Jogando Digital Jenga com Modern Marketing Analytics: Entrevista com Christopher Penn

A entrevista de hoje com Christopher Penn, cientista-chefe de dados e cofundador da Trust Insights, causou um burburinho antes mesmo de ser publicada. Então pegue uma pipoca ou uma xícara de chá quente e leia este artigo sobre análises e analistas, martech moderno e para onde tudo está indo.

Como sempre, obrigado a Mariia Bocheva que teve essa ótima conversa com Christopher.

Fonte: página oficial de Christopher Penn no Facebook

Vá direto para os pontos de interesse aqui:​

Mariia Bocheva: Você pode nos dar uma rápida introdução sobre você?

Christopher Penn: Minha formação foi em TI. Meu mestrado é em gestão de sistemas de informação. Comecei a trabalhar em uma startup de serviços financeiros no início dos anos 2000. Atualizar o servidor da web tornou-se atualizar o site e o lançamento de e-mails de correção tornou-se enviar o boletim informativo por e-mail.

O que aconteceu naquela época foi que o marketing se tornou tecnologia de marketing. Então, no final dos anos 2000 e início desta década, mudei para o marketing em tempo integral e comecei a trabalhar com muito mais dados. E foi aí que me tornei muito mais focado em ciência de dados. Fui interno em uma empresa de relações públicas por cerca de cinco anos e realmente comecei a olhar mais para aprendizado de máquina e IA.
Eu me separei dessa empresa cerca de dois anos atrás, porque eles estavam indo em uma direção diferente. Eu realmente queria me concentrar em ciência de dados e aprendizado de máquina.

MB: Você mencionou ciência de dados, aprendizado de máquina e análise. Quais você acha que são as hard skills mais importantes hoje?

CP: Há três baldes de habilidades. Se você voltar a 1964, havia um famoso estrategista de negócios chamado Harold Leavitt que postulava que havia três áreas nas quais todos precisavam ser competentes: pessoas, processos e tecnologia.

Para um analista qualificado ou um cientista de dados qualificado, você precisa de recursos em todas as três áreas. Você precisa entender o lado das pessoas, como as pessoas trabalham, a estratégia geral de negócios e coisas assim, e você precisa ter um bom controle sobre os problemas que a empresa deseja resolver. Você também precisa ter um controle sobre o processo – como as coisas são feitas – e ser capaz de traduzir isso para o trabalho que você faz. E então, é claro, você precisa ter acesso à tecnologia, as habilidades, o conhecimento matemático para fazer a análise de dados – e você precisa ser capaz de codificar.

Esses são os três grandes baldes que pouquíssimas pessoas têm em quantidades iguais e robustas. Muitas pessoas têm habilidades em uma área e são fracas nas outras duas. E essa é provavelmente uma das coisas mais importantes que um analista deve ser capaz de fazer – identificar seus pontos fracos. Para poder dizer, sim, é nisso que preciso trabalhar para elevar meus níveis até onde sou forte.

MB: Isso cobre parcialmente as soft skills, como eu mal chamaria de “hard skill” saber como as pessoas trabalham. O que você acha disso? Quais soft skills você considera importantes?

CP: A diferença entre hard e soft skills é mais interna e externa. Suas habilidades externas são aquelas que você chamaria de habilidades difíceis: a capacidade de falar com outro ser humano, ler as expressões em seu rosto e coisas assim.

Mas internamente, isso requer uma tremenda quantidade de autoconsciência. Requer entender seu próprio ego, as coisas que o tornam mais ou menos eficaz como profissional de negócios, suas fraquezas às quais você precisa se acomodar. Para algumas pessoas, é seu ego, sua capacidade de dizer, sim, eu sempre tenho que estar certo . Mas não, você não.

