สิ่งที่ฉันเรียนรู้จาก Marketing Analytics Summit 2019 ในลาสเวกัส [วันที่ 2]

นี่คือความต่อเนื่องของการสรุปการประชุมสุดยอด Marketing Analytics Summit ของฉัน หากต้องการเรียนรู้เกี่ยวกับการพูดคุยตั้งแต่วันที่ 1 และงาน Marketing Analytics Summit ที่กำลังจะมีขึ้นทั่วโลก โปรดดูบทความก่อนหน้า

• “กลยุทธ์ข้อมูลที่ปฏิบัติการได้” โดย John Lovett
• “สิ่งที่คุณต้องรู้เกี่ยวกับตัวคุณ – จิตวิทยาสู่ความสำเร็จ” โดย Michele Kiss
• “การระบุบุคลิกความเป็นผู้นำ” โดย Valerie Kroll
• “การวิเคราะห์นักวิเคราะห์เพื่อปรับปรุงประสิทธิภาพกระบวนการ” โดย Mariia Bocheva
  

วันที่ 2 เริ่มต้นด้วยการนำเสนอประเด็นสำคัญจาก John Lovett ผู้อำนวยการอาวุโสด้าน Data Strategy ที่ Search Discovery การพูดคุยของเขาเกี่ยวกับกลยุทธ์ข้อมูลที่สามารถดำเนินการได้ ซึ่งเป็นแผนสำหรับการใช้ข้อมูลโดยมีจุดประสงค์ซึ่งรวมถึงการทำความเข้าใจข้อมูลของคุณ การออกแบบข้อมูลของคุณเพื่อให้มีประโยชน์ และการเปิดใช้งานข้อมูลของคุณเพื่อสร้างผลกระทบต่อธุรกิจ

องค์กรต้องการกลยุทธ์ข้อมูลเพื่อเป็นแนวทาง เนื่องจากการควบคุมข้อมูลในสภาพแวดล้อมทางธุรกิจในปัจจุบันอาจซับซ้อนและสับสน ปัญหาข้อมูลสมัยใหม่มีอยู่ 3 ปัญหา ได้แก่ การขาดการรู้เท่าทันข้อมูล ไซโลข้อมูล และการขาดความเชื่อถือในข้อมูล

ปัญหาอยู่ที่ระดับ C และหัวหน้าแผนกมักไม่เข้าใจข้อมูล ตามรายงาน "Gartner Trend Insight Report: Fostering Data Literacy and Information ภายในปี 2020" 80% ขององค์กรวางแผนที่จะเริ่มการพัฒนาความสามารถโดยเจตนาในด้าน data literacy โดยยอมรับถึงความบกพร่องขั้นสุดขีด

คุณสามารถแบ่งความรู้ข้อมูลออกเป็นสามกลุ่ม:

• การรู้เท่าทันเมตริก – เมื่อผู้คนรู้ว่าข้อมูลหมายถึงอะไร ให้ใช้คำเดียวกัน และเข้าใจคุณค่าเบื้องหลัง นี่เป็นระดับสำคัญที่ช่วยให้ทุกคนในทีมพูดภาษาเดียวกันได้
• การรู้เท่าทันเครื่องมือ – เมื่อผู้คนสามารถให้บริการตนเองตามความจำเป็นของข้อมูลตามความเหมาะสม และตระหนักถึงศักยภาพและกลอุบายและข้อจำกัดของเครื่องมือ ประเด็นนี้สัมพันธ์กับการพูดคุยของจูนเกี่ยวกับการวิเคราะห์บริการตนเองที่ Twitch ของเดือนมิถุนายน
• ความรู้เชิงแนวคิด – เมื่อผู้คนเข้าถึงและใช้ข้อมูลด้วยความชัดเจนและซับซ้อน และสามารถอธิบายตนเองได้โดยใช้ข้อมูล

ในการที่จะมีความรู้ด้านข้อมูล คุณต้องเข้าใจข้อมูลของคุณ การตอบคำถามต่อไปนี้น่าจะช่วยได้:

