang metrik media sosial, menonton apa yang mereka lakukan dan bagaimana hari mereka terlihat. Itu akan sangat berharga.

JS: Untuk analis, itu domain pengetahuan dan mengetahui tujuan orang lain. Dan untuk pemasar, ini adalah cara menerapkan data. Komunikasi hanya tentang mengetahui apa tujuan orang lain dan apa perjuangan mereka. Dan itu benar dalam hubungan apa pun – tidak masalah apakah itu bisnis atau pribadi.

Ini disebut empati , dan itu membutuhkan pengetahuan tentang situasi orang lain.

JS : Kesalahan terbesar adalah berpikir bahwa menganalisis data sudah cukup . Bukan karena itu hanya bagian dari keseluruhan ekosistem bisnis. Memahami tujuan dan tantangan, politik dan sumber daya yang terbatas dari seluruh ekosistem sangat penting.

Saya kira jawaban termudah tentang kesalahan saya sendiri adalah kesalahan paling umum yang saya buat, yaitu dengan asumsi datanya bersih dan dapat dipercaya. Ketika Anda banyak bekerja, sangat mudah untuk melupakan bahwa sesuatu mungkin tidak benar.

JS: Hal pertama yang harus Anda lakukan adalah memiliki data yang cukup. Jika Anda adalah seorang pemula, Anda tidak memiliki data. Itu masalah. Jika Anda adalah perusahaan kecil, Anda memiliki data yang sangat sedikit, yang juga merupakan masalah.

Jika Anda adalah perusahaan menengah atau perusahaan, Anda memiliki data tetapi tidak memiliki infrastruktur. Setelah Anda memiliki data, Anda memerlukan alat dan keterampilan untuk menggunakan alat tersebut. Dan alat dan keterampilan Anda harus cukup canggih untuk memberikan nilai.

Dan jika Anda cukup besar dan memiliki sumber data, maka Anda perlu mengotomatiskan hal-hal seperti membuat dasbor atau benar-benar mengotomatiskan keputusan dan operasi pemasaran. Tantangan terbesar adalah membuat perubahan yang keluar dari data ini berlaku untuk situasi nyata.

Buat semua orang percaya pada data . Saya tidak yakin bahwa kemungkinan sistem analitik benar-benar bergantung pada ukuran perusahaan tetapi pada kedewasaan perusahaan dan sumber daya yang tersedia.

JS: Tantangan terbesar adalah membuat semua orang bekerja ke arah yang sama. Ini kemampuan organisasi. Jika saya seorang analis, saya suka data dan saya ingin semua orang menyukai data. Ini adalah pekerjaan besar untuk meyakinkan perusahaan bahwa itu adalah hal yang baik. Ini adalah masalah yang sangat umum bahwa sebuah perusahaan menyukai data atau mengatakan bahwa mereka menyukainya tetapi mereka hanya menggunakannya untuk mengkonfirmasi pendapat mereka sendiri atau mereka menggunakannya dengan buruk.

Masalah yang paling umum adalah menggunakan data dengan buruk melalui kesalahpahaman dan keinginan manusia untuk menunjukkan diri bahwa mereka berhasil.

JS: Saya pikir kami memiliki lebih banyak teknologi daripada yang kami tahu apa yang harus dilakukan. Kembali pada tahun 2005, Avinash Kaushick mengajari kami bahwa ketika Anda menghabiskan $10 untuk analitik, Anda menghabiskan $9 untuk orang dan $1 untuk teknologi, dan kami masih di sana. Ada orang yang benar-benar pintar menciptakan teknologi yang benar-benar luar biasa. Dan itu sedikit di luar kemampuan kami untuk menggunakan semuanya.

Bayangkan memiliki sistem yang mengumpulkan semua informasi, membersihkannya, menggabungkan semuanya ke dalam beberapa repositori pusat, dan membuat banyak keputusan. Dengan menunjukkan pesan yang tepat kepada orang yang tepat pada waktu yang tepat, Anda menghasilkan lebih banyak penjualan, pelanggan Anda lebih bahagia, dan pendekatan seperti itu selalu lebih murah. Akan sangat bagus jika itu bisa berhasil. Tetapi membuat semua bagian bekerja bersama berarti Anda harus menggunakan banyak teknologi, dan semua alat berbeda yang perlu Anda gunakan semakin kompleks setiap hari.

