Badania OWOX BI dotyczące stanu analityki cyfrowej: wywiad z Timem Wilsonem

Pytania do tego wywiadu przygotowała Mariia Bocheva, dyrektor ds. rozwoju biznesu OWOX BI, po spotkaniu z Timem Wilsonem na konferencji Superweek. Wszystkie zdjęcia uprzejmie przedstawił Banoczy Zoltan, założyciel Superweek – European Analytics Summit.

Wielką przyjemnością było uzyskanie tak głębokich spostrzeżeń od Tima Wilsona (śledź go na Twitterze), aktywnego analityka z mnóstwem doświadczenia i pozytywnym spojrzeniem na życie.

Tim od ponad 15 lat zajmuje się wieloma wymiarami danych marketingowych i danych klientów. Kierował działem analityki biznesowej dla wartej 500 milionów dolarów firmy high-tech typu business-to-business i konsultował się z wieloma 50 czołowymi sprzedawcami internetowymi, jak zastosować analitykę cyfrową w swojej działalności. Tim jest przyjaznym dla marketerów maniakiem danych. A teraz jest starszym dyrektorem ds. analityki w Search Discovery.

Search Discovery to firma zajmująca się analizą i analizą biznesową, która umożliwia organizacjom wykorzystywanie danych w celu poprawy wyników biznesowych.

Jakie umiejętności twarde są dziś najważniejsze dla analityków? Czy analityk musi znać język SQL, Python i R oraz budować kokpity menedżerskie w najpopularniejszych narzędziach do wizualizacji, takich jak Data Studio, Tableau i QlikView?

To jeden z tych ostatnio bardzo gorących tematów. Zacznijmy od stwierdzenia, że ​​analitycy muszą bardzo dobrze znać arkusze kalkulacyjne — Arkusze Google i Excel . Nawet jeśli nie jest to miejsce, w którym wykonują większość swojej pracy, prawie zawsze będą regularnie pobierać i wysyłać informacje za pomocą arkuszy kalkulacyjnych.

A jeśli analityk nie czuje się zbyt komfortowo z funkcjami WYSZUKAJ.PIONOWO i tabelami przestawnymi , będzie miał trudności z każdą inną platformą, na której przeprowadza analizę.

Od tego momentu komfort korzystania z narzędzia BI/wizualizacji (dodałbym Power BI do listy w twoim pytaniu) jest coraz większym wymogiem, chociaż wciąż jest wiele firm, które jeszcze w nie zainwestowały. Z tego powodu jestem wielkim fanem Google Data Studio — nawet jeśli firma nie wkroczyła na płatną platformę, analitycy muszą wiedzieć, jak zautomatyzować podstawową wizualizację i eksplorację kluczowych danych w sposób, który może być udostępniane ich interesariuszom.

Widzę wielu analityków, których dni są całkiem pełne, wykonując wartościową pracę bez wspinania się po bardzo stromej krzywej uczenia się wymaganej do uzyskania biegłości w tych językach. Ale jest granica tego, co można zrobić z platformami Excel i BI..

Dla analityka lub organizacji, która ma duże ilości danych granularnych, które chcą wykorzystać w modelach, SQL i Python lub R szybko stają się koniecznością.

I dodałbym trzecią klasę twardych umiejętności: statystykę . Oznacza to wyjście poza zwykłe statystyki podsumowujące, takie jak średnia, mediana i odchylenie standardowe, oraz prawdziwe zrozumienie, w jaki sposób i gdzie można zastosować regresję i korelację — oraz wartości p i R-kwadrat. Chodzi tu zarówno o faktyczne uzyskanie głębszego zrozumienia natury danych, jak i o faktyczne wdrożenie tych metod statystycznych.

Jakie umiejętności miękkie powinien posiadać dobry analityk?

Jest wiele! Na szczycie listy znajdują się skuteczne umiejętności komunikacyjne, które obejmują wszystko, od indywidualnych interakcji z interesariuszami — aktywnego słuchania i rozumienia ich potrzeb — po stosowanie najlepszych praktyk w wizualizacji danych po możliwość prezentacji wyników analizy w sposób jasny i zrozumiały.

