Coisas que aprendi no Marketing Analytics Summit 2019 em Las Vegas [Dia 2]

Esta é uma continuação da minha recapitulação do Marketing Analytics Summit. Para saber mais sobre as palestras do primeiro dia e os próximos Marketing Analytics Summits em todo o mundo, confira o artigo anterior.

• “A estratégia de dados executáveis” de John Lovett
• “O que você precisa saber sobre você – psicologia para o sucesso” por Michele Kiss
• “Identificando a personalidade de liderança” por Valerie Kroll
• “Analisando Analistas para Melhorar a Eficiência do Processo” por Mariia Bocheva
  

O dia 2 começou com uma apresentação de John Lovett , diretor sênior de estratégia de dados da Search Discovery. Sua palestra foi sobre a estratégia de dados executáveis ​​– um plano para usar dados com propósito que inclui entender seus dados, arquitetar seus dados para torná-los úteis e ativar seus dados para impacto nos negócios.

As organizações precisam de uma estratégia de dados para orientá-las, pois aproveitar os dados no ambiente de negócios de hoje pode ser complexo e confuso. Existem três problemas de dados modernos: falta de alfabetização de dados, silos de dados e falta de confiança nos dados.

O problema aqui é que os C-levels e os chefes de departamentos geralmente não entendem os dados. De acordo com o “Gartner Trend Insight Report: Fostering Data Literacy and Information até 2020”, 80% das organizações planejam iniciar o desenvolvimento deliberado de competências no campo da alfabetização de dados, reconhecendo sua extrema deficiência.

Você pode dividir a alfabetização de dados em três grupos:

• Alfabetização em métricas – Quando as pessoas sabem o que os dados significam, usam os mesmos termos e entendem os valores por trás deles. Este é um nível essencial que permite que todos na equipe falem a mesma língua.
• Alfabetização de ferramentas – Quando as pessoas são capazes de atender às necessidades de dados conforme apropriado e estão cientes do potencial, truques e limitações das ferramentas. Esse ponto realmente se correlaciona com a palestra de June sobre análise de autoatendimento no Twitch.
• Alfabetização conceitual – Quando as pessoas abordam e aplicam dados com clareza e sofisticação e podem se explicar usando dados.

Para ser alfabetizado em dados, você precisa entender seus dados. Responder às seguintes perguntas deve ajudar:

1. Que tipos de dados temos e de que tipos precisamos para responder às nossas perguntas? Use um inventário de dados interativo, dicionários de dados e catálogos para entender de onde vêm os dados e em que consistem.
2. Os usuários podem fornecer dados por conta própria ou precisam de alguém para atendê-los?
3. Quem tem acesso aos nossos dados e como os dados podem ser usados?
4. Os usuários têm uma compreensão precisa de nossos dados ou estamos falando grego?
5. Existe um alto grau de conforto no uso de dados ou é uma luta toda vez que um novo relatório precisa ser criado?
   

Não é surpresa que a maioria das empresas tenha dificuldades com dados dispersos porque suas fontes de dados não se comunicam:

Para quebrar esses silos de dados, você precisa definir de onde vêm seus dados e como eles podem ser conectados. Então você pode priorizar o que deve ser implementado primeiro. Aqui estão algumas perguntas que devem ajudá-lo com isso:

1. Quais conexões de dados e APIs existem? A maioria das fontes que você deseja conectar pode ser integrada por meio de APIs prontas ou ferramentas de terceiros, portanto, não perca tempo e outros recursos criando suas próprias integrações.
2. Que transformações são necessárias para a análise? Normalmente, seus dados vêm em diferentes formatos e em diferentes velocidades, portanto, para colocá-los em um único relatório, você precisa processá-los com antecedência. Pense nisso com antecedência e planeje de acordo.
3. Existem processos integrados nos conjuntos de dados? Pense em quais processos serão influenciados por ter esses dados em vigor.
4. Quando os dados são atualizados e compartilhados? Verifique com que frequência você precisa atualizar os dados e quem precisa acessá-los. Isso deve ajudar na seleção das ferramentas mais adequadas para compartilhar relatórios com a equipe.

