Benn Stancil, fundador de Mode, sobre cómo la ciencia de datos puede ayudarnos a tomar mejores decisiones

El análisis de datos no se trata de arrojar tableros sofisticados: es un proceso largo, iterativo y colaborativo que lo ayuda a comprender mejor lo que quiere el cliente y cómo llegar allí.

O mejor dicho, debería serlo. Esa imagen estereotipada de una sala repleta de monitores y tableros elaborados donde se toman todas las decisiones no es real, y ya es hora de que nos alejemos de ella. Según Benn Stancil, cofundador y director de análisis detrás de Mode, una plataforma diseñada para ayudar a los analistas de datos y científicos de datos a analizar, visualizar y compartir datos, gran parte de su trabajo diario implica sentarse con gerentes de productos y líderes empresariales, jugando con varias cosas, tratando de resolver un problema empresarial juntos.

El hecho es que la ciencia de datos, como campo, todavía es relativamente nueva. Y así, muchos líderes empresariales no están muy seguros de cómo empezar, cómo aprovecharlo o qué hacer cuando todos los paneles y herramientas parecen apuntar a diferentes soluciones. Pero, como señala Benn, el futuro del análisis de datos no es un diagrama de arquitectura o líderes empresariales mirando tableros: está construyendo una experiencia, y una muy emocionante.

Esta semana, tuvimos el placer de conversar con Benn sobre la pila de datos moderna y cómo los datos pueden, y lo que es más importante, deben usarse para impulsar el crecimiento.

Si tiene poco tiempo, aquí hay algunos consejos rápidos:

• Aunque la ciencia de datos no puede predecir el futuro, definitivamente puede ayudarlo a enfocar recursos, solucionar problemas e incluso desbloquear nuevos mercados.
• Cualquier conocimiento del análisis de datos será tan bueno como los propios datos. Asegúrese de que sus datos sean precisos antes de sacar conclusiones al respecto.
• A menos que esté mirando los datos para entender por qué sus clientes están usando sus productos, evite tomar decisiones basadas en sus expectativas de sus motivaciones.
• A medida que veamos más estandarización sobre las mejores prácticas para el manejo de datos, ya no será necesario diseñar el proceso desde cero, sino construir sobre la base y adaptarlo a cada caso de uso.
• Mirar filas y columnas interminables puede ser desalentador incluso para un analista de datos experimentado. En caso de duda, comience a hurgar con algunos supuestos básicos del producto y continúe desde allí.

Si disfruta de nuestra discusión, vea más episodios de nuestro podcast. Puede seguirlo en iTunes, Spotify o tomar la fuente RSS en su reproductor de elección. Lo que sigue es una transcripción ligeramente editada del episodio.

Entrar en análisis

Liam Geraghty: Benn, muchas gracias por acompañarnos hoy.

Benn Stancil: Genial estar aquí.

Liam: En primer lugar, ¿podrías contarnos un poco sobre tus antecedentes, a qué te dedicas y cómo llegaste a este punto?

Benn: Básicamente comencé mi carrera en un mundo totalmente diferente. Empecé en el mundo de la política como investigador de economía en un think tank. Pasé un par de años allí, me gustó mucho el trabajo y me gustó la idea de tratar básicamente de resolver problemas con datos. Mi trabajo consistía en ver lo que estaba sucediendo en la economía mundial (era como en 2010 en ese momento, por lo que todo se estaba desmoronando) y luego mirar los datos al respecto y tratar de llegar a recomendaciones sobre lo que deberían hacer los formuladores de políticas. .

Fue realmente interesante conceptualmente, pero si haces recomendaciones sobre lo que la Fed debería hacer como una persona joven en un grupo de expertos, nadie te está prestando atención. Me gusta la idea de hacer ese tipo de trabajo, pero quería hacerlo de una manera en la que estuviera más directamente relacionado con los problemas que la gente estaba tratando de resolver, donde realmente pudieras ver si tus ideas o recomendaciones funcionaban. Así es como terminé pasando de ese trabajo a un trabajo de análisis en una empresa de tecnología en San Francisco. Ese fue mi primer trabajo en tecnología. Trabajé allí durante un par de años como analista o científico de datos. Yo era el tipo de persona cuyo trabajo es trabajar con vendedores, gerentes de productos o gente de operaciones para ayudarlos a tomar decisiones sobre qué productos enviar, a qué audiencias dirigirse, o si el negocio está funcionando bien en ciertas áreas y no bien en otras. otros. Era similar a lo que estaba haciendo en DC pero aplicado a un dominio muy diferente.

