Игра в цифровую дженгу с современной маркетинговой аналитикой: интервью с Кристофером Пенном

Сегодняшнее интервью с Кристофером Пенном, главным специалистом по данным и соучредителем Trust Insights, наделало шума еще до того, как было опубликовано. Так что возьмите попкорн или чашку горячего чая и прочитайте эту статью об аналитике и аналитиках, современном мартехе и о том, куда все движется.

Как всегда, спасибо Марии Бочевой, которая провела эту замечательную беседу с Кристофером.

Источник: официальная страница Кристофера Пенна в Facebook.

Перейти прямо к интересным местам здесь:​

Мария Бочева: Не могли бы вы кратко рассказать о себе?

Кристофер Пенн: Я работал в сфере информационных технологий. Моя степень магистра связана с управлением информационными системами. Я начал работать в стартапе финансовых услуг в начале 2000-х. Обновление веб-сервера стало обновлением веб-сайта, а исправление запуска электронной почты стало отправкой рассылки по электронной почте.

В то время произошло то, что маркетинг стал маркетинговой технологией. Затем, в конце 2000-х и начале этого десятилетия, я перешел на полный рабочий день в маркетинг и начал работать с гораздо большим количеством данных. И именно тогда я стал гораздо больше сосредоточен на науке о данных. Я работал в PR-фирме около пяти лет и действительно начал больше интересоваться машинным обучением и искусственным интеллектом.
Я расстался с этой компанией около двух лет назад, потому что они шли в другом направлении. Я действительно хотел сосредоточиться на науке о данных и машинном обучении.

МБ: Вы упомянули науку о данных, машинное обучение и аналитику. Как вы думаете, какие трудные навыки наиболее важны сегодня?

КП: Есть три группы навыков. Если вы вернетесь в 1964 год, там был известный бизнес-стратег по имени Гарольд Ливитт, который утверждал, что есть три области, в которых каждый должен быть компетентен: люди, процессы и технологии.

Опытному аналитику или специалисту по обработке и анализу данных нужны способности во всех трех областях. Вам нужно понимать, что такое люди, как они работают, общую бизнес-стратегию и тому подобное, и вам нужно хорошо разбираться в проблемах, которые бизнес хочет решить. Вы также должны иметь представление о процессе — о том, как что-то делается — и уметь переводить это в работу, которую вы делаете. И затем, конечно, вам нужен доступ к технологии, навыки, математические знания для анализа данных — и вы должны уметь программировать.

Это три больших ведра, которые очень немногие люди имеют в равных и надежных количествах. Многие люди обладают навыками в одной области и слабы в двух других. И это, вероятно, одна из самых важных вещей, которую должен уметь делать аналитик, — выявлять свои слабые стороны. Чтобы иметь возможность сказать: « Да, это то, над чем мне нужно работать, чтобы поднять свой уровень до уровня, на котором я силен».

МБ: Это частично относится к мягким навыкам, поскольку я бы вряд ли назвал знание того, как люди работают, «жесткими навыками». Что ты об этом думаешь? Какие soft skills вы считаете важными?

CP: Разница между жесткими и мягкими навыками больше во внутреннем и внешнем. Ваши внешние навыки — это те, которые вы бы назвали твердыми навыками: способность разговаривать с другим человеком, читать выражение его лица и тому подобное.

Но внутренне это требует огромного самосознания. Это требует понимания вашего собственного эго, того, что делает вас более или менее эффективным в бизнесе, ваших слабостей, к которым вы должны приспосабливаться. Для некоторых людей это их эго, их способность сказать: « Да, я всегда должен быть прав» . Но нет.

А на самом деле это смертный грех в аналитике данных, да? Я помню, как работал с одной исследовательской фирмой, и их предложение было таким: «Что бы вы ни высказали, мы можем собрать данные для его подтверждения». Это не так работает. [Смеется] И тем не менее, они на самом деле уважаемая фирма, потому что они помогают компаниям изобретать данные для защиты того, что они хотят доказать. И поэтому люди имеют с ними дело, потому что они говорят то, что вы хотите услышать.

