Benn Stancil, fondatore di Mode, su come la scienza dei dati può aiutarci a prendere decisioni migliori

L'analisi dei dati non riguarda l'emissione di dashboard fantasiosi: è un processo lungo, iterativo e collaborativo che ti aiuta a capire meglio cosa vuole il cliente e come arrivarci.

O meglio, dovrebbe esserlo. L'immagine stereotipata di una stanza brulicante di monitor e cruscotti elaborati in cui vengono prese tutte le decisioni non è reale, ed è giunto il momento di allontanarci da essa. Secondo Benn Stancil, co-fondatore e Chief Analytics Officer dietro Mode, una piattaforma progettata per aiutare analisti e data scientist ad analizzare, visualizzare e condividere i dati, gran parte del loro lavoro quotidiano consiste nel sedersi con i product manager e leader aziendali, armeggiare con varie cose, cercando di risolvere insieme un problema aziendale.

Il fatto è che la scienza dei dati, come campo, è ancora relativamente nuova. E così, molti leader aziendali non sono sicuri di come iniziare, come sfruttarlo o cosa fare quando tutti i dashboard e gli strumenti sembrano puntare a soluzioni diverse. Ma, come sottolinea Benn, il futuro dell'analisi dei dati non è un diagramma dell'architettura o dei leader aziendali che guardano ai dashboard: sta creando un'esperienza, e per di più molto eccitante.

Questa settimana abbiamo avuto il piacere di parlare con Benn del moderno stack di dati e di come i dati possono, e soprattutto, dovrebbero essere utilizzati per guidare la crescita.

Se hai poco tempo, ecco alcuni suggerimenti veloci:

• Sebbene la scienza dei dati non possa prevedere il futuro, può sicuramente aiutarti a concentrare le risorse, risolvere i problemi e persino sbloccare nuovi mercati.
• Qualsiasi intuizione dall'analisi dei dati sarà sempre valida solo quanto i dati stessi. Assicurati che i tuoi dati siano accurati prima di trarre conclusioni al riguardo.
• A meno che tu non stia guardando i dati per capire perché i tuoi clienti stanno usando i tuoi prodotti, evita di prendere decisioni basate sulle tue aspettative sulle loro motivazioni.
• Dal momento che vediamo una maggiore standardizzazione delle migliori pratiche per la gestione dei dati, non sarà più necessario progettare il processo da zero, ma piuttosto costruirlo e adattarlo a ciascun caso d'uso.
• Guardare infinite righe e colonne può essere scoraggiante anche per un esperto analista di dati. In caso di dubbio, inizia a curiosare con alcune ipotesi di base sul prodotto e vai da lì.

Se ti piace la nostra discussione, dai un'occhiata ad altri episodi del nostro podcast. Puoi seguire su iTunes, Spotify o prendere il feed RSS nel tuo lettore preferito. Quella che segue è una trascrizione leggermente modificata dell'episodio.

Entrare nell'analisi

Liam Geraghty: Benn, grazie mille per esserti unito a noi oggi.

Benn Stancil: È fantastico essere qui.

Liam: Prima di tutto, potresti parlarci un po' del tuo background, cosa fai e come sei arrivato a questo punto?

Benn: Fondamentalmente ho iniziato la mia carriera in un mondo completamente diverso. Ho iniziato nel mondo politico come ricercatore di economia in un think tank. Ho trascorso un paio d'anni lì, mi è piaciuto molto il lavoro e mi è piaciuta l'idea di provare sostanzialmente a risolvere i problemi con i dati. Il mio lavoro consisteva nell'esaminare ciò che stava accadendo nell'economia mondiale - all'epoca era come il 2010, e quindi tutto stava andando in pezzi - e poi esaminare i dati al riguardo e cercare di formulare raccomandazioni su ciò che i responsabili politici dovrebbero fare .

