Исследование OWOX BI о состоянии цифровой аналитики: интервью с Тимом Уилсоном

Вопросы для этого интервью были подготовлены Марией Бочевой, директором по развитию бизнеса OWOX BI, после встречи с Тимом Уилсоном на конференции Superweek. Все фотографии были любезно предоставлены Баноци Золтаном, основателем Superweek – European Analytics Summit.

Было очень приятно получить такую ​​глубокую информацию от Тима Уилсона (следите за ним в Твиттере), активного аналитика с огромным опытом и позитивным взглядом на жизнь.

Тим работал со многими аспектами маркетинга и данными о клиентах более 15 лет. Он руководил отделом бизнес-аналитики в высокотехнологичной компании B2B с оборотом 500 млн долларов и консультировал несколько крупнейших интернет-магазинов по вопросам применения цифровой аналитики в их бизнесе. Тим — дружелюбный к маркетологам специалист по данным. А теперь он старший директор по аналитике в Search Discovery.

Search Discovery — это компания, занимающаяся бизнес-аналитикой и аналитикой, которая позволяет организациям использовать данные для повышения эффективности бизнеса.

Какие профессиональные навыки наиболее важны для аналитиков сегодня? Должен ли аналитик знать SQL, Python и R и создавать информационные панели в наиболее распространенных инструментах визуализации, таких как Data Studio, Tableau и QlikView?

Это одна из тех довольно горячо обсуждаемых тем в последнее время. Начнем с того, что аналитики должны очень хорошо знать электронные таблицы — Google Sheets и Excel . Даже если это не то место, где они выполняют большую часть своей работы, они почти всегда будут получать и отправлять информацию с помощью электронных таблиц на довольно регулярной основе.

И если аналитику не очень удобно работать с функцией ВПР и сводными таблицами , ему будет сложно работать с любой другой платформой, на которой он проводит анализ.

Оттуда удобство работы с инструментом BI/визуализации (я бы добавил Power BI в список в вашем вопросе) становится все более важным требованием, хотя есть еще много компаний, которым еще предстоит инвестировать в один из них. По этой причине я большой поклонник Google Data Studio — даже если компания не перешла на платную платформу, аналитики должны знать, как автоматизировать некоторую базовую визуализацию и исследование своих ключевых данных таким образом, чтобы они могли делиться со своими заинтересованными сторонами.

Я вижу множество аналитиков, чьи дни заняты выполнением полезной работы, не пройдя очень крутую кривую обучения, необходимую для свободного владения этими языками. Но есть предел тому, что можно сделать с платформами Excel и BI.

Для аналитика или организации, которая имеет большие объемы детализированных данных, которые они хотят использовать в моделях, SQL и Python или R быстро становятся обязательными.

И я бы добавил третий класс сложных навыков: статистика . Это означает выход за рамки сводных статистических данных, таких как среднее значение, медиана и стандартное отклонение, и понимание того, как и где можно использовать регрессию и корреляцию, а также p-значения и R-квадрат. Это касается как более глубокого понимания природы данных, так и фактического развертывания этих статистических методов.

Какими soft skills должен обладать хороший аналитик?

Есть много! Эффективные коммуникативные навыки находятся в верхней части списка, и это включает в себя все, от индивидуального взаимодействия с заинтересованными сторонами — активное выслушивание и понимание их потребностей — до применения лучших практик визуализации данных и возможности представлять результаты. анализа в ясной и понятной форме.

Хороший аналитик также проявляет любопытство (к бизнесу, к данным, к миру), скептичен (к тому, что показывают данные — каждый раз, когда случается сюрприз, он предполагает, что это проблема с данными, и копается, чтобы подтвердить) и обладает высокой степенью настойчивости (для преодоления проблем с данными и даже проблем с людьми / процессами в организации). Это могут быть скорее «черты характера», чем «навыки», но все они очень важны.

Как вы думаете, распространено ли недопонимание между аналитиками и маркетинговыми командами? Если да, то есть ли у вас какие-либо рекомендации, как это преодолеть?

Абсолютно! Аналитики и маркетологи говорят на разных языках. По моему опыту, аналитик действительно должен «говорить о маркетинге». Это сводится к нескольким вещам:

1. Прослушивание

Может возникнуть искушение начать решать проблемы ( Какие данные я могу получить, чтобы ответить на этот вопрос? ) преждевременно и фактически не исследовать основную бизнес-проблему, которую хочет решить маркетолог.

