使用现代营销分析玩数字积木：克里斯托弗·佩恩访谈

今天对 Trust Insights 的首席数据科学家兼联合创始人克里斯托弗·佩恩的采访在发布之前就引起了轰动。 因此，拿些爆米花或一杯热茶，阅读这篇关于分析和分析师、现代营销技术以及一切发展方向的文章。

一如既往，感谢 Mariia Bocheva 与 Christopher 进行了这次精彩的会谈。

资料来源： Christopher Penn 的官方 Facebook 页面

直接跳到这里的兴趣点：​

Mariia Bocheva：你能给我们简单介绍一下你自己吗？

Christopher Penn：我的背景是 IT。 我的硕士学位是信息系统管理。 2000 年代初，我开始在一家金融服务初创公司工作。 更新网络服务器变成了更新网站，启动修复电子邮件变成了发送电子邮件通讯。

当时发生的事情是营销变成了营销技术。 然后在 2000 年代末和本世纪初，我开始全职从事营销工作，并开始处理更多数据。 那是我更加专注于数据科学的时候。 我在一家公关公司内部工作了大约五年，并真正开始更多地关注机器学习和人工智能。
大约两年前，我与那家公司分道扬镳，因为他们走的是不同的方向。 我真的很想专注于数据科学和机器学习。

MB：您提到了数据科学、机器学习和分析。 你认为今天最重要的硬技能是什么？

CP：一共有三种技能。 回到 1964 年，有一位名叫哈罗德·莱维特 (Harold Leavitt) 的著名商业战略家提出，每个人都需要胜任三个领域：人员、流程和技术。

对于熟练的分析师或熟练的数据科学家，您需要具备所有三个领域的能力。 你需要了解事物的人的一面，人们是如何工作的，整体的商业战略和类似的东西，你需要很好地处理企业想要解决的问题。 你还需要掌握流程——事情是如何完成的——并能够将其转化为你所做的工作。 然后，当然，你需要获得进行数据分析的技术、技能和数学知识——而且你需要能够编码。

这些是很少有人拥有数量相等且数量庞大的三大桶。 很多人在一个领域有技能，而在另外两个领域却很薄弱。 这可能是分析师必须能够做的最重要的事情之一——找出他们的弱点。 可以说，是的，这就是我需要努力将我的水平提升到我强大的地方。

MB：这部分涵盖了软技能，因为我几乎不会将了解人们如何工作称为“硬技能”。 你怎么看？ 你认为哪些软技能很重要？

CP：硬技能和软技能的区别更多的是内部和外部。 你的外部技能就是你所说的硬技能：与另一个人交谈的能力，阅读他们脸上的表情等等。

但在内部，这需要大量的自我意识。 它需要了解您自己的自我，使您作为商业专业人士或多或少有效的事物，以及您必须适应的弱点。 对于某些人来说，这是他们的自我，他们有能力说，是的，我总是必须是对的。 但不，你没有。

事实上，这是数据分析中的致命罪行，对吧？ 我记得我曾与这家研究公司合作，他们的宣传是“无论你想提出什么观点，我们都可以建立数据来支持它。” 这不是它的工作原理。 [笑] 然而，他们实际上是一家有信誉的公司，因为他们帮助公司发明数据来捍卫他们想要证明的东西。 所以人们和他们做生意是因为他们说你想听的话。

另一个超级重要的技能是能够以他们可以理解的方式向其他人解释事情。 再说一次，有那种同理心。 第三件事是真正能够在多个层次上进行教学，能够知道某人在哪里（同理心部分），然后适应与你一起工作的听众。

我最近在内容营销世界。 在一个观众中，我有一些是程序员的人。 所以我告诉编码人员，好的，这对你们来说是马尔可夫链建模，但对于其他人来说，它是数字积木。 能够使您的教学适应某人是一项非常重要的软技能。 如果您没有设计教育指导的背景或任何经验，这将非常困难。 我在老师的武术学校帮助了 25 年，这是我所掌握的一项很棒的技能——能够看到有人正在为此苦苦挣扎，他们需要帮助，并确定有人在哪里他们自己的职业发展非常重要。 这是一种没有教过的技能。 你必须通过你自己的经验来学习它。

MB：你认为这也与讲故事和以人们可以理解的方式呈现数据的能力有关吗？

CP：我同意是的。 心理学中有一种说法叫做“扔床垫”——每个人都有一个不同方向的心理通道。 如果你把床垫扔到门口，它只有几种方法可以通过。 但每个人的门路都不一样。 那么你的观众是如何塑造的呢？ 你能把床垫扔到尽可能多的门口吗？

