为什么团队沟通比您的Martech团队更重要

营销团队沟通与分析

Simo Ahava关于数据质量和通信结构的非典型观点使整个会议厅焕然一新。 去分析! 会议。 威克斯,独联体地区的MarTech负责人欢迎成千上万的专家参加此次聚会,以分享他们的知识和想法。

OWOX BI团队 希望您考虑一下Simo Ahava提出的概念,它肯定具有使您的业务增长的潜力。 

数据质量和组织质量

数据的质量取决于进行分析的人员。 通常,我们会将所有数据缺陷归咎于工具,工作流和数据集。 但这合理吗?

坦白地说,数据质量直接与我们在组织内部的沟通方式息息相关。 组织的质量决定一切,从数据挖掘,估计和度量的方法开始,再到处理,再到产品和决策的总体质量,到最后都是如此。 

公司及其沟通结构

假设一家公司专门研究一种工具。 该公司的员工非常擅长发现某些问题并为B2B领域解决问题。 一切都很棒,毫无疑问,您会认识几个这样的公司。

这些公司活动的副作用隐藏在提高数据质量要求的长期过程中。 同时,我们应该记住,为分析数据而创建的工具仅适用于数据,并且与业务问题隔离开来,即使它们是为解决问题而创建的。 

这就是为什么出现另一种公司的原因。 这些公司专门从事工作流调试。 他们可以在业务流程中发现很多问题,将它们放在白板上,然后告诉高管:

在这里,在这里和那里! 应用此新的业务策略,您会没事的!

但这听起来真是难以置信。 并非基于对工具理解的建议的效率令人怀疑。 而且那些咨询公司往往不理解为什么会出现这样的问题,为什么每一天都会带来新的复杂性和错误,以及哪些工具设置不正确。

因此,这些公司单独使用的作用是有限的。 

有些公司具有业务专业知识和工具知识。 在这些公司中,每个人都痴迷于聘请具有高素质的人才,对自己的技能和知识有把握的专家。 凉。 但是通常,这些公司并非旨在解决团队内部的沟通问题,他们通常认为这并不重要。 因此,随着新问题的出现,女巫的狩猎开始了-这是谁的错? BI专家可能会混淆流程吗? 不,程序员没有阅读技术说明。 但总而言之,真正的问题是团队无法清楚地思考问题以解决问题。 

这向我们表明,即使在一家充满了优秀专家的公司中,如果组织不成立,一切都会付出不必要的努力。 成熟 足够。 在大多数公司中,人们要考虑的最后一件事是,必须成年并承担责任,尤其是在危机中。

即使是我即将上幼儿园的两岁孩子,也比我与之合作的一些组织成熟得多。

您不能仅通过雇用大量的专家来创建高效的公司,因为他们全都被某个小组或部门吸收。 因此,管理人员继续聘请专家,但没有任何变化,因为工作流的结构和逻辑完全没有变化。

如果您不做任何事情来在这些小组和部门内外建立沟通渠道,那么您的所有努力将毫无意义。 因此,沟通策略和成熟度是Ahava的重点。

康韦定律适用于分析公司

有意义的数据-康韦定律

五十年前,一位名叫梅尔文·康威(Melvin Conway)的伟大程序员提出了一个建议,后来被人们广泛称为康威定律: 

设计系统的组织。 。 。 受约束产生的设计是这些组织的沟通结构的副本。

梅尔文·康威(Melvin Conway),康威定律

当一台计算机完美地适合一间房间时,这些想法就出现了! 想象一下:在这里,我们有一个团队在一台计算机上工作,而在这里我们有另一个团队在另一台计算机上工作。 在现实生活中,康威定律意味着这些团队之间出现的所有沟通缺陷都将反映在他们所开发程序的结构和功能中。 

作者注:

这个理论已经在开发世界中进行了数百次测试,并进行了很多讨论。 Conway定律的最确定定义是2000年代初期最具影响力的程序员之一Pieter Hintjens提出的,他说:“如果您是一个糟糕的组织,您将制作糟糕的软件。” (阿姆达尔·齐普夫:人的十大定律)

很容易看出该法在营销和分析领域的运作方式。 在这个世界上,公司正在处理从不同来源收集的大量数据。 我们都可以同意数据本身是公平的。 但是,如果您仔细检查数据集,则会发现收集该数据的组织的所有缺陷:

  • 缺少工程师无法解决的价值观念 
  • 格式错误,没有人注意,没有人讨论小数位数
  • 在没有人知道传输格式(批处理或流)以及谁必须接收数据的情况下,通信延迟

这就是为什么数据交换系统会完全披露我们的缺陷。

数据质量是工具专家,工作流专家,管理人员以及所有这些人员之间的沟通的成就。

多学科团队的最佳和最差的交流结构

MarTech或营销分析公司中的典型项目团队由商业智能(BI)专家,数据科学家,设计师,营销人员,分析师和程序员(任意组合)组成。

但是在不了解交流重要性的团队中会发生什么呢? 让我们来看看。 程序员将长时间努力地编写代码,而团队的另一部分将只等他们通过指挥棒。 最后,将发布beta版,所有人都会抱怨为什么花了这么长时间。 当第一个缺陷出现时,每个人都会开始寻找别人的责任,而不是寻找避免使他们陷入困境的方法。 

如果我们更深入地了解,我们会发现对共同目标的理解不正确(或根本不被理解)。 在这种情况下,我们会得到损坏或有缺陷的产品。 

鼓励多学科团队

这种情况的最坏特征:

  • 参与不足
  • 参与不足
  • 缺乏合作
  • 缺乏信任

我们该如何解决? 从字面上看是通过让人说话。 

鼓励多学科团队

让我们聚集所有人,设置讨论主题,并安排每周会议:与BI进行营销,与设计师和数据专家进行程序员的营销。 然后,我们希望人们谈论这个项目。 但这还不够,因为团队成员仍然没有谈论整个项目,也没有与整个团队交流。 召开数十次会议很容易下雪,没有出路,没有时间去做。 会议后发送的这些消息将浪费其余时间,并且使您对下一步的工作有所了解。 

这就是为什么会议只是第一步。 我们仍然有一些问题:

  • 沟通不畅
  • 缺乏共同目标
  • 参与不足

有时,人们尝试将有关项目的重要信息传递给同事。 但是,谣言机器没有传递消息,而是为他们做一切。 当人们不知道如何在适当的环境中正确地分享他们的想法和想法时,信息将在到达接收者的途中丢失。 

这些是公司在沟通问题中苦苦挣扎的症状。 它开始通过会议治愈他们。 但是我们总是有另一个解决方案。

带领所有人就该项目进行沟通。 

团队中的多学科交流

此方法的最佳功能:

  • 用户评论透明
  • 参与
  • 知识和技能交流
  • 不间断教育

这是一个非常复杂的结构,很难创建。 您可能知道采用这种方法的一些框架:敏捷,精益,Scrum。 不管你叫什么名字,都不要紧。 所有这些都是建立在“同时使所有东西在一起”的原则上的。 所有这些日历,任务队列,演示演示和站立会议都是为了使人们经常并一起谈论该项目。

这就是为什么我非常喜欢敏捷的原因,因为它包括沟通的重要性,这是项目生存的先决条件。

如果您认为自己是不喜欢敏捷的分析师,那么换一种方式来看:它可以帮助您显示工作结果–所有处理过的数据,那些出色的仪表板和数据集–可以帮助人们感谢您的努力。 但是,要做到这一点,您必须与同事见面并在圆桌会议上与他们交谈。

下一步是什么? 每个人都开始谈论这个项目。 现在我们有 证明质量 该项目。 为此,公司通常会聘请具有最高专业资格的顾问。 

好的顾问(我可以告诉你,因为我是顾问)的主要标准是,不断减少他对项目的参与。

顾问不能仅仅为公司提供一些小秘密,因为这不会使公司成熟和自我维持。 如果您的公司离不开顾问,那么您应该考虑收到的服务的质量。 

顺便说一句,顾问不应该为您提供报告或帮助。 为此,您有内部同事。

雇用营销人员进行教育,而非委派

聘请顾问的主要目的是教育,确定结构和流程并促进沟通。 顾问的角色不是每月报告,而是将他或她自己植入项目中并完全参与团队的日常工作。

一个好的 战略营销顾问 填补了项目参与者知识和理解上的空白。 但是他或她可能永远不会为某人做这项工作。 有一天,没有顾问,每个人都将工作得很好。 

有效沟通的结果是没有女巫狩猎和指责。 在开始任务之前,人们与其他团队成员分享他们的疑问和问题。 因此,大多数问题在工作开始之前就已解决。 

让我们看看所有这些因素如何影响营销分析工作中最复杂的部分:定义数据流和合并数据。

通信结构如何在数据传输和处理中反映出来?

