라스베거스에서 열린 Marketing Analytics Summit 2019에서 배운 것들 [Day 2]

이것은 Marketing Analytics Summit에 대한 제 요약의 연속입니다. 첫째 날의 강연과 곧 있을 전 세계 Marketing Analytics 정상 회담에 대해 알아보려면 이전 기사를 확인하십시오.

• John Lovett의 "실행 가능한 데이터 전략"
• Michele Kiss의 "당신에 대해 알아야 할 것 - 성공을 위한 심리학"
• Valerie Kroll의 "리더십 성격 식별"
• Mariia Bocheva의 "프로세스 효율성을 개선하기 위한 분석가 분석"
  

2일차는 Search Discovery의 데이터 전략 수석 이사인 John Lovett 의 기조 연설로 시작되었습니다. 그의 연설은 실행 가능한 데이터 전략에 관한 것이었습니다. 즉, 데이터를 이해하고, 데이터를 유용하게 설계하고, 비즈니스 영향을 위해 데이터를 활성화하는 것을 포함하는 목적으로 데이터를 사용하기 위한 계획입니다.

오늘날의 비즈니스 환경에서 데이터를 활용하는 것은 복잡하고 혼란스러울 수 있으므로 조직은 이를 안내할 데이터 전략이 필요합니다. 데이터 활용 능력 부족, 데이터 사일로, 데이터 신뢰 부족이라는 세 가지 최신 데이터 문제가 있습니다.

여기서 문제는 C급과 부서장이 데이터를 이해하지 못하는 경우가 많다는 것입니다. "Gartner Trend Insight Report: Fostering Data Literacy and Information by 2020"에 따르면 조직의 80%가 데이터 활용 능력 분야에서 자신의 극도의 결핍을 인정하고 의도적인 역량 개발을 시작할 계획입니다.

데이터 활용 능력을 세 가지 버킷으로 나눌 수 있습니다.

• 메트릭 이해력 – 사람들이 데이터가 무엇을 의미하는지 알고 있을 때 동일한 용어를 사용하고 그 이면의 가치를 이해합니다. 이것은 팀의 모든 사람이 동일한 언어를 사용할 수 있도록 하는 필수 수준입니다.
• 도구 활용 능력 – 사람들이 데이터 요구 사항을 적절하게 셀프 서비스할 수 있고 도구의 잠재력과 트릭 및 한계를 인식하고 있을 때. 이 점은 Twitch의 셀프 서비스 분석에 대한 June의 연설과 실제로 관련이 있습니다.
• 개념적 리터러시 (Conceptual literacy) – 사람들이 데이터에 접근하고 명확하고 정교하게 적용하고 데이터를 사용하여 자신을 설명할 수 있는 경우.

데이터를 이해하려면 데이터를 이해해야 합니다. 다음 질문에 답하면 도움이 될 것입니다.

1. 우리는 어떤 유형의 데이터를 보유하고 있으며 질문에 답하기 위해 어떤 유형이 필요합니까? 대화형 데이터 인벤토리, 데이터 사전 및 카탈로그를 사용하여 데이터의 출처와 구성을 이해합니다.
2. 사용자가 데이터를 자체적으로 제공할 수 있습니까? 아니면 데이터를 제공할 사람이 필요합니까?
3. 누가 우리 데이터에 접근할 수 있고 어떻게 데이터를 사용할 수 있습니까?
4. 사용자가 우리 데이터를 정확하게 이해하고 있습니까, 아니면 그리스어로 말하고 있습니까?
5. 데이터를 사용하는 데 높은 수준의 편안함이 있습니까? 아니면 새 보고서를 작성해야 할 때마다 어려움을 겪습니까?
   

대부분의 기업이 데이터 소스가 서로 통신하지 않기 때문에 분산된 데이터로 어려움을 겪는 것은 놀라운 일이 아닙니다.

이러한 데이터 사일로를 없애려면 데이터의 출처와 연결 방법을 정의해야 합니다. 그런 다음 먼저 구현해야 할 항목의 우선 순위를 지정할 수 있습니다. 여기에 도움이 될 몇 가지 질문이 있습니다.

