OWOX BI Research เกี่ยวกับสถานะของ Digital Analytics: บทสัมภาษณ์กับ Tim Wilson

คำถามสำหรับการสัมภาษณ์ครั้งนี้จัดทำโดย Mariia Bocheva ผู้บริหารฝ่ายพัฒนาธุรกิจ OWOX BI หลังจากที่เธอได้พบกับทิม วิลสันในการประชุม Superweek ภาพทั้งหมดได้รับการนำเสนอโดย Banoczy Zoltan ผู้ก่อตั้ง Superweek – European Analytics Summit

เป็นความยินดีอย่างยิ่งที่ได้รับข้อมูลเชิงลึกจาก Tim Wilson (ติดตามเขาทาง Twitter) นักวิเคราะห์ที่กระตือรือร้นซึ่งมีประสบการณ์มากมายและมีมุมมองเชิงบวกต่อชีวิต

Tim ทำงานกับข้อมูลการตลาดและข้อมูลลูกค้าในมิติต่างๆ มากว่า 15 ปี เขาดูแลแผนกข่าวกรองธุรกิจให้กับบริษัทไฮเทคแบบธุรกิจกับธุรกิจมูลค่า 500 ล้านดอลลาร์ และได้ปรึกษากับผู้ค้าปลีกทางอินเทอร์เน็ตชั้นนำ 50 แห่งเกี่ยวกับวิธีการใช้การวิเคราะห์ดิจิทัลกับธุรกิจของพวกเขา Tim เป็นนักการตลาดที่เป็นมิตรต่อข้อมูล และตอนนี้เขาเป็นผู้อำนวยการฝ่ายวิเคราะห์อาวุโสของ Search Discovery

Search Discovery เป็นบริษัทข่าวกรองธุรกิจและการวิเคราะห์ที่ช่วยให้องค์กรต่างๆ ใช้ข้อมูลเพื่อปรับปรุงประสิทธิภาพทางธุรกิจ

ทักษะยากๆ ใดที่สำคัญที่สุดสำหรับนักวิเคราะห์ในปัจจุบัน นักวิเคราะห์จำเป็นต้องรู้ SQL, Python และ R และสร้างแดชบอร์ดในเครื่องมือสร้างภาพข้อมูลทั่วไป เช่น Data Studio, Tableau และ QlikView หรือไม่

นี่เป็นหนึ่งในหัวข้อที่ถกเถียงกันอย่างถึงพริกถึงขิงในช่วงหลัง เริ่มต้นด้วยการบอกว่านักวิเคราะห์ต้องรู้สเปรดชีต - Google ชีตและ Excel - ดีจริงๆ แม้ว่าจะไม่ใช่ที่ที่พวกเขาทำงานส่วนใหญ่ พวกเขามักจะรับและส่งข้อมูลโดยใช้สเปรดชีตเป็นประจำ

และหากนักวิเคราะห์ไม่สะดวกกับ VLOOKUP และ pivot table พวกเขาจะลำบากกับแพลตฟอร์มอื่นที่พวกเขาทำการวิเคราะห์

จากที่นั่น ความสบายใจด้วย BI/เครื่องมือสร้างภาพ (ฉันจะเพิ่ม Power BI ในรายการในคำถามของคุณ) เป็นความต้องการที่เพิ่มขึ้น แม้ว่าจะมีบริษัทมากมายที่ยังไม่ได้ลงทุน ฉันเป็นแฟนตัวยงของ Google Data Studio ด้วยเหตุผลดังกล่าว แม้ว่าบริษัทจะไม่ได้เข้าสู่แพลตฟอร์มแบบชำระเงินก็ตาม นักวิเคราะห์จำเป็นต้องรู้วิธีสร้างภาพข้อมูลพื้นฐานโดยอัตโนมัติและสำรวจข้อมูลสำคัญของตนในลักษณะที่สามารถทำได้ แบ่งปันกับผู้มีส่วนได้ส่วนเสียของพวกเขา

ฉันเห็นนักวิเคราะห์จำนวนมากที่ใช้เวลาทั้งวันทำงานที่มีคุณค่าโดยไม่ต้องขึ้นถึงช่วงการเรียนรู้ที่สูงชันซึ่งจำเป็นต่อความคล่องแคล่วในการใช้ภาษาเหล่านั้น แต่มีข้อจำกัดในสิ่งที่สามารถทำได้ด้วยแพลตฟอร์ม Excel และ BI..

