Dijital Analitiğin Durumu Üzerine OWOX BI Araştırması: Tim Wilson ile Röportaj

Bu röportajın soruları, OWOX BI İş Geliştirme Yöneticisi Mariia Bocheva tarafından Superweek konferansında Tim Wilson ile tanıştıktan sonra hazırlandı. Tüm fotoğraflar Superweek – European Analytics Summit'in Kurucusu Banoczy Zoltan tarafından nezaketle sunuldu.

Tonlarca deneyime ve hayata olumlu bir bakış açısına sahip aktif bir analist olan Tim Wilson'dan (onu Twitter'da takip edin) bu kadar derin bilgiler almak büyük bir zevkti.

Tim, 15 yılı aşkın bir süredir pazarlama ve müşteri verilerinin birçok boyutuyla çalıştı. 500 milyon dolarlık yüksek teknolojili işletmeler arası bir şirketin iş zekası departmanını yönetti ve dijital analitiği işlerine nasıl uygulayacakları konusunda en iyi 50 internet perakendecisine danıştı. Tim, pazarlamacı dostu bir veri meraklısıdır. Ve şimdi Search Discovery'de Kıdemli Analitik Direktörü.

Search Discovery, kuruluşlara iş performansını iyileştirmek için verileri kullanma yetkisi veren bir iş zekası ve analitik şirketidir.

Bugün analistler için en önemli beceriler nelerdir? Bir analistin SQL, Python ve R'yi bilmesi ve Data Studio, Tableau ve QlikView gibi en yaygın görselleştirme araçlarında panolar oluşturması gerekir mi?

Bu, son zamanlarda oldukça hararetle tartışılan konulardan biridir. Analistlerin elektronik tabloları ( Google E-Tablolar ve Excel ) gerçekten iyi bilmesi gerektiğini söyleyerek başlayalım. İşlerinin çoğunu burada yapmasalar bile, neredeyse her zaman elektronik tabloları kullanarak oldukça düzenli bir şekilde bilgi alıp göndereceklerdir.

Ve bir analist DÜŞEYARA ve pivot tablolar konusunda pek rahat değilse, o zaman analiz yaptıkları diğer herhangi bir platformla mücadele edeceklerdir.

Oradan, bir BI/görselleştirme aracıyla rahatlık (sorunuzdaki listeye Power BI'ı eklerdim ) giderek daha fazla bir gereklilik haline geliyor, ancak henüz birine yatırım yapmamış çok sayıda şirket var. Bu nedenle Google Data Studio'nun büyük bir hayranıyım - şirket ücretli bir platforma geçiş yapmamış olsa bile, analistlerin bazı temel görselleştirmeyi nasıl otomatikleştireceklerini ve anahtar verilerini bu şekilde keşfedebileceklerini bilmeleri gerekir. paydaşları ile paylaşılacaktır.

Günleri oldukça dolu olan birçok analistin, bu dillerde akıcılık kazanmak için gereken çok dik öğrenme eğrisini aşmadan değerli işler yaptığını görüyorum. Ama Excel ve BI platformları ile yapılabileceklerin bir sınırı var..

Modellerde kullanmak istedikleri yüksek hacimli ayrıntılı veriye sahip bir analist veya kuruluş için SQL ve Python veya R hızla olmazsa olmaz hale gelir.

Ve üçüncü bir zor beceri sınıfı eklerdim: istatistikler . Bu, ortalama, medyan ve standart sapma gibi sadece özet istatistiklerin ötesine geçmek ve regresyon ve korelasyonun - ve p değerleri ve R-kare - nasıl ve nerede kullanılabileceğini gerçekten anlamak anlamına gelir. Bu, verilerin doğası hakkında daha derin bir anlayış kazanmakla ilgili olduğu kadar, bu istatistiksel yöntemleri fiilen uygulamakla da ilgilidir.

İyi bir analist hangi yumuşak becerilere sahip olmalıdır?

Çok var! Etkili iletişim becerileri listenin başında yer alır ve bu, paydaşlarla birebir etkileşimlerden - ihtiyaçlarını aktif bir şekilde dinlemek ve anlamaktan - sonuçları sunabilmek için veri görselleştirmede en iyi uygulamaları uygulamaya kadar her şeyi içerir. bir analizin açık ve anlaşılır bir şekilde yapılmasıdır.

