Benn Stancil, Gründer von Mode, darüber, wie Data Science uns helfen kann, bessere Entscheidungen zu treffen

Bei der Datenanalyse geht es nicht darum, ausgefallene Dashboards zu erstellen – es ist ein langer, iterativer, kollaborativer Prozess, der Ihnen hilft, besser zu verstehen, was der Kunde will und wie Sie dorthin gelangen.

Oder besser gesagt, es sollte sein. Dieses stereotype Bild eines Raums voller Monitore und ausgeklügelter Dashboards, in dem alle Entscheidungen getroffen werden, ist nicht real, und es ist höchste Zeit, dass wir uns davon entfernen. Laut Benn Stancil, Mitbegründer und Chief Analytics Officer hinter Mode, einer Plattform, die Datenanalysten und Datenwissenschaftlern helfen soll, Daten zu analysieren, zu visualisieren und auszutauschen, besteht ein Großteil ihrer täglichen Arbeit darin, mit Produktmanagern zusammenzusitzen und Unternehmensleiter, die an verschiedenen Dingen basteln und versuchen, ein Geschäftsproblem gemeinsam zu lösen.

Tatsache ist, dass Data Science als Feld noch relativ neu ist. Daher sind sich viele Unternehmensleiter nicht ganz sicher, wie sie anfangen, wie sie sie nutzen oder was sie tun sollen, wenn alle Dashboards und Tools auf unterschiedliche Lösungen hinzuweisen scheinen. Aber wie Benn betont, ist die Zukunft der Datenanalyse kein Architekturdiagramm oder Unternehmensleiter, die sich Dashboards ansehen – sie baut eine Erfahrung auf, und zwar eine sehr aufregende.

Diese Woche hatten wir das Vergnügen, mit Benn über den modernen Datenstapel zu sprechen und darüber, wie Daten genutzt werden können – und was noch wichtiger ist – sollten, um das Wachstum voranzutreiben.

Wenn Sie wenig Zeit haben, hier sind ein paar schnelle Takeaways:

• Obwohl Data Science die Zukunft nicht vorhersagen kann, kann sie Ihnen definitiv dabei helfen, Ressourcen zu fokussieren, Probleme zu beheben und sogar neue Märkte zu erschließen.
• Jede Erkenntnis aus der Datenanalyse ist immer nur so gut wie die Daten selbst. Stellen Sie sicher, dass Ihre Daten korrekt sind, bevor Sie irgendwelche Schlussfolgerungen daraus ziehen.
• Wenn Sie sich nicht die Daten ansehen, um zu verstehen, warum Ihre Kunden Ihre Produkte verwenden, vermeiden Sie es, Entscheidungen auf der Grundlage Ihrer Erwartungen an ihre Motivation zu treffen.
• Da wir mehr Standardisierung gegenüber Best Practices für den Umgang mit Daten sehen, wird es nicht mehr notwendig sein, den Prozess von Grund auf neu zu entwerfen, sondern darauf aufzubauen und ihn an jeden Anwendungsfall anzupassen.
• Der Blick auf endlose Zeilen und Spalten kann selbst für einen erfahrenen Datenanalysten entmutigend sein. Beginnen Sie im Zweifelsfall mit einigen grundlegenden Produktannahmen und gehen Sie von dort aus weiter.

Wenn Ihnen unsere Diskussion gefällt, sehen Sie sich weitere Folgen unseres Podcasts an. Sie können auf iTunes, Spotify folgen oder den RSS-Feed in Ihrem bevorzugten Player abrufen. Was folgt, ist eine leicht bearbeitete Abschrift der Episode.

Einstieg in die Analytik

Liam Geraghty: Benn, vielen Dank, dass Sie heute zu uns gekommen sind.

Benn Stancil: Schön , hier zu sein.

Liam: Könnten Sie uns zunächst ein wenig über Ihren Hintergrund erzählen, was Sie tun und wie Sie zu diesem Punkt gekommen sind?

Benn: Ich habe meine Karriere im Grunde in einer ganz anderen Welt begonnen. Ich habe in der Politikwelt als Wirtschaftsforscherin in einer Denkfabrik angefangen. Ich habe dort ein paar Jahre verbracht, mochte die Arbeit sehr und mochte die Idee, im Grunde zu versuchen, Probleme mit Daten zu lösen. Meine Aufgabe war es, mir anzusehen, was in der Weltwirtschaft passiert – es war damals wie 2010, und so brach alles irgendwie zusammen – und dann die Daten darüber anzuschauen und zu versuchen, Empfehlungen zu geben, was die politischen Entscheidungsträger tun sollten .

Es war konzeptionell wirklich interessant, aber wenn Sie als Junior in einer Denkfabrik Empfehlungen dazu abgeben, was die Fed tun sollte, schenkt Ihnen niemand wirklich Beachtung. Ich mag die Idee, diese Art von Arbeit zu machen, aber ich wollte es auf eine Weise tun, bei der es direkter mit den Problemen zusammenhängt, die die Leute zu lösen versuchten, wo man tatsächlich sehen konnte, ob Ihre Ideen oder Empfehlungen funktionierten. So kam es, dass ich von diesem Job zu einem Analytics-Job bei einem Technologieunternehmen in San Francisco wechselte. Das war mein erster Job in der Technik. Dort habe ich einige Jahre als Analyst oder Data Scientist gearbeitet. Ich war die Art von Person, deren Aufgabe es ist, mit Vermarktern, Produktmanagern oder Betriebsmitarbeitern zusammenzuarbeiten, um ihnen zu helfen, Entscheidungen darüber zu treffen, welche Produkte versendet werden sollen, welche Zielgruppen anvisiert werden sollen oder ob das Unternehmen in bestimmten Bereichen gut und in bestimmten Bereichen nicht gut abschneidet Andere. Es ähnelte dem, was ich in DC tat, aber auf eine ganz andere Domäne angewendet.

