디지털 분석 현황에 대한 OWOX BI 연구: Tim Wilson과의 인터뷰

이 인터뷰의 질문은 OWOX BI 비즈니스 개발 책임자인 Mariia Bocheva가 Superweek 컨퍼런스에서 Tim Wilson을 만난 후 준비했습니다. 모든 사진은 Superweek – European Analytics Summit의 설립자인 Banoczy Zoltan이 친절하게 제공했습니다.

풍부한 경험과 삶에 대한 긍정적인 견해를 가진 활동적인 분석가인 Tim Wilson(트위터에서 그를 팔로우)으로부터 깊은 통찰력을 얻을 수 있어 매우 기뻤습니다.

Tim은 15년 이상 다양한 차원의 마케팅 및 고객 데이터 작업을 해왔습니다. 그는 5억 달러 규모의 하이테크 B2B 기업에서 비즈니스 인텔리전스 부서를 운영했으며 디지털 분석을 비즈니스에 적용하는 방법에 대해 여러 상위 50대 인터넷 소매업체와 상담했습니다. Tim은 마케팅 담당자에게 친숙한 데이터 괴짜입니다. 그리고 현재 그는 Search Discovery의 수석 분석 이사입니다.

Search Discovery는 조직이 데이터를 사용하여 비즈니스 성과를 개선할 수 있도록 지원하는 비즈니스 인텔리전스 및 분석 회사입니다.

오늘날 분석가에게 가장 중요한 하드 스킬은 무엇입니까? 분석가가 SQL, Python 및 R을 알고 Data Studio, Tableau 및 QlikView와 같은 가장 일반적인 시각화 도구에서 대시보드를 구축해야 합니까?

이것은 최근에 꽤 뜨겁게 토론된 주제 중 하나입니다. 분석가는 스프레드시트( Google 스프레드시트 및 Excel)를 정말 잘 알아야 한다고 말하면서 시작하겠습니다. 그들이 대부분의 작업을 수행하는 곳이 아니더라도 거의 항상 꽤 정기적으로 스프레드시트를 사용하여 정보를 주고받을 것입니다.

분석가가 VLOOKUP 및 피벗 테이블 에 익숙하지 않은 경우 분석을 수행하는 다른 플랫폼에서 어려움을 겪을 것입니다.

거기에서 아직 투자하지 않은 회사가 많이 있지만 BI/시각화 도구(나는 Power BI 를 질문의 목록에 추가할 것입니다)에 대한 편안함이 점점 더 요구 사항입니다. 그런 이유로 저는 Google Data Studio 의 열렬한 팬입니다. 회사가 유료 플랫폼에 뛰어들지 않았더라도 분석가는 다음을 수행할 수 있는 방식으로 일부 기본 시각화 및 주요 데이터 탐색을 자동화하는 방법을 알아야 합니다. 이해 관계자와 공유합니다.

나는 많은 분석가들이 그 언어를 유창하게 구사하는 데 필요한 매우 가파른 학습 곡선을 오르지 않고도 가치 있는 일을 하는 것을 매우 많이 봅니다. 하지만 엑셀과 BI 플랫폼으로 할 수 있는 일에는 한계가 있다.

분석가나 모델에 사용하려는 세분화된 데이터가 많은 조직의 경우 SQL , Python 또는 R 이 빠르게 필수품이 되었습니다.

그리고 나는 세 번째 종류의 어려운 기술인 통계 를 추가할 것입니다. 이는 평균, 중앙값 및 표준 편차와 같은 요약 통계를 넘어 회귀 및 상관 관계(그리고 p-값 및 R-제곱)를 사용할 수 있는 방법과 위치를 진정으로 이해하는 것을 의미합니다. 이는 실제로 이러한 통계적 방법을 배포하는 것만큼이나 데이터의 특성에 대해 더 깊이 이해하는 것과 관련이 있습니다.

훌륭한 분석가가 갖추어야 할 소프트 스킬은 무엇입니까?

많이있다! 효과적인 의사 소통 기술이 목록의 맨 위에 있으며 여기에는 이해 관계자와의 일대일 상호 작용(적극적으로 그들의 요구 사항을 경청하고 이해하는 것)에서 데이터 시각화의 모범 사례를 적용하여 결과를 제시할 수 있는 것까지 모든 것이 포함됩니다. 명확하고 이해할 수 있는 방식으로 분석합니다.

훌륭한 분석가는 또한 호기심 이 많고(비즈니스, 데이터, 세계에 대해) 회의적 입니다(데이터가 보여주는 내용에 대해 — 놀라운 일이 있을 때마다 데이터 문제라고 가정하고 확인하기 위해 파고든다). 높은 수준의 인내심을 가지고 있습니다(데이터 문제와 조직 내 사람/프로세스 문제를 극복하기 위해). 이것들은 "스킬"보다 "인물 특성"에 더 가깝지만 모두 꽤 중요합니다.

분석가와 마케팅 팀 간의 잘못된 의사 소통이 일반적이라고 생각하십니까? 그렇다면 이를 극복하는 방법에 대한 권장 사항이 있습니까?

전적으로! 분석가와 마케터는 서로 다른 언어를 사용합니다. 내 경험상 "마케팅에 대해 말하려면" 분석가에게 맡겨야 합니다. 몇 가지 작업을 수행하면 됩니다.

1. 청취

문제 해결( 이 질문에 답하기 위해 어떤 데이터를 가져올 수 있습니까? )을 너무 일찍 시작하고 마케터가 해결하고자 하는 근본적인 비즈니스 문제를 실제로 조사하지 않을 수 있습니다.

2. 말을 하지 않는 분석가

마케터에 대한 약간의 교육은 괜찮습니다. 메트릭이 무엇을 의미하는지, 데이터의 한계가 무엇인지 등을 알 수 있습니다. 그러나 분석가가 필요하지 않을 때 너무 빨리 심층 분석 용어에 빠져드는 것을 보았습니다.
그것은 마케터를 혼란스럽게 하거나 더 나쁘게는 불편함을 느끼거나 낙담하게 만들 수 있습니다( 나는 분석가가 말하는 것이 무엇인지 모르겠습니다. 내가 해야 합니까? 그/그녀는 내가 그래야 한다고 생각하는 것 같습니다! ).

3. 이해 관계자가 멍청하다고 스스로에게 절대, 절대, 절대 말하지 마세요.

그것은 치명적인 실수입니다. 관계 문제를 의사 소통의 문제라기보다 지성의 문제로 결정하는 것입니다.

분석가에게 어떤 전문 리소스 또는 이벤트를 추천할 수 있습니까?

분석가에게 추천할 수 있는 최고의 리소스는 위치에 관계없이 Measure Slack 팀입니다. 무료이며 수천 명의 분석가가 지속적으로 참여하고 서로 공유하고 있습니다. 몇 주마다 X를 배우기에 좋은 리소스는 무엇입니까? 에 대한 토론 스레드가 있습니다. 또는 Y를 위해 갈 좋은 회의는 무엇입니까? 따라서 리소스를 식별하기 위한 리소스이기도 합니다!

이와 별도로, 몇 가지 훌륭한 회의가 있습니다. MeasureCamp는 전 세계에서 개최되는 무료 회의입니다(근처에 회의가 없으면 시작할 수도 있습니다!). Marketing Analytics Summit 및 Digital Analytics Hub는 미국에서 훌륭한 컨퍼런스이고 Superweek는 유럽에서 환상적인 옵션입니다.

Digital Analytics Association은 회원들에게 제공하는 리소스를 계속해서 확장하고 있으므로 모든 종류의 훌륭한 자료(심지어 멘토링 프로그램까지 포함)가 있는 훌륭한 리소스입니다. Coursera 및 edX와 같은 많은 온라인 강좌를 제공하는 MOOC가 있습니다.

마지막으로, 이 전체 인터뷰를 진행하고 Digital Analytics Power Hour 팟캐스트를 연결하지 않았다면 저는 정말 형편없는 마케터가 되었을 것입니다! 하지만 추천을 하려고 하기에는 분석, 기계 학습 및 AI 팟캐스트가 너무 많습니다. 너무 많아서 정기적으로 들을 수 없습니다.

기업을 데이터 중심으로 만들기 위해 분석가와 마케팅 전문가가 놓치고 있는 지식은 무엇입니까?

