Бенн Стэнсил, основатель Mode, о том, как наука о данных может помочь нам принимать лучшие решения

Анализ данных — это не создание причудливых информационных панелей — это длительный итеративный совместный процесс, который поможет вам лучше понять, чего хочет клиент и как этого добиться.

Вернее, должно быть. Этот стереотипный образ комнаты, изобилующей мониторами и сложными информационными панелями, где принимаются все решения, нереален, и нам пора от него отойти. По словам Бенна Стэнсила, соучредителя и директора по аналитике Mode, платформы, призванной помочь аналитикам данных и специалистам по данным анализировать, визуализировать и обмениваться данными, большая часть их повседневной работы связана с работой с менеджерами по продуктам и бизнес-лидеры, возятся с разными вещами, пытаясь вместе решить бизнес-проблему.

Дело в том, что наука о данных как область еще относительно нова. И поэтому многие бизнес-лидеры не совсем уверены, с чего начать, как использовать это или что делать, когда кажется, что все информационные панели и инструменты указывают на разные решения. Но, как отмечает Бенн, будущее анализа данных не в архитектурных схемах или бизнес-лидерах, смотрящих на информационные панели, а в создании опыта, и при этом очень захватывающего.

На этой неделе мы имели удовольствие побеседовать с Бенном о современном стеке данных и о том, как данные могут — и, что более важно, должны — использоваться для стимулирования роста.

Если у вас мало времени, вот несколько быстрых выводов:

• Хотя наука о данных не может предсказать будущее, она определенно может помочь вам сосредоточить ресурсы, устранить проблемы и даже открыть новые рынки.
• Любая информация, полученная в результате анализа данных, будет настолько хороша, насколько хороши сами данные. Убедитесь, что ваши данные точны, прежде чем делать какие-либо выводы об этом.
• Если вы не смотрите на данные, чтобы понять, почему ваши клиенты используют ваши продукты, избегайте принятия решений, основанных на ваших ожиданиях относительно их мотивации.
• По мере того, как мы видим большую стандартизацию по сравнению с лучшими практиками обработки данных, больше не будет необходимости разрабатывать процесс с нуля, а нужно будет строить сверху и адаптировать их к каждому варианту использования.
• Смотреть на бесконечные строки и столбцы может быть сложно даже для опытного аналитика данных. Если вы сомневаетесь, начните разбираться с некоторыми базовыми предположениями о продукте и двигайтесь дальше.

Если вам нравится наша дискуссия, посмотрите другие выпуски нашего подкаста. Вы можете подписаться на iTunes, Spotify или получить RSS-канал в выбранном вами плеере. Далее следует слегка отредактированная стенограмма эпизода.

Входим в аналитику

Лайам Джерати: Бенн, большое спасибо, что присоединились к нам сегодня.

Бенн Стэнсил: Приятно быть здесь.

Лиам: Прежде всего, не могли бы вы немного рассказать нам о своем прошлом, чем вы занимаетесь и как вы пришли к этому?

Бенн: По сути, я начал свою карьеру в совершенно другом мире. Я начал свою карьеру в мире политики в качестве исследователя экономики в аналитическом центре. Я провел там пару лет, мне очень нравилась эта работа и идея в основном пытаться решать проблемы с данными. Моя работа заключалась в том, чтобы посмотреть, что происходит в мировой экономике — в то время это было похоже на 2010 год, и поэтому все как бы разваливалось, — а затем просмотреть данные об этом и попытаться дать рекомендации о том, что должны делать политики. .

