OWOX BI 數字分析現狀研究：Simo Ahava 訪談

在 Go Analytics 的鼓舞人心的演講之後，我們有機會採訪了 Simo Ahava！ 會議作為我們對 2019 年數字分析狀態研究的一部分。

Simo Ahava 是一位才華橫溢的分析師，也是 8-bit-sheep 的聯合創始人，該公司是一家專門創建健康溝通結構的諮詢公司。 所以他非常熟悉如何培養有效的分析。我們討論了許多營銷人員或分析師都會感興趣的問題。 它們分為以下幾類：

所有問題都是由我們的業務發展主管 Mariia Bocheva 準備和提出的（她喜歡在我們的日常會議中大聲引用 Simo 的博客）。 :)

在實施分析方面，您認為有哪些困難？您如何評估市場的整體發展？

我想主要的困難是理解每個工具的可能性和局限性。 市場上的每一個工具都有一定程度的黑盒特性。 我並不是說這些工具隱藏了它們的工作方式（儘管有些是故意的），而是將這些工具集成到組織的流程中可能是非常不可預測的。

我還擔心這麼多新服務如何努力讓事情變得“更快”。 好像速度天生就是所有公司都必須遵循的美德。 快速往往是以小心為代價的，而且總是有風險做一些非常快的事情，只是為了產生可能非常誤導的結果。

我確實認為對技術堆棧的整體知識和理解有所提高，因為標籤管理解決方案等工具揭開了開發者世界的神秘面紗。 太好了——我希望這種趨勢在未來會繼續下去。 同樣，雲服務變得更容易獲得和負擔得起，這導致對自動化和數據工程的興趣增加。

分析師如何對營銷產生更大的影響？

它們對營銷團隊有何用處？

分析師不必對營銷產生影響。 數據可以。 “分析師”只是對角色的描述，我個人認為讓一個被貼上“分析師”標籤的人成為組織中的強大力量幾乎是有害的。 一旦你聘請了一名分析師，你就已經找到了可以將所有“數據資料”委託給的人。

因為分析師處理數據，他們的角色應該超越不同的團隊，他們應該充當組織不同部分之間的橋樑。 這樣一來，他們更像是 Scrum 主管和產品負責人，而不是個人數據處理者。

您現在面臨哪些分析挑戰？

我本身並沒有面臨任何分析挑戰，但理解我使用的工具以及如何最好地使用這些工具來幫助組織更好地理解他們的數據是一個持續的挑戰。

同時，我也面臨如何讓組織更加意識到自己的缺點的挑戰。 分析或任何數字學科面臨的最大挑戰是如何將其整合到組織的流程中而不誇張或誇張。 許多公司努力成為“數據驅動”或“數字優先”，這很快就變成了尋找最好的工具，而事實上這些組織應該專注於建立多學科團隊，更靈活的服務設計方法，並且在弄清楚什麼工具可以完成所有這些工作之前，加深了對需要解決哪些業務問題和問題的理解。

您認為分析師和營銷團隊之間的溝通不暢很常見嗎？ 如果是，您對如何克服它有什麼建議嗎？

這就像組織中任何兩個人之間的溝通不暢一樣普遍。 溝通不暢怎麼解決？ 通過更好的溝通:)

從敏捷方法學（例如 Scrum）中可以學到很多東西，這些方法完全依賴於組織中健壯的通信結構。 如果您發現存在溝通問題，則絕對有必要找出它們存在的原因並通過引入新的溝通設置和上下文來解決它們，例如日常會議、積壓梳理、回顧會議和演示。

為了使公司數據驅動，分析師和營銷專家缺少哪些知識？

我認為他們主要缺少兩件事：

1. 他們認為公司應該是數據驅動的
2. 周圍人的認同和信任

如果您使用諸如“數據驅動”之類的術語，就很難推動變革。 一家公司是由數據、直覺、專業知識、人力資源等混合驅動的。沒有什麼可以推動變革。

很難在公司找到立足點的另一個原因是對你所做的事情缺乏信任。 這是一個溝通問題。 所以看看我對上一個問題的回答:)

通過讓您的努力透明化，可以獲得認可和信任——在辦公室各處添加大型儀表板，讓數據成為演示和衝刺會議中討論的焦點，讓每個人都意識到對產品或服務所做的每一件小事都有可衡量的影響。

要深入了解 Simo Ahava 對溝通問題的看法，請下載他的演示文稿以在聆聽他為 Go Analytics 的現場表演的同時閱讀它！ 會議。

您認為營銷分析的未來是什麼？

您認為即將到來的趨勢是什麼，什麼是高需求？

我覺得未來很模糊。 瀏覽器和應用程序空間的限制（Safari 對第一方 cookie 的抑制、廣告和內容屏蔽等）、對隱私驅動設計的需求增加以及信號數據在長期內的不可靠性都使得對等變得困難進入未來。

我確信營銷分析將繼續從單一供應商方法（例如穀歌分析）轉向更全面的數據管道，這意味著數據工程師的需求將越來越大。

您在今天的市場上看到了哪些機會？

有供應商、組織、個人、國家、政治家、立法者和一般人在做傻事。 所有這些都導致​​了數字學科的不確定性，包括營銷。 我們可以從表面上接受這一點，並在越來越有限的空間中繼續奮鬥，或者我們可以打破孤島，開始考慮營銷分析，而不是單一學科，而是公司可以實現的更廣泛的可能性與數據。

營銷與產品和服務設計緊密結合。 如果一個組織有一個專門的營銷團隊，不參與公司實際生產的日常機制，那麼這就是一個問題。 同樣，如果組織仍然認為找到最好的工具是解決所有問題的方法，那麼這就是一個問題。

就個人而言，我認為最大的問題是從未真正消失的問題：無法溝通。 一個組織可能面臨的每一個小問題，從最小的錯誤到最大的公關災難，都可以追溯到兩個或更多人之間的溝通問題。 解決這些溝通問題是修復組織的關鍵，修復組織是更健康市場的關鍵。

對於當今的分析師來說，哪些硬技能最重要？ 分析師是否必須了解 SQL、Python 和 R 並在最常見的可視化工具（如 Data Studio、Tableau、QlikView 等）中構建儀表板？

我認為分析的基線仍然在很大程度上取決於您想要進行的分析類型。 為技能設定期望的問題在於，它創造了排他性，而不是邀請人們開始使用該學科。 當您進入分析領域並且沒有編程語言或外部可視化工具的經驗時，您可以做很多事情。 但是，一旦您取得進展，要求就會變得更加具體。​​​

• 對於 Web 分析，了解瀏覽器堆棧至關重要。
• 對於任何處理大型數據集的人來說，SQL 是必須的。
• Python vs. R 是一個常青的討論，但如果你想從事分析工作，我認為兩者都沒有必要。

但如果我不得不選擇，我會選擇 Python，因為它的可擴展性超出了數據分析的範疇。

一個好的分析師應該具備哪些軟技能？

對他們工作的商業環境有同理心，快速反應以適應周圍的變化，跨越孤島工作而不是加強它們的橋樑建設心態，以及對學習新事物的永不滿足的渴望。

最重要的技能是溝通。 如果產生數據的組織中的人員無法溝通，數據就是真正遭受損失的事情之一。 數據是組織的藍圖，它可以比任何顧問更誠實地揭示組織中的缺陷。

分析師可能犯的最大錯誤是什麼？

你能分享一些你的分析錯誤嗎？

在我看來，任何處理數據的人都會犯的最大錯誤是故意曲解或濫用指標來支持一個失敗的假設。 我經常在剛開始使用 A/B 測試或剛剛實施 Google Analytics 的低成熟度組織中看到這種情況。 他們將轉換配置為支持“不言而喻”的假設，並故意避免接受與他們直覺認為正確的結果背道而馳的測試結果。

例如，在使用跳出率這樣簡單的東西來描述網站上的參與度時，可以看到同樣的思維方式。 如果沒有廣泛的定制，也沒有一致的實施策略將所有這些參與活動映射到反彈終止事件，那麼反彈率是一個膚淺的指標，往往會導致錯誤的結論。

作為顧問，我自己的錯誤通常與我上面描述的兩件事有關。 在我需要能夠快速產生良好結果的情況下，我很容易被分析的“易用性”所吸引。 這是我盡量避免的事情，但對數據完全不偏不倚往往非常困難。 我發現在我對客戶的業務沒有過多投入情感的情況下，更容易做到公平——在這些情況下，更容易坦誠相待，並試圖說服組織改變他們的思維方式。

我們非常感謝 Simo 的所有回答，並準備在他的每一個字下簽字。 在過去的 20 年裡，數據海洋中的潮流開始加快速度，甚至壓垮了一些船隻。 使用適當的工具深入研究您的數據很重要，但更重要的是擁有一支真正敬業的團隊。

我們完全同意西莫的觀點。 每天，我們都在提供我們的服務，通過簡化數據的收集、對齊、報告和可視化，使 CMO、營銷人員和分析師能夠在他們的公司中實現新的數據分析水平。

所以讓我們保持聯繫！ 訂閱我們的博客，閱讀我們對數字分析狀態研究的下一次採訪，並讓頂級分析師的經驗適應您的業務。

你想問西莫什麼？ 在下面的評論中讓我們知道！