“El viaje de una empresa de tres personas que trabajan desde la sala de estar de alguien hacia algo que son cientos de personas es uno en el que constantemente te encuentras con cosas nuevas”

A partir de ahí, conocí a algunas personas, comencé a darme cuenta de las necesidades de personas como yo y qué tipo de herramientas queríamos, qué tipo de herramientas aún no existían, y terminé creando Mode basado en esa visión.

Liam: ¿Fue un desafío llegar a este punto con Mode en el viaje de inicio?

Benn: Seguro. Cada inicio será un desafío, y Mode no es diferente. Mode ha tenido muchos altibajos. Por un lado, ha sido muy desafiante. Todos los días trabajas en diferentes problemas, cosas que nunca habías anticipado antes. Como estoy seguro de que sabe muy bien, el viaje de una empresa de tres personas que trabajan desde la sala de estar de alguien hacia algo que son cientos de personas es uno en el que constantemente se encuentra con cosas nuevas, donde los problemas que tiene en el primer mes son diferente a los problemas que tiene en el segundo mes.

Todos los días, tienes que aprender algo nuevo que nunca antes habías pensado en tener que resolver. No es como, "Voy a ser realmente bueno en esta cosa en particular". Tan pronto como te vuelves bueno en eso, estás en el siguiente. En ese sentido, ha sido muy desafiante. Sin embargo, hemos tenido un gran equipo. Hay grandes personas que apoyaron a la empresa, sean o no los empleados, sean o no las personas que fueron los primeros clientes, sean o no solo amigos y familiares, y el tipo de personas que aguantan usted como usted va junto con él. Ha sido un trabajo duro, pero ha sido una muy buena experiencia, tener el apoyo de tanta gente para hacerlo. Creo que la gente de Silicon Valley tiene el privilegio particular de tener un ecosistema completo dedicado a ayudarlos a ellos y a su empresa a tener éxito. Si tuviera que hacer esto en otros lugares, creo que sería mucho más difícil.

Lo que los datos pueden y no pueden hacer

Liam: La ciencia de datos es de lo que se trata para las empresas que buscan mejorar su toma de decisiones mediante el uso de la información que ya están recopilando en sus aplicaciones y otros sistemas. Aquí es donde entra en juego el modo de su empresa. ¿Puede contarnos un poco sobre la plataforma que ha creado y cómo ayuda a los científicos de datos?

Benn: Seguro. Las empresas utilizan los datos de muchas maneras diferentes. La manera fácil de pensar en ello es pensando en lo que ve en las caricaturas de las películas y demás, como salas llenas de tableros y gráficos donde las personas toman decisiones. Eso obviamente no sucede. La gente tiene paneles y todos estamos comprobando el rendimiento de las empresas y ese tipo de cosas. Pero gran parte del trabajo real del día a día del uso de datos de manera efectiva proviene de un experto en datos que se sienta con un experto en negocios que intentan resolver un problema juntos y responder las preguntas que tienen para ayudarlos a tomar algunas decisiones.

"El gerente de producto no mirará una pantalla y dirá: 'Ajá, esto es exactamente lo que necesitamos'".

Imagina que eres un gerente de producto que quiere decidir qué producto construir. Es posible que desee comprender cómo las personas usan las funciones actuales que está pensando en cambiar. ¿Los diferentes tipos de personas lo usan de diferentes maneras? ¿Hay cosas que están tratando de hacer pero con las que están luchando? ¿Pueden lograr los objetivos que tienen? Todas esas cosas requieren estas preguntas muy particulares, y no es un proceso que respondería mirando un tablero. El gerente de producto no mirará una pantalla y dirá: "Ajá, esto es exactamente lo que necesitamos". Es este proceso largo e iterativo de comprender cada vez más lo que quieren sus clientes, luego tomar una decisión y decir: “Oye, creo que deberíamos construir esto. Hagamos un análisis para determinar si creemos que esa es la característica correcta para construir”.

