Modern Marketing Analytics로 Digital Jenga 활용하기: Christopher Penn과의 인터뷰

Trust Insights의 공동 창립자이자 수석 데이터 과학자인 Christopher Penn과의 오늘 인터뷰는 발표되기도 전에 화제가 되었습니다. 그러니 팝콘이나 뜨거운 차 한 잔을 들고 분석 및 분석가, 현대 마테크, 그리고 모든 것이 어디로 향하고 있는지에 대한 이 기사를 읽으십시오.

항상 그렇듯이, Christopher와 이 훌륭한 대화를 나눈 Mariia Bocheva에게 감사드립니다.

출처: Christopher Penn 공식 페이스북 페이지

여기에서 관심 지점으로 바로 이동:​

Mariia Bocheva: 간단한 자기 소개를 해주시겠습니까?

Christopher Penn: 제 배경은 IT였습니다. 제 석사 학위는 정보 시스템 관리입니다. 저는 2000년대 초반에 금융 서비스 스타트업에서 일하기 시작했습니다. 웹 서버 업데이트가 웹사이트 업데이트가 되었고 이메일 수정 출시가 이메일 뉴스레터 발송이 되었습니다.

당시 일어난 일은 마케팅이 마케팅 기술이 된 것입니다. 그러다가 2000년대 후반과 2000년대 초반에 전업 마케팅으로 옮겨 더 많은 데이터를 다루기 시작했습니다. 그리고 그 때 저는 데이터 과학에 훨씬 더 집중하게 되었습니다. 저는 약 5년 동안 PR 회사에서 사내에 있었고 머신 러닝과 AI에 대해 더 많이 보기 시작했습니다.
저는 약 2년 전에 그 회사와 다른 방향으로 가고 있었기 때문에 헤어졌습니다. 저는 데이터 과학과 머신 러닝에 집중하고 싶었습니다.

MB: 데이터 과학, 기계 학습 및 분석에 대해 언급하셨습니다. 오늘날 가장 중요한 하드 스킬은 무엇이라고 생각합니까?

CP: 3가지 기술 버킷이 있습니다. 1964년으로 거슬러 올라가면, Harold Leavitt라는 유명한 비즈니스 전략가가 있었습니다. 그는 모든 사람이 유능해야 하는 세 가지 영역, 즉 사람, 프로세스 및 기술이 있다고 가정했습니다.

숙련된 분석가나 숙련된 데이터 과학자에게는 세 가지 영역 모두에서 기능이 필요합니다. 당신은 사물의 사람 측면, 사람들이 일하는 방식, 전반적인 비즈니스 전략 등을 이해해야 하고, 비즈니스가 해결하고자 하는 문제를 잘 다룰 필요가 있습니다. 또한 프로세스에 대한 핸들이 있어야 합니다. 작업이 어떻게 수행되는지에 대해 처리해야 하며 이를 작업으로 변환할 수 있어야 합니다. 그리고 물론 데이터 분석을 수행하려면 기술, 기술, 수학적 지식에 접근할 수 있어야 하며 코딩할 수 있어야 합니다.

그것은 극소수의 사람들이 동등하고 강력한 양으로 가지고 있는 세 가지 큰 양동이입니다. 많은 사람들이 한 분야에는 기술이 있고 다른 두 분야는 약합니다. 그리고 그것은 아마도 분석가가 할 수 있는 가장 중요한 일 중 하나일 것입니다. 즉, 약점을 식별하는 것입니다. 네, 이것이 제가 강한 수준으로 레벨을 올리기 위해 노력해야 하는 것입니다.

MB: 그것은 사람들이 어떻게 일하는지를 거의 "하드 스킬"이라고 부르지 않기 때문에 소프트 스킬을 부분적으로 다룹니다. 그것에 대해 어떻게 생각하세요? 어떤 소프트 스킬이 중요하다고 생각합니까?

CP: 하드 스킬과 소프트 스킬의 차이는 내부와 외부에 있습니다. 당신의 외부 기술은 당신이 하드 기술이라고 부르는 것입니다: 다른 사람과 대화하는 능력, 그들의 얼굴 표정을 읽는 능력 등.

