Analisis & UjianAlat Pemasaran

Mengapa Komunikasi Pasukan Lebih Penting Daripada Martech Stack Anda

Pandangan tipikal Simo Ahava mengenai kualiti data dan struktur komunikasi menyegarkan ruang tamu di Pergi Analisis! persidangan. OWOX, pemimpin MarTech di wilayah CIS, mengalu-alukan ribuan pakar ke perhimpunan ini untuk berkongsi pengetahuan dan idea mereka.

Pasukan OWOX BI ingin anda memikirkan konsep yang dikemukakan oleh Simo Ahava, yang pastinya berpotensi untuk menjadikan perniagaan anda berkembang. 

Kualiti Data dan Kualiti Organisasi

Kualiti data bergantung kepada orang yang menganalisisnya. Biasanya, kami akan menyalahkan semua kekurangan data pada alat, aliran kerja, dan set data. Tetapi adakah itu wajar?

Sejujurnya, kualiti data secara langsung berkaitan dengan bagaimana kita berkomunikasi dalam organisasi kita. Kualiti organisasi menentukan segalanya, dimulai dengan pendekatan untuk perlombongan data, estimasi, dan pengukuran, dilanjutkan dengan pemrosesan, dan diakhiri dengan kualitas keseluruhan produk dan pengambilan keputusan. 

Syarikat dan Struktur Komunikasinya

Mari kita bayangkan syarikat yang pakar dalam satu alat. Orang di syarikat ini hebat dalam mencari masalah tertentu dan menyelesaikannya untuk segmen B2B. Semuanya hebat, dan pasti anda tahu beberapa syarikat seperti ini.

Kesan sampingan aktiviti syarikat ini tersembunyi dalam proses jangka panjang untuk meningkatkan keperluan kualiti data. Pada masa yang sama, kita harus ingat bahawa alat yang dibuat untuk menganalisis data hanya berfungsi dengan data dan terasing dari masalah perniagaan - walaupun mereka dibuat untuk menyelesaikannya. 

Itulah sebabnya syarikat lain muncul. Syarikat-syarikat ini mengkhususkan diri dalam aliran kerja debugging. Mereka dapat menemui banyak masalah dalam proses perniagaan, meletakkannya di papan putih, dan memberitahu para eksekutif:

Di sini, di sini, dan di sana! Terapkan strategi perniagaan baru ini dan anda akan sihat!

Tetapi kedengarannya terlalu bagus untuk menjadi kenyataan. Kecekapan nasihat yang tidak berdasarkan pemahaman tentang alat diragukan. Dan syarikat perunding itu cenderung untuk tidak memahami mengapa masalah seperti itu muncul, mengapa setiap hari baru membawa kerumitan dan kesilapan baru, dan alat mana yang disusun dengan tidak betul.

Oleh itu, kegunaan syarikat-syarikat ini adalah terhad. 

Terdapat syarikat dengan kepakaran perniagaan dan pengetahuan mengenai alat. Di syarikat-syarikat ini, semua orang terobsesi dengan merekrut orang-orang dengan kualiti yang hebat, pakar yang yakin dengan kemahiran dan pengetahuan mereka. Sejuk. Tetapi biasanya, syarikat-syarikat ini tidak bertujuan menyelesaikan masalah komunikasi di dalam pasukan, yang sering mereka anggap tidak penting. Oleh kerana masalah baru muncul, perburuan penyihir bermula - salah siapa? Mungkin pakar BI mengelirukan prosesnya? Tidak, pengaturcara tidak membaca keterangan teknikal. Tetapi secara keseluruhan, masalah sebenarnya ialah pasukan tidak dapat memikirkan masalah dengan jelas untuk menyelesaikannya bersama. 

Ini menunjukkan kepada kita bahawa walaupun di sebuah syarikat yang dipenuhi dengan pakar yang hebat, semuanya akan memerlukan lebih banyak usaha daripada yang diperlukan sekiranya organisasi tersebut tidak matang cukup. Idea bahawa anda harus menjadi orang dewasa dan bertanggungjawab, terutamanya dalam krisis, adalah perkara terakhir yang difikirkan oleh orang di kebanyakan syarikat.

Malah anak saya yang berusia dua tahun yang akan bersekolah di tadika nampaknya lebih dewasa daripada beberapa organisasi yang pernah saya bekerjasama.

Anda tidak dapat membuat syarikat yang cekap hanya dengan menggaji sebilangan besar pakar, kerana semuanya diserap oleh beberapa kumpulan atau jabatan. Oleh itu pihak pengurusan terus mengambil pakar, tetapi tidak ada yang berubah kerana struktur dan logik aliran kerja sama sekali tidak berubah.

Sekiranya anda tidak melakukan apa-apa untuk membuat saluran komunikasi di dalam dan di luar kumpulan dan jabatan ini, semua usaha anda tidak akan bermakna. Itulah sebabnya strategi komunikasi dan kematangan menjadi tumpuan Ahava.

Undang-undang Conway Digunakan untuk Syarikat Analisis

Data Bererti - Hukum Conway

Lima puluh tahun yang lalu, seorang programmer hebat bernama Melvin Conway membuat cadangan yang kemudiannya terkenal sebagai undang-undang Conway: 

Organisasi yang merancang sistem. . . terpaksa menghasilkan reka bentuk yang merupakan salinan struktur komunikasi organisