Hal-hal yang saya pelajari di Marketing Analytics Summit 2019 di Las Vegas [Hari 2]

Ini adalah lanjutan dari rekap saya tentang Marketing Analytics Summit. Untuk mempelajari tentang pembicaraan dari hari pertama dan KTT Analisis Pemasaran mendatang di seluruh dunia, lihat artikel sebelumnya.

• “Strategi data yang dapat dieksekusi” oleh John Lovett
• “Apa yang perlu Anda ketahui tentang Anda – psikologi untuk sukses” oleh Michele Kiss
• “Mengidentifikasi kepribadian kepemimpinan” oleh Valerie Kroll
• “Menganalisis Analis untuk Meningkatkan Efisiensi Proses” oleh Mariia Bocheva
  

Hari 2 dimulai dengan presentasi utama dari John Lovett , Direktur Senior Strategi Data di Search Discovery. Pembicaraannya adalah tentang strategi data yang dapat dieksekusi – rencana untuk menggunakan data dengan tujuan yang mencakup pemahaman data Anda, merancang data Anda agar berguna, dan mengaktifkan data Anda untuk dampak bisnis.

Organisasi memerlukan strategi data untuk memandu mereka, karena memanfaatkan data dalam lingkungan bisnis saat ini dapat menjadi rumit dan membingungkan. Ada tiga masalah data modern: kurangnya literasi data, silo data, dan kurangnya kepercayaan pada data.

Masalahnya di sini adalah level C dan kepala departemen sering tidak memahami data. Menurut “Gartner Trend Insight Report: Fostering Data Literacy and Information by 2020,” 80% organisasi berencana untuk memulai pengembangan kompetensi yang disengaja di bidang literasi data, mengakui kekurangan mereka yang ekstrem.

Anda dapat membagi literasi data menjadi tiga ember:

• Literasi metrik – Saat orang mengetahui apa arti data, menggunakan istilah yang sama, dan memahami nilai di baliknya. Ini adalah level penting yang memungkinkan semua orang dalam tim berbicara dalam bahasa yang sama.
• Literasi alat – Ketika orang dapat memenuhi kebutuhan data swalayan sebagaimana mestinya dan menyadari potensi dan trik serta keterbatasan alat. Poin ini benar-benar berkorelasi dengan pembicaraan Juni tentang analitik layanan mandiri di Twitch.
• Literasi konseptual – Ketika orang mendekati dan menerapkan data dengan kejelasan dan kecanggihan dan dapat menjelaskan diri mereka sendiri menggunakan data.

Untuk menjadi melek data, Anda perlu memahami data Anda. Menjawab pertanyaan-pertanyaan berikut akan membantu:

1. Jenis data apa yang kita miliki dan jenis apa yang kita perlukan untuk menjawab pertanyaan kita? Gunakan inventaris data interaktif, kamus data, dan katalog untuk memahami dari mana data berasal dan terdiri dari apa.
2. Dapatkah pengguna melayani data sendiri atau mereka membutuhkan seseorang untuk menyajikannya kepada mereka?
3. Siapa yang memiliki akses ke data kami dan bagaimana data tersebut dapat digunakan?
4. Apakah pengguna memiliki pemahaman yang akurat tentang data kami, atau apakah kami berbicara bahasa Yunani?
5. Apakah ada tingkat kenyamanan yang tinggi dalam menggunakan data, atau apakah ada kesulitan setiap kali laporan baru perlu dibuat?
   

Tidak mengherankan bahwa sebagian besar perusahaan berjuang dengan data yang tersebar karena sumber data mereka tidak berbicara satu sama lain:

Untuk memecahkan silo data ini, Anda perlu menentukan dari mana data Anda berasal dan bagaimana data tersebut dapat dihubungkan. Kemudian Anda bisa memprioritaskan apa yang harus dilaksanakan terlebih dahulu. Berikut adalah beberapa pertanyaan yang akan membantu Anda dengan itu:

1. Koneksi data dan API apa yang ada? Sebagian besar sumber yang ingin Anda hubungkan dapat diintegrasikan melalui API yang sudah jadi atau alat pihak ketiga, jadi jangan buang waktu dan sumber daya lain untuk membangun integrasi Anda sendiri.
2. Transformasi apa yang diperlukan untuk analisis? Biasanya, data Anda datang dalam format yang berbeda dan pada kecepatan yang berbeda, jadi untuk menariknya ke dalam satu laporan, Anda perlu memprosesnya terlebih dahulu. Pikirkan hal ini sebelumnya dan rencanakan dengan tepat.
3. Apakah ada proses terintegrasi di seluruh kumpulan data? Pikirkan tentang proses apa yang akan dipengaruhi dengan memiliki data ini.
4. Kapan data disegarkan dan dibagikan? Periksa seberapa sering Anda perlu memperbarui data dan siapa yang perlu mengaksesnya. Ini akan membantu dalam memilih alat yang paling cocok untuk berbagi laporan dengan tim.

Setelah Anda menjawab pertanyaan tersebut, Anda dapat memutuskan pendekatan apa yang ingin Anda gunakan untuk merancang data Anda: data lake, data fabric, atau hub data. Menurut penelitian terbaru oleh McKinsey, hanya 8% dari implementasi data lake telah beralih dari bukti konsep ke produksi.

Menurut KPMG, hanya 35% dari organisasi yang disurvei memiliki tingkat kepercayaan yang tinggi dalam penggunaan analitik data oleh organisasi mereka. Untuk memperbaiki masalah ini, Anda perlu membangun kepercayaan dan mengaktifkan data Anda. Mulailah dengan bertanya pada diri sendiri pertanyaan-pertanyaan berikut:

1. Di mana data dapat memicu tindakan otomatis?
2. Bagaimana cara kami menggunakan data untuk penargetan dan personalisasi?
3. Bagaimana kita membangun kepercayaan pada data?
   

Untuk mengaktifkan data Anda, Anda perlu memastikan bahwa

• Data dapat diandalkan dan orang-orang memercayai angka yang mereka lihat. Hal ini dapat dilakukan melalui berbagai pendekatan pengujian dan pemantauan.
• Data tersedia untuk kolaborasi. Pergi dan bicaralah dengan pemangku kepentingan dalam organisasi untuk memahami data apa yang mereka butuhkan untuk ditindaklanjuti.
• Anda memiliki dewan tata kelola data yang bertanggung jawab untuk mengawasi semua proses terkait data.

John membagikan beberapa contoh kehidupan nyata, termasuk kisah penyiar nirlaba Amerika dan pendekatan yang digunakan tim Data Discovery untuk membangun strategi data yang dapat dijalankan. Tahapan yang mereka lalui adalah mendefinisikan tujuan, menyelaraskannya dengan tujuan bisnis, dan menyiapkan pengukuran:

Setelah semua tujuan bisnis ini ditulis, tim Data Discovery memprioritaskannya berdasarkan dampak bisnis dan tingkat upaya yang diperlukan, dan menetapkan peta jalan implementasinya bergerak dari tugas yang paling penting dan berharga ke yang kurang penting:

Jangan biarkan tingkat keberhasilan implementasi data lake yang rendah membuat Anda takut. Dampak potensial dari implementasi yang sukses jauh lebih tinggi daripada investasi yang diperlukan. Untuk memulai dan menghindari kesalahan perusahaan lain, gunakan 10 rahasia analitik penskalaan ini. Anda selalu bisa mendapatkan inspirasi dengan melihat studi kasus dari perusahaan lain. Berikut adalah beberapa contoh:

• Ile de Beaute menggunakan analitik ujung ke ujung untuk mengukur efek ROPO
• Analitik ujung-ke-ujung yang nyaman dibangun dalam sembilan langkah sederhana
• BUTIK. meningkatkan LTV pelanggan dengan menggabungkan data

Sesi berikutnya disebut “Birds of a Feather,” di mana setiap orang dapat menyebutkan topik atau masalah yang ingin mereka diskusikan dan pindah ke meja untuk bertemu kolega yang berpikiran sama untuk diskusi mendalam. Saya pribadi sangat menyukai sesi ini karena memberi saya beberapa ide tentang masalah yang saya tidak tahu bagaimana mengatasinya.