그러나 내부적으로는 엄청난 양의 자기 인식이 필요합니다. 그것은 당신 자신의 자아, 비즈니스 전문가로서 어느 정도 효과적이게 만드는 것들, 당신이 수용해야 하는 당신의 약점을 이해하는 것을 요구합니다. 어떤 사람들에게는 에고, " 그래, 나는 항상 옳아야 한다"라고 말하는 능력입니다. 하지만 아니, 당신은하지 않습니다.

그리고 사실, 그것은 데이터 분석에서 치명적인 죄입니다. 그렇죠? 내가 이 한 연구 회사와 함께 일하고 있었고 그들의 말은 "당신이 원하는 것이 무엇이든, 우리는 그것을 뒷받침할 데이터를 구축할 수 있다"는 말을 했던 것을 기억합니다. 이것은 작동 방식이 아닙니다. [웃음] 그런데도 그들은 기업이 증명하고 싶은 것을 방어하기 위해 데이터를 발명하도록 도와주기 때문에 실제로 평판이 좋은 기업입니다. 그래서 사람들은 당신이 듣고 싶은 말을 하기 때문에 그들과 거래합니다.

또 다른 매우 중요한 기술은 다른 사람들이 이해할 수 있는 방식으로 사물을 설명할 수 있다는 것입니다. 다시 말하지만, 그런 종류의 공감이 있습니다. 그리고 세 번째는 실제로 여러 수준에서 가르칠 수 있다는 것입니다. 누군가가 어디에 있는지(공감 부분) 알고 함께 작업하는 청중에게 적응할 수 있다는 것입니다.

나는 최근에 Content Marketing World에 있었습니다. 그리고 한 청중에는 코더인 사람들이 있었습니다. 그래서 저는 코더들에게 이렇게 말했습니다. 여러분을 위한 Markov 체인 모델링이지만 다른 모든 사람들에게는 디지털 Jenga 입니다. 누군가가 매우 중요한 소프트 스킬인 곳에 당신의 가르침을 적용할 수 있다는 것. 교육 지침 설계에 대한 배경 지식이나 경험이 전혀 없으면 매우 어렵습니다. 저는 25년 동안 제 선생님의 무술 학교에서 도움을 주었습니다. 그리고 그것은 제가 가진 훌륭한 기술입니다. 누군가 이 문제로 어려움을 겪고 있는 것을 볼 수 있고, 도움이 필요하고, 누군가가 어디에 있는지 식별할 수 있다는 것입니다. 경력에서 자신의 발전은 매우 중요합니다. 그리고 배우지 않은 기술입니다. 자신의 경험을 통해 배워야 합니다.

MB: 스토리텔링 및 사람들이 이해할 수 있는 방식으로 데이터를 제시하는 능력과도 관련이 있다고 생각하십니까?

CP: 동의합니다. 심리학에 "매트리스 던지기"라는 표현이 있습니다. 모든 사람에게는 다른 방향으로 향하는 정신적 출입구가 있습니다. 그리고 그 출입구에 매트리스를 던진다면 매트리스가 통과할 수 있는 방법은 몇 가지뿐입니다. 그러나 모든 사람의 문은 다릅니다. 그렇다면 청중은 어떻게 형성됩니까? 가능한 한 많은 출입구를 통과하도록 매트리스를 던질 수 있습니까?

나는 '스토리텔링'을 싫어한다. 그리고 제가 그 문구를 싫어하는 이유는 마케터, 특히 데이터를 잘 이해하지 못하는 마케터는 너무 자기 중심적이고 너무 회사 중심적인 경향이 있기 때문입니다 . 당신은 우리의 멋진 제품에 대한 이야기! 하지만 아무도 신경 쓰지 않죠? 청중이 원하는 이야기를 들려주세요. 그리고 그것은 다시 공감과 자기 인식으로 돌아갑니다. 당신이나 회사에 관한 것이 아닙니다. 청중이 무엇을 필요로 하는지에 대한 것입니다.

MB: 좋은 지적입니다. 나는 당신이 무슨 말인지 완전히 이해합니다. 매트리스를 던지는 것과 모든 사람이 어떻게 다른지에 대해 말하면 분석가와 마케팅 팀 간의 잘못된 의사 소통에 대해 어떻게 생각하십니까? 의사 소통을 개선할 수 있는 방법에 대한 권장 사항이 있습니까?