1. 어떤 데이터 연결과 API가 존재합니까? 연결하려는 대부분의 소스는 기성 API 또는 타사 도구를 통해 통합할 수 있으므로 자체 통합을 구축하는 데 시간과 기타 리소스를 낭비하지 마십시오.
2. 분석에 필요한 변환은 무엇입니까? 일반적으로 데이터는 다른 형식과 다른 속도로 제공되므로 단일 보고서로 가져오려면 미리 처리해야 합니다. 이에 대해 미리 생각하고 그에 따른 계획을 세우십시오.
3. 데이터 세트 전체에 통합된 프로세스가 있습니까? 이 데이터가 있으면 어떤 프로세스가 영향을 받을지 생각해 보세요.
4. 데이터는 언제 새로 고쳐지고 공유됩니까? 데이터를 업데이트해야 하는 빈도와 액세스 권한이 필요한 사용자를 확인합니다. 이는 팀과 보고서를 공유하는 데 가장 적합한 도구를 선택하는 데 도움이 됩니다.

이러한 질문에 답하고 나면 데이터 설계에 사용할 접근 방식(데이터 레이크, 데이터 패브릭 또는 데이터 허브)을 결정할 수 있습니다. McKinsey의 최근 연구에 따르면 데이터 레이크 구현의 8%만이 개념 증명에서 생산으로 전환되었습니다.

KPMG에 따르면 설문에 응한 조직의 35%만이 조직의 데이터 분석 사용에 대해 높은 수준의 신뢰를 갖고 있습니다. 이 문제를 해결하려면 신뢰를 구축하고 데이터를 활성화해야 합니다. 다음 질문을 스스로에게 하는 것으로 시작하십시오.

1. 데이터가 자동화된 작업을 트리거할 수 있는 위치는 어디인가요?
2. 타겟팅 및 개인화를 위해 데이터를 어떻게 사용합니까?
3. 데이터에 대한 신뢰를 구축하려면 어떻게 해야 합니까?
   

데이터를 활성화하려면 다음을 확인해야 합니다.

• 데이터는 신뢰할 수 있고 사람들은 그들이 보는 숫자를 신뢰합니다. 이것은 다양한 테스트 및 모니터링 접근 방식을 통해 수행할 수 있습니다.
• 협업을 위해 데이터를 사용할 수 있습니다. 조직의 이해 관계자와 대화하여 조치를 취해야 하는 데이터를 이해하십시오.
• 모든 데이터 관련 프로세스를 감독할 책임이 있는 데이터 거버넌스 위원회가 있습니다.

John은 미국 비영리 방송인의 이야기와 Data Discovery 팀이 실행 가능한 데이터 전략을 구축하는 데 사용한 접근 방식을 포함하여 몇 가지 실제 사례를 공유했습니다. 그들이 거쳤던 단계는 목표를 정의하고, 비즈니스 목표와 정렬하고, 측정을 설정하는 것이었습니다.

이러한 모든 비즈니스 목표가 작성되면 Data Discovery 팀은 비즈니스 영향과 필요한 노력 수준에 따라 우선 순위를 지정하고 가장 중요하고 가치 있는 작업에서 덜 중요한 작업으로 이동하는 구현 로드맵을 정의했습니다.

데이터 레이크 구현의 낮은 성공률을 두려워하지 마십시오. 성공적인 구현의 잠재적 영향은 필요한 투자보다 훨씬 높습니다. 시작하고 다른 회사의 실수를 피하려면 확장 분석의 10가지 비밀을 사용하십시오. 다른 회사의 연구를 보면 항상 영감을 얻을 수 있습니다. 다음은 몇 가지 예입니다.

• Ile de Beaute는 종단 간 분석을 사용하여 ROPO 효과를 측정했습니다.
• Comfy는 9가지 간단한 단계로 종단 간 분석을 구축했습니다.
• 부틱. 데이터 결합으로 고객 LTV 개선

다음 세션은 "Birds of the Feather"로, 모두가 토론하고 싶은 주제나 애로 사항을 말하고 테이블로 이동하여 같은 생각을 가진 동료를 만나 심도 있는 토론을 할 수 있었습니다. 개인적으로 이 세션이 정말 마음에 들었습니다. 해결 방법을 몰랐던 문제에 대한 몇 가지 아이디어를 얻을 수 있었기 때문입니다.

Michele은 사람들의 주의를 사로잡는 방법을 아는 카리스마 넘치는 연설가이며, 나는 그녀가 고전 연구에 의해 입증된 제한된 작업 기억, 확증 편향, 규범 준수 등 우리 두뇌의 속임수를 보여주는 방식을 정말 좋아했습니다. 분석가가 이러한 모순을 인식하는 것이 중요합니다. 분석과 최적화는 모두 정량적 방법을 사용하여 사람들을 이해하고 그들이 하는 일을 하는 이유에 관한 것이기 때문입니다. 다음은 몇 가지 참고 사항입니다.

• 정보를 제시할 때 지각 및 기억 시스템의 한계 내에서 작업해야 합니다.

유명한 심리학자인 George A. Miller에 따르면, 우리가 단기 기억에 저장할 수 있는 정보의 양은 7+2 항목입니다. 항목은 단어, 숫자, 데이터 포인트 등과 같은 정보 덩어리입니다. 그렇기 때문에 사용자가 6페이지 또는 30슬라이드 전에 두 데이터 포인트를 연결하기를 기대하는 것이 실패의 지름길입니다.

• 데이터가 자명한 것처럼 보이더라도 기업이 얼마 동안 알고 생각했거나 믿었던 것과 반대되는 "속보"가 나오면 반대 관점을 뒷받침하기 위해 더 많은 데이터가 필요할 수 있습니다.

또한 이러한 토론은 이 새로운 관점에 대한 동의를 얻는 데 중요하기 때문에 단순히 결과를 보내는 것보다 토론을 위한 충분한 시간을 허용하고 싶을 수도 있습니다. “확신이 있는 사람은 바꾸기 힘든 사람입니다. 그에게 사실이나 수치를 보여주면 그는 당신의 출처에 대해 질문합니다. 논리에 호소하면 그는 당신의 요점을 이해하지 못합니다.”라고 Leon Festinger가 말했습니다.

이를 인지 부조화 이론이라고도 합니다. 사람들은 불일치(예: 믿음과 행동 사이)의 느낌을 좋아하지 않는다고 말합니다. 우리는 믿음을 정당화하고 충돌할 수 있는 정보를 피함으로써 이 불편한 느낌을 줄이려고 합니다.

• 데이터로 작업할 때 첫 번째 가설에서 멈추지 마십시오. 인지 편향의 영향을 받을 수 있습니다.

우리의 뇌는 기존 신념을 확인하는 방식으로 만들어졌습니다. 데이터가 수행하는 작업을 보여주는 데는 여러 가지 이유가 있을 수 있으므로 이는 실수로 이어질 수 있습니다. 사람들을 인터뷰할 때 이러한 편견을 이해하고 인식하는 것이 실제로 매우 유용하다는 것을 알게 되었습니다.

보통 15초 이내에 첫인상을 얻고, 그 후 뇌는 첫인상을 뒷받침할 무언가를 찾습니다. 이 순간을 알아차리고 반대 입장을 뒷받침하는 사실을 찾기 시작하는 것이 매우 중요합니다. 그것은 당신이 당신의 인지적 편견에서 벗어나는 데 도움이 될 것입니다.

• 현상 유지에 도전하는 분석 결과가 있는 경우 천천히 일대일로 논의해야 합니다.

