OWOX BI 數字分析狀態研究：Tim Wilson 訪談

這次採訪的問題是由 OWOX BI 業務發展主管 Mariia Bocheva 在 Superweek 會議上與 Tim Wilson 會面後準備的。 所有照片均由 Superweek – 歐洲分析峰會創始人 Banoczy Zoltan 友情提供。

很高興能從 Tim Wilson 那裡獲得如此深刻的見解（在 Twitter 上關注他），他是一位經驗豐富且對生活持積極態度的活躍分析師。

Tim 從事營銷和客戶數據的多個方面工作超過 15 年。 他為一家價值 5 億美元的高科技 B2B 公司管理商業智能部門，並就如何將數字分析應用到他們的業務中諮詢了多家排名前 50 的互聯網零售商。 Tim 是一位對營銷人員友好的數據極客。 現在他是 Search Discovery 的高級分析總監。

Search Discovery 是一家商業智能和分析公司，它使組織能夠使用數據來提高業務績效。

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 和 QlikView）中構建儀表板？

這是最近爭論非常激烈的話題之一。 讓我們首先說分析師必須非常了解電子表格（ Google 表格和 Excel ）。 即使這不是他們大部分工作的地方，他們幾乎總是會定期使用電子表格獲取和發送信息。

如果分析師對VLOOKUP和數據透視表不太滿意，那麼他們將在任何其他進行分析的平台上遇到困難。

從那裡開始，對 BI/可視化工具的舒適度（我會將Power BI添加到您的問題列表中）越來越成為一項要求，儘管仍有很多公司尚未投資。 出於這個原因，我是Google Data Studio的忠實粉絲——即使該公司還沒有涉足付費平台，分析師也需要知道如何自動化一些基本的可視化和關鍵數據的探索。與他們的利益相關者共享。

我看到很多分析師忙於完成有價值的工作，卻沒有爬上流利使用這些語言所需的非常陡峭的學習曲線。 但是使用 Excel 和 BI 平台可以做的事情是有限制的。

對於擁有大量粒度數據的分析師或組織，他們希望將其用於模型， SQL和Python或R很快成為必備工具。

我還要添加第三類硬技能：統計。 這意味著超越平均值、中位數和標準差等匯總統計數據，並真正了解回歸和相關性（以及 p 值和 R 平方）的使用方式和位置。 這與實際部署這些統計方法一樣，實際上是為了更深入地了解數據的性質。

一個好的分析師應該具備哪些軟技能？

有許多！ 有效的溝通技巧是最重要的，這包括從與利益相關者的一對一互動——以積極的方式傾聽和理解他們的需求——到在數據可視化中應用最佳實踐到能夠呈現結果的所有方面以清晰易懂的方式進行分析。

一個好的分析師也會好奇（對業務、數據、世界），懷疑（對數據顯示的內容——任何時候出現意外，他/她都會認為這是一個數據問題並深入確認），並且具有高度的毅力（以克服組織內的數據挑戰甚至人員/流程挑戰）。 這些可能比“技能”更多的是“性格特徵”，但它們都非常重要。

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？

絕對地！ 分析師和營銷人員說不同的語言。 以我的經驗，確實需要由分析師來“講營銷”。 這歸結為做幾件事：

1. 聆聽

過早地開始解決問題（我可以提取哪些數據來回答這個問題？ ）而不是真正探索營銷人員希望解決的潛在業務問題可能很誘人。

2. 不會說話的分析師

營銷人員的一些教育很好——度量意味著什麼，數據中的限制是什麼——但我看到分析師在不必要的時候太快地陷入了深入的分析術語。
這會使營銷人員感到困惑，或者更糟的是，感到不舒服或失望（我不知道分析師在說什麼。我應該這樣做嗎？他/她似乎認為我應該這樣做！ ）。

3. 永遠，永遠，永遠不要告訴自己利益相關者是愚蠢的

這是一個致命的錯誤——認為關係挑戰是智力問題而不是溝通問題。

您可以向分析師推薦哪些專業資源或活動？

我可以向分析師推薦的最佳資源，無論他們身在何處，都是 Measure Slack 團隊。 它是免費的，並且有成千上萬的分析師不斷地相互交流和交流。 每隔幾週，就會有一個關於學習 X 的好資源是什麼？ 或者對於 Y 來說，有哪些好的會議可以參加？ 所以它甚至是識別資源的資源！

另外，還有一些很棒的會議：MeasureCamp 是一個免費的非會議，可以在世界各地舉行（如果你附近沒有，那麼你可以開始一個！）。 Marketing Analytics Summit 和 Digital Analytics Hub 在美國是很棒的會議，而 Superweek 在歐洲是一個很棒的選擇。

數字分析協會正在繼續增加向其成員提供的資源，因此這是一個包含各種優質材料（甚至是指導計劃）的優質資源。 有許多 MOOC，如 Coursera 和 edX，提供任意數量的在線課程。

最後，如果我完成了整個採訪並且沒有插入 Digital Analytics Power Hour 播客，我將成為一個糟糕的營銷人員！ 但是那裡有大量的分析、機器學習和 AI 播客——太多了（而且太多了，我無法定期收聽）——我無法嘗試提出建議。