È stato davvero interessante concettualmente, ma se dai consigli su ciò che la Fed dovrebbe fare come persona giovane in un think tank, nessuno ti presta davvero attenzione. Mi piace l'idea di fare quel tipo di lavoro, ma volevo farlo in un modo in cui fosse più direttamente correlato ai problemi che le persone stavano cercando di risolvere, dove tu potessi effettivamente vedere se le tue idee o i tuoi consigli hanno funzionato. È così che ho finito per passare da quel lavoro a un lavoro di analisi presso un'azienda tecnologica a San Francisco. Quello è stato il mio primo lavoro in tecnologia. Ho lavorato lì per un paio d'anni come analista o data scientist. Ero il tipo di persona il cui lavoro consiste nel lavorare con esperti di marketing, product manager o addetti alle operazioni per aiutarli a prendere decisioni su quali prodotti spedire, a quale pubblico rivolgersi o se l'azienda sta andando bene in determinate aree e non bene in altri. Era simile a quello che stavo facendo in DC ma si applicava a un dominio molto diverso.

"Il viaggio di un'azienda di tre persone che lavorano dal soggiorno di qualcuno a qualcosa di centinaia di persone è quello in cui incontri costantemente cose nuove"

Da lì, ho incontrato alcune persone, ho iniziato a capire le esigenze di persone come me e che tipo di strumenti volevamo, che tipo di strumenti non c'erano ancora, e ho finito per creare la modalità basata su quella visione.

Liam: È stato difficile arrivare a questo punto con la modalità nel percorso di avvio?

Benn: Di sicuro. Ogni startup sarà una sfida e Mode non è diversa. La modalità ha avuto molti alti e bassi. Da un lato, è stato molto impegnativo. Ogni giorno lavori su problemi diversi, cose che non avevi mai veramente previsto prima. Come sicuramente saprai, il viaggio di un'azienda di tre persone che lavorano dal soggiorno di qualcuno in qualcosa di centinaia di persone è un viaggio in cui incontri costantemente cose nuove, dove i problemi che hai il primo mese sono diverso dai problemi che hai nel secondo mese.

Ogni giorno devi imparare qualcosa di nuovo che non avresti mai pensato di dover risolvere prima. Non è come "Diventerò davvero bravo in questa cosa particolare". Proprio quando diventi bravo, sei sul prossimo. In questo senso, è stato molto impegnativo. Tuttavia, abbiamo avuto una grande squadra. Ci sono persone fantastiche che hanno supportato l'azienda, indipendentemente dal fatto che siano o meno i dipendenti, che siano o meno persone che sono stati i primi clienti, che siano o meno solo amici e familiari, e il tipo di persone che sopportano tu mentre stai andando avanti con esso. È stato un duro lavoro, ma è stata un'esperienza molto bella, avendo il supporto di così tante persone per farlo. Penso che le persone nella Silicon Valley abbiano il privilegio di avere un intero ecosistema dedicato ad aiutare loro e la loro azienda ad avere successo. Se dovessi farlo in altri posti, penso che sarebbe molto più difficile.

Cosa possono e non possono fare i dati

Liam: La scienza dei dati è l'obiettivo principale delle aziende che desiderano migliorare il proprio processo decisionale utilizzando le informazioni che stanno già raccogliendo nelle proprie app e in altri sistemi. È qui che entra in gioco la modalità della tua azienda. Puoi parlarci un po' della piattaforma che hai creato e di come aiuta i data scientist?

Benn: Di sicuro. Le aziende utilizzano i dati in molti modi diversi. Il modo più semplice per pensarci è pensare a ciò che vedi nelle caricature di film e altro, come stanze piene di dashboard e grafici in cui le persone prendono decisioni. Questo ovviamente non accade. Le persone hanno dashboard e stiamo tutti controllando le prestazioni delle aziende e questo genere di cose. Ma gran parte del lavoro quotidiano effettivo relativo all'utilizzo efficace dei dati deriva da un esperto di dati seduto con un esperto aziendale che cerca di risolvere un problema insieme e rispondere alle domande che hanno per aiutarli a prendere alcune decisioni.

"Il product manager non guarderà uno schermo e dirà: 'Ah, questo è esattamente ciò di cui abbiamo bisogno'"

Immagina di essere un product manager che vuole decidere quale prodotto costruire. Potresti voler capire in che modo le persone utilizzano le funzionalità attuali che stai pensando di modificare. Diversi tipi di persone lo usano in modi diversi? Ci sono cose che stanno cercando di fare ma con cui stanno lottando? Riusciranno a raggiungere gli obiettivi che hanno? Tutte queste cose richiedono queste domande molto particolari e non è un processo a cui risponderesti guardando una dashboard. Il product manager non guarderà uno schermo e dirà: "Aha, questo è esattamente ciò di cui abbiamo bisogno". È un processo lungo e iterativo per capire sempre di più cosa vogliono i loro clienti, per poi prendere una decisione e dire: “Ehi, penso che dovremmo costruirlo. Facciamo qualche analisi per capire se pensiamo che sia la funzionalità giusta da costruire".