Концептуально это было действительно интересно, но если вы даете рекомендации о том, что ФРС должна делать, будучи каким-то младшим сотрудником в аналитическом центре, никто на самом деле не обращает на вас внимания. Мне нравится идея делать такую ​​работу, но я хотел сделать ее таким образом, чтобы она была более непосредственно связана с проблемами, которые люди пытались решить, где вы действительно могли видеть, сработали ли ваши идеи или рекомендации. Так я перешел с этой работы на должность аналитика в технологической компании в Сан-Франциско. Это была моя первая работа в технике. Я работал там пару лет аналитиком или специалистом по данным. Я относился к тому типу людей, чья работа состоит в том, чтобы работать с маркетологами, менеджерами по продуктам или операционистами, чтобы помочь им принять решение о том, какие продукты поставлять, на какую аудиторию ориентироваться, или если бизнес работает хорошо в определенных областях и не очень хорошо в других. другие. Это было похоже на то, что я делал в округе Колумбия, но относилось к совершенно другому домену.

«Путешествие компании из трех человек, работающих из чьей-то гостиной, в нечто, насчитывающее сотни людей, — это то, где вы постоянно сталкиваетесь с новыми вещами»

Оттуда я познакомился с некоторыми людьми, начал осознавать потребности таких людей, как я, и какие инструменты нам нужны, а каких инструментов еще не было, и в итоге создал Mode на основе этого видения.

Лиам: Было ли сложно добраться до этого момента с Mode на пути стартапа?

Бенн: Конечно. Каждый запуск будет испытанием, и Mode не исключение. У Mode было много взлетов и падений. С одной стороны, это было очень сложно. Каждый день вы работаете над разными проблемами, такими вещами, о которых раньше даже не подозревали. Я уверен, вы хорошо знаете, что путь компании из трех человек, работающих из чьей-то гостиной, в нечто, насчитывающее сотни людей, — это путь, в котором вы постоянно сталкиваетесь с новыми вещами, где проблемы, с которыми вы столкнулись в первый месяц, отличается от проблем, которые у вас есть на второй месяц.

Каждый день вам приходится узнавать что-то новое, что вы никогда не думали решать раньше. Это не похоже на: «Я буду действительно хорош в этом конкретном деле». Как только у вас это хорошо получается, вы переходите к следующему. В этом смысле это было очень сложно. Тем не менее, у нас была отличная команда. Есть замечательные люди, которые поддерживали компанию, независимо от того, являются ли они сотрудниками, являются ли они первыми клиентами, являются ли они просто друзьями и членами семьи, и типы людей, которые мирятся с вы, как вы идете вместе с ним. Это была тяжелая работа, но это был очень хороший опыт, когда у меня была поддержка столь многих людей. Я думаю, что людям в Силиконовой долине особенно повезло иметь целую экосистему, посвященную тому, чтобы помочь им и их компании добиться успеха. Если бы вы делали это в других местах, я думаю, это было бы намного сложнее.

Что данные могут и не могут делать

Лиам: Наука о данных — это то, что нужно компаниям, которые хотят улучшить процесс принятия решений, используя информацию, которую они уже собирают в своих приложениях и других системах. Здесь на помощь приходит режим вашей компании. Можете ли вы немного рассказать нам о платформе, которую вы создали, и о том, как она помогает специалистам по обработке и анализу данных?

Бенн: Конечно. Компании используют данные по-разному. Самый простой способ подумать об этом — подумать о том, что вы видите в карикатурах на фильмы и тому подобное, например, о комнатах, заполненных информационными панелями и диаграммами, где люди принимают решения. Такого явно не бывает. У людей есть информационные панели, и мы все проверяем, как работают компании, и тому подобное. Но большая часть фактической повседневной работы по эффективному использованию данных выполняется экспертом по данным, который сидит с бизнес-экспертом, пытаясь вместе решить проблему и ответить на вопросы, которые у них есть, чтобы помочь им принять некоторые решения.

«Менеджер по продукту не будет смотреть на экран и говорить: «Ага, это именно то, что нам нужно»».