E, de fato, é um pecado mortal na análise de dados, certo? Lembro que estava trabalhando com uma empresa de pesquisa e o argumento deles era “qualquer ponto que você queira fazer, podemos criar dados para apoiá-lo”. Não é assim que funciona. [Risos] E, no entanto, eles são realmente uma empresa respeitável porque ajudam as empresas a inventar dados para defender o que querem provar. E assim as pessoas fazem negócios com eles porque dizem o que você quer ouvir.

Outra habilidade super importante é ser capaz de explicar as coisas para outras pessoas de maneira que elas possam entender. Então, novamente, há esse tipo de empatia. E então a terceira coisa é realmente ser capaz de ensinar em vários níveis, ser capaz de saber onde alguém está (a parte da empatia) e então se adaptar ao público com o qual você está trabalhando.

Estive recentemente no Content Marketing World. E em uma audiência, eu tinha pessoas que eram programadores. Então eu disse aos codificadores, Ok, então isso é modelagem de cadeia de Markov para você, mas para todos os outros é Jenga digital . Ser capaz de adaptar seu ensino para onde alguém é uma habilidade super importante. É muito difícil se você não tiver experiência em design de instruções educacionais ou qualquer experiência com isso. Eu tenho ajudado na escola de artes marciais do meu professor por 25 anos e essa é uma grande habilidade que eu tenho lá - ser capaz de ver que alguém está lutando com isso, eles precisam de ajuda com isso e identificar onde alguém está sua própria progressão em sua carreira é super importante. E é uma habilidade que não é ensinada. Você tem que aprender através de suas próprias experiências.

MB: Você acha que isso também está relacionado à narrativa e à capacidade de apresentar dados de uma maneira que as pessoas possam compreendê-los?

CP: Concordo que sim. Existe uma expressão na psicologia chamada “colchões de arremesso” – todo mundo tem uma porta mental que é orientada de forma diferente. E se você arremessar um colchão naquela porta, há apenas um certo número de maneiras de passar. Mas a porta de cada um é diferente. Então, como seu público é formado? Você pode jogar colchões de uma maneira que os faça passar pelo maior número possível de portas?

Não gosto de “contar histórias”. E a razão pela qual eu não gosto dessa frase é porque os profissionais de marketing, especialmente os profissionais de marketing que não têm uma boa compreensão dos dados, tendem a ser muito egocêntricos, muito centrados na empresa e dizem algo como: Vamos dizer você uma história sobre o nosso produto maravilhoso! Mas ninguém se importa, certo? Conte as histórias que o público quer. E isso, novamente, remete à empatia e à autoconsciência. Não é sobre você ou a empresa. É sobre o que o público precisa.

MB: Esse é um ótimo ponto. Eu entendo totalmente o que você quer dizer. Falando em arremessar colchões e como todo mundo é diferente, o que você acha da falta de comunicação entre analistas e equipes de marketing? Você tem alguma recomendação sobre como a comunicação pode ser melhorada?

CP: Eu não acho que seja um grande problema porque muitas equipes de marketing não falam com analistas em primeiro lugar – ou mesmo têm acesso a eles. A maioria dos profissionais de marketing com quem converso são forçados a tentar ser analistas porque sua empresa não tem nenhum [analista] ou a empresa os implantou em problemas de negócios mais urgentes. Portanto, o maior desafio é que esses profissionais de marketing pobres desenvolvam qualquer tipo de habilidade analítica para lidar com os dados que possuem.

Não posso dizer quantas vezes falei com um profissional de marketing que disse: Ah, sim, temos o Google Analytics. Eu não sei o que significa. Eu não sei nada no Google Analytics. É tão estranho ter essas discussões. Não é, você sabe, cirurgia de foguete. Mas, novamente, voltando a essa autoconsciência, é uma cirurgia de foguete para eles, porque eles entraram no marketing para serem criativos, inspiradores, escrever bem, criar coisas. Eles não entraram no marketing porque amavam a ciência quantitativa. Caso contrário, eles teriam se tornado um cientista de dados em primeiro lugar.