Michele adalah pembicara karismatik yang tahu bagaimana menarik perhatian orang, dan saya sangat menyukai bagaimana dia menunjukkan trik otak kita — memori kerja yang terbatas, bias konfirmasi, kesesuaian dengan norma, dll. — yang telah dibuktikan oleh penelitian klasik. Penting bagi analis untuk menyadari kontradiksi ini, karena analitik dan pengoptimalan adalah tentang menggunakan metode kuantitatif untuk memahami orang dan mengapa mereka melakukan apa yang mereka lakukan. Berikut adalah beberapa takeaways:

• Saat menyajikan informasi, Anda perlu bekerja dalam batas sistem persepsi dan memori.

Menurut George A. Miller, seorang psikolog terkenal, jumlah informasi yang dapat kita simpan dalam memori jangka pendek adalah tujuh plus atau minus dua item. Item adalah potongan informasi, seperti kata, angka, titik data, dll. Itulah mengapa mengharapkan pengguna untuk menarik hubungan antara dua titik data yang terpisah enam halaman atau tiga puluh slide yang lalu adalah resep untuk kegagalan.

• Bahkan jika data Anda tampak jelas, jika Anda datang dengan "berita terbaru" yang bertentangan dengan apa yang telah diketahui, dipikirkan, atau diyakini oleh bisnis selama beberapa waktu, Anda mungkin memerlukan lebih banyak data untuk mendukung sudut pandang sebaliknya.

Anda mungkin juga ingin memberikan banyak waktu untuk diskusi daripada hanya mengirimkan temuan Anda, karena diskusi tersebut sangat penting untuk mendapatkan dukungan untuk sudut pandang baru ini. “Seorang pria dengan keyakinan adalah pria yang sulit untuk diubah. Tunjukkan padanya fakta atau angka dan dia mempertanyakan sumber Anda. Tarik logika dan dia gagal memahami maksud Anda, ”kata Leon Festinger.

Ini juga disebut teori disonansi kognitif. Ini memberitahu kita bahwa orang tidak menyukai perasaan inkonsistensi (misalnya, antara keyakinan kita dan tindakan kita.) Kita berusaha untuk mengurangi perasaan tidak nyaman ini dengan membenarkan keyakinan kita dan menghindari informasi yang mungkin bertentangan.

• Saat bekerja dengan data, jangan berhenti pada hipotesis pertama Anda. Ini dapat dipengaruhi oleh bias kognitif Anda.

Otak kita dibangun dengan cara yang berusaha untuk menegaskan keyakinan yang ada. Dan itu bisa membawa Anda ke kesalahan, karena mungkin ada banyak alasan mengapa data menunjukkan apa yang dilakukannya. Saya benar-benar menemukan pemahaman dan mengenali bias ini sangat berguna ketika mewawancarai orang.

Anda biasanya mendapatkan kesan pertama Anda dalam waktu 15 detik, dan setelah itu otak Anda mencari sesuatu yang akan mendukung kesan pertama itu. Sangat penting untuk memperhatikan momen ini dan mulai mencari fakta yang mendukung posisi yang berlawanan. Ini akan membantu Anda melepaskan diri dari bias kognitif Anda.

• Jika Anda memiliki temuan analitis yang menantang status quo, Anda harus mendiskusikannya secara perlahan dan satu lawan satu.

Hindari menempatkan orang di tempat untuk setuju atau tidak setuju dalam pengaturan kelompok karena kecil kemungkinannya orang-orang dalam kelompok akan membela temuan baru Anda yang bertentangan dengan norma kelompok. Demikian pula, ini menentang melompat langsung ke sesi brainstorming kelompok. Sekali dalam kelompok, 76% orang akan setuju dengan kelompok (walaupun mereka salah!), jadi lebih mudah untuk mendapatkan ide yang lebih bervariasi dan meminimalkan pemikiran kelompok dengan membiarkan individu, brainstorming tanpa hambatan dan mengumpulkan semua ide terlebih dahulu.