Dobry analityk jest również ciekawy (co do biznesu, danych, świata), sceptyczny (co pokazują dane — za każdym razem, gdy pojawia się niespodzianka, zakłada, że ​​to problem z danymi i zagłębia się, aby potwierdzić) oraz ma wysoki stopień wytrwałości (aby przezwyciężyć wyzwania związane z danymi, a nawet wyzwaniami związanymi z ludźmi/procesami w organizacji). Mogą to być bardziej „cechy charakteru” niż „umiejętności”, ale wszystkie są bardzo ważne.

Czy uważasz, że nieporozumienia między analitykami a zespołami marketingowymi są powszechne? Jeśli tak, czy masz jakieś zalecenia, jak to przezwyciężyć?

Absolutnie! Analitycy i marketerzy mówią różnymi językami. Z mojego doświadczenia wynika, że ​​to analityka naprawdę musi spaść, aby „mówił o marketingu”. Sprowadza się to do zrobienia kilku rzeczy:

1. Słuchający

Może być kuszące, aby rozpocząć rozwiązywanie problemów ( jakie dane mogę pobrać, aby odpowiedzieć na to pytanie? ) przedwcześnie i nie badać podstawowego problemu biznesowego, który marketer chce rozwiązać.

2. Nie mówiący analityk

Pewna edukacja marketera jest w porządku — co oznacza metryka, jakie są ograniczenia w danych — ale widziałem, jak analitycy zbyt szybko wpadają w głęboką terminologię analityczną, kiedy nie jest to konieczne.
To może sprawić, że marketer będzie zdezorientowany lub, co gorsza, poczuje się niekomfortowo lub przygnębiony ( nie wiem, o czym mówi analityk. Czy powinienem? Wydaje się, że uważa, że ​​powinienem! ).

3. NIGDY, NIGDY nie wmawiaj sobie, że interesariusze są głupi

To fatalny błąd — decyzja, że ​​wyzwanie w związku to kwestia inteligencji, a nie kwestia komunikacji.

Jakie profesjonalne zasoby lub wydarzenia możesz polecić analitykom?

Najlepszym zasobem, jaki mogę polecić analitykom, niezależnie od tego, gdzie się znajdują, jest zespół Measure Slack. To nic nie kosztuje, a tysiące analityków nieustannie angażuje się i udostępnia ze sobą. Co kilka tygodni odbywa się wątek dyskusyjny na temat Jakie są dobre zasoby do nauki języka X? lub Jakie są dobre konferencje dla Y? więc jest to nawet źródło do identyfikacji zasobów!

Osobno jest kilka świetnych konferencji: MeasureCamp to bezpłatna niekonferencja, która odbywa się na całym świecie (a jeśli w pobliżu nie ma takiej, możesz ją rozpocząć!). Marketing Analytics Summit i Digital Analytics Hub to świetne konferencje w USA, a Superweek to fantastyczna opcja w Europie.

Stowarzyszenie Analityki Cyfrowej stale powiększa zasoby, które oferuje swoim członkom, więc jest to świetne źródło z wszelkiego rodzaju świetnymi materiałami (a nawet programem mentorskim). Istnieje wiele MOOC, takich jak Coursera i edX, które oferują dowolną liczbę kursów online.

Na koniec, gdybym przeszedł cały ten wywiad i nie włączył podcastu Digital Analytics Power Hour, byłbym kiepskim marketerem! Istnieje jednak wiele podcastów dotyczących analiz, uczenia maszynowego i sztucznej inteligencji — zbyt wiele (i zbyt wiele, których nie udaje mi się regularnie słuchać) — abym mógł przedstawiać rekomendacje.

Jakiej wiedzy brakuje analitykom i specjalistom ds. marketingu, aby firmy były oparte na danych?

Kontekst biznesowy i głębokie zrozumienie niepewności. Myślę, że to pierwsze, ponieważ ciągle widzę, jak analitycy i marketerzy wskakują w dane, chcąc „znaleźć odpowiedzi” i „generować spostrzeżenia ”, bez jasnego sformułowania pytania biznesowego, na które odpowiedź doprowadzi do prawdopodobnego działania.

