Интервью с Кристофером Пенном, соучредителем Trust Insights

Материалы для скачивания

Сегодняшнее интервью с Кристофером Пенном (Christopher Penn), руководителем отдела аналитики данных и соучредителем Trust Insights, вызвало ажиотаж еще до его публикации. Так что хватайте попкорн или чашку горячего чая и читайте эту статью об аналитике и аналитиках, современных маркетинговых технологиях, и о том, куда это все движется.

Спасибо Марии Бочевой, которая провела эту беседу с Кристофером.

Кристофер Пенн на выступлении

Источник: Официальная страница Кристофера Пенна​​

Перейти к самому интересному:

Актуальные навыки будущего

Человеческий фактор в становлении дата-дривен компаний

Имеет ли размер значение? Аналитики малых и больших компаний

Сложнейший вызов на рынке аналитики

Ресурсы и рекомендации аналитикам

Итоги

Мария Бочева: Расскажите нам о себе в двух словах, пожалуйста.

Кристофер Пенн: Мой путь начался в IT. Я получил степень магистра в управлении информационными системами. Потом начал работать в стартапе, предоставляющем финансовые услуги, в начале 2000-х. Задача обновления веб-сервера как-то раз превратилась в обновление веб-сайта, а исправление электронной почты при запуске — в отправку рассылок. Мы наблюдали, как маркетинг начал обрастать цифровыми технологиями.

Затем, с 2010-х, я перешел на полный рабочий день в маркетинг и начал работать с гораздо большим количеством информации. Тогда я стал гораздо больше ориентироваться на науку о данных (data science). Я проработал в пиар-фирме около пяти лет и занимался машинным обучением и искусственным интеллектом.

Я расстался с этой компанией около двух лет назад, потому что они выбрали иной путь. А я действительно хотел сосредоточиться на науке о данных и машинном обучении.

Актуальные навыки будущего

МБ: О, как раз об этом — о науке о данных, машинном обучении — я хотела бы задать первый вопрос. Какие навыки вы бы могли назвать самыми востребованными, учитывая современные тренды в развитии этих технологий?

КП: Образно говоря, есть три корзинки с навыками. Если вы вернетесь в 1964 год, вы точно будете знать выражение известного бизнес-стратега Гарольд Ливитт о том, что существует три области, в которых каждый специалист должен быть компетентен: люди, процессы и технологии.

Для квалифицированного аналитика или опытного инженера данных вам необходимы навыки во всех трех областях. Вы должны понимать человеческий взгляд на вещи и процессы, разбираться, как работают люди, улавливать общую бизнес-стратегию и тому подобное. И вы должны также хорошо разбираться в проблемах, которые хочет решить бизнес. Вам также необходимо иметь представление о процессах — о том, как все делается — и уметь проектировать это на работу, которую вы делаете. И, конечно же, вам нужен доступ к технологиям, умениям, математическим знаниям для анализа данных — и вам нужно уметь писать код.

Эти три большие корзины очень немногие специалисты наполняют равномерно и достаточно полно. Многие люди имеют навыки в одной области и слабы в двух других. 

И это, наверное, одна из самых важных вещей, которые аналитик должен уметь делать — выявлять свои слабости. Чтобы иметь возможность сказать: «Да, это то, над чем я должен работать, чтобы поднять свои навыки до того уровня, где я смогу сказать, как я хорош».

МБ: Это частично относится к нетехническим навыкам, поскольку я бы не называла знание того, как люди работают, техническим умением. Что вы думаете об этом? Какие личные качества для специалиста-аналитика вы считаете важными?

КП: Разница между техническими и личностными навыками заключается скорее во внутреннем и внешнем их векторе. Ваши внешние навыки — это те, которые вы бы назвали техническими: способность разговаривать с другим человеком, читать выражения на его лице и все в таком духе.

Но внутренние навыки требуют огромного самосознания. Это требует понимания вашего собственного эго, того, что делает вас более или менее эффективным как профессионала, ваших слабостей, которые вы должны учитывать. Для некоторых людей это их эго, их склонность говорить: «Да, я всегда должен быть прав». Но нет, на самом деле, не должен.

И кстати, такое упрямство — это же смертный грех в аналитике данных, верно? Я помню одну ситуацию, когда работал с исследовательской фирмой, их цель заключалась в том, что «независимо от того, что вы хотите сказать, мы можем собрать данные для поддержки этого утверждения». Но аналитика не должна так работать. [Смеется]

И все же, они на самом деле уважаемая фирма, потому что они помогают компаниям выкапывать данные, чтобы защитить то, что они хотят доказать. И поэтому люди имеют с ними дело, потому что они говорят то, что вы хотите услышать.

Другим супер важным навыком является способность объяснять вещи другим людям так, чтобы поняли все. Итак, еще раз, все это о навыках, основанных на эмпатии: способность обучать людей с разным уровнем знаний, оценивать их умения и навыки, а затем адаптировать свою подачу информации к аудитории, с которой вы работаете.