1. ข้อมูลประเภทใดที่เรามีและประเภทใดบ้างที่เราต้องตอบคำถาม ใช้คลังข้อมูลเชิงโต้ตอบ พจนานุกรมข้อมูล และแค็ตตาล็อกเพื่อทำความเข้าใจว่าข้อมูลมาจากไหนและประกอบด้วยอะไร
2. ผู้ใช้สามารถบริการข้อมูลด้วยตนเองหรือต้องการให้บุคคลอื่นให้บริการได้หรือไม่?
3. ใครบ้างที่เข้าถึงข้อมูลของเราและจะใช้ข้อมูลได้อย่างไร?
4. ผู้ใช้มีความเข้าใจที่ถูกต้องเกี่ยวกับข้อมูลของเรา หรือเรากำลังพูดภาษากรีก
5. มีความสะดวกสบายในการใช้ข้อมูลในระดับสูงหรือไม่ หรือต้องลำบากทุกครั้งที่ต้องสร้างรายงานใหม่
   

ไม่น่าแปลกใจเลยที่บริษัทส่วนใหญ่จะต่อสู้กับข้อมูลที่กระจัดกระจายเพราะแหล่งข้อมูลของพวกเขาไม่ได้พูดคุยกัน:

ในการทำลายคลังข้อมูลเหล่านี้ คุณต้องกำหนดที่มาของข้อมูลและวิธีเชื่อมต่อ จากนั้นคุณสามารถจัดลำดับความสำคัญของสิ่งที่ควรดำเนินการก่อน ต่อไปนี้คือคำถามบางส่วนที่จะช่วยคุณได้:

1. มีการเชื่อมต่อข้อมูลและ API ใดบ้าง แหล่งที่มาส่วนใหญ่ที่คุณต้องการเชื่อมต่อสามารถผสานรวมผ่าน API สำเร็จรูปหรือเครื่องมือของบุคคลที่สาม ดังนั้นอย่าเสียเวลาและทรัพยากรอื่นๆ ในการสร้างการผสานการทำงานของคุณเอง
2. การแปลงใดบ้างที่จำเป็นสำหรับการวิเคราะห์ โดยปกติ ข้อมูลของคุณจะอยู่ในรูปแบบที่แตกต่างกันและด้วยความเร็วที่แตกต่างกัน ดังนั้นเพื่อที่จะดึงข้อมูลนั้นมาไว้ในรายงานเดียว คุณต้องดำเนินการกับมันล่วงหน้า คิดเกี่ยวกับเรื่องนี้ล่วงหน้าและวางแผนตามนั้น
3. มีกระบวนการแบบบูรณาการในชุดข้อมูลหรือไม่? ลองนึกถึงกระบวนการที่จะได้รับอิทธิพลจากการมีข้อมูลนี้เข้าที่
4. ข้อมูลจะรีเฟรชและแชร์เมื่อใด ตรวจสอบว่าคุณต้องอัปเดตข้อมูลบ่อยเพียงใดและใครต้องการเข้าถึงข้อมูล ซึ่งจะช่วยในการเลือกเครื่องมือที่เหมาะสมที่สุดสำหรับการแชร์รายงานกับทีม

เมื่อคุณตอบคำถามเหล่านี้แล้ว คุณสามารถตัดสินใจได้ว่าต้องการใช้แนวทางใดในการสร้างสถาปัตยกรรมข้อมูลของคุณ: data lake, data fabric หรือ data hub จากการวิจัยล่าสุดของ McKinsey พบว่ามีเพียง 8% ของการนำ data Lake ไปใช้งานที่เปลี่ยนจากการพิสูจน์แนวคิดไปสู่การผลิต

จากข้อมูลของ KPMG มีเพียง 35% ขององค์กรที่ทำการสำรวจเท่านั้นที่มีความไว้วางใจในระดับสูงในการใช้การวิเคราะห์ข้อมูลขององค์กร ในการแก้ไขปัญหานี้ คุณต้องสร้างความเชื่อถือและเปิดใช้งานข้อมูลของคุณ เริ่มต้นด้วยการถามตัวเองด้วยคำถามต่อไปนี้:

1. ข้อมูลสามารถกระตุ้นการดำเนินการอัตโนมัติได้ที่ไหน
2. เราใช้ข้อมูลเพื่อการกำหนดเป้าหมายและการปรับเปลี่ยนในแบบของคุณอย่างไร
3. เราจะสร้างความเชื่อถือในข้อมูลได้อย่างไร
   

ในการเปิดใช้งานข้อมูลของคุณ คุณต้องตรวจสอบให้แน่ใจว่า

• ข้อมูลมีความน่าเชื่อถือและผู้คนเชื่อถือตัวเลขที่เห็น ซึ่งสามารถทำได้ด้วยวิธีการทดสอบและติดตามผลแบบต่างๆ
• มีข้อมูลสำหรับการทำงานร่วมกัน ไปพูดคุยกับผู้มีส่วนได้ส่วนเสียในองค์กรเพื่อทำความเข้าใจว่าต้องดำเนินการกับข้อมูลใดบ้าง
• คุณมีสภากำกับดูแลข้อมูลซึ่งมีหน้าที่ดูแลกระบวนการที่เกี่ยวข้องกับข้อมูลทั้งหมด

John ได้แบ่งปันตัวอย่างในชีวิตจริงสองสามตัวอย่าง รวมถึงเรื่องราวของผู้ประกาศที่ไม่แสวงหากำไรของอเมริกาและแนวทางที่ทีม Data Discovery ใช้ในการสร้างกลยุทธ์ข้อมูลที่สามารถดำเนินการได้ ขั้นตอนที่พวกเขาทำคือการกำหนดเป้าหมาย ปรับให้เข้ากับวัตถุประสงค์ทางธุรกิจ และตั้งค่าการวัด:

เมื่อวัตถุประสงค์ทางธุรกิจทั้งหมดเหล่านี้ถูกจดบันทึกไว้แล้ว ทีม Data Discovery จะจัดลำดับความสำคัญตามผลกระทบทางธุรกิจและระดับของความพยายามที่จำเป็น และกำหนดแผนงานการนำไปปฏิบัติโดยเปลี่ยนจากงานที่สำคัญและมีค่าที่สุดไปยังงานที่มีความสำคัญน้อยกว่า:

อย่าปล่อยให้อัตราความสำเร็จต่ำของการใช้งาน data lake ทำให้คุณตกใจ ผลกระทบที่อาจเกิดขึ้นจากการดำเนินการที่ประสบความสำเร็จนั้นสูงกว่าการลงทุนที่จำเป็น ในการเริ่มต้นและหลีกเลี่ยงข้อผิดพลาดของบริษัทอื่น ให้ใช้เคล็ดลับ 10 ข้อนี้ในการวิเคราะห์การปรับขนาด คุณสามารถรับแรงบันดาลใจจากกรณีศึกษาของบริษัทอื่นได้เสมอ นี่คือตัวอย่างบางส่วน:

• Ile de Beaute ใช้การวิเคราะห์แบบ end-to-end เพื่อวัดผล ROPO
• การวิเคราะห์แบบ end-to-end ที่สร้างขึ้นอย่างสะดวกสบายในเก้าขั้นตอนง่ายๆ
• บูทิค. ปรับปรุง LTV ของลูกค้าด้วยการรวม data

เซสชั่นถัดไปเรียกว่า "Birds of a Feather" ซึ่งทุกคนสามารถตั้งชื่อหัวข้อหรือจุดปวดที่พวกเขาต้องการจะพูดคุยและย้ายไปที่โต๊ะเพื่อพบกับเพื่อนร่วมงานที่มีความคิดเหมือนกันเพื่อการอภิปรายในเชิงลึก โดยส่วนตัวแล้วฉันชอบเซสชั่นนี้มากเพราะมันให้แนวคิดสองสามข้อเกี่ยวกับปัญหาที่ฉันไม่รู้ว่าจะจัดการอย่างไร

Michele เป็นนักพูดที่มีเสน่ห์และรู้วิธีที่จะดึงดูดความสนใจของผู้คน และฉันชอบที่เธอแสดงกลอุบายของสมองของเรา — ความจำในการทำงานที่จำกัด, อคติในการยืนยัน, ความสอดคล้องกับบรรทัดฐาน ฯลฯ — ซึ่งได้รับการพิสูจน์โดยการศึกษาแบบคลาสสิก เป็นสิ่งสำคัญสำหรับนักวิเคราะห์ที่จะต้องตระหนักถึงความขัดแย้งเหล่านี้ เนื่องจากการวิเคราะห์และการเพิ่มประสิทธิภาพล้วนเกี่ยวกับการใช้วิธีการเชิงปริมาณเพื่อทำความเข้าใจผู้คนและทำไมพวกเขาถึงทำในสิ่งที่พวกเขาทำ นี่คือบางส่วนของการซื้อกลับบ้าน:

