Cose che ho imparato al Marketing Analytics Summit 2019 a Las Vegas [Day 2]

Questa è una continuazione del mio riepilogo del Marketing Analytics Summit. Per conoscere i discorsi del primo giorno e i prossimi Summit di Marketing Analytics in tutto il mondo, dai un'occhiata all'articolo precedente.

• "La strategia dei dati eseguibili" di John Lovett
• “Quello che devi sapere su di te – psicologia per il successo” di Michele Kiss
• "Identificare la personalità di leadership" di Valerie Kroll
• "Analizzare gli analisti per migliorare l'efficienza dei processi" di Mariia Bocheva
  

Il secondo giorno è iniziato con una presentazione di John Lovett , Senior Director of Data Strategy presso Search Discovery. Il suo discorso riguardava la strategia per i dati eseguibili, un piano per l'utilizzo dei dati con uno scopo che include la comprensione dei dati, l'architettura dei dati per renderli utili e l'attivazione dei dati per l'impatto aziendale.

Le organizzazioni hanno bisogno di una strategia per i dati che le guidi, poiché sfruttare i dati nell'ambiente aziendale odierno può essere complesso e confuso. Esistono tre problemi di dati moderni: mancanza di alfabetizzazione dei dati, silos di dati e mancanza di fiducia nei dati.

Il problema qui è che i livelli C e i capi dipartimento spesso non capiscono i dati. Secondo "Gartner Trend Insight Report: Fostering Data Literacy and Information entro il 2020", l'80% delle organizzazioni prevede di avviare uno sviluppo deliberato delle competenze nel campo dell'alfabetizzazione dei dati, riconoscendo la loro estrema carenza.

Puoi dividere l'alfabetizzazione dei dati in tre bucket:

• Alfabetizzazione sulle metriche : quando le persone sanno cosa significano i dati, usano gli stessi termini e capiscono i valori dietro di essi. Questo è un livello essenziale che consente a tutti i membri del team di parlare la stessa lingua.
• Alfabetizzazione degli strumenti : quando le persone sono in grado di gestire autonomamente i dati necessari e sono consapevoli del potenziale, dei trucchi e dei limiti degli strumenti. Questo punto è davvero correlato al discorso di giugno sull'analisi self-service su Twitch.
• Alfabetizzazione concettuale : quando le persone si avvicinano e applicano i dati con chiarezza e raffinatezza e possono spiegarsi utilizzando i dati.

Per essere alfabetizzati sui dati, devi comprendere i tuoi dati. Rispondere alle seguenti domande dovrebbe aiutare:

1. Quali tipi di dati abbiamo e di quali tipi abbiamo bisogno per rispondere alle nostre domande? Utilizza un inventario di dati interattivo, dizionari di dati e cataloghi per capire da dove provengono i dati e in cosa consistono.
2. Gli utenti possono auto-servire i dati o hanno bisogno di qualcuno che li fornisca loro?
3. Chi ha accesso ai nostri dati e come possono essere utilizzati i dati?
4. Gli utenti hanno una comprensione accurata dei nostri dati o stiamo parlando greco?
5. C'è un alto grado di comfort nell'utilizzo dei dati o è una lotta ogni volta che è necessario creare un nuovo report?
   

Non sorprende che la maggior parte delle aziende abbia problemi con dati sparsi perché le loro origini dati non parlano tra loro:

Per rompere questi silos di dati, devi definire da dove provengono i tuoi dati e come possono essere collegati. Quindi puoi dare la priorità a ciò che dovrebbe essere implementato per primo. Ecco alcune domande che dovrebbero aiutarti in questo:

1. Quali connessioni dati e API esistono? La maggior parte delle fonti che desideri connettere può essere integrata tramite API già pronte o strumenti di terze parti, quindi non perdere tempo e altre risorse per creare le tue integrazioni.
2. Quali trasformazioni sono necessarie per l'analisi? Di solito, i tuoi dati sono disponibili in diversi formati e a velocità diverse, quindi per inserirli in un unico rapporto devi elaborarli in anticipo. Pensaci in anticipo e pianifica di conseguenza.
3. Esistono processi integrati tra i set di dati? Pensa a quali processi saranno influenzati dalla disponibilità di questi dati.
4. Quando i dati vengono aggiornati e condivisi? Controlla la frequenza con cui devi aggiornare i dati e chi ha bisogno di accedervi. Questo dovrebbe aiutare a selezionare gli strumenti più adatti per condividere i report con il team.