Я недавно был в Content Marketing World. И в одной аудитории ко мне подошли программисты. И я сказал им: «Хорошо, это для вас понятна модель цепей Маркова, а для всех остальных — это цифровая Дженга». Умение адаптировать свое учение к тому, где кто-то находится с иным уровнем знаний, чем у тебя, — это очень важный личностный навык. Это очень сложно, если у вас нет опыта разработки учебных инструкций или какого-либо опыта работы с ними. Я помогал в школе боевых искусств моего учителя в течение 25 лет, и я получил там уникальный навык, — способность видеть, что кто-то борется со сложностями, что им нужна помощь, и определять, как продвигается прогресс обучения. Это навык, которому не учат. Вы должны получить его на собственном опыте.

МБ: Как вы думаете, это также связано со сторителлингом (storytelling) и навыком представлять данные таким образом, чтобы люди могли их понять?

КП: Я считаю, что да. В психологии есть выражение — «метнуть матрас». У каждого есть свои особенности восприятия, свой «тоннель понимания». И вот если вы «метнули матрас», попробовали упростить кому-то понимание неизвестных вещей, в направлении его тоннеля, уверены ли вы что это поможет ему понять что-то? Ведь восприятие у всех разное. Поэтому — знаете ли вы, как формируется и мыслит ваша аудитория? Можете ли вы «метнуть матрас» для них таким образом, чтобы он подходил под как можно больше типов восприятия?

Мне не нравится сторителлинг. И причина, по которой мне не нравится это понятие, заключается в том, что маркетологи, особенно маркетологи, которые плохо разбираются в данных, имеют тенденцию быть слишком эгоистичными, слишком ориентированными на компанию, и говорить что-то вроде: Мы расскажем вам историю о нашем замечательном продукте! Но это ведь никого не волнует, верно? Расскажите истории, которые хочет публика. И это, опять же, восходит к эмпатии и самосознанию. Речь идет не о вас или компании. Речь идет о том, что нужно аудитории.

МБ: Это отличный аргумент. Говоря об этих и других сложностях коммуникации, что вы думаете о недопониманиях между аналитиками и маркетинговой командой? Есть ли у вас какие-либо рекомендации по улучшению коммуникации?

КП: Я не думаю, что это большая проблема, потому что не многие маркетинговые команды с самого начала общаются с аналитиками — или хотя бы имеют к ним доступ. Большинство маркетологов, с которыми я разговариваю, вынуждены становиться аналитиками, потому что в их компании нет аналитиков или компания использует их для решения более насущных проблем бизнеса. Таким образом, маркетологам сложно разрабатывать какие-либо аналитические навыки для работы с имеющимися у них данными.

Я не могу посчитать, сколько раз я разговаривал с маркетологом, который говорит: «О, да, у нас есть Google Analytics. Но я не знаю, что это значит. Я ничего не смыслю в Google Analytics». Это так странно — слушать подобные суждения. Это не, знаете ли, «скорая помощь в китайской грамоте». Но опять же, возвращаясь к самосознанию, для них это именно такой сумасшедший дом, потому что они пошли в маркетинг, чтобы быть креативными, вдохновлять, хорошо писать, создавать вещи, а не нырять с головой в данные. Они пошли в маркетинг, не потому что им нравилась математика и статистика. Иначе, они бы занялись аналитикой в первую очередь.

Но теперь маркетинговые технологии и цифровой маркетинг заставили их заняться этой проблемой или игнорировать ее как можно дольше. Когда у них будет доступ к данным или доступ к аналитику, их успех будет зависеть от уровня их самосознания.

Аналитики не имеют хорошего маркетингового словаря, а маркетологи не имеют хорошего запаса лексики в науке об анализе данных. Поэтому, вероятно, самая важная и простая вещь, которую нужно сделать, — это собрать людей во второй половине дня в пятницу с напитками на выбор и помочь им пообщаться. Потому что вы можете стать достаточно близки к пониманию неизвестной дисциплины, просто услышав, как люди разговаривают о ней.

Кроме того, люди обычно ездят на работу. Для ваших инженеров данных неплохо было бы слушать маркетинговые подкасты и для ваших маркетологов слушать подкасты по науке данных, чтобы действительно набирать словарный запас, слышать такие вещи, как регрессия, логистическая регрессия и «случайный лес». И кто-то в результате может сказать: «О, я должен спросить мою команду, что это значит, и какие данные есть в каждом из этих исследований, и как мы их проводим?»

Это действительно рабочий способ по началу взаимодействия разных по уровню знаний команд.

МБ: Мне очень нравится, как все у вас звучит. У меня есть опыт в аналитике, но я также работаю в области маркетинга. Для меня это никогда не было проблемой, потому что я подвергалась воздействию двух сфер. Но многие люди, которые работали в одной области, совершенно не имеют отношения к другой.

КП: Именно.

МБ: А жаль, им стоит учится всему вокруг. А какая учеба без проб и ошибок? По вашему мнению, какую самую большую ошибку может допустить аналитик? Возможно, вы поделитесь историей из вашего опыта…

КП: С точки зрения ошибок, которые делают аналитики… Это же со сферы человеческих недостатков, верно? Так что номер один в этом деле — предубеждение. Я знаю, какой результат я ищу, и мне нужно это доказать. Нет, это неправильно. Излечивается такой синдром любопытством. Если вы любопытны, вам интересно, вы хотите найти правильный ответ. Вы не хотите найти ответ как можно быстрее. Вы хотите найти ответ, который оправдывает или подтверждает вашу гипотезу, и все это — результат человеческой установки, верно? Все это не связано с технологиями, и никакое программное обеспечение не исправит это. Никакой инструмент не исправит ваше неумение быть любопытным.

Кристофер Пенн на конференции

Так что это навык, который мы должны тренировать как можно лучше и нанимать больше всего людей с таким навыком. Вы можете нанять за любопытство, верно?

У меня был один вопрос для собеседования, который я считал всегда забавным. Я брал колоду обычных игральных карт и отдавал ее человеку. Я говорил, мол, вот колода карт. Приведите ее в порядок. Я никогда не указывал какой именно порядок или что-то подобное. Цель состоит в том, чтобы посмотреть на человека и увидеть, как он реагирует на такую директиву. Он паникует? Вероятно, это не тот, кого бы вы хотели нанять. Другой говорит, да, я понял. Сейчас я приведу колоду в порядок. Но я же не сказал, какой порядок я хотел! Опять же, если есть предубеждения, это плохо. Задает ли он вопросы? Сколько и каких вопросов задает человек? Когда он старается докопаться до правды, на что они толкают тебя? Здесь проявляются те ценности характера, которые вы хотели бы увидеть.

бонус для читателей

Все доклады конференций: Analyze!, GoAnalytics!, Ecommerce

Скачать материал

Человеческий фактор в становлении дата-дривен компаний

МБ: Давайте перейдем к следующей части нашего интервью. Все говорят о компаниях, управляемых данными, но не так много компаний преуспевают в этом. Почему это так, с вашей точки зрения? Есть ли что-то, чего нам не хватает в плане аналитики или маркетинга, что могло бы вывести компании на другой уровень и помочь им расти на базе имеющихся у них данных?

КП: В первую очередь, это человеческая проблема.

Быть дата-дривен означает, что вам нужно в первую очередь принимать решения с данными — не на базе опыта, интеллекта, инстинкта, не так, как мы всегда это делали. Вам нужно посмотреть на данные и сделать, как они говорят. Лучшее решение — это то, что дается данными, и мы уверены в том, как они были собраны и обработаны, поэтому давайте примем решения на их основе.

Это требует преодоления установки, что я всегда прав — как мы это называем, проблемы HIPPO (highest paid person’s opinion — мнение самого высокооплачиваемого человека). Это такая культурная и человеческая проблема, которую трудно преодолеть, поэтому стать дата-дривен действительно очень сложно.

Первое, с чем нужно справиться — мой друг Том Вебстер из Edison Research как раз говорит об этом — заключается в том, что вы должны научится иметь дело с данными, анализом и ответами, которые вам не нравятся!

В боевых искусствах у нас есть выражение, что вам должно быть «удобно чувствовать неудобство», что означает, что вы должны чувствовать себя комфортно с частичными и неполными ответами, с отсутствием некоторых данных и невозможностью их достать, и тем не менее быть в состоянии использовать информацию способами, которые оказывают влияние на бизнес. Дело не в том, что у людей есть проблемы специализации или нет специфических навыков. Вы можете научить любому навыку вообще. Проблема в том, можете ли вы изменить свое отношение к ведению бизнеса, чтобы сказать: «Да, даже если мне не нравится ответ, даже если мне он непонятен, я все равно буду использовать его для принятия решения».

МБ: Выходить, для этого нужен культурный сдвиг.

КП: Да, действительно так. 

МБ: И если начинать «сдвигаться» — то откуда и куда?

КП: Работайте в компаниях, которые уже двигаются в правильном направлении. Это звучит легкомысленно, но, поскольку это такая человеческая штука, если ДНК компании, в которой вы работаете, не дата-дривен, очень сложно перестроить такую организацию, особенно если менеджмент тормозит все новшества. Если руководители говорят — «Нет, мы собираемся сделать это так, как мы всегда это делали. Нашей компании 126 лет, и мы всегда так делали!» Ну, у вас не выйдет их переубедить.

Я недавно обедал в компании одних специалистов на конференции. И они сказали, что «Нашей компании 126 лет, и генеральный директор сказал, что, мол, вот был бы опять 1950 год. Почему бизнес не может быть простым, как в 1950 году, когда люди просто покупали и использовали наши продукты, а весь этот Интернет еще не появился?» Ну, плохие новости, ребята, этому никогда не бывать. [Смеются]

МБ: Но все-таки, это невероятно сложно. Вспомнилась история из нашей практики: мы работали тогда с одной компанией, которая имеет длинную историю. Они были основаны в 1908 году или что-то вроде этого, как семейный бизнес, и с тех пор они производят белье. И они стали довольно большими. Теперь они продаются во Франции, Нидерландах, Великобритании, Германии и многих других странах. И у них много обычных магазинов и разные сети. У них есть роскошный сегмент, сегмент массового рынка, и т. д. И в какой-то момент их команда по электронной коммерции пришла к руководству и сказала: «Нам нужно увеличить наш бюджет, потому что наши расходы растут, мы приносим продажи, и еще там мы молодцы, и тут». На что им ответили, вы знаете, ребята, если мы рассмотрим вашу долю в общем доходе, то вы приносите только около 5%…

И команда электронной коммерции пришла к нам и спросила: «Можете ли вы помочь нам, учитывая исследования онлайн-и офлайн-покупок, что мы действительно приносим больше прибыли для компании?» Мы запустили для них проект, и это заняло добрых пять или шесть месяцев. Но, в конце концов, оказалось, что они ответственны почти за 30–35% выручки. И это помогло им доказать, что они что-то делают не просто так, и это помогло им увеличить свой бюджет. Но да, потребовалось некоторое время, чтобы поговорить с советом директоров, показать цифры и попытаться изменить это внутреннее убеждение. Именно то, о чем вы говорили.

КП: Да. Культура — трудная штука. Как и люди.

MБ: И это как раз касается моего следующего вопроса. Вернемся немного к техническим скиллам. Вы вспомнили о платформах, персонале, процессах, но что вы думаете о практической стороне – знании статистики, языков программирования, таких как Python, и навыках построения дашбордов и визуализации? Что нужно знать, чтобы работать с аналитикой глубже?

КП: Честно говоря, меня это все немного выводит из себя. Дашборды – это визуализация данных. Визуализация – критически важная часть анализа данных, которая сама по себе является искусством. Технологии, которые вы упомянули, — SQL, Python, R, и пр. — это никак не инструменты визуализации. Они инструменты вычисления. И один из самых больших грехов в аналитике, особенно в маркетинге, — это пытаться инструментами визуализации проводить вычисления и расчеты.

Это будто пытаться визуализировать контент страниц сайта вместе с текстом кода. Ваши таблицы стилей и HTML-файлы разделены по разным файлам не просто так, а потому что визуализация должна всегда быть отделена от вычислений. Вам конечно понадобиться SQL и Python, и R, и SPSS, и OWOX, и что бы то ни было для проведения правильных расчетов, чтобы предоставить все результаты анализа данных на бекенде до момента, когда все отправиться на визуализацию.

Ни при каких условиях ваш дашборд — или любая другая визуализация — не должны заниматься расчетами. Вы должны избегать смешивания данных и любых дополнительных манипуляций с информацией. Все данные, попадающие на этап визуализации, должны быть преждевременно рассчитаны.

Иначе вы столкнетесь с глобальной проблемой управления. Если вашему боссу вдруг захотелось что-то поменять, в ваших же интересах не иметь готового ответа о том, как изменить результат. «Извините, босс, но мы сейчас ничем не можем вам помочь, так как не знаем, как крутить эти данные, чтобы вам угодить, и мы не можем вносить правки. Поэтому через 3-4 недельки заходите к нам на чай, вероятно тогда, мы распутаем наше спагетти и сможем попробовать снова.»

Когда вы разделяете визуализацию и рассчеты, и босс говорит вам: «Мне срочно нужно это и это», вы ему так в ответ спокойненько: «Да-да, конечно, вот я возвращаюсь к источникам данных, открываю проект, правлю код и меняю логику расчета. И вот в результате у меня такой набор данных». А теперь я отдам это на визуализацию и вуаля, «Вот наш новенький, красивенький график». И такой подход позволяет сохранять изменения различимыми, контролировать версии проекта. А все это вместе помогает упростить работу с данными, особенно в масштабах.

Если вы «и швец, и жнец, и на трубе дудец» от маркетинга и аналитики в своей компании, вы вероятно будете использовать один универсальный инструмент для всех задач. И скорее всего вы не станете запускать систему контроля версий, так как вы единственный, кто отвечает за них. Но если вы уволитесь или вас уволят, компания останется с вашей башней маркетинг-аналитической Дженги наедине. И это практически катастрофа.

Если вы работаете в большой компании, где есть отделы маркетинга и аналитики, и везде достаточно людей, вы обязаны различать процессы вычисления и визуализации. В противном случае, вы постоянно будете тратить время на то, чтобы определить, откуда «растут ноги» у каждого набора данных и кто за это ответственен.

Еще один нюанс — еще и очень важный — в эпоху необходимости соответствовать требованиям GDPR, CCPA и других законов — касается того, что если визуализация и расчеты смешаны в одном котле, у вас проблема управления доступами. Эта проблема описывает ситуацию, когда невозможно поставить барьеры для тех, кто не должен иметь доступ к данным, что обычно ведет к их потере, или демонстрации данных тем, кто не должен бы иметь доступ.

Когда расчеты проводятся отдельно, вы можете ограничить доступ и сообщить об этом команде визуализации: «Вы можете визуализироваться все, к чему у вас открыт доступ», и эти данные ни в коем случае не должны включать в себя конфиденциальную или личную информацию, которую не должна была бы иметь команда визуализации. И это очень важно для сотрудников – понимать эти нюансы, чтобы качественно делать свою работу и не рисковать данными.

Итак, должен ли тот, кто занимается визуализацией иметь технические навыки вычисления? Категорически нет. Должен ли тот, кто занимается вычислениями? На все 100%.

Имеет ли размер значение? Аналитики малых и больших компаний

МБ: Существенный аргумент! Мне очень нравится подход, в котором визуализируются готовые наборы данных и в них нет вычисляемых полей.

И я хотела бы развить глубже еще один вопрос. Существуют разные стадии развития бизнеса, разные бизнесы по размеру и типу. Малый бизнес, средний, стартапы, корпорации — у всех разные требования к аналитической команде, или по крайней мере кажется, что разные. Что вы думаете по этому поводу? Есть ли разница в требованиях к аналитикам в компаниях разных типов?