สำหรับนักวิเคราะห์หรือองค์กรที่มีข้อมูลละเอียดปริมาณมากพวกเขาต้องการนำไปใช้ในแบบจำลอง SQL และ Python หรือ R จะกลายเป็นสิ่งที่ต้องมีอย่างรวดเร็ว

และฉันจะเพิ่มทักษะยากระดับที่สาม: สถิติ นี่หมายถึงการทำมากกว่าแค่สถิติสรุป เช่น ค่าเฉลี่ย ค่ามัธยฐาน และค่าเบี่ยงเบนมาตรฐาน และเข้าใจอย่างแท้จริงว่าการถดถอยและสหสัมพันธ์—และค่า p และ R-squared นั้นสามารถนำไปใช้ได้อย่างไรและที่ไหน นี่เป็นเรื่องเกี่ยวกับการทำความเข้าใจธรรมชาติของข้อมูลให้ลึกซึ้งยิ่งขึ้นจริง ๆ เหมือนกับการปรับใช้วิธีการทางสถิติเหล่านั้นจริง ๆ

นักวิเคราะห์ที่ดีควรมี Soft Skill อะไรบ้าง?

มีมากมาย! ทักษะการสื่อสารที่มีประสิทธิภาพอยู่ที่ด้านบนสุดของรายการ และรวมถึงทุกอย่างตั้งแต่การโต้ตอบแบบตัวต่อตัวกับผู้มีส่วนได้ส่วนเสีย — การรับฟังและทำความเข้าใจความต้องการของพวกเขาอย่างกระตือรือร้น — ไปจนถึงการนำแนวทางปฏิบัติที่ดีที่สุดในการแสดงข้อมูลเป็นภาพเพื่อนำเสนอผลลัพธ์ ของการวิเคราะห์ในลักษณะที่ชัดเจนและเข้าใจได้

นักวิเคราะห์ที่ดีก็ อยากรู้อยากเห็น เช่นกัน (เกี่ยวกับธุรกิจ เกี่ยวกับข้อมูล เกี่ยวกับโลก) สงสัย (เกี่ยวกับสิ่งที่ข้อมูลแสดง — ทุกครั้งที่มีเรื่องเซอร์ไพรส์ เขา/เธอ/เธอ/เธอถือว่ามันเป็นปัญหาของข้อมูล และขุดเพื่อยืนยัน) และ มี ความอุตสาหะในระดับสูง (เพื่อเอาชนะความท้าทายด้านข้อมูลและแม้กระทั่งความท้าทายด้านบุคลากร/กระบวนการภายในองค์กร) สิ่งเหล่านี้อาจเป็น "ลักษณะนิสัย" มากกว่า "ทักษะ" แต่ทั้งหมดนั้นค่อนข้างสำคัญ

คุณคิดว่าการสื่อสารที่ผิดพลาดระหว่างนักวิเคราะห์และทีมการตลาดเป็นเรื่องปกติหรือไม่? ถ้าใช่ คุณมีคำแนะนำเกี่ยวกับวิธีการเอาชนะมันหรือไม่?

อย่างแน่นอน! นักวิเคราะห์และนักการตลาดพูดภาษาต่างๆ กัน จากประสบการณ์ของผม นักวิเคราะห์จำเป็นต้อง "พูดเรื่องการตลาด" จริงๆ ที่ลงมาเพื่อทำบางสิ่ง:

1. การฟัง

อาจเป็นการดึงดูดที่จะเริ่มการแก้ปัญหา ( ฉันสามารถดึงข้อมูลใดเพื่อตอบคำถามนี้ ) ก่อนเวลาอันควรและไม่ได้ตรวจสอบปัญหาทางธุรกิจที่นักการตลาดต้องการแก้ไข