„Die Reise eines Unternehmens mit drei Personen, die aus dem Wohnzimmer von jemandem in etwas mit Hunderten von Menschen arbeiten, ist eine Reise, bei der man ständig auf neue Dinge trifft.“

Von da an lernte ich einige Leute kennen, fing an, die Bedürfnisse von Leuten wie mir zu erkennen und welche Art von Tools wir wollten, welche Art von Tools es noch nicht gab, und schließlich erstellte ich Mode basierend auf dieser Vision.

Liam: War es eine Herausforderung, mit Mode in der Startup-Reise an diesen Punkt zu gelangen?

Benn: Auf jeden Fall. Jedes Startup wird eine Herausforderung sein, und Mode ist da nicht anders. Mode hat viele Höhen und Tiefen erlebt. Einerseits war es sehr herausfordernd. Jeden Tag arbeitest du an anderen Problemen, Sachen, mit denen du vorher nie wirklich gerechnet hast. Wie Sie sicher wissen, ist die Reise eines Unternehmens mit drei Personen, die aus dem Wohnzimmer von jemandem heraus arbeiten, in etwas, das Hunderte von Menschen umfasst, eine Reise, bei der Sie ständig auf neue Dinge stoßen, wo die Probleme, die Sie im ersten Monat hatten, liegen anders als die Probleme, die Sie im zweiten Monat haben.

Jeden Tag müssen Sie etwas Neues lernen, an das Sie noch nie gedacht haben, es lösen zu müssen. Es ist nicht so: „Ich werde in dieser speziellen Sache wirklich gut werden.“ Sobald Sie gut darin werden, sind Sie beim nächsten. In diesem Sinne war es sehr herausfordernd. Aber wir hatten ein tolles Team. Es gibt großartige Menschen, die das Unternehmen unterstützt haben, ob es nun die Mitarbeiter sind oder nicht, ob sie früher Kunden waren oder nicht, ob sie nur Freunde und Familie sind oder nicht, und die Art von Leuten, die sich damit abfinden Sie, wie Sie mit ihm gehen. Es war harte Arbeit, aber es war eine sehr gute Erfahrung, die Unterstützung von so vielen Leuten dabei zu haben. Ich denke, die Leute im Silicon Valley sind besonders privilegiert, ein ganzes Ökosystem zu haben, das darauf ausgerichtet ist, ihnen und ihrem Unternehmen zum Erfolg zu verhelfen. Wenn Sie dies an anderen Orten tun würden, wäre es meiner Meinung nach viel schwieriger.

Was Daten können und was nicht

Liam: Data Science ist das, worum es Unternehmen geht, die ihre Entscheidungsfindung verbessern möchten, indem sie die Informationen nutzen, die sie bereits in ihren Apps und anderen Systemen sammeln. Hier kommt Ihr Unternehmen Mode ins Spiel. Können Sie uns etwas über die Plattform erzählen, die Sie aufgebaut haben, und wie sie Data Scientists hilft?

Benn: Auf jeden Fall. Unternehmen nutzen Daten auf vielfältige Weise. Der einfachste Weg, darüber nachzudenken, ist, darüber nachzudenken, was man in Karikaturen auf Filmen und so sieht, wie Räume voller Dashboards und Diagramme, in denen Menschen Entscheidungen treffen. Das passiert offensichtlich nicht. Die Leute haben Dashboards und wir überprüfen alle, wie die Unternehmen abschneiden und solche Sachen. Aber ein Großteil der eigentlichen täglichen Arbeit zur effektiven Nutzung von Daten kommt von einem Datenexperten, der mit einem Geschäftsexperten zusammensitzt, um gemeinsam ein Problem zu lösen und die Fragen zu beantworten, die sie haben, um ihnen bei der Entscheidungsfindung zu helfen.

"Der Produktmanager wird nicht auf einen Bildschirm schauen und sagen: 'Aha, das ist genau das, was wir brauchen'"

Stellen Sie sich vor, Sie sind ein Produktmanager, der entscheiden möchte, welches Produkt gebaut werden soll. Möglicherweise möchten Sie verstehen, wie Benutzer die aktuellen Funktionen verwenden, die Sie ändern möchten. Verwenden verschiedene Arten von Menschen es auf unterschiedliche Weise? Gibt es Dinge, die sie versuchen zu tun, aber mit denen sie zu kämpfen haben? Können sie ihre Ziele erreichen? All diese Dinge erfordern diese sehr speziellen Fragen, und es ist kein Prozess, den Sie beantworten würden, indem Sie sich ein Dashboard ansehen. Der Produktmanager wird nicht auf einen Bildschirm schauen und sagen: „Aha, das ist genau das, was wir brauchen.“ Es ist dieser lange, iterative Prozess, immer mehr zu verstehen, was ihre Kunden wollen, dann eine Entscheidung zu treffen und zu sagen: „Hey, ich denke, wir sollten das bauen. Lassen Sie uns eine Analyse durchführen, um herauszufinden, ob wir der Meinung sind, dass dies das richtige Feature zum Erstellen ist.“

