Исследование маркетинг-аналитики от OWOX BI: интервью с Тимом Вилсоном

8
264
Материалы для скачивания
978.32 Kb

Невозможно не заметить такого яркого аналитика как Тим Вилсон (Tim Wilson). Мария Бочева и Тим встретились на конференции Superweek, лучшей конференции для аналитиков в Европе. И разговор завязался сам по себе.

Мария Бочева и Тим Вилсон с другими учасниками Superweek

Все фотографии были любезно предоставлены основателем Европейского аналитического саммита Superweek, Золтаном Баноци (Bánóczy Zoltán). 

Тим работал во многих сферах маркетинга и обработки данных более 15 лет. Он руководил отделом бизнес-аналитики в высокотехнологичной B2B-компании стоимостью 500 миллионов долларов и консультировал топовые интернет-магазины о том, как применять цифровую аналитику в своем бизнесе. Сейчас Тим — старший директор по аналитике в компании Search Discovery.

Search Discovery предоставляет услуги аналитики и BI, помогает организациям использовать данные для повышения эффективности бизнеса.

Было очень приятно получить такие глубокие инсайты от Тима Уилсона — активного аналитика с огромным опытом и позитивным взглядом на жизнь (подписывайтесь на него в Твиттере).

Навыки и ресурсы для аналитиков

Какие технические навыки необходимы аналитикам сегодня? Должен ли аналитик знать SQL, Python и R, создавать дашборды с помощью известных инструментов визуализации, таких как Data Studio, Tableau, QlikView?

Это одна из тем для самых горячих дискуссий в последнее время. Начнем с того, что аналитики должны хорошо знать электронные таблицы — Google Sheets и Excel. Даже если они не выполняют в них большую часть своей работы, они почти всегда будут оперировать данными с использованием электронных таблиц.

И если аналитику не очень комфортно работать с VLOOKUP и сводными таблицами, ему всегда будет тяжело с любой другой платформой, где он проводит анализ.

Поэтому запросы к удобству использования инструмента BI/визуализации становятся все выше, даже если учесть, что много компаний еще вообще не думали о покупке ВІ.

Кстати, я бы добавил Power BI в список в вашем вопросе. Именно по причине удобства я большой поклонник Google Data Studio. Даже если компания не решилась использовать платную платформу, аналитики должны знать, как автоматизировать базовую визуализацию и исследование их ключевых данных таким образом, чтобы поделиться результатами своей работы со всеми на проекте.

‘‘

С языками SQL / Python / R все неоднозначно.
Стало модным настаивать на том, что все аналитики должны владеть этими навыками, но я, честно говоря, не был бы так уверен.

Tim Wilson,
Search Discovery, Inc.

Я вижу множество аналитиков, которые целыми днями выполняют очень ценную работу, при этом не уделяя достаточно времени на изучение этих языков. Но есть и предел тому, что можно сделать с помощью Excel и BI.

Стоит признать, что для аналитика или организации, имеющей большие объемы крайне детализированных данных, которые они хотят использовать в моделях, SQL, Python или R быстро становятся необходимостью.

И я бы добавил третий класс технических навыков: статистику. Это означает выход за пределы только сводной статистики, по типу вычислений среднего значения, медианы и стандартного отклонения. Это истинное понимание того, как и где можно использовать регрессию и корреляцию, а также р-значения и коэффициенты детерминации. Речь идет не только о том, чтобы на самом деле глубже понять природу данных, но и о практическом развертывании этих статистических методов.

Тим Вилсон на Супервик

Какими личными качествами должен обладать хороший аналитик?

Однозначно многими! Навыки эффективного общения находятся на вершине списка, и они включает в себя все: от непосредственного взаимодействия с заинтересованными сторонами — активное слушание и понимание их потребностей — до применения лучших практик в визуализации данных — для того чтобы иметь возможность представить результаты анализа понятным образом.

Хорошему аналитику все любопытно (бизнес, данные, мир), он скептичен (в отношении данных, например, если возникает неожиданная ситуация, он/она сразу же полагает, что это проблема с данными и копает, чтобы разобраться в этом) и очень настойчив (для преодоления проблем с данными и даже с людьми/процессами внутри организации). Это скорее «черты характера», чем «навыки», но все они довольно важны.

Как вы считаете, недопонимание между аналитиками и маркетинговыми командами является распространенным явлением? Если да, то есть ли у вас какие-либо рекомендации о том, как этого избежать?

Да, это частое явление. Аналитики и маркетологи говорят на разных языках. По моему опыту, аналитик должен действительно уметь «говорить о маркетинге». Это сводится к нескольким пунктам:

  • Нужно уметь слушать

Может быть довольно соблазнительно преждевременно начать решать проблему (какие данные мне нужно получить, чтобы ответить на этот вопрос?), а не на самом деле исследовать основную бизнес-проблему, над решением которой работает маркетолог.