El modo se trata realmente de permitir que las personas hagan eso. Se trata de permitir que ese analista haga ese tipo de trabajo para que pueda ayudar rápida y fácilmente a responder las preguntas de otras personas. Y luego, cómo distribuyen eso y se aseguran de que también sea colaborativo con esas personas: un analista no puede simplemente meterse en un agujero y responder estas preguntas, tiene que trabajar junto con el gerente de producto para hacerlo. Eso es lo que realmente queremos habilitar. Y una vez que tenga ese tipo de respuestas, ¿puede convertirlas en algo reutilizable? ¿Puedes hacerlos para que sea fácil volver a ellos y auditables y todo ese tipo de cosas? En esencia, se trata de ayudar a las personas que necesitan comprender algo sobre su negocio y responder preguntas al permitirles trabajar de manera más fluida con analistas que a menudo son los que generan esas respuestas.

Liam: ¿Cuál es una historia de datos o un ejemplo que tuvo un resultado feliz y uno que no tanto? Solo para personas como yo que se sumergen en el conjunto de datos, por ejemplo.

Benn: Un par de resultados felices. Había una empresa que básicamente entregaba videos a un grupo de sus clientes; su producto es una plataforma de video global. Estaban tratando de descubrir cómo hacerlo mejor para las personas de todo el mundo, y se dieron cuenta de que algunos países tendían a tener un desempeño muy bueno y otros no, y no estaban exactamente seguros de por qué. Decían: “Oh, nos está yendo muy bien en este país y nos está yendo muy bien en este país, pero no nos está yendo tan bien en estos otros.

“[Nuestra investigación] abrió nuevos mercados para este producto sin tener que pasar por los otros tipos de experimentación que estaban planeando originalmente”

Después de hacer un montón de análisis y profundizar en él, se dieron cuenta de que los videos eran demasiado lentos en ciertos países debido a la ubicación de sus centros de datos o entornos de AWS. Pensaron que tal vez había sido algo cultural, algo de internacionalización, que tal vez habían hecho algo mal allí. Tal vez fue algo sobre el producto que simplemente no resonó con audiencias particulares o que fue adoptado por diferentes tipos de personas con diferentes casos de uso en diferentes países. Tenían un montón de cosas diferentes que podrían haber tratado de resolver, donde es como, "Tal vez tengamos que invertir un montón de internacionalización, tal vez tengamos que invertir en diferentes funciones si queremos vender a este tipo de audiencias porque pensar en los problemas de manera diferente”. Nuevamente, era una plataforma de video, por lo que tal vez tuvieron que invertir en contenido diferente.

Pero terminó siendo algo más simple. La aplicación era demasiado lenta en estos países, la gente se frustraba porque los videos se almacenaban demasiado en el búfer y simplemente no era una buena experiencia. Podrían resolver eso diciendo: "Oye, pongamos nuestro producto en más centros de datos en AWS", o en cualquier producto de alojamiento que estuvieran usando. No es una solución trivial, pero no es una solución difícil en comparación con tener que descubrir cómo crear contenido completamente nuevo para diferentes audiencias internacionales. Abrió nuevos mercados para este producto sin tener que pasar por los otros tipos de experimentación que estaban planeando originalmente cuando se dieron cuenta de que tenían éxito en algunos países y no en otros.

Liam: Absolutamente. Ese es un gran ejemplo.