Bei Modus geht es wirklich darum, Menschen dazu zu befähigen. Es geht darum, diesen Analytiker in die Lage zu versetzen, diese Art von Arbeit zu erledigen, damit er sehr schnell und einfach helfen kann, Fragen für andere zu beantworten. Und dann, wie sie das verteilen und sicherstellen, dass es auch mit diesen Leuten zusammenarbeitet – ein Analyst kann nicht einfach in ein Loch gehen und diese Fragen beantworten, er muss mit dem Produktmanager zusammenarbeiten, um dies zu tun. Das wollen wir wirklich ermöglichen. Und sobald Sie diese Art von Antworten haben, können Sie sie in etwas Wiederverwendbares umwandeln? Können Sie sie so gestalten, dass sie leicht wiederaufrufbar und überprüfbar sind und all diese Dinge? Im Kern geht es darum, Menschen zu helfen, die etwas über ihr Geschäft verstehen und Fragen beantworten müssen, indem es ihnen ermöglicht wird, reibungsloser mit Analysten zusammenzuarbeiten, die oft diejenigen sind, die diese Antworten liefern.

Liam: Was ist eine Datengeschichte oder ein Beispiel, das ein glückliches Ergebnis hatte, und eines, das nicht so gut ausging? Nur für Leute wie mich, die zum Beispiel ihren Zeh in den Datenpool tauchen.

Benn: Ein paar glückliche Ergebnisse. Da war dieses Unternehmen, das im Grunde Videos für eine Reihe seiner Kunden bereitstellte – ihr Produkt ist eine globale Videoplattform. Sie versuchten herauszufinden, wie sie es für Menschen auf der ganzen Welt verbessern könnten, und stellten fest, dass einige Länder tendenziell sehr gut abschneiden und andere nicht, und sie waren sich nicht ganz sicher, warum. Sie sagten: „Oh, wir machen es großartig in diesem Land und großartig in diesem Land, aber nicht so großartig in diesen anderen.

„[Unsere Forschung] hat neue Märkte für dieses Produkt erschlossen, ohne dass sie die anderen Arten von Experimenten durchlaufen mussten, die sie ursprünglich geplant hatten.“

Nachdem sie eine Reihe von Analysen durchgeführt und sich damit befasst hatten, stellten sie fest, dass die Videos in bestimmten Ländern aufgrund der Standorte ihrer Rechenzentren oder AWS-Umgebungen zu langsam waren. Sie dachten, es sei vielleicht etwas Kulturelles, etwas mit Internationalisierung, vielleicht hätten sie da etwas falsch gemacht. Vielleicht war es etwas an dem Produkt, das bei bestimmten Zielgruppen einfach nicht ankam oder das von verschiedenen Arten von Menschen mit unterschiedlichen Anwendungsfällen in verschiedenen Ländern angenommen wurde. Sie hatten eine Menge verschiedener Dinge, die sie hätten lösen können, wo es so war: „Vielleicht müssen wir eine ganze Menge Internationalisierung investieren, vielleicht müssen wir in verschiedene Funktionen investieren, wenn wir an diese Art von Publikum verkaufen wollen, weil sie über die Probleme anders nachdenken.“ Auch hier war es eine Videoplattform, also mussten sie vielleicht in andere Inhalte investieren.

Aber am Ende war es etwas Einfacheres. Die App war in diesen Ländern zu langsam, die Leute waren frustriert, weil die Videos zu stark gepuffert wurden, und es war einfach keine gute Erfahrung. Sie konnten das lösen, indem sie sagten: „Hey, lass uns unser Produkt in mehr Rechenzentren in AWS einsetzen“ oder in einem beliebigen Hosting-Produkt, das sie verwendeten. Es ist keine triviale Lösung, aber es ist keine schwierige Lösung im Vergleich dazu, wie man völlig neue Inhalte für verschiedene internationale Zielgruppen erstellen muss. Es eröffnete neue Märkte für dieses Produkt, ohne dass sie die anderen Arten von Experimenten durchlaufen mussten, die sie ursprünglich geplant hatten, als sie feststellten, dass sie in einigen Ländern erfolgreich waren und in anderen nicht.

Liam: Absolut. Das ist ein großartiges Beispiel.

Benn: In Bezug auf die negativen Datengeschichten gibt es meiner Meinung nach ein paar Beispiele. Es gibt sicherlich Fälle, in denen Menschen versuchen, datengesteuerte Entscheidungen zu treffen, und am Ende etwas machen, das nicht funktioniert. Ein Teil davon ist die Natur dessen, was Daten sind – sie sagen Ihnen etwas mehr oder weniger wahrscheinlichkeitstheoretisch. Wenn Sie fragen: „Soll ich darauf wetten, dass ich würfele und zwischen 1 und 5 oder 6 erziele?“ Ich könnte Ihnen sagen: „Das Richtige, was Sie tun sollten, ist, auf eine Eins bis Fünf zu wetten, Ihre Chancen dafür sind viel höher.“ Das ist die richtige datengesteuerte Analyse, aber manchmal können Sie verlieren. Wenn Sie ein Produkt entwickeln oder eine Entscheidung für ein Unternehmen treffen, die Sie nur einmal treffen können, können Sie nicht zurückgehen und sagen: „Lass es uns noch einmal würfeln und weiter würfeln, bis du eine Eins bis Fünf hast.“ Vielleicht haben wir auf eins bis fünf gesetzt und eine Sechs gewürfelt. So läuft das.

„Das ist Teil des Spiels, wenn man versucht, als Produkt und Unternehmen stärker datenorientiert zu sein – man wird es nicht immer genau richtig machen.“

Es gibt viele Beispiele für solche Dinge, bei denen die Daten nicht perfekt sind. Daten werden Ihnen nicht die Zukunft sagen. Es kann Ihnen eine Vorstellung davon geben, was passieren könnte, aber es gibt viele Geschichten über Menschen, die Entscheidungen treffen, die Analyse wahrscheinlich wirklich gut machen, eine fundierte Entscheidung treffen, bevor sie getroffen wird, und dann das Ergebnis einfach nicht sich entwickeln. Eines der Dinge, über die wir mit vielen Leuten sprechen, ist, damit einverstanden zu sein. Das gehört dazu, wenn man versucht, als Produkt und Unternehmen stärker datenorientiert zu sein – man wird es nicht immer genau richtig machen. Sie können einfach nicht den Glauben daran verlieren, was Daten sind, indem Sie erwarten, dass sie Ihnen immer genau sagen, wie die Zukunft aussehen wird.

Müll rein, Müll raus

Liam: Nun, abgesehen davon, wie wichtig ist es, den Weg zu berücksichtigen, dem die Daten folgen, um am Ende das Dashboard zu erreichen?

Benn: Es gibt definitiv eine Art „Müll rein, Garbage raus“-Prozess, und ich denke, das ist ziemlich gut verstanden. Die meisten Menschen verstehen, dass Datenqualität wichtig ist. Angenommen, wir versuchen, Entscheidungen über unsere Verkaufspipeline zu treffen und wie gut sich verschiedene Kunden durch eine Verkaufspipeline bewegen und welche Phasen des Verkaufstrichters gut abschneiden und welche nicht, könnten Sie zu dem Schluss kommen, dass Geschäfte immer aufgehängt werden Sicherheitsüberprüfung, wenn wir mit IT- und Sicherheitsfachleuten darüber sprechen, ob unser Produkt ihren Standards entspricht oder nicht, und deshalb müssen wir uns viel mehr darauf konzentrieren. Wenn unsere Schlussfolgerung auf Daten basiert, die von einem Vertriebsteam manuell eingegeben werden, kann es sein, dass dies der Teil des Prozesses ist, in dem das Vertriebsteam diese Daten nachlässiger in Salesforce eingibt, und daher ist diese Schlussfolgerung keine Widerspiegelung der Realität. Sie müssen die ganze Arbeit im Voraus erledigen, um sicherzustellen, dass Ihre Daten tatsächlich korrekt sind, bevor Sie wirkliche Schlussfolgerungen daraus ziehen können.

„Es ist nicht unbedingt so, dass sie die Zahlen verfälschen oder dass sie schlechte Daten verwenden – es ist nur so, dass man, wenn man nach etwas Interessantem sucht, viel eher geneigt ist, es zu finden.“

Es gibt noch eine andere Art, in der ich denke, dass es eine ähnliche Dynamik um dieses „Garbage in, Garbage out“ gibt. Sie können eine Reihe verschiedener Analysen durchführen und sagen, dass Sie ein Problem aus 10 verschiedenen Perspektiven betrachten, die Art und Weise, wie Sie das betrachten, ist von Bedeutung. Es wird eine Perspektive geben, die auf eine bestimmte Weise erscheint, und diese Analyse an sich mag vernünftig sein. Aber wenn Sie den Leuten nicht sagen: „Hey, wir haben 10 Dinge ausprobiert, neun davon schlugen eine Sache vor, aber diese 10. schlug etwas anderes vor“, und dann scheint die 10. Sache, die den Ausreißer vorschlug, sehr positiv zu sein …

Sie hören viel darüber in akademischen P-Hacking-Studien, in denen die Leute im Grunde wissenschaftliche Arbeiten schreiben, und es gibt diese Frage: „Suchen sie nach Ergebnissen?“ Die Antwort ist natürlich, sie sind es. Dafür werden Akademiker bezahlt. Sie wollen etwas Interessantes finden. Es ist nicht unbedingt so, dass sie die Zahlen verfälschen oder dass sie schlechte Daten verwenden – es ist nur so, dass Sie, wenn Sie nach etwas Interessantem suchen, viel eher geneigt sind, es zu finden, auch wenn dieses Interessante nicht unbedingt echt ist .

Analysten können unter der gleichen Tendenz leiden. Unsere Aufgabe ist es, etwas Interessantes zu finden. Wir wollen derjenige sein, der bei dem großen Meeting aufsteht und sagt: „Schauen Sie sich dieses Diagramm an, das diese wirklich dramatische Sache offenbart.“ Wenn Sie immer nach diesen Dingen suchen, finden Sie sie in neun von zehn Fällen nicht. Aber beim zehnten Mal ist es wichtig zu sagen: „Hey, wir haben zuerst ein paar andere Dinge ausprobiert.“ Das hilft zu verstehen, ob das, was Sie zu finden glauben, real ist oder nicht.

Liam: Wie können Daten für Startups da draußen genutzt werden, um das Wachstum voranzutreiben?

Benn: Eine Reihe von Möglichkeiten. Die meisten Leute verwenden es wie Growth Hacking, das abwertend als eine neue Art bezeichnet wird, Marketing zu nennen, aber Sie können es sehr oft auf diese Weise verwenden. Sie können es verwenden, um Ihre Kunden besser zu verstehen und zu wissen, mit wem Sie sprechen können. Viel Wachstum besteht darin, die richtigen Leute zu finden und ihnen zur richtigen Zeit die richtige Botschaft zu übermitteln, zumindest von der Spitze des Marketing-Trichters. Daten können dabei sehr wichtig sein. Wie können Sie verstehen, wer in Ihren Trichter kommt, was er sagt und wie weit er kommt? Wer sind diese Leute und wie erreichen Sie mehr, die so aussehen?