Dopo aver risposto a queste domande, puoi decidere quale approccio utilizzare per l'architettura dei dati: data lake, data fabric o un data hub. Secondo una recente ricerca di McKinsey, solo l'8% delle implementazioni di data lake è passato dal proof of concept alla produzione.

Secondo KPMG, solo il 35% delle organizzazioni intervistate ha un alto livello di fiducia nell'uso dell'analisi dei dati da parte della propria organizzazione. Per risolvere questo problema, devi creare fiducia e attivare i tuoi dati. Inizia ponendoti le seguenti domande:

1. Dove i dati possono attivare azioni automatizzate?
2. Come utilizziamo i dati per il targeting e la personalizzazione?
3. Come costruiamo la fiducia nei dati?
   

Per attivare i tuoi dati, devi assicurarti che

• I dati sono affidabili e le persone si fidano dei numeri che vedono. Questo può essere fatto attraverso diversi metodi di test e monitoraggio.
• I dati sono disponibili per la collaborazione. Vai e parla con le parti interessate nell'organizzazione per capire su quali dati devono agire.
• Hai un consiglio per la governance dei dati che è responsabile della supervisione di tutti i processi relativi ai dati.

John ha condiviso un paio di esempi di vita reale, tra cui la storia di un'emittente americana senza scopo di lucro e l'approccio utilizzato dal team di Data Discovery per costruire una strategia di dati eseguibile. Le fasi che hanno attraversato sono state la definizione degli obiettivi, l'allineamento con gli obiettivi di business e l'impostazione delle misurazioni:

Una volta che tutti questi obiettivi aziendali sono stati scritti, il team di Data Discovery ha assegnato loro la priorità in base all'impatto aziendale e al livello di impegno richiesto e ha definito la roadmap di implementazione passando dalle attività più cruciali e preziose a quelle meno importanti:

Non lasciare che la bassa percentuale di successo delle implementazioni di data lake ti spaventi. L'impatto potenziale di un'implementazione di successo è di gran lunga superiore all'investimento necessario. Per iniziare ed evitare gli errori di altre aziende, usa questi 10 segreti dell'analisi di scalabilità. Puoi sempre trarre ispirazione guardando i casi di studio di altre aziende. Ecco alcuni esempi:

• Ile de Beaute ha utilizzato l'analisi end-to-end per misurare l'effetto ROPO
• Comfy ha costruito analisi end-to-end in nove semplici passaggi
• BUTIK. miglioramento dell'LTV dei clienti combinando i dati

La sessione successiva si chiamava "Birds of a Feather", in cui tutti potevano nominare un argomento o un punto dolente che volevano discutere e spostarsi a un tavolo per incontrare colleghi che la pensavano allo stesso modo per una discussione approfondita. Personalmente mi è piaciuta molto questa sessione perché mi ha dato un paio di idee su un problema che non sapevo come affrontare.

Michele è un oratore carismatico che sa come attirare l'attenzione della gente e mi è piaciuto molto il modo in cui ha mostrato i trucchi del nostro cervello - memoria di lavoro limitata, bias di conferma, conformità alla norma, ecc. - che sono stati dimostrati dagli studi classici. È importante che gli analisti siano consapevoli di queste contraddizioni, perché l'analisi e l'ottimizzazione riguardano l'utilizzo di metodi quantitativi per capire le persone e perché fanno quello che fanno. Ecco alcuni dei take away:

• Quando si presentano le informazioni, è necessario lavorare entro i limiti dei sistemi percettivi e di memoria.

Secondo George A. Miller, un famoso psicologo, la quantità di informazioni che possiamo conservare nella memoria a breve termine è di sette più o meno due elementi. Un elemento è un pezzo di informazioni, come una parola, un numero, un punto dati, ecc. Ecco perché aspettarsi che gli utenti disegnino connessioni tra due punti dati a sei pagine di distanza o trenta diapositive fa è una ricetta per il fallimento.