Еще один очень важный навык — уметь объяснять другим людям так, чтобы они могли их понять. Итак, опять же, есть такая эмпатия. И, наконец, третья вещь — это действительно возможность преподавать на нескольких уровнях, быть в состоянии знать, где кто-то находится (часть эмпатии), а затем адаптироваться к аудитории, с которой вы работаете.

Недавно я был на конференции Content Marketing World. И в одной аудитории у меня были люди, которые были кодерами. Поэтому я сказал программистам: « Хорошо, для вас это моделирование цепей Маркова, а для всех остальных — цифровая дженга» . Возможность адаптировать свое обучение к тому, где кто-то есть, является очень важным мягким навыком. Это очень сложно, если у вас нет опыта разработки учебных инструкций или вообще никакого опыта в этом. Я помогаю в школе боевых искусств моего учителя в течение 25 лет, и это отличный навык, который у меня есть — способность видеть, что кто-то борется с этим, им нужна помощь с этим, и определить, где кто-то находится в их собственный прогресс в их карьере очень важен. И это навык, которому не учат. Вы должны научиться этому на собственном опыте.

МБ: Как вы думаете, это также связано с рассказыванием историй и способностью представлять данные таким образом, чтобы люди могли их понять?

КП: Я согласен, что да. В психологии есть выражение, называемое «выбрасывать матрасы» — у каждого есть мысленный проход, ориентированный по-разному. И если вы бросите матрац в этот дверной проем, есть только определенное количество способов, которыми он пройдет. Но вход у всех разный. Итак, как формируется ваша аудитория? Можете ли вы бросить матрасы так, чтобы они прошли через как можно больше дверных проемов?

Я не люблю «рассказывание историй». И причина, по которой мне не нравится эта фраза, заключается в том, что маркетологи, особенно маркетологи, которые плохо разбираются в данных, имеют тенденцию быть слишком эгоцентричными, слишком ориентированными на компанию и говорить что-то вроде: « Мы собираемся рассказать ». вам рассказ о нашем замечательном продукте! Но никого это не волнует, верно? Расскажите истории, которые хочет аудитория. И это, опять же, восходит к эмпатии и самосознанию. Дело не в вас или компании. Это о том, что нужно аудитории.

МБ: Это отличный момент. Я полностью понимаю, что вы имеете в виду. Говоря о бросании матрасов и о том, что все люди разные, что вы думаете о недопонимании между аналитиками и маркетинговыми командами? Есть ли у вас какие-либо рекомендации о том, как можно улучшить общение?

КП: Я не думаю, что это большая проблема, потому что немногие маркетинговые команды вообще разговаривают с аналитиками или даже имеют к ним доступ. Большинство маркетологов, с которыми я разговаривал, вынуждены пытаться быть аналитиками, потому что в их компании нет [аналитиков] или компания использует их для решения более насущных бизнес-задач. Таким образом, более сложной задачей для этих бедных маркетологов является развитие каких-либо аналитических навыков для работы с данными, которые у них есть.

Я не могу сказать вам, сколько раз я разговаривал с маркетологом, который говорил: « О, да, у нас есть Google Analytics». Я не знаю, что это значит. Я ничего не знаю о Google Analytics. Так странно вести эти дискуссии. Это, знаете ли, не ракетная хирургия. Но опять же, возвращаясь к этому самосознанию, для них это ракетная хирургия, потому что они пришли в маркетинг, чтобы быть креативными, вдохновлять, хорошо писать, создавать вещи. Они занялись маркетингом не потому, что любили количественную науку. В противном случае они в первую очередь стали бы специалистами по данным.

Но сейчас маркетинговые технологии и цифровой маркетинг вынуждают их заниматься этой проблемой или игнорировать ее как можно дольше. Когда у них есть доступ к данным или доступ к аналитику, их успех будет зависеть от их самосознания.