La modalità consiste davvero nel consentire alle persone di farlo. Si tratta di consentire a quell'analista di svolgere quel tipo di lavoro in modo che possa aiutare molto rapidamente e facilmente a rispondere alle domande di altre persone. E poi, come lo distribuiscono e si assicurano che sia collaborativo anche con quelle persone: un analista non può semplicemente entrare in un buco e rispondere a queste domande, deve lavorare a fianco del product manager per farlo. Questo è ciò che vogliamo davvero abilitare. E una volta che hai questo tipo di risposte, puoi trasformarle in qualcosa di riutilizzabile? Riesci a farli in modo che siano facili da restituire, controllabili e tutto quel genere di cose? Al centro, si tratta di aiutare le persone che hanno bisogno di capire qualcosa della propria attività e di rispondere alle domande, consentendo loro di lavorare in modo più fluido con gli analisti che spesso sono quelli che guidano quelle risposte.

Liam: Qual è una storia di dati o un esempio che ha avuto un esito positivo e uno che non ha avuto molto successo? Solo per persone come me che stanno immergendo la loro punta nel pool di dati, per esempio.

Benn: Un paio di risultati felici. C'era questa azienda che fondamentalmente serviva video a un gruppo di clienti: il loro prodotto è una piattaforma video globale. Stavano cercando di capire come renderlo migliore per le persone in tutto il mondo, e si sono resi conto che alcuni paesi tendevano a funzionare molto bene e altri no, e non erano esattamente sicuri del perché. Dissero: "Oh, stiamo andando alla grande in questo paese e stiamo andando alla grande in questo paese, ma non stiamo andando così bene in questi altri.

"[La nostra ricerca] ha aperto nuovi mercati per questo prodotto senza che dovessero passare attraverso gli altri tipi di sperimentazione che stavano originariamente pianificando"

Dopo aver fatto una serie di analisi e approfondimenti, si sono resi conto che i video erano troppo lenti in alcuni paesi a causa della posizione dei loro data center o degli ambienti AWS. Pensavano che forse fosse stato qualcosa di culturale, qualcosa sull'internazionalizzazione, che forse avevano fatto qualcosa di sbagliato lì. Forse era qualcosa nel prodotto che semplicemente non risuonava con un pubblico particolare o che era stato adottato da diversi tipi di persone con casi d'uso diversi in diversi paesi. Avevano un sacco di cose diverse che avrebbero potuto provare a risolvere, in cui è come, "Forse dobbiamo investire un sacco di internazionalizzazione, forse dobbiamo investire in funzionalità diverse se vogliamo vendere a questo tipo di pubblico perché loro pensare ai problemi in modo diverso”. Ancora una volta, era una piattaforma video, quindi forse hanno dovuto investire in contenuti diversi.

Ma alla fine è stato qualcosa di più semplice. L'app era troppo lenta in questi paesi, le persone si sono sentite frustrate perché i video avrebbero bufferizzato troppo e semplicemente non è stata una bella esperienza. Potrebbero risolverlo dicendo: "Ehi, mettiamo il nostro prodotto in più data center in AWS" o in qualsiasi prodotto di hosting che stavano utilizzando. Non è una soluzione banale, ma non è una soluzione difficile rispetto al dover capire come creare contenuti completamente nuovi per un pubblico internazionale diverso. Ha aperto nuovi mercati per questo prodotto senza che dovessero passare attraverso altri tipi di sperimentazione che stavano originariamente pianificando quando si sono resi conto di avere successo in alcuni paesi e non in altri.

Liam: Assolutamente. Questo è un ottimo esempio.