CP: 많은 마케팅 팀이 애널리스트와 처음부터 이야기를 나누거나 심지어 그들에게 접근할 수 없기 때문에 문제가 되지 않는다고 생각합니다. 내가 이야기하는 대부분의 마케터는 회사에 [분석가]가 없거나 더 긴급한 비즈니스 문제에 그들을 배치했기 때문에 분석가가 되려고 노력했습니다. 따라서 더 큰 문제는 가난한 마케터가 보유한 데이터를 처리할 수 있는 모든 종류의 분석 기술을 개발하는 것입니다.

저는 마케터와 몇 번이나 이야기를 나눴는지 말할 수 없습니다. 마케터 는 Google Analytics가 있습니다. 무슨 뜻인지 모르겠어요. Google Analytics에 대해 아는 것이 없습니다. 그런 토론을 하는 게 너무 이상해요. 로켓 수술이 아닙니다. 그러나 다시, 그 자의식으로 돌아가서, 그들은 창의적이고, 영감을 주고, 글을 잘 쓰고, 물건을 만들기 위해 마케팅에 뛰어 들었기 때문에 로켓 수술입니다. 그들은 양적 과학을 사랑했기 때문에 마케팅에 뛰어들지 않았습니다. 그렇지 않았다면 그들은 처음부터 데이터 과학자가 되었을 것입니다.

그러나 이제는 마케팅 기술과 디지털 마케팅으로 인해 이 문제를 처리하거나 가능한 한 오랫동안 무시할 수 밖에 없었습니다. 데이터에 액세스할 수 있거나 분석가에게 액세스할 수 있는 경우 성공 여부는 자기 인식에 달려 있습니다.

분석가는 좋은 마케팅 어휘가 없고 마케터는 데이터 과학 및 데이터 분석에 대한 좋은 어휘가 없습니다. 따라서 아마도 가장 중요하고 쉬운 일은 금요일 오후에 원하는 음료로 사람들을 모으고 서로 이야기하게 하는 것입니다. 사람들이 그것에 대해 이야기하는 것만으로 규율에 대해 충분히 익숙해질 수 있기 때문입니다.

또한 사람들은 많은 곳에서 통근합니다. 그리고 데이터 과학자가 마케팅 팟캐스트를 듣거나 마케터가 데이터 과학 팟캐스트를 듣고 실제로 어휘를 듣기 시작하고 회귀 및 로지스틱 회귀 및 랜덤 포레스트와 같은 것을 듣는 것은 나쁜 일이 아닙니다. 그리고 사람들은 " 아, 이것이 무엇을 의미하는지 우리 팀에 물어봐야 합니다. 아니면 각각에 다른 데이터 유형이 있습니다. 어떻게 처리해야 할까요?"라고 말할 것입니다.

의미 있는 상호작용을 시작하는 방법으로 모든 사람이 다른 학문 분야의 어휘를 듣게 하는 것입니다.

MB: 나는 당신이 그것을 조합하는 방식을 정말 좋아합니다. 저는 분석에 대한 배경 지식이 있지만 마케팅에서도 일합니다. 저에게는 두 가지 모두에 노출되어 있었기 때문에 문제가 되지 않았습니다. 그러나 한 분야에서 일해 온 많은 사람들이 다른 분야에 노출되지 않습니다.

CP: 맞습니다.

MB: 좋습니다. 실수와 관련하여 분석가가 저지를 수 있는 가장 큰 실수는 무엇이라고 생각합니까? 당신이 겪은 경험에서 무언가를 공유할 수 있습니까?

CP: 애널리스트가 하는 실수에 관해서는… 인간의 문제죠? 따라서 첫 번째는 실제로 전제 편향입니다. 즉, 내가 원하는 결과가 무엇인지 알고 그것을 증명해야 합니다. 아니요. 그 말이 궁금합니다. 호기심이 많으면 궁금하지 않고 정답을 찾고 싶지 않습니다. 최대한 빨리 답을 찾고 싶거나, 이미 갖고 있는 편견, 이미 판단한 결과, 인간의 문제를 정당화할 수 있는 답을 찾고 싶죠? 그것들은 기술과 관련이 없으며 어떤 소프트웨어도 그것을 고칠 수 없습니다. 어떤 도구도 당신의 호기심을 고칠 수 없습니다.