Benn: En cuanto a las historias de datos negativos, creo que hay un par de ejemplos. Ciertamente, hay casos en los que las personas intentarán tomar decisiones basadas en datos y terminarán haciendo algo que no funciona. Parte de eso es la naturaleza de lo que son los datos: te dicen algo más o menos probabilísticamente. Si preguntas: "¿Debería apostar a que tiraré un dado y obtendré entre uno y cinco o un seis?" Podría decirle: "Lo correcto que debe hacer es apostar del uno al cinco, sus probabilidades son mucho más altas para eso". Ese es el análisis basado en datos correcto, pero a veces puede perder. Si está creando un producto o tomando una decisión para un negocio que solo puede tomar una vez, no puede volver atrás y decir: "En realidad, vamos a rodar de nuevo y seguir rodando hasta que obtenga del uno al cinco". Tal vez apostamos del uno al cinco y obtuvimos un seis. Así es como va.

"Eso es parte del juego de tratar de estar más orientado a los datos como producto y negocio; no siempre lo vas a hacer exactamente bien".

Hay muchos ejemplos de ese tipo de cosas donde los datos no son perfectos. Los datos no te van a decir el futuro. Puede darle una idea de lo que podría suceder, pero hay muchas historias sobre personas que toman decisiones, probablemente haciendo el análisis muy bien, tomando lo que es una decisión sensata antes de tomarla, y luego el resultado simplemente no. salir. Una de las cosas de las que hablamos con mucha gente es estar de acuerdo con eso. Eso es parte del juego de tratar de estar más orientado a los datos como producto y como negocio; no siempre lo vas a hacer exactamente bien. Simplemente no puede perder la fe en lo que son los datos esperando que siempre le digan exactamente cómo será el futuro.

Basura dentro basura fuera

Liam: Bueno, aparte de eso, ¿qué tan importante es considerar el viaje que siguen los datos para llegar al tablero al final?

Benn: Definitivamente hay un tipo de proceso de "entra basura, sale basura" en todo esto, y creo que eso se entiende bastante bien. La mayoría de la gente entiende que la calidad de los datos es importante. Supongamos que estamos tratando de tomar decisiones sobre nuestro canal de ventas y qué tan bien se mueven los diferentes clientes a través de un canal de ventas y qué etapas del embudo de ventas funcionan bien y cuáles no, puede llegar a la conclusión de que los tratos siempre se cuelgan. arriba en la revisión de seguridad cuando hablamos con la gente de TI y seguridad sobre si nuestro producto cumple o no con sus estándares, por lo que debemos centrarnos mucho más en eso. Si nuestra conclusión se basa en datos que ingresa manualmente un equipo de ventas, es posible que esa sea la parte del proceso en la que el equipo de ventas es más descuidado al ingresar esos datos en Salesforce y, por lo tanto, esa conclusión no es un reflejo. de la realidad Debe hacer todo el trabajo por adelantado para asegurarse de que sus datos sean realmente precisos antes de que pueda sacar conclusiones reales al respecto.

"No es necesariamente que estén falsificando los números o que estén usando datos incorrectos, es solo que cuando buscas algo interesante, estás mucho más inclinado a encontrarlo".

Hay otra forma en la que creo que hay una dinámica similar en torno a este "basura que entra, basura que sale". Puede hacer un montón de análisis diferentes y decir que ve un problema desde 10 perspectivas diferentes, la forma en que lo ve importará. Habrá alguna perspectiva que se presente de una manera particular, y ese análisis, por sí solo, puede ser acertado. Pero a menos que le digas a la gente: "Oye, probamos 10 cosas, nueve de ellas sugirieron una cosa, pero esta décima sugirió otra", y luego la décima cosa que sugirió lo que es atípico parece ser muy positiva...

Se escucha mucho sobre esto en el tipo de estudios académicos de p-hacking donde las personas básicamente escriben artículos académicos, y existe esta pregunta de "¿Están buscando resultados?" La respuesta es, por supuesto, lo son. A los académicos se les paga para hacer eso. Quieren encontrar algo interesante. No es necesariamente que estén falsificando los números o que estén usando datos incorrectos, es solo que cuando buscas algo interesante, estás mucho más inclinado a encontrarlo, incluso si esa cosa interesante no es necesariamente real. .