2. Не говорящий аналитик

Некоторое образование маркетолога — это хорошо — что означает метрика, каковы ограничения в данных — но я видел, как аналитики слишком быстро скатываются к терминологии глубокой аналитики, когда в этом нет необходимости.
Это может привести маркетолога в замешательство или, что еще хуже, почувствовать себя некомфортно или подавленно ( я не знаю, о чем говорит аналитик. Должен ли я? Он/она, кажется, думает, что я должен! ).

3. Никогда, никогда, НИКОГДА не говорите себе, что заинтересованные стороны глупы.

Это роковая ошибка — решить, что проблемы в отношениях — это вопрос интеллекта, а не общения.

Какие профессиональные ресурсы или мероприятия вы можете порекомендовать для аналитиков?

Главный ресурс, который я могу порекомендовать аналитикам, независимо от того, где они находятся, — это команда Measure Slack. Это бесплатно, и тысячи аналитиков постоянно взаимодействуют и обмениваются информацией друг с другом. Каждые несколько недель появляется дискуссионная ветка о том , какие ресурсы хороши для изучения X? или Какие хорошие конференции можно посетить для Y? так что это даже ресурс для идентификации ресурсов!

Отдельно есть несколько отличных конференций: MeasureCamp — это бесплатная неконференция, которую проводят по всему миру (и если рядом с вами нет такой, вы можете ее запустить!). Marketing Analytics Summit и Digital Analytics Hub — отличные конференции в США, а Superweek — отличный вариант в Европе.

Ассоциация цифровой аналитики продолжает расширять ресурсы, которые она предлагает своим членам, так что это отличный ресурс со всевозможными отличными материалами (и даже программой наставничества). Существует ряд МООК, таких как Coursera и edX, которые предлагают любое количество онлайн-курсов.

Наконец, если бы я прошел все это интервью и не включил подкаст Digital Analytics Power Hour, я был бы ужасным маркетологом! Но существует множество подкастов по аналитике, машинному обучению и искусственному интеллекту — слишком много (и слишком много, которые я не успеваю слушать регулярно) — чтобы я мог давать рекомендации.

Каких знаний не хватает аналитикам и маркетологам, чтобы сделать компании управляемыми данными?

Деловой контекст и глубокое понимание неопределенности. Я думаю, что первое, поскольку я постоянно вижу, как аналитики и маркетологи прыгают в данные, желая «найти ответы» и «генерировать идеи », не имея четко сформулированного бизнес-вопроса, ответ на который приведет к вероятному действию.

Последнее немного сложнее сформулировать. Но, возвращаясь к Джону Ваннамейкеру, отметившему в начале 1900-х годов, что «половина денег, которые я трачу на рекламу, тратится впустую; я просто не знаю, какая половина», маркетологи и аналитики ожидали, что данные скорее дадут «правду». чем научиться действовать в вероятностном мире.

Хотя мы можем знать «правду» о прошлом, например, сколько трафика пришло на мой сайт в прошлом месяце? (и даже это не «правда» — в сборе данных существует много беспорядка, из-за которого даже это число является всего лишь оценкой), эффективное использование этих данных для воздействия на будущее означает развитие глубокого понимания того, как «истинно «Картина мира, которую данные рисуют, а затем действуют соответствующим образом.

Что самое важное должны сделать аналитики на разных стадиях зрелости бизнеса (стартап, малый и средний бизнес, малый и средний бизнес, предприятие)?

Я никогда не рассматривал этот вопрос. Это интересно! Я думаю, что стартапы, как правило, более ограничены в ресурсах и, как правило, в большей степени способны брать на себя некоторые риски, связанные с данными.

Таким образом, стартапы часто — по необходимости — должны быть хаотичными и собирать бесплатные инструменты с ограниченным управлением данными и некоторыми потенциально хрупкими (или даже ручными!) интеграциями. И это прекрасный способ работы, если есть признание того, что по мере роста потребуется созревание систем.

Как правило, это означает, что платформы данных необходимо будет пересмотреть и даже полностью заменить.

На другом конце спектра — предприятиях — управление становится действительно важным, поскольку все больше людей и процессов влияют на данные и полагаются на них. И, как правило, на аналитику можно выделить больше ресурсов, поэтому некоторые из них могут (или должны!) отвечать за управление и процессы, сводя к минимуму риск сбоя, затрагивающего большое количество ролей и, потенциально, даже -термин верхней линии бизнеса.

Какие трудности вы видите при внедрении аналитики и как вы оцениваете общее развитие рынка?

