使用現代營銷分析玩數字積木：克里斯托弗·佩恩訪談

今天對 Trust Insights 的首席數據科學家兼聯合創始人克里斯托弗·佩恩的採訪在發布之前就引起了轟動。 因此，拿些爆米花或一杯熱茶，閱讀這篇關於分析和分析師、現代營銷技術以及一切發展方向的文章。

一如既往，感謝 Mariia Bocheva 與 Christopher 進行了這次精彩的會談。

資料來源： Christopher Penn 的官方 Facebook 頁面

直接跳到這裡的興趣點：​

Mariia Bocheva：你能給我們簡單介紹一下你自己嗎？

Christopher Penn：我的背景是 IT。 我的碩士學位是信息系統管理。 2000 年代初，我開始在一家金融服務初創公司工作。 更新網絡服務器變成了更新網站，啟動修復電子郵件變成了發送電子郵件通訊。

當時發生的事情是營銷變成了營銷技術。 然後在 2000 年代末和本世紀初，我開始全職從事營銷工作，並開始處理更多數據。 那是我更加專注於數據科學的時候。 我在一家公關公司內部工作了大約五年，並真正開始更多地關注機器學習和人工智能。
大約兩年前，我與那家公司分道揚鑣，因為他們走的是不同的方向。 我真的很想專注於數據科學和機器學習。

MB：您提到了數據科學、機器學習和分析。 你認為今天最重要的硬技能是什麼？

CP：一共有三種技能。 回到 1964 年，有一位名叫哈羅德·萊維特 (Harold Leavitt) 的著名商業戰略家提出，每個人都需要勝任三個領域：人員、流程和技術。

對於熟練的分析師或熟練的數據科學家，您需要具備所有三個領域的能力。 你需要了解事物的人的一面，人們是如何工作的，整體的商業戰略和類似的東西，你需要很好地處理企業想要解決的問題。 你還需要掌握流程——事情是如何完成的——並能夠將其轉化為你所做的工作。 然後，當然，你需要獲得進行數據分析的技術、技能和數學知識——而且你需要能夠編碼。

這些是很少有人擁有數量相等且數量龐大的三大桶。 很多人在一個領域有技能，而在另外兩個領域卻很薄弱。 這可能是分析師必須能夠做的最重要的事情之一——找出他們的弱點。 可以說，是的，這就是我需要努力將我的水平提升到我強大的地方。

MB：這部分涵蓋了軟技能，因為我幾乎不會將了解人們如何工作稱為“硬技能”。 你怎麼看？ 你認為哪些軟技能很重要？

CP：硬技能和軟技能的區別更多的是內部和外部。 你的外部技能就是你所說的硬技能：與另一個人交談的能力，閱讀他們臉上的表情等等。

但在內部，這需要大量的自我意識。 它需要了解您自己的自我，使您作為商業專業人士或多或少有效的事物，以及您必須適應的弱點。 對於某些人來說，這是他們的自我，他們有能力說，是的，我總是必須是對的。 但不，你沒有。

事實上，這是數據分析中的致命罪行，對吧？ 我記得我曾與這家研究公司合作，他們的宣傳是“無論你想提出什麼觀點，我們都可以建立數據來支持它。” 這不是它的工作原理。 [笑] 然而，他們實際上是一家有信譽的公司，因為他們幫助公司發明數據來捍衛他們想要證明的東西。 所以人們和他們做生意是因為他們說你想听的話。

另一個超級重要的技能是能夠以他們可以理解的方式向其他人解釋事情。 再說一次，有那種同理心。 第三件事是真正能夠在多個層次上進行教學，能夠知道某人在哪裡（同理心部分），然後適應與你一起工作的聽眾。

我最近在內容營銷世界。 在一個觀眾中，我有一些是程序員的人。 所以我告訴編碼人員，好的，這對你們來說是馬爾可夫鏈建模，但對於其他人來說，它是數字積木。 能夠使您的教學適應某人是一項非常重要的軟技能。 如果您沒有設計教育指導的背景或任何經驗，這將非常困難。 我在老師的武術學校幫助了 25 年，這是我所掌握的一項很棒的技能——能夠看到有人正在為此苦苦掙扎，他們需要幫助，並確定有人在哪裡他們自己的職業發展非常重要。 這是一種沒有教過的技能。 你必須通過你自己的經驗來學習它。

MB：你認為這也與講故事和以人們可以理解的方式呈現數據的能力有關嗎？

CP：我同意是的。 心理學中有一種說法叫做“扔床墊”——每個人都有一個不同方向的心理通道。 如果你把床墊扔到門口，它只有幾種方法可以通過。 但每個人的門路都不一樣。 那麼你的觀眾是如何塑造的呢？ 你能把床墊扔到盡可能多的門口嗎？

我不喜歡“講故事”。 我不喜歡這句話的原因是因為營銷人員，尤其是沒有很好地掌握數據的營銷人員，往往過於以自我為中心，過於以公司為中心，並且會說，我們要告訴您是關於我們精彩產品的故事！ 但沒人在乎，對吧？ 講述觀眾想要的故事。 這又回到了同理心和自我意識。 這與您或公司無關。 這是關於觀眾需要什麼。

MB：這是一個很好的觀點。 我完全明白你的意思。 說到扔床墊以及每個人的不同之處，您如何看待分析師和營銷團隊之間的溝通不暢？ 您對如何改善溝通有什麼建議嗎？

CP：我認為這不是什麼大問題，因為沒有多少營銷團隊一開始就與分析師交談——甚至沒有機會接觸到他們。 我交談過的大多數營銷人員都被迫嘗試成為分析師，因為他們的公司沒有任何[分析師]，或者公司已將他們部署到更緊迫的業務問題上。 因此，對於那些糟糕的營銷人員來說，更大的挑戰是培養任何類型的分析技能來處理他們擁有的數據。

我無法告訴你我與營銷人員交談過多少次，他們說，哦，是的，我們有谷歌分析。 我不知道這意味著什麼。 我對谷歌分析一無所知。 進行這些討論真是太奇怪了。 你知道，這不是火箭手術。 但再一次，回到那種自我意識，這對他們來說是火箭手術，因為他們進入市場營銷是為了有創造力，為了鼓舞人心，為了寫得好，為了製作東西。 他們沒有進入市場營銷，因為他們喜歡定量科學。 否則，他們首先會成為一名數據科學家。

但現在，營銷技術和數字營銷已經迫使他們盡可能長時間地處理這個問題或忽略它。 當他們確實可以訪問數據或可以訪問分析師時，他們的成功將取決於他們的自我意識。

分析師沒有很好的營銷詞彙，營銷人員也沒有很好的數據科學和數據分析詞彙。 所以可能最重要和最容易做的事情就是在周五下午讓人們聚在一起喝你選擇的飲料，讓他們互相交談。 因為只要聽到人們談論它，您就可以對一門學科足夠熟悉。

此外，人們在很多地方都有通勤。 對於您的數據科學家收聽營銷播客或您的營銷人員收聽數據科學播客以真正開始聽到詞彙，聽到回歸、邏輯回歸和隨機森林之類的東西，這並不是一件壞事。 人們可能會說，哦，我應該問我的團隊這意味著什麼，或者每個都有不同的數據類型，我們如何解決它們？

這真的讓每個人都聽到了其他學科的詞彙，以此作為開始進行有意義的互動的一種方式。

MB：我真的很喜歡你把它放在一起的方式。 我有分析方面的背景，但我也從事營銷工作。 對我來說，這從來都不是問題，因為我接觸過兩者。 但是很多在一個領域工作的人並沒有接觸到另一個領域。