Los analistas pueden sufrir de la misma tendencia. Nuestro trabajo es encontrar algo interesante. Queremos ser los que se pongan de pie en la gran reunión y digan: “Mira este gráfico que revela algo realmente dramático”. Si siempre estás buscando esas cosas, de nuevo, nueve de cada 10 veces, no las encuentras. Pero esa décima vez, cuando lo haga, es importante decir: "Oye, probamos un montón de otras cosas primero". Eso ayuda a comprender si esto que estás pensando que estás encontrando es real o no.

Liam: Para las nuevas empresas, ¿cómo se pueden usar los datos para impulsar el crecimiento?

Benn: Un montón de maneras. La mayoría de la gente lo usa como piratería de crecimiento, a lo que la gente se refiere peyorativamente como una nueva forma de llamar marketing, pero puede usarlo mucho de esa manera. Puede usarlo para comprender mejor a sus clientes, para saber con quién hablar. Gran parte del crecimiento consiste simplemente en encontrar a las personas adecuadas y darles el mensaje correcto en el momento adecuado, al menos desde la parte superior del embudo de marketing. Los datos pueden ser realmente importantes en eso. ¿Cómo puedes entender quién entra en tu embudo, qué dicen y hasta dónde llegan? ¿Quiénes son esas personas y cómo llegas a más personas que se ven así?

“Gran parte del crecimiento consiste simplemente en encontrar a las personas adecuadas y darles el mensaje correcto en el momento adecuado, al menos desde la parte superior del embudo de marketing. Los datos pueden ser realmente importantes en eso”.

Las palancas más importantes, sin embargo, suelen estar relacionadas con la comprensión de lo que intentan hacer sus clientes. Las personas a menudo crean productos y esperan que se usen de una manera particular o esperan que a las personas les gusten por una razón u otra, y a las personas no siempre les gusta por esas razones. Hay muchas funciones que hemos creado en Mode o que hemos escuchado de nuestros clientes que dicen: "Oh, sí, esto será algo grandioso para X". Y resulta que esa no es realmente la razón por la que a la gente le gusta, pero es posible que les guste para Y. A menos que esté mirando los datos para comprender los comportamientos de lo que hacen las personas y tratar de comprender qué los motiva a hacer esas cosas, a menudo pensará, “Oh, genial, lanzamos una función que era realmente buena para esto, y es por eso que la gente la está usando. Entonces, realmente vamos a apoyarnos en eso”. Pero puede ser que en realidad estés jugando en contra de la forma en que las personas están tratando de usar el producto y, en cambio, deberías estar diciendo: "Oye, lo están usando para Y. Realmente construyamos formas que les permitan hacer Y cosa en él.

“Se trata de encontrar el ajuste real del producto al mercado en lugar del que supones que tienes”

Como ejemplo, estaba esta empresa que era una especie de producto de chat esencialmente para el trabajo. Era una especie de producto colaborativo tipo Slack que estaba centrado en dispositivos móviles. Originalmente pensaron que sería una excelente manera para que los trabajadores de primera línea se comunicaran. Sería una excelente manera para que las personas que no tienen direcciones de correo electrónico se comuniquen. Si es cajero en 7-11, es posible que no tenga una dirección de correo electrónico de 7-11, pero necesitamos una forma de poder tener una conversación corporativa con esa gente. Esta era una aplicación para eso. Consiguieron cierta adopción y pensaron que se debía a estas personas que no tenían direcciones de correo electrónico, pero después de analizar una gran cantidad de datos, se dieron cuenta de que en realidad eran personas que tenían que entrar y salir de la oficina muchas veces. . Lo más útil no era que no tuvieran una dirección de correo electrónico, sino que pasaban mucho tiempo lejos de su computadora. Básicamente, lo estaban usando como un tipo de reemplazo de WhatsApp para el chat corporativo.

Entonces, si hubieran pensado que se trataba de personas sin una dirección de correo electrónico, podrían haber creado un montón de funciones donde te registras con tu número de teléfono, donde haces un montón de cosas que hacen posible que esto sea algo donde no No tienes una computadora de escritorio. Pero lo que la gente realmente quería era esta experiencia en la que pudieran usar una computadora a veces, y luego alejarse de ella y tener una experiencia móvil realmente excelente mientras están de viaje, o están haciendo una entrega o lo que sea. Eso crea un camino muy diferente para ese producto y compañía, pero nunca lo entenderían a menos que miraran los datos para entender a las personas que realmente los estaban usando y qué estaban tratando de hacer con ellos. Se trata de encontrar el ajuste real del producto al mercado en lugar del que supone que tiene.