İyi bir analist ayrıca meraklıdır (iş hakkında, veriler hakkında, dünya hakkında), şüphecidir (verilerin ne gösterdiği konusunda - ne zaman bir sürpriz olsa, bunun bir veri sorunu olduğunu varsayar ve doğrulamak için derine iner) ve yüksek derecede azim vardır (kuruluş içindeki veri zorluklarının ve hatta insan/süreç zorluklarının üstesinden gelmek için). Bunlar "becerilerden" daha "karakter özellikleri" olabilir, ancak hepsi oldukça önemlidir.

Analistler ve pazarlama ekipleri arasındaki yanlış iletişimin yaygın olduğunu düşünüyor musunuz? Cevabınız evet ise bunun üstesinden nasıl geleceğinize dair herhangi bir öneriniz var mı?

Kesinlikle! Analistler ve pazarlamacılar farklı diller konuşur. Tecrübelerime göre, "pazarlama hakkında konuşmak" gerçekten analiste düşmeli. Bu, birkaç şey yapmaya gelir:

1. Dinleme

Problem çözmeye ( Bu soruyu yanıtlamak için hangi verileri çekebilirim? ) zamanından önce başlamak ve pazarlamacının ele almak istediği temel iş sorununu gerçekten araştırmamak cazip gelebilir.

2. Konuşmayan analist

Pazarlamacının biraz eğitimi iyidir - bir metrik ne anlama gelir, verilerdeki sınırlamalar nelerdir - ancak analistlerin gerekli olmadığında çok hızlı bir şekilde derin analitik terminolojisine girdiğini gördüm.
Bu, pazarlamacının kafasını karıştırabilir veya daha da kötüsü rahatsız hissetmesine veya moralinin bozulmasına neden olabilir ( analistin neden bahsettiğini bilmiyorum. Yapmam mı gerekiyor? Yapmam gerektiğini düşünüyor gibi görünüyor! ).

3. Asla, asla, ASLA kendinize paydaşların aptal olduğunu söylemeyin

Bu ölümcül bir hatadır - bir ilişki sorununun bir iletişim meselesinden ziyade bir zeka meselesi olduğuna karar vermek.

Analistler için hangi profesyonel kaynakları veya etkinlikleri önerebilirsiniz?

Nerede olurlarsa olsunlar analistler için önerebileceğim en önemli kaynak, Measure Slack ekibidir. Ücretsizdir ve sürekli etkileşim halinde olan ve birbirleriyle paylaşımda bulunan binlerce analist vardır. Birkaç haftada bir, X'i öğrenmek için iyi kaynaklar nelerdir hakkında bir tartışma dizisi var. veya Y için gidilecek iyi konferanslar nelerdir? bu yüzden kaynakları tanımlamak için bile bir kaynaktır!

Ayrıca, bazı harika konferanslar da var: MeasureCamp, tüm dünyada uygulanan ücretsiz bir konferans dışı konferanstır (ve yakınınızda bir konferans yoksa, bir tane başlatabilirsiniz!). Marketing Analytics Summit ve Digital Analytics Hub, ABD'de harika konferanslardır ve Superweek, Avrupa'da harika bir seçenektir.

Digital Analytics Association, üyelerine sunduğu kaynakları büyütmeye devam ediyor, bu nedenle bu, her türden harika materyal (ve hatta bir mentorluk programı) içeren harika bir kaynak. Herhangi bir sayıda çevrimiçi kurs sunan Coursera ve edX gibi bir dizi MOOC vardır.

Son olarak, bu röportajın tamamını gözden geçirip Digital Analytics Power Hour podcast'ini takmasaydım berbat bir pazarlamacı olurdum! Ancak tavsiyelerde bulunmam için çok sayıda analitik, makine öğrenimi ve AI podcast'i var - çok fazla (ve düzenli olarak dinleyemediğim çok fazla) - benim için.

Şirketleri veri odaklı hale getirmek için analistler ve pazarlama uzmanları hangi bilgileri kaçırıyor?

İş bağlamı ve derin bir belirsizlik anlayışı. Birincisi, hem analistlerin hem de pazarlamacıların sürekli olarak "cevapları bulmak" ve " içgörüler oluşturmak" isteyen verilere atladıklarını gördüğüm için, cevabın olası bir eyleme yol açacağı bir iş sorusunu açıkça formüle etmelerine inanıyorum.