• เมื่อนำเสนอข้อมูล คุณต้องทำงานภายในขอบเขตของระบบการรับรู้และหน่วยความจำ

จอร์จ เอ. มิลเลอร์ นักจิตวิทยาชื่อดังกล่าวว่า ปริมาณข้อมูลที่เราสามารถเก็บไว้ในหน่วยความจำระยะสั้นคือ 7 บวกหรือลบสองรายการ รายการคือส่วนหนึ่งของข้อมูล เช่น คำ ตัวเลข จุดข้อมูล ฯลฯ นั่นเป็นสาเหตุที่การคาดหวังให้ผู้ใช้วาดการเชื่อมต่อระหว่างจุดข้อมูลสองจุดโดยห่างกันหกหน้าหรือเมื่อ 30 สไลด์ที่แล้วเป็นสูตรสำเร็จของความล้มเหลว

• แม้ว่าข้อมูลของคุณจะดูชัดเจนในตัวเอง หากคุณเข้ามาพร้อมกับ "ข่าวด่วน" ที่ขัดกับสิ่งที่ธุรกิจเคยทราบ คิด หรือเชื่อมาระยะหนึ่งแล้ว คุณอาจต้องการข้อมูลเพิ่มเติมเพื่อสนับสนุนมุมมองที่ตรงกันข้ามของคุณ

คุณอาจต้องการให้เวลามากสำหรับการอภิปรายมากกว่าเพียงแค่ส่งข้อค้นพบของคุณออกไป เนื่องจากการอภิปรายเหล่านี้มีความสำคัญต่อการได้รับการตอบรับจากมุมมองใหม่นี้ “คนที่มีความเชื่อมั่นเป็นคนที่เปลี่ยนแปลงได้ยาก แสดงข้อเท็จจริงหรือตัวเลขให้เขาดู แล้วเขาก็ตั้งคำถามกับแหล่งข้อมูลของคุณ อุทธรณ์ด้วยเหตุผลและเขาไม่เห็นประเด็นของคุณ” Leon Festinger กล่าว

สิ่งนี้เรียกว่าทฤษฎีความไม่ลงรอยกันทางปัญญา ข้อมูลบอกเราว่าผู้คนไม่ชอบความรู้สึกที่ไม่สอดคล้องกัน (เช่น ระหว่างความเชื่อของเรากับการกระทำของเรา) เราพยายามลดความรู้สึกไม่สบายใจนี้โดยทำให้ความเชื่อของเรามีเหตุผลและหลีกเลี่ยงข้อมูลที่อาจขัดแย้งกัน

• เมื่อทำงานกับข้อมูล อย่าหยุดเพียงแค่สมมติฐานแรกของคุณ มันสามารถได้รับอิทธิพลจากอคติทางปัญญาของคุณ

สมองของเราถูกสร้างขึ้นในลักษณะที่พยายามยืนยันความเชื่อที่มีอยู่ และนั่นอาจนำคุณไปสู่ความผิดพลาด เนื่องจากอาจมีสาเหตุหลายประการที่ข้อมูลแสดงให้เห็นว่าข้อมูลดังกล่าวทำอะไร ฉันพบว่าความเข้าใจและตระหนักถึงอคตินี้มีประโยชน์มากเมื่อสัมภาษณ์ผู้คน

คุณมักจะได้รับความประทับใจแรกพบภายใน 15 วินาที และหลังจากนั้น สมองของคุณก็กำลังค้นหาบางสิ่งที่จะสนับสนุนการสร้างความประทับใจแรกพบนั้น มันสำคัญมากที่จะต้องสังเกตช่วงเวลานี้และเริ่มมองหาข้อเท็จจริงที่สนับสนุนตำแหน่งที่ตรงกันข้าม มันจะช่วยให้คุณหลุดพ้นจากอคติทางปัญญาของคุณ

• หากคุณมีข้อค้นพบในเชิงวิเคราะห์ที่ท้าทายสภาพที่เป็นอยู่ คุณควรปรึกษาหารือกันอย่างช้าๆ และตัวต่อตัว

หลีกเลี่ยงการทำให้คนในจุดที่เห็นด้วยหรือไม่เห็นด้วยในการตั้งค่ากลุ่มเพราะมีโอกาสน้อยที่คนในกลุ่มจะยืนหยัดต่อสิ่งที่คุณค้นพบใหม่ซึ่งขัดกับบรรทัดฐานของกลุ่ม ในทำนองเดียวกัน สิ่งนี้เป็นการโต้แย้งกับการกระโดดตรงไปยังเซสชันการระดมความคิดแบบกลุ่ม เมื่ออยู่ในกลุ่ม ผู้คน 76% จะเห็นด้วยกับกลุ่มนี้ (แม้ว่าพวกเขาจะคิดผิดก็ตาม) ดังนั้นจึงง่ายกว่าที่จะได้แนวคิดที่หลากหลายมากขึ้นและลดการคิดแบบกลุ่มโดยอนุญาตให้มีการระดมความคิดเป็นรายบุคคลโดยไม่มีการยับยั้ง และรวบรวมความคิดทั้งหมดก่อน

ผลกระทบนี้เรียกว่าสอดคล้องกับบรรทัดฐาน และได้รับการพิสูจน์โดย Ash ในการทดลองของเขาในปี 1951

• เมื่อนำข้อค้นพบ ให้แนะนำวิธีใช้และระบุให้เฉพาะเจาะจงที่สุด

กำหนดความรับผิดชอบในการดำเนินการหากมีสิ่งใดเปลี่ยนแปลง และตรวจสอบให้แน่ใจว่ามีคนรับฟังคุณเพื่อที่คุณจะได้ไม่ติดกับผลกระทบจากผู้ยืนดู – ยิ่งมีผู้ยืนดูอยู่มากเท่าใด โอกาสที่บุคคลจะเข้ามาช่วยเหลือก็จะยิ่งน้อยลงเท่านั้น ตัวอย่างที่ดีของเหตุการณ์นี้คือในกรณีฉุกเฉินทางการแพทย์เมื่อทุกคนเพียงแค่ยืนและรอให้คนอื่นดำเนินการ

มีตัวอย่างและอคติอีกมากมายที่คุณสามารถพบได้ในการนำเสนอของ Michele หากคุณสนใจที่จะเรียนรู้เกี่ยวกับอคติ โปรดอ่านบทความเกี่ยวกับจิตวิทยาเชิงปฏิบัติสำหรับนักวิทยาศาสตร์ข้อมูลโดย Conor Dewey

ในช่วงรับประทานอาหารกลางวัน ฉันได้ฟังการพูดคุยที่สร้างแรงบันดาลใจเกี่ยวกับการระบุบุคลิกความเป็นผู้นำโดย Valerie Kroll ผู้อำนวยการด้านการเพิ่มประสิทธิภาพที่ Search Discovery และประธานคณะกรรมการสมาคม Digital Analytics Association

ในการพูดคุยของเธอ วาเลอรีเล่าถึงการเดินทาง 12 ปีของเธอจากการฝึกงานแบบควอนตัมไปยังที่ที่เธออยู่ตอนนี้และเส้นทางสู่การเป็นผู้นำ ต่อไปนี้คือบทเรียนหลายอย่างที่เธอได้เรียนรู้:

• คุณไม่จำเป็นต้องจัดการคนให้เป็นผู้นำ ผู้นำจูงใจและเป็นแรงบันดาลใจให้ผู้อื่นดำเนินการด้วยความเต็มใจ พวกเขาแบกรับวัฒนธรรมและท้าทายสภาพที่เป็นอยู่อย่างสร้างสรรค์ ฉันยังเสริมได้อีกว่าในการเป็นผู้นำ คุณต้องมีความเห็นอกเห็นใจและเต็มใจที่จะรับผิดชอบ
• ค้นหาโอกาสในการเป็นผู้นำและอย่าถูกครอบงำโดยกลุ่มอาการหลอกลวง:
  

เพื่อต่อสู้กับกลุ่มอาการแอบอ้าง ให้ใช้ทักษะการวิเคราะห์ของคุณ ลองพิจารณาข้อเท็จจริงและประเมินความก้าวหน้าและระดับปัจจุบันของคุณโดยอิงจากข้อมูลนั้น จดจุดแข็งและความสำเร็จของคุณ และหาวิธีที่จะใช้ทักษะของคุณ นอกจากนี้คุณยังสามารถลองใช้ The Anxiety and Phobia Workbook โดย Edmund J. Bourne