Nuevas herramientas, mismos problemas

Liam: ¿Cómo se ve la pila de datos moderna en este momento?

Benn: La pila de datos moderna es el término general para el nuevo conjunto de herramientas de datos que se están desarrollando sobre la base de los productos de datos que se trasladan a la nube. El núcleo de esto es el almacén de datos. Antes de 2010, cualquier empresa que quisiera un almacén de datos, que es donde se almacenan todos sus datos, normalmente tendría que comprar algo, una máquina física o un software físico, como en un CD, que luego ejecutarían en una máquina. propio. Tendríamos una sala de servidores en la parte de atrás que es nuestra base de datos, y estaríamos ejecutando una base de datos Oracle en ella, y todo eso. Básicamente, con Redshift, que fue uno de los primeros almacenes de datos en la nube, la gente comenzó a trasladar todo eso a la nube. En lugar de tener que comprar una máquina o un software, puedo simplemente ir a AWS y decir "Abrir una base de datos de Redshift para mí". Puedo hacerlo desde mi navegador en 15 minutos, y no tengo que tener ningún hardware para hacerlo. Se han creado un montón de herramientas sobre la idea de decir: "¿Qué pasaría si hiciéramos todo nuestro trabajo de datos en la nube y no tuviéramos que tener todo este software que ejecutamos nosotros mismos?" La pila de datos moderna se basa en esa idea de cómo se ve que los datos se mueven a la nube. Hay muchas formas de definirlo. Pero, en general, ha estado construyendo estos productos muy horizontales que solo ingerirán datos de aplicaciones de terceros.

"Hemos tenido estas mejoras dramáticas en la calidad de la tecnología, pero los problemas centrales que estamos tratando de resolver a menudo son obstinadamente persistentes"

Digamos que tiene datos en Salesforce o Zendesk o Marketo o Stripe, productos que simplemente incorporarán esos datos en su almacén. Tiene productos que lo transformarán y lo modelarán en su almacén; supongamos que tiene un montón de datos desordenados que desea convertir en datos limpios, por lo que tiene productos que lo gestionarán. El propio almacén hará el almacenamiento. Hay herramientas de análisis, como Mode, que se ubican encima para tableros, para análisis, para poder compartir y distribuir ese trabajo. Y luego, hay un montón de otras herramientas que se construyen para respaldarlas. Ahora que tiene cinco o seis herramientas que ejecutan sus herramientas de datos, desea poder monitorearlas todas. ¿Funciona todo bien? ¿Las tuberías del punto A al punto B funcionan y funcionan como esperaba? Si quiero hacer un cambio en uno, ¿cómo organizo ese cambio en el sistema?

Se está convirtiendo en un ecosistema mucho más complejo, pero todo se basa en este flujo central de alguna forma de ingerir datos en un almacén, alguna forma de transformarlos en un almacén, alguna forma de construir un activo de datos sobre los datos en el almacén. , y luego alguna forma de enviarlo a quien sea que realmente necesite verlo.

Liam: Puede ser muy difícil hacer que todos estén de acuerdo con los números cuando tienes diferentes paneles y herramientas que te dicen cosas diferentes. ¿Es eso un desafío?

Ben: si. Esta es una de las paradojas del estado actual de la pila de datos moderna. Llevamos cerca de 10 años construyendo estos productos y son revolucionarios en muchos sentidos. Hacen las cosas mucho mejor y mucho más rápido que hace 10 años. Hace unos 10 años, para las mejores bases de datos, tendrías que gastar, digamos, un millón de dólares al año para ejecutarlas. Tendrías que pagar por las máquinas que lo ejecutan. Por lo general, tendría que tener una o dos personas cuyo trabajo de tiempo completo fuera administrarlo. Hoy en día, puede obtener almacenes más rápido que ese que le costará $ 20,000 al año, y no tiene que tener a nadie que lo administre por completo. Puedo ir a AWS, presionar un botón y pagar decenas de miles de dólares por algo que solía costarme probablemente un par de millones de dólares al año. Y es un mejor producto.

Podría hacer la misma afirmación en toda la pila. Las herramientas de análisis han mejorado en ese sentido. Las herramientas de ingestión de datos y las herramientas de canalización han mejorado de esa manera. Hemos tenido estas mejoras dramáticas en la calidad de la tecnología, pero los problemas centrales que estamos tratando de resolver a menudo son obstinadamente persistentes. Uno de esos problemas centrales que tuvimos hace 10 años fue que dos personas entraran a una habitación y dijeran: "Mi tablero dice esto", y alguien más decía: "Mi tablero dice esto". Pasan toda la reunión, en lugar de tratar de averiguar qué hacer, discutiendo sobre cuál es el número correcto. Y todavía hacemos eso, todavía hay mucho de eso.

“El marketing y las ventas existen desde hace cientos de años. Todavía estamos en las primeras etapas para determinar cómo se ve la profesión de datos”

Escuché una charla del director ejecutivo de Databricks, uno de estos almacenes realmente modernos que impulsa gran parte de este cambio. Estaba diciendo que una de las quejas más comunes que escuchas de los clientes es que la gente pasa todo el tiempo discutiendo sobre los números y cuál es el correcto. Creo que parte de la solución de ese problema será seguir creando herramientas que puedan comunicarse entre sí y trabajar mejor juntas, y sistemas que nos permitan definir las cosas una vez para que, si observamos un tablero, sepamos que se está extrayendo del mismo lugar. . Pero parte de eso, también, será que las organizaciones descubran cómo trabajar con datos. Los datos siguen siendo algo relativamente nuevo. La mayoría de las empresas han comenzado a usarlo de forma real en los últimos 10, 15 años. Todavía estamos averiguando cómo hacer que eso funcione. Todavía hay muchas conversaciones en la comunidad sobre los diferentes roles que necesitamos, para qué sirven y quién es responsable de qué.

La ingeniería no fue una práctica que se desarrolló de la noche a la mañana. No fue una práctica que se desarrolló de la noche a la mañana. El marketing y las ventas han existido durante cientos de años. Todavía estamos en las primeras etapas para determinar cómo se ve la profesión de datos. Creo que será una combinación de las herramientas que construimos y que todos comiencen a darse cuenta de que "así es como funciona esto y así es como no funciona", antes de que realmente podamos superar lo que parecen ser problemas fundamentales. .

Liam: Absolutamente. Creo que todos, de todo tipo de industrias, tendrán sus propias historias. Las métricas de podcast, creo, son probablemente un buen ejemplo de las complicaciones con los datos. Por lo general, una descarga no equivale al número total de oyentes porque un oyente individual puede haber descargado el mismo episodio en varios dispositivos, o puede haberlo descargado con la intención de escucharlo, pero nunca llegó a hacerlo. Sé que están tratando de introducir una forma estandarizada de medir estas cosas, lo que probablemente sucederá en todos los ámbitos, supongo, para muchas industrias.

Benn: Si piensas en las métricas básicas de marketing web y en cómo las personas publican anuncios y demás, hemos comenzado a estandarizar algo de eso. Si va a su panel de anuncios de Facebook o a su panel de anuncios de Google, esas cosas se verán bastante similares. Te van a contar más o menos la misma historia porque ha habido cierta estandarización sobre cómo hablamos y determinamos qué anuncios funcionan bien y cuáles no. Ves esto con algunas otras cosas. Esto se ve con las empresas de SaaS, por ejemplo. Las empresas de SaaS ahora tienen un libro estándar de métricas del que todas se basan. Hay algunos lugares donde estamos empezando a ver que esto se fusiona, pero habrá mucho más en los próximos años, donde es como, ¿cómo pensamos acerca de los podcasts? ¿Cómo pensamos en tipos particulares de productos? ¿Cómo pensamos en medir el desempeño de un equipo de soporte? ¿Cómo pensamos en todas estas cosas diferentes que son los datos sobre los que ahora tenemos información mucho más rica pero que cada empresa todavía está tratando de resolver individualmente?