Benn: In termini di storie di dati negativi, penso che ci siano un paio di esempi. Ci sono sicuramente casi in cui le persone cercheranno di prendere decisioni basate sui dati e finiranno per fare qualcosa che non funziona. Parte di ciò è la natura di ciò che sono i dati: ti stanno dicendo qualcosa in modo più o meno probabilistico. Se chiedi: "Dovrei scommettere che lancio un dado e che ottengo tra uno e cinque o un sei?" Potrei dirti: "La cosa giusta che dovresti fare è scommettere da uno a cinque, le tue probabilità sono molto più alte per quello". Questa è la giusta analisi basata sui dati, ma a volte potresti perdere. Se stai costruendo un prodotto o prendendo una decisione per un'attività che puoi prendere solo una volta, non puoi tornare indietro e dire: "In realtà, facciamolo di nuovo e continuiamo a farlo finché non ottieni un numero da uno a cinque". Forse abbiamo scommesso da uno a cinque e abbiamo ottenuto un sei. È così che va.

"Fa parte del gioco di cercare di essere più orientati ai dati come prodotto e come azienda: non sempre lo farai esattamente nel modo giusto"

Ci sono molti esempi di quel genere di cose in cui i dati non sono perfetti. I dati non ti diranno il futuro. Può darti un'idea di cosa potrebbe accadere, ma ci sono molte storie su persone che prendono decisioni, probabilmente fanno l'analisi molto bene, prendono quella che è una decisione sana prima che venga presa, e poi il risultato semplicemente non lo fa fare una panoramica. Una delle cose di cui parliamo con molte persone è stare bene con questo. Questo fa parte del gioco di cercare di essere più orientati ai dati come prodotto e come azienda: non sempre lo farai esattamente nel modo giusto. Non puoi semplicemente perdere la fiducia in cosa sono i dati aspettandoti che ti dicano sempre esattamente quale sarà il futuro.

Spazzatura dentro, spazzatura fuori

Liam: Bene, a parte questo, quanto è importante considerare il viaggio che i dati seguono per raggiungere la dashboard alla fine?

Benn: C'è sicuramente un tipo di processo "spazzatura dentro, spazzatura fuori" in tutto questo, e penso che sia abbastanza ben compreso. La maggior parte delle persone capisce che la qualità dei dati è importante. Supponiamo che stiamo cercando di prendere decisioni sulla nostra pipeline di vendita e sul modo in cui i diversi clienti si stanno muovendo attraverso una pipeline di vendita e quali fasi della canalizzazione di vendita si comportano bene e quali no, potresti giungere alla conclusione che gli affari si bloccano sempre nella revisione della sicurezza quando parliamo con persone di IT e sicurezza sul fatto che il nostro prodotto soddisfi o meno i loro standard, quindi dobbiamo concentrarci molto di più su questo. Se la nostra conclusione si basa su dati inseriti manualmente da un team di vendita, potrebbe essere semplicemente che questa è la parte del processo in cui il team di vendita è più sciatto nell'inserire quei dati in Salesforce e, pertanto, tale conclusione non è un riflesso della realtà. Devi fare tutto il lavoro in anticipo per assicurarti che i tuoi dati siano effettivamente accurati prima di poter trarre conclusioni reali al riguardo.

"Non è necessariamente che stiano falsificando i numeri o che stiano usando dati errati, è solo che quando cerchi qualcosa di interessante, sei molto più propenso a trovarlo"

C'è un altro modo in cui penso che ci sia una dinamica simile attorno a questo "spazzatura dentro, spazzatura fuori". Puoi fare un sacco di analisi diverse e dire che guardi qualche problema da 10 diverse prospettive, il modo in cui lo guardi sarà importante. Ci sarà una prospettiva che appare in un modo particolare e quell'analisi, di per sé, potrebbe essere valida. Ma a meno che tu non dica alle persone: "Ehi, abbiamo provato 10 cose, nove di loro hanno suggerito una cosa, ma questa decima ha suggerito qualcos'altro", e poi la decima cosa che ha suggerito la cosa che è il valore anomalo sembra essere molto positiva...

Si sente molto parlare di questo nel tipo di studi accademici di p-hacking in cui le persone fondamentalmente scrivono articoli accademici, e c'è questa domanda: "Stanno cercando risultati?" La risposta è, ovviamente, che lo sono. Gli accademici sono pagati per farlo. Vogliono trovare qualcosa di interessante. Non è necessariamente che stiano falsificando i numeri o che stiano usando dati errati, è solo che quando cerchi qualcosa di interessante, sei molto più propenso a trovarlo, anche se quella cosa interessante non è necessariamente reale .

