Proč je týmová komunikace důležitější než váš zásobník Martech

Komunikace a analýza marketingového týmu

Atypický pohled Simo Ahavy na kvalitu dat a komunikační struktury osvěžil celý salonek v hotelu Přejít na analytiku! konference. OWOX, lídr MarTech v regionu SNS, přivítal na tomto setkání tisíce odborníků, kteří se podělili o své znalosti a nápady.

Tým OWOX BI chtěli byste, abyste se zamysleli nad konceptem, který navrhl Simo Ahava a který má rozhodně potenciál k rozvoji vašeho podnikání. 

Kvalita údajů a kvalita organizace

Kvalita dat závisí na osobě, která je analyzuje. Typicky bychom obviňovali všechny nedostatky v datech o nástrojích, pracovních postupech a datových sadách. Ale je to rozumné?

Upřímně řečeno, kvalita dat přímo souvisí s tím, jak komunikujeme v rámci našich organizací. Kvalita organizace určuje vše, počínaje přístupem k dolování dat, odhadem a měřením, pokračováním ve zpracování a konče celkovou kvalitou produktu a rozhodováním. 

Společnosti a jejich komunikační struktury

Představme si, že se společnost specializuje na jeden nástroj. Lidé v této společnosti jsou skvělí v hledání určitých problémů a jejich řešení pro B2B segment. Všechno je skvělé a bezpochyby znáte pár takových společností.

Vedlejší účinky aktivit těchto společností se skrývají v dlouhodobém procesu zvyšování požadavků na kvalitu dat. Zároveň bychom si měli pamatovat, že nástroje vytvořené k analýze dat pracují pouze s daty a jsou izolovány od obchodních problémů - i když jsou vytvořeny k jejich řešení. 

Proto se objevil další druh firmy. Tyto společnosti se specializují na ladění pracovních postupů. Mohou v podnikových procesech najít spoustu problémů, umístit je na tabuli a říct vedoucím pracovníkům:

Tady, tady a tam! Použijte tuto novou obchodní strategii a budete v pořádku!

Ale zní to příliš dobře, než aby to byla pravda. Účinnost poradenství, které není založeno na porozumění nástrojům, je pochybné. A tyto poradenské firmy obvykle nechápou, proč se takové problémy objevily, proč každý nový den přináší nové složitosti a chyby a jaké nástroje byly nastaveny nesprávně.

Užitečnost těchto společností sama o sobě je tedy omezená. 

Existují společnosti, které mají jak obchodní znalosti, tak znalosti nástrojů. V těchto společnostech je každý posedlý najímáním lidí s velkými kvalitami, odborníků, kteří jsou si jisti svými dovednostmi a znalostmi. Chladný. Tyto společnosti však obvykle nejsou zaměřeny na řešení komunikačních problémů uvnitř týmu, což často považují za nedůležité. Jak se objevují nové problémy, začíná hon na čarodějnice - čí je to chyba? Možná BI specialisté zmátli procesy? Ne, programátoři nečetli technický popis. Skutečným problémem ale je, že tým nemůže jasně přemýšlet nad problémem, aby jej společně vyřešili. 

To nám ukazuje, že i ve společnosti plné skvělých specialistů bude vše vyžadovat více úsilí, než je nutné, pokud organizace není zralý dost. Představa, že musíte být dospělí a být zodpovědní, zejména v krizových situacích, je ve většině společností to poslední, na co lidé myslí.

Dokonce i moje dvouleté dítě, které chodí do školky, vypadá zraleji než některé z organizací, se kterými jsem pracoval.

Efektivní společnost nemůžete vytvořit pouze najímáním velkého počtu specialistů, protože všichni jsou pohlceni nějakou skupinou nebo oddělením. Vedení tedy nadále najímá odborníky, ale nic se nemění, protože struktura a logika pracovního postupu se vůbec nezmění.

Pokud neuděláte nic pro vytvoření komunikačních kanálů uvnitř i vně těchto skupin a oddělení, bude veškeré vaše úsilí zbytečné. Proto se Ahava zaměřuje na komunikační strategii a vyspělost.

Conwayovo právo se vztahuje na analytické společnosti

Smysluplná data - Conwayův zákon

Před padesáti lety předvedl skvělý programátor Melvin Conway návrh, který se později stal populárně známým jako Conwayův zákon: 

Organizace, které navrhují systémy. . . jsou nuceni vytvářet návrhy, které jsou kopiemi komunikačních struktur těchto organizací.

