Mode'un kurucusu Benn Stancil, veri biliminin daha iyi kararlar almamıza nasıl yardımcı olabileceği konusunda

Veri analizi, gösterişli panolar oluşturmakla ilgili değildir - müşterinin ne istediğini ve oraya nasıl ulaşacağını daha iyi anlamanıza yardımcı olan uzun, yinelemeli, işbirliğine dayalı bir süreçtir.

Daha doğrusu öyle olmalı. Tüm kararların alındığı monitörler ve ayrıntılı panolarla dolup taşan bir odanın klişeleşmiş görüntüsü gerçek değil ve bundan uzaklaşmamızın zamanı geldi. Veri analistlerinin ve veri bilimcilerinin verileri analiz etmesine, görselleştirmesine ve paylaşmasına yardımcı olmak için tasarlanmış bir platform olan Mode'un kurucu ortağı ve Baş Analitik Sorumlusu Benn Stancil'e göre, gerçek günlük çalışmalarının çoğu ürün yöneticileriyle oturmayı ve çeşitli şeylerle uğraşan, birlikte bir iş sorununu çözmeye çalışan iş liderleri.

İşin aslı şu ki, veri bilimi bir alan olarak hala nispeten yeni. Bu nedenle, birçok iş lideri, tüm gösterge tabloları ve araçlar farklı çözümlere işaret ediyor gibi göründüğünde, nasıl başlayacağından, bundan nasıl yararlanacağından veya ne yapacağından tam olarak emin değil. Ancak Benn'in işaret ettiği gibi, veri analizinin geleceği bir mimari diyagram veya gösterge tablolarına bakan iş liderleri değil - bir deneyim inşa ediyor ve bu konuda çok heyecan verici.

Bu hafta, Benn ile modern veri yığını ve verilerin büyümeyi sağlamak için nasıl kullanılabileceği ve daha da önemlisi nasıl kullanılması gerektiği hakkında sohbet etme zevkini yaşadık.

Zamanınız kısıtlıysa, işte birkaç hızlı paket:

• Veri bilimi geleceği tahmin edemese de kaynaklara odaklanmanıza, sorunları gidermenize ve hatta yeni pazarların kilidini açmanıza kesinlikle yardımcı olabilir.
• Veri analizinden elde edilen herhangi bir içgörü, yalnızca verinin kendisi kadar iyi olacaktır. Bu konuda herhangi bir sonuç çıkarmadan önce verilerinizin doğru olduğundan emin olun.
• Müşterilerinizin ürünlerinizi neden kullandığını anlamak için verilere bakmadığınız sürece, onların motivasyonlarına ilişkin beklentilerinize dayalı kararlar vermekten kaçının.
• Verileri işlemek için en iyi uygulamalar üzerinde daha fazla standardizasyon gördüğümüz için, artık süreci sıfırdan tasarlamak gerekli olmayacak, bunun yerine en üste inşa etmek ve bunları her bir kullanım durumuna uyarlamak gerekecek.
• Sonsuz satırlara ve sütunlara bakmak, deneyimli bir veri analisti için bile göz korkutucu olabilir. Şüpheye düştüğünüzde, bazı temel ürün varsayımlarıyla uğraşmaya başlayın ve oradan devam edin.

Tartışmamızdan hoşlanıyorsanız, podcast'imizin diğer bölümlerine göz atın. iTunes, Spotify'da takip edebilir veya seçtiğiniz oynatıcıdaki RSS beslemesini alabilirsiniz. Aşağıda bölümün hafifçe düzenlenmiş bir transkripti var.

Analitiklere giriş

Liam Geraghty: Benn, bugün bize katıldığınız için çok teşekkür ederim.

Benn Stancil: Burada olmak harika.

Liam: Öncelikle bize biraz özgeçmişinizden, ne yaptığınızdan ve bu noktaya nasıl geldiğinizden bahseder misiniz?

Benn: Temelde kariyerime tamamen farklı bir dünyada başladım. Politika dünyasına bir düşünce kuruluşunda ekonomi araştırmacısı olarak başladım. Orada birkaç yıl geçirdim, işi gerçekten sevdim ve temel olarak sorunları verilerle çözmeye çalışma fikrini sevdim. Benim işim dünya ekonomisinde neler olup bittiğine bakmaktı – o zamanlar 2010 gibiydi ve bu yüzden her şey bir şekilde dağılmıştı – ve sonra bununla ilgili verilere bakmak ve politika yapıcıların ne yapması gerektiğine dair tavsiyeler bulmaya çalışmaktı. .