Efek ini disebut kesesuaian dengan norma, dan dibuktikan oleh Ash dalam eksperimennya pada tahun 1951.

• Saat membawa temuan, buat rekomendasi tentang cara menggunakannya dan sespesifik mungkin.

Tentukan tanggung jawab siapa yang harus bertindak jika sesuatu berubah dan pastikan Anda telah didengar sehingga Anda tidak terjebak oleh efek pengamat – semakin banyak pengamat hadir, semakin kecil kemungkinan seseorang akan turun tangan dan membantu. Contoh yang bagus dari hal ini adalah dalam keadaan darurat medis ketika semua orang hanya berdiri dan menunggu orang lain untuk mengambil tindakan.

Ada lebih banyak contoh dan bias yang dapat Anda temukan dalam presentasi Michele. Jika Anda tertarik untuk mempelajari tentang bias, lihat artikel tentang psikologi praktis untuk ilmuwan data ini oleh Conor Dewey.

Saat makan siang, saya mendengarkan ceramah yang sangat menginspirasi tentang mengidentifikasi kepribadian kepemimpinan oleh Valerie Kroll , Direktur Pengoptimalan di Search Discovery dan Presiden Dewan Direksi Asosiasi Analisis Digital.

Dalam ceramahnya, Valerie menceritakan perjalanannya selama 12 tahun dari magang yang luar biasa ke tempatnya sekarang dan caranya menjadi seorang pemimpin. Berikut adalah beberapa pelajaran yang telah dia pelajari:

• Anda tidak harus mengatur orang untuk menjadi seorang pemimpin. Seorang pemimpin memotivasi dan mengilhami orang lain untuk rela mengambil tindakan; mereka membawa budaya dan secara konstruktif menantang status quo. Saya juga dapat menambahkan bahwa untuk menjadi seorang pemimpin, Anda harus memiliki empati yang kuat dan kemauan untuk bertanggung jawab.
• Temukan peluang kepemimpinan dan jangan terkecoh oleh sindrom penipu:
  

Untuk memerangi sindrom penipu, gunakan keterampilan analitis Anda — coba lihat fakta dan nilai kemajuan Anda dan tingkat saat ini berdasarkan itu, tulis kekuatan dan pencapaian Anda, dan temukan cara untuk menerapkan keterampilan Anda. Anda juga dapat mencoba Buku Kerja The Anxiety and Phobia karya Edmund J. Bourne.

• Jika Anda menghadapi bias atau diskriminasi, bicarakan, idealnya dengan pelaku kesalahan. Jika tidak, temukan kolega, mentor, atau seseorang di HR. Jika perusahaan Anda tidak memiliki proses untuk menangani masalah penting, angkatlah. Jangan takut atau malu dengan siapa Anda – usia, jenis kelamin, kebangsaan, dll. Mungkin itu adalah sesuatu yang membuat Anda sukses dan membantu Anda membawa perspektif yang berbeda.
• Bangun merek pribadi Anda di jejaring sosial dan dorong model berbentuk T, berkembang tidak hanya secara luas tetapi juga secara mendalam.
  
• Manfaatkan jaringan Anda dengan membuat koneksi nyata dan miliki elevator pitch yang siap digunakan. Temukan koneksi di pertemuan, minta orang untuk memperkenalkan Anda kepada orang lain yang menarik, dan kembangkan koneksi tersebut dengan memberikan nilai. Bersiaplah untuk membagikan apa yang sedang Anda kerjakan yang paling bernilai dan paling inovatif dalam waktu kurang dari satu menit.
  