• หากคุณเผชิญกับอคติหรือการเลือกปฏิบัติ ให้พูดถึงเรื่องนี้กับผู้กระทำผิดในอุดมคติ หากไม่เป็นเช่นนั้น ให้หาเพื่อนร่วมงาน พี่เลี้ยง หรือบุคคลในฝ่ายทรัพยากรบุคคล หากบริษัทของคุณไม่มีขั้นตอนในการจัดการปัญหาสำคัญ ให้พูดถึงเรื่องนี้ อย่ากลัวหรือละอายใจในตัวตนของคุณ อายุ เพศ สัญชาติ ฯลฯ อาจเป็นสิ่งที่ทำให้คุณประสบความสำเร็จและช่วยให้คุณมีมุมมองที่แตกต่างออกไป
• สร้างแบรนด์ส่วนบุคคลของคุณบนโซเชียลเน็ตเวิร์กและสนับสนุนโมเดลรูปตัว T ซึ่งไม่เพียงแค่พัฒนาในวงกว้างเท่านั้นแต่ยังพัฒนาในเชิงลึกอีกด้วย
  
• ใช้ประโยชน์จากเครือข่ายของคุณโดยทำการเชื่อมต่อจริงและมีการนำเสนอแบบพร้อมใช้งานทันที ค้นหาคนรู้จักที่พบปะ ขอให้ผู้คนแนะนำคุณให้รู้จักกับคนที่น่าสนใจคนอื่นๆ และพัฒนาความสัมพันธ์เหล่านั้นด้วยการให้คุณค่า พร้อมที่จะแบ่งปันสิ่งที่คุณกำลังทำอยู่ซึ่งสร้างมูลค่าสูงสุดและเป็นนวัตกรรมใหม่ได้ในเวลาไม่ถึงนาที
  
• หาพี่เลี้ยง. มันสามารถเป็นกันได้เพราะวิธีที่ดีที่สุดในการฝึกฝนทักษะคือการสอนใครสักคน เมื่อมองหาที่ปรึกษา ให้พิจารณาทักษะที่อ่อนนุ่มและทักษะที่หนักแน่น โดยมุ่งเน้นที่เป้าหมายในอาชีพของคุณ
  

อย่างไรก็ตาม DAA มีโปรแกรมให้คำปรึกษา Women in Analytics ดังนั้นหากคุณสนใจ ลองดูสิ

ถึงเวลาแล้วที่จะแบ่งปัน เรื่องราวของฉันเกี่ยวกับการวิเคราะห์นักวิเคราะห์เพื่อปรับปรุงประสิทธิภาพของกระบวนการ การพัฒนาทีมต้องใช้เวลาและความพยายามอย่างมาก และเครื่องมือการจัดการที่เหมาะสม ปัญหาที่พบได้บ่อยคือ การกระจายงานที่ไม่มีประสิทธิภาพ ไม่มีเวลาสอนและฝึกสอนพนักงานใหม่ ไม่มีเวลาเพียงพอสำหรับนักวิเคราะห์ที่ช่ำชองในการทำ R&D และปรับปรุงทักษะของพวกเขา โดยไม่รู้ว่าพนักงานคนหนึ่งใช้เวลากับงานใดมากแค่ไหน และ รายการดำเนินต่อไป เราใช้ Data Lake เพื่อปรับปรุงการประเมินงาน ตรวจสอบให้แน่ใจว่ามีการแชร์บทเรียนที่เรียนรู้มาอย่างเจ็บปวดกับทุกคน และสร้างสมดุลให้กับลำดับความสำคัญของโครงการ

เป็นผลให้เรา

1. ตระหนักว่าภาระงานของนักวิเคราะห์อยู่ไกลจากที่เราคาดไว้ และค่าเฉลี่ยสามารถซ่อนโซนการเติบโตของเราได้
2. พิสูจน์แล้วว่านักวิเคราะห์ส่วนใหญ่ของเรา (~85%) ตอบอีเมลตรงเวลา
3. แมปงานทั่วไปที่เราพบ ระยะเวลาที่ใช้ในการทำให้สำเร็จ และเวลาสำหรับแต่ละงานอาจแตกต่างกันไป
4. พบจุดอ่อนและจุดแข็งสำหรับนักวิเคราะห์แต่ละคนในการปรับแต่งแผนพัฒนาตนเอง
   พบพื้นที่สำหรับระบบอัตโนมัติ

คุณสามารถหาสไลด์ของฉันได้ที่ Slideshare และบทความเกี่ยวกับ ConversionXL ที่สรุปประสบการณ์ของเรา
น่าเศร้าที่ฉันพลาดการพูดคุยของ Garry Angel, Tim Wilson, Matt Gershoff และ Moe Kiss แต่ฉันได้ยินพวกเขาพูดที่ Superweek และรู้ว่าพวกเขายอดเยี่ยม แม้ว่าฉันจะพลาดการเสวนาของพวกเขา แต่ก็ดีใจที่ได้พบพวกเขาอีกครั้งที่ #MASConf!