我不喜欢“讲故事”。 我不喜欢这句话的原因是因为营销人员，尤其是没有很好地掌握数据的营销人员，往往过于以自我为中心，过于以公司为中心，并且会说，我们要告诉您是关于我们精彩产品的故事！ 但没人在乎，对吧？ 讲述观众想要的故事。 这又回到了同理心和自我意识。 这与您或公司无关。 这是关于观众需要什么。

MB：这是一个很好的观点。 我完全明白你的意思。 说到扔床垫以及每个人的不同之处，您如何看待分析师和营销团队之间的沟通不畅？ 您对如何改善沟通有什么建议吗？

CP：我认为这不是什么大问题，因为没有多少营销团队一开始就与分析师交谈——甚至没有机会接触到他们。 我交谈过的大多数营销人员都被迫尝试成为分析师，因为他们的公司没有任何[分析师]，或者公司已将他们部署到更紧迫的业务问题上。 因此，对于那些糟糕的营销人员来说，更大的挑战是培养任何类型的分析技能来处理他们拥有的数据。

我无法告诉你我与营销人员交谈过多少次，他们说，哦，是的，我们有谷歌分析。 我不知道这意味着什么。 我对谷歌分析一无所知。 进行这些讨论真是太奇怪了。 你知道，这不是火箭手术。 但再一次，回到那种自我意识，这对他们来说是火箭手术，因为他们进入市场营销是为了有创造力，为了鼓舞人心，为了写得好，为了制作东西。 他们没有进入市场营销，因为他们喜欢定量科学。 否则，他们首先会成为一名数据科学家。

但现在，营销技术和数字营销已经迫使他们尽可能长时间地处理这个问题或忽略它。 当他们确实可以访问数据或可以访问分析师时，他们的成功将取决于他们的自我意识。

分析师没有很好的营销词汇，营销人员也没有很好的数据科学和数据分析词汇。 所以可能最重要和最容易做的事情就是在周五下午让人们聚在一起喝你选择的饮料，让他们互相交谈。 因为只要听到人们谈论它，您就可以对一门学科足够熟悉。

此外，人们在很多地方都有通勤。 对于您的数据科学家收听营销播客或您的营销人员收听数据科学播客以真正开始听到词汇，听到回归、逻辑回归和随机森林之类的东西，这并不是一件坏事。 人们可能会说，哦，我应该问我的团队这意味着什么，或者每个都有不同的数据类型，我们如何解决它们？

这真的让每个人都听到了其他学科的词汇，以此作为开始进行有意义的互动的一种方式。

MB：我真的很喜欢你把它放在一起的方式。 我有分析方面的背景，但我也从事营销工作。 对我来说，这从来都不是问题，因为我接触过两者。 但是很多在一个领域工作的人并没有接触到另一个领域。

CP：没错。

MB：太好了。 在错误方面，您认为分析师可能犯的最大错误是什么？ 也许您可以从您遇到的经验中分享一些东西？

CP：就分析师所犯的错误而言……这些都是人的问题，对吧？ 所以第一个确实是预设偏见。 也就是说，我知道我在寻找什么结果，我需要证明它。 没有。 这个词是不好奇的。 如果你不好奇，你不好奇，你不想找到正确的答案。 你想尽快找到答案，或者你想找到一个答案来证明你已经存在的偏见，你已经判断过的结果，这些都是人类的问题，对吗？ 这些与技术无关，没有软件可以解决这个问题。 没有任何工具可以解决你的好奇心。

所以这是我们必须尽我们所能训练和雇佣的东西，比什么都重要。 而且您可以出于好奇而雇用，对吗？

我曾经做过一个面试问题，我认为这总是很有趣，我会拿一副普通的扑克牌，然后在面试时把它交给一个人。 我会说，这是一副纸牌。 把它整理好。 我从未指定任何类型的订单或类似的东西。 目标是观察这个人，看看他们对这样的指令有何反应。 他们恐慌吗？ 可能不是这样 是的，我明白了。 我会整理的。 但我没有说我想要哪个顺序。 同样，他们有预设偏见，这很糟糕。 他们会问问题吗？ 他们问了多少问题？ 当他们挖掘时，他们会推动你吗？ 这些是您想要拥有的属性。

MB：让我们从另一个角度来讨论同一件事的下一部分。 今天有很多流行语。 每个人都在谈论公司是数据驱动的，但在这方面取得成功的公司并不多。 你认为这是为什么？ 我们在分析或营销方面是否缺少任何可以将公司带到另一个层次并帮助他们成长并能够使用他们拥有的数据的东西？

CP：这是一个人的问题，比什么都重要。

数据驱动意味着你需要先用数据做出决定——不是经验，不是智力，不是直觉，这不是我们一直这样做的方式。

您需要查看数据然后走，好吧，这就是数据所说的，我们对它的处理方式很有信心，所以让我们根据它做出决策。

这需要克服我的方式总是正确的——就像我们所说的那样，HIPPO 问题 [最高薪人的意见]。 这是一个难以克服的文化和人类问题，因此成为数据驱动型真的非常非常困难。

