Jim Sterne je medzinárodný rečník v oblasti digitálneho marketingu a interakcie so zákazníkmi. Je konzultant pre spoločnosti a podnikateľov z Fortune 500, kde využíva svoje 30-ročné skúsenosti z oblasti predaja a marketingu.
Jim je zakladateľom medzinárodného summitu eMetrics www.emetrics.org a je spoluzakladateľom a súčasným predsedom Združenia digitálnej analytiky www.DigitalAnalyticsAssociation.org.
Bol menovaný ako jeden z 50 najvplyvnejších ľudí v oblasti digitálneho marketingu spoločnosťou Revolution a rovnako za jedného z 25 najlepších rečníkov.
Preto sa veľmi tešíme, že sme mu mohli položiť zopár otázok. Pod slovenským prekladom nájdete aj anglický originál.
„Data-driven“ je v súčasnosti jedným z najpoužívanejších slov v biznis sfére. Ako by ste definovali, či je určitá spoločnosť založená na dátach alebo nie?
Všetko je to otázka správania. Ak sa rozhodnutia prijímajú HIPPO (Highest Paid Person Opinion/Názor osoby, ktorá platí najviac) alebo tí, ktorí kričia najhlasnejšie, potom o dátach nemôže byť reč. Na druhej strane, čisto data-driven firma prehrá kvôli nedostatku citu a jemnosti. Dávam prednosť informovaným spoločnostiam, ktoré robia výskum, prinášajú výsledky, automatizujú čo sa dá, a potom robia intuitívne rozhodnutia podložené dátami.
Cestujete veľa. Môžete porovnať analytickú vyspelosť v rôznych krajinách?
Komunity digitálnej analytiky sú dnes všade. Najjednoduchším spôsobom, ako ich nájsť, je pozrieť si zoznam na https://measurecamp.org/measurecamp-calendar.
Existuje pár kampaní v určitých firmách, ktoré vynikajú analytikou. Avšak neexistujú firmy, ktoré by robili skvelú analytiku celkovo. Výborné prípadové štúdie nájdeme v každej krajine.
Niektoré krajiny sú trochu pozadu kvôli kultúre, ktorá sa vyhýba experimentovaniu a riziku. Vo všeobecnosti je však skvelá digitálna analytika rozšírená po celom svete. Niektoré krajiny sú „lepšie“ ako iné (alebo aspoň viditeľnejšie), ako napríklad USA, Spojené kráľovstvo, Slovensko, Rumunsko a Nemecko. Ale to je vec pohľadu, nemám to podložené dátami. 😉
Kde vidíte pozíciu machine learning (strojového učenia) a AI (umelej inteligencie) v oblasti digitálnej analýzy?
Machine learning (ML) nám ponúka nové nástroje a možnosti. Avšak rovnako ako kladivo a píla z vás nespraví tesára, ML z vás neurobí dátového vedca a dokonca ani lepšieho analytika. ML preberie veľa práce, ktorú dnes robíme manuálne, je nevyhnutná, avšak neúčinná. Napríklad čistenie a integrácia údajov, pokročilá štatistická analýza, segmentácia, klastrovanie a pod. Rovnako ako nám tabuľky (Google Spreadsheet, pozn.redaktora) poskytli nový spôsob práce s číslami, tak nám ML dáva nový spôsob, ako sa hrať s dátami.
Kde vidíte budúcnosť práce v oblasti digitálnej analýzy? Aké zručnosti by si mal osvojiť začínajúci vášnivý analytik?
Analytik bude vždy potrebovať urobiť tri veci:
1. Rozhodnúť, aký problém potrebujete vyriešiť alebo akú otázku položiť. To si vyžaduje veľa poznatkov o biznise. Skúsenosti sú dôležité! Aké otázky sa oplatí klásť?