КП: По сути, у всех одна и та же цель — как и в маркетинге — помочь увеличить доходы и оказать влияние на бизнес. Правильно? Если ваша цель в маркетинге состоит в чем-то другом, я не уверен, что вы точно на своем месте. По мере масштабирования вашей компании задачи становятся более специализированными. Когда вы работаете в небольшой компании, вы можете быть и веб-дизайнером, и лучшим в мире емейл-маркетологом, и даже аналитиком, статистом, специалистом по обслуживанию клиентов. И это может быть нормально для вас и компании.

Когда вы растете, вы нанимаете. А когда вы нанимаете, вы начинаете делегировать задачи. И у каждой задачи появляется своя отчетность и данные, визуализация результатов. И в результате большинство компаний чаще всего упускают из виду тот факт, что каждая из этих задач все еще должна быть ориентирована на ту же цель, тот же вопрос — «Как мы повлияли на бизнес?». Помогаем ли мы компании зарабатывать, сокращать расходы или экономить ресурсы? Выращивать клиентов?

Поэтому, в зависимости от того, на каком этапе роста находится ваша компания, ваша роль, если вы здравомыслящий аналитик, заключается в том, чтобы иметь ответы на вопросы: Какие мои активности помогают достижению общей цели компании? Каковы мои KPI лично? Согласуются ли мои личные KPI с KPI отдела? Как они соответствуют бизнесу?

Определение, которое я часто использую во всех своих выступлениях, вы слышали его на конференции MAICON [Marketing Artificial Intelligence Conference]: KPI — это показатель, который определяет, получаете ли вы бонус или увольняетесь, верно? Вот это KPI. Если это просто число и оно никак не влияет на ваш бонус или статус в компании, это неправильно.

Итак, когда вы анализируете KPI, к которым вы стремитесь вместе с вашей командой и всей компанией… Вы смотрите на эти цифры — и иногда они не имеют никакого смысла. И если это так, то вы, как аналитик, должны знать об этом, поднять руку и сказать: «Ребята, я не уверен, что это повлияет на бизнес.» И если компания говорит, что вы все еще должны это сделать, тогда вы просто начинайте обновлять свой профиль в LinkedIn. Потому что, если компания работает над бессмысленными KPI, они обанкротятся. Это только вопрос времени.

Кристофер Пенн выступление

МБ: Я подытожу, чтобы убедится, что я вас правильно поняла: нет разницы в требованиях к аналитикам в небольших компаниях по сравнению с крупными, потому что цель для всех — это увеличение дохода.

КП: Да, доход и влияние на бизнес — помогаете ли вы компании зарабатывать деньги, экономить деньги или экономить время? Это три функции, которые нужны каждому в любом бизнесе. Это то ж лучше, быстрее, дешевле… этого хотят все. Поэтому, спросите себя, что мы сейчас делаем, чтобы сделать наш бизнес лучше, быстрее и экономнее?

Сложнейший вызов на рынке аналитики

МБ: Спасибо, Кристофер. Идем далее. С какими вызовами как аналитик вы сейчас сталкиваетесь? Что вы используете, чтобы с ними бороться? Как вы планируете их разрешить?

КП: Самый большой вызов в моей компании в настоящее время — получить высокоспециализированные знания в областях, которые являются стратегически приоритетными. Нам просто нужно больше времени и средств для приобретения знаний, особенно в области технологий глубокого обучения.

Мы хорошо разбираемся в классическом машинном обучении и статистике. Глубокое обучение особенно важно, когда вы начинаете использовать такие вещи, как преобразователи и сверхсложные нейронные сети. Это та область, где у нас пока нет достаточно специализации, знаний и опыта. Так развивается рынок и в этом направлении нужно двигаться. Мы видим это в инструментах, например, посмотрите AESGP или модель Гровера от Института Аллена по ИИ. Авангард движется быстро — MelNet с его синтезом голоса. Мы должны быть в состоянии адаптировать эти технологии внутри компании, чтобы позже мы могли предложить их клиентам.

Хорошая новость в том, что существует небольшая проблема зрелости рынка. Сегодня компания не нуждается в GPT-2 или MelNet, чтобы оказывать серьезное маркетинговое влияние. Это все еще технологии раннего внедрения, но мы понимаем, что нам нужна специализация или возможность использовать их в будущем. Поэтому, когда рынок наверстывает упущенное, мы уже владеем темой. Но сейчас вам не нужно супер-сложных технологий, чтобы собрать хороший маркетинговый дашборд. Самое большее, вам нужно классическое машинное обучение, чтобы заниматься, к примеру, предиктивной аналитикой, строить временные ряды, получать прогнозы и тому подобное.

Но знание того, куда движутся технологии и рынок, знание того, куда идут производители устройств, такие как Google, Apple и IBM, дает нам стратегическое руководство в отношении того, что нам нужно делать. Так что, когда рынок дозревает до новинок мира технологий, мы уже предлагаем их клиентам.

МБ: Это действительно впечатляет и вдохновляет!

КП: А еще — это серьезный вызов. 