第一件事——我的爱迪生研究公司的朋友汤姆韦伯斯特说——阻止某人被数据驱动是他们无法处理他们不喜欢的数据、分析和答案！

在武术中，我们有一个表达，你必须适应不舒服，这意味着你必须适应部分答案，不完整的答案，丢失一些你永远不会拥有的数据，并且仍然能够以产生业务影响的方式使用数据。 并不是说人们有专长问题或特定技能。 你可以教任何技能。 问题是你能不能让这种文化转变说，是的，即使我不喜欢这个答案，即使我不清楚答案，我仍然会用这个答案来做决定。

MB：所以这更多是关于文化转变。

CP：确实如此。

MB：谈到这种文化转变，您对从哪里开始有什么建议吗？

CP：为已经采用这种方式的公司工作。 这听起来很轻率，但因为这是一件非常人性化的事情，如果你所在公司的 DNA 不是这样，那么要做出这样的转变是极其困难的，尤其是在领导层没有接受的情况下。如果领导层就像,不，我们将按照我们一直以来的方式进行。 我们公司已有 126 年的历史，我们一直都是这样做的！ 好吧，你不会改变他们的想法。

我最近在一次会议上与某人共进晚餐。 他们说，我们公司已有 126 年历史，我们的 CEO 说我们只希望它是 1950 年。 为什么不能在 1950 年，当人们购买和使用我们的产品时，整个互联网都消失了？ 好吧，坏消息，这不会发生。 [笑]

MB：这相当困难。 这里有一个简短的故事：我们与一家历史悠久的公司合作。 他们成立于 1908 年或类似的家族企业，从那时起他们就生产内衣。 他们变得相当大。 现在他们在法国、荷兰、英国、德国等地销售。 他们有很多实体店，有不同的连锁店。 他们有奢侈品细分市场、大众市场细分市场等。 在某个时候，他们的电子商务团队来找管理层说，我们需要增加预算，因为我们的开支在增长，我们正在带来销售等等。 他们说，你们知道吗，伙计们，如果我们看一下总收入，你们只负责 5%。

所以电子商务团队来找我们问，你能帮助我们证明，考虑到线下研究在线购买，我们实际上为公司创造了更多的收入，并且我们影响了更大的数字吗？ 我们和他们一起做了一个项目，花了五六个月的时间。 但归根结底，他们贡献了近 30-35% 的收入。 它帮助他们证明他们在做事，这帮助他们增加了预算。 但是，是的，与董事会交谈、显示数字并试图改变这种内部感觉需要一段时间。 正是你在说什么。

CP：是的。 文化是硬的。 人们是艰难的。

MB：这让我想到了另一个问题。 我想回到第一个关于硬技能的问题。 您在谈论平台、人员和流程，但是您如何看待更多技术性的东西，比如简单的 Python 和知道如何构建仪表板？ 也许统计？ 对于想要深入研究分析的人来说，有哪些重要的事情可以开始？

CP：好的，所以我对此有点抱怨。 仪表板是可视化的。 可视化是数据分析的关键部分。 它本身就是一门艺术。 您提到的技术——SQL、Python、R 等——不是可视化工具。 它们是计算工具。

在所有数据分析中，尤其是在营销方面，最大的罪过之一就是试图让你的可视化工具进行计算。

这就像人们试图制作他们的网站代码并与内容交互，可视化。 出于某种原因，您的样式表和 HTML 是分开的。 因为可视化与计算是分开的。 您绝对需要 SQL、Python、R、SPSS 和 OWOX，以及您使用的任何其他东西来进行计算并做好计算——以便能够在后端提供所有数据分析，然后再进行可视化。

您的仪表板（如果您的可视化）在任何时候都不应该进行任何类型的计算。 你不应该混合数据，你不应该进行数据操作。 进入可视化的所有数据在到达之前都应该已经计算过了。

因为否则你会遇到这个巨大的治理问题。 老板需要对某些东西进行新的更改，但我们不知道该数据点是如何到达那里的。 所以我们不知道如何操作它。 所以我们不能做任何改变。 我们必须告诉老板，对不起，我们需要六个星期的时间来解开我们的意大利面，了解这里会发生什么。

当你将计算与可视化分开时，老板说，嘿，我想要这个，你说，太好了，我要进入我的计算层，加载我们的工作室，并更改代码和计算逻辑。 我会推出一个新的数据点或改变点。 这导致了是的，条形图，新的条形图，就是这样。 它使更改保持干净，使版本处于受控状态。 它使所有数据操作都更容易管理，尤其是在规模上。