2. Rozhodnúť sa, ktoré údaje môžu byť najviac prediktívne a ako ich spracovať. Stále existujú náklady na výpočtovú techniku a – ako povedal Matt Gershoff – náklady na istotu. Na vyriešenie problému možno nebudete potrebovať ML. Možno budete potrebovať len jednoduchú štatistickú analýzu. Analytik sa musí rozhodnúť, aké dáta a koľko výpočtovej sily je ochotný vyčleniť.
3. Rozhodnúť, či je model užitočný. „Všetky modely sú nesprávne, niektoré modely sú užitočné“ – George Box. Toto je test, ktorý vyžaduje “sedliacky rozum” a všeobecné znalosti. Ak požiadate stroj, aby zvýšil engagement (zapojenie užívateľov), zistí, že najlepší spôsob, ako prinútiť nových užívateľov, aby reagovali, je poslať 100 e-mailov za minútu 10 dní po sebe. Z pohľadu “sedliackeho rozumu” to však nedáva zmysel!
Čo sa vám najviac páči na vašej práci analytika a rečníka?
Mám rád cestovanie, stretávanie sa s novými ľuďmi, dlhodobý kontakt s nimi a poznanie, že (niekedy) môžem pomôcť niekomu dosiahnuť viac, než si myslel, že by mohl. To ma veľmi napĺňa.
Jim Sterne interview
Being data-driven is one of the most used buzz-words in the business sphere nowadays. How would you define if a certain company is data-driven or not?
It’s all a matter of behaviour. If decisions are made by the Hippo (HIghest Paid Person’s Opinion) or by the guy who shouts the loudest, then data isn’t even in the room. On the other hand, a purely data-driven company will lose the game due to a lack of nuance and finesse. I prefer data-informed companies that do their research, bring the results together, automate what they can, and then use data-informed intuition to make decisions.
You travel a lot, can you compare digital analytics maturity level in different countries?
Digital analytics communities are found all over. The easiest place to find a list is https://measurecamp.org/measurecamp-calendar. While there are some campaigns in some companies that are doing amazing analytics, there are no companies that are doing a great job overall. There are great case studies in every country.
Some countries are a bit behind due to a culture that shuns experimentation and risk, but generally, great digital analytics is spread all over. Some countries are ‚better‘ than others – at least more visible – like the US, the UK, Slovakia, Romania, and Germany. But that is a perceptual difference – not one backed by data 😉
Where you see the position of machine learning and AI within the digital analytics industry?
Machine learning (ML) offers us new tools. Just as a hammer and a saw do not make you a carpenter, ML doesn’t make you a data scientist, or even a better analyst. ML is going to take on a lot of the grunt work that we have to do today that is currently necessary, but not impactful: data cleansing and integration, advanced statistical analysis, segmentation and clustering, etc. Just as the spreadsheet gave us a whole new way to play with numbers, ML gives us a new way to play with data.
Where do you see the future of digital analytics job? What “must-have” skills to learn you would advise for new passionate digital analysts?
The analyst will always be needed to do three things:
1. Decide what problem to solve or question to answer. That takes a good deal of domain knowledge. Experience counts! What questions are worth asking?
2. Decide what data might be the most predictive and feed it to the machine. There is still a cost to computing and – as Matt Gershoff would say – a cost to certainty. You may not need ML to solve a problem. You might only need a simple statistical analysis. The analyst has to decide which data and how much compute power to bring to bear.
3. Decide is the model is useful. „All models are wrong, some models are useful“ – George Box. This is the Smell Test that requires common sense and general knowledge. If you ask the machine to improve prospect engagement, it will figure out that the best way to get strangers to respond to you is to send 100 emails a minute for ten days in a row. From a Smell Test perspective, that stinks!
What do you like the most in your job as an analyst as well as a speaker?
I enjoy the travel, meeting new people, staying in touch with them over a long period of time, and the knowledge that – sometimes – I can help somebody achieve more than they thought they could. THAT is satisfying!