У аналитиков нет хорошего словарного запаса по маркетингу, а у маркетологов нет хорошего словаря по науке о данных и анализу данных. Так что, вероятно, самое важное и простое, что можно сделать, это собрать людей в пятницу после обеда с напитком по вашему выбору и заставить их поговорить друг с другом. Потому что вы можете достаточно хорошо познакомиться с дисциплиной, просто слушая, как люди говорят о ней.

Кроме того, люди часто ездят на работу. И нет ничего плохого в том, что ваши специалисты по данным слушают маркетинговые подкасты, а ваши маркетологи слушают подкасты по науке о данных, чтобы действительно начать слышать словарный запас, слышать такие вещи, как регрессия, логистическая регрессия и случайный лес. И люди могут сказать: «О, я должен спросить свою команду, что это значит », или «В каждом из них есть разные типы данных, как мы с ними справимся?»

Это действительно заставляет всех слушать словарный запас других дисциплин как способ начать эти содержательные взаимодействия.

МБ: Мне очень нравится, как ты все это собрал. У меня есть опыт работы в аналитике, но я также работаю в области маркетинга. Для меня это никогда не было проблемой, потому что я сталкивался с обоими. Но многие люди, которые работали в одной области, не знакомы с другой.

КП: Точно.

МБ: Отлично. Что касается ошибок, как вы думаете, какую самую большую ошибку может совершить аналитик? Может быть, вы можете поделиться чем-то из своего опыта, с которым вы столкнулись?

КП: Что касается ошибок, которые допускают аналитики… Это человеческие проблемы, верно? Итак, номер один — это предвзятость допущения. То есть я знаю, к какому результату я стремлюсь, и мне нужно это доказать. Неа. Слово для этого нелюбопытно. Если вы нелюбопытны, вы не любопытны, вы не хотите найти правильный ответ. Вы хотите найти ответ как можно быстрее, или вы хотите найти ответ, который оправдывает предубеждение, которое у вас уже есть, результат, который вы уже оценили, и это человеческие проблемы, верно? Это не связано с технологией, и никакое программное обеспечение не исправит это. Никакой инструмент не исправит вашу нелюбознательность.

Так что это то, что мы должны тренировать как можно лучше и нанимать больше всего. А нанять можно из любопытства, да?

Раньше я задавал один вопрос на собеседовании, который, как мне казалось, всегда был забавным: я брал колоду обычных игральных карт и давал ее человеку на собеседовании. Я бы сказал: вот колода карт. Наведите порядок . Я никогда не указывал какой-то порядок или что-то в этом роде. Цель состоит в том, чтобы посмотреть на человека и увидеть, как он отреагирует на такое указание. Они паникуют? Это, наверное, не так . Ага, понял. Приведу в порядок . Но я не сказал, какой порядок я хотел. Опять же, у них есть предвзятость предположений, и это плохо. Они задают вопросы? Сколько вопросов они задают? Когда они копают, они подталкивают вас к этому? Это атрибуты, которые вы хотели бы иметь.

МБ: Давайте перейдем к следующей части нашего интервью о том же, но с другой точки зрения. Сегодня много модных словечек. Все говорят о том, что компании управляются данными, но не многие компании преуспевают в этом. Как вы думаете, почему? Есть ли что-то, чего нам не хватает с точки зрения аналитики или маркетинга, что могло бы вывести компании на новый уровень и помочь им расти и использовать имеющиеся у них данные?

КП: Это больше проблема человека, чем что-либо еще.

Быть управляемым данными означает, что вам нужно сначала принимать решения на основе данных — не опыта, не интеллекта, не инстинкта, не так, как мы всегда это делали .

Вам нужно посмотреть на данные и сказать: «Хорошо, это то, что говорят данные, и мы уверены в том, как они были обработаны, так что давайте принимать решения на их основе» .