“Nos adaptaremos a partir de las mejores prácticas en lugar de que todos intenten hacer esto desde cero”

Creo que habrá cierta estandarización, "Esta es probablemente la mejor práctica para pensar en este tipo de problemas". Obviamente, las empresas todavía tendrán algunos informes personalizados que deben hacer. Es posible que este podcast quiera medir las cosas de manera diferente a ese otro podcast porque puede tener audiencias diferentes u objetivos diferentes. Todos tendrán sus propios ajustes, pero creo que habrá un sentido mucho mejor de: "Está bien, esta es la forma en que todos estamos de acuerdo en que funciona". Nos adaptaremos a partir de las mejores prácticas en lugar de que todos intenten hacer esto desde cero. Muchas empresas que inician sus prácticas de datos a menudo intentan construir cosas desde cero. Creo que tenemos un pequeño camino por recorrer antes de llegar al punto en el que tengas el andamiaje sobre el que todos podamos construir.

Los marcos web, de alguna manera, son un ejemplo de eso. Si desea crear un producto web o software, hay esquemas bastante bien definidos que puede dibujar desde donde luego agrega su propia lógica para hacer que su aplicación sea exactamente lo que desea. Analytics simplemente no tiene eso. Todos comienzan desde cero en lugar de tener ese tipo de marco central sobre el que pueden construir.

Liam: ¿Qué le dirías a las nuevas empresas intimidadas por los datos que lo miran todo y se sienten un poco ansiosos por eso?

Benn: Esto puede suceder en las empresas emergentes, pero también puede suceder en empresas maduras en datos con analistas individuales. Es fácil mirar una página en blanco o una hoja de cálculo de Excel sobrecargada y pensar: "¿Qué diablos hago?" Eso es fácil de hacer si es un analista experimentado que recién comienza a comprender un problema, es fácil de hacer si es una empresa que aún no sabe qué hacer con los datos y es fácil de hacer si es un analista junior que acaba de unirse a algún lugar y no está seguro de qué hacer.

“Está bien comenzar con cosas que son realmente simples. Es notable la cantidad de información básica que la gente encontrará valiosa”

Creo que la solución para eso es la misma: está bien comenzar con cosas que son realmente simples. Es notable la cantidad de información básica que la gente encontrará valiosa. Conozco a un tipo que, una vez a la semana, hacía que su equipo de datos se reuniera para que esencialmente compartieran las cosas que aprendieron durante la semana. Algunas de estas cosas eran estúpidamente simples. La empresa era un producto creado para empresas, por lo que se usaba de lunes a viernes. Hicieron una tabla de cuántas personas lo usan por día de la semana, y bueno, la mayoría de la gente no lo usa los fines de semana y mucha gente lo usa entre semana. No estás descubriendo exactamente una idea increíble allí. Todos ya sabían que así era como funcionaba, pero al ver esos números y exactamente cuánto bajó los fines de semana (hubo algunos fines de semana en los que no bajó mucho y algunos fines de semana en los que bajó una tonelada) generó un montón. de preguntas y curiosidad en torno a lo que está impulsando ese comportamiento. ¿Por qué ese fin de semana es uno en el que la gente parece usarlo mucho? ¿Que paso ahi? Esa fue la semilla de mucho más, “Muy bien, sigamos aprendiendo. Sigamos haciendo preguntas. Sigamos cavando”.

Esa es la forma en que animo a la gente a empezar. Simplemente comience con las cosas básicas, incluso si son suposiciones que está haciendo. Tan pronto como empieces a mirar los números, verás cosas que te harán pensar, te rascarán la cabeza y te darán cuenta de que hay mucho más aquí que no entiendes y por lo que sientes curiosidad. Mucho de eso es simplemente dejarse llevar por esa curiosidad y no decir: “Necesito ir a descubrir algo asombroso. Necesito encontrar esa aguja en el pajar que cambiará la trayectoria de la empresa desde el primer día”. 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. ¿Que sigue? 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. ¿Está bien?

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.