그룹의 사람들이 그룹의 규범에 반하여 새로운 발견을 옹호할 가능성이 적기 때문에 그룹 환경 내에서 사람들이 동의하거나 동의하지 않도록 그 자리에 두는 것을 피하십시오. 마찬가지로, 이것은 그룹 브레인스토밍 세션으로 바로 넘어가는 것에 반대합니다. 일단 그룹에 속하면 76%의 사람들이 그룹에 동의할 것이므로(그들이 틀렸더라도!), 더 다양한 아이디어를 얻고 개인의 방해받지 않는 브레인스토밍을 허용하고 모든 아이디어를 먼저 수집함으로써 그룹 사고를 최소화하는 것이 더 쉽습니다.

이 효과를 규범 준수라고 하며 1951년 Ash의 실험에서 입증되었습니다.

• 연구 결과를 가져올 때 사용 방법에 대한 권장 사항을 작성하고 가능한 한 구체적으로 작성하십시오.

무언가가 변할 경우 조치를 취하는 것이 누구의 책임인지 정의하고 방관자 효과에 갇히지 않도록 귀를 기울이십시오. 방관자가 많을수록 개인이 개입하여 도움을 줄 가능성이 줄어듭니다. 이에 대한 좋은 예는 모든 사람이 그냥 서서 다른 사람이 조치를 취하기를 기다리는 의료 응급 상황입니다.

Michele의 프레젠테이션에서 더 많은 예와 편견을 찾을 수 있습니다. 편향에 대해 배우고 싶다면 Conor Dewey의 데이터 과학자를 위한 실용적인 심리학에 대한 이 기사를 확인하십시오.

점심 시간에 저는 Search Discovery의 최적화 이사이자 Digital Analytics Association 이사회 회장인 Valerie Kroll 의 리더십 성격 식별에 대한 정말 영감을 주는 강연을 들었습니다.

Valerie는 강연에서 퀀트 인턴에서 지금까지의 12년간의 여정과 리더가 되기까지의 과정을 공유했습니다. 그녀가 배운 몇 가지 교훈은 다음과 같습니다.

• 리더가 되기 위해 사람들을 관리할 필요는 없습니다. 리더는 다른 사람들이 자발적으로 행동하도록 동기를 부여하고 영감을 줍니다. 그들은 문화를 전달하고 현상 유지에 건설적으로 도전합니다. 또한 리더가 되려면 강한 공감과 책임감을 가져야 한다는 점을 덧붙일 수 있습니다.
• 리더십 기회를 찾고 사기꾼 증후군에 걸리지 마십시오.
  

사기꾼 증후군을 퇴치하려면 분석 기술을 사용하십시오. 사실을 살펴보고 이를 바탕으로 자신의 진행 상황과 현재 수준을 평가하고 자신의 강점과 업적을 기록하고 기술을 적용하는 방법을 찾으십시오. 또한 Edmund J. Bourne 의 Anxiety and Phobia Workbook 을 사용해 볼 수도 있습니다.

• 편견이나 차별에 직면하면, 이상적으로는 가해자와 그에 대해 이야기하십시오. 그렇지 않은 경우 HR에서 동료, 멘토 또는 누군가를 찾으십시오. 회사에 중요한 문제를 처리할 프로세스가 없으면 문제를 제기하십시오. 나이, 성별, 국적 등 자신이 누구인지 두려워하거나 부끄러워하지 마십시오. 아마도 그것이 당신을 성공으로 만들고 다른 관점을 가져오는 데 도움이 되는 것입니다.
• 소셜 네트워크에서 개인 브랜드를 구축하고 T 자형 모델을 장려하여 폭뿐만 아니라 깊이도 진화하십시오.
  
• 실제 연결을 통해 네트워크를 활용하고 즉시 이동할 수 있는 엘리베이터 피치를 갖습니다. 모임에서 인맥을 찾고, 사람들에게 다른 흥미로운 사람들을 소개하도록 요청하고, 가치를 제공하여 이러한 인맥을 발전시키십시오. 1분 이내에 가장 가치를 창출하고 가장 혁신적인 작업을 공유할 준비를 하십시오.
  
• 멘토링을 찾습니다. 기술을 마스터하는 가장 좋은 방법은 누군가를 가르치는 것이기 때문에 상호 작용할 수 있습니다. 멘토를 찾을 때 경력 목표에 중점을 두어 소프트 스킬과 하드 스킬을 모두 고려하십시오.
  