2. ไม่พูดนักวิเคราะห์

การศึกษาของนักการตลาดบางส่วนนั้นใช้ได้ — ตัวชี้วัดหมายถึงอะไร มีข้อจำกัดอะไรบ้างในข้อมูล — แต่ฉันเคยเห็นนักวิเคราะห์ใช้คำศัพท์การวิเคราะห์เชิงลึกอย่างรวดเร็วเกินไปเมื่อไม่จำเป็น
ที่อาจทำให้นักการตลาดสับสนหรือแย่กว่านั้นคือรู้สึกอึดอัดหรือท้อแท้ ( ฉันไม่รู้ว่านักวิเคราะห์กำลังพูดถึงอะไร ฉันควรทำอย่างไร เขา/เธอดูเหมือนจะคิดว่าฉันควร! )

3. ไม่เคย ไม่เคย ไม่เคย ไม่เคยบอกตัวเองว่าผู้มีส่วนได้ส่วนเสียโง่

นั่นเป็นความผิดพลาดร้ายแรง การตัดสินใจว่าความท้าทายด้านความสัมพันธ์เป็นเรื่องของสติปัญญามากกว่าเรื่องของการสื่อสาร

แหล่งข้อมูลหรือกิจกรรมระดับมืออาชีพใดที่คุณสามารถแนะนำนักวิเคราะห์ได้

แหล่งข้อมูลอันดับต้นๆ ที่ฉันสามารถแนะนำสำหรับนักวิเคราะห์ได้ ไม่ว่าพวกเขาจะอยู่ที่ใดคือทีม Measure Slack ได้ฟรี และมีนักวิเคราะห์หลายพันคนที่มีส่วนร่วมและแบ่งปันข้อมูลซึ่งกันและกันอย่างต่อเนื่อง ทุกสองสามสัปดาห์จะมีกระทู้สนทนาเกี่ยวกับ แหล่งข้อมูลที่ดีในการเรียนรู้ X คืออะไร หรือการประชุมที่ดีสำหรับ Y คืออะไร? ดังนั้นจึงเป็นทรัพยากรในการระบุทรัพยากรด้วย!

มีการประชุมที่ยอดเยี่ยมอีกต่างหาก: MeasureCamp เป็นงานสัมมนาฟรีที่จัดขึ้นทั่วโลก (และหากไม่มีที่ใดใกล้ๆ คุณ คุณก็สามารถเริ่มการประชุมได้เลย!) Marketing Analytics Summit และ Digital Analytics Hub เป็นงานประชุมที่ยอดเยี่ยมในสหรัฐอเมริกา และ Superweek เป็นตัวเลือกที่ยอดเยี่ยมในยุโรป

Digital Analytics Association กำลังขยายทรัพยากรที่เสนอให้กับสมาชิกอย่างต่อเนื่อง จึงเป็นแหล่งข้อมูลที่ยอดเยี่ยมพร้อมเนื้อหาที่ยอดเยี่ยมทุกประเภท (และแม้แต่โปรแกรมการให้คำปรึกษา) มี MOOC จำนวนมาก เช่น Coursera และ edX ที่เปิดสอนหลักสูตรออนไลน์จำนวนเท่าใดก็ได้

สุดท้ายนี้ ถ้าฉันอ่านบทสัมภาษณ์ทั้งหมดและไม่ได้เสียบพ็อดคาสท์ Digital Analytics Power Hour ฉันจะเป็นนักการตลาดที่แย่มาก! แต่มีการวิเคราะห์ แมชชีนเลิร์นนิง และพอดคาสต์ AI มากมาย – มากเกินไป (และมากเกินไปที่ฉันไม่สามารถฟังได้เป็นประจำ) – สำหรับฉันที่จะลองเสนอแนะ

นักวิเคราะห์และผู้เชี่ยวชาญด้านการตลาดขาดความรู้อะไรบ้างในการขับเคลื่อนข้อมูลของบริษัทต่างๆ

บริบททางธุรกิจและความเข้าใจอย่างลึกซึ้งเกี่ยวกับความไม่แน่นอน ในอดีต ฉันเชื่อว่าในขณะที่ฉันเห็นทั้งนักวิเคราะห์และนักการตลาดกระโดดเข้าสู่ข้อมูลที่ต้องการ "ค้นหาคำตอบ" และ "สร้าง ข้อมูลเชิงลึก " อย่างต่อเนื่องโดยไม่ได้ตั้งคำถามทางธุรกิจอย่างชัดเจน ซึ่งคำตอบจะนำไปสู่การดำเนินการที่น่าจะเป็นไปได้

อย่างหลังจะพูดยากกว่าเล็กน้อย แต่ย้อนกลับไปที่ John Wannamaker โดยสังเกตว่าในช่วงต้นทศวรรษ 1900 ว่า "เงินครึ่งหนึ่งที่ฉันใช้ไปกับการโฆษณานั้นสูญเปล่า ฉันแค่ไม่รู้ว่าครึ่งไหน" นักการตลาดและนักวิเคราะห์คาดหวังว่าข้อมูลจะให้ "ความจริง" แทน มากกว่าการเรียนรู้วิธีดำเนินการในโลกของความน่าจะเป็น

ในขณะที่เราอาจรู้ "ความจริง" เกี่ยวกับอดีต เช่น การเข้าชมไซต์ของฉันเมื่อเดือนที่แล้วเป็นอย่างไร (และถึงแม้จะไม่ใช่ "ความจริง" — มีความยุ่งเหยิงมากมายเกี่ยวกับการรวบรวมข้อมูลที่นั่นซึ่งทำให้ตัวเลขนั้นเป็นเพียงการประมาณการ) การนำข้อมูลนั้นไปใช้อย่างมีประสิทธิภาพเพื่อส่งผลกระทบต่ออนาคตหมายถึงการพัฒนาความเข้าใจอย่างลึกซึ้งว่า "ความจริงเป็นอย่างไร " รูปภาพของโลกที่ข้อมูลกำลังวาดภาพ แล้วดำเนินการตามนั้น

อะไรคือสิ่งสำคัญที่สุดที่นักวิเคราะห์ต้องทำในขั้นตอนต่างๆ ของการเติบโตทางธุรกิจ (การเริ่มต้นธุรกิจ, SMB, SME, องค์กร)

ฉันไม่เคยพิจารณาคำถามนั้นเลย เป็นเรื่องที่น่าสนใจ! ฉันคิดว่าบริษัทสตาร์ทอัพมีแนวโน้มที่จะขาดแคลนทรัพยากรมากกว่า และโดยทั่วไปแล้ว สามารถรับความเสี่ยงด้านข้อมูลได้มากกว่า

ดังนั้นบ่อยครั้ง (โดยไม่จำเป็น) สตาร์ทอัพจึงต้องใช้เครื่องมือฟรีที่มีการจัดการข้อมูลอย่างจำกัด และการรวมระบบที่อาจเปราะบาง (หรือแม้กระทั่งด้วยตนเอง) ที่อาจเปราะบาง และนั่นเป็นวิธีที่ดีในการดำเนินการ ตราบใดที่มีการยอมรับว่า การเติบโตนั้นจะต้องทำให้ระบบเติบโตเต็มที่

โดยทั่วไปหมายความว่าแพลตฟอร์มข้อมูลจะต้องได้รับการซ่อมแซมและเปลี่ยนใหม่ทั้งหมด

ในอีกด้านของสเปกตรัม — องค์กร — การกำกับดูแลกลายเป็นเรื่องใหญ่ เนื่องจากมีผู้คนและกระบวนการมากขึ้นที่ส่งผลกระทบและพึ่งพาข้อมูล และโดยทั่วไปแล้ว มีทรัพยากรเพิ่มเติมสำหรับการวิเคราะห์ ดังนั้นบางส่วนสามารถ (หรือควร!) รับผิดชอบในการกำกับดูแลและกระบวนการ — ลดความเสี่ยงของความล้มเหลวที่ส่งผลกระทบต่อบทบาทจำนวนมาก และอาจถึงแม้ในระยะใกล้ - สายบนสุดของธุรกิจ

คุณเห็นปัญหาอะไรบ้างเมื่อใช้การวิเคราะห์ และคุณจะประเมินการพัฒนาโดยรวมของตลาดอย่างไร

หากเราจำกัด "การนำไปใช้" ไว้ที่การนำแพลตฟอร์มการรวบรวมข้อมูลไปใช้งาน มีความท้าทายมากมาย:

• แอปแบบหน้าเดียว (SPA) เป็นแอปที่ได้รับความนิยมอย่างมาก และแอปเหล่านี้มีความท้าทายในการติดแท็ก
• ผู้บริโภคระดับมหภาคเปลี่ยนไปใช้มือถือ และโอกาสที่เพิ่มขึ้นที่พวกเขามีส่วนร่วมกับแบรนด์ในอุปกรณ์ต่างๆ ทำให้การติดตามข้ามอุปกรณ์มีความสำคัญมากขึ้นสำหรับหลายองค์กร และไม่มีวิธีใดที่จะทำให้สำเร็จได้โดยตรง (ขึ้นอยู่กับลักษณะของ บริษัทและเว็บไซต์)
• ข้อบังคับด้านความเป็นส่วนตัว เช่น GDPR และ CCPA (ในสหรัฐอเมริกา) ได้เพิ่มข้อจำกัดและข้อควรพิจารณาเพิ่มเติมในโลกของการรวบรวมข้อมูล
• การบล็อกการติดตามและการลบคุกกี้กำลังเปลี่ยนจากตัวบล็อกโฆษณาที่ติดตั้งบนเบราว์เซอร์ของผู้ใช้เพียงเล็กน้อยไปเป็นค่าเริ่มต้นมาตรฐานภายในเบราว์เซอร์เอง ซึ่งอาจทำให้ข้อมูลเสียหายได้อย่างแน่นอน!

อะไรคือความผิดพลาดที่ใหญ่ที่สุดที่นักวิเคราะห์สามารถทำได้? คุณช่วยแชร์ข้อผิดพลาดในการวิเคราะห์ของคุณหน่อยได้ไหม

ฉันคิดว่าแบรนด์ที่ใหญ่ที่สุดกำลังรู้สึกตื่นเต้นมากที่ได้เล่นซอกับข้อมูลที่ ฉันพยายามทำให้สำเร็จที่นี่ คำถามหายไป

ฉันมีเหตุการณ์นั้นเกิดขึ้นมากกว่าที่ฉันจะยอมรับ — ฉันเริ่มต้นด้วยคำถามทางธุรกิจที่ถูกต้องสมบูรณ์ จากนั้นจึงสนใจกลไกของข้อมูลที่ซ่อนอยู่และความซับซ้อนของข้อมูล และความสามารถในการเอาชนะความซับซ้อนนั้น โดย สิ้นสุดโครงการ ฉันได้ทำสิ่งที่น่าสนใจด้วยตัวข้อมูลเอง แต่ฉันไม่ได้ส่งมอบสิ่งที่ขับเคลื่อนธุรกิจให้ก้าวไปข้างหน้าอย่างแท้จริง

คุณคิดว่าอนาคตของการวิเคราะห์การตลาดคืออะไร? แนวโน้มใดที่คุณเห็นว่ากำลังมาและมีความต้องการสูง?

แม้จะมีความคิดก่อนหน้านี้ของฉันเกี่ยวกับการต้องมุ่งเน้นที่พื้นฐานจริงๆ ก่อนที่จะดำดิ่งสู่วิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่อง ฉันคิดว่าเราจะยังคงเห็นบริษัทต่างๆ จำนวนมากขึ้นเรื่อยๆ ที่นำแมชชีนเลิร์นนิงไปใช้อย่างมีประสิทธิภาพ

เหตุผลที่ใหญ่ที่สุดสำหรับเรื่องนี้ก็คือ องค์กรต่างๆ สามารถเข้าถึงข้อมูลดิบเกี่ยวกับลูกค้าและกลุ่มเป้าหมายได้มากขึ้น ไม่ว่าจะเป็นพฤติกรรม การสังเกต และข้อมูลประชากร

ตัวอย่างเช่น 10 ปีที่แล้ว แพลตฟอร์มการวิเคราะห์ดิจิทัลให้ข้อมูลโดยรวมเป็นหลัก อาจมีหลายมิติข้อมูลและเมตริกในรายงาน แต่ถึงกระนั้น ข้อมูลที่มีอยู่ไม่ได้อยู่ที่ระดับเซสชันหรือระดับบุคคล

มีการเปลี่ยนแปลงเนื่องจากผู้เล่นหลักในตลาดการวิเคราะห์ดิจิทัลได้เริ่มทำให้ข้อมูลระดับ Hit นั้นพร้อมใช้งาน และแพลตฟอร์ม Martech ที่ใหม่กว่าจำนวนใดๆ ก็มีรายละเอียดในระดับนั้นตั้งแต่เริ่มต้น และนั่นคือข้อมูลที่จำเป็นในการรับคุณค่าจากเทคนิคการเรียนรู้ของเครื่อง

คุณเห็นปัญหาอะไรบ้างในตลาดปัจจุบัน

ปัญหาใหญ่ที่ฉันเห็นคือมีบริษัทสตาร์ทอัพที่ได้รับการสนับสนุนจากการร่วมลงทุนจำนวนมาก ซึ่งโดยหลักแล้ว สัญญากับตลาดว่าพวกเขามีไม้กายสิทธิ์ AI มหัศจรรย์สำหรับขาย ในหลายกรณี (ส่วนใหญ่) นั่นคือการโฆษณาทางการตลาด

แต่เนื่องจากเทคโนโลยีมีอัตรากำไรที่สูงกว่าและสามารถปรับขยายได้มากกว่าคนหรือกระบวนการโดยเนื้อแท้ นั่นคือสิ่งที่ดอลลาร์การตลาดในอุตสาหกรรมไป ซึ่งหมายความว่า "ตลาด" จะถูกโจมตีด้วยข้อความว่าหากองค์กรเพิ่งซื้อและใช้เทคโนโลยีที่เหมาะสม พวกเขา ก็จะกลายเป็นองค์กรที่มีข้อมูลครบถ้วนและขับเคลื่อนด้วย AI

ความเป็นจริงไม่ได้ผลในแบบนั้น หลายองค์กรจำนวนมากกำลังเขียนเช็คจำนวนมากสำหรับเทคโนโลยีในขณะที่หิวโหยเมื่อพูดถึงเจ้าหน้าที่วิเคราะห์และการลงทุนภายในในการปรับปรุงกระบวนการวิเคราะห์

ตอนนี้คุณมีความท้าทายด้านการวิเคราะห์อะไรบ้าง?

ฉันยังคงต้องให้ความรู้แก่ลูกค้าของฉันอย่างต่อเนื่องเกี่ยวกับความสำคัญของการเตรียมพื้นฐานให้พร้อม: KPI ที่กำหนดไว้อย่างชัดเจน การรวบรวมข้อมูลที่เชื่อถือได้และมีประสิทธิภาพ การทำงานอัตโนมัติที่ทำซ้ำๆ และการวิเคราะห์ที่ขับเคลื่อนโดยสมมติฐานที่ชัดเจน นั่นเป็นความท้าทายที่ไม่เปลี่ยนแปลงเลยตลอด 15 ปีที่ผ่านมา

ความท้าทายล่าสุดคือความตื่นเต้นเกี่ยวกับวิทยาศาสตร์ข้อมูล แมชชีนเลิร์นนิง และ AI ส่วนหนึ่งของความท้าทายคือการเพิ่มเครื่องมือที่ใช้ในพื้นที่เหล่านั้น และส่วนหนึ่งของความท้าทายคือการทำให้ลูกค้าไม่ต้องการไล่ตามวัตถุใหม่ที่เปล่งประกายเหล่านี้เมื่อคุณค่าสูงสุดของพวกเขามาจากการมุ่งเน้นที่พื้นฐาน

ขอบคุณสำหรับคำแนะนำที่ยอดเยี่ยมมาก ทิม! เราหวังว่านักวิเคราะห์ที่มีความสามารถจะติดตาม และตลาดการวิเคราะห์ทั้งหมดจะมีการศึกษา กระตือรือร้น และเป็นมืออาชีพมากขึ้น

มาติดต่อกันเถอะ! สมัครสมาชิกบล็อกของเราเพื่ออ่านบทสัมภาษณ์ครั้งต่อไปจากการวิจัยของเราเกี่ยวกับสถานะของการวิเคราะห์ดิจิทัลและปรับประสบการณ์ของนักวิเคราะห์ชั้นนำให้เข้ากับธุรกิจของคุณ

คุณจะถามทิมเกี่ยวกับอะไร แจ้งให้เราทราบในความคิดเห็นด้านล่าง!