„Viel Wachstum besteht darin, die richtigen Leute zu finden und ihnen zur richtigen Zeit die richtige Botschaft zu übermitteln, zumindest von der Spitze des Marketing-Trichters. Daten können dabei sehr wichtig sein.“

Die wichtigeren Hebel liegen jedoch oft darin, zu verstehen, was Ihre Kunden zu tun versuchen. Die Leute bauen oft Produkte und erwarten, dass sie auf eine bestimmte Weise verwendet werden, oder erwarten, dass die Leute sie aus dem einen oder anderen Grund mögen, und die Leute mögen es aus diesen Gründen nicht immer. Es gibt viele Funktionen, die wir bei Mode entwickelt haben oder die wir von unseren Kunden gehört haben, wenn sie sagten: „Oh ja, das wird eine großartige Sache für X.“ Und es stellt sich heraus, dass das nicht wirklich der Grund ist, warum die Leute es mögen, aber sie mögen es vielleicht für Y. Es sei denn, Sie schauen sich die Daten an, um das Verhalten der Leute zu verstehen, und versuchen zu verstehen, was sie dazu motiviert, diese Dinge zu tun, Sie werden oft denken: „Oh, großartig, wir haben eine Funktion eingeführt, die dafür wirklich gut war, und deshalb verwenden die Leute sie. Also werden wir uns wirklich darauf einlassen.“ Aber es kann sein, dass Sie tatsächlich gegen die Art und Weise spielen, wie die Leute versuchen, das Produkt zu verwenden, und Sie sollten stattdessen sagen: „Hey, sie verwenden es für Y. Lassen Sie uns wirklich Möglichkeiten entwickeln, um es ihnen zu ermöglichen Y Ding drauf.“

„Es geht darum, den tatsächlichen Produkt-Market-Fit zu finden und nicht den, von dem Sie annehmen, dass Sie ihn haben.“

Als Beispiel gab es diese Firma, die eine Art Chat-Produkt im Wesentlichen für die Arbeit war. Es war ein kollaboratives Produkt vom Typ Slack, das auf Mobilgeräte ausgerichtet war. Sie dachten ursprünglich, es wäre eine großartige Möglichkeit für Mitarbeiter an vorderster Front zu kommunizieren. Es wäre eine großartige Möglichkeit für Leute, die keine E-Mail-Adressen haben, um zu kommunizieren. Wenn Sie ein Kassierer bei 7-11 sind, haben Sie vielleicht keine 7-11-E-Mail-Adresse, aber wir brauchen eine Möglichkeit, mit diesen Leuten geschäftliche Gespräche zu führen. Das war eine App dafür. Sie bekamen eine gewisse Akzeptanz und dachten, es läge an diesen Leuten, die keine E-Mail-Adressen hatten, aber nachdem sie sich eine Reihe von Daten angesehen hatten, stellten sie fest, dass es tatsächlich Leute waren, die im Büro ein und aus gehen mussten . Das Nützlichste war nicht, dass sie keine E-Mail-Adresse hatten – es war, dass sie viel von ihrem Computer weg waren. Sie nutzten es im Wesentlichen als eine Art WhatsApp-Ersatz für den Unternehmenschat.

Hätten sie also gedacht, es ginge um Leute ohne E-Mail-Adresse, hätten sie vielleicht eine Reihe von Funktionen entwickelt, bei denen Sie sich mit Ihrer Telefonnummer anmelden, bei denen Sie eine Reihe von Dingen tun, die es möglich machen, dies zu einer Sache zu machen, bei der Sie es tun keinen Desktop-Computer haben. Aber was die Leute eigentlich wollten, war diese Erfahrung, bei der sie manchmal einen Computer benutzen und dann davon weggehen und ein wirklich großartiges mobiles Erlebnis haben können, während sie unterwegs sind oder eine Lieferung machen oder was auch immer. Das schafft einen ganz anderen Weg für dieses Produkt und Unternehmen, aber sie würden das nie verstehen, es sei denn, sie würden sich die Daten ansehen, um zu verstehen, welche Leute sie tatsächlich verwenden und was sie damit zu tun versuchen. Es geht darum, den tatsächlichen Produkt-Market-Fit zu finden und nicht den, den Sie annehmen.

Neue Tools, gleiche Probleme

Liam: Wie sieht der moderne Datenstack im Moment aus?

Benn: Der moderne Datenstapel ist der Sammelbegriff für die neuen Datentools, die auf der Grundlage von Datenprodukten entwickelt werden, die in die Cloud verlagert werden. Das Herzstück davon ist das Data Warehouse. Vor 2010 musste jedes Unternehmen, das ein Data Warehouse haben wollte, in dem Sie alle Ihre Daten speichern, normalerweise etwas kaufen, eine physische Maschine oder physische Software, z. B. auf einer CD, die sie dann auf einer Maschine ausführen würden besitzen. Wir hätten hinten einen Serverraum, der unsere Datenbank ist, und wir würden eine Oracle-Datenbank darauf laufen lassen, und all das. Mit Redshift, einem der ersten Cloud Data Warehouses, begannen die Leute im Grunde, all das in die Cloud zu verlagern. Anstatt eine Maschine oder Software kaufen zu müssen, kann ich einfach zu AWS gehen und sagen: „Erstelle eine Redshift-Datenbank für mich.“ Das kann ich in 15 Minuten von meinem Browser aus tun, und ich muss keine haben Hardware dazu. Eine Reihe von Tools wurde auf dieser Idee aufgebaut, zu sagen: „Was wäre, wenn wir unsere gesamte Datenarbeit in der Cloud erledigen würden und nicht all diese Software haben müssten, die wir selbst ausführen?“ Der moderne Daten-Stack basiert auf der Idee, wie es aussieht, wenn Daten in die Cloud verschoben werden. Es gibt eine Reihe von Möglichkeiten, wie Sie es definieren können. Aber im Allgemeinen hat es diese sehr horizontalen Produkte entwickelt, die nur Daten von Drittanbieter-Apps aufnehmen.