Представьте, что вы менеджер по продукту и хотите решить, какой продукт создавать. Возможно, вам захочется понять, как люди используют текущие функции, которые вы планируете изменить. Используют ли разные типы людей его по-разному? Есть ли вещи, которые они пытаются сделать, но с которыми борются? Смогут ли они достичь поставленных целей? Все эти вещи требуют этих очень конкретных вопросов, и это не тот процесс, на который вы бы ответили, взглянув на панель инструментов. Менеджер по продукту не будет смотреть на экран и говорить: «Ага, это именно то, что нам нужно». Это долгий итеративный процесс все большего и большего понимания того, чего хотят их клиенты, затем принятие решения и высказывание: «Эй, я думаю, мы должны построить это. Давайте проведем некоторый анализ, чтобы выяснить, считаем ли мы, что это правильная функция для создания».

Режим действительно позволяет людям делать это. Речь идет о том, чтобы позволить этому аналитику выполнять такую ​​работу, чтобы он мог очень быстро и легко помочь ответить на вопросы других людей. И затем, как они распространяют это и обеспечивают сотрудничество с этими людьми — аналитик не может просто пойти в яму и ответить на эти вопросы, он должен работать вместе с менеджером по продукту, чтобы сделать это. Это то, что мы действительно хотим включить. И когда у вас есть такие ответы, можете ли вы превратить их во что-то повторное? Можете ли вы сделать их такими, чтобы к ним было легко вернуться, чтобы их можно было проверить и все такое прочее? Суть ее заключается в том, чтобы помочь людям, которым нужно что-то понять в своем бизнесе и ответить на вопросы, дав им возможность более гибко работать с аналитиками, которые часто являются теми, кто дает эти ответы.

Лайам: Какая история или пример с данными имела счастливый исход, а какая — нет? Только для таких людей, как я, например, которые погружаются в пул данных.

Бенн: Несколько счастливых исходов. Была одна компания, которая в основном раздавала видео группе своих клиентов — их продукт — глобальная видеоплатформа. Они пытались выяснить, как сделать его лучше для людей во всем мире, и они поняли, что некоторые страны, как правило, работают очень хорошо, а некоторые нет, и они не были точно уверены, почему. Они говорили: «О, у нас все хорошо в этой стране и у нас все хорошо в этой стране, но не так хорошо в других странах.

«[Наше исследование] открыло новые рынки для этого продукта без необходимости проведения других экспериментов, которые они изначально планировали».

Проведя кучу анализа и покопавшись в нем, они поняли, что в некоторых странах видео было слишком медленным из-за того, где были расположены их центры обработки данных или среды AWS. Они думали, может быть, это было что-то культурное, что-то связанное с интернационализацией, что, может быть, они сделали что-то не так. Может быть, это было что-то в продукте, что просто не нашло отклика у определенной аудитории или было принято разными типами людей с разными вариантами использования в разных странах. У них была куча разных вещей, которые они могли бы попытаться решить, например: «Может быть, нам придется инвестировать целую кучу средств в интернационализацию, может быть, нам придется инвестировать в различные функции, если мы хотим продавать этим типам аудитории, потому что они думать о проблемах по-другому». Опять же, это была видеоплатформа, поэтому, возможно, им пришлось инвестировать в другой контент.

Но в итоге получилось что-то попроще. Приложение было слишком медленным в этих странах, люди были разочарованы тем, что видео слишком долго буферизировались, и это просто не было хорошим опытом. Они могли решить эту проблему, сказав: «Эй, давайте разместим наш продукт в большем количестве центров обработки данных в AWS» или в любом другом продукте хостинга, который они использовали. Это не тривиальное решение, но и не сложное по сравнению с необходимостью выяснить, как создавать совершенно новый контент для разных международных аудиторий. Это открыло новые рынки для этого продукта без необходимости проводить другие виды экспериментов, которые они изначально планировали, когда поняли, что они успешны в одних странах, а не в других.

Лиам: Абсолютно. Это отличный пример.