Melvin Conway, Conwayův zákon

Tyto myšlenky se objevily v době, kdy jeden počítač dokonale zapadl do jedné místnosti! Jen si to představte: Tady máme jeden tým pracující na jednom počítači a tam máme další tým pracující na jiném počítači. A v reálném životě Conwayův zákon znamená, že všechny komunikační nedostatky, které se mezi těmito týmy objeví, se budou odrážet ve struktuře a funkčnosti programů, které vyvíjejí. 

Poznámka autora:

Tato teorie byla ve vývojovém světě stokrát testována a byla mnohokrát diskutována. Nejpřesnější definici Conwayova zákona vytvořil Pieter Hintjens, jeden z nejvlivnějších programátorů na počátku dvacátých let, který řekl, že „pokud jste ve sračce, uděláte sračky software.“ (Amdahl to Zipf: Deset zákonů fyziky lidí)

Je snadné vidět, jak tento zákon funguje ve světě marketingu a analytiky. V tomto světě společnosti pracují s obrovským množstvím dat shromážděných z různých zdrojů. Všichni se můžeme shodnout na tom, že údaje samotné jsou spravedlivé. Pokud ale podrobně prozkoumáte datové sady, uvidíte všechny nedokonalosti organizací, které tato data shromáždily:

  • Chybějící hodnoty, kde inženýři nepromluvili o problému 
  • Špatné formáty, kde nikdo nevěnoval pozornost a nikdo se nezabýval počtem desetinných míst
  • Zpoždění komunikace, kdy nikdo nezná formát přenosu (dávkový nebo streamovaný) a kdo musí data obdržet

Proto systémy pro výměnu dat zcela odhalují naše nedokonalosti.

Kvalita dat je úspěchem specialistů na nástroje, odborníků na pracovní postupy, manažerů a komunikace mezi všemi těmito lidmi.

Nejlepší a nejhorší komunikační struktury pro multidisciplinární týmy

Typický projektový tým ve společnosti MarTech nebo marketingové analytické společnosti se skládá ze specialistů na business intelligence (BI), datových vědců, designérů, obchodníků, analytiků a programátorů (v jakékoli kombinaci).

Co se ale stane v týmu, který nechápe důležitost komunikace? Uvidíme. Programátoři budou dlouho psát kód a budou se snažit, zatímco jiná část týmu bude jen čekat, až předají štafetu. Nakonec vyjde beta verze a všichni budou reptat, proč to trvalo tak dlouho. A když se objeví první chyba, všichni začnou hledat někoho jiného, ​​kdo bude vinit, ale ne způsoby, jak se vyhnout situaci, která je tam dostala. 

Podíváme-li se hlouběji, uvidíme, že vzájemné cíle nebyly správně pochopeny (nebo vůbec). A v takové situaci dostaneme poškozený nebo chybný produkt. 

Podporujte multidisciplinární týmy

Nejhorší rysy této situace:

  • Nedostatečné zapojení
  • Nedostatečná účast
  • Nedostatek spolupráce
  • Nedostatek důvěry

Jak to můžeme opravit? Doslova tím, že lidi přimějí mluvit. 

Podporujte multidisciplinární týmy

Spojme všechny dohromady, stanovme si témata diskuse a naplánujme týdenní schůzky: marketing s BI, programátoři s designéry a datovými specialisty. Pak budeme doufat, že lidé o projektu mluví. Ale to stále nestačí, protože členové týmu stále nemluví o celém projektu a nemluví s celým týmem. Je snadné se dostat pod sněh s desítkami schůzek a bez cesty ven a bez času na práci. A tyto zprávy po schůzkách zabijí zbytek času a pochopení toho, co dělat dál. 

Proto je setkání jen prvním krokem. Stále máme nějaké problémy:

  • Špatná komunikace
  • Nedostatek vzájemných cílů
  • Nedostatečné zapojení

Lidé se někdy snaží předat důležité informace o projektu svým kolegům. Ale místo toho, aby zpráva prošla, fámový stroj dělá vše za ně. Když lidé nevědí, jak správně sdílet své myšlenky a nápady a ve správném prostředí, informace budou ztraceny na cestě k příjemci. 

To jsou příznaky společnosti potýkající se s komunikačními problémy. A začíná to léčit schůzkami. Ale vždy máme jiné řešení.