Это требует преодоления того , что мой путь всегда правильный — как мы это называем, проблема Бегемота [мнение самого высокооплачиваемого человека]. Это такая культурная и человеческая проблема, которую трудно преодолеть, поэтому стать управляемым данными очень, очень сложно.

Во-первых, мой друг Том Вебстер из Edison Research говорит, что кого-то удерживает от управления данными, так это то, что они не могут иметь дело с данными, анализом и ответами, которые им не нравятся!

В боевых искусствах у нас есть выражение, что вам должно быть комфортно чувствовать себя некомфортно , что означает, что вам должно быть комфортно с частичными ответами, с неполными ответами, с отсутствием некоторых данных, которых у вас никогда не будет, и при этом быть в состоянии использовать данные способами, оказывающими влияние на бизнес. Дело не в том, что у людей есть проблемы со специализацией или специфическими навыками. Вы можете научить любой навык вообще. Проблема в том, можете ли вы сделать этот культурный сдвиг, чтобы сказать: «Да, даже если мне не нравится ответ, даже если мне не ясен ответ, я все равно буду использовать ответ для принятия решения» .

МБ: Так что это больше о культурном сдвиге.

КП: Это действительно так.

МБ: Говоря об этом культурном сдвиге, есть ли у вас какие-либо рекомендации, с чего начать?

КП: Работайте в компаниях, которые уже идут по этому пути. Звучит легкомысленно, но поскольку это очень человеческая вещь, если ДНК компании, в которой вы работаете, не такая, крайне сложно сделать этот поворот, особенно если лидерство не поддержало. Если лидерство похоже на , Нет, мы собираемся сделать это так, как делали всегда. Нашей компании 126 лет, и мы всегда так жили! Что ж, ты не передумаешь.

Недавно я обедал с кем-то на конференции. И они сказали: «Нашей компании 126 лет, а наш генеральный директор сказал, что мы просто хотим, чтобы ей исполнилось 1950 лет» . Почему не может быть 1950 год, когда люди просто покупают и используют наши продукты, а весь этот интернет исчезает? Что ж, плохие новости, этого не произойдет. [Смеющийся]

МБ: Это довольно сложно. Краткая история здесь: Мы работаем с одной компанией, которая имеет долгую историю. Они были основаны в 1908 году или что-то в этом роде как семейный бизнес, и с тех пор они производят нижнее белье. И они стали довольно большими. Сейчас они продаются во Франции, Нидерландах, Великобритании, Германии и так далее. И у них много обычных магазинов, и у них разные сети. У них есть сегмент люкс, сегмент масс-маркет и так далее. И в какой-то момент их команда электронной коммерции пришла к руководству и сказала: « Нам нужно увеличить наш бюджет, потому что наши расходы растут, мы увеличиваем продажи и так далее. И они сказали, знаете что, ребята, если мы посмотрим на общий доход, вы несете ответственность только за 5%.

Итак, команда электронной коммерции обратилась к нам и спросила: « Можете ли вы помочь нам доказать, учитывая исследования онлайн-покупок в автономном режиме, что мы на самом деле приносим больше прибыли компании и что мы влияем на большие цифры?» Мы запустили с ними проект, и он занял добрых пять или шесть месяцев. Но в итоге оказалось, что они давали почти 30–35% выручки. И это помогло им доказать, что они что-то делают, и это помогло им увеличить свой бюджет. Но да, потребовалось некоторое время, чтобы поговорить с советом директоров, показать цифры и попытаться изменить это внутреннее ощущение. Именно то, о чем вы говорили.

КП: Да. Культура жесткая. Люди жесткие.

МБ: Это подводит меня к другому вопросу. Я хотел бы вернуться к первому вопросу о сложных навыках. Вы говорили о платформе, людях и процессах, но что вы думаете о более технических вещах, таких как простой Python и умение создавать информационные панели? Может статистика? С чего важно начать тем, кто хочет глубже погрузиться в аналитику?