그건 그렇고 DAA에는 Women in Analytics 멘토링 프로그램이 있으니 관심 있으신 분들은 확인해보세요.

그런 다음 이미 프로세스 효율성을 개선하기 위해 분석가 분석에 대한 제 이야기 를 공유할 시간이었습니다. 팀을 성장시키려면 많은 시간과 노력과 적절한 관리 도구가 필요합니다. 문제점은 일반적입니다. 비효율적인 작업 분배, 신규 직원을 가르치고 코칭할 시간 없음, 노련한 분석가가 R&D를 수행하고 기술을 향상시킬 시간이 충분하지 않으며, 주어진 직원이 어떤 작업에 얼마나 많은 시간을 할애했는지 모릅니다. 목록이 계속됩니다. 우리는 데이터 레이크를 사용하여 작업 추정을 개선하고 고통스럽게 배운 교훈을 모든 사람과 공유하며 프로젝트 우선 순위의 균형을 유지했습니다.

결과적으로 우리는

1. 분석가의 작업량이 우리가 예상한 것과는 거리가 멀고 평균값이 성장 영역을 숨길 수 있음을 깨달았습니다.
2. 대부분의 분석가(~85%)가 이메일에 정시에 응답했음을 입증했습니다.
3. 우리가 실행하는 일반적인 작업, 일반적으로 작업을 수행하는 데 걸리는 시간, 각 특정 작업의 시간이 어떻게 다를 수 있는지 매핑
4. 개인 개발 계획을 맞춤화하기 위해 각 분석가의 약점과 강점을 찾았습니다.
   자동화 영역을 찾았습니다.

Slideshare에서 내 슬라이드를 찾을 수 있고 우리의 경험을 보여주는 ConversionXL 기사를 찾을 수 있습니다.
슬프게도 나는 Garry Angel, Tim Wilson, Matt Gershoff, Moe Kiss의 연설을 놓쳤지만 Superweek에서 그들이 말하는 것을 들었고 그들이 훌륭하다는 것을 알고 있습니다. 비록 그들의 강연은 놓쳤지만 #MASConf에서 다시 만나서 반가웠습니다!

Marketing Analytics Summit의 마지막 세션은 Analytics Power Hour 팟캐스트의 라이브 녹음이었습니다. 이 팟캐스트의 각 에피소드에는 비공개 주제와 공개 포럼이 있습니다.

청중은 Search Discovery의 분석 실무 책임자인 Michael Helbling , 분석 컨설턴트인 Moe Kiss 및 Search Discovery의 분석 수석 이사인 Tim Wilson 이 자신의 생각과 경험을 공유하는 것을 즐겼습니다. 최신 분석 현황에 대한 Tim Wilson의 이전 독점 인터뷰는 여기에서 확인할 수 있습니다. 또한 여기에서 Marketing Analytics Summit의 에피소드를 찾을 수 있습니다. 다른 에피소드도 꼭 들어보시길 추천합니다.