Бенн: Что касается историй с отрицательными данными, я думаю, есть пара примеров. Конечно, бывают случаи, когда люди пытаются принимать решения на основе данных и в конечном итоге делают что-то, что не срабатывает. Частью этого является природа данных — они сообщают вам что-то более или менее вероятностно. Если вы спросите: «Стоит ли мне ставить на то, что я брошу кубик и выпаду от одного до пяти или шести?» Я мог бы сказать вам: «Вам следует делать ставки от одного до пяти, ваши шансы на это намного выше». Это правильный анализ данных, но иногда вы можете проиграть. Если вы создаете продукт или принимаете решение для бизнеса, которое вы можете принять только один раз, вы не можете вернуться и сказать: «Вообще-то, давайте проверим это еще раз и будем продолжать, пока не получите от одного до пяти». Может быть, мы поставили от одного до пяти, а выкинули шестерку. Вот как это происходит.

«Это часть игры, заключающаяся в том, чтобы попытаться стать более ориентированным на данные как продукт и бизнес — вы не всегда будете делать это правильно»

Есть много примеров такого рода вещей, когда данные не идеальны. Данные не предсказывают вам будущее. Это может дать вам некоторое представление о том, что может произойти, но есть много историй о людях, принимающих решения, вероятно, очень хорошо проводящих анализ, принимающих разумное решение до того, как оно будет принято, а затем результат просто не соответствует действительности. вывернуться. Одна из вещей, о которой мы говорим со многими людьми, это то, что с этим все в порядке. Это часть игры, в которой вы пытаетесь быть более ориентированным на данные как продукт и бизнес — вы не всегда будете делать это правильно. Вы просто не можете потерять веру в то, что представляют собой данные, ожидая, что они всегда точно скажут вам, каким будет будущее.

Мусор на входе, мусор на выходе

Лиам: Ну, помимо этого, насколько важно учитывать путь, по которому данные следуют, чтобы в конце попасть на панель инструментов?

Бенн: Во всем этом определенно есть процесс типа «мусор на входе, мусор на выходе», и я думаю, что это довольно хорошо понятно. Большинство людей понимают, что качество данных имеет значение. Допустим, мы пытаемся принять решение о нашей воронке продаж и о том, насколько хорошо разные клиенты продвигаются по воронке продаж и какие этапы воронки продаж работают хорошо, а какие нет, вы можете прийти к выводу, что сделки всегда зависают. в обзоре безопасности, когда мы говорим с людьми из ИТ и безопасности о том, соответствует ли наш продукт их стандартам, и поэтому нам нужно уделять этому гораздо больше внимания. Если наш вывод основан на данных, введенных отделом продаж вручную, возможно, это просто та часть процесса, когда отдел продаж более небрежно вводит эти данные в Salesforce, и, следовательно, этот вывод не является отражением. реальности. Вы должны сделать всю работу заранее, чтобы убедиться, что ваши данные действительно точны, прежде чем вы сможете сделать какие-либо реальные выводы об этом.

«Не обязательно, что они подтасовывают цифры или используют неверные данные — просто когда вы ищете что-то интересное, вы гораздо более склонны это найти»

Есть еще один способ, в котором, я думаю, есть аналогичная динамика вокруг этого «мусора на входе, мусора на выходе». Вы можете провести кучу разных анализов и сказать, что смотрите на какую-то проблему с 10 разных точек зрения, и то, как вы смотрите на нее, будет иметь значение. Будет определенная перспектива, которая проявляется определенным образом, и этот анализ сам по себе может быть правильным. Но если вы не скажете людям: «Эй, мы попробовали 10 вещей, девять из них предложили одно, но этот 10-й предложил что-то другое», а затем 10-й вариант, который предложил то, что является выбросом, кажется очень положительным…

Вы много слышите об этом в исследованиях типа академического p-hacking, где люди в основном пишут академические статьи, и возникает вопрос: «Они ищут результаты?» Ответ, конечно, есть. Академикам за это платят. Они хотят найти что-то интересное. Не обязательно, что они подтасовывают цифры или используют неверные данные — просто когда вы ищете что-то интересное, вы гораздо более склонны это найти, даже если эта интересная вещь не обязательно настоящая. .