Kavramsal olarak gerçekten ilginçti, ancak bir düşünce kuruluşunda genç bir kişi olarak Fed'in ne yapması gerektiği konusunda önerilerde bulunursanız, kimse size gerçekten dikkat etmez. Bu tür bir iş yapma fikrini seviyorum, ancak bunu, insanların çözmeye çalıştığı problemlerle daha doğrudan ilgili olacak, fikirlerinizin veya tavsiyelerinizin işe yarayıp yaramadığını gerçekten görebileceğiniz bir şekilde yapmak istedim. San Francisco'daki bir teknoloji şirketindeki o işten analitik işine bu şekilde geçtim. Bu benim teknolojideki ilk işimdi. Orada birkaç yıl analist veya veri bilimcisi olarak çalıştım. Hangi ürünlerin sevk edileceği, hangi kitlelerin hedefleneceği veya işletmenin belirli alanlarda iyi performans gösterip göstermediği konusunda karar vermelerine yardımcı olmak için pazarlamacılar, ürün yöneticileri veya operasyon çalışanları ile çalışmak olan bir kişiydim. diğerleri. DC'de yaptığım şeye benziyordu ama çok farklı bir alana uygulandı.

"Üç kişilik bir şirketin birinin oturma odasından yüzlerce kişilik bir şeye yaptığı yolculuk, sürekli yeni şeylerle karşılaştığınız bir yolculuktur."

Oradan bazı insanlarla tanıştım, benim gibi insanların ihtiyaçlarını ve ne tür araçlar istediğimizi, henüz ne tür araçların bulunmadığını fark etmeye başladım ve sonunda bu vizyona dayalı Mod'u yarattım.

Liam: Başlangıç ​​yolculuğunda Mode ile bu noktaya gelmek zor oldu mu?

Ben: Kesinlikle. Her başlangıç ​​bir meydan okuma olacak ve Mod farklı değil. Modun birçok iniş ve çıkışları oldu. Bir yandan çok zorlu geçti. Her gün farklı problemler üzerinde çalışıyorsunuz, daha önce hiç ummadığınız şeyler. Eminim çok iyi biliyorsunuzdur, üç kişilik bir şirketin birinin oturma odasından yüzlerce kişilik bir şeye yaptığı yolculuk, sürekli olarak yeni şeylerle karşılaştığınız bir yolculuktur, birinci ayda yaşadığınız problemler buradadır. ikinci ayda yaşadığınız sorunlardan farklı.

Her gün, daha önce çözmeyi hiç düşünmediğiniz yeni bir şey öğrenmek zorunda kalıyorsunuz. “Bu özel şeyde gerçekten iyi olacağım” gibi değil. Bu işte iyi olduğunuz gibi, bir sonrakine geçersiniz. Bu anlamda çok zorlu geçti. Ancak harika bir ekibimiz var. Çalışanları olsun ya da olmasın, erken müşteri olan insanlar olsun ya da olmasın, sadece arkadaş ve aile olsunlar ya da olmasınlar şirketi destekleyen harika insanlar ve buna katlanan insan türleri var. onunla birlikte giderken sen. Zor bir işti, ancak bunu yapmak için pek çok insanın desteğine sahip olmak çok iyi bir deneyim oldu. Bence Silikon Vadisi'ndeki insanlar, kendilerine ve şirketlerinin başarılı olmasına yardımcı olmaya adanmış bütün bir ekosisteme sahip olmaktan özellikle ayrıcalıklıdır. Bunu başka yerlerde yapsaydınız, bence çok daha zor olurdu.

Hangi veriler yapabilir ve yapamaz

Liam: Veri bilimi, uygulamalarında ve diğer sistemlerinde halihazırda topladıkları bilgileri kullanarak karar verme süreçlerini geliştirmek isteyen işletmeler için önemli olan şeydir. Şirketinizin Modu burada devreye giriyor. Oluşturduğunuz platformdan ve veri bilimcilerine nasıl yardımcı olduğundan biraz bahseder misiniz?

Ben: Kesinlikle. Şirketler verileri birçok farklı şekilde kullanır. Bunu düşünmenin kolay yolu, insanların karar verdiği panolar ve çizelgelerle dolu odalar gibi, filmlerdeki ve diğer şeylerdeki karikatürlerde gördüğünüz şeyleri düşünmektir. Bu açıkçası olmuyor. İnsanların gösterge panoları var ve hepimiz şirketlerin nasıl performans gösterdiğini ve bu tür şeyleri kontrol ediyoruz. Ancak, verileri etkili bir şekilde kullanmanın günlük işlerinin çoğu, bir veri uzmanıyla birlikte bir sorunu birlikte çözmeye çalışan ve bazı kararlar almalarına yardımcı olmak için sahip oldukları soruları yanıtlamaya çalışan bir veri uzmanından gelir.

"Ürün müdürü bir ekrana bakıp 'Aha, tam da ihtiyacımız olan şey bu' demeyecek."

Hangi ürünün üretileceğine karar vermek isteyen bir ürün yöneticisi olduğunuzu hayal edin. İnsanların değiştirmeyi düşündüğünüz mevcut özellikleri nasıl kullandığını anlamak isteyebilirsiniz. Farklı insan türleri onu farklı şekillerde mi kullanıyor? Yapmaya çalıştıkları ama zorlandıkları şeyler var mı? Sahip oldukları hedefleri gerçekleştirebilecekler mi? Tüm bunlar, bu çok özel soruları gerektirir ve bu, bir gösterge panosuna bakarak yanıtlayabileceğiniz bir süreç değildir. Ürün müdürü bir ekrana bakıp "Aha, tam da ihtiyacımız olan şey bu" demeyecek. Bu, müşterilerinin ne istediğini giderek daha fazla anlama, ardından bir karar verme ve “Hey, bence bunu inşa etmeliyiz. Bunun inşa edilecek doğru özellik olduğunu düşünüp düşünmediğimizi anlamak için biraz analiz yapalım.”

Mod, gerçekten insanların bunu yapmasını sağlamakla ilgilidir. Bu, analistin bu tür bir işi yapmasını sağlamakla ilgilidir, böylece diğer insanlar için soruları çok hızlı ve kolay bir şekilde yanıtlayabilirler. Ve sonra, bunu nasıl dağıtıyorlar ve bu insanlarla da işbirliği içinde olduğundan emin oluyorlar - bir analist öylece bir boşluğa girip bu soruları cevaplayamaz, bunu yapmak için ürün müdürüyle birlikte çalışmak zorundadır. Gerçekten etkinleştirmek istediğimiz şey bu. Ve bir kez bu tür cevaplar aldığınızda, onları yeniden kullanılabilir bir şeye dönüştürebilir misiniz? Bunları kolayca geri dönülebilecekleri ve denetlenebilir hale getirebilir misiniz? Bunun özünde, işleri hakkında bir şeyler anlaması ve soruları yanıtlaması gereken insanlara, genellikle bu yanıtları yönlendiren analistlerle daha akıcı bir şekilde çalışmalarını sağlayarak yardımcı olmakla ilgilidir.

Liam: Mutlu bir sonuca sahip olan ve pek de fazla olmayan bir veri hikayesi veya örneği nedir? Örneğin, sadece benim gibi parmaklarını veri havuzuna sokan insanlar için.

Benn: Birkaç mutlu sonuç. Temelde bir grup müşterisine video sunan bir şirket vardı - ürünleri küresel bir video platformu. Dünyanın dört bir yanındaki insanlar için nasıl daha iyi hale getirileceğini bulmaya çalışıyorlardı ve bazı ülkelerin çok iyi performans gösterme eğiliminde olduğunu ve bazı ülkelerin yapmadığını fark ettiler ve neden olduğundan tam olarak emin değillerdi. Onlar, “Ah, bu ülkede harika gidiyoruz ve bu ülkede harika gidiyoruz, ancak diğerlerinde o kadar iyi yapmıyoruz.

"[Araştırmamız], başlangıçta planladıkları diğer deney türlerinden geçmek zorunda kalmadan bu ürün için yeni pazarlar açtı"

Bir sürü analiz yaptıktan ve inceledikten sonra, veri merkezlerinin veya AWS ortamlarının bulunduğu yerler nedeniyle bazı ülkelerde videoların çok yavaş olduğunu fark ettiler. Bunun kültürel bir şey olduğunu, uluslararasılaşmayla ilgili bir şey olduğunu, belki orada yanlış bir şey yaptıklarını düşündüler. Belki de belirli kitlelerde yankı uyandırmayan veya farklı ülkelerde farklı kullanım durumlarına sahip farklı insan türleri tarafından benimsenen ürünle ilgili bir şeydi. Çözmeye çalışabilecekleri bir sürü farklı şeyleri vardı, "Belki bir sürü uluslararasılaştırma yatırımı yapmalıyız, belki de bu tür kitlelere satış yapmak istiyorsak farklı özelliklere yatırım yapmalıyız çünkü onlar Sorunları farklı düşünün.” Yine bir video platformuydu, bu yüzden belki farklı içeriklere yatırım yapmak zorunda kaldılar.

Ama sonuçta daha basit bir şey oldu. Bu ülkelerde uygulama çok yavaştı, videolar çok fazla ara belleğe alındığı için insanlar hüsrana uğradı ve bu iyi bir deneyim değildi. Bunu, “Hey, ürünümüzü AWS'deki daha fazla veri merkezine koyalım” diyerek veya kullandıkları herhangi bir barındırma ürününde çözebilirler. Önemsiz bir çözüm değil, ancak farklı uluslararası izleyiciler için tamamen yeni içeriğin nasıl oluşturulacağını bulmak zorunda olmakla karşılaştırıldığında zor bir çözüm değil. Bu ürün için, bazı ülkelerde başarılı olduklarını ve diğerlerinde başarılı olmadıklarını anladıklarında, başlangıçta planladıkları diğer deney türlerinden geçmek zorunda kalmadan, bu ürün için yeni pazarlar açtı.

Liam: Kesinlikle. Bu harika bir örnek.

Benn: Olumsuz veri hikayeleri açısından, sanırım birkaç örnek var. İnsanların veriye dayalı kararlar vermeye çalışacakları ve sonunda işe yaramayan bir şey yapacakları durumlar kesinlikle vardır. Bunun bir kısmı, verinin doğasıdır – size az çok olasılığa dayalı bir şey söylüyor. “Bir zar atıp bir ile beş arasında mı yoksa altı arasında mı kalacağıma bahse gireyim mi?” diye sorarsanız. Size şunu söyleyebilirim, "Yapmanız gereken doğru şey, birden beşe bahse girmek, bunun için şansınız çok daha yüksek." Bu doğru veriye dayalı analizdir, ancak bazen kaybedebilirsiniz. Bir ürün geliştiriyorsanız veya bir iş için yalnızca bir kez yapabileceğiniz bir karar alıyorsanız, geriye dönüp “Aslında, hadi bir daha yuvarlayalım ve beşte bir olana kadar devam edelim” diyemezsiniz. Belki birden beşe bahse gireriz ve altı atarız. İşte böyle gidiyor.

"Bu, ürün ve işletme olarak daha fazla veri odaklı olmaya çalışmanın bir parçası - her zaman tam olarak doğru alamayacaksınız"

Verilerin mükemmel olmadığı bu türden birçok örnek var. Veriler size geleceği söylemeyecek. Size neler olabileceğine dair bir fikir verebilir, ancak karar veren, muhtemelen analizi gerçekten iyi yapan, karar vermeden önce sağlam bir karar veren ve sonra sonuç pek iyi olmayan insanlar hakkında birçok hikaye var. başarmak. Birçok insanla konuştuğumuz şeylerden biri, bununla iyi olmak. Bu, bir ürün ve işletme olarak daha fazla veri odaklı olmaya çalışmanın bir parçası – her zaman tam olarak doğru alamayacaksınız. Geleceğin tam olarak ne olacağını size her zaman söylemesini bekleyerek verilerin ne olduğuna dair inancınızı kaybedemezsiniz.

Çöp içeri çöp dışarı

Liam: Pekala, bunun arkasından, sonunda gösterge panosuna ulaşmak için verilerin izlediği yolculuğu düşünmek ne kadar önemli?

Benn: Tüm bunlarla ilgili kesinlikle bir “çöp içeri, çöp dışarı” tipi bir süreç var ve bence bu oldukça iyi anlaşıldı. Çoğu insan veri kalitesinin önemli olduğunu anlıyor. Satış hattımız ve farklı müşterilerin bir satış hattında ne kadar iyi ilerlediği ve satış hunisinin hangi aşamalarının iyi performans gösterdiği ve hangilerinin çalışmadığı hakkında kararlar vermeye çalıştığımızı varsayalım, anlaşmaların her zaman askıda kaldığı sonucuna varabilirsiniz. BT ve güvenlik konusunda insanlarla ürünümüzün standartlarını karşılayıp karşılamadığı hakkında konuştuğumuzda güvenlik incelemesinde yukarı çıkıyor ve bu nedenle buna çok daha fazla odaklanmamız gerekiyor. Sonucumuz bir satış ekibi tarafından manuel olarak girilen verilere dayanıyorsa, bu, satış ekibinin bu verileri Salesforce'a girme konusunda daha özensiz olduğu sürecin bir parçası olabilir ve bu nedenle, bu sonuç bir yansıma olmayabilir. gerçekliğin. Bununla ilgili herhangi bir gerçek sonuç çıkarmadan önce verilerinizin gerçekten doğru olduğundan emin olmak için tüm çalışmaları önceden yapmanız gerekir.

"Sayıları uyduruyor olmaları ya da kötü veri kullanıyor olmaları şart değil - sadece ilginç bir şey aradığınızda onu bulmaya çok daha meyilli oluyorsunuz"

Bu "çöp içeri, çöp dışarı" etrafında benzer bir dinamik olduğunu düşündüğüm başka bir yol daha var. Bir sürü farklı analiz yapabilir ve bir probleme 10 farklı perspektiften baktığınızı söyleyebilirsiniz, buna nasıl baktığınız önemli olacaktır. Belirli bir şekilde görünen bir bakış açısı olacak ve bu analiz kendi başına sağlam olabilir. Ama insanlara, "Hey, 10 şey denedik, dokuzu bir şey önerdi, ama bu 10'uncusu başka bir şey önerdi" demedikçe ve sonra aykırı olan şeyi öneren 10. şey çok olumlu görünüyor…

İnsanların temelde akademik makaleler yazdığı akademik bilgisayar korsanlığı türündeki çalışmalarda bununla ilgili çok şey duyuyorsunuz ve şu soru var, “Sonuç mu arıyorlar?” Cevap, elbette, onlar. Akademisyenler bunun için para alıyor. İlginç bir şey bulmak istiyorlar. Rakamları uyduruyor olmaları ya da kötü veri kullanıyor olmaları gerekmez - sadece ilginç bir şey aradığınızda, bu ilginç şey gerçek olmasa bile onu bulmaya çok daha yatkınsınızdır. .