비즈니스 컨텍스트 및 불확실성에 대한 깊은 이해. 나는 분석가와 마케터가 "답을 찾고" " 통찰력을 생성"하기 위해 데이터에 뛰어드는 것을 계속 보아왔기 때문에 답이 가능한 행동으로 이어질 비즈니스 질문을 명확하게 공식화하지 않은 채 전자라고 생각합니다.

후자는 표현하기가 조금 까다롭습니다. 그러나 1900년대 초 John Wannamaker가 "광고에 지출하는 돈의 절반은 낭비입니다. 어느 절반이 낭비인지 모릅니다."라고 언급한 것처럼 마케터와 분석가는 데이터가 "진실"을 제공할 것으로 기대했습니다. 확률적 세계에서 작동하는 방법을 배우는 것보다

지난 달에 얼마나 많은 트래픽이 내 사이트에 왔습니까? 와 같이 과거에 대한 "진실"을 알 수 있지만 (그리고 그것은 "사실"이 아닙니다. 데이터 수집에 대한 많은 혼란이 있어 그 수치를 추정치로 만들기까지 합니다.) 해당 데이터를 미래에 영향을 미치는 데 효과적으로 사용한다는 것은 "사실"에 대한 깊은 이해를 발전시키는 것을 의미합니다. " 데이터가 그리는 세상의 모습이 그려지고 그에 따라 작동합니다.

분석가가 비즈니스 성숙도의 여러 단계(스타트업, SMB, SME, 엔터프라이즈)에서 수행해야 하는 가장 중요한 것은 무엇입니까?

나는 실제로 그 질문에 대해 생각해 본 적이 없다. 그것은 흥미로운 것입니다! 내 생각에 스타트업은 리소스에 대한 제약이 더 많고 일반적으로 일부 데이터 위험을 감수할 수 있는 경향이 있습니다.

따라서 스타트업은 종종 - 불가피한 경우 - 데이터 거버넌스가 제한되고 잠재적으로 취약한(또는 수동으로!) 통합이 가능한 무료 도구를 조잡하게 만들 필요가 있습니다. 성장과 함께 시스템의 성숙도가 필요하다는 인식이 있는 한 이는 운영하기에 좋은 방법입니다.

이는 일반적으로 데이터 플랫폼을 정밀 검사하고 완전히 교체해야 함을 의미합니다.

스펙트럼의 다른 쪽 끝인 기업에서는 데이터에 영향을 미치고 데이터에 의존하는 사람과 프로세스가 더 많아짐에 따라 거버넌스가 매우 중요해졌습니다. 그리고 일반적으로 분석에 할애할 리소스가 더 많기 때문에 그 중 일부는 거버넌스 및 프로세스를 담당할 수 있습니다(또는 그래야 합니다!). 많은 역할에 영향을 미치는 실패의 위험을 최소화하고 잠재적으로 가까운 - 사업의 기간 최고 라인.

분석을 구현할 때 어떤 어려움이 있으며 시장의 전반적인 발전을 어떻게 평가하시겠습니까?

"구현"을 데이터 수집 플랫폼의 구현으로 제한하면 많은 문제가 발생합니다.

• 단일 페이지 앱(SPA)은 매우 유행하며 태그 지정 문제가 발생합니다.
• 거시적 수준의 소비자가 모바일로 이동하고 여러 기기에서 브랜드와 교류할 가능성이 높아짐에 따라 많은 조직에서 기기 간 추적이 더욱 중요해졌으며 이를 달성할 수 있는 직접적인 방법은 없습니다. 회사 및 사이트).
• GDPR 및 (미국) CCPA와 같은 개인 정보 보호 규정은 데이터 수집 세계에 추가적인 제한 및 고려 사항을 추가했습니다.
• 쿠키 추적 및 삭제 차단은 사용자 브라우저의 아주 작은 부분에 설치된 광고 차단기에서 브라우저 자체의 표준 기본값으로 점점 이동하고 있으며, 이는 확실히 데이터를 망칠 수 있습니다!

분석가가 저지를 수 있는 가장 큰 실수는 무엇입니까? 분석 실수 중 일부를 공유할 수 있습니까?