МБ: Конечно. Раз вы уже заговорили о рынке, как вы оцениваете общую зрелость рынка аналитики и маркетинг-аналитики в частности? Каким будет будущее этого рынка?

КП: Уровень зрелости маркетинговой аналитики все еще очень, очень далек от уровня зрелости аналитики в целом. Аналитика и статистика, а также наука о данных имеют очень надежные методы и модели, которым уже 50, 60, 70 лет. И они работают блестяще, верно? Они более чем проверены.

Но из-за отсутствия у маркетологов технических навыков, много функций и возможностей аналитики подаются как новинки в маркетинге. Тогда как на самом деле, этому методу может быть 70 лет! И одной из проблем, как мне кажется, для маркетологов является отсутствия диалога напрямую с продавцом услуг, особенно с тем, кто рекламирует совершенно новую услугу, и сказать: «Что это за подделка? Это же полная чушь! Это же такая-то технология, легко узнаваемая по результатам. И вы осознанно продаете ее кому-то за 500 долларов в месяц, тот софт, который клиент может использовать бесплатно с помощью программного обеспечения с открытым исходным кодом, которое существует уже 15 лет?!»

Так что сейчас в области маркетинговой аналитики много подобной чуши, и компании выясняют, что один или два инженера данных вместе с программистом могут создать автономное решение с помощью одного метода и продавать его, как будто это новая амброзия. Таким образом, разработки маркетинговой аналитики в целом значительно отстают, а рынок, как может, наверстывает упущенное.

Но люди — стоят на месте. Специалисты все еще очень сильно отстают. И это понемногу меняется. Когда я хожу на конференции и общаюсь с людьми, которые моложе, в возрасте 20 лет, новички в своей карьере, я узнаю, что у них все еще нет технических навыков. У них до сих пор, как бы лучше выразиться, творческий и ремесленнический подход преобладает в мышлении, что также хорошо. Вам нужна эта креативность. Естественно. Но вам также нужны и аналитические, математические навыки. Вам нужно всесторонне развитое мышление. А это пока исключение на рынке, а не правило.

На прошлой неделе я разговаривал с несколькими людьми на конференции Content Marketing World, которые говорили: «Да, я новичок в своей карьере. Я уже два года, и не знаю ничего из аналитики». А я им в ответ: «Так а что вы учили в колледже? Может, проверяли вся ли жидкость имеет состав C2H5OH? Чем вы были так заняты, что не посещали курс Stats101?» Статистика — это не новинка. И расчеты в маркетинге — тоже. Google Analytics на рынке с 2005 года. Он — одногодка моего старшего ребенка. Поэтому на данный момент вы должны знать этот инструмент. Стратегические приоритеты для вашей карьеры сейчас — в аналитике, и вы должны уметь их использовать. И я бы сказал, что мы еще долго будем сталкиваться с этой проблемой в маркетинговой аналитике, потому что люди, которые совсем недавно закончили школу, по-прежнему не имеют навыков в аналитике.

МБ: Да… Я тоже изучала статистику раньше, но сейчас все же приходиться напоминать себе некоторые моменты.

КП: Это в порядке вещей. Если вы ищете свои ответы на Stackoverflow и других ресурсах, это вообще ОК. По крайней мере, вы в курсе, что ответы на ваши вопросы именно там. 

МБ: А что насчет будущих тенденций, куда идет рынок? Как будет развиваться рынок аналитики? Какие тенденции вы видите?

КП: Я думаю, что реальный интерес заключается в автоматическом машинном обучении и автоматическом искусственном интеллекте. В IBM Watson Studio есть Auto AI, в H2O — AutoML. Эти инструменты являются по сути AI для AI. Они берут набор данных, выбирают модель, проводят гиперпараметрическую оптимизацию, занимаются извлечением признаков и сортируют наиболее эффективную модель из ваших данных. И хотя эти инструменты все еще имеют серьезные ограничения, они значительно ускоряют процесс очень глубокого анализа данных на наборах данных.

Итак, следует ожидать, что в ответ на существующий рыночный запрос и готовность платить за такое, на рынке появится больше аналитических инструментов, говорящих: «Судя по всему, вы не знаете, что вы делаете. Поэтому мы просто выберем для вас несколько решений и дадим вам список ответов.» И тогда вы выбирете тот, который имеет наибольшее значение для вашего бизнеса. Я думаю, что именно в таких решениях можно будет найти целые наборы инструментов. Это происходит уже в сфере машинного обучения, где с помощью инструмента, подобного Auto AI, вы загружаете свои данные, выбираете алгоритм и получаете результаты.

А потом вы, как опытный специалист по данным, посмотрите на это и скажете: «Хм, теперь мы знаем, что эти результаты все еще нуждаются в дополнительной обработке», или «Да, это достаточно хорошо. Я бы сделал так же». И это экономит вам огромное количество времени, потому что, когда вы занимаетесь конструированием признаков и оптимизацией гиперпараметров, что может занимать целые недели, иметь инструмент, который отчитывается тебе: «Я запустил все 450 вариантов этой модели, и вариант № 73 именно тот, который работает лучше всего», — это невероятно круто. Потому что это заняло меньше часа. И вы можете дальше заниматься своими делами, пока результат вычислений вам подходит.

Маркетологи уже видят, что многое меняется в их инструментах. Например, в Google Analytics в правом верхнем углу есть маленькая кнопка, которая называется Insights. И это алгоритм обнаружения аномалий, который Google использует для ваших данных, чтобы сказать: «Эй, это произошло вчера, возможно, вы захотите обратить на это событие внимание». По мере еволюции вендоров, все больше и больше таких продуктов и функций будут внедряться, потому что вендоры знают, что маркетологи не собираются развивать свои навыки. Они просто не хотят.

МБ: Вы знаете, с одной точки зрения, я полностью согласна с тем, что большинство маркетологов ожидает, что инструмент все сделает для них. Мне нравится и подход, который вы описали, — ИИ для ИИ. Но с другой точки зрения, разве эти системы не вызывают еще больше вопросов, потому что они работают как черный ящик? Некоторые люди, которые понимают, что скрывается под капотом и как это работает, а также обладают довольно глубокими знаниями в предметной области, могут определенно сказать: «Да, это имеет смысл». Но большинство людей, если они увидят 400 различных вариантов, скажут, что все еще не знают, какой из них больше всего подходит.

Кристофер Пенн выступление

КП: Да. И это одна из самых больших проблем технологий машинного обучения и искусственного интеллекта сегодня — не только знать, что происходит внутри коробки, но и интерпретировать, и объяснять это.

Объясняемость — это возможность постфактум описать то, что сделала модель, что получилось, а что — нет, где модель сработала, а где — нет. Но этого недостаточно для GDPR. GDPR говорит, что вы должны быть в состоянии обьяснить клиенту в Европейском экономическом пространстве, как использовались его данные, а это значит, что вы должны иметь возможность распаковать сам алгоритм и сказать: это произошло с вашими данными на этом этапе, вот что случилось с вашими данными на этом этапе. И, конечно же, в Америке у нас есть очень серьезные проблемы с компаниями, которые не имеют этики данных. Дело не в том, что они злые; у них просто нет традиций этики. Итак, что в таком случае получается, — вы создаете все виды предубеждений, которые усиливают существующие социальные структурные проблемы.

Наиболее ярким примером такой ситуации можно считать данные системы охраны здоровья афроамериканцев в Америке. Эта система — глубоко коррумпирована. Точных данных об охране здоровья афроамериканцев нет. Ее не существует, потому что так много искажающих культурных и социальных предубеждений, что все идет прахом. Таким образом, вам действительно нужно выяснить, как компенсировать это, привязав данные о результатах лечения к аналогичным у других этнических групп, чтобы получить справедливую рабочую модель.

То же самое происходит и в маркетинге. Я говорил со страховой компанией об их модели продажи страховок, и они сказали: «У нас есть все эти штуки, предсказывающие кто будет лучшим клиентом». И я сказал: «Хорошо, а как вы будешь предотвращать практику «красной черты» (явление рассовой дискриминации или дискриминации за географическом принципом при выдаче ссуды или страховки — прим. переводчика)?» И они сказали что-то вроде: «О, хорошо, мы никогда не будем рисовать линии на карте и говорить, что мы не будем продавать страховку этим людям за этими линиями.» И я отвечаю им: «Нет, нет, цифровая практика «красной черты» означает, что в вашей модели могут быть такие функции, которые неожиданно для вас отображают такие понятия как раса, религия и тому подобное, которые в общем-то запрещены. Вам не разрешено использовать их для принятия решений.» Это своего рода особенность маркетинга, управляемом данными: вы должны знать, какие данные вам не разрешено использовать. И эта компания не занималась этим. Таким образом, они создали цифровой эквивалент практики «красной черты». И они этого не знали, потому что у них не было тех, у кого есть технические знания, которые могли бы взглянуть на алгоритм и сказать: «Это не хорошо».

Таким образом, одна из вещей, которую мы должны принять во внимание при применении технологий в маркетинге, заключается в том, что мы должны иметь возможность интерпретировать и объяснять, что делают машины, и быть в состоянии предстать перед аудиторами или, возможно, в суде и объяснять, как это работает. И вот почему мы, например, не допускаем дискриминации женщин. В прошлом году Amazon попыталась создать алгоритм найма, и он немедленно прекратил прием на работу женщин, потому что набор данных для обучения составлял 95% мужчин, и машина обучилась на такой выборке. И алгоритм такой, ну что же, без женщин — так без женщин. Нет, нет, это все не так должно работать. Но никто не подумал об этом.

МБ: Вот так пример, спасибо за такой ответ! Давайте продолжим исследование сложностей рынка. Какие проблемы вы видите на рынке сегодня? Одной из них, безусловно, является этика. И, вероятно, культура и уровень зрелости компаний. Может быть, вы можете еще что-то дополнить по этому вопросу?

КП:  Я думаю, что, вероятно, одна из самых важных вещей, которые компании должны будут сделать, это изменить способ и требования найма. Причина, по которой у вас нет хороших специалистов, выпускающихся из университета с навыками статистики и науки о данных в качестве стандарта — проста. Даже если есть исключения из каждого правила, причина обычно в том, что у нас есть профессора, которые, как вы знаете, на закате своей карьеры и совсем не имеют этих навыков, и не знают, как их преподавать. Еще и рынок их не требует.