Analistler de aynı eğilimden muzdarip olabilir. Bizim işimiz ilginç bir şey bulmak. Büyük toplantıda ayağa kalkıp "Bu gerçekten dramatik şeyi ortaya koyan şu tabloya bakın" diyen kişi olmak istiyoruz. Her zaman bu şeyleri arıyorsanız, yine, 10'dan dokuzunda, onu bulamazsınız. Ancak 10. kez yaptığınızda, "Hey, önce bir sürü başka şey denedik" demek önemlidir. Bu, bulduğunu sandığın şeyin gerçek olup olmadığını anlamana yardımcı olur.

Liam: Dışarıdaki yeni başlayanlar için, büyümeyi sağlamak için veriler nasıl kullanılabilir?

Benn: Bir sürü yol. Çoğu insan, bunu, insanların aşağılayıcı bir şekilde pazarlama olarak adlandırmanın yeni bir yolu olarak adlandırdığı büyüme korsanlığı gibi kullanır, ancak onu bu şekilde çok fazla kullanabilirsiniz. Müşterilerinizi daha iyi anlamak, kiminle konuşacağınızı bilmek için kullanabilirsiniz. Çok fazla büyüme, sadece doğru insanları bulmak ve onlara doğru zamanda, en azından pazarlama hunisinin tepesinden doğru mesajı vermektir. Veriler bu konuda gerçekten önemli olabilir. Huninize kimlerin geldiğini, ne dediklerini ve ne kadar ileri gittiklerini nasıl anlayabilirsiniz? Bu insanlar kim ve böyle görünen daha fazla kişiye nasıl ulaşırsınız?

"Çok fazla büyüme, sadece doğru insanları bulmak ve onlara doğru zamanda, en azından pazarlama hunisinin tepesinden doğru mesajı vermektir. Veriler bu konuda gerçekten önemli olabilir.”

Bununla birlikte, daha önemli kaldıraçlar, genellikle müşterilerinizin ne yapmaya çalıştığını anlamakla ilgilidir. İnsanlar genellikle ürünler yapar ve bunların belirli bir şekilde kullanılmasını bekler veya insanların bir nedenden dolayı onları sevmesini bekler ve insanlar her zaman bu nedenlerden hoşlanmazlar. Mode'da oluşturduğumuz veya müşterilerimizden "Ah evet, bu X için harika bir şey olacak" dediklerini duyduğumuz birçok özellik var. Ve ortaya çıktı ki, insanların bundan hoşlanmamasının asıl nedeni bu değil, ama Y için sevebilirler. İnsanların ne yaptıklarının davranışlarını anlamak için verilere bakmadığınız ve onları bu şeyleri yapmaya neyin motive ettiğini anlamaya çalışmadığınız sürece, Sık sık, "Harika, bunun için gerçekten iyi olan bir özelliği kullanıma sunduk ve bu yüzden insanlar onu kullanıyor" diye düşüneceksiniz. Yani, gerçekten buna yaslanacağız. ” Ancak, aslında insanların ürünü kullanma şekline karşı oynuyor olabilirsiniz ve bunun yerine, "Hey, onu Y için kullanıyorlar. Haydi, gerçekten onların bunu yapabilmelerini sağlayacak yollar geliştirelim" demelisiniz. Üzerindeki Y şey."

“Bu, sahip olduğunuzu varsaydığınız üründen ziyade gerçek ürün pazarına uygun olanı bulmakla ilgilidir”

Örnek olarak, esasen iş için bir tür sohbet ürünü olan bir şirket vardı. Mobil odaklı, işbirlikçi, Slack tipi bir üründü. Başlangıçta bunun ön saflardaki çalışanların iletişim kurması için harika bir yol olacağını düşündüler. E-posta adresi olmayan kişilerin iletişim kurması için harika bir yol olurdu. 7-11'de kasiyerseniz, 7-11 e-posta adresiniz olmayabilir, ancak bu insanlarla kurumsal konuşma yapabilmemiz için bir yola ihtiyacımız var. Bu bunun için bir uygulamaydı. Biraz evlat edindiler ve bunun e-posta adresleri olmayan bu insanlar yüzünden olduğunu düşündüler, ancak bir sürü veriye baktıktan sonra, aslında ofise girip çıkması gerekenlerin aslında insanlar olduğunu fark ettiler. . En yararlı şey, bir e-posta adresine sahip olmamaları değildi - bilgisayarlarından çok uzakta olmalarıydı. Esasen onu kurumsal sohbet yerine WhatsApp türü olarak kullanıyorlardı.