Veďte všechny ke komunikaci nad projektem. 

Multidisciplinární komunikace v týmech

Nejlepší vlastnosti tohoto přístupu:

  • Průhlednost
  • Účast
  • Výměna znalostí a dovedností
  • Nonstop vzdělávání

Jedná se o extrémně složitou strukturu, kterou je těžké vytvořit. Možná znáte několik rámců, které používají tento přístup: Agile, Lean, Scrum. Nezáleží na tom, jak jej pojmenujete; všechny jsou postaveny na principu „dělat vše společně současně“. Všechny tyto kalendáře, fronty úkolů, demo prezentace a stand-up setkání jsou zaměřeny na to, aby lidé o projektu mluvili často a všichni společně.

Proto se mi Agile hodně líbí, protože zahrnuje důležitost komunikace jako předpoklad pro přežití projektu.

A pokud si myslíte, že jste analytik, který nemá rád Agile, podívejte se na to jiným způsobem: Pomůže vám ukázat výsledky vaší práce - všechna vaše zpracovaná data, ty skvělé řídicí panely, vaše datové sady - aby lidé ocenit vaše úsilí. K tomu však musíte potkat své kolegy a promluvit si s nimi u kulatého stolu.

Co bude dál? Všichni začali o projektu mluvit. Nyní máme prokázat kvalitu projektu. Za tímto účelem si společnosti obvykle najímají poradce s nejvyšší odbornou kvalifikací. 

Hlavním kritériem dobrého konzultanta (mohu vám říci, že jsem konzultant) neustále klesá jeho zapojení do projektu.

Konzultant nemůže jen krmit společnost malými profesními tajemstvími, protože díky tomu nebude společnost zralá a soběstačná. Pokud vaše společnost již nemůže žít bez vašeho konzultanta, měli byste zvážit kvalitu poskytovaných služeb. 

Mimochodem, konzultant by pro vás neměl dělat zprávy ani se stát dalším párem rukou. Máte na to své vnitřní kolegy.

Najměte marketingové pracovníky pro vzdělávání, nikoli delegování

Hlavním cílem najímání konzultanta je vzdělávání, oprava struktur a procesů a usnadnění komunikace. Úlohou konzultanta není měsíční podávání zpráv, ale spíše implantace do projektu a úplné zapojení do každodenní rutiny týmu.

Dobrý konzultant strategického marketingu vyplňuje mezery ve znalostech a porozumění účastníků projektu. Ale on nebo ona pro někoho nemusí nikdy dělat práci. A jednoho dne bude každý muset pracovat v pohodě bez konzultanta. 

Výsledkem efektivní komunikace je absence lovu čarodějnic a osočování. Před zahájením úkolu lidé sdílejí své pochybnosti a otázky s ostatními členy týmu. Většina problémů je tedy vyřešena před zahájením prací. 

Podívejme se, jak to všechno ovlivňuje nejkomplikovanější část úlohy marketingové analýzy: definování toků dat a slučování dat.

Jak se zrcadlí komunikační struktura při přenosu a zpracování dat?

Předpokládejme, že máme tři zdroje, které nám poskytují následující údaje: provozní údaje, údaje o produktech elektronického obchodování / údaje o nákupu z věrnostního programu a mobilní analytická data. Postupně projdeme fázemi zpracování dat, od streamování všech těchto dat do Google Cloud až po odeslání všeho pro vizualizaci Google Data Studio s pomocí Google BigQuery

Na základě našeho příkladu, jaké otázky by si lidé měli klást, aby zajistili jasnou komunikaci během každé fáze zpracování dat?

  • Fáze sběru dat. Pokud zapomeneme změřit něco důležitého, nemůžeme se vrátit zpět v čase a změřit to. Co je třeba předem zvážit:
    • Pokud nevíme, co pojmenovat nejdůležitější parametry a proměnné, jak můžeme vyřešit veškerý nepořádek?
    • Jak budou události označeny?
    • Jaký bude jedinečný identifikátor pro vybrané datové toky?
    • Jak se postaráme o bezpečnost a soukromí? 
    • Jak budeme shromažďovat data tam, kde jsou omezení sběru dat?
  • Sloučení datových toků do streamu. Zvažte následující:
    • Hlavní principy ETL: Je to dávkový nebo datový typ přenosu dat? 
    • Jak označíme spojení streamových a dávkových datových přenosů? 
    • Jak je upravíme ve stejném datovém schématu bez ztrát a chyb?
    • Otázky týkající se času a chronologie: Jak zkontrolujeme časová razítka? 
    • Jak můžeme vědět, zda renovace a obohacování dat funguje správně v časových značkách?
    • Jak budeme ověřovat požadavky? Co se stane s neplatnými požadavky?