그래서 그것은 우리가 할 수 있는 최선을 다해 훈련하고 무엇보다 고용해야 하는 것입니다. 그리고 당신은 호기심을 위해 고용할 수 있습니다, 그렇죠?

제가 예전에 하던 면접 질문이 하나 있었는데, 항상 재미있다고 생각했는데, 그곳에서 저는 일반 트럼프패 한 덱을 면접에서 한 사람에게 건넸습니다. 여기 카드 한 벌이 있습니다. 순서대로 넣어 . 나는 어떤 종류의 명령이나 그런 것을 지정한 적이 없습니다. 목표는 그 사람을 보고 그런 지시에 어떻게 반응하는지 보는 것입니다. 그들은 당황합니까? 그렇지 않을 수도 있습니다. 예, 알겠습니다. 나는 그것을 순서대로 넣을 것이다 . 그러나 나는 내가 원하는 순서를 말하지 않았다. 다시 말하지만, 그들은 전제 편향을 가지고 있습니다. 그것은 나쁜 것입니다. 그들은 질문을 합니까? 얼마나 많은 질문을 합니까? 그들이 파헤칠 때, 당신을 밀어붙이나요? 갖고 싶은 속성들입니다.

MB: 같은 내용이지만 다른 관점에서 본 인터뷰의 다음 부분으로 넘어가 보겠습니다. 요즘 유행어가 많네요. 모두가 기업이 데이터 중심적이라는 이야기를 하고 있지만, 이에 성공한 기업은 많지 않습니다. 왜 그렇다고 생각하세요? 분석이나 마케팅 측면에서 우리가 놓치고 있는 부분이 있어 기업을 다른 차원으로 끌어올리고 기업이 성장하고 보유한 데이터를 사용할 수 있도록 도와줄 수 있습니까?

CP: 이것은 무엇보다 인간의 문제입니다.

데이터 기반이 된다는 것은 경험도, 지성도, 본능도 아닌 데이터를 바탕으로 먼저 결정을 내려야 한다는 것을 의미합니다. 이것은 우리가 항상 해왔던 방식이 아닙니다 .

데이터를 보고 이동해야 합니다. 좋습니다. 데이터는 이렇게 말하고 처리 방법에 대해 확신합니다. 따라서 이를 기반으로 결정을 내리도록 하겠습니다 .

내 방식을 극복해야 하는 것은 항상 옳 습니다. 우리가 HIPPO 문제[최고 급여를 받는 사람의 의견]라고 부르는 것처럼 말입니다. 극복하기 어려운 문화적, 인간적 문제이므로 데이터 기반이 되는 것은 정말, 정말 어렵습니다.

Edison Research의 내 친구 Tom Webster는 이렇게 말합니다. 누군가가 데이터 기반이 되지 못하게 하는 가장 큰 이유는 그들이 좋아하지 않는 데이터와 분석 및 답변을 처리할 수 없다는 것입니다!

무술에는 불편함을 느껴야 한다는 표현이 있습니다 . 즉, 부분적인 답변, 불완전한 답변, 가질 수 없는 일부 데이터 누락에 대해 편안해야 하고 여전히 할 수 있는 비즈니스 영향을 제공하는 방식으로 데이터를 사용합니다. 사람들에게 전문성 문제나 특정 기술이 있는 것이 아닙니다. 어떤 기술이든 가르칠 수 있습니다. 문제는 그 문화적 변화를 이렇게 만들 수 있느냐는 것입니다. 예, 대답이 마음에 들지 않더라도 대답이 불확실하더라도 결정을 내리기 위해 여전히 대답을 사용할 것 입니다.

MB: 그래서 그것은 문화적 변화에 관한 것입니다.

CP: 정말입니다.

MB: 이러한 문화적 변화에 대해 이야기하면서 어디서부터 시작해야 하는지에 대한 권장 사항이 있습니까?

CP: 이미 그렇게 하고 있는 회사에서 일하세요. 경솔하게 들릴지 모르지만, 인간적인 일이기 때문에 당신이 일하고 있는 회사의 DNA가 그렇지 않다면 특히 리더십이 동의하지 않은 경우 그 중심을 잡기가 매우 어렵습니다. 리더십이 다음과 같다면 , 아니요, 우리는 항상 해오던 방식으로 할 것입니다. 우리 회사는 126년, 그리고 우리는 항상 이렇게 해왔습니다! 글쎄, 당신은 그들의 마음을 바꾸지 않을 것입니다.