Gli analisti possono soffrire della stessa tendenza. Il nostro compito è trovare qualcosa di interessante. Vogliamo essere quello che si alza alla grande riunione e dice: "Dai un'occhiata a questo grafico che rivela questa cosa davvero drammatica". Se cerchi sempre quelle cose, di nuovo, nove volte su 10, non le trovi. Ma quella decima volta, quando lo fai, è importante dire: "Ehi, prima abbiamo provato un sacco di altre cose". Questo aiuta a capire se questa cosa che stai pensando di trovare è reale o meno.

Liam: Per le startup, come possono essere utilizzati i dati per guidare la crescita?

Benn: Un sacco di modi. La maggior parte delle persone lo usa come il growth hacking, che le persone chiamano in senso peggiorativo un nuovo modo di chiamare marketing, ma puoi usarlo molto in quel tipo di modo. Puoi usarlo per capire meglio i tuoi clienti, per sapere con chi parlare. Molta crescita consiste semplicemente nel trovare le persone giuste e nel dare loro il messaggio giusto al momento giusto, almeno dall'alto del lato della canalizzazione di marketing. I dati possono essere davvero importanti in questo. Come puoi capire, da chi sta entrando nella tua canalizzazione, cosa dicono e quanto si allontanano? Chi sono quelle persone, e come si fa a raggiungerne altre che assomigliano a questo?

"Molta crescita consiste semplicemente nel trovare le persone giuste e nel dare loro il messaggio giusto al momento giusto, almeno dal lato superiore della canalizzazione di marketing. I dati possono essere davvero importanti in questo".

Le leve più importanti, tuttavia, riguardano spesso la comprensione di ciò che i tuoi clienti stanno cercando di fare. Le persone spesso costruiscono prodotti e si aspettano che vengano utilizzati in un modo particolare o si aspettano che alle persone piacciano per un motivo o per l'altro, e alla gente non sempre piace per questi motivi. Ci sono molte funzionalità che abbiamo creato in Mode o che abbiamo sentito dai nostri clienti che dicevano: "Oh sì, questa sarà una grande cosa per X". E si scopre che non è proprio questo il motivo per cui alla gente piace, ma potrebbe piacere per Y. A meno che tu non guardi i dati per capire i comportamenti di ciò che le persone stanno facendo e cerchi di capire cosa le motiva a fare quelle cose, penserete spesso: "Oh, fantastico, abbiamo lanciato una funzione che è stata davvero utile per questo, ed è per questo che la gente la sta usando. Quindi, ci appoggeremo davvero a questo". Ma può darsi che tu stia effettivamente giocando contro il modo in cui le persone stanno cercando di usare il prodotto, e dovresti invece dire come: "Ehi, lo stanno usando per Y. Costruiamo davvero dei modi per consentire loro di fare Y cosa su di esso.

"Si tratta di trovare l'effettivo adattamento al mercato del prodotto piuttosto che quello che presumi di avere"

Ad esempio, c'era questa azienda che era una specie di prodotto di chat essenzialmente per lavoro. Era un prodotto collaborativo, una specie di tipo Slack, incentrato sui dispositivi mobili. Inizialmente pensavano che sarebbe stato un ottimo modo per comunicare con i lavoratori in prima linea. Sarebbe un ottimo modo per le persone che non hanno indirizzi e-mail per comunicare. Se sei un cassiere al 7-11, potresti non avere un indirizzo e-mail 7-11, ma abbiamo bisogno di un modo per poter parlare con quelle persone. Questa era un'app per quello. Hanno ottenuto un po' di adozione e hanno pensato che fosse a causa di queste persone che non avevano indirizzi e-mail, ma dopo aver esaminato un sacco di dati, si sono resi conto che in realtà erano persone che dovevano essere dentro e fuori dall'ufficio un mucchio . La cosa più utile non era che non avessero un indirizzo e-mail, ma che erano molto lontani dal computer. Lo stavano essenzialmente usando come un tipo di sostituzione di WhatsApp per la chat aziendale.