  • Fáze agregace dat. Co je třeba zvážit:
    • Specializované nastavení pro procesy ETL: Co musíme dělat s neplatnými daty?
      Oprava nebo smazání? 
    • Můžeme z toho získat zisk? 
    • Jak to ovlivní kvalitu celého souboru dat?

Prvním principem pro všechny tyto fáze je, že chyby se skládají na sebe a dědí se navzájem. Data shromážděná s chybou v první fázi způsobí, že se vaše hlava během všech následujících fází mírně spálí. Druhým principem je, že byste měli zvolit body pro zajištění kvality dat. Protože ve fázi agregace budou všechna data smíchána dohromady a nebudete moci ovlivnit kvalitu smíšených dat. To je opravdu důležité pro projekty strojového učení, kde kvalita dat ovlivní kvalitu výsledků strojového učení. Dobré výsledky jsou nedosažitelné s daty nízké kvality.

  • Vizualizace
    Toto je fáze generálního ředitele. Možná jste slyšeli o situaci, kdy se generální ředitel podívá na čísla na palubní desce a řekne: „Dobře, letos máme velký zisk, ještě víc než dříve, ale proč jsou všechny finanční parametry v červené zóně ? “ A v tuto chvíli je příliš pozdě hledat chyby, protože by se jich mělo chytit už dávno.

Vše je založeno na komunikaci. A na témata konverzace. Zde je příklad toho, o čem by se mělo diskutovat při přípravě streamování Yandex:

Marketing BI: Snowplow, Google Analytics, Yandex

Odpovědi na většinu těchto otázek najdete pouze společně s celým týmem. Protože když se někdo rozhodne na základě hádání nebo osobního názoru, aniž by tuto myšlenku otestoval s ostatními, mohou se objevit chyby.

Složitosti jsou všude, i na těch nejjednodušších místech.

Zde je ještě jeden příklad: Při sledování skóre zobrazení produktových karet si analytik všimne chyby. V datech požadavku na server byla všechna zobrazení ze všech bannerů a produktových karet odeslána ihned po načtení stránky. Ale nemůžeme si být jisti, jestli se uživatel skutečně podíval na všechno na stránce. Analytik přijde do týmu, aby je o tom podrobně informoval.

BI říká, že nemůžeme situaci nechat tak.

Jak můžeme vypočítat CPM, když si nemůžeme ani být jisti, zda byl produkt zobrazen? Jaká je tedy kvalifikovaná CTR pro obrázky?

Obchodníci odpovídají:

Podívejte se, všichni, můžeme vytvořit přehled zobrazující nejlepší CTR a ověřit jej proti podobnému kreativnímu banneru nebo fotografii na jiných místech.

A potom vývojáři řeknou:

Ano, můžeme tento problém vyřešit pomocí naší nové integrace pro sledování rolování a kontrolu viditelnosti subjektu.

Nakonec návrháři UI / UX říkají:

To jo! Můžeme si vybrat, zda konečně potřebujeme líný nebo věčný svitek nebo stránkování!

Tady jsou kroky, kterými tento malý tým prošel:

  1. Definoval problém
  2. Prezentovány obchodní důsledky problému
  3. Měřil dopad změn
  4. Předložená technická rozhodnutí
  5. Objevil netriviální zisk

Aby tento problém vyřešili, měli by zkontrolovat sběr dat ze všech systémů. Částečné řešení v jedné části schématu dat nevyřeší obchodní problém.

zarovnat upravit design

Proto musíme spolupracovat. Data musí být shromažďována odpovědně každý den a je těžké to udělat. A kvality údajů musí být dosaženo do najímání správných lidí, nákup správných nástrojů a investice peněz, času a úsilí do budování efektivních komunikačních struktur, které jsou zásadní pro úspěch organizace.

Co si myslíte?

Tyto stránky používají Akismet k omezení spamu. Zjistěte, jak jsou vaše údaje komentářů zpracovávány.