Depois de responder a essas perguntas, você pode decidir qual abordagem deseja usar para arquitetar seus dados: data lakes, malha de dados ou um hub de dados. De acordo com uma pesquisa recente da McKinsey, apenas 8% das implementações de data lake passaram da prova de conceito para a produção.

De acordo com a KPMG, apenas 35% das organizações pesquisadas têm um alto nível de confiança no uso de análise de dados por sua organização. Para corrigir esse problema, você precisa criar confiança e ativar seus dados. Comece fazendo a si mesmo as seguintes perguntas:

1. Onde os dados podem desencadear ações automatizadas?
2. Como usamos os dados para segmentação e personalização?
3. Como construímos confiança nos dados?
   

Para ativar seus dados, você precisa ter certeza de que

• Os dados são confiáveis ​​e as pessoas confiam nos números que veem. Isso pode ser feito por meio de diferentes abordagens de teste e monitoramento.
• Os dados estão disponíveis para colaboração. Vá e converse com as partes interessadas na organização para entender sobre quais dados eles precisam agir.
• Você tem um conselho de governança de dados responsável por supervisionar todos os processos relacionados a dados.

John compartilhou alguns exemplos da vida real, incluindo a história de uma emissora americana sem fins lucrativos e a abordagem que a equipe de descoberta de dados usou para construir uma estratégia de dados executável. As etapas pelas quais passaram foram definindo as metas, alinhando-as com os objetivos de negócios e configurando as medidas:

Depois que todos esses objetivos de negócios foram escritos, a equipe de Data Discovery os priorizou com base no impacto nos negócios e no nível de esforço necessário e definiu seu roteiro de implementação, passando das tarefas mais importantes e valiosas para as menos importantes:

Não deixe que a baixa taxa de sucesso das implementações de data lake assuste você. O impacto potencial de uma implementação bem-sucedida é muito maior do que o investimento necessário. Para começar e evitar os erros de outras empresas, use estes 10 segredos de análise de escala. Você sempre pode se inspirar olhando estudos de caso de outras empresas. Aqui estão alguns exemplos:

• A Ile de Beaute usou análises de ponta a ponta para medir o efeito ROPO
• Análise de ponta a ponta construída e confortável em nove etapas simples
• BUTIQUE. melhorou o LTV do cliente combinando dados

A próxima sessão foi chamada de “Birds of a Feather”, onde todos poderiam nomear um tópico ou ponto de dor que desejavam discutir e passar para uma mesa para encontrar colegas com ideias semelhantes para uma discussão aprofundada. Pessoalmente, gostei muito desta sessão porque me deu algumas ideias sobre um problema que eu não sabia como resolver.

Michele é uma palestrante carismática que sabe como chamar a atenção das pessoas, e gostei muito de como ela mostrou os truques do nosso cérebro – memória de trabalho limitada, viés de confirmação, conformidade com a norma etc. – que foram comprovados por estudos clássicos. É importante que os analistas estejam cientes dessas contradições, porque a análise e a otimização tratam do uso de métodos quantitativos para entender as pessoas e por que elas fazem o que fazem. Aqui estão algumas das ressalvas:

• Ao apresentar informações, você precisa trabalhar dentro dos limites dos sistemas perceptivos e de memória.

De acordo com George A. Miller, um famoso psicólogo, a quantidade de informação que podemos reter na memória de curto prazo é de sete mais ou menos dois itens. Um item é um pedaço de informação, como uma palavra, número, ponto de dados, etc. É por isso que esperar que os usuários estabeleçam conexões entre dois pontos de dados com seis páginas de distância ou trinta slides atrás é uma receita para o fracasso.