Mas agora, a tecnologia de marketing e o marketing digital os forçaram a lidar com esse problema ou ignorá-lo o maior tempo possível. Quando eles têm acesso aos dados ou têm acesso a um analista, seu sucesso dependerá de sua autoconsciência.

Os analistas não têm um bom vocabulário de marketing e os profissionais de marketing não têm um bom vocabulário em ciência de dados e análise de dados. Então, provavelmente, a coisa mais importante e fácil de fazer é reunir as pessoas nas tardes de sexta-feira com a bebida de sua escolha e fazê-las conversar umas com as outras. Porque você pode se familiarizar o suficiente com uma disciplina apenas ouvindo as pessoas falarem sobre ela.

Além disso, as pessoas têm deslocamentos em muitos lugares. E não é uma coisa ruim para seus cientistas de dados ouvirem podcasts de marketing ou para seus profissionais de marketing ouvirem podcasts de ciência de dados para realmente começar a ouvir o vocabulário, ouvir coisas como regressão e regressão logística e floresta aleatória. E as pessoas podem dizer: Ah, eu deveria perguntar à minha equipe o que isso significa ou Há diferentes tipos de dados em cada um deles, como podemos resolvê-los?

Está realmente fazendo com que todos ouçam o vocabulário de outras disciplinas como uma maneira de começar a ter essas interações significativas.

MB: Eu realmente gosto de como você coloca isso junto. Tenho minha formação em análise, mas também trabalho em marketing. Para mim, nunca foi um problema, porque tive exposição a ambos. Mas muitas pessoas que trabalham em um campo não estão expostas ao outro.

CP: Exatamente.

MB: Ótimo. Em termos de erros, qual você acha que é o maior erro que um analista pode cometer? Talvez você possa compartilhar algo da sua experiência que você encontrou?

CP: Em termos de erros que os analistas cometem... São problemas humanos, certo? Então, o número um realmente é o viés de pressuposição. Ou seja, eu sei qual resultado estou procurando e preciso provar isso. Não. A palavra para isso é indiferente. Se você não tem curiosidade, não é curioso, não quer encontrar a resposta certa. Você quer encontrar uma resposta o mais rápido possível, ou quer encontrar uma resposta que justifique um preconceito que você já tem, um resultado que você já julgou, e esses são problemas humanos, certo? Esses não são relacionados à tecnologia, e nenhum software vai consertar isso. Nenhuma ferramenta vai consertar sua falta de curiosidade.

Então, isso é algo que temos que treinar da melhor maneira possível e contratar, mais do que qualquer coisa. E você pode contratar por curiosidade, certo?

Há uma pergunta de entrevista que eu costumava fazer, que eu achava sempre divertida, onde eu pegava um baralho de cartas comuns e dava para uma pessoa em uma entrevista. Eu diria, Aqui está um baralho de cartas. Coloque-o em ordem . Eu nunca especifiquei qualquer tipo de ordem ou algo assim. O objetivo é olhar para a pessoa e ver como ela reage a uma diretiva como essa. Eles entram em pânico? Isso provavelmente não é tão Sim, eu entendi. Vou colocar em ordem . Mas eu não disse qual pedido eu queria. Novamente, eles têm um viés de pressuposição, e isso é ruim. Eles fazem perguntas? Quantas perguntas eles fazem? Quando eles cavam, eles te empurram? Esses são atributos que você gostaria de ter.

MB: Vamos passar para a próxima parte da nossa entrevista sobre a mesma coisa, mas de outro ponto de vista. Hoje em dia há muitas palavras-chave. Todo mundo está falando sobre as empresas serem orientadas por dados, mas poucas empresas têm sucesso nisso. Por que você acha que é isso? Há algo que esteja faltando em termos de análise ou marketing que possa levar as empresas a outro nível e ajudá-las a crescer e poder usar os dados que possuem?

CP: Este é um problema humano mais do que qualquer outra coisa.

Ser orientado por dados significa que você precisa primeiro tomar decisões com dados — não com experiência, sem intelecto, sem instinto, não é assim que sempre fizemos .