• Carilah bimbingan. Itu bisa saling menguntungkan, karena cara terbaik untuk menguasai suatu keterampilan adalah dengan mengajar seseorang. Saat mencari mentor, pertimbangkan soft skill serta hard skill, dengan fokus pada tujuan karir Anda.
  

Omong-omong, DAA memiliki program mentoring Women in Analytics, jadi jika Anda tertarik, lihatlah.

Maka sudah waktunya untuk membagikan cerita saya tentang Menganalisis Analis untuk Meningkatkan Efisiensi Proses . Menumbuhkan tim membutuhkan banyak waktu dan usaha serta alat manajemen yang tepat. Poin-poin masalah umum: distribusi tugas yang tidak efisien, tidak ada waktu untuk mengajar dan melatih karyawan baru, tidak cukup waktu bagi analis berpengalaman untuk melakukan R&D dan meningkatkan keterampilan mereka, tidak tahu berapa banyak waktu yang dihabiskan karyawan tertentu untuk tugas mana, dan daftar berjalan. Kami telah menggunakan data lake untuk meningkatkan estimasi tugas, memastikan bahwa pelajaran yang diperoleh dengan susah payah dibagikan kepada semua orang, dan menyeimbangkan prioritas proyek.

Akibatnya kita

1. menyadari bahwa beban kerja seorang analis jauh dari yang kami harapkan dan bahwa nilai rata-rata dapat menyembunyikan zona pertumbuhan kami
2. membuktikan bahwa sebagian besar analis kami (~85%) menjawab email tepat waktu
3. memetakan tugas-tugas khas yang kita hadapi, berapa lama biasanya waktu yang dibutuhkan untuk menyelesaikannya, dan bagaimana waktu untuk setiap tugas tertentu dapat bervariasi
4. menemukan kelemahan dan kekuatan bagi setiap analis untuk menyesuaikan rencana pengembangan pribadi mereka
   menemukan area untuk otomatisasi.

Anda dapat menemukan slide saya di Slideshare dan artikel di ConversionXL yang menggambarkan pengalaman kami.
Sayangnya, saya melewatkan ceramah Garry Angel, Tim Wilson, Matt Gershoff, dan Moe Kiss, tetapi saya mendengar mereka semua berbicara di Superweek dan tahu bahwa mereka brilian. Meskipun saya melewatkan pembicaraan mereka, senang melihat mereka lagi di #MASConf!

Sesi terakhir di Marketing Analytics Summit adalah rekaman langsung podcast Analytics Power Hour. Setiap episode podcast ini memiliki topik tertutup dan forum terbuka.

Penonton senang mendengarkan Michael Helbling , Pemimpin Praktik Analytics di Search Discovery, Moe Kiss, Konsultan Analytics, dan Tim Wilson , Direktur Senior Analytics di Search Discovery berbagi pemikiran dan pengalaman mereka. Anda dapat menemukan wawancara eksklusif kami sebelumnya dengan Tim Wilson tentang keadaan analitik modern di sini. Anda juga dapat menemukan episode dari Marketing Analytics Summit di sini. Saya sangat mendorong Anda untuk mendengarkan episode lain juga.