• Anche se i tuoi dati sembrano evidenti, se arrivi con "notizie dell'ultima ora" che vanno contro ciò che l'azienda sa, pensa o crede da tempo, potresti aver bisogno di più dati per supportare il tuo punto di vista contrario.

Potresti anche voler concedere un sacco di tempo per la discussione piuttosto che inviare semplicemente le tue scoperte, poiché quelle discussioni sono fondamentali per ottenere il consenso a questo nuovo punto di vista. “Un uomo con una convinzione è un uomo difficile da cambiare. Mostragli fatti o cifre e lui mette in dubbio le tue fonti. Fai appello alla logica e non riesce a capire il tuo punto", ha detto Leon Festinger.

Questa è anche chiamata la teoria della dissonanza cognitiva. Ci dice che alle persone non piace la sensazione di incoerenza (ad esempio, tra le nostre convinzioni e le nostre azioni). Cerchiamo di ridurre questa sensazione di disagio giustificando le nostre convinzioni ed evitando informazioni che potrebbero essere in conflitto.

• Quando si lavora con i dati, non fermarsi alla prima ipotesi. Può essere influenzato dal tuo pregiudizio cognitivo.

Il nostro cervello è costruito in modo da cercare di affermare le credenze esistenti. E questo può portarti a un errore, poiché potrebbero esserci molte ragioni per cui i dati mostrano quello che fanno. In realtà trovo che capire e riconoscere questo pregiudizio sia davvero utile quando si intervistano le persone.

Di solito ottieni la tua prima impressione entro 15 secondi, dopodiché il tuo cervello sta cercando qualcosa che supporti quella prima impressione. È estremamente importante notare questo momento e iniziare a cercare fatti che supportano una posizione contraria. Ti aiuterà a sfuggire al tuo pregiudizio cognitivo.

• Se hai risultati analitici che sfidano lo status quo, dovresti discuterli lentamente e uno contro uno.

Evita di mettere le persone in condizione di essere d'accordo o in disaccordo all'interno di un ambiente di gruppo perché è meno probabile che le persone in un gruppo si oppongano alle tue nuove scoperte contro la norma del gruppo. Allo stesso modo, questo argomenta contro il saltare direttamente a una sessione di brainstorming di gruppo. Una volta in un gruppo, il 76% delle persone sarà d'accordo con il gruppo (anche se si sbagliano!), quindi è più facile ottenere idee più varie e ridurre al minimo il pensiero di gruppo consentendo un brainstorming individuale e disinibito e raccogliendo prima tutte le idee.

Questo effetto è chiamato conformità alla norma ed è stato dimostrato da Ash nei suoi esperimenti nel 1951.

• Quando porti i risultati, fai una raccomandazione su come usarli e sii il più specifico possibile.

Definisci di chi è la responsabilità di agire se qualcosa cambia e assicurati di essere ascoltato in modo da non rimanere intrappolato dall'effetto spettatore: più spettatori sono presenti, meno è probabile che un individuo intervenga e aiuti. Un ottimo esempio di questo è in un'emergenza medica quando tutti sono in piedi e aspettano che qualcun altro agisca.

Ci sono molti più esempi e pregiudizi che puoi trovare nella presentazione di Michele. Se sei interessato a conoscere i pregiudizi, dai un'occhiata a questo articolo sulla psicologia pratica per i data scientist di Conor Dewey.

Durante il pranzo, ho ascoltato un discorso davvero stimolante sull'identificazione della personalità di leadership di Valerie Kroll , direttrice dell'ottimizzazione di Search Discovery e presidente del consiglio di amministrazione della Digital Analytics Association.

Nel suo discorso, Valerie ha condiviso il suo viaggio di 12 anni da stagista quant a dove si trova ora e il suo modo per diventare un leader. Ecco alcune lezioni che ha imparato:

• Non devi gestire le persone per essere un leader. Un leader motiva e ispira gli altri ad agire volontariamente; portano la cultura e sfidano in modo costruttivo lo status quo. Posso anche aggiungere che per essere un leader, devi avere una forte empatia e una volontà di assumerti le responsabilità.
• Trova opportunità di leadership e non farti sopraffare dalla sindrome dell'impostore:
  

Per combattere la sindrome dell'impostore, usa le tue capacità analitiche: prova a guardare i fatti e valutare i tuoi progressi e il livello attuale in base ad essi, annota i tuoi punti di forza e risultati e trova il modo di applicare le tue abilità. Inoltre, puoi provare The Anxiety and Phobia Workbook di Edmund J. Bourne.