제 생각에 가장 큰 회사는 데이터를 만지작거리며 여기에서 내가 무엇을 달성하려고 하는 걸까요? 질문이 사라집니다.

나는 인정하고 싶은 것보다 훨씬 더 자주 그런 일이 일어났습니다. 저는 완벽하게 유효한 비즈니스 질문으로 시작한 다음 기본 데이터의 역학과 그 복잡성, 그리고 그 복잡성을 극복하는 능력에 빨려들어갔습니다. 프로젝트가 끝날 때 데이터 자체로 몇 가지 흥미로운 작업을 수행했지만 실제로 비즈니스를 발전시키는 데 도움이 되는 것은 제공하지 못했습니다.

마케팅 분석의 미래는 무엇이라고 생각하십니까? 어떤 트렌드가 올 것으로 보고 있으며 수요가 높은 것은 무엇입니까?

데이터 과학과 기계 학습에 뛰어들기 전에 기본에 집중해야 한다는 이전의 생각에도 불구하고 기계 학습을 효과적으로 사용하는 회사가 점점 더 많아질 것이라고 생각합니다.

이에 대한 가장 큰 이유는 점점 더 많은 조직이 고객 및 잠재 고객에 대한 원시 데이터(행동, 관찰, 인구 통계)에 액세스할 수 있기 때문입니다.

예를 들어 10년 전 디지털 분석 플랫폼은 주로 집계 데이터를 제공했습니다. 보고서에는 여러 측정기준과 측정항목이 있을 수 있지만 그렇다고 해도 사용 가능한 데이터는 세션 수준이나 개인 수준이 아닙니다.

디지털 분석 시장의 주요 업체가 해당 히트 수준 데이터를 제공하기 시작했고 많은 수의 최신 마테크 플랫폼이 처음부터 해당 수준의 세부 정보를 사용할 수 있게 되면서 변화하고 있습니다. 그리고 이것이 머신 러닝 기술에서 실제로 가치를 얻는 데 필요한 데이터입니다.

오늘날 시장에 어떤 문제가 있습니까?

내가 보는 큰 문제는 본질적으로 판매용 마법의 AI 지팡이가 있다고 시장을 약속하는 벤처 지원 신생 기업이 엄청나게 많다는 것입니다. 많은 (대부분의) 경우에, 그것은 마케팅 과대 광고입니다.

그러나 기술은 사람이나 프로세스보다 마진이 높고 본질적으로 확장성이 높기 때문에 업계의 마케팅 비용이 들어가는 곳입니다. 즉, "시장"은 조직이 올바른 기술을 구매하고 구현하기만 하면 갑자기 데이터 성숙도가 높고 AI 기반 조직이 될 것입니다.

현실은 그런 식으로 작동하지 않습니다. 너무 많은 조직이 분석 직원과 분석 프로세스 개선에 대한 내부 투자와 관련하여 굶주림과 동시에 기술에 대한 대규모 점검을 작성하고 있습니다.

현재 어떤 분석 과제가 있습니까?

나는 여전히 고객에게 기본 사항을 갖추는 것의 중요성에 대해 지속적으로 교육해야 합니다. 명확하게 확립된 KPI, 신뢰할 수 있고 강력한 데이터 수집, 반복 작업의 자동화, 명확하게 표현된 가설에 기반한 분석입니다. 지난 15년 동안 정말 변하지 않은 도전입니다.

최근의 도전 과제는 데이터 과학, 머신 러닝, AI에 대한 관심입니다. 과제의 일부는 실제로 해당 영역에서 사용되는 도구를 늘리는 것이고, 과제의 일부는 고객이 기본에 집중하는 데서 최고의 가치를 얻을 때 이 반짝이는 새 물건을 쫓고 싶어하지 않도록 하는 것입니다.

정말 좋은 조언 감사합니다, Tim! 더 유능한 분석가가 따라오고 전체 분석 시장이 더 교육받고 열정적이며 전문적이 되기를 바랍니다.

계속 연락하자! 블로그를 구독하여 디지털 분석 현황에 대한 연구의 다음 인터뷰를 읽고 최고의 분석가의 경험을 귀하의 비즈니스에 적용하십시오.

Tim에게 무엇에 대해 물어볼 건가요? 아래 의견에 알려주십시오!