1. Jangan mengambil judul pada nilai nominal; memotong hype dan fokus pada dampak yang Anda berikan.
2. Untuk memahami apakah analitik swalayan berfungsi di perusahaan Anda, tanyakan kepada tim Anda apakah mereka memiliki dukungan data yang mereka butuhkan untuk melakukan pekerjaan mereka secara efektif dan apakah mereka bisa mendapatkan data dalam jangka waktu yang memenuhi kebutuhan bisnis mereka.
3. Gunakan matriks peran data untuk memastikan semua orang memahami apa yang diharapkan dari setiap posisi.
4. Bersikaplah proaktif dalam hal kualitas data Anda, bukan reaktif.
5. Hanya 11% pemasar yang merasa “sangat percaya diri” dalam keakuratan model atribusi mereka. Namun bukan berarti Anda tidak boleh mencoba.
6. Untuk menilai tingkat kematangan data, Anda perlu mengevaluasi data Anda di tiga kategori berbeda: wawasan terpadu (pengukuran kinerja dan atribusi), data terpadu (data silo, lokasi bersama, atau terpadu), dan fondasi data yang telah ditentukan sebelumnya (presisi pelacakan, titik kontak cakupan, standarisasi taksonomi).
7. Bisnis yang menghubungkan metrik pemasaran dengan hasil bisnis yang diinginkan dua kali lebih mungkin untuk secara signifikan melebihi hasil tersebut. Dan bisnis yang menghubungkan metrik pemasaran dengan target pendapatan tiga kali lebih mungkin untuk melampaui target tersebut secara signifikan.
8. Baik pakar pemasaran maupun analis menginginkan satu hal: alat dan proses yang tepat untuk mengetahui apa yang harus dimulai, dihentikan, dan terus dilakukan untuk mencapai tujuan pemasaran mereka.
9. Gunakan rencana sukses untuk menyelaraskan aktivitas pemasaran dengan tujuan bisnis perusahaan Anda dan tunjukkan nilai investasi pemasaran dan analitik kepada kepemimpinan senior.
10. Fokus pada proses yang mendorong pendapatan terlebih dahulu, karena mereka membawa lebih banyak dampak.
11. Agar proses Anda berjalan, petakan, analisis, dan komunikasikan ke tim.
12. Interaksi fisik lebih mudah dipahami dan tampak lebih persuasif daripada digital – perhatian fisik menghasilkan ingatan merek 70% lebih tinggi. Jadi untuk diingat oleh audiens Anda, Anda perlu melibatkan lebih banyak indra, mengurangi gangguan, dan mendorong interaksi.
13. Kontrol merek Anda dengan SEO on-SERP, karena halaman hasil pencarian adalah halaman arahan baru Anda. Anda perlu memanfaatkan cuplikan kaya dan mengklaim panel Anda.
14. Gandakan pembuatan permintaan bermerek.
15. Manfaatkan algoritme sosial dengan bergantian pos non-promosi dan promosi.
16. Gunakan pengisahan cerita untuk membuat konten yang terhubung dengan merek Anda, dapatkan keterlibatan tinggi, dan ciptakan resonansi emosional.
17. Ada tiga masalah utama dengan data: kurangnya literasi data, silo data, dan kurangnya kepercayaan pada data. Semua masalah ini dapat diatasi dengan strategi data yang dapat dijalankan – rencana untuk menggunakan data secara sengaja yang mencakup pemahaman data Anda, merancang data Anda agar berguna, dan mengaktifkan data Anda untuk dampak bisnis.
18. Fikologi dan analitik terhubung — waspadai jalan pintas mental dan gunakan untuk meningkatkan kekuatan analitik dan pemasaran Anda.
19. Untuk menemukan model kepemimpinan Anda, gunakan perbedaan Anda, kembangkan jaringan dan merek pribadi Anda, cari mentor dan mentee, lawan sindrom penipu, dan inspirasi orang lain.
20. Lebih cepat lebih baik. Mengumpulkan, menggabungkan, dan menyiapkan data adalah sekitar 75% dari upaya Anda. Pastikan Anda memercayai kualitas data yang Anda kumpulkan.
21. Mulailah dengan dasbor MVP. Fokus pada tidak lebih dari 10 KPI kritis.
22. Tentukan apa yang akan Anda lakukan jika metrik berubah secara dramatis pada jam 5 sore pada hari Jumat. Anda harus memiliki rencana tentang apa yang harus dilakukan jika metrik naik atau turun secara tidak terduga. Jika Anda tidak tahu mengapa Anda harus memiliki rencana seperti itu untuk metrik tertentu, pertimbangkan apakah Anda perlu melacaknya sama sekali.

PS Ini adalah pengalaman yang luar biasa. Terima kasih secara terpisah disampaikan kepada Jim Sterne karena telah mengundang saya dan kepada Roxanne Glavina, Manajemen Pembicara di Rising Media, Inc. untuk kelancaran organisasi.