OWOX BI 数字分析状态研究：Tim Wilson 访谈

这次采访的问题是由 OWOX BI 业务发展主管 Mariia Bocheva 在 Superweek 会议上与 Tim Wilson 会面后准备的。 所有照片均由 Superweek – 欧洲分析峰会创始人 Banoczy Zoltan 友情提供。

很高兴能从 Tim Wilson 那里获得如此深刻的见解（在 Twitter 上关注他），他是一位经验丰富且对生活持积极态度的活跃分析师。

Tim 从事营销和客户数据的多个方面工作超过 15 年。 他为一家价值 5 亿美元的高科技 B2B 公司管理商业智能部门，并就如何将数字分析应用到他们的业务中咨询了多家排名前 50 的互联网零售商。 Tim 是一位对营销人员友好的数据极客。 现在他是 Search Discovery 的高级分析总监。

Search Discovery 是一家商业智能和分析公司，它使组织能够使用数据来提高业务绩效。

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 和 QlikView）中构建仪表板？

这是最近争论非常激烈的话题之一。 让我们首先说分析师必须非常了解电子表格（ Google 表格和 Excel ）。 即使这不是他们大部分工作的地方，他们几乎总是会定期使用电子表格获取和发送信息。

如果分析师对VLOOKUP和数据透视表不太满意，那么他们将在任何其他进行分析的平台上遇到困难。

从那里开始，对 BI/可视化工具的舒适度（我会将Power BI添加到您的问题列表中）越来越成为一项要求，尽管仍有很多公司尚未投资。 出于这个原因，我是Google Data Studio的忠实粉丝——即使该公司还没有涉足付费平台，分析师也需要知道如何自动化一些基本的可视化和关键数据的探索。与他们的利益相关者共享。

我看到很多分析师忙于完成有价值的工作，却没有爬上流利使用这些语言所需的非常陡峭的学习曲线。 但是使用 Excel 和 BI 平台可以做的事情是有限制的。

对于拥有大量粒度数据的分析师或组织，他们希望将其用于模型， SQL和Python或R很快成为必备工具。

我还要添加第三类硬技能：统计。 这意味着超越平均值、中位数和标准差等汇总统计数据，并真正了解回归和相关性（以及 p 值和 R 平方）的使用方式和位置。 这与实际部署这些统计方法一样，实际上是为了更深入地了解数据的性质。

一个好的分析师应该具备哪些软技能？

有许多！ 有效的沟通技巧是最重要的，这包括从与利益相关者的一对一互动——以积极的方式倾听和理解他们的需求——到在数据可视化中应用最佳实践到能够呈现结果的所有内容以清晰易懂的方式进行分析。

一个好的分析师也会好奇（对业务、数据、世界），怀疑（对数据显示的内容——任何时候出现意外，他/她都会认为这是一个数据问题并深入确认），并且具有高度的毅力（以克服组织内的数据挑战甚至人员/流程挑战）。 这些可能比“技能”更多的是“性格特征”，但它们都非常重要。

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？

绝对地！ 分析师和营销人员说不同的语言。 以我的经验，确实需要由分析师来“讲营销”。 这归结为做几件事：

1. 聆听

过早地开始解决问题（我可以提取哪些数据来回答这个问题？ ）而不是真正探索营销人员希望解决的潜在业务问题可能很诱人。

2. 不会说话的分析师

营销人员的一些教育很好——度量意味着什么，数据中的限制是什么——但我看到分析师在不必要的时候太快地陷入了深入的分析术语。
这会使营销人员感到困惑，或者更糟的是，感到不舒服或失望（我不知道分析师在说什么。我应该这样做吗？他/她似乎认为我应该这样做！ ）。

3. 永远，永远，永远不要告诉自己利益相关者是愚蠢的

这是一个致命的错误——认为关系挑战是智力问题而不是沟通问题。

您可以向分析师推荐哪些专业资源或活动？

我可以向分析师推荐的最佳资源，无论他们身在何处，都是 Measure Slack 团队。 它是免费的，并且有成千上万的分析师不断地相互交流和交流。 每隔几周，就会有一个关于学习 X 的好资源是什么？ 或者对于 Y 来说，有哪些好的会议可以参加？ 所以它甚至是识别资源的资源！

另外，还有一些很棒的会议：MeasureCamp 是一个免费的非会议，可以在世界各地举行（如果你附近没有，那么你可以开始一个！）。 Marketing Analytics Summit 和 Digital Analytics Hub 在美国是很棒的会议，而 Superweek 在欧洲是一个很棒的选择。

数字分析协会正在继续增加向其成员提供的资源，因此这是一个包含各种优质材料（甚至是指导计划）的优质资源。 有许多 MOOC，如 Coursera 和 edX，提供任意数量的在线课程。

最后，如果我完成了整个采访并且没有插入 Digital Analytics Power Hour 播客，我将成为一个糟糕的营销人员！ 但是那里有大量的分析、机器学习和 AI 播客——太多了（而且太多了，我无法定期收听）——我无法尝试提出建议。