Você precisa analisar os dados e dizer: Ok, isso é o que os dados dizem, e estamos confiantes em como eles foram processados, então vamos tomar decisões com base neles .

Isso exige superar o meu caminho é sempre certo – como chamamos, o problema HIPPO [opinião da pessoa mais bem paga]. É um problema tão cultural e humano que é difícil de superar, então tornar-se orientado por dados é muito, muito difícil.

A primeira coisa - meu amigo Tom Webster da Edison Research diz isso - que impede alguém de ser orientado por dados é que eles não podem lidar com dados e análises e respostas de que não gostam!

Nas artes marciais, temos uma expressão de que você tem que se sentir confortável em estar desconfortável , o que significa que você tem que se sentir confortável com respostas parciais, com respostas incompletas, com a falta de alguns dados que você nunca terá, e ainda sendo capaz para usar os dados de forma a gerar impacto nos negócios. Não é que as pessoas tenham problemas de especialização ou habilidades específicas. Você pode ensinar qualquer habilidade. O problema é que você pode fazer essa mudança cultural para dizer: Sim, mesmo que eu não goste da resposta, mesmo que não tenha certeza da resposta, ainda usarei a resposta para tomar uma decisão .

MB: Então é mais uma mudança cultural.

CP: Realmente é.

MB: Falando sobre essa mudança cultural, você tem alguma recomendação de por onde começar?

CP: Trabalhar para empresas que já são assim. Parece irreverente, mas por ser uma coisa tão humana, se o DNA da empresa em que você está trabalhando não é assim, é extremamente difícil fazer esse pivô, especialmente se a liderança não comprou. , Não, vamos fazer do jeito que sempre fizemos. Nossa empresa tem 126 anos, e sempre fizemos assim! Bem, você não vai mudar de ideia.

Eu estava jantando com alguém em uma conferência recentemente. E eles disseram: Nossa empresa tem 126 anos, e nosso CEO disse que só queremos que seja 1950 . Por que não pode ser 1950, quando as pessoas simplesmente compram e usam nossos produtos e toda essa coisa de internet desaparece? Bem, más notícias, isso não vai acontecer. [Rindo]

MB: É bastante difícil. Uma história rápida aqui: Trabalhamos com uma empresa que tem uma longa história. Eles foram fundados em 1908 ou algo assim como uma empresa familiar, e desde então produzem lingerie. E ficaram bem grandes. Agora eles vendem na França, Holanda, Reino Unido, Alemanha e assim por diante. E eles têm muitas lojas físicas, e têm redes diferentes. Eles têm um segmento de luxo, um segmento de mercado de massa e assim por diante. E em algum momento, a equipe de comércio eletrônico deles chegou à administração e disse: Precisamos aumentar nosso orçamento porque nossas despesas estão crescendo, estamos trazendo vendas e isso e aquilo. E eles disseram, quer saber, pessoal, se olharmos para a receita geral, você é responsável apenas por 5%.

Então, a equipe de ecommerce veio até nós e perguntou: Você pode nos ajudar a provar, considerando a pesquisa de compras online offline, que realmente produzimos mais receita para a empresa e que influenciamos números maiores? Fizemos um projeto com eles e levou uns bons cinco ou seis meses. Mas no final do dia, descobriu-se que eles eram responsáveis ​​por quase 30 a 35% da receita. E isso os ajudou a provar que estavam fazendo coisas e isso os ajudou a aumentar seu orçamento. Mas sim, demorou um pouco conversando com a diretoria, mostrando os números e tentando mudar esse sentimento interno. Exatamente o que você estava falando.

CP: Sim. A cultura é dura. As pessoas são duras.

MB: Isso me leva a outra questão. Eu gostaria de voltar para a primeira pergunta sobre hard skills. Você estava falando sobre plataforma, pessoas e processos, mas o que você acha de coisas mais técnicas, como Python simples e saber como construir painéis? Talvez estatísticas? Quais são as coisas cruciais para começar para as pessoas que querem se aprofundar na análise?