„Wir hatten diese dramatischen Verbesserungen in der Qualität der Technologie, aber die Kernprobleme, die wir zu lösen versuchen, sind oft hartnäckig.“

Angenommen, Sie haben Daten in Salesforce oder Zendesk oder Marketo oder Stripe, Produkte, die diese Daten einfach in Ihr Warehouse aufnehmen. Sie haben Produkte, die sie transformieren und in Ihrem Warenlager modellieren – sagen wir, Sie haben einen Haufen unordentlicher Daten, die Sie in saubere Daten umwandeln möchten, also haben Sie Produkte, die das verwalten. Das Lager selbst übernimmt die Lagerung. Es gibt Analysetools wie Mode, die für Dashboards, Analysen und die Möglichkeit, diese Arbeit zu teilen und zu verteilen, darauf sitzen. Und dann gibt es eine Reihe anderer Tools, die gebaut werden, um diese zu unterstützen. Jetzt, da Sie fünf oder sechs Tools haben, die Ihre Datenwerkzeuge ausführen, möchten Sie in der Lage sein, sie alle zu überwachen. Funktioniert alles richtig? Sind die Pipelines von Punkt A nach Punkt B in Betrieb und funktionieren sie wie erwartet? Wenn ich eine Änderung an einem vornehmen möchte, wie orchestriere ich diese Änderung am System?

Es wird zu einem viel komplexeren Ökosystem, aber alles baut auf diesem Kernfluss auf, um Daten in einem Warehouse aufzunehmen, in einem Warehouse umzuwandeln und auf den Daten im Warehouse einen Datenbestand aufzubauen , und dann eine Möglichkeit, es an denjenigen zu versenden, der es tatsächlich sehen muss.

Liam: Es kann so schwierig sein, alle dazu zu bringen, sich auf die Zahlen zu einigen, wenn Sie verschiedene Dashboards und Tools haben, die Ihnen unterschiedliche Dinge sagen. Ist das eine Herausforderung?

Benn: Ja. Dies ist eines der Paradoxe des aktuellen Zustands des modernen Datenstapels. Wir haben jetzt fast 10 Jahre damit verbracht, diese Produkte zu bauen, und sie sind in vielerlei Hinsicht revolutionär. Sie erledigen die Dinge dramatisch besser und dramatisch schneller als vor 10 Jahren. Vor etwa 10 Jahren mussten Sie für die besten Datenbanken beispielsweise eine Million Dollar pro Jahr ausgeben, um sie zu betreiben. Sie müssten für die Maschinen bezahlen, die es ausführen. Sie müssten normalerweise ein oder zwei Leute haben, deren Vollzeitjob darin bestand, es zu verwalten. Heutzutage können Sie Warenhäuser schneller bekommen als das, das Sie 20.000 US-Dollar pro Jahr kostet, und Sie müssen niemanden haben, der es vollständig verwaltet. Ich kann zu AWS gehen, einen Knopf drücken und Zehntausende von Dollar für etwas bezahlen, das mich früher wahrscheinlich ein paar Millionen Dollar pro Jahr gekostet hat. Und es ist ein besseres Produkt.

Sie könnten die gleiche Behauptung über den gesamten Stack aufstellen. Analysetools haben sich auf diese Weise verbessert. Datenaufnahme-Tools und Pipeline-Tools haben sich auf diese Weise verbessert. Wir hatten diese dramatischen Verbesserungen in der Qualität der Technologie, aber die Kernprobleme, die wir zu lösen versuchen, sind oft hartnäckig hartnäckig. Eines dieser Kernprobleme, das wir vor 10 Jahren hatten, war, dass zwei Leute in einen Raum kamen und sagten: „Mein Dashboard sagt das“, und jemand anderes sagte: „Mein Dashboard sagt das.“ Anstatt herauszufinden, was zu tun ist, verbringen sie das gesamte Meeting damit, darüber zu streiten, wessen Nummer richtig ist. Und das tun wir immer noch, davon gibt es noch viel.

„Marketing und Vertrieb gibt es schon seit Hunderten von Jahren. Wir befinden uns noch in den Anfängen, herauszufinden, wie es für den Datenberuf aussieht.“

Ich habe einen Vortrag vom CEO von Databricks gehört, einem dieser wirklich modernen Lagerhäuser, die einen Großteil dieses Wandels vorantreiben. Er sagte, dass eine der häufigsten Beschwerden, die Sie von Kunden hören, darin besteht, dass die Leute ihre ganze Zeit damit verbringen, sich über Zahlen zu streiten und herauszufinden, welche die richtige ist. Ich denke, ein Teil der Lösung dieses Problems wird darin bestehen, weiterhin Tools zu entwickeln, die miteinander kommunizieren und besser zusammenarbeiten können, und Systeme, die es uns ermöglichen, Dinge einmal zu definieren, sodass wir, wenn wir uns ein Dashboard ansehen, wissen, dass es an der gleichen Stelle liegt . Aber dazu gehört auch, dass Organisationen herausfinden, wie sie mit Daten arbeiten können. Daten sind noch relativ neu. Die meisten Unternehmen haben in den letzten 10, 15 Jahren damit begonnen, es wirklich zu nutzen. Wir überlegen noch, wie das funktioniert. Es gibt immer noch viele Gespräche in der Community über die verschiedenen Rollen, die wir brauchen, wofür sie sind und wer wofür verantwortlich ist.

Engineering war keine Praxis, die sich über Nacht entwickelte. IT war keine Praxis, die sich über Nacht entwickelte. Marketing und Vertrieb gibt es schon seit Hunderten von Jahren. Wir befinden uns noch in den Anfängen, herauszufinden, wie es für den Datenberuf aussieht. Ich denke, es wird eine Kombination aus den Tools sein, die wir bauen, und einfach jedem, der zu erkennen beginnt: „So funktioniert das und so nicht“, bevor wir wirklich über scheinbar grundlegende Probleme hinwegkommen .

Liam: Absolut. Ich denke, jeder aus allen möglichen Branchen wird seine eigene Geschichte haben. Podcast-Metriken sind meiner Meinung nach wahrscheinlich ein gutes Beispiel für die Komplikationen mit Daten. Ein Download entspricht normalerweise nicht der Gesamtzahl der Zuhörer, da ein einzelner Zuhörer möglicherweise dieselbe Folge auf mehreren Geräten heruntergeladen hat oder sie mit der Absicht heruntergeladen hat, sie anzuhören, aber nie dazu gekommen ist. Ich weiß, dass sie versuchen, eine standardisierte Methode zur Messung dieser Dinge einzuführen, was wahrscheinlich für viele Branchen auf breiter Front geschehen wird, denke ich.

Benn: Wenn Sie an die grundlegenden Web-Marketing-Metriken denken und daran, wie Leute Anzeigen und ähnliches schalten, haben wir begonnen, einige davon zu standardisieren. Wenn Sie zu Ihrem Facebook-Anzeigen-Dashboard oder Ihrem Google-Anzeigen-Dashboard gehen, sehen diese Dinge ziemlich ähnlich aus. Sie werden Ihnen mehr oder weniger dieselbe Geschichte erzählen, weil es eine gewisse Standardisierung darüber gegeben hat, wie wir tatsächlich darüber sprechen und herausfinden, welche Anzeigen gut und welche nicht gut abschneiden. Sie sehen dies bei einigen anderen Dingen. Das sieht man zum Beispiel bei SaaS-Unternehmen. SaaS-Unternehmen verfügen jetzt über ein Standardbuch mit Kennzahlen, aus denen sie alle schöpfen. Es gibt ein paar Stellen, an denen wir beginnen, diese Verschmelzung zu sehen, aber es wird in den kommenden Jahren noch viel mehr davon geben, wo es so ist, wie wir über Podcasts denken? Wie denken wir über bestimmte Arten von Produkten? Wie denken wir über die Messung der Leistung eines Support-Teams? Wie denken wir über all diese verschiedenen Dinge, die die Daten sind, über die wir jetzt so viel reichhaltigere Informationen haben, aber jedes Unternehmen versucht immer noch, es individuell herauszufinden?

„Wir werden uns an bewährte Verfahren anpassen, anstatt dass jeder versucht, dies von Grund auf neu zu tun“

Ich denke, es wird eine gewisse Standardisierung geben: „Dies ist wahrscheinlich die beste Vorgehensweise, um über diese Art von Problemen nachzudenken.“ Unternehmen werden offensichtlich immer noch einige maßgeschneiderte Berichte haben, die sie erstellen müssen. Dieser Podcast möchte die Dinge möglicherweise anders messen als der andere Podcast, da Sie möglicherweise ein anderes Publikum oder andere Ziele haben. Jeder wird seine eigenen Anpassungen daran haben, aber ich denke, es wird ein viel besseres Gefühl von „Okay, das ist die Art und Weise, wie wir uns alle einig sind, funktioniert.“ Wir werden uns an bewährte Verfahren anpassen, anstatt dass jeder versucht, dies von Grund auf neu zu tun. Viele Unternehmen, die mit ihren Datenpraktiken beginnen, versuchen oft, Dinge von Grund auf neu aufzubauen. Ich denke, wir haben noch ein paar Schritte vor uns, bis wir an den Punkt kommen, an dem Sie das Gerüst haben, auf dem wir alle aufbauen können.

Web-Frameworks sind in gewisser Weise ein Beispiel dafür. Wenn Sie ein Webprodukt oder eine Software erstellen möchten, können Sie ziemlich gut definierte Umrisse zeichnen, denen Sie dann Ihre eigene Logik hinzufügen, um Ihre Anwendung genau so zu gestalten, wie Sie es wollten. Analytics hat das einfach nicht ganz. Jeder fängt bei Null an, anstatt diese Art von Kerngerüst zu haben, auf dem er aufbauen kann.

Liam: Was würden Sie Startups sagen, die von Daten eingeschüchtert sind, die auf alles starren und sich ein bisschen besorgt darüber fühlen?

Benn: Das kann bei Startups passieren, aber auch bei datenreifen Unternehmen mit einzelnen Analysten. Es ist leicht, auf eine leere Seite oder eine überladene Excel-Tabelle zu starren und zu denken: „Was um alles in der Welt soll ich tun?“ Das ist einfach, wenn Sie ein erfahrener Analyst sind, der gerade anfängt, ein Problem zu verstehen, es ist einfach, wenn Sie ein Unternehmen sind, das noch nicht weiß, was es mit Daten anfangen soll, und es ist einfach, wenn Sie ein Junior-Analyst, der gerade irgendwo eingestiegen ist und nicht sicher ist, was er tun soll.