1. 직함을 액면 그대로 받아들이지 마십시오. 과장된 광고를 줄이고 전달하는 영향에 집중하세요.
2. 회사에서 셀프 서비스 분석이 작동하는지 이해하려면 팀에 업무를 효과적으로 수행하는 데 필요한 데이터 지원이 있는지, 비즈니스 요구 사항을 충족하는 시간 프레임에 데이터를 얻을 수 있는지 물어보십시오.
3. 데이터 역할 매트릭스를 사용하여 모든 사람이 각 위치에서 기대할 수 있는 것을 이해하도록 합니다.
4. 데이터 품질에 관해서는 사후 대응이 아니라 사전 예방적이어야 합니다.
5. 마케터 중 11%만이 기여 모델의 정확성에 대해 "매우 확신"한다고 ​​생각합니다. 하지만 그렇다고 해서 시도하지 말아야 하는 것은 아닙니다.
6. 데이터 성숙도 수준을 평가하려면 통합 통찰력(성과 측정 및 귀인), 통합 데이터(사일로, 공동 배치 또는 통합 데이터), 사전 정의된 데이터 기반(추적 정밀도, 접점)의 세 가지 범주에서 데이터를 평가해야 합니다. 적용 범위, 분류 표준화).
7. 마케팅 메트릭을 원하는 비즈니스 결과에 연결하는 비즈니스는 이러한 결과를 크게 초과할 가능성이 두 배입니다. 그리고 마케팅 지표를 수익 목표에 연결하는 기업은 해당 목표를 크게 초과할 가능성이 3배 더 높습니다.
8. 마케팅 전문가와 분석가 모두 한 가지를 원합니다. 마케팅 목표를 달성하기 위해 무엇을 시작하고 중단하고 계속해야 하는지 알 수 있는 올바른 도구와 프로세스입니다.
9. 성공 계획을 사용하여 마케팅 활동을 회사의 비즈니스 목표에 맞추고 고위 경영진에게 마케팅 및 분석 투자의 가치를 보여주십시오.
10. 더 많은 영향을 미치므로 수익 창출 프로세스에 먼저 집중하십시오.
11. 프로세스가 작동하도록 하려면 프로세스를 매핑하고 분석하고 팀에 전달하십시오.
12. 물리적 상호 작용은 디지털보다 이해하기 쉽고 설득력이 있어 보입니다. 물리적 관심은 70% 더 높은 브랜드 회상으로 이어집니다. 따라서 청중이 기억하려면 더 많은 감각을 동원하고 주의를 산만하게 하는 요소를 줄이고 상호 작용을 장려해야 합니다.
13. 검색 결과 페이지가 새로운 방문 페이지이므로 on-SERP SEO로 브랜드를 관리하세요. 리치 스니펫을 활용하고 패널의 소유권을 주장해야 합니다.
14. 브랜드 수요 창출을 두 배로 줄이십시오.
15. 비홍보 게시물과 홍보 게시물을 번갈아 가며 소셜 알고리즘을 활용합니다.
16. 스토리텔링을 사용하여 브랜드와 연결되고 참여도를 높이며 감정적 반향을 일으키는 콘텐츠를 만드십시오.
17. 데이터에는 세 가지 주요 문제가 있습니다. 데이터 활용 능력 부족, 데이터 사일로, 데이터에 대한 신뢰 부족입니다. 이러한 모든 문제는 실행 가능한 데이터 전략으로 해결할 수 있습니다. 데이터를 의도적으로 사용하기 위한 계획에는 데이터 이해, 유용하도록 데이터 설계, 비즈니스 영향을 위해 데이터 활성화가 포함됩니다.
18. 생리학과 분석은 연결되어 있습니다. 정신적 지름길을 인식하고 이를 사용하여 분석 및 마케팅 능력을 활용하십시오.
19. 리더십 모델을 찾으려면 차이점을 활용하고, 네트워크와 개인 브랜드를 개발하고, 멘토와 멘티를 찾고, 사기꾼 증후군을 퇴치하고, 다른 사람들에게 영감을 주세요.
20. 빠를수록 좋다. 데이터 수집, 병합 및 준비는 노력의 약 75%입니다. 수집하는 데이터의 품질을 신뢰할 수 있는지 확인하십시오.
21. MVP 대시보드로 시작하십시오. 10개 이하의 중요한 KPI에 집중하십시오.
22. 금요일 오후 5시에 측정항목이 크게 변경되는 경우 수행할 작업을 정의합니다. 메트릭이 예기치 않게 상승하거나 하락하는 경우 수행할 작업에 대한 계획이 있어야 합니다. 특정 메트릭에 대해 그러한 계획을 세워야 하는 이유를 모르겠다면 이를 추적해야 하는지 여부를 고려하십시오.

PS 좋은 경험이었습니다. 저를 초대해 주신 Jim Sterne과 원활한 조직을 위해 Rising Media, Inc.의 연사 관리인 Roxanne Glavina에게 별도의 감사 인사를 전합니다.