나는 최근에 회의에서 누군가와 저녁 식사를 하고 있었습니다. 그리고 그들은 " 우리 회사는 126년이고 우리 CEO는 우리가 1950년이 되기를 원한다고 말했습니다 . 사람들이 우리 제품을 구매하고 사용하기만 하면 인터넷이 사라지는 1950년이 될 수 없는 이유는 무엇입니까? 글쎄요, 나쁜 소식입니다. 그런 일은 일어나지 않을 것입니다. [웃음]

MB: 꽤 어렵습니다. 간단한 이야기: 우리는 오랜 역사를 가진 한 회사와 협력하고 있습니다. 그들은 1908년쯤에 가업으로 설립되었고 그 이후로 란제리를 생산해왔습니다. 그리고 그들은 꽤 커졌습니다. 이제 그들은 프랑스, ​​네덜란드, 영국, 독일 등에서 판매하고 있습니다. 오프라인 매장도 많고 체인도 다양합니다. 그들은 사치품 부문, 대중 시장 부문 등이 있습니다. 어느 시점에서 전자 상거래 팀이 경영진에게 와서 말했습니다. "비용이 증가하고 판매를 가져오고 있기 때문에 예산을 늘려야 합니다. 그리고 그들이 말하길, 여러분, 우리가 전체 수익을 보면 5%만 책임져야 합니다.

그래서 전자 상거래 팀이 우리에게 와서 물었습니다. 온라인 구매 오프라인 조사를 고려할 때 우리가 실제로 회사에 더 많은 수익을 창출하고 더 많은 수에 영향을 미친다는 것을 증명하는 데 도움을 줄 수 있습니까? 우리는 그들과 함께 프로젝트를 진행했고 5~6개월이 걸렸습니다. 그러나 하루가 끝나면 수익의 거의 30-35%를 담당하는 것으로 나타났습니다. 그리고 그것은 그들이 일을 하고 있다는 것을 증명하고 예산을 늘리는 데 도움이 되었습니다. 그러나 그렇습니다. 이사회와 이야기하고 숫자를 보여주고 이러한 내부 감정을 전환하는 데 시간이 걸렸습니다. 당신이 말하는 바로 그것.

CP: 네. 문화는 어렵다. 사람들은 거칠다.

MB: 그러면 또 다른 질문이 생깁니다. 하드 스킬에 대한 첫 번째 질문으로 돌아가고 싶습니다. 플랫폼, 사람 및 프로세스에 대해 이야기하고 있었지만 간단한 Python 및 대시보드 구축 방법을 아는 것과 같은 보다 기술적인 것에 대해 어떻게 생각하십니까? 아마도 통계? 분석에 대해 더 깊이 파고들고자 하는 사람들이 시작해야 할 중요한 사항은 무엇입니까?

CP: 알겠습니다. 이에 대해 약간의 호언장담이 있습니다. 대시보드는 시각화입니다. 시각화는 데이터 분석의 중요한 부분입니다. 그리고 그것은 그 자체로 예술인 것들 중 하나입니다. 언급한 기술(SQL, Python, R 등)은 시각화 도구가 아닙니다. 그것들은 컴퓨팅 도구입니다.

모든 데이터 분석, 특히 마케팅에서 가장 큰 죄 중 하나는 시각화 도구가 컴퓨팅을 수행하도록 하는 것입니다.

웹사이트 코드를 만들고 콘텐츠, 즉 시각화와 상호 작용하려고 하는 사람들과 같습니다. 스타일 시트와 HTML은 이유가 있습니다. 시각화는 컴퓨팅과 별개이기 때문입니다. SQL, Python, R, SPSS, OWOX, 그리고 컴퓨팅을 수행하고 이를 잘 수행하는 데 사용하는 기타 모든 것이 필요합니다. 시각화로 이동하기 전에 백엔드에서 모든 데이터 분석을 제공할 수 있어야 합니다.

