OWOX BI 数字分析现状研究：Simo Ahava 访谈

在 Go Analytics 的鼓舞人心的演讲之后，我们有机会采访了 Simo Ahava！ 会议作为我们对 2019 年数字分析状态研究的一部分。

Simo Ahava 是一位才华横溢的分析师，也是 8-bit-sheep 的联合创始人，该公司是一家专门创建健康沟通结构的咨询公司。 所以他非常熟悉如何培养有效的分析。我们讨论了许多营销人员或分析师都会感兴趣的问题。 它们分为以下几类：

所有问题都是由我们的业务发展主管 Mariia Bocheva 准备和提出的（她喜欢在我们的日常会议中大声引用 Simo 的博客）。 :)

在实施分析方面，您认为有哪些困难？您如何评估市场的整体发展？

我想主要的困难是理解每个工具的可能性和局限性。 市场上的每一个工具都有一定程度的黑盒特性。 我并不是说这些工具隐藏了它们的工作方式（尽管有些是故意的），而是将这些工具集成到组织的流程中可能是非常不可预测的。

我还担心这么多新服务如何努力让事情变得“更快”。 好像速度天生就是所有公司都必须遵循的美德。 快速往往是以小心为代价的，而且总是有风险做一些非常快的事情，只是为了产生可能非常误导的结果。

我确实认为对技术堆栈的整体知识和理解有所提高，因为标签管理解决方案等工具揭开了开发者世界的神秘面纱。 太好了——我希望这种趋势在未来会继续下去。 同样，云服务变得更容易获得和负担得起，这导致对自动化和数据工程的兴趣增加。

分析师如何对营销产生更大的影响？

它们对营销团队有何用处？

分析师不必对营销产生影响。 数据可以。 “分析师”只是对角色的描述，我个人认为让一个被贴上“分析师”标签的人成为组织中的强大力量几乎是有害的。 一旦你聘请了一名分析师，你就已经找到了可以将所有“数据资料”委托给的人。

因为分析师处理数据，他们的角色应该超越不同的团队，他们应该充当组织不同部分之间的桥梁。 这样一来，他们更像是 Scrum 主管和产品负责人，而不是个人数据处理者。

您现在面临哪些分析挑战？

我本身并没有面临任何分析挑战，但理解我使用的工具以及如何最好地使用这些工具来帮助组织更好地理解他们的数据是一个持续的挑战。

同时，我也面临如何让组织更加意识到自己的缺点的挑战。 分析或任何数字学科面临的最大挑战是如何将其整合到组织的流程中而不夸张或夸张。 许多公司努力成为“数据驱动”或“数字优先”，这很快就变成了寻找最好的工具，而事实上这些组织应该专注于建立多学科团队，更灵活的服务设计方法，并且在弄清楚什么工具可以完成所有这些工作之前，加深了对需要解决哪些业务问题和问题的理解。

您认为分析师和营销团队之间的沟通不畅很常见吗？ 如果是，您对如何克服它有什么建议吗？

这就像组织中任何两个人之间的沟通不畅一样普遍。 沟通不畅怎么解决？ 通过更好的沟通:)

从敏捷方法学（例如 Scrum）中可以学到很多东西，这些方法完全依赖于组织中健壮的通信结构。 如果您发现存在沟通问题，则绝对有必要找出它们存在的原因并通过引入新的沟通设置和上下文来解决它们，例如日常会议、积压梳理、回顾会议和演示。

为了使公司数据驱动，分析师和营销专家缺少哪些知识？

我认为他们主要缺少两件事：

1. 他们认为公司应该是数据驱动的
2. 周围人的认同和信任

如果您使用诸如“数据驱动”之类的术语，就很难推动变革。 一家公司是由数据、直觉、专业知识、人力资源等混合驱动的。没有什么可以推动变革。

很难在公司找到立足点的另一个原因是对你所做的事情缺乏信任。 这是一个沟通问题。 所以看看我对上一个问题的回答:)

通过让您的努力透明化，可以获得认可和信任——在办公室各处添加大型仪表板，让数据成为演示和冲刺会议中讨论的焦点，让每个人都意识到对产品或服务所做的每一件小事都有可衡量的影响。

要深入了解 Simo Ahava 对沟通问题的看法，请下载他的演示文稿以在聆听他为 Go Analytics 的现场表演的同时阅读它！ 会议。

您认为营销分析的未来是什么？

您认为即将到来的趋势是什么，什么是高需求？

我觉得未来很模糊。 浏览器和应用程序空间的限制（Safari 对第一方 cookie 的抑制、广告和内容屏蔽等）、对隐私驱动设计的需求增加以及信号数据在长期内的不可靠性都使得对等变得困难进入未来。