Ten ostatni jest nieco trudniejszy do wyartykułowania. Ale wracając do Johna Wannamakera, który na początku XX wieku zauważył, że „Połowa pieniędzy, które wydaję na reklamę, jest marnowana; po prostu nie wiem, która połowa”, marketerzy i analitycy spodziewali się raczej, że dane dostarczą „prawdy”. niż nauka działania w probabilistycznym świecie.

Chociaż możemy znać „prawdę” o przeszłości, na przykład Ile ruchu przybył do mojej witryny w zeszłym miesiącu? (a nawet to nie jest „prawdziwe” — w gromadzeniu danych jest dużo bałaganu, który sprawia, że ​​liczba ta jest jedynie szacunkiem), skuteczne wykorzystanie tych danych do wykorzystania w przyszłości oznacza rozwinięcie głębokiego zrozumienia, w jaki sposób „prawdziwe” " obraz świata, który dane malują, a następnie odpowiednio działają.

Jakie są najważniejsze rzeczy, które analitycy muszą zrobić na różnych etapach dojrzałości biznesowej (startup, SMB, SME, enterprise)?

Nigdy nie zastanawiałem się nad tym pytaniem. To ciekawe! Myślę, że start-upy są bardziej ograniczone do zasobów i, ogólnie rzecz biorąc, są bardziej zdolne do podejmowania pewnego ryzyka związanego z danymi.

Dlatego start-upy często – z konieczności – muszą być nieudolne i łączyć ze sobą darmowe narzędzia z ograniczonym zarządzaniem danymi i niektórymi potencjalnie delikatnymi (a nawet ręcznymi!) integracjami. I to jest dobry sposób działania, o ile panuje przekonanie, że wraz z rozwojem konieczne będzie dojrzewanie systemów.

Ogólnie oznacza to, że platformy danych będą musiały zostać poddane przeglądowi, a nawet całkowicie zastąpione.

Na drugim końcu spektrum — przedsiębiorstw — zarządzanie staje się naprawdę wielką sprawą, ponieważ jest więcej osób i procesów, które mają wpływ na dane i na nich polegają. Zazwyczaj jest więcej zasobów, które można przeznaczyć na analitykę, więc niektóre z nich mogą (lub powinny!) być odpowiedzialne za zarządzanie i procesy — minimalizując ryzyko niepowodzenia, które ma wpływ na dużą liczbę ról, a potencjalnie nawet na najbliższe -terminowa górna linia biznesu.

Jakie widzisz trudności we wdrażaniu analityki i jak oceniasz ogólny rozwój rynku?

Jeśli ograniczymy „wdrożenie” do wdrożenia platform gromadzenia danych, wyzwań jest bardzo dużo:

• Aplikacje jednostronicowe (SPA) są bardzo modne i wprowadzają wyzwania związane z tagowaniem.
• Przejście konsumentów na urządzenia mobilne z poziomu makro — i zwiększone prawdopodobieństwo, że wchodzą w interakcję z markami na różnych urządzeniach — sprawiły, że śledzenie na różnych urządzeniach stało się ważniejsze dla wielu organizacji i nie ma prostego sposobu, aby to osiągnąć (zależy to od charakteru firmy i witryny).
• Przepisy dotyczące prywatności, takie jak RODO i (w USA) CCPA, wprowadziły dodatkowe ograniczenia i kwestie do świata gromadzenia danych.
• Blokowanie śledzenia i usuwania plików cookie coraz częściej zmienia się z programów blokujących reklamy zainstalowanych w niewielkiej części przeglądarek użytkowników na standardowe domyślne ustawienia w samych przeglądarkach, co z pewnością może zabłądzić w danych!

Jaki jest największy błąd, jaki może popełnić analityk? Czy możesz podzielić się niektórymi ze swoich błędów analitycznych?

Myślę, że największa marka jest tak podekscytowana majstrowaniem przy danych, że Co staram się tutaj osiągnąć? pytanie ginie.