  • Не говорите как аналитик

Даже поверхностное образование по маркетингу — это хорошо, ведь вы понимаете, что такое метрика и какие ограничения есть у данных, но обычно я видел, как аналитики в разговоре ну слишком быстро сползают в привычную терминологию глубокой аналитики, когда в этом нет необходимости.

Это может оставить маркетолога в замешательстве или, что еще хуже, чувствовать себя некомфортно или подавленно (я не знаю, о чем говорит аналитик, должен ли я? Он, кажется, думает, что я должен!).

  • Никогда, никогда, НИКОГДА не говорите себе, что ваши коллеги глупы

Решить, что проблема в отношениях появляется из-за изъяна в чьих-либо умственных способностях, а не из-за неправильной коммуникации, — это всегда совершить фатальную ошибку.

Какие профессиональные ресурсы или мероприятия вы можете порекомендовать аналитикам?

Главный ресурс, который я могу порекомендовать аналитикам, независимо от того, где они находятся, это Measure Slack Team. Он бесплатен для пользования и в нем постоянно работают тысячи активных аналитиков. Каждые несколько недель на форуме обсуждается что такое хороший ресурс для изучения X или какие есть хорошие конференции для Y. Так что это мета-ресурс для поиска ресурсов!

Еще, есть несколько замечательных конференций. MeasureCamp — это бесплатная конференция, которую проводят по всему миру (а если вдруг рядом никто не проводит, вы можете стать первым!). Marketing Analytics Summit и Digital Analytics Hub — отличные конференции в США, а Superweek — крутое событие в Европе.

Ассоциация диджитал-аналитики продолжает копить ресурсы, которые она предлагает своим участникам, так что это отличный вариант со всевозможными отличными материалами (и даже с программой менторства). Есть также ряд MOOК-ресурсов (МООК — массовый открытый онлайн-курс), таких как Coursera и edX, с десятками тематических онлайн-курсов.

И наконец, если бы я за все это интервью не включил в список подкаст Digital Analytics Power Hour, я был бы ужасным маркетологом! Однако существует и множество других аналитических подкастов, и подкастов на тему искусственного интеллекта и машинного обучения. Для меня их слишком много. Слишком много тех, которые мне не удается регулярно слушать, поэтому даже не буду пытаться давать рекомендации.

Компании и «святая корова» данных

Каких знаний не хватает аналитикам и специалистам по маркетингу, чтобы сделать компании data-driven?

Им не хватает понимания бизнес-контекста и условий неопределенности. Я так полагаю, поскольку постоянно вижу, как аналитики и маркетологи ныряют с головой в данные, желая «найти ответы» и «генерировать идеи», не имея четко сформулированного бизнес-вопроса, ответ на который приведет к вероятному действию.

‘‘

Это тирания ожидания того, что данные «дадут ответы», когда вопрос так и не был четко сформулирован.

Tim Wilson,
Search Discovery, Inc.

Последнее я попробую объяснить. Вернемся назад, к Джону Ванамейкеру, который еще в начале 1900-х заметил, что «половина денег, которые я трачу на рекламу, тратится впустую; и я просто не знаю, какая половина». Маркетологи и аналитики скорее ждали, что данные дадут им «правду» об этих расходах, чем учились работать в мире, где все основано на вероятностях.

Несмотря на то, что мы можем знать «правду» о прошлом, например, сколько трафика пришло на мой сайт в прошлом месяце, чтобы эффективнее использовать эти данные для воздействия на будущее, нужно глубоко понимать, насколько «правдивой» является картина мира, представленная этими данными, и затем работать в соответствии с ними. И всегда нужно понимать, что даже такой простой показатель как трафик не является «правдой» — там очень много беспорядка в сборе данных, что делает полученное число лишь оценкой.

Какие задачи важнее всего для аналитиков в организациях разных стадий развития?

Я никогда не задумывался над этим вопросом. А это интересно! На мой взгляд, стартапы, как правило, более ограничены в ресурсах и, естественно, более подвержены риску в процессе работы с данными.

Таким образом, стартапы — исходя из необходимости — всегда гибко объединяют бесплатные инструменты с ограниченным управлением данными и некоторыми потенциально хрупкими (или даже ручными!) интеграциями. И это прекрасный способ работы, но только если есть понимание того, что по мере роста нужно использовать более «взрослые» системы.

Как правило, это означает, что платформы для данных нужно будет пересмотреть, а иногда даже полностью заменить.

Тим Вилсон

На другом конце спектра — в компаниях — управление становится действительно большой проблемой, так как все больше людей и процессов влияют на данные и полагаются на них. И, как правило, есть больше ресурсов, которые можно тратить на аналитику. Поэтому некоторые из них могут (или даже должны!) отвечать за управление и процессы, сводя к минимуму риск сбоя, который затронет множество функций и, возможно, даже выручку в ближайшей перспективе.