Jadi saya membutuhkan 15 alat yang berbeda, dan saya harus menjadi ahli dengan semuanya untuk membuat semuanya bekerja dengan baik. Anda dapat menghabiskan tiga jam bekerja dengan satu alat, dan kemudian seseorang mengubah sesuatu – ada alat versi baru, seseorang salah memberi label tautan, atau ada yang tidak beres. Jadi kami memiliki 15 menit kesempurnaan dan kemudian kami menghabiskan sisa hidup kami mencoba untuk mendapatkan semuanya untuk bekerja sama .

JS: Nah, pekerjaan terakhir saya adalah pembelajaran mesin. Jadi itu jawaban saya ;-)

Ini hanya jenis perangkat lunak yang berbeda, tetapi tetap perangkat lunak dan menyelesaikan sesuatu. Jadi spesialis harus melihat kapan waktu yang tepat untuk menggunakan alat itu untuk memecahkan masalah ini dan kapan itu berlebihan karena terlalu mahal atau terlalu rumit.

Yang penting adalah mengetahui kapan harus menggunakan alat yang tepat . Terkadang, spreadsheet Excel sangat bagus; terkadang, regresi statistik sederhana sudah cukup; dan terkadang, oke, mari kita putar beberapa sistem pembelajaran mesin untuk mencoba memecahkan masalah ini atau mengotomatiskan hal ini. Mengetahui perbedaannya adalah nilai yang dibawa analis ke meja.

JS: Acara yang paling penting adalah yang terdekat dengan Anda dan yang Anda mampu. Karena itu bukan acara yang bagus jika Anda tidak bisa sampai di sana. Hal terpenting berikutnya adalah di mana Anda dapat bertemu dengan orang-orang yang Anda kenal, karena itulah cara Anda membangun jaringan profesional Anda.

Saya suka pergi ke DAA Hub di Virginia , yang sangat bagus untuk menyelam lebih dalam dengan orang-orang yang telah melakukan analitik untuk waktu yang lama. Jika Anda sangat serius dengan karir Anda, Anda harus pergi dan membeli tiket. Saya dapat mengatakan hal yang sama tentang Superweek . Itu adalah tempat di mana orang-orang yang benar-benar pintar berbicara tentang hal-hal yang sangat rumit dengan cara yang menarik.

Di sisi lain, MeasureCamp adalah komunitas yang menarik. Terakhir kali saya melakukan MeasureCamp adalah di Bratislava, Slovakia. Saya dapat mengatakan bahwa setiap MeasureCamp yang saya kunjungi memiliki sikap yang sama. Ini sangat menarik: orang-orang mencoba memecahkan masalah yang sangat sederhana dan semua orang mencoba membantu satu sama lain. Itu hanya membuatku merasa sangat baik.

Dan saya rasa saya benar-benar harus menyebutkan KTT Analisis Pemasaran saya sendiri! Ada beberapa yang akan datang di Eropa dan acara utamanya adalah di Las Vegas pada bulan Juni.

Saya selalu mengarahkan orang untuk bergabung dengan asosiasi DAA yang sudah berusia 15 tahun dan memiliki 5.000 anggota. Saya juga ingin mengarahkan orang ke podcast Digital Analytics Power Hour . Saya akan merekomendasikan kembali dan mendengarkan semua episode.

Dan kemudian, tentu saja, Ukur Slack . Kami biasa terhubung di daftar diskusi email. Lalu ada blog yang berbeda di mana orang-orang terlibat secara aktif. Kemudian banyak aktivitas di Twitter dengan hashtag #measure. Jika Anda memiliki masalah, pertanyaan, atau lelucon atau Anda hanya perlu mengeluarkan pikiran Anda dari angka selama satu menit dan berkomunikasi dengan manusia. Hari ini, percakapan tampaknya ada di Measure Slack dan itu luar biasa.

Hal terakhir yang ingin saya tambahkan adalah tentang budaya #measure. Orang-orang suka membantu satu sama lain. Industri kami adalah tentang berbagi. Kami telah saling membantu selama bertahun-tahun. Itulah mengapa semua peristiwa itu sangat berharga; kami adalah orang-orang yang suka membantu, berbagi, dan belajar.

Kami berterima kasih kepada Jim atas pemikiran yang menyemangati dan segar. Kami harap Anda menikmati wawancara ini dan mendapat dorongan inspirasional yang sama besarnya dengan kami. Cintai pekerjaan Anda dan komunitas analitik Anda dan jangan pernah berhenti mengembangkan diri Anda!

Berlangganan ke blog kami untuk membaca wawancara berikutnya sebagai bagian dari penelitian kami tentang keadaan analitik digital dan menyesuaikan pengalaman analis top dengan bisnis Anda.