Если рынок потребовал бы технических навыков и сказал: «Эй, даже для того, чтобы быть маркетинговым сотрудником для этой компании, у вас должен быть пройден курс Stats 101. Вы должны уметь различать среднее, медиану и моду». Если рынок потребовал бы этого, угадайте что? Учасники процесса найма и выпускники обязаны будут адаптироваться, если они хотят иметь работу. Это не имеет большого значения сейчас, но это будет происходить по мере того, как мы приближаемся к следующей рецессии, которая грядет.

Компании смогут позволить себе быть более избирательным, потому что кадровый резерв будет намного больше, а число занятых будет намного меньше. И это еще раз вернеться за пять или шесть лет. Так что теперь настало время для повышения квалификации, чтобы, когда все произойдет, и компании станут еще более избирательными, у вас будет опыт, знания, и вы сможете даже иметь портфолио, которое скажет «да, я смогу то, чего 99% других маркетологов не может». Я могу быть креативным и одновременно технически подкованным.

Это главная проблема, которую рынок решит, когда мы пройдем очередной экономический цикл. Но опять же, 99% этих маркетологов не готовы. Так что это то, что они должны решить сами и получить собственный опыт. И затем познакомиться со всеми вендорами, создающими аналитические инструменты, чтобы не попасть в ситуацию, будто вы находитесь на кухне высшего класса с инструментами Viking и приборами Cuisinart, блендерами Blendtec и другими шикарными штуками, но вы все же без понятия, как готовить с помощью этих инструментов. Вы можете дать кому-то лучшие инструменты, лучшее программное обеспечение, все самое лучшее. Но если они не знают, что с этим всем добром делать, это все равно бесполезно.

Ресурсы и рекомендации аналитикам

МБ: Я полностью с вами согласна. И как хорошо, что мы затронули тему самообразования. Какие специализированные ресурсы и события для аналитиков вы бы посоветовали?

КП: Я не рекомендую посещать конференции, если вы пытаетесь улучшить свои навыки. Вы должны изучать курсы и уроки для этого. И выбор этих курсов зависит от того, где вы хотите оказаться и что уметь.

Если вы хотите сделать курс по визуализации, который ценен для аналитика данных, есть тонны действительно хороших книг. Книга Эдварда Туфте «Визуальное отображение количественной информации» превосходна. Есть все эти замечательные книги, которые могут научить вас искусству и науке визуализации. Это одно направление.

Если вы хотите изучать аналитику данных, я настоятельно рекомендую пройти курс статистики, потому что вам нужна математика. Если вы склонны к математике и вам это нравится, то вы можете перейти, например, в линейную алгебру. Если вы не склонны к математике, это не так хорошо. Вам стоит постараться и измениться в техническом направлении.

Если вы собираетесь перейти на сторону вычислений, вам нужно заниматься языками программирования R или Python, точка. Конец истории. Это основные языки в науке о данных. И каждый вендор, который предлагает своего рода простой интерфейс drag’n’drop — их технология уже отстает от того, что находиться на рынке программ с открытым исходным кодом. Если вы хотите использовать последнюю версию GPT-2 из OpenAI, угадайте что? Вам лучше знать, как использовать Python, потому что еще ни один вендор не имеет его в своем программном обеспечении. И если вы хотите иметь возможность выполнять расширенную аналитику текста, это то же ваше направление. 

Поэтому, вы должны изучить эти языки и технологии. Если вы хотите пройти какие-небудь курсы, то советую феноменальный ресурсный центр от IBM под названием Cognitive Class, и он на 100% бесплатный. Вы платите ноль долларов, и вы можете пройти все эти разные курсы по всем темам, которые можно себе представить в науке о данных и искусственном интеллекте. Я настоятельно рекомендую это.

МБ: Последний вопрос. Как аналитик может оказать большее влияние на маркетинг или бизнес? Вы уже упоминали, что это человеческая проблема и проблема вовлечения, но, возможно, вы могли бы добавить что-то еще.

КП: Это в некоторой степени связано, но обычно сама суть — в понимании ключевых показателей эффективности бизнеса и целей. Если вы хотите оказать влияние, вы должны служить общим целям компании. А это значит, что вы должны понимать их.

Как маркетолог, если вы слепо настроены на сбор новых клиентов, потому что вы в этом сильны, но у компании есть проблема с удержанием клиентов, и ей нужна ваша помощь в создании контента, который удерживает клиентов, а вы это игнорируете, то вы будете поступаете неверно.

Понимаете ли вы цели своей компании? Вы понимаете, как ваш маркетинг связан с этими целями? Если нет, лучше обновите свой профиль LinkedIn, потому что вы не собираетесь на серьезные отношение с этой компанией.

МБ: Спасибо, Кристофер, за каждое слово, это был отличный разговор!

Итоги

Вот это да! В этом интервью было много материала. И мы все еще под впечатлением.

Мы полностью согласны с Кристофером по поводу необходимости единства личностных и технологических навыков. Иногда всесторонего развития трудно добиться, но оно того стоит. Мы рады быть компанией, которая делает данные инструментом развития бизнеса, принятия решений и упрощения рабочей рутины маркетологов и аналитиков.

Поделитесь этой статьей со своими коллегами и следите за обновлениями наших следующих интервью:

Подписаться