Аналитики могут страдать от той же тенденции. Наша задача найти что-то интересное. Мы хотим быть теми, кто встанет на большом совещании и скажет: «Посмотрите на эту диаграмму, которая показывает эту действительно драматическую вещь». Если вы всегда ищете эти вещи, опять же, в девяти случаях из 10 вы их не найдете. Но в 10-й раз, когда вы это сделаете, важно сказать: «Эй, мы сначала попробовали кучу других вещей». Это помогает понять, реальна ли та вещь, которую, как вы думаете, вы нашли, или нет.

Лайам: Что касается стартапов, как можно использовать данные для стимулирования роста?

Бенн: Множество способов. Большинство людей используют его как взлом роста, который люди уничижительно называют новым способом называть маркетинг, но вы можете использовать его таким образом. Вы можете использовать его, чтобы лучше понять своих клиентов, чтобы знать, с кем поговорить. Большой рост — это просто найти нужных людей и дать им правильное сообщение в нужное время, по крайней мере, с вершины маркетинговой воронки. Данные могут быть очень важны в этом. Как вы можете понять, кто входит в вашу воронку, что они говорят и как далеко они заходят? Кто эти люди, и как вы достигаете большего, что выглядит так?

«Большой рост — это просто найти нужных людей и дать им правильное сообщение в нужное время, по крайней мере, с вершины маркетинговой воронки. Данные могут быть очень важны в этом».

Однако более важные рычаги часто связаны с пониманием того, что пытаются сделать ваши клиенты. Люди часто создают продукты и ожидают, что они будут использоваться определенным образом, или ожидают, что людям они понравятся по той или иной причине, и людям это не всегда нравится по этим причинам. Есть много функций, которые мы создали в Mode, или о которых мы слышали от наших клиентов, которые говорили: «О да, это будет отличная вещь для X». И оказывается, что это не совсем то, почему людям это нравится, но им может понравиться это для Y. Если вы не смотрите на данные, чтобы понять поведение людей, что они делают, и пытаетесь понять, что мотивирует их делать эти вещи, вы часто будете думать: «О, отлично, мы запустили функцию, которая была действительно хороша для этого, и поэтому люди используют ее. Таким образом, мы действительно будем опираться на это». Но может случиться так, что вы на самом деле играете против того, как люди пытаются использовать продукт, и вместо этого вам следует сказать: «Эй, они используют его для Y. Давайте действительно создадим способы, которые позволят им делать это». Y вещь на нем.

«Речь идет о том, чтобы найти фактическое соответствие продукта рынку, а не то, которое, как вы предполагаете, у вас есть»

Например, была компания, которая была своего рода чат-продуктом для работы. Это был совместный продукт типа Slack, ориентированный на мобильные устройства. Первоначально они думали, что это будет отличный способ общения для передовых сотрудников. Это был бы отличный способ для людей, у которых нет адресов электронной почты, чтобы общаться. Если вы работаете кассиром в 7-11, у вас может не быть адреса электронной почты 7-11, но нам нужен способ корпоративного общения с этими людьми. Это было приложение для этого. Они получили некоторое признание, и они думали, что это из-за этих людей, у которых не было адресов электронной почты, но, просмотрев кучу данных, они поняли, что на самом деле это были люди, которые должны были быть в офисе и вне офиса. . Самым полезным было не то, что у них не было адреса электронной почты, а то, что они часто отсутствовали от своего компьютера. По сути, они использовали его как аналог WhatsApp для корпоративного чата.

Итак, если бы они думали, что речь идет о людях без адреса электронной почты, они, возможно, создали бы кучу функций, где вы подписываетесь со своим номером телефона, где вы делаете кучу вещей, которые позволяют сделать это тем, где вы не у меня нет настольного компьютера. Но на самом деле люди хотели, чтобы они могли иногда использовать компьютер, а затем уйти от него и получить действительно отличный мобильный опыт, пока они в дороге, или они делают доставку, или что-то еще. Это создает совершенно другой путь для этого продукта и компании, но они никогда не поймут этого, если не будут смотреть на данные, чтобы понять людей, которые на самом деле использовали его, и что они пытались с ним сделать. Речь идет о том, чтобы найти фактическое соответствие продукта рынку, а не то, которое, как вы предполагаете, у вас есть.

Новые инструменты, те же проблемы

Лиам: Как сейчас выглядит современный стек данных?

Бенн: Современный стек данных — это общий термин для нового набора инструментов данных, которые разрабатываются на основе продуктов данных, перемещаемых в облако. Ядром этого является хранилище данных. До 2010 года любой компании, которой требовалось хранилище данных, в котором вы храните все свои данные, обычно приходилось покупать что-то, физическую машину или физическое программное обеспечение, например, на компакт-диске, которое они затем запускали на машине, которую они своя. У нас будет серверная комната сзади, которая является нашей базой данных, и мы будем запускать в ней какую-то базу данных Oracle и все такое. По сути, с Redshift, который был одним из первых облачных хранилищ данных, люди начали перемещать все это в облако. Вместо того, чтобы покупать машину или программное обеспечение, я могу просто зайти на AWS и сказать: «Создайте для меня базу данных Redshift». Я могу сделать это в браузере за 15 минут, и мне не нужно ничего оборудование для этого. Множество инструментов было построено на этой идее: «Что, если бы все наши данные работали в облаке, и нам не нужно было бы иметь все это программное обеспечение, которое мы запускаем сами?» Современный стек данных как бы основан на представлении о том, как выглядит перемещение данных в облако. Есть куча способов определить это. Но в целом компания создавала эти очень горизонтальные продукты, которые будут просто получать данные из сторонних приложений.

«Мы добились значительных улучшений в качестве технологии, но основные проблемы, которые мы пытаемся решить, часто остаются упорными».

Скажем, у вас есть данные в Salesforce, Zendesk, Marketo или Stripe, продукты, которые просто загружают эти данные в ваше хранилище. У вас есть продукты, которые преобразуют и моделируют их на вашем складе — скажем, у вас есть куча беспорядочных данных, которые вы хотите превратить в чистые данные, поэтому у вас есть продукты, которые справятся с этим. Склад сам будет заниматься хранением. Существуют инструменты аналитики, такие как Mode, которые расположены поверх него для информационных панелей, для анализа, для возможности делиться и распространять эту работу. Кроме того, существует множество других инструментов, созданных для их поддержки. Теперь, когда у вас есть пять или шесть инструментов, работающих с инструментами обработки данных, вы хотите иметь возможность отслеживать их все. Все работает правильно? Запущены ли конвейеры из точки А в точку Б и работают ли они так, как я ожидаю? Если я хочу внести изменения в один из них, как мне организовать это изменение в системе?

Это становится гораздо более сложной экосистемой, но все это построено на этом основном потоке: каким-то образом принимать данные в хранилище, каким-то образом преобразовывать их в хранилище, каким-то образом создавать актив данных поверх данных в хранилище. , а затем каким-то образом отправить его тому, кому действительно нужно его увидеть.

Лиам: Может быть очень сложно заставить всех согласиться с цифрами, когда у вас разные информационные панели и инструменты, говорящие вам о разных вещах. Это вызов?

Бенн: Ага. Это один из парадоксов текущего состояния современного стека данных. Мы потратили почти 10 лет на создание этих продуктов, и они революционны во многих смыслах. Они делают вещи значительно лучше и значительно быстрее, чем 10 лет назад. Около 10 лет назад для запуска первоклассных баз данных вам пришлось бы тратить, скажем, миллион долларов в год. Вам придется платить за машины, которые его запускают. Обычно у вас должен был быть один или два человека, чья основная работа заключалась в том, чтобы управлять им. Сегодня вы можете получить склады быстрее, чем тот, который будет стоить вам 20 000 долларов в год, и вам не нужно, чтобы кто-то полностью им управлял. Я могу зайти на AWS, нажать кнопку и заплатить десятки тысяч долларов за то, что раньше обходилось мне примерно в пару миллионов долларов в год. И это лучший продукт.