어떤 시점에서도 대시보드(시각화해야 함)가 모든 종류의 컴퓨팅을 수행해서는 안 됩니다. 데이터를 혼합하거나 데이터 조작을 해서는 안 됩니다. 시각화에 들어가는 모든 데이터는 도착하기 전에 이미 계산되어 있어야 합니다.

그렇지 않으면 이 거대한 거버넌스 문제에 부딪히게 되기 때문입니다. 보스는 무언가에 대한 새로운 변경이 필요하지만 그 데이터 포인트가 어떻게 거기에 도달했는지 모릅니다. 그래서 우리는 그것을 조작하는 방법을 모릅니다. 따라서 변경할 수 없습니다. 우리는 상사에게 말해야 합니다. 죄송합니다. 여기서 무슨 일이 일어날지 이해하기 위해 스파게티 면을 푸는 데 6주가 걸릴 것 입니다.

컴퓨팅을 시각화와 분리하여 유지하고 상사가 " 이봐, 난 이걸 원해 . 좋아, 난 내 컴퓨팅 계층으로 가서 스튜디오를 로드하고 코드와 계산 논리를 변경하겠습니다." 라고 말할 때 그리고 저는 새로운 데이터 포인트를 내보내거나 포인트를 변경할 것입니다 . 그리고 그것은 예, 막대 차트, 새 막대 차트로 이어집니다. 바로 입니다 . 그리고 변경 사항을 깨끗하게 유지하고 버전을 제어할 수 있습니다. 또한 모든 데이터 조작을 특히 대규모로 훨씬 쉽게 관리할 수 있습니다.

마케팅 올인원이라면 한 사람, 한 가게, 한 가지 도구를 가지고 도망칠 수 있습니다. 그리고 당신은 그것에 대한 책임이 있는 유일한 사람이기 때문에 버전 제어 문제에 부딪히지 않을 것입니다. 그러나 당신이 떠나거나 해고되면 그 회사는 완전히 곤경에 처하게 됩니다. 그리고 그것은 최악의 습관입니다.

분석 및 마케팅 부서에 여러 사람이 있는 대기업의 경우 컴퓨팅과 시각화를 별도로 유지해야 합니다. 그렇지 않으면 데이터가 있는 위치와 데이터를 담당하는 사람을 파악하는 데 너무 많은 시간과 돈을 낭비하게 됩니다.

다른 하나는, 그리고 이것은 오늘날 GDPR 및 CCPA 및 기타 규정을 준수하는 데 매우 중요하며 시각화와 컴퓨팅이 함께 혼합되면 액세스 제어 문제가 발생한다는 것입니다. 데이터에 액세스할 수 있는 사람에 대한 경계를 만들 수 없는 문제가 있습니다. 즉, 데이터가 누출될 수 있고 특정 데이터 소스에 액세스할 수 없어야 하는 직원에게 데이터가 노출될 수 있습니다.

컴퓨팅이 별도로 관리되고 처리되는 경우 이를 제한하고 시각화 팀에 말할 수 있습니다 . 그들로부터 안전합니다. 이 물건을 분리하고 깨끗하게 유지하기 위해 사람들이 그렇게 하는 것이 매우 중요합니다.

그렇다면 시각화를 담당하는 분석가가 해당 언어를 알아야 합니까? 절대적으로하지. 컴퓨팅 담당자가 알아야 합니까? 백퍼센트 그렇습니다.

MB: 당신은 여기에 큰 요점이 있습니다. 저는 기성 데이터 세트를 시각화하고 데이터 세트에 계산된 필드가 없는 접근 방식을 정말 좋아합니다.

그리고 제가 이미 물어봤던 질문 하나를 풀고 싶습니다. 다양한 비즈니스 단계 또는 다양한 규모의 비즈니스 또는 비즈니스가 다양한 규모로 운영됩니다. 다양한 각도에서 바라볼 수 있습니다. SMB, SME, 엔터프라이즈 - 모두 분석 팀에 대한 요구 사항이 다르거나 최소한 그렇게 보입니다. 어떻게 생각하나요? 다른 유형의 회사에서 분석가에 대한 요구 사항에 차이가 있다고 생각합니까?