Если мы ограничим «внедрение» внедрением платформ сбора данных, возникнет множество проблем:

• Одностраничные приложения (SPA) очень популярны, и они создают проблемы с тегами.
• Переход потребителей на макроуровень к мобильным устройствам — и возросшая вероятность того, что они взаимодействуют с брендами на разных устройствах — сделали отслеживание между устройствами более важным для многих организаций, и нет простого способа добиться этого (это зависит от характера компания и сайт).
• Правила конфиденциальности, такие как GDPR и (в США) CCPA, добавили дополнительные ограничения и соображения в мир сбора данных.
• Блокировка отслеживания и удаления файлов cookie все чаще переходит от блокировщиков рекламы, установленных в крошечной части браузеров пользователей, к стандартным настройкам по умолчанию в самих браузерах, что, безусловно, может испортить данные!

Какую самую большую ошибку может совершить аналитик? Можете ли вы поделиться своими аналитическими ошибками?

Я думаю, что самая большая заслуга в том, что я так увлекся возней с данными, что вопрос « Чего я здесь пытаюсь достичь?» вопрос теряется.

Со мной это случалось чаще, чем мне хотелось бы признавать: я начал с совершенно правильного бизнес-вопроса, а затем втянулся в механику базовых данных и их сложность, а также в мою способность преодолевать эту сложность так, что, В конце проекта я проделал некоторые довольно интересные вещи с самими данными, но не сделал ничего, что действительно двигало бы бизнес вперед.

Как вы думаете, какое будущее у маркетинговой аналитики? Какие тенденции вы видите в будущем и что пользуется большим спросом?

Несмотря на мои прежние мысли о необходимости действительно сосредоточиться на основах, прежде чем погрузиться в науку о данных и машинное обучение, я думаю, что мы продолжим видеть все больше и больше компаний, эффективно использующих машинное обучение.

Основная причина этого заключается в том, что организации все чаще имеют доступ к необработанным данным о своих клиентах и ​​потенциальных клиентах — поведенческим, наблюдательным и демографическим.

10 лет назад, например, платформы цифровой аналитики в основном предоставляли агрегированные данные. В отчете может быть несколько параметров и показателей, но даже в этом случае доступные данные не были на уровне сеанса или на уровне человека.

Это изменилось, поскольку основные игроки на рынке цифровой аналитики начали предоставлять эти данные на уровне хитов, и любое количество новых маркетинговых платформ имеют такой уровень детализации с самого начала. И это данные, которые необходимы, чтобы действительно извлечь пользу из методов машинного обучения.

Какие проблемы вы видите на рынке сегодня?

Я вижу большую проблему в том, что существует огромное количество венчурных стартапов, которые, по сути, обещают рынку, что у них есть волшебная палочка ИИ для продажи. Во многих (большинстве) случаях это маркетинговая реклама.

Но поскольку технология приносит больше прибыли и по своей природе более масштабируема, чем люди или процессы, именно на это уходят маркетинговые доллары в отрасли, а это означает, что «рынок» бомбардируется сообщением о том, что если организация просто покупает и внедряет правильную технологию, она внезапно станет зрелой организацией данных, основанной на искусственном интеллекте.

В реальности так не бывает, поэтому многие организации выписывают крупные чеки за технологии, моря себя голодом, когда речь идет о штате аналитиков и внутренних инвестициях в усовершенствование аналитических процессов.

Какие аналитические задачи стоят перед вами прямо сейчас?

Мне по-прежнему приходится постоянно информировать своих клиентов о важности наличия основ: четко установленных ключевых показателей эффективности, надежного и надежного сбора данных, автоматизации повторяющихся задач и анализа, основанного на четко сформулированных гипотезах. Это вызов, который не изменился за последние 15 лет.

Более поздняя проблема — это ажиотаж вокруг науки о данных, машинного обучения и искусственного интеллекта. Часть проблемы на самом деле заключается в наращивании инструментов, которые используются в этих областях, а часть проблемы в том, чтобы удержать клиентов от желания гоняться за этими блестящими новыми объектами, когда их наибольшая ценность исходит от сосредоточения внимания на основах.

Спасибо за столько полезных советов, Тим! Мы надеемся, что за ним последуют более талантливые аналитики и весь рынок аналитики станет более образованным, увлеченным и профессиональным.

Будем на связи! Подпишитесь на наш блог, чтобы читать следующие интервью из нашего исследования о состоянии цифровой аналитики и адаптировать опыт ведущих аналитиков к своему бизнесу.

О чем бы вы спросили Тима? Дайте нам знать в комментариях ниже!