КП: Хорошо, у меня есть немного разглагольствования по этому поводу. Дашборды — это визуализация. Визуализация является важной частью анализа данных. И это одна из тех вещей, которые сами по себе являются искусством. Упомянутые вами технологии — SQL, Python, R и т. д. — не являются средствами визуализации. Это вычислительные инструменты.

И один из самых больших грехов во всей аналитике данных, но особенно в маркетинге, — это попытка заставить ваши инструменты визуализации выполнять вычисления.

Это как люди, которые пытаются сделать код своего веб-сайта и взаимодействовать с контентом, визуализацией. Ваши таблицы стилей и HTML не просто так разделены. Потому что визуализация отделена от вычислений. Вам абсолютно необходимы SQL, и Python, и R, и SPSS, и OWOX, и все, что вы используете для выполнения вычислений, и чтобы делать это хорошо — чтобы иметь возможность обеспечить весь анализ данных на бэкэнде, прежде чем они перейдут к визуализации.

Ни в коем случае ваша панель инструментов — ваши визуализации — не должны выполнять какие-либо вычисления. Вы не должны смешивать данные, вы не должны манипулировать данными. Все данные, которые входят в визуализацию, должны быть уже вычислены до того, как они туда попадут.

Потому что в противном случае вы столкнетесь с серьезной проблемой управления. Боссу нужно что-то изменить, но мы не знаем, как туда попала эта точка данных. Поэтому мы не знаем, как им манипулировать. Поэтому мы не можем внести никаких изменений. Мы должны сказать боссу: « Извините, нам понадобится шесть недель, чтобы распутать наши спагетти, чтобы понять, что здесь произойдет» .

Когда вы отделяете вычисления от визуализации и босс говорит: « Эй, я хочу этого», вы говорите: « Отлично, я собираюсь перейти на свой уровень вычислений, загрузить нашу студию и внести изменения в код и логику вычислений» . И я выдвину новую точку данных или изменю точку . И это приводит к Да, гистограмма, новая гистограмма, вот она . И он сохраняет изменения в чистоте, он держит версии под контролем. И это значительно упрощает управление всеми манипуляциями с данными, особенно в масштабе.

Если вы занимаетесь маркетингом все-в-одном, вам, вероятно, сойдет с рук один человек, один магазин, один инструмент. И вы не столкнетесь с проблемой контроля версий, потому что вы единственный человек, который за это отвечает. Однако, если вы уйдете или вас уволят, эта компания полностью разорится. И это худшая практика.

Если вы работаете в крупной компании, где в отделах аналитики и маркетинга работает несколько человек, вы должны разделять вычисления и визуализацию. В противном случае вы потратите столько времени и денег, просто пытаясь выяснить, где хранятся данные и кто за них отвечает.

Другая вещь — и это так важно для соблюдения GDPR, CCPA и других правил — это то, что если визуализация и вычисления смешиваются вместе, у вас возникает проблема контроля доступа. У вас есть проблема, когда вы не можете установить границы в отношении того, кто имеет доступ к данным, что означает, что вы можете утечь данные, вы можете предоставить их сотрудникам, которые не должны иметь доступ к определенным источникам данных.

Когда вычисления управляются и обрабатываются отдельно, вы можете ограничить их и сказать своей группе визуализации: « Вы можете визуализировать все, что вам разрешено иметь », и ни в коем случае никакая конфиденциальная личная информация никогда не будет передана группе визуализации для хранения. это безопасно от них. Это так важно, чтобы люди делали это, чтобы хранить эти вещи отдельно и в чистоте.

Так нужно ли аналитику, отвечающему за визуализацию, знать эти языки? Точно нет. Нужно ли это знать специалисту по вычислениям? Сто процентов да.

МБ: У вас есть большой аргумент здесь. Мне очень нравится подход, когда мы визуализируем готовые наборы данных и в них нет вычисляемых полей.