เซสชั่นสุดท้ายที่งาน Marketing Analytics Summit เป็นการบันทึกสดของพอดคาสต์ Analytics Power Hour แต่ละตอนของพอดคาสต์นี้มีหัวข้อปิดและฟอรัมเปิด

ผู้ชมสนุกกับการฟัง Michael Helbling หัวหน้าฝ่ายปฏิบัติการด้านการวิเคราะห์ที่ Search Discovery Moe Kiss ที่ปรึกษาด้านการวิเคราะห์ และ Tim Wilson ผู้อำนวยการอาวุโสของ Analytics ที่ Search Discovery แบ่งปันความคิดและประสบการณ์ของพวกเขา คุณสามารถค้นหาบทสัมภาษณ์พิเศษครั้งก่อนของเรากับทิม วิลสันเกี่ยวกับสถานะของการวิเคราะห์สมัยใหม่ได้ที่นี่ นอกจากนี้ คุณสามารถค้นหาตอนจาก Marketing Analytics Summit ได้ที่นี่ ฉันขอแนะนำให้คุณฟังตอนอื่น ๆ ด้วย

1. อย่าใช้ชื่อตามมูลค่า; ตัดผ่านโฆษณาและมุ่งเน้นไปที่ผลกระทบที่คุณนำเสนอ
2. เพื่อทำความเข้าใจว่าการวิเคราะห์แบบบริการตนเองทำงานในบริษัทของคุณได้หรือไม่ ให้ถามทีมของคุณว่าพวกเขามีข้อมูลสนับสนุนที่จำเป็นสำหรับการทำงานอย่างมีประสิทธิภาพหรือไม่ และพวกเขาสามารถรับข้อมูลในกรอบเวลาที่ตรงกับความต้องการทางธุรกิจของพวกเขาหรือไม่
3. ใช้เมทริกซ์บทบาทข้อมูลเพื่อให้แน่ใจว่าทุกคนเข้าใจสิ่งที่คาดหวังได้จากแต่ละตำแหน่ง
4. เป็นเชิงรุกเมื่อพูดถึงคุณภาพข้อมูลของคุณ ไม่ใช่เชิงโต้ตอบ
5. นักการตลาดเพียง 11% เท่านั้นที่รู้สึก "มั่นใจมาก" ในความถูกต้องของรูปแบบการระบุแหล่งที่มาของตน แต่นั่นไม่ได้หมายความว่าคุณไม่ควรพยายาม
6. ในการประเมินระดับความสมบูรณ์ของข้อมูล คุณต้องประเมินข้อมูลของคุณในสามหมวดหมู่ที่แตกต่างกัน: ข้อมูลเชิงลึกแบบรวมศูนย์ (การวัดประสิทธิภาพและการระบุแหล่งที่มา) ข้อมูลที่เป็นหนึ่งเดียว (ข้อมูลแบบแยกส่วน ข้อมูลที่อยู่ร่วม หรือแบบรวมศูนย์) และรากฐานข้อมูลที่กำหนดไว้ล่วงหน้า (ความแม่นยำในการติดตาม จุดสัมผัส ความครอบคลุม, มาตรฐานอนุกรมวิธาน)
7. ธุรกิจที่เชื่อมโยงตัวชี้วัดทางการตลาดกับผลลัพธ์ทางธุรกิจที่ต้องการนั้นมีแนวโน้มที่จะเกินผลลัพธ์เหล่านั้นเป็นสองเท่า และธุรกิจที่เชื่อมโยงตัวชี้วัดทางการตลาดกับเป้าหมายรายได้มีแนวโน้มที่จะเกินเป้าหมายเหล่านั้นอย่างมากถึงสามเท่า
8. ทั้งผู้เชี่ยวชาญด้านการตลาดและนักวิเคราะห์ต่างก็ต้องการสิ่งหนึ่ง นั่นคือ เครื่องมือและกระบวนการที่เหมาะสมในการรู้ว่าควรเริ่ม หยุด และทำอะไรต่อไปเพื่อให้บรรลุเป้าหมายทางการตลาดของตน
9. ใช้แผนความสำเร็จเพื่อจัดกิจกรรมการตลาดให้สอดคล้องกับวัตถุประสงค์ทางธุรกิจของบริษัท และแสดงคุณค่าของการลงทุนด้านการตลาดและการวิเคราะห์ต่อผู้นำระดับสูง