• Mesmo que seus dados pareçam evidentes, se você chegar com “notícias de última hora” que vão contra o que a empresa sabe, pensa ou acredita há algum tempo, pode precisar de mais dados para apoiar seu ponto de vista contrário.

Você também pode permitir bastante tempo para discussão em vez de simplesmente enviar suas descobertas, pois essas discussões são críticas para obter adesão a esse novo ponto de vista. “Um homem com uma convicção é um homem difícil de mudar. Mostre-lhe fatos ou números e ele questiona suas fontes. Recorra à lógica e ele não entenderá seu ponto de vista”, disse Leon Festinger.

Isso também é chamado de teoria da dissonância cognitiva. Ela nos diz que as pessoas não gostam do sentimento de inconsistência (por exemplo, entre nossas crenças e nossas ações). Procuramos reduzir esse sentimento desconfortável justificando nossas crenças e evitando informações que possam entrar em conflito.

• Ao trabalhar com dados, não pare na sua primeira hipótese. Pode ser influenciado pelo seu viés cognitivo.

Nosso cérebro é construído de uma maneira que procura afirmar as crenças existentes. E isso pode levá-lo a um erro, pois pode haver muitas razões pelas quais os dados mostram o que fazem. Na verdade, acho que entender e reconhecer esse viés é muito útil ao entrevistar pessoas.

Você geralmente obtém sua primeira impressão em 15 segundos e, depois disso, seu cérebro está procurando algo que suporte essa primeira impressão. É super importante perceber esse momento e começar a procurar fatos que sustentem uma posição contrária. Isso o ajudará a escapar de seu viés cognitivo.

• Se você tem descobertas analíticas que desafiam o status quo, você deve discuti-las lentamente e individualmente.

Evite colocar as pessoas no local para concordar ou discordar dentro de um ambiente de grupo, porque é menos provável que as pessoas de um grupo defendam suas novas descobertas contra a norma do grupo. Da mesma forma, isso argumenta contra pular direto para uma sessão de brainstorming em grupo. Uma vez em um grupo, 76% das pessoas concordarão com o grupo (mesmo que estejam erradas!), então é mais fácil obter ideias mais variadas e minimizar o pensamento de grupo, permitindo brainstorming individual e desinibido e coletando todas as ideias primeiro.

Esse efeito é chamado de conformidade com a norma e foi comprovado por Ash em seus experimentos em 1951.

• Ao trazer descobertas, faça uma recomendação sobre como usá-las e seja o mais específico possível.

Defina de quem é a responsabilidade de agir se algo mudar e certifique-se de que você foi ouvido para não ficar preso pelo efeito espectador – quanto mais espectadores estiverem presentes, menor a probabilidade de um indivíduo intervir e ajudar. Um ótimo exemplo disso é em uma emergência médica quando todos estão apenas de pé e esperando que alguém aja.

Há muito mais exemplos e preconceitos que você pode encontrar na apresentação de Michele. Se você estiver interessado em aprender sobre vieses, confira este artigo sobre psicologia prática para cientistas de dados de Conor Dewey.

Durante o almoço, ouvi uma palestra realmente inspiradora sobre identificação de personalidade de liderança de Valerie Kroll , Diretora de Otimização da Search Discovery e Presidente do Conselho de Administração da Digital Analytics Association.

Em sua palestra, Valerie compartilhou sua jornada de 12 anos de estagiária quant até onde ela está agora e seu caminho para se tornar uma líder. Aqui estão várias lições que ela aprendeu:

• Você não precisa gerenciar pessoas para ser um líder. Um líder motiva e inspira os outros a agir voluntariamente; eles carregam a cultura e desafiam construtivamente o status quo. Posso acrescentar também que, para ser líder, é preciso ter forte empatia e disposição para assumir responsabilidades.
• Encontre oportunidades de liderança e não seja ultrapassado pela síndrome do impostor:
  

Para combater a síndrome do impostor, use suas habilidades analíticas – tente analisar os fatos e avaliar seu progresso e nível atual com base neles, anote seus pontos fortes e conquistas e encontre maneiras de aplicar suas habilidades. Além disso, você pode tentar The Anxiety and Phobia Workbook por Edmund J. Bourne.