CP：沒錯。

MB：太好了。 在錯誤方面，您認為分析師可能犯的最大錯誤是什麼？ 也許您可以從您遇到的經驗中分享一些東西？

CP：就分析師所犯的錯誤而言……這些都是人的問題，對吧？ 所以第一個確實是預設偏見。 也就是說，我知道我在尋找什麼結果，我需要證明它。 沒有。 這個詞是不好奇的。 如果你不好奇，你不好奇，你不想找到正確的答案。 你想盡快找到答案，或者你想找到一個答案來證明你已經存在的偏見，你已經判斷過的結果，這些都是人類的問題，對嗎？ 這些與技術無關，沒有軟件可以解決這個問題。 沒有任何工具可以解決你的好奇心。

所以這是我們必須盡我們所能訓練和僱傭的東西，比什麼都重要。 而且您可以出於好奇而僱用，對嗎？

我曾經做過一個面試問題，我認為這總是很有趣，我會拿一副普通的撲克牌，然後在面試時把它交給一個人。 我會說，這是一副紙牌。 把它整理好。 我從未指定任何類型的訂單或類似的東西。 目標是觀察這個人，看看他們對這樣的指令有何反應。 他們恐慌嗎？ 可能不是這樣 是的，我明白了。 我會整理的。 但我沒有說我想要哪個順序。 同樣，他們有預設偏見，這很糟糕。 他們會問問題嗎？ 他們問了多少問題？ 當他們挖掘時，他們會推動你嗎？ 這些是您想要擁有的屬性。

MB：讓我們從另一個角度來討論同一件事的下一部分。 今天有很多流行語。 每個人都在談論公司是數據驅動的，但在這方面取得成功的公司並不多。 你認為這是為什麼？ 我們在分析或營銷方面是否缺少任何可以將公司帶到另一個層次並幫助他們成長並能夠使用他們擁有的數據的東西？

CP：這是一個人的問題，比什麼都重要。

數據驅動意味著你需要先用數據做出決定——不是經驗，不是智力，不是直覺，這不是我們一直這樣做的方式。

您需要查看數據然後走，好吧，這就是數據所說的，我們對它的處理方式很有信心，所以讓我們根據它做出決策。

這需要克服我的方式總是正確的——就像我們所說的那樣，HIPPO 問題 [最高薪人的意見]。 這是一個難以克服的文化和人類問題，因此成為數據驅動型真的非常非常困難。

第一件事——我的愛迪生研究公司的朋友湯姆韋伯斯特說——阻止某人被數據驅動是他們無法處理他們不喜歡的數據、分析和答案！

在武術中，我們有一個表達，你必須適應不舒服，這意味著你必須適應部分答案，不完整的答案，丟失一些你永遠不會擁有的數據，並且仍然能夠以產生業務影響的方式使用數據。 並不是說人們有專長問題或特定技能。 你可以教任何技能。 問題是你能不能讓這種文化轉變說，是的，即使我不喜歡這個答案，即使我不清楚答案，我仍然會用這個答案來做決定。

MB：所以這更多是關於文化轉變。

CP：確實如此。

MB：談到這種文化轉變，您對從哪裡開始有什麼建議嗎？

CP：為已經採用這種方式的公司工作。 這聽起來很輕率，但因為這是一件非常人性化的事情，如果你所在公司的 DNA 不是這樣，那麼要做出這樣的轉變是極其困難的，尤其是在領導層沒有接受的情況下。如果領導層就像,不，我們將按照我們一直以來的方式進行。 我們公司已有 126 年的歷史，我們一直都是這樣做的！ 好吧，你不會改變他們的想法。

我最近在一次會議上與某人共進晚餐。 他們說，我們公司已有 126 年曆史，我們的 CEO 說我們只希望它是 1950 年。 為什麼不能在 1950 年，當人們購買和使用我們的產品時，整個互聯網都消失了？ 好吧，壞消息，這不會發生。 [笑]