10. เน้นที่กระบวนการขับเคลื่อนรายได้ก่อน เนื่องจากจะสร้างผลกระทบได้มากกว่า
11. เพื่อให้กระบวนการของคุณทำงาน ให้แมป วิเคราะห์ และสื่อสารกับทีม
12. ปฏิสัมพันธ์ทางกายภาพนั้นเข้าใจได้ง่ายกว่าและดูเหมือนโน้มน้าวใจมากกว่าดิจิทัล การให้ความสนใจทางกายภาพนำไปสู่การจดจำแบรนด์เพิ่มขึ้น 70% ดังนั้นเพื่อให้ผู้ชมของคุณจดจำได้ คุณต้องมีส่วนร่วมกับความรู้สึกมากขึ้น ลดความว้าวุ่นใจ และกระตุ้นให้เกิดการโต้ตอบ
13. ควบคุมแบรนด์ของคุณด้วย on-SERP SEO เนื่องจากหน้าผลการค้นหาคือหน้า Landing Page ใหม่ของคุณ คุณต้องใช้ประโยชน์จากตัวอย่างข้อมูลสื่อสมบูรณ์และอ้างสิทธิ์แผงของคุณ
14. ลดลงสองเท่าในการสร้างอุปสงค์ของแบรนด์
15. ใช้ประโยชน์จากอัลกอริธึมทางสังคมโดยสลับโพสต์ที่ไม่ส่งเสริมการขายและโพสต์ส่งเสริมการขาย
16. ใช้การเล่าเรื่องเพื่อสร้างเนื้อหาที่เชื่อมโยงกับแบรนด์ของคุณ รับการมีส่วนร่วมสูง และสร้างเสียงสะท้อนทางอารมณ์
17. มีปัญหาหลักสามประการเกี่ยวกับข้อมูล ได้แก่ การขาดความรู้ในข้อมูล ไซโลข้อมูล และการขาดความเชื่อถือในข้อมูล ปัญหาทั้งหมดเหล่านี้สามารถแก้ไขได้ด้วยกลยุทธ์ข้อมูลที่สามารถดำเนินการได้ - แผนสำหรับการใช้ข้อมูลอย่างมีจุดประสงค์ซึ่งรวมถึงการทำความเข้าใจข้อมูลของคุณ การสร้างโครงสร้างข้อมูลของคุณเพื่อให้มีประโยชน์ และการเปิดใช้งานข้อมูลของคุณเพื่อสร้างผลกระทบต่อธุรกิจ
18. Phycology และการวิเคราะห์เชื่อมต่อกัน — ระวังทางลัดทางจิตและใช้เพื่อยกระดับการวิเคราะห์และอำนาจทางการตลาดของคุณ
19. เพื่อค้นหารูปแบบความเป็นผู้นำของคุณ ใช้ความแตกต่างของคุณ พัฒนาเครือข่ายและแบรนด์ส่วนบุคคลของคุณ มองหาที่ปรึกษาและที่ปรึกษา ต่อสู้กับกลุ่มอาการแอบอ้าง และสร้างแรงบันดาลใจให้ผู้อื่น
20. ยิ่งเร็วได้ยิ่งดี. การรวบรวม การรวม และการเตรียมข้อมูลเป็นความพยายามของคุณประมาณ 75% ตรวจสอบให้แน่ใจว่าคุณไว้วางใจในคุณภาพของข้อมูลที่คุณกำลังรวบรวม
21. เริ่มต้นด้วยแดชบอร์ด MVP มุ่งเน้นไปที่ KPI ที่สำคัญไม่เกิน 10 รายการ
22. กำหนดสิ่งที่คุณจะทำหากตัววัดเปลี่ยนแปลงอย่างรวดเร็วเวลา 17.00 น. ในวันศุกร์ คุณควรมีแผนว่าจะทำอย่างไรหากตัวชี้วัดขึ้นหรือลงโดยไม่คาดคิด หากคุณไม่รู้ว่าเหตุใดคุณจึงควรมีแผนสำหรับตัวชี้วัดบางตัว ให้พิจารณาว่าคุณจำเป็นต้องติดตามหรือไม่

PS มันเป็นประสบการณ์ที่ดี ขอขอบคุณ Jim Sterne ต่างหากที่เชิญฉันและ Roxanne Glavina ผู้บริหารวิทยากรที่ Rising Media, Inc. เพื่อการจัดระเบียบที่ราบรื่น