CP: 기본적으로 모든 사람은 마케팅에서 동일한 목표를 가지고 있습니다. 이는 수익 창출을 돕는 것입니다. 권리? 마케팅의 목표가 수익 창출에 도움이 되지 않는 경우 마케팅에서 무엇을 하고 있는지 잘 모르겠습니다. 그러나 당신이 무엇을 하든, 당신은 잘못하고 있습니다. 결국 우리의 책임은 바로 임팩트를 창출하는 것이기 때문입니다. 일어나는 일은 할 일이 다른 것이 아닙니다. 회사가 확장됨에 따라 작업이 더욱 전문화됩니다. 소규모 회사에서 1인 방송을 하면 웹 디자이너, 이메일 담당자, 분석가, 통계 전문가, 고객 서비스 담당자가 될 수 있습니다.

성장함에 따라 고용하게 됩니다. 그리고 고용하면 전문화됩니다. 개별 작업을 분할하기 시작합니다. 이제 각 작업에는 고유한 보고와 고유한 데이터, 고유한 시각화가 있습니다. 결국 기업이 가장 자주 잘못하는 것은 이러한 전문 분야의 모든 사람, 특히 기업에서 여전히 모든 사람이 가지고 있는 동일한 목표에 도달해야 한다는 사실을 간과하는 것입니다. 우리가 비즈니스에 영향을 미쳤습니까? 회사가 돈을 벌거나, 돈을 절약하거나, 시간을 절약하도록 돕습니까? 고객 성장? 이 모든 것.

따라서 회사의 수명 주기에서 귀하의 역할은 현명한 분석가인 경우 다음과 같이 질문 하는 것입니다. 큰 그림 목표에 기여하기 위해 내가 하고 있는 일은 무엇입니까? 내 KPI는 개인적으로 무엇입니까? 내 개인 KPI가 부서의 KPI와 일치합니까? 비즈니스와 일치합니까? MAICON 컨퍼런스[Marketing Artificial Intelligence Conference]에서 들었을 때 제가 모든 강연에서 사용하는 정의는 KPI가 보너스를 받을지, 해고될지를 결정하는 숫자라는 것입니다. 그렇죠? 그것이 KPI입니다. 숫자이고 보너스를 받거나 해고되지 않을 경우 이는 지표입니다.

그런 관점에서 볼 때, 당신이 목표로 하는 KPI, 팀이 목표로 하는 것, 부서에서 목표로 하는 것, 회사가 목표로 하는 것은 무엇입니까? 그리고 당신은 그 숫자를 보면, 때때로 그것들은 의미가 없을 것입니다. 그렇다면 분석가인 여러분은 이를 인지하고 깃발을 들고 이렇게 말해야 합니다. 여러분, 이것이 비즈니스에 영향을 미칠지 잘 모르겠습니다. 그리고 회사에서 여전히 해야 한다고 말하면 LinkedIn 프로필 업데이트를 시작할 때입니다. 회사가 무의미한 KPI를 위해 노력하고 있다면 사업이 중단될 것이기 때문입니다. 시간 문제일 뿐입니다.

MB: 제가 제대로 이해했는지 확인하기 위해 모든 사람의 목표가 수익이기 때문에 대기업과 중소기업의 분석가에 대한 요구 사항에는 차이가 없습니다.

CP: 예, 수익과 비즈니스에 미치는 영향 — 회사가 돈을 벌거나, 돈을 절약하거나, 시간을 절약하도록 돕고 있습니까? 모두가 원하고 모든 비즈니스에 필요한 세 가지 기능입니다. 그것은 우리가 10,000년 동안 이야기해 왔던 것과 같은 것입니다. 더 좋고, 더 빠르고, 더 저렴하게 … 모두가 그것을 원합니다. 그렇다면 비즈니스를 더 좋고, 빠르고, 저렴하게 만들기 위해 우리는 무엇을 하고 있습니까?

CP: 네. 그리고 이것은 오늘날 기계 학습과 AI의 가장 큰 문제 중 하나입니다. 상자 안에서 무슨 일이 일어나는지 아는 것뿐만 아니라 해석하고 설명하는 것입니다.

설명 가능성은 모델이 수행한 작업에 대한 사후 설명입니다. GDPR과 같은 규정을 살펴보면 충분하지 않습니다. 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, 감사합니다. 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, 이야기의 끝. 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. 강력히 추천합니다.

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!

우와! 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!