Quindi, se avessero pensato che si trattasse di persone senza un indirizzo e-mail, avrebbero potuto creare un sacco di funzionalità in cui ti iscrivi con il tuo numero di telefono, in cui fai un sacco di cose che rendono possibile che sia una cosa in cui non Non hai un computer desktop. Ma ciò che le persone desideravano in realtà era questa esperienza in cui potevano usare un computer a volte, e poi allontanarsene e vivere un'esperienza mobile davvero eccezionale mentre sono in viaggio, o stanno effettuando una consegna o altro. Ciò crea un percorso molto diverso per quel prodotto e quell'azienda, ma non lo capirebbero mai a meno che non guardassero i dati per capire le persone che li stavano effettivamente utilizzando e cosa stavano cercando di farne. Si tratta di trovare l'effettivo adattamento al mercato del prodotto piuttosto che quello che presumi di avere.

Nuovi strumenti, stessi problemi

Liam: Che aspetto ha il moderno stack di dati in questo momento?

Benn: Lo stack di dati moderno è il termine generico per il nuovo set di strumenti per i dati che vengono sviluppati sulla base dei prodotti di dati che si spostano nel cloud. Il cuore di questo è il data warehouse. Prima del 2010, qualsiasi azienda che desiderasse un data warehouse, che è il luogo in cui archiviate tutti i vostri dati, in genere doveva acquistare qualcosa, una macchina fisica o un software fisico, come su un CD, che avrebbero poi eseguito su una macchina che avrebbero possedere. Avremmo una stanza server nella parte posteriore che è il nostro database, e avremmo eseguito un database Oracle su di esso e tutto il resto. Fondamentalmente, con Redshift, che è stato uno dei primi data warehouse nel cloud, le persone hanno iniziato a spostare tutto ciò nel cloud. Invece di dover acquistare una macchina o un software, posso semplicemente andare su AWS, dire "Crea un database Redshift per me", posso farlo dal mio browser in 15 minuti e in realtà non devo averne hardware per farlo. Un sacco di strumenti sono stati costruiti sull'idea di dire: "E se tutti i nostri dati funzionassero nel cloud e non dovessimo avere tutto questo software che eseguiamo noi stessi?" Il moderno stack di dati è un po' intorno a quell'idea di come appare il trasferimento dei dati nel cloud. Ci sono un sacco di modi in cui puoi definirlo. Ma in generale, ha creato questi prodotti molto orizzontali che acquisiranno solo dati da app di terze parti.

"Abbiamo avuto questi notevoli miglioramenti nella qualità della tecnologia, ma i problemi fondamentali che stiamo cercando di risolvere sono spesso ostinatamente persistenti"

Supponi di avere dati in Salesforce o Zendesk o Marketo o Stripe, prodotti che acquisiranno semplicemente quei dati nel tuo magazzino. Hai prodotti che lo trasformeranno e lo modelleranno nel tuo magazzino: supponiamo che tu abbia un sacco di dati disordinati che vuoi trasformare in dati puliti, quindi hai prodotti che lo gestiranno. Il magazzino stesso farà lo stoccaggio. Ci sono strumenti di analisi, come Mode, che si trovano sopra per dashboard, analisi, per poter condividere e distribuire quel lavoro. E poi, ci sono un sacco di altri strumenti che vengono creati per supportarli. Ora che hai cinque o sei strumenti che eseguono i tuoi strumenti dati, vuoi essere in grado di monitorarli tutti. Funziona tutto bene? Le condutture dal punto A al punto B sono in funzione e funzionano come previsto? Se voglio apportare una modifica a uno, come faccio a orchestrare quella modifica al sistema?

Sta diventando questo ecosistema molto più complesso, ma è tutto costruito su questo flusso centrale di un modo per ingerire i dati in un magazzino, in qualche modo per trasformarli in un magazzino, in qualche modo per costruire un asset di dati in cima ai dati nel magazzino , e poi un modo per spedirlo a chiunque abbia effettivamente bisogno di vederlo.

Liam: Può essere così difficile convincere tutti a concordare i numeri quando hai dashboard e strumenti diversi che ti dicono cose diverse. È una sfida?

Benn: Sì. Questo è uno dei paradossi dello stato attuale del moderno data stack. Abbiamo passato quasi 10 anni a costruire questi prodotti e sono rivoluzionari, in molti sensi. Fanno le cose molto meglio e molto più velocemente rispetto a 10 anni fa. Circa 10 anni fa, per i database top di gamma, avresti dovuto spendere, diciamo, un milione di dollari all'anno per eseguirli. Dovresti pagare per le macchine che lo fanno funzionare. Di solito dovresti avere una o due persone il cui lavoro a tempo pieno era gestirlo. Oggi puoi ottenere magazzini più velocemente di quello che ti costerà $ 20.000 all'anno e non devi avere nessuno che li gestisca completamente. Posso andare su AWS, premere un pulsante e pagare decine di migliaia di dollari per qualcosa che mi costava probabilmente un paio di milioni di dollari all'anno. Ed è un prodotto migliore.