İkincisini ifade etmek biraz daha zor. Ancak 1900'lerin başlarında "Reklamlara harcadığım paranın yarısı boşa gidiyor; sadece hangi yarısı bilmiyorum" diyen John Wannamaker'a geri dönersek, pazarlamacılar ve analistler verilerin daha çok "gerçeği" sağlamasını bekliyorlardı. olasılıklı bir dünyada nasıl çalışılacağını öğrenmekten çok.

Geçmişle ilgili "gerçeği" bilsek de, geçen ay siteme ne kadar trafik geldi? (ve bu bile "doğru" değil - orada veri toplama konusunda bu sayıyı sadece bir tahmin haline getiren çok fazla dağınıklık var), bu verileri geleceği etkilemek için etkin bir şekilde kullanmak, ne kadar "doğru" olduğuna dair derin bir anlayış geliştirmek anlamına gelir. "Verilerin çizdiği ve ardından buna göre çalıştığı dünyanın bir resmi.

İş olgunluğunun farklı aşamalarında (başlangıç, KOBİ, KOBİ, girişim) analistlerin yapması gereken en önemli şeyler nelerdir?

Aslında bu soruyu hiç düşünmedim. Bu ilginç bir şey! Yeni başlayanlar, kaynaklara daha fazla bağlı olma eğiliminde ve genel olarak bazı veri risklerini daha fazla üstlenebiliyor.

Bu nedenle, başlangıçların çoğu zaman - zorunluluktan dolayı - dağınık olmaları ve sınırlı veri yönetimi ve bazı potansiyel olarak kırılgan (hatta manuel!) entegrasyonlar ile ücretsiz araçları bir araya getirmeleri gerekir. Ve bu, büyümeyle birlikte sistemlerin olgunlaşmasının gerekeceği konusunda bir kabul olduğu sürece, çalışmak için iyi bir yoldur.

Bu genellikle, veri platformlarının elden geçirilmesi ve hatta tamamen değiştirilmesi gerektiği anlamına gelir.

Yelpazenin diğer ucunda - işletmeler - verileri etkileyen ve bunlara dayanan daha fazla insan ve süreç olduğu için yönetişim gerçekten büyük bir mesele haline geliyor. Ve tipik olarak, analitiklere ayrılacak daha fazla kaynak vardır, bu nedenle bunlardan bazıları yönetişim ve süreçlerden sorumlu olabilir (veya olmalıdır!) - çok sayıda rolü ve potansiyel olarak yakın çevreyi bile etkileyen bir başarısızlık riskini en aza indirerek. -İşin vadeli üst satırı.

Analitiği uygulamak söz konusu olduğunda ne gibi zorluklar görüyorsunuz ve pazarın genel gelişimini nasıl değerlendirirsiniz?

"Uygulamayı" veri toplama platformlarının uygulanmasıyla sınırlarsak, birçok zorlukla karşılaşırız:

• Tek sayfalı uygulamalar (SPA'lar) çok moda ve bunlar etiketleme zorluklarını beraberinde getiriyor.
• Makro düzeydeki tüketicinin mobil cihazlara geçişi ve markalarla cihazlar arasında etkileşim kurma olasılığının artması, cihazlar arası izlemeyi birçok kuruluş için daha önemli hale getirdi ve bunu başarmanın kolay bir yolu yok (bu, işin doğasına bağlıdır). şirket ve site).
• GDPR ve (ABD'de) CCPA gibi gizlilik düzenlemeleri, veri toplama dünyasına ek kısıtlamalar ve hususlar ekledi.
• Tanımlama bilgilerinin izlenmesinin ve silinmesinin engellenmesi, kullanıcıların tarayıcılarının küçük bir kısmına yüklenen reklam engelleyicilerden giderek, tarayıcıların kendilerinde standart varsayılanlar haline geliyor ve bunlar kesinlikle verilerle karışabiliyor!

Bir analistin yapabileceği en büyük hata nedir? Analitik hatalarından bazılarını paylaşabilir misin?

Bence en büyük başarı, burada ne elde etmeye çalışıyorum? soru kaybolur.