我确信营销分析将继续从单一供应商方法（例如谷歌分析）转向更全面的数据管道，这意味着数据工程师的需求将越来越大。

您在今天的市场上看到了哪些机会？

有供应商、组织、个人、国家、政治家、立法者和一般人在做傻事。 所有这些都导致了数字学科的不确定性，包括营销。 我们可以从表面上接受这一点，并在越来越有限的空间中继续奋斗，或者我们可以打破孤岛，开始考虑营销分析，而不是单一学科，而是公司可以实现的更广泛的可能性与数据。

营销与产品和服务设计紧密结合。 如果一个组织有一个专门的营销团队，不参与公司实际生产的日常机制，那么这就是一个问题。 同样，如果组织仍然认为找到最好的工具是解决所有问题的方法，那么这就是一个问题。

就个人而言，我认为最大的问题是从未真正消失的问题：无法沟通。 一个组织可能面临的每一个小问题，从最小的错误到最大的公关灾难，都可以追溯到两个或更多人之间的沟通问题。 解决这些沟通问题是修复组织的关键，修复组织是更健康市场的关键。

对于当今的分析师来说，哪些硬技能最重要？ 分析师是否必须了解 SQL、Python 和 R 并在最常见的可视化工具（如 Data Studio、Tableau、QlikView 等）中构建仪表板？

我认为分析的基线仍然在很大程度上取决于您想要进行的分析类型。 为技能设定期望的问题在于，它创造了排他性，而不是邀请人们开始使用该学科。 当您进入分析领域并且没有编程语言或外部可视化工具的经验时，您可以做很多事情。 但是，一旦您取得进展，要求就会变得更加具体。​​​

• 对于 Web 分析，了解浏览器堆栈至关重要。
• 对于任何处理大型数据集的人来说，SQL 是必须的。
• Python vs. R 是一个常青的讨论，但如果你想从事分析工作，我认为两者都没有必要。

但如果我不得不选择，我会选择 Python，因为它的可扩展性超出了数据分析的范畴。

一个好的分析师应该具备哪些软技能？

对他们工作的商业环境有同理心，快速反应以适应周围的变化，跨越孤岛工作而不是加强它们的桥梁建设心态，以及对学习新事物的永不满足的渴望。

最重要的技能是沟通。 如果产生数据的组织中的人员无法沟通，数据就是真正遭受损失的事情之一。 数据是组织的蓝图，它可以比任何顾问更诚实地揭示组织中的缺陷。

分析师可能犯的最大错误是什么？

你能分享一些你的分析错误吗？

在我看来，任何处理数据的人都会犯的最大错误是故意曲解或滥用指标来支持一个失败的假设。 我经常在刚开始使用 A/B 测试或刚刚实施 Google Analytics 的低成熟度组织中看到这种情况。 他们将转换配置为支持“不言而喻”的假设，并故意避免接受与他们直觉认为正确的结果背道而驰的测试结果。

例如，在使用跳出率这样简单的东西来描述网站上的参与度时，可以看到同样的思维方式。 如果没有广泛的定制，也没有一致的实施策略将所有这些参与活动映射到反弹终止事件，那么反弹率是一个肤浅的指标，往往会导致错误的结论。

作为顾问，我自己的错误通常与我上面描述的两件事有关。 在我需要能够快速产生良好结果的情况下，我很容易被分析的“易用性”所吸引。 这是我尽量避免的事情，但对数据完全不偏不倚往往非常困难。 我发现在我对客户的业务没有过多投入情感的情况下，更容易做到公平——在这些情况下，更容易坦诚相待，并试图说服组织改变他们的思维方式。

我们非常感谢 Simo 的所有回答，并准备在他的每一个字下签字。 在过去的 20 年里，数据海洋中的潮流开始加快速度，甚至压垮了一些船只。 使用适当的工具深入研究您的数据很重要，但更重要的是拥有一支真正敬业的团队。

我们完全同意西莫的观点。 每天，我们都在提供我们的服务，通过简化数据的收集、对齐、报告和可视化，使 CMO、营销人员和分析师能够在他们的公司中实现新的数据分析水平。

所以让我们保持联系！ 订阅我们的博客，阅读我们对数字分析状态研究的下一次采访，并让顶级分析师的经验适应您的业务。

你想问西莫什么？ 在下面的评论中让我们知道！