Potresti fare la stessa affermazione sull'intero stack. Gli strumenti di analisi sono migliorati in questo modo. Gli strumenti di importazione dei dati e gli strumenti della pipeline sono migliorati in questo modo. Abbiamo avuto questi notevoli miglioramenti nella qualità della tecnologia, ma i problemi fondamentali che stiamo cercando di risolvere sono spesso ostinatamente persistenti. Uno di quei problemi principali che abbiamo avuto 10 anni fa era che due persone entravano in una stanza e dicevano "La mia dashboard dice questo" e qualcun altro dice "La mia dashboard dice questo". Trascorrono l'intera riunione, piuttosto che cercare di capire cosa fare, discutendo su chi è il numero giusto. E lo facciamo ancora, ce n'è ancora molto.

“Il marketing e le vendite esistono da centinaia di anni. Siamo ancora nelle prime fasi per capire che aspetto avrà per la professione dei dati”

Ho sentito un discorso dal CEO di Databricks, uno di questi magazzini davvero moderni che guida molto questo cambiamento. Stava dicendo che una delle lamentele più comuni che senti dai clienti è che le persone passano tutto il loro tempo a litigare sui numeri e quale sia quello giusto. Penso che parte della risoluzione di questo problema sarà continuare a costruire strumenti che possano dialogare tra loro e lavorare meglio insieme, e sistemi che ci consentano di definire le cose una volta in modo che, se guardiamo un dashboard, sappiamo che proviene dallo stesso punto . Ma parte di questo, inoltre, saranno solo le organizzazioni che capiranno come lavorare con i dati. I dati sono ancora una cosa relativamente nuova. La maggior parte delle aziende ha iniziato a usarlo in modo reale negli ultimi 10, 15 anni. Stiamo ancora cercando di capire come farlo funzionare. Ci sono ancora molte conversazioni nella comunità sui diversi ruoli di cui abbiamo bisogno, a cosa servono e chi è responsabile di cosa.

L'ingegneria non era una pratica che si sviluppò dall'oggi al domani. L'IT non era una pratica che si è sviluppata dall'oggi al domani. Il marketing e le vendite esistono da centinaia di anni. Siamo ancora nelle prime fasi per capire che aspetto avrà per la professione dei dati. Penso che sarà una combinazione degli strumenti che costruiamo e tutti inizieranno a capire: "Questo è il modo in cui funziona, e questo è il modo in cui non funziona", prima di poter davvero superare quelli che sembrano problemi fondamentali .

Liam: Assolutamente. Penso che tutti da tutti i tipi di industrie avranno le loro storie. Le metriche dei podcast, penso, siano probabilmente un buon esempio delle complicazioni con i dati. Un download di solito non è uguale al numero totale di ascoltatori perché un singolo ascoltatore potrebbe aver scaricato lo stesso episodio su più dispositivi, oppure potrebbe averlo scaricato con l'intenzione di ascoltarlo ma non ci è mai riuscito. So che stanno cercando di introdurre un modo standardizzato per misurare queste cose, cosa che probabilmente accadrà su tutta la linea, suppongo, per molti settori.

Benn: Se pensi alle metriche di base del web marketing e al modo in cui le persone pubblicano annunci e cose del genere, abbiamo iniziato a standardizzare alcune di queste. Se vai alla dashboard degli annunci di Facebook o alla dashboard degli annunci di Google, queste cose sembreranno abbastanza simili. Ti racconteranno più o meno la stessa storia perché c'è stata una certa standardizzazione sul modo in cui parliamo e scopriamo quali annunci stanno ottenendo buoni risultati e quali no. Lo vedi con altre cose. Ad esempio, lo vedi con le aziende SaaS. Le aziende SaaS ora dispongono di un libro standard di metriche da cui tutte attingono. Ci sono alcuni punti in cui stiamo iniziando a vedere questo fondersi, ma ce ne saranno molti di più nei prossimi anni, dove è come pensiamo ai podcast? Come pensiamo a particolari tipi di prodotti? Come pensiamo di misurare le prestazioni di un team di supporto? Come possiamo pensare a tutte queste cose diverse che sono i dati di cui ora abbiamo informazioni molto più ricche ma che ogni azienda sta ancora cercando di capire individualmente?

"Ci adatteremo dalle migliori pratiche invece che tutti cercheranno di farlo da zero"

Penso che ci sarà una certa standardizzazione in giro, "Questa è probabilmente la migliore pratica per pensare a questo tipo di problemi". Le aziende avranno ovviamente ancora alcuni report su misura che devono fare. Questo podcast potrebbe voler misurare le cose in modo diverso rispetto all'altro podcast perché potresti avere un pubblico diverso o obiettivi diversi. Ognuno avrà le proprie modifiche, ma penso che ci sarà una sensazione molto migliore di "Ok, questo è il modo in cui siamo tutti d'accordo sul funzionamento". Ci adatteremo dalle migliori pratiche invece che tutti cercheranno di farlo da zero. Molte aziende che iniziano le loro pratiche sui dati spesso cercano di costruire cose da zero. Penso che abbiamo un po' di strada da fare prima di arrivare al punto in cui hai l'impalcatura su cui tutti possiamo costruire.

I framework Web, in un certo senso, ne sono un esempio. Se vuoi creare un prodotto web o un software, ci sono dei contorni abbastanza ben definiti che puoi disegnare da dove poi aggiungi la tua logica per rendere la tua applicazione esattamente quello che volevi. Analytics semplicemente non ce l'ha. Tutti iniziano da zero piuttosto che avere quel tipo di struttura di base su cui possono costruire.

Liam: Cosa diresti alle startup scoraggiate dai dati che stanno fissando tutto e si sentono un po' ansiose al riguardo?

Benn: Questo può accadere alle startup, ma può anche accadere alle società mature di dati con singoli analisti. È facile fissare una pagina vuota o un foglio di calcolo Excel sovraccarico e pensare: "Che cosa devo fare?" È facile se sei un analista esperto che inizia appena a capire un problema, è facile se sei un'azienda che non sa ancora cosa fare con i dati ed è facile se sei un analista junior che si è appena iscritto da qualche parte e non sa cosa fare.

“Va bene iniziare con cose davvero semplici. È straordinario quante informazioni di base le persone troveranno preziose”

Penso che la soluzione sia la stessa: va bene iniziare con cose davvero semplici. È notevole quante informazioni di base le persone troveranno preziose. Conosco un ragazzo che, una volta alla settimana, fa incontrare il suo team di dati in modo da condividere essenzialmente le cose che ha imparato durante la settimana. Alcune di queste cose erano stupidamente semplici. L'azienda era un prodotto creato per le aziende, quindi veniva utilizzato dal lunedì al venerdì. Hanno creato un grafico per quante persone lo usano per giorno della settimana e, ehi, la maggior parte delle persone non lo usa nei fine settimana e molte persone lo usano nei giorni feriali. Non stai esattamente scoprendo un'incredibile intuizione lì. Tutti sapevano già che era così che funzionava, ma vedere quei numeri e esattamente quanto scendeva nei fine settimana - c'erano alcuni fine settimana in cui non scendeva molto e alcuni fine settimana in cui scendeva un sacco - ha generato un mucchio di domande e curiosità su cosa sta guidando quel comportamento. Perché quel fine settimana è quello in cui le persone sembrano usarlo molto? Cosa è successo la? Questo è stato il seme per molto di più di “Va bene, continuiamo a imparare. Continuiamo a fare domande. Continuiamo a scavare".

Questo è il modo in cui incoraggio le persone a iniziare. Inizia con le cose di base, anche se sono supposizioni che stai facendo. Non appena inizi a guardare i numeri, vedrai cose che ti fanno pensare e grattarti la testa e ti fanno capire che c'è molto di più qui che non capisci che sei curioso. Molto è solo lasciarsi prendere da quella curiosità e non dire: "Ho bisogno di scoprire qualcosa di straordinario. Ho bisogno di trovare quell'ago nel pagliaio che cambierà la traiettoria dell'azienda il primo giorno". 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. Qual è il prossimo? 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.