С какими трудностями вы сталкиваетесь при внедрении аналитики и как вы бы оценили общее развитие рынка?

Если мы ограничим «внедрение» внедрением платформ сбора данных, то возникнет множество проблем:

  • Одностраничные приложения (SPA) очень популярны, а еще они создают проблемы с тегами.
  • Макроуровневый переход потребителей к мобильным устройствам и высокая вероятность того, что они взаимодействуют с брендами на разных устройствах, сделали важным кроссплатформенное отслеживание для многих компаний. При этом не существует простого способа добиться этого (вне зависимости от характера компании и ее месторасположения).
  • Регламентации конфиденциальности, такие как GDPR или CCPA (в США), внесли дополнительные ограничения и аспекты в мир сбора данных.
  • Блокировка отслеживания и удаления cookie трансформируется из установки блокировщиков рекламы, которыми пользуются совсем немного пользователей, к стандартным настройкам по умолчанию в самих браузерах. Это безусловно может портить данные!

Какую самую большую ошибку может допустить аналитик? Можете ли вы поделиться опытом ваших ошибок?

Я думаю, что самая большая ошибка — это заиграться с данными до такой степени, чтобы потерять вопрос «Чего я пытаюсь достичь с их помощью?».

У меня такое случалось чаще, чем мне хотелось бы признавать. Я начинал с совершенно правильного бизнес-вопроса, а затем погружался в механику исходных данных и их сложность, а также в свою способность преодолеть эту сложность. В конце проекта я смог сделать несколько довольно интересных штук с самими данными, но я не смог дать ничего, что действительно бы продвинуло бизнес вперед.

Как вы думаете, каково будущее маркетинговой аналитики? Какие тренды вы предвидите и какие популярны уже сейчас?

Я думаю, что несмотря на мое мнение, что нужно по-настоящему сосредоточиться на основах, прежде чем углубляться в науку о данных и машинное обучение, мы будем наблюдать, как все больше и больше компаний будут использовать машинное обучение для эффективного пользования.

Основная причина этого заключается в том, что организации все чаще получают доступ к необработанным данным о своих клиентах и прогнозам — поведенческим, наблюдательным и демографическим.

К примеру, 10 лет назад платформы цифровой аналитики предоставляли в основном сводные данные. В отчете могли быть несколько измерений и метрик, но даже в этом случае доступные данные были не на уровне сеанса или пользовательском уровне.

Сейчас все меняется. Основные игроки на рынке цифровой аналитики начали делать доступными данные уже на уровне хита. И у новых martech-платформ этот уровень детализации доступен с самого начала. Это те данные, которые необходимы для того, чтобы действительно извлечь выгоду с помощью методов машинного обучения.

Проблемы и вызовы

Какие проблемы вы видите на рынке сегодня?

Я вижу большую проблему в существовании огромного количества венчурных стартапов, которые главным образом обещают рынку, что у них есть волшебная палочка в виде искусственного интеллекта для продаж. Но в большинстве случаев это всего лишь рекламный трюк, хайп.

Но, так как технологии более рентабельны и по своей природе более масштабируемы, чем люди или процессы, именно на это уходят маркетинговые доллары в отрасли. Это значит, что рынок засоряется ложным утверждением, что, если вы просто купите и внедрите правильную технологию, вы внезапно станете ИИ-организацией, основанной на данных.

доклад Тима Вилсона на конференции Супервик

Реальность просто не работает таким образом. Поэтому многие и многие организации пишут большие проверки для технологий. При этом они морят себя голодом, когда дело доходит до аналитического персонала и внутренних инвестиций в совершенствование аналитических процессов.

Какие аналитические проблемы вы сейчас испытываете?

Я все еще должен постоянно обучать своих клиентов базовым основам: четко установленные KPI, достоверный и надежный сбор данных, автоматизация повторяющихся задач и анализ, основанный на четко сформулированных гипотезах. Это проблема, которая действительно никак не изменилась за последние 15 лет.

Более свежий вызов для меня — это ажиотаж вокруг data science, машинного обучения и искусственного интеллекта. Одна часть проблемы заключена в накоплении инструментов, которые используются в этих областях, а вторая — в отвлечении клиентов от этих блестящих новых штук и объяснении, что наибольший результат приносит сосредоточенность на основах.

OWOX BI: Итоги

Тим, спасибо за такие замечательные советы! Мы надеемся, что им последуют множество талантливых аналитиков и весь рынок аналитики станет более образованным, энергичным и профессиональным.

Оставайтесь на связи!

Подписаться на блог

Подписывайтесь на наш блог, чтобы прочитать следующие интервью из нашего исследования маркетинг-аналитики и адаптировать опыт ведущих аналитиков для вашего бизнеса.

Вас также могут заинтересовать