Zdarzyło mi się to więcej razy, niż lubię przyznać — zacząłem od doskonale ważnego pytania biznesowego, a następnie wciągnął mnie w mechanikę podstawowych danych i ich złożoność oraz moją zdolność do pokonania tej złożoności w taki sposób, że przez Po zakończeniu projektu zrobiłem kilka całkiem interesujących rzeczy z samymi danymi, ale nie dostarczyłem czegoś, co naprawdę popychałoby firmę do przodu.

Jak myślisz, jaka jest przyszłość analityki marketingowej? Jakie trendy widzisz nadchodzące i na co jest duże zapotrzebowanie?

Pomimo moich wcześniejszych przemyśleń na temat konieczności skupienia się na podstawach przed zagłębieniem się w naukę danych i uczenie maszynowe, myślę, że będziemy nadal widzieć coraz więcej firm efektywnie wykorzystujących uczenie maszynowe.

Największym tego powodem jest to, że coraz częściej organizacje mają dostęp do surowych danych o swoich klientach i potencjalnych klientach — behawioralnych, obserwacyjnych i demograficznych.

Na przykład 10 lat temu platformy analityki cyfrowej dostarczały głównie dane zagregowane. Raport może zawierać wiele wymiarów i danych, ale mimo to dostępne dane nie dotyczyły poziomu sesji ani osoby.

To się zmienia, ponieważ główni gracze na rynku analityki cyfrowej zaczęli udostępniać dane na poziomie trafień, a wiele nowszych platform martech ma ten poziom szczegółowości dostępny od samego początku. I to są dane, które są potrzebne, aby naprawdę czerpać korzyści z technik uczenia maszynowego.

Jakie problemy widzisz dzisiaj na rynku?

Dużym problemem, który widzę, jest to, że istnieje ogromna liczba startupów wspieranych przez venture, które zasadniczo obiecują rynkowi, że mają na sprzedaż magiczną różdżkę AI. W wielu (większości) przypadkach jest to marketingowy szum.

Ale ponieważ technologia zapewnia wyższą marżę i jest z natury bardziej skalowalna niż ludzie lub procesy, właśnie tam idą pieniądze marketingowe w branży, co oznacza, że ​​„rynek” zostaje zbombardowany komunikatem, że jeśli organizacja po prostu kupuje i wdraża odpowiednią technologię, nagle stanie się dojrzałą organizacją opartą na sztucznej inteligencji.

Rzeczywistość po prostu nie działa w ten sposób, więc wiele, wiele organizacji wystawia duże czeki na technologię, jednocześnie głodując, jeśli chodzi o personel analityczny i wewnętrzne inwestycje w ulepszenia procesów analitycznych.

Jakie wyzwania analityczne masz teraz?

Nadal muszę stale edukować moich klientów, jak ważne jest wdrożenie podstaw: jasno określonych wskaźników KPI, niezawodnego i niezawodnego gromadzenia danych, automatyzacji powtarzalnych zadań oraz analiz opartych na jasno sformułowanych hipotezach. To wyzwanie, które tak naprawdę nie zmieniło się przez ostatnie 15 lat.

Nowszym wyzwaniem jest ekscytacja związana z nauką o danych, uczeniem maszynowym i sztuczną inteligencją. Częścią wyzwania jest w rzeczywistości zwiększenie narzędzi używanych w tych obszarach, a częścią wyzwania jest powstrzymywanie klientów przed chęcią ścigania tych błyszczących, nowych obiektów, podczas gdy ich najwyższa wartość wynikałaby z skupienia się na podstawach.

Dzięki za tak wiele wspaniałych rad, Tim! Mamy nadzieję, że podążą za nim bardziej utalentowani analitycy, a cały rynek analityczny stanie się bardziej wykształcony, entuzjastyczny i profesjonalny.

Bądźmy w kontakcie! Zapisz się na naszego bloga, aby przeczytać kolejne wywiady z naszych badań na temat stanu analityki cyfrowej i dostosować doświadczenia najlepszych analityków do swojej firmy.

O co zapytałbyś Tima? Daj nam znać w komentarzach poniżej!