如果你是一个多合一的营销人员，你可能会摆脱一个人，一个商店，一种工具之类的东西。 而且您不会遇到版本控制问题，因为您是唯一负责它的人。 但是，如果你离开或被解雇，那家公司就会彻底破产。 这是最糟糕的做法。

如果您在一家较大的公司，您的分析和营销部门有多个人员，您必须将计算和可视化分开。 否则，您将浪费大量时间和金钱来弄清楚数据的存储位置和负责人。

另一件事——这对于如今遵守 GDPR 和 CCPA 和其他法规非常重要——如果将可视化和计算混合在一起，就会出现访问控制问题。 您有一个问题，您无法为谁可以访问数据创建界限，这意味着您可以泄漏数据，您可以将其暴露给不应访问某些数据源的员工。

当计算被单独管理和处理时，您可以限制它并向您的可视化团队说，您可以可视化您被允许拥有的所有这些，并且任何敏感的个人信息都不会交给可视化团队保留它对他们来说是安全的。 人们这样做以保持这些东西分开和清洁非常重要。

那么负责可视化的分析师是否需要了解这些语言？ 绝对不。 计算人员需要知道吗？ 百分百是的。

MB：你确实有一个重要的观点。 当我们可视化现成的数据集并且其中没有计算字段时，我真的很喜欢这种方法。

我想澄清一个我已经问过的问题。 有不同的业务阶段或不同规模的业务或以不同规模运营的业务。 你可以从不同的角度来看待它。 SMB、SME、企业——他们对分析团队都有不同的要求，或者至少看起来是这样。 你怎么看？ 您认为不同类型的公司对分析师的要求有区别吗？

CP：从根本上说，每个人在营销方面都有相同的目标，那就是帮助增加收入。 对？ 如果您的营销目标不是帮助增加收入，我不确定您在营销中做什么。 但无论你在做什么，你都做错了。 因为归根结底，这就是我们的职责——创造影响。 发生的事情并不是有不同的事情要做。 随着公司规模的扩大，任务变得更加专业化。 当你是一家小公司的单人秀时，你可能是网页设计师、电子邮件专家或女孩、分析师、统计学家、客户服务人员。

随着你的成长，你雇佣。 当你雇佣时，你就会专攻。 您开始拆分单个任务。 每个任务现在都有自己的报告和自己的数据，自己的可视化。 所以归根结底，公司最常做错的事情是他们忽略了这样一个事实，即每一个专业领域，尤其是在企业中，仍然必须达到每个人都有的相同目标，即我们是否推动了业务影响？ 我们是帮助公司赚钱、省钱还是节省时间？ 增加客户？ 所有这些东西。

因此，根据您的公司在其生命周期中的哪个阶段，如果您是一位明智的分析师，您的角色就是要问：我在做什么有助于实现大局目标？ 我个人的 KPI 是什么？ 我的个人 KPI 是否与部门的 KPI 一致？ 它们与业务一致吗？ 我在所有演讲中使用的定义——你在 MAICON 会议 [营销人工智能会议] 上听到过——KPI 是一个决定你是否获得奖金或被解雇的数字，对吗？ 这是一个KPI。 如果它是一个数字，而您不会因此而获得奖金或被解雇，那么它就是一个指标。

因此，当您从这个角度来看，您正在努力实现的、您的团队正在努力实现的、您的部门正在努力实现的、您的公司正在努力实现的 KPI 是什么？ 你看看这些数字，有时它们没有任何意义。 如果是这种情况，那么作为分析师的你需要意识到这一点并举起旗帜说，伙计们，我不确定这会带来任何业务影响。 如果公司说你仍然必须这样做，那就是你开始更新你的 LinkedIn 个人资料的时候。 因为如果一家公司正在努力实现荒谬的 KPI，他们就会倒闭。 这只是时间问题。

MB：所以为了确保我说的对，小公司和大公司对分析师的要求没有区别，因为每个人的目标都是收入。

CP：是的，收入和业务影响——你是在帮助公司赚钱、省钱还是节省时间？ 这是每个人都想要和每个企业都需要的三个功能。 这与我们 10 千年以来一直在谈论的事情相同：更好、更快、更便宜……每个人都想要这样。 那么，我们正在做些什么来使我们的业务更好、更快、更便宜呢？

CP：是的。 这是当今机器学习和人工智能中最大的问题之一——不仅要知道盒子里发生了什么，还要解释和解释它。

可解释性是对模型做了什么的事后解释，就像这件事发生了，而这些事情没有发生。 当您查看 GDPR 等法规时，这还不够好。 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, 感谢那。 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, 故事结局。 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. 我强烈推荐它。

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!

哇！ 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!