• Se você enfrentar preconceitos ou discriminação, converse sobre isso, de preferência com o infrator. Se não, encontre um colega, mentor ou alguém do RH. Se sua empresa não possui processos para lidar com um problema importante, traga-o à tona. Não tenha medo ou vergonha de quem você é – sua idade, sexo, nacionalidade, etc. Talvez seja algo que o faça bem sucedido e o ajude a trazer uma perspectiva diferente.
• Construa sua marca pessoal nas redes sociais e estimule o modelo em forma de T, evoluindo não só em amplitude, mas também em profundidade.
  
• Aproveite sua rede fazendo conexões reais e tenha um pitch de elevador pronto para uso. Encontre conexões em encontros, peça às pessoas que o apresentem a outras pessoas interessantes e desenvolva essas conexões fornecendo valor. Esteja pronto para compartilhar o que você está trabalhando que está criando mais valor e é o mais inovador em menos de um minuto.
  
• Procure mentoria. Pode ser mútuo, porque a melhor maneira de dominar uma habilidade é ensinar alguém. Ao procurar um mentor, considere as soft skills e as hard skills, concentrando-se em seus objetivos de carreira.
  

A propósito, o DAA tem um programa de mentoria Women in Analytics, então se você estiver interessado, dê uma olhada.

Então já era hora de compartilhar minha história sobre Analisando Analistas para Melhorar a Eficiência do Processo . O crescimento de uma equipe requer muito tempo e esforço e as ferramentas de gerenciamento adequadas. Os pontos problemáticos são comuns: distribuição ineficiente de tarefas, falta de tempo para ensinar e treinar novos funcionários, falta de tempo para analistas experientes fazerem P&D e melhorarem suas habilidades, não ter ideia de quanto tempo um determinado funcionário gastou em quais tarefas e o lista continua. Usamos data lakes para melhorar a estimativa de tarefas, garantir que as lições aprendidas dolorosamente sejam compartilhadas com todos e equilibrar as prioridades do projeto.

Como resultado nós

1. percebemos que a carga de trabalho de um analista está longe do que esperávamos e que os valores médios podem esconder nossas zonas de crescimento
2. provou que a maioria de nossos analistas (~85%) respondeu a e-mails no prazo
3. mapeou as tarefas típicas com as quais nos deparamos, quanto tempo geralmente leva para realizá-las e como o tempo para cada tarefa específica pode variar
4. encontrou pontos fracos e fortes para cada analista personalizar seu plano de desenvolvimento pessoal
   encontrou áreas para automação.

Você pode encontrar meus slides no Slideshare e um artigo no ConversionXL que mostra nossa experiência.
Infelizmente, perdi as palestras de Garry Angel, Tim Wilson, Matt Gershoff e Moe Kiss, mas ouvi todos falarem na Superweek e sei que são brilhantes. Mesmo sentindo falta das palestras deles, foi ótimo vê-los novamente no #MASConf!

A última sessão do Marketing Analytics Summit foi uma gravação ao vivo do podcast Analytics Power Hour. Cada episódio deste podcast tem um tópico fechado e um fórum aberto.

O público gostou de ouvir Michael Helbling , líder de prática de análise da Search Discovery, Moe Kiss, consultor de análise e Tim Wilson , diretor sênior de análise da Search Discovery compartilhar seus pensamentos e experiências. Você pode encontrar nossa entrevista exclusiva anterior com Tim Wilson sobre o estado da análise moderna aqui. Além disso, você pode encontrar o episódio do Marketing Analytics Summit aqui. Eu encorajo você a ouvir outros episódios também.