• Se affronti pregiudizi o discriminazioni, parlane, idealmente con il trasgressore. In caso contrario, trova un collega, un mentore o qualcuno nelle risorse umane. Se la tua azienda non dispone di processi in atto per gestire un problema importante, sollevalo. Non aver paura o vergogna di chi sei: età, sesso, nazionalità, ecc. Forse è qualcosa che ti rende vincente e ti aiuta a portare una prospettiva diversa.
• Costruisci il tuo marchio personale sui social network e incoraggia il modello a T, evolvendo non solo in ampiezza ma anche in profondità.
  
• Sfrutta la tua rete creando connessioni reali e disponi di un ascensore pronto per l'uso. Trova connessioni ai meetup, chiedi alle persone di presentarti altre persone interessanti e sviluppa quelle connessioni fornendo valore. Preparati a condividere ciò su cui stai lavorando che crea il massimo valore ed è il più innovativo in meno di un minuto.
  
• Cerca tutoraggio. Può essere reciproco, perché il modo migliore per padroneggiare un'abilità è insegnare a qualcuno. Quando cerchi un mentore, considera sia le competenze trasversali che quelle difficili, concentrandoti sui tuoi obiettivi di carriera.
  

A proposito, DAA ha un programma di tutoraggio Women in Analytics, quindi se sei interessato, dai un'occhiata.

Allora era già il momento di condividere la mia storia sull'analisi degli analisti per migliorare l'efficienza dei processi . Far crescere una squadra richiede molto tempo e fatica e gli strumenti di gestione adeguati. I punti deboli sono comuni: distribuzione inefficiente dei compiti, mancanza di tempo per insegnare e istruire i nuovi dipendenti, non abbastanza tempo per analisti esperti per svolgere attività di ricerca e sviluppo e migliorare le proprie competenze, non avere idea di quanto tempo un determinato dipendente ha dedicato a quali attività e il la lista continua. Abbiamo utilizzato i data lake per migliorare la stima delle attività, garantire che le lezioni apprese dolorosamente siano condivise con tutti e bilanciare le priorità del progetto.

Di conseguenza noi

1. ci siamo resi conto che il carico di lavoro di un analista è lontano da quello che ci aspettavamo e che i valori medi possono nascondere le nostre zone di crescita
2. ha dimostrato che la maggior parte dei nostri analisti (~85%) ha risposto alle e-mail in tempo
3. mappato le attività tipiche in cui ci imbattiamo, quanto tempo ci vuole di solito per portarle a termine e come può variare il tempo per ciascuna attività particolare
4. ha riscontrato punti deboli e punti di forza per consentire a ciascun analista di personalizzare il proprio piano di sviluppo personale
   ha trovato aree per l'automazione.

Puoi trovare le mie diapositive su Slideshare e un articolo su ConversionXL che racconta la nostra esperienza.
Purtroppo, mi sono mancati i discorsi di Garry Angel, Tim Wilson, Matt Gershoff e Moe Kiss, ma li ho sentiti parlare tutti al Superweek e so che sono fantastici. Anche se mi mancavano i loro discorsi, è stato bello rivederli al #MASConf!

L'ultima sessione del Marketing Analytics Summit è stata una registrazione dal vivo del podcast Analytics Power Hour. Ogni episodio di questo podcast ha un argomento chiuso e un forum aperto.

Il pubblico si è divertito ad ascoltare Michael Helbling , Analytics Practice Lead presso Search Discovery, Moe Kiss, Analytics Consultant e Tim Wilson , Senior Director of Analytics presso Search Discovery, condividere i propri pensieri ed esperienze. Puoi trovare la nostra precedente intervista esclusiva con Tim Wilson sullo stato dell'analisi moderna qui. Inoltre, puoi trovare l'episodio del Marketing Analytics Summit qui. Ti consiglio vivamente di ascoltare anche altri episodi.