CP: Ok, então eu tenho um pouco de discurso sobre isso. Os painéis são visualização. A visualização é uma parte crítica da análise de dados. E é uma daquelas coisas que é uma arte em si. As tecnologias que você mencionou — SQL, Python, R, etc. — não são ferramentas de visualização. São ferramentas de computação.

E um dos maiores pecados em toda análise de dados, mas principalmente em marketing, é tentar fazer com que suas ferramentas de visualização façam computação.

É como as pessoas que tentam fazer o código do seu site e interagir com o conteúdo, a visualização. Suas folhas de estilo e seu HTML são separados por um motivo. Porque a visualização é separada da computação. Você absolutamente precisa de SQL, Python, R, SPSS, OWOX e qualquer outra coisa que você use para fazer a computação e fazê-la bem – para poder fornecer toda a análise de dados no back-end antes de ir para a visualização.

Em nenhum momento seu painel – suas visualizações – devem fazer qualquer tipo de computação. Você não deve misturar dados, não deve fazer manipulação de dados. Todos os dados que entram nas visualizações já devem ser computados antes de chegarem lá.

Porque o que acontece de outra forma é você se deparar com esse enorme problema de governança. O chefe precisa de uma nova mudança em alguma coisa, mas não sabemos como esse ponto de dados chegou lá. Então não sabemos como manipulá-lo. Então não podemos fazer nenhuma alteração. Temos que dizer ao chefe, Desculpe, vai levar seis semanas para desembaraçar nosso espaguete para entender o que vai acontecer aqui .

Quando você mantém a computação separada da visualização e o chefe diz, Ei, eu quero isso, você diz, Ótimo, vou entrar na minha camada de computação, carregar nosso estúdio e fazer alterações no código e na lógica de computação . E vou enviar um novo ponto de dados ou alterar o ponto . E isso leva a Sim, gráfico de barras, novo gráfico de barras, aí está . E mantém as mudanças limpas, mantém as versões sob controle. E torna todas as manipulações de dados muito mais fáceis de gerenciar, especialmente em escala.

Se você é um multifuncional de marketing, provavelmente pode se safar com uma pessoa, uma loja, uma ferramenta. E você não vai se deparar com a questão do controle de versão porque você é a única pessoa responsável por isso. No entanto, se você sair ou for demitido, essa empresa está totalmente enxugada. E é a pior prática.

Se você estiver em uma empresa maior, onde há várias pessoas em seus departamentos de análise e marketing, deverá manter a computação e a visualização separadas. Caso contrário, você perderá muito tempo e dinheiro tentando descobrir onde os dados estão e quem é responsável por eles.

A outra coisa - e isso é tão importante para a conformidade nos dias de hoje com GDPR e CCPA e outros regulamentos - é que, se a visualização e a computação forem combinadas, você terá um problema de controle de acesso. Você tem um problema em que não pode criar limites para quem tem acesso aos dados, o que significa que pode vazar dados, pode expô-los a funcionários que não deveriam ter acesso a determinadas fontes de dados.

Quando a computação é governada e tratada separadamente, você pode restringi-la e dizer à sua equipe de visualização, você pode visualizar tudo isso que você tem permissão para ter e em nenhum momento qualquer informação pessoal confidencial vai para a equipe de visualização para manter está a salvo deles. É tão importante que as pessoas façam isso para manter essas coisas separadas e limpas.

Então, um analista responsável pela visualização precisa conhecer essas linguagens? Absolutamente não. A pessoa da computação precisa saber? Cem por cento sim.

MB: Você tem um grande ponto aqui. Eu realmente gosto da abordagem quando visualizamos conjuntos de dados prontos e não há campos calculados neles.