„Es ist in Ordnung, mit Dingen anzufangen, die wirklich einfach sind. Es ist bemerkenswert, wie viele grundlegende Informationen die Leute für wertvoll halten.“

Ich denke, die Lösung dafür ist die gleiche – es ist in Ordnung, mit Dingen anzufangen, die wirklich einfach sind. Es ist bemerkenswert, wie viele grundlegende Informationen Menschen wertvoll finden. Ich kenne einen Typen, der sein Datenteam einmal pro Woche treffen ließ, damit sie im Wesentlichen die Dinge, die sie im Laufe der Woche gelernt haben, austauschen würden. Einige dieser Dinge waren dumm einfach. Das Unternehmen war ein Produkt, das für Unternehmen entwickelt wurde und daher von Montag bis Freitag verwendet wurde. Sie haben ein Diagramm erstellt, wie viele Leute es pro Wochentag benutzen, und hey, die meisten Leute benutzen es nicht am Wochenende und viele Leute benutzen es an Wochentagen. Sie decken dort nicht gerade eine unglaubliche Einsicht auf. Jeder wusste bereits, dass es so funktionierte, aber diese Zahlen zu sehen und genau, wie viel es an Wochenenden abfiel – es gab einige Wochenenden, an denen es nicht sehr stark abfiel, und einige Wochenenden, an denen es eine Tonne abfiel – erzeugte einen Haufen von Fragen und Neugier, was dieses Verhalten antreibt. Warum ist dieses Wochenende eines, an dem die Leute es oft zu benutzen scheinen? Was ist da passiert? Das war der Keim für viel mehr von: „In Ordnung, lasst uns weiter lernen. Lassen Sie uns weiterhin Fragen stellen. Lasst uns weiter graben.“

Auf diese Weise ermutige ich die Leute, damit anzufangen. Beginnen Sie einfach mit den grundlegenden Dingen, auch wenn es sich dabei um Annahmen handelt, die Sie treffen. Sobald Sie anfangen, sich Zahlen anzusehen, werden Sie Dinge sehen, die Sie zum Nachdenken anregen, sich am Kopf kratzen und Ihnen klar machen, dass es hier so viel mehr gibt, was Sie nicht verstehen, auf das Sie neugierig sind. Vieles davon lässt sich einfach von dieser Neugier mitnehmen und sagt nicht: „Ich muss etwas Erstaunliches entdecken. Ich muss die Nadel im Heuhaufen finden, die die Entwicklung des Unternehmens vom ersten Tag an verändern wird.“ You're not going to find that right away. The way you're going to find it is by just poking around, seeing things that are interesting, and letting yourself explore those interesting things when you find them.

Always tinkering

Liam: You're clearly so passionate about data. I was just wondering where that came from.

Benn: Part of it is working in it for a long time and just getting to know it. Part of it, though, is that I think it's fun to figure stuff out like this. I was talking to someone about flying from New York to San Francisco a couple days ago, and it's a flight that I've made a good bit, and they had made it a good bit, too. They were saying that when they were flying back on a Delta flight, it felt way faster than when they were flying on a United flight. Why is Delta faster on this? And it made me think: are there some airlines that are just able to fly faster? It doesn't seem like that would be true, but does that actually hold up? The Department of Transportation releases raw data on every flight in the US. Where it started, where it ended, what time it took off, when it landed – all of that stuff.

“I'm just naturally prone to want to play around with that and understand it. I don't really have an explanation as to why that is other than I find it fun”

I just started playing around with it, trying to figure this out. I looked at different routes and was like, “Are there changes in the speed of different airlines? Are planes flying faster at different times of day, at different times of the year?” As you get into it, it just became interesting to see… I don't know any of this stuff. I don't know how fast planes fly or why they fly at different speeds on the same routes or whatever, but it was interesting. There were actually some airlines that were consistently a couple minutes faster. I don't know why that would be. It was never by much, but it was basically like 90 seconds of difference fairly consistently between a couple airlines. I don't know, maybe they just have different guidelines or something. That sort of thing, I think, is what makes me interested in it. I'm just naturally prone to want to play around with that and understand it. I don't really have an explanation as to why that is other than I find it fun. That really drew me to the job in the first place. Then, once you get into it, you start to see all these other things that you could be doing that are fascinating and fun.

Liam: That's great. Was kommt als nächstes? Have you any particular plans or projects for 2022?

Benn: I mean, continuing to do the Mode thing. I think there's a lot of stuff on that front that we're excited about, a lot of new things we're building. The direction of the space is one we're very excited about. Personally, last year I basically started writing a lot more on Substack, and that's been fun. It's been good to get some of the thoughts out about these ideas, have conversations with the people in the community and see where things go. We're planning on being much more involved in that. I don't know exactly where that goes, and part of this is, again, letting myself be curious about it, do the things I enjoy, and if I find stuff that's fun and other people seem to enjoy, then giving myself the permission to continue to do it.

Liam: I was going to ask where our listeners can go to keep up with you and your work, definitely the Substack. I think it's Benn.substack.com. Is that right?

Benn: That's correct. The two places would be mainly there and Twitter. I'm not the most active Twitter person in the world, so Substack is better for some of the more interesting things. But my Twitter handle is @BennStancil, and there's also LinkedIn if you want to connect professionally.

Liam: I've been reading lots of your posts and they're great, so I would definitely recommend everyone go and subscribe to Benn's Substack. Thank you so much for chatting with us, Benn.

Benn: For sure. Thanks again for having me. This was fun.