1. Non prendere un titolo al valore nominale; taglia il clamore e concentrati sull'impatto che offri.
2. Per capire se l'analisi self-service funziona nella tua azienda, chiedi al tuo team se dispone del supporto dati di cui ha bisogno per svolgere il proprio lavoro in modo efficace e se è in grado di ottenere i dati in un lasso di tempo che soddisfi le proprie esigenze aziendali.
3. Utilizzare una matrice dei ruoli dei dati per assicurarsi che tutti comprendano cosa ci si può aspettare da ciascuna posizione.
4. Sii proattivo quando si tratta della qualità dei dati, non reattivo.
5. Solo l'11% dei marketer si sente "molto fiducioso" nell'accuratezza del proprio modello di attribuzione. Ma questo non significa che non dovresti provare.
6. Per valutare il livello di maturità dei dati, devi valutare i tuoi dati in tre diverse categorie: informazioni unificate (misurazione e attribuzione delle prestazioni), dati unificati (dati in silo, co-localizzati o unificati) e base dati predefinita (precisione di tracciamento, punto di contatto copertura, standardizzazione della tassonomia).
7. Le aziende che collegano le metriche di marketing ai risultati aziendali desiderati hanno il doppio delle probabilità di superare significativamente tali risultati. E le aziende che collegano le metriche di marketing agli obiettivi di fatturato hanno una probabilità tre volte maggiore di superare significativamente tali obiettivi.
8. Sia gli specialisti di marketing che gli analisti vogliono una cosa: gli strumenti e i processi giusti per sapere cosa iniziare, interrompere e continuare a fare per raggiungere i propri obiettivi di marketing.
9. Utilizza un piano di successo per allineare le attività di marketing con gli obiettivi di business della tua azienda e dimostrare il valore degli investimenti di marketing e analisi alla dirigenza senior.
10. Concentrati prima sui processi che generano entrate, poiché portano un maggiore impatto.
11. Per far funzionare i tuoi processi, mappali, analizzali e comunicali al team.
12. L'interazione fisica è più facile da capire e sembra più persuasiva di quella digitale: l'attenzione fisica porta a un ricordo del marchio superiore del 70%. Quindi, per essere ricordato dal tuo pubblico, devi coinvolgere più sensi, ridurre le distrazioni e incoraggiare l'interazione.
13. Controlla il tuo marchio con la SEO on-SERP, poiché la pagina dei risultati di ricerca è la tua nuova pagina di destinazione. Devi sfruttare i rich snippet e rivendicare i tuoi pannelli.
14. Raddoppia la creazione della domanda di marca.
15. Sfrutta gli algoritmi social alternando post non promozionali e promozionali.
16. Usa lo storytelling per creare contenuti collegati al tuo marchio, guadagna un elevato coinvolgimento e crea risonanza emotiva.
17. Ci sono tre problemi principali con i dati: mancanza di alfabetizzazione dei dati, silos di dati e mancanza di fiducia nei dati. Tutti questi problemi possono essere affrontati con una strategia per i dati eseguibili, un piano per l'utilizzo dei dati in modo mirato che include la comprensione dei dati, l'architettura dei dati per renderli utili e l'attivazione dei dati per l'impatto aziendale.
18. La psicologia e l'analisi sono collegate: sii consapevole delle scorciatoie mentali e usale per sfruttare i tuoi poteri di analisi e marketing.
19. Per trovare il tuo modello di leadership, usa le tue differenze, sviluppa la tua rete e il tuo marchio personale, cerca un mentore e un allievo, combatti la sindrome dell'impostore e ispira gli altri.
20. Prima è meglio è. La raccolta, l'unione e la preparazione dei dati rappresentano circa il 75% dei tuoi sforzi. Assicurati di fidarti della qualità dei dati che stai raccogliendo.
21. Inizia con una dashboard MVP. Concentrati su non più di 10 KPI critici.
22. Definisci cosa farai se una metrica cambia drasticamente alle 17:00 di venerdì. Dovresti avere un piano su cosa fare se una metrica aumenta o diminuisce in modo imprevisto. Se non hai idea del motivo per cui dovresti avere un piano del genere per una determinata metrica, considera se è necessario monitorarlo.

PS È stata un'ottima esperienza. Un ringraziamento separato va a Jim Sterne per avermi invitato e a Roxanne Glavina, Speaker Management presso Rising Media, Inc. per la regolare organizzazione.