为了使公司数据驱动，分析师和营销专家缺少哪些知识？

业务背景和对不确定性的深刻理解。 前者，我相信，因为我经常看到分析师和营销人员跳入数据中想要“寻找答案”和“产生洞察力”，而没有明确提出一个商业问题，答案将导致可能的行动。

后者表达起来有点棘手。 但一直追溯到 1900 年代初期的约翰·万纳梅克（John Wannamaker）指出，“我花在广告上的钱有一半被浪费了；我只是不知道是哪一半”，营销人员和分析师一直期望数据能够提供“真相”，而不是而不是学习如何在概率世界中运作。

虽然我们可能知道过去的“真相”，比如上个月我的网站有多少流量？ （即使那不是“真实的”——那里的数据收集有很多混乱，甚至使这个数字只是一个估计），有效地利用这些数据来影响未来意味着深入了解“真实”的程度“数据正在绘制的世界图片，然后进行相应的操作。

分析师在业务成熟度的不同阶段（初创公司、SMB、SME、企业）需要做的最重要的事情是什么？

我从来没有真正考虑过这个问题。 这是一个有趣的！ 我认为，初创公司往往更受资源限制，而且通常更有能力承担一些数据风险。

因此，初创公司经常——出于必要——需要拼凑起来，将免费工具与有限的数据治理和一些潜在的脆弱（甚至是手动！）集成拼凑在一起。 这是一种很好的操作方式，只要人们认识到，随着增长，系统需要成熟。

这通常意味着数据平台将需要彻底检修，甚至完全更换。

在频谱的另一端——企业——治理变得非常重要，因为有更多的人和流程影响和依赖数据。 而且，通常情况下，有更多资源可用于分析，因此其中一些可以（或应该！）负责治理和流程 - 最大限度地降低影响大量角色的失败风险，甚至可能影响近- 长期的业务顶线。

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？

如果我们把“实施”局限在数据采集平台的实施上，就会面临很多挑战：

• 单页应用程序 (SPA) 非常流行，这些应用程序引入了标记挑战。
• 宏观层面的消费者转向移动设备——以及他们跨设备与品牌互动的可能性增加——使得跨设备跟踪对许多组织来说更加重要，并且没有直接的方法来实现这一点（这取决于公司和网站）。
• GDPR 和（在美国）CCPA 等隐私法规为数据收集领域增加了额外的限制和考虑因素。
• 跟踪和删除 cookie 的阻止越来越多地从安装在一小部分用户浏览器上的广告阻止程序转变为浏览器本身的标准默认设置，这肯定会破坏数据！

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？

我认为，最大的成就是对摆弄数据感到非常兴奋，我想在这里实现什么？ 问题迷失了。

这种情况发生的次数比我愿意承认的要多——我从一个完全有效的业务问题开始，然后被底层数据的机制及其复杂性以及我克服这种复杂性的能力所吸引，因此，在项目结束时，我用数据本身做了一些非常有趣的事情，但我没有交付真正推动业务向前发展的东西。

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？

尽管我之前认为在深入研究数据科学和机器学习之前需要真正关注基础知识，但我认为我们将继续看到越来越多的公司将机器学习投入有效使用。

造成这种情况的最大原因是，越来越多的组织可以访问有关其客户和潜在客户的原始数据——行为、观察和人口统计。

例如，10 年前，数字分析平台主要提供聚合数据。 报告中可能有多个维度和指标，但即便如此，可用的数据也不是会话级别或个人级别的。

随着数字分析市场的主要参与者开始提供这些热门数据，这种情况一直在发生变化，并且任何数量的较新的 martech 平台从一开始就可以提供这种级别的详细信息。 这就是真正从机器学习技术中获得价值所需的数据。

您在今天的市场上看到了哪些问题？

我看到的一个大问题是，有大量由风险投资支持的初创公司基本上向市场承诺他们有一根神奇的人工智能魔杖可供出售。 在许多（大多数）情况下，这是营销炒作。

但由于技术比人员或流程具有更高的利润和本质上更具可扩展性，这就是该行业的营销资金流向的地方，这意味着“市场”会受到这样一种信息的轰炸，即如果一个组织只是购买并实施了正确的技术，他们将突然变成一个数据成熟、人工智能驱动的组织。

现实并非如此，很多很多组织都在为技术编写大量检查，同时在分析人员和分析流程改进的内部投资方面让自己挨饿。

您现在面临哪些分析挑战？

我仍然必须不断地教育我的客户了解基础知识的重要性：明确建立的 KPI、可靠和强大的数据收集、重复性任务的自动化以及由明确表达的假设驱动的分析。 这是一个在过去 15 年中确实没有改变的挑战。

最近的一个挑战是围绕数据科学、机器学习和人工智能的兴奋。 部分挑战实际上是增加在这些领域使用的工具，部分挑战是让客户不想追逐这些闪亮的新对象，而他们的最高价值来自于关注基础知识。

谢谢你这么多好建议，蒂姆！ 我们希望有更多有才华的分析师跟随它，并且整个分析市场将变得更有教育、热情和专业。

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。

你会问蒂姆什么？ 在下面的评论中让我们知道！