1. Não tome um título pelo valor de face; corte o hype e concentre-se no impacto que você oferece.
2. Para entender se a análise de autoatendimento funciona em sua empresa, pergunte à sua equipe se eles têm o suporte de dados de que precisam para realizar seu trabalho com eficiência e se conseguem obter dados em um prazo que atenda às necessidades de negócios.
3. Use uma matriz de função de dados para garantir que todos entendam o que pode ser esperado de cada posição.
4. Seja proativo quando se trata de qualidade de dados, não reativo.
5. Apenas 11% dos profissionais de marketing se sentem “muito confiantes” na precisão de seu modelo de atribuição. Mas isso não significa que você não deve tentar.
6. Para avaliar seu nível de maturidade de dados, você precisa avaliar seus dados em três categorias diferentes: insight unificado (medição e atribuição de desempenho), dados unificados (dados em silos, colocalizados ou unificados) e base de dados predefinida (precisão de rastreamento, ponto de contato cobertura, padronização de taxonomia).
7. As empresas que vinculam as métricas de marketing aos resultados de negócios desejados têm duas vezes mais chances de exceder significativamente esses resultados. E as empresas que vinculam métricas de marketing a metas de receita têm três vezes mais chances de exceder significativamente essas metas.
8. Tanto os especialistas quanto os analistas de marketing querem uma coisa: as ferramentas e os processos certos para saber o que começar, parar e continuar fazendo para atingir suas metas de marketing.
9. Use um plano de sucesso para alinhar as atividades de marketing com os objetivos de negócios da sua empresa e demonstrar o valor dos investimentos em marketing e análise para a liderança sênior.
10. Concentre-se primeiro nos processos de geração de receita, pois eles trazem mais impacto.
11. Para fazer seus processos funcionarem, mapeie-os, analise-os e comunique-os à equipe.
12. A interação física é mais fácil de entender e parece mais persuasiva do que a digital – a atenção física leva a um recall da marca 70% maior. Então, para ser lembrado pelo seu público, você precisa envolver mais sentidos, reduzir as distrações e incentivar a interação.
13. Controle sua marca com SEO on-SERP, pois a página de resultados de pesquisa é sua nova página de destino. Você precisa aproveitar os rich snippets e reivindicar seus painéis.
14. Dobre a criação de demanda de marca.
15. Aproveite os algoritmos sociais alternando postagens não promocionais e promocionais.
16. Use o storytelling para criar conteúdo conectado à sua marca, que gere alto engajamento e crie ressonância emocional.
17. Existem três problemas principais com dados: falta de alfabetização de dados, silos de dados e falta de confiança nos dados. Todos esses problemas podem ser resolvidos com uma estratégia de dados executável – um plano para usar os dados propositalmente que inclui entender seus dados, arquitetá-los para torná-los úteis e ativá-los para causar impacto nos negócios.
18. A ficologia e a análise estão conectadas – esteja ciente dos atalhos mentais e use-os para alavancar seus poderes de análise e marketing.
19. Para encontrar seu modelo de liderança, use suas diferenças, desenvolva sua rede e marca pessoal, procure um mentor e mentorado, combata a síndrome do impostor e inspire outras pessoas.
20. Quanto antes melhor. Coletar, mesclar e preparar dados é cerca de 75% de seus esforços. Certifique-se de confiar na qualidade dos dados que está coletando.
21. Comece com um painel de MVP. Concentre-se em não mais de 10 KPIs críticos.
22. Defina o que você fará se uma métrica mudar drasticamente às 17h de sexta-feira. Você deve ter um plano sobre o que fazer se uma métrica subir ou cair inesperadamente. Se você não tem ideia de por que deve ter esse plano para uma determinada métrica, considere se precisa rastreá-la.

PS Tem sido uma grande experiência. Um agradecimento separado vai para Jim Sterne por me convidar e para Roxanne Glavina, Gestão de Palestrantes da Rising Media, Inc. pela organização tranquila.