Yani, bunun bir e-posta adresi olmayan insanlarla ilgili olduğunu düşünselerdi, telefon numaranızla kaydolduğunuz, bunu yapmadığınız yerde bunu mümkün kılan bir sürü şey yaptığınız bir dizi özellik oluşturmuş olabilirler. masaüstü bilgisayar yok. Ancak insanların aslında istediği şey, bazen bir bilgisayarı kullanabilecekleri ve sonra ondan uzaklaşıp yoldayken veya teslimat yaparken ya da her neyse, gerçekten harika bir mobil deneyim yaşayabilecekleri bu deneyimdi. Bu, o ürün ve şirket için çok farklı bir yol yaratır, ancak onu gerçekten kullanan insanları ve onunla ne yapmaya çalıştıklarını anlamak için verilere bakmadıkça bunu asla anlayamazlardı. Bu, sahip olduğunuzu varsaydığınız ürün pazarı yerine gerçek ürün pazarına uygun olanı bulmakla ilgilidir.

Yeni araçlar, aynı sorunlar

Liam: Modern veri yığını şu anda neye benziyor?

Benn: Modern veri yığını, buluta taşınan veri ürünlerinin arkasında geliştirilmekte olan yeni veri araçları seti için kapsamlı bir terimdir. Bunun çekirdeği veri ambarıdır. 2010'dan önce, tüm verilerinizi depoladığınız bir veri ambarı isteyen herhangi bir şirket, genellikle bir şey, fiziksel bir makine veya CD'deki gibi fiziksel bir yazılım satın almak zorundaydı ve daha sonra çalıştıracakları bir makinede çalışacaklardı. sahip olmak. Arkada bizim veritabanımız olan bir sunucu odamız olurdu ve üzerinde bir miktar Oracle veritabanı çalıştırıyor olurduk, hepsi bu. Temel olarak, ilk bulut veri ambarlarından biri olan Redshift ile insanlar tüm bunları buluta taşımaya başladı. Bir makine veya yazılım satın almak yerine AWS'ye gidip "Benim için bir Redshift veritabanı döndürün" diyebiliyorum, bunu tarayıcımdan 15 dakikada yapabiliyorum ve aslında herhangi bir şeye sahip olmam gerekmiyor. Bunu yapmak için donanım. "Tüm verilerimizi bulutta çalıştırsaydık ve kendimiz çalıştırdığımız tüm bu yazılımlara sahip olmak zorunda olmasaydık?" deme fikri üzerine bir sürü araç geliştirildi. Modern veri yığını, verilerin buluta taşınmasının nasıl göründüğü fikrine benzer. Bunu tanımlamanın bir çok yolu var. Ancak genel olarak, yalnızca üçüncü taraf uygulamalardan veri alacak olan bu çok yatay ürünleri oluşturuyor.

"Teknolojinin kalitesinde bu çarpıcı gelişmelere sahibiz, ancak çözmeye çalıştığımız temel sorunlar genellikle inatla ısrarcı"

Salesforce veya Zendesk veya Marketo veya Stripe'de verileriniz olduğunu, bu verileri yalnızca deponuza alacak ürünler olduğunu varsayalım. Onu dönüştürecek ve deponuzda modelleyecek ürünleriniz var - diyelim ki temiz verilere dönüştürmek istediğiniz bir sürü dağınık veriniz var, dolayısıyla bunu yönetecek ürünleriniz var. Deponun kendisi depolama yapacak. Panolar, analiz, bu işi paylaşabilmek ve dağıtabilmek için üstte duran Mod gibi analitik araçları vardır. Ve sonra, bunları desteklemek için oluşturulmuş bir sürü başka araç var. Artık veri araçlarınızı çalıştıran beş veya altı aracınız olduğuna göre, hepsini izleyebilmek istiyorsunuz. Her şey yolunda mı? A noktasından B noktasına giden boru hatları çalışıyor mu ve beklediğim gibi çalışıyor mu? Birinde değişiklik yapmak istersem, bu değişikliği sistemde nasıl düzenlerim?

Bu çok daha karmaşık bir ekosistem haline geliyor, ancak hepsi bir şekilde bir ambarda veri almak için bir şekilde, bir ambarda bir şekilde dönüştürmek için, bir şekilde ambardaki verilerin üzerine bir veri varlığı oluşturmak için bir şekilde bu temel akış üzerine inşa edildi. , ve sonra onu gerçekten görmesi gereken kişiye göndermenin bir yolu.

Liam: Size farklı şeyler söyleyen farklı gösterge tablolarınız ve araçlarınız olduğunda, herkesin sayılar üzerinde anlaşmasını sağlamak çok zor olabilir. Bu bir meydan okuma mı?

Ben: Evet. Bu, modern veri yığınının mevcut durumunun paradokslarından biridir. Bu ürünleri oluşturmak için yaklaşık 10 yıl harcadık ve birçok anlamda devrim niteliğindeler. İşleri 10 yıl öncesine göre çok daha iyi ve çok daha hızlı yapıyorlar. Yaklaşık 10 yıl önce, birinci sınıf veritabanları için, onu çalıştırmak için yılda bir milyon dolar harcamanız gerekirdi. Onu çalıştıran makineler için ödeme yapmanız gerekir. Genellikle tam zamanlı işi onu yönetmek olan bir veya iki kişiye sahip olmanız gerekir. Bugün, size yılda 20.000 dolara mal olacak olan depolardan daha hızlı bir şekilde depolara sahip olabilirsiniz ve bunu tamamen yönetmek zorunda değilsiniz. AWS'ye gidebilir, bir düğmeye basabilir ve bana yılda muhtemelen birkaç milyon dolara mal olan bir şey için on binlerce dolar ödeyebilirim. Ve daha iyi bir ürün.