假设我们有三个来源为我们提供以下数据:流量数据,电子商务产品数据/来自忠诚度计划的购买数据以及移动分析数据。 我们将一个接一个地进行数据处理阶段,从将所有数据流式传输到Google Cloud到发送所有内容以进行可视化 Google Data Studio 在...的帮助下 Google BigQuery

根据我们的示例,人们应该问什么问题以确保在数据处理的每个阶段都能进行清晰的沟通?

  • 数据收集阶段。 如果我们忘记衡量重要的事情,我们将无法及时返回并重新衡量它。 事先要考虑的事情:
    • 如果我们不知道如何命名最重要的参数和变量,该如何处理所有混乱情况?
    • 如何标记事件?
    • 所选数据流的唯一标识符是什么?
    • 我们将如何照顾安全和隐私? 
    • 在数据收集受到限制的情况下,我们将如何收集数据?
  • 将数据流合并到流中。 考虑以下:
    • ETL的主要原则:是批量还是流类型的数据传输? 
    • 我们如何标记流和批处理数据传输的结合? 
    • 我们如何在相同的数据模式中调整它们而不会造成损失和错误?
    • 时间和时间顺序问题:我们将如何检查时间戳? 
    • 我们如何知道数据更新和充实是否在时间戳内正常工作?
    • 我们将如何验证匹配? 无效点击会怎样?

  • 数据汇聚阶段。 注意事项:
    • ETL流程的特殊设置:我们必须处理无效数据吗?
      修补还是删除? 
    • 我们可以从中获利吗? 
    • 它将如何影响整个数据集的质量?

所有这些阶段的第一个原则是,错误相互叠加并相互继承。 在第一个阶段收集的有缺陷的数据将使您的头部在随后的所有阶段中稍有燃烧。 第二个原则是您应该选择要保证数据质量的点。 因为在聚合阶段,所有数据都将混合在一起,所以您将无法影响混合数据的质量。 这对于机器学习项目非常重要,因为在这种情况下,数据质量会影响机器学习结果的质量。 使用低质量的数据无法获得良好的结果。

  • 可视化
    这是首席执行官阶段。 当首席执行官查看仪表板上的数字并说:“好吧,我们今年获得了很多利润,甚至比以前更多,但您可能已经听说过这种情况,但是为什么所有财务参数都位于红色区域?” 现在,寻找错误为时已晚,因为错误早就应该被发现。

一切都基于沟通。 并讨论话题。 这是准备Yandex流时应讨论的示例:

Marketing BI:Snowplow,Google Analytics(分析),Yandex

您只会与整个团队一起找到大多数这些问题的答案。 因为当某人基于猜测或个人意见做出决定而不与他人测试该想法时,就会出现错误。

即使在最简单的地方,处处都有复杂性。

这是另一个示例:在跟踪产品卡的印象分数时,分析师会注意到一个错误。 在匹配数据中,所有横幅和产品卡片的所有展示都在页面加载后立即发送。 但是我们不能确定用户是否真的看过页面上的所有内容。 分析师会来团队,以详细告知他们。

BI说我们不能离开那样的情况。

如果我们甚至不能确定是否显示了产品,我们如何计算CPM? 图片的合格点击率是多少?

营销人员回答:

大家好,我们可以创建一个显示最佳点击率的报告,并对照其他地方的类似广告素材横幅或照片进行验证。

然后开发人员会说:

是的,我们可以借助滚动跟踪和主题可见性检查的新集成来解决此问题。

最后,UI / UX设计人员说:

是的我们可以选择是否最后需要懒惰或永恒滚动或分页!

这是这个小型团队执行的步骤:

  1. 定义问题
  2. 提出问题的业务后果
  3. 衡量变化的影响
  4. 提出技术决定
  5. 发现了不小的利润

为了解决此问题,他们应该检查所有系统的数据收集。 数据模式的一部分中的部分解决方案无法解决业务问题。

对齐调整设计

这就是我们必须共同努力的原因。 每天都必须负责任地收集数据,这是很难的工作。 和 数据质量必须通过 雇用合适的人,购买合适的工具,并投入金钱,时间和精力来构建有效的沟通结构,这对于组织的成功至关重要。

你觉得呢?

本网站使用Akismet来减少垃圾邮件。 了解您的数据如何处理.