MB：這相當困難。 這裡有一個簡短的故事：我們與一家歷史悠久的公司合作。 他們成立於 1908 年或類似的家族企業，從那時起他們就生產內衣。 他們變得相當大。 現在他們在法國、荷蘭、英國、德國等地銷售。 他們有很多實體店，有不同的連鎖店。 他們有奢侈品細分市場、大眾市場細分市場等。 在某個時候，他們的電子商務團隊來找管理層說，我們需要增加預算，因為我們的開支在增長，我們正在帶來銷售等等。 他們說，你們知道嗎，伙計們，如果我們看一下總收入，你們只負責 5%。

所以電子商務團隊來找我們問，你能幫助我們證明，考慮到線下研究在線購買，我們實際上為公司創造了更多的收入，並且我們影響了更大的數字嗎？ 我們和他們一起做了一個項目，花了五六個月的時間。 但歸根結底，他們貢獻了近 30-35% 的收入。 它幫助他們證明他們在做事，這幫助他們增加了預算。 但是，是的，與董事會交談、顯示數字並試圖改變這種內部感覺需要一段時間。 正是你在說什麼。

CP：是的。 文化是硬的。 人們是艱難的。

MB：這讓我想到了另一個問題。 我想回到第一個關於硬技能的問題。 您在談論平台、人員和流程，但是您如何看待更多技術性的東西，比如簡單的 Python 和知道如何構建儀表板？ 也許統計？ 對於想要深入研究分析的人來說，有哪些重要的事情可以開始？

CP：好的，所以我對此有點抱怨。 儀表板是可視化的。 可視化是數據分析的關鍵部分。 它本身就是一門藝術。 您提到的技術——SQL、Python、R 等——不是可視化工具。 它們是計算工具。

在所有數據分析中，尤其是在營銷方面，最大的罪過之一就是試圖讓你的可視化工具進行計算。

這就像人們試圖製作他們的網站代碼並與內容交互，可視化。 出於某種原因，您的樣式表和 HTML 是分開的。 因為可視化與計算是分開的。 您絕對需要 SQL、Python、R、SPSS 和 OWOX，以及您使用的任何其他東西來進行計算並做好計算——以便能夠在後端提供所有數據分析，然後再進行可視化。

您的儀表板（如果您的可視化）在任何時候都不應該進行任何類型的計算。 你不應該混合數據，你不應該進行數據操作。 進入可視化的所有數據在到達之前都應該已經計算過了。

因為否則你會遇到這個巨大的治理問題。 老闆需要對某些東西進行新的更改，但我們不知道該數據點是如何到達那裡的。 所以我們不知道如何操作它。 所以我們不能做任何改變。 我們必須告訴老闆，對不起，我們需要六個星期的時間來解開我們的意大利面，了解這裡會發生什麼。

當你將計算與可視化分開時，老闆說，嘿，我想要這個，你說，太好了，我要進入我的計算層，加載我們的工作室，並更改代碼和計算邏輯。 我會推出一個新的數據點或改變點。 這導致了是的，條形圖，新的條形圖，就是這樣。 它使更改保持乾淨，使版本處於受控狀態。 它使所有數據操作都更容易管理，尤其是在規模上。

如果你是一個多合一的營銷人員，你可能會擺脫一個人，一個商店，一種工具之類的東西。 而且您不會遇到版本控制問題，因為您是唯一負責它的人。 但是，如果你離開或被解僱，那家公司就會徹底破產。 這是最糟糕的做法。

如果您在一家較大的公司，您的分析和營銷部門有多個人員，您必須將計算和可視化分開。 否則，您將浪費大量時間和金錢來弄清楚數據的存儲位置和負責人。

另一件事——這對於如今遵守 GDPR 和 CCPA 和其他法規非常重要——如果將可視化和計算混合在一起，就會出現訪問控制問題。 您有一個問題，您無法為誰可以訪問數據創建界限，這意味著您可以洩漏數據，您可以將其暴露給不應訪問某些數據源的員工。