И я хотел бы прояснить один вопрос, который я уже задавал. Существуют разные этапы бизнеса или разные размеры предприятий или предприятий, работающих в разных масштабах. Вы можете посмотреть на это с разных сторон. SMB, SME, предприятия — у всех разные требования к аналитической команде, или, по крайней мере, так кажется. Что вы думаете? Как вы думаете, есть ли разница в требованиях к аналитикам в компаниях разного типа?

КП: По сути, у всех одна и та же цель в маркетинге — помочь увеличить прибыль. Верно? Если ваша цель в маркетинге не состоит в том, чтобы помочь увеличить доход, я не уверен, что вы делаете в маркетинге. Но что бы вы ни делали, вы делаете это неправильно. Потому что, в конце концов, наша задача — оказывать влияние. Дело не в том, что нужно делать разные вещи. По мере масштабирования вашей компании задачи становятся более специализированными. Когда вы представляете шоу из одного человека в небольшой компании, вы веб-дизайнер, парень или девушка, занимающаяся электронной почтой, аналитик, статистик, возможно, специалист по обслуживанию клиентов.

По мере роста вы нанимаете. И когда вы нанимаете, вы специализируетесь. Вы начинаете разделять отдельные задачи. И у каждой задачи теперь своя отчетность и свои данные, своя визуализация. Итак, в конце концов, компании чаще всего ошибаются в том, что упускают из виду тот факт, что каждая из этих специализаций, особенно на предприятии, по-прежнему должна достигать той же цели, что и все, а именно: Оказали ли мы влияние на бизнес? Помогаем ли мы компании зарабатывать деньги, экономить деньги или экономить время? Растить клиентов? Все эти вещи.

Таким образом, в зависимости от того, на каком этапе жизненного цикла находится ваша компания, ваша роль, если вы являетесь разумным аналитиком, состоит в том, чтобы спросить себя: что я делаю, что способствует достижению этой общей цели? Каковы мои лично KPI? Согласованы ли мои личные KPI с KPI отдела? Согласованы ли они с бизнесом? Определение, которое я использую во всех своих выступлениях — вы слышали его на конференции MAICON [Конференция по маркетингу искусственного интеллекта] — это то, что KPI — это число, которое определяет, получите ли вы бонус или будете уволены, верно? Это КПЭ. Если это число, и вы не получите бонус или не будете уволены за это, это показатель.

Итак, если вы посмотрите с этой точки зрения, над какими ключевыми показателями эффективности вы работаете, над которыми работает ваша команда, над которыми работает ваш отдел, над которыми работает ваша компания? И вы посмотрите на эти цифры, и иногда они не будут иметь никакого смысла. И если это так, то вы, как аналитик, должны знать об этом, поднять флаг и сказать: « Ребята, я не уверен, что это окажет какое-либо влияние на бизнес». И если компания скажет, что вам все еще нужно это сделать, тогда вы начнете обновлять свой профиль LinkedIn. Потому что, если компания работает над бессмысленными KPI, она разорится. Это только вопрос времени.

МБ: Чтобы убедиться, что я вас правильно понял, нет никакой разницы в требованиях к аналитикам в малых и крупных компаниях, потому что цель для всех — прибыль.

CP: Да, доход и влияние на бизнес — вы помогаете компании зарабатывать деньги, экономить деньги или экономить время? Это три функции, которые нужны всем и каждому бизнесу. Это то же самое, о чем мы говорим уже 10 тысячелетий: лучше, быстрее, дешевле … все этого хотят. Так что же мы делаем, чтобы сделать наш бизнес лучше, быстрее и дешевле?

КП: Ага. И это одна из самых больших проблем в машинном обучении и искусственном интеллекте сегодня — не только знать, что происходит внутри коробки, но и интерпретировать и объяснять это.

Объяснимость — это апостериорное объяснение того, что сделала модель, например, эта вещь прошла, а эта — нет. Когда вы смотрите на такие правила, как GDPR, этого недостаточно. 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, Спасибо за это. 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, Конец истории. 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!

Wow! 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!