為了使公司數據驅動，分析師和營銷專家缺少哪些知識？

業務背景和對不確定性的深刻理解。 前者，我相信，因為我經常看到分析師和營銷人員跳入數據中想要“尋找答案”和“產生洞察力”，而沒有明確提出一個商業問題，答案將導致可能的行動。

後者表達起來有點棘手。 但一直追溯到 1900 年代初期的約翰·萬納梅克（John Wannamaker）指出，“我花在廣告上的錢有一半被浪費了；我只是不知道是哪一半”，營銷人員和分析師一直期望數據能夠提供“真相”，而不是而不是學習如何在概率世界中運作。

雖然我們可能知道過去的“真相”，比如上個月我的網站有多少流量？ （即使那不是“真實的”——那裡的數據收集有很多混亂，甚至使這個數字只是一個估計），有效地利用這些數據來影響未來意味著深入了解“真實”的程度“數據正在繪製的世界圖片，然後進行相應的操作。

分析師在業務成熟度的不同階段（初創公司、SMB、SME、企業）需要做的最重要的事情是什麼？

我從來沒有真正考慮過這個問題。 這是一個有趣的！ 我認為，初創公司往往更受資源限制，而且通常更有能力承擔一些數據風險。

因此，初創公司經常——出於必要——需要拼湊起來，將免費工具與有限的數據治理和一些潛在的脆弱（甚至是手動！）集成拼湊在一起。 這是一種很好的操作方式，只要人們認識到，隨著增長，系統需要成熟。

這通常意味著數據平台將需要徹底檢修，甚至完全更換。

在頻譜的另一端——企業——治理變得非常重要，因為有更多的人和流程影響和依賴數據。 而且，通常情況下，有更多資源可用於分析，因此其中一些可以（或應該！）負責治理和流程 - 最大限度地降低影響大量角色的失敗風險，甚至可能影響近- 長期的業務頂線。

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？

如果我們把“實施”局限在數據採集平台的實施上，就會面臨很多挑戰：

• 單頁應用程序 (SPA) 非常流行，這些應用程序引入了標記挑戰。
• 宏觀層面的消費者轉向移動設備——以及他們跨設備與品牌互動的可能性增加——使得跨設備跟踪對許多組織來說更加重要，並且沒有直接的方法來實現這一點（這取決於公司和網站）。
• GDPR 和（在美國）CCPA 等隱私法規為數據收集領域增加了額外的限制和考慮因素。
• 跟踪和刪除 cookie 的阻止越來越多地從安裝在一小部分用戶瀏覽器上的廣告阻止程序轉變為瀏覽器本身的標準默認設置，這肯定會破壞數據！

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？

我認為，最大的成就是對擺弄數據感到非常興奮，我想在這裡實現什麼？ 問題迷失了。

這種情況發生的次數比我願意承認的要多——我從一個完全有效的業務問題開始，然後被底層數據的機制及其複雜性以及我克服這種複雜性的能力所吸引，因此，在項目結束時，我用數據本身做了一些非常有趣的事情，但我沒有交付真正推動業務向前發展的東西。

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？

儘管我之前認為在深入研究數據科學和機器學習之前需要真正關注基礎知識，但我認為我們將繼續看到越來越多的公司將機器學習投入有效使用。

造成這種情況的最大原因是，越來越多的組織可以訪問有關其客戶和潛在客戶的原始數據——行為、觀察和人口統計。

例如，10 年前，數字分析平台主要提供聚合數據。 報告中可能有多個維度和指標，但即便如此，可用的數據也不是會話級別或個人級別的。

隨著數字分析市場的主要參與者開始提供這些熱門數據，這種情況一直在發生變化，並且任何數量的較新的 martech 平台從一開始就可以提供這種級別的詳細信息。 這就是真正從機器學習技術中獲得價值所需的數據。

您在今天的市場上看到了哪些問題？

我看到的一個大問題是，有大量由風險投資支持的初創公司基本上向市場承諾他們有一根神奇的人工智能魔杖可供出售。 在許多（大多數）情況下，這是營銷炒作。

但是，由於技術比人員或流程具有更高的利潤並且本質上更具可擴展性，這就是行業中的營銷資金流向，這意味著“市場”會受到信息的轟炸，即如果一個組織只是購買並實施了正確的技術，他們將突然變成一個數據成熟、人工智能驅動的組織。

現實並非如此，很多很多組織都在為技術編寫大量檢查，同時在分析人員和分析流程改進的內部投資方面讓自己挨餓。

您現在面臨哪些分析挑戰？

我仍然必須不斷地教育我的客戶了解基礎知識的重要性：明確建立的 KPI、可靠和強大的數據收集、重複性任務的自動化以及由明確表達的假設驅動的分析。 這是一個在過去 15 年中確實沒有改變的挑戰。

最近的一個挑戰是圍繞數據科學、機器學習和人工智能的興奮。 部分挑戰實際上是增加在這些領域使用的工具，部分挑戰是讓客戶不想追逐這些閃亮的新對象，而他們的最高價值來自於關注基礎知識。

謝謝你這麼多好建議，蒂姆！ 我們希望有更多有才華的分析師跟隨它，並且整個分析市場將變得更有教育、熱情和專業。

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。

你會問蒂姆什麼？ 在下面的評論中讓我們知道！