當計算被單獨管理和處理時，您可以限制它並向您的可視化團隊說，您可以可視化您被允許擁有的所有這些，並且任何敏感的個人信息都不會交給可視化團隊保留它對他們來說是安全的。 人們這樣做以保持這些東西分開和清潔非常重要。

那麼負責可視化的分析師是否需要了解這些語言？ 絕對不。 計算人員需要知道嗎？ 百分百是的。

MB：你確實有一個重要的觀點。 當我們可視化現成的數據集並且其中沒有計算字段時，我真的很喜歡這種方法。

我想澄清一個我已經問過的問題。 有不同的業務階段或不同規模的業務或以不同規模運營的業務。 你可以從不同的角度來看待它。 SMB、SME、企業——他們對分析團隊都有不同的要求，或者至少看起來是這樣。 你怎麼看？ 您認為不同類型的公司對分析師的要求有區別嗎？

CP：從根本上說，每個人在營銷方面都有相同的目標，那就是幫助增加收入。 對？ 如果您的營銷目標不是幫助增加收入，我不確定您在營銷中做什麼。 但無論你在做什麼，你都做錯了。 因為歸根結底，這就是我們的職責——創造影響。 發生的事情並不是有不同的事情要做。 隨著公司規模的擴大，任務變得更加專業化。 當你是一家小公司的單人秀時，你可能是網頁設計師、電子郵件專家或女孩、分析師、統計學家、客戶服務人員。

隨著你的成長，你僱傭。 當你僱傭時，你就會專攻。 您開始拆分單個任務。 每個任務現在都有自己的報告和自己的數據，自己的可視化。 所以歸根結底，公司最常做錯的事情是他們忽略了這樣一個事實，即每一個專業領域，尤其是在企業中，仍然必須達到每個人都有的相同目標，即我們是否推動了業務影響？ 我們是幫助公司賺錢、省錢還是節省時間？ 增加客戶？ 所有這些東西。

因此，根據您的公司在其生命週期中的哪個階段，如果您是一位明智的分析師，您的角色就是要問：我在做什麼有助於實現大局目標？ 我個人的 KPI 是什麼？ 我的個人 KPI 是否與部門的 KPI 一致？ 它們與業務一致嗎？ 我在所有演講中使用的定義——你在 MAICON 會議 [營銷人工智能會議] 上聽到過——KPI 是一個決定你是否獲得獎金或被解僱的數字，對嗎？ 這是一個KPI。 如果它是一個數字，而您不會因此而獲得獎金或被解僱，那麼它就是一個指標。

因此，當您從這個角度來看，您正在努力實現的、您的團隊正在努力實現的、您的部門正在努力實現的、您的公司正在努力實現的 KPI 是什麼？ 你看看這些數字，有時它們沒有任何意義。 如果是這種情況，那麼作為分析師的你需要意識到這一點並舉起旗幟說，伙計們，我不確定這會帶來任何業務影響。 如果公司說你仍然必須這樣做，那就是你開始更新你的 LinkedIn 個人資料的時候。 因為如果一家公司正在努力實現荒謬的 KPI，他們就會倒閉。 這只是時間問題。

MB：所以為了確保我說的對，小公司和大公司對分析師的要求沒有區別，因為每個人的目標都是收入。

CP：是的，收入和業務影響——你是在幫助公司賺錢、省錢還是節省時間？ 這是每個人都想要和每個企業都需要的三個功能。 這與我們 10 千年以來一直在談論的事情相同：更好、更快、更便宜……每個人都想要這樣。 那麼，我們正在做些什麼來使我們的業務更好、更快、更便宜呢？

CP：是的。 這是當今機器學習和人工智能中最大的問題之一——不僅要知道盒子裡發生了什麼，還要解釋和解釋它。

可解釋性是對模型做了什麼的事後解釋，就像這件事發生了，而這些事情沒有發生。 當您查看 GDPR 等法規時，這還不夠好。 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, 感謝那。 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, 故事結局。 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. I strongly recommend it.

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!