Aynı iddiayı tüm yığın boyunca yapabilirsiniz. Analitik araçları bu şekilde gelişmiştir. Veri alma araçları ve işlem hattı araçları bu şekilde iyileştirildi. Teknolojinin kalitesinde bu çarpıcı gelişmeler oldu, ancak çözmeye çalıştığımız temel sorunlar genellikle inatla ısrarcı. 10 yıl önce yaşadığımız temel sorunlardan biri, iki kişinin bir odaya girip "Gösterge panelim bunu söylüyor" demesi ve bir başkasının "Gösterge panelim bunu söylüyor" demesiydi. Kimin numarasının doğru olduğunu tartışarak, ne yapacaklarını bulmaya çalışmak yerine tüm toplantıyı harcıyorlar. Ve hala bunu yapıyoruz, hala bunlardan çok var.

“Pazarlama ve satış yüzlerce yıldır var. Veri mesleği için neye benzediğini bulmanın hala erken aşamalarındayız”

Bu değişikliğin çoğunu yönlendiren bu gerçekten modern depolardan biri olan Databricks'in CEO'sundan bir konuşma duydum. Müşterilerden duyduğunuz en yaygın şikayetlerden birinin, insanların tüm zamanlarını sayılar ve hangisinin doğru olduğu üzerinde didişerek geçirmesi olduğunu söylüyordu. Bence bu sorunu çözmenin bir parçası, birbiriyle konuşabilen ve birlikte daha iyi çalışabilen araçlar ve bir şeyleri bir kez tanımlamamıza izin veren sistemler oluşturmaya devam edecek, böylece bir gösterge panosuna baktığımızda, aynı yerden çekildiğini bildiğimizi düşünüyorum. . Ancak bunun bir kısmı da, verilerle nasıl çalışılacağını bulan kuruluşlar olacak. Veriler hala nispeten yeni bir şey. Çoğu şirket, son 10, 15 yılda gerçek bir şekilde kullanmaya başladı. Hala bunu nasıl yapacağımızı bulmaya çalışıyoruz. Toplulukta, ihtiyacımız olan farklı roller, bunların ne işe yaradığı ve kimin neyden sorumlu olduğu hakkında hâlâ birçok konuşma var.

Mühendislik bir gecede gelişen bir uygulama değildi. BT bir gecede gelişen bir uygulama değildi. Pazarlama ve satış yüzlerce yıldır var olmuştur. Veri mesleği için neye benzediğini anlamanın henüz erken aşamalarındayız. Bence bu, inşa ettiğimiz araçların bir kombinasyonu olacak ve sadece herkes, temel problemler gibi görünen sorunları gerçekten aşmadan önce, "Bu böyle çalışır ve bu böyle olmaz," diye anlamaya başlar. .

Liam: Kesinlikle. Her sektörden herkesin kendi hikayeleri olacağını düşünüyorum. Podcast ölçümleri, bence, muhtemelen verilerle ilgili komplikasyonlara iyi bir örnek. Bir indirme genellikle toplam dinleyici sayısına eşit değildir, çünkü bireysel bir dinleyici aynı bölümü birden fazla cihaza indirmiş olabilir veya onu dinlemek amacıyla indirmiş olabilir, ancak hiçbir zaman ona ulaşamadı. Bu şeyleri ölçmek için standart bir yol sunmaya çalıştıklarını biliyorum, ki bu muhtemelen pek çok endüstri için genel olarak gerçekleşecek.

Benn: Temel web pazarlama ölçütlerini ve insanların reklamları ve diğer şeyleri nasıl yayınladığını düşünürseniz, bunlardan bazılarını standartlaştırmaya başladık. Facebook reklam panonuza veya Google reklam panonuza giderseniz, bunlar oldukça benzer görünecektir. Size aşağı yukarı aynı hikayeyi anlatacaklar çünkü gerçekte nasıl konuştuğumuza ve hangi reklamların iyi performans gösterdiğine göre nasıl performans gösterdiğine dair bazı standartlar var. Bunu başka şeylerle birlikte görüyorsunuz. Bunu örneğin SaaS şirketlerinde görüyorsunuz. SaaS şirketlerinin artık hepsinin yararlandığı standart bir ölçüm kitabı var. Bu birleşmeyi görmeye başladığımız birkaç yer var, ancak önümüzdeki yıllarda bundan çok daha fazlası olacak, nerede, podcast'ler hakkında nasıl düşünüyoruz? Belirli ürün türleri hakkında nasıl düşünüyoruz? Bir destek ekibinin performansını ölçmeyi nasıl düşünüyoruz? Şu anda hakkında çok daha zengin bilgilere sahip olduğumuz ancak her şirketin hala bireysel olarak çözmeye çalıştığı veriler olan tüm bu farklı şeyler hakkında nasıl düşünüyoruz?

“Bunu sıfırdan yapmaya çalışan herkes yerine en iyi uygulamalardan adapte olacağız”

Sanırım, "Bu, bu tür sorunları düşünmek için muhtemelen en iyi uygulama bu." Şirketler hala yapmaları gereken bazı ısmarlama raporlara sahip olacaklar. Bu podcast, farklı hedef kitleleriniz veya farklı hedefleriniz olabileceğinden, diğer podcast'ten farklı bir şekilde ölçmek isteyebilir. Herkesin üzerinde kendi ince ayarları olacak, ama bence çok daha iyi bir his olacak, "Tamam, bu hepimizin işe yaradığı konusunda hemfikiriz." Bunu sıfırdan yapmaya çalışan herkes yerine en iyi uygulamalardan adapte olacağız. Veri uygulamalarına başlayan birçok şirket, genellikle bir şeyleri sıfırdan inşa etmeye çalışıyor. Hepimizin üzerine inşa edebileceğimiz iskelenin olduğu noktaya gelmeden önce gitmemiz gereken biraz yol olduğunu düşünüyorum.

Web çerçeveleri, bazı yönlerden bunun bir örneğidir. Bir web ürünü veya yazılımı oluşturmak istiyorsanız, uygulamanızı tam olarak istediğiniz gibi yapmak için kendi mantığınızı eklediğiniz yerden çizebileceğiniz oldukça iyi tanımlanmış ana hatlar vardır. Analytics tam olarak buna sahip değil. Herkes, üzerine inşa edebilecekleri bir tür çekirdek çerçeveye sahip olmak yerine sıfırdan başlar.

Liam: Her şeye bakan ve bu konuda biraz endişeli hisseden verilerle yıldırılan girişimlere ne söylersiniz?

Benn: Bu, yeni kurulan şirketlerde olabilir, ancak aynı zamanda bireysel analistlere sahip veri olgunluğuna sahip şirketlerde de olabilir. Boş bir sayfaya veya aşırı yüklenmiş bir Excel elektronik tablosuna bakıp "Bu dünyada ne yapıyorum?" diye düşünmek kolaydır. Bir sorunu yeni anlamaya başlayan deneyimli bir analistseniz bunu yapmak kolaydır, henüz verilerle ne yapacağını bilmeyen bir şirketseniz bunu yapmak kolaydır ve bir yere yeni katılan ve ne yapacağından emin olmayan genç analist.

“Gerçekten basit şeylerle başlamak sorun değil. İnsanların ne kadar temel bilgiyi değerli bulacağı dikkate değer”

Bence bunun çözümü aynı – gerçekten basit şeylerle başlamak sorun değil. İnsanların ne kadar temel bilgiyi değerli bulacağı dikkate değer. Haftada bir kez veri ekibini bir araya getiren bir adam tanıyorum, böylece hafta boyunca öğrendiklerini esasen paylaşacaklar. Bu şeylerden bazıları aptalca basitti. Şirket, işletmeler için üretilmiş bir üründü, bu nedenle Pazartesi'den Cuma'ya kadar kullanıldı. Haftanın gününe göre kaç kişinin kullandığına dair bir çizelge yaptılar ve hey, çoğu insan onu hafta sonları kullanmaz ve birçok insan hafta içi kullanır. Orada tam olarak inanılmaz bir içgörü ortaya çıkarmıyorsunuz. Herkes bunun nasıl çalıştığını zaten biliyordu, ancak bu rakamları ve hafta sonları tam olarak ne kadar düştüğünü görmek - bazı hafta sonları çok fazla düşmedi ve bazı hafta sonları bir ton düştü - bir grup yarattı. Bu davranışı neyin yönlendirdiğine dair sorular ve merak. O hafta sonu neden insanların onu çok kullandığı görülüyor? Orada ne oldu? Bu, çok daha fazlasının tohumuydu, “Pekala, öğrenmeye devam edelim. Soru sormaya devam edelim. Kazmaya devam edelim.”

İnsanları bu şekilde başlamaya teşvik ediyorum. Yaptığınız varsayımlar olsa bile, temel şeylerle başlayın. Rakamlara bakmaya başlar başlamaz, sizi düşündüren ve kafanızı tırmalayan şeyler göreceksiniz ve burada merak ettiğiniz ve anlamadığınız çok daha fazlası olduğunu fark edeceksiniz. Bunların çoğu, sadece bu meraka kapılmanıza izin vermek ve “Gidip harika bir şeyi ortaya çıkarmam gerek” dememektir. İlk gün şirketin gidişatını değiştirecek o iğneyi samanlıkta bulmam gerekiyor.” 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. Sıradaki ne? 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.