Вы можете сделать то же самое заявление по всему стеку. Таким образом, инструменты аналитики улучшились. Таким образом, инструменты приема данных и инструменты конвейера улучшились. Мы добились значительных улучшений в качестве технологии, но основные проблемы, которые мы пытаемся решить, часто остаются упорными. Одна из основных проблем, с которыми мы сталкивались 10 лет назад, заключалась в том, что два человека вошли в комнату и сказали: «На моей панели управления написано это», а кто-то еще сказал: «На моей панели управления написано это». Они проводят всю встречу, вместо того, чтобы пытаться понять, что делать, споря о том, чей номер правильный. И мы до сих пор это делаем, этого еще много.

«Маркетинг и продажи существуют уже сотни лет. Мы все еще находимся на ранних стадиях понимания того, как это выглядит для профессии, связанной с данными».

Я слышал выступление генерального директора Databricks, одного из этих действительно современных складов, который во многом способствовал этим изменениям. Он говорил, что одна из самых частых жалоб, которую вы слышите от клиентов, заключается в том, что люди проводят все свое время, споря о цифрах и о том, какая из них правильная. Я думаю, что частью решения этой проблемы будет продолжение создания инструментов, которые могут взаимодействовать друг с другом и лучше работать вместе, а также систем, которые позволяют нам определить вещи один раз, чтобы, взглянув на панель, мы знали, что она взята из одного и того же места. . Но часть этого также будет заключаться в том, что организации будут выяснять, как работать с данными. Данные все еще относительно новая вещь. Большинство компаний начали использовать его по-настоящему в последние 10-15 лет. Мы все еще выясняем, как заставить это работать. В сообществе до сих пор ведется много разговоров о различных ролях, которые нам нужны, для чего они нужны и кто за что отвечает.

Инженерия не была практикой, которая развивалась в одночасье. ИТ не были практикой, которая возникла за одну ночь. Маркетинг и продажи существуют уже сотни лет. Мы все еще находимся на ранних стадиях понимания того, как выглядит профессия, связанная с данными. Я думаю, что это будет комбинация инструментов, которые мы создаем, и просто все начнут понимать: «Вот так это работает, а вот так нет», прежде чем мы действительно сможем преодолеть то, что кажется фундаментальными проблемами. .

Лиам: Абсолютно. Я думаю, что у каждого из самых разных отраслей будет своя история. Метрики подкастов, я думаю, вероятно, являются хорошим примером сложностей с данными. Загрузка обычно не равна общему количеству слушателей, потому что отдельный слушатель мог загрузить один и тот же эпизод на несколько устройств или он мог загрузить его с намерением прослушать, но так и не дошел до этого. Я знаю, что они пытаются внедрить стандартизированный способ измерения этих вещей, что, вероятно, произойдет повсеместно, я думаю, во многих отраслях.

Бенн: Если подумать об основных показателях веб-маркетинга, о том, как люди размещают рекламу и прочее, мы начали стандартизировать некоторые из них. Если вы перейдете к своей панели объявлений Facebook или панели объявлений Google, эти вещи будут выглядеть очень похоже. Они расскажут вам более или менее одну и ту же историю, потому что существует некоторая стандартизация того, как мы на самом деле говорим и выясняем, какая реклама работает хорошо, а какая нет. Вы видите это с некоторыми другими вещами. Вы видите это, например, в компаниях SaaS. У SaaS-компаний теперь есть стандартная книга метрик, из которой они все берутся. Есть несколько мест, где мы начинаем видеть это слияние, но в ближайшие годы их будет намного больше, например, что мы думаем о подкастах? Как мы думаем о конкретных типах продуктов? Как мы думаем об измерении производительности группы поддержки? Что мы думаем обо всех этих различных вещах, которые представляют собой данные, о которых у нас теперь гораздо больше информации, но каждая компания все еще пытается выяснить это индивидуально?

«Мы будем адаптироваться на основе лучших практик, а не пытаться делать это с нуля»

Я думаю, что будет некоторая стандартизация вокруг: «Это, вероятно, лучшая практика для размышлений о такого рода проблемах». Компании, очевидно, по-прежнему будут иметь некоторые индивидуальные отчеты, которые им необходимо делать. Этот подкаст может измерять вещи иначе, чем тот другой подкаст, потому что у вас может быть другая аудитория или другие цели. У каждого будут свои собственные настройки, но я думаю, что будет гораздо лучше ощущение: «Хорошо, это то, как мы все согласны». Мы будем адаптироваться на основе лучших практик, а не пытаться делать это с нуля. Многие компании, которые начинают свою практику работы с данными, часто пытаются создавать что-то с нуля. Я думаю, нам предстоит еще немного пройти, прежде чем мы доберемся до того момента, когда у вас будут леса, на которых мы все сможем построить.

Веб-фреймворки в некотором смысле являются примером этого. Если вы хотите создать веб-продукт или программное обеспечение, есть довольно четко определенные схемы, которые вы можете нарисовать, а затем добавить свою собственную логику, чтобы сделать ваше приложение именно тем, что вы хотели. У аналитики этого просто нет. Все начинают с нуля, вместо того, чтобы иметь такую ​​базовую структуру, на которой они могут строить.

Лиам: Что бы вы сказали стартапам, испуганным данными, которые смотрят на все это и немного беспокоятся по этому поводу?

Бенн: Это может случиться в стартапах, но также может случиться и в компаниях со зрелыми данными, в которых работают отдельные аналитики. Легко смотреть на пустую страницу или на перегруженную электронную таблицу Excel и думать: «Что мне делать?» Это легко сделать, если вы опытный аналитик, который только начинает понимать проблему, это легко сделать, если вы представляете компанию, которая еще не знает, что делать с данными, и это легко сделать, если вы младший аналитик, который только что куда-то присоединился и не знает, что делать.

«Нет ничего страшного в том, чтобы начинать с действительно простых вещей. Удивительно, как много базовой информации люди сочтут ценной».

Я думаю, что решение здесь одно и то же — можно начинать с действительно простых вещей. Удивительно, как много базовой информации люди сочтут ценной. Я знаю парня, который раз в неделю собирал свою команду по работе с данными, чтобы они по существу делились тем, что узнали за неделю. Некоторые из этих вещей были до глупости простыми. Компания была продуктом, созданным для бизнеса, поэтому его использовали с понедельника по пятницу. Они сделали диаграмму того, сколько людей используют его по дням недели, и, эй, большинство людей не используют его по выходным, а многие люди используют его по будням. Вы не совсем раскрываете там какое-то невероятное понимание. Все уже знали, как это работает, но, увидев эти цифры и то, насколько именно они упали по выходным — были некоторые выходные, когда они упали не очень сильно, а некоторые выходные, когда они упали на тонну — произвели кучу вопросов и любопытства по поводу того, что движет таким поведением. Почему в эти выходные люди, кажется, часто его используют? Что там произошло? Это послужило основой для гораздо большего: «Хорошо, давайте продолжим учиться. Продолжим задавать вопросы. Продолжаем копать».

Именно так я призываю людей начинать. Просто начните с основных вещей, даже если это предположения, которые вы делаете. Как только вы начнете смотреть на числа, вы увидите вещи, которые заставят вас задуматься и почесать в затылке, и заставят вас осознать, что здесь так много всего, чего вы не понимаете, что вас интересует. Во многом это просто позволить себе быть захваченным этим любопытством и не говорить: «Мне нужно открыть для себя что-то удивительное. Мне нужно найти ту иголку в стоге сена, которая изменит траекторию развития компании в первый же день». 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. Что дальше? 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.