E gostaria de esclarecer uma pergunta que já fiz. Existem diferentes estágios de negócios ou diferentes tamanhos de negócios ou negócios que operam em diferentes escalas. Você pode olhá-lo de diferentes ângulos. SMB, SME, empresa – todos eles têm requisitos diferentes para uma equipe de análise, ou pelo menos parece que eles têm. O que você acha? Você acha que há uma diferença nos requisitos para analistas em empresas de diferentes tipos?

CP: Fundamentalmente, todos têm o mesmo objetivo no marketing, que é ajudar a gerar receita. Direita? Se seu objetivo em marketing não é ajudar a gerar receita, não tenho certeza do que você está fazendo em marketing. Mas o que quer que você esteja fazendo, você está fazendo errado. Porque, no final das contas, é isso que nos cabe – criar impacto. O que acontece não é que haja coisas diferentes para fazer. À medida que sua empresa cresce, as tarefas se tornam mais especializadas. Quando você é um show de uma pessoa em uma pequena empresa, você é o web designer, o cara ou a garota do e-mail, o analista, o estatístico, a pessoa do atendimento ao cliente, possivelmente.

Conforme você cresce, você contrata. E conforme você contrata, você se especializa. Você começa a dividir tarefas individuais. E cada tarefa agora tem seus próprios relatórios e seus próprios dados, sua própria visualização. E assim, no final das contas, o que as empresas fazem de errado com mais frequência é perder de vista o fato de que cada uma dessas especializações, especialmente na empresa, ainda precisa alcançar o mesmo objetivo que todos têm, que é Geramos impacto nos negócios? Ajudamos a empresa a ganhar dinheiro, economizar dinheiro ou economizar tempo? Crescer clientes? Todas essas coisas.

Então, dependendo de onde sua empresa está em seu ciclo de vida, seu papel, se você for um analista sensato, é perguntar: O que estou fazendo que contribui para esse objetivo geral? Quais são meus KPIs pessoalmente? Meus KPIs pessoais estão alinhados com os KPIs do departamento? Eles estão alinhados com os do negócio? A definição que uso em todas as minhas palestras – você ouviu na conferência MAICON [Conferência de Inteligência Artificial de Marketing] – é que um KPI é um número que determina se você recebe um bônus ou é demitido, certo? Isso é um KPI. Se é um número e você não vai receber um bônus ou ser demitido por isso, é uma métrica.

Então, quando você olha dessa perspectiva, quais são os KPIs para os quais você está trabalhando, para os quais sua equipe está trabalhando, para os quais seu departamento está trabalhando, para os quais sua empresa está trabalhando? E você olha para esses números, e às vezes eles não vão fazer nenhum sentido. E se for esse o caso, então você, como analista, precisa estar ciente disso, levantar a bandeira e dizer: Pessoal, não tenho certeza de que isso causará algum impacto nos negócios. E se a empresa disser que você ainda tem que fazer isso, é aí que você começa a atualizar seu perfil do LinkedIn. Porque se uma empresa está trabalhando para KPIs sem sentido, ela vai falir. É só uma questão de tempo.

MB: Então, só para ter certeza de que entendi direito, não há diferença nos requisitos para analistas de pequenas empresas versus grandes empresas, porque o objetivo para todos é a receita.

CP: Sim, receita e impacto nos negócios – você está ajudando a empresa a ganhar dinheiro, economizar dinheiro ou economizar tempo? Essas são as três funções que todos desejam e todas as empresas precisam. É a mesma coisa de que falamos há 10 milênios: melhor, mais rápido, mais barato ... todo mundo quer isso. Então, o que estamos fazendo para tornar nosso negócio melhor, mais rápido e mais barato?

CP: Sim. E esse é um dos maiores problemas em aprendizado de máquina e IA hoje – não apenas saber o que está acontecendo dentro da caixa, mas também interpretá-lo e explicá-lo.

A explicabilidade é uma explicação post-hoc do que o modelo fez, como nesta coisa passou e essas coisas não. When you look at regulations like GDPR, that's not good enough. 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, Obrigado por isso. 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, Fim da história. 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. I strongly recommend it.

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!

Uau! 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!