Bunu kabul etmeyi sevdiğimden daha fazla kez yaşadım - tamamen geçerli bir iş sorusuyla başladım, sonra altta yatan verilerin mekaniğine ve karmaşıklığına ve bu karmaşıklığı fethetme yeteneğime kapıldım. projenin sonunda, verilerin kendisiyle oldukça ilginç şeyler yaptım ama işi gerçekten ileriye taşıyan bir şey teslim etmemiştim.

Sizce pazarlama analitiğinin geleceği nedir? Hangi trendlerin geleceğini ve nelerin yüksek talep gördüğünü düşünüyorsunuz?

Veri bilimi ve makine öğrenimine dalmadan önce gerçekten temellere odaklanmanın gerekliliği konusundaki daha önceki düşüncelerime rağmen, giderek daha fazla şirketin makine öğrenimini etkili bir şekilde kullanmaya başladığını görmeye devam edeceğiz.

Bunun en büyük nedeni, kuruluşların giderek artan bir şekilde müşterileri ve beklentileri hakkında davranışsal, gözlemsel ve demografik ham verilere erişmesidir.

Örneğin 10 yıl önce dijital analitik platformları öncelikle toplu veri sağlıyordu. Bir raporda birden fazla boyut ve metrik olabilir, ancak buna rağmen mevcut veriler oturum düzeyinde veya kişi düzeyinde değildi.

Dijital analitik pazarındaki büyük oyuncular bu isabet düzeyindeki verileri kullanıma sunmaya başladıkça ve herhangi bir sayıda yeni martech platformu, hareket halindeyken bu düzeyde ayrıntıya sahip olduğundan, bu durum değişiyor. Ve bu, makine öğrenimi tekniklerinden gerçekten değer elde etmek için gereken verilerdir.

Bugün piyasada ne gibi sorunlar görüyorsunuz?

Gördüğüm büyük bir sorun, esasen piyasaya sihirli bir yapay zeka değnek satışına sahip olduklarını vaat eden çok sayıda girişim destekli girişimin olmasıdır. Çoğu (çoğu) durumda, bu pazarlama aldatmacasıdır.

Ancak teknoloji, insanlardan veya süreçlerden daha yüksek marjlı ve doğası gereği daha ölçeklenebilir olduğu için, sektördeki pazarlama dolarının gittiği yer burasıdır, bu da "piyasanın", bir kuruluş doğru teknolojiyi satın alıp uygularsa, doğru teknolojiyi satın alıp uygularsa, "piyasa" mesajıyla bombardımana tutulduğu anlamına gelir. aniden veri olgunluğuna sahip, yapay zeka destekli bir organizasyon haline gelecek.

Gerçeklik bu şekilde çalışmıyor, pek çok kuruluş teknoloji için büyük çekler yazarken, konu analitik personeli ve analitik süreç iyileştirmelerine dahili yatırım olduğunda kendilerini aç bırakıyor.

Şu anda hangi analitik zorluklarınız var?

Hala müşterilerimi temel bilgileri yerine getirmenin önemi konusunda sürekli olarak eğitmek zorundayım: açıkça belirlenmiş KPI'lar, güvenilir ve sağlam veri toplama, tekrarlayan görevlerin otomasyonu ve açıkça ifade edilmiş hipotezler tarafından yönlendirilen analizler. Bu, son 15 yılda gerçekten değişmeyen bir meydan okuma.

Daha yeni bir zorluk, veri bilimi, makine öğrenimi ve yapay zeka etrafındaki heyecandır. Zorluğun bir kısmı, aslında bu alanlarda kullanılan araçları hızlandırmak ve zorluğun bir kısmı, müşterilerin en yüksek değerleri temellere odaklanmaktan geldiğinde bu parlak yeni nesneleri kovalamak istemekten alıkoymaktır.

Bu kadar harika tavsiye için teşekkürler, Tim! Daha yetenekli analistlerin bunu takip edeceğini ve tüm analitik pazarının daha eğitimli, hevesli ve profesyonel hale geleceğini umuyoruz.

İrtibatta kalalım! Dijital analitiğin durumuna ilişkin araştırmamızdan çıkan sonraki röportajları okumak ve en iyi analistlerin deneyimini işinize uyarlamak için blogumuza abone olun.

Tim'e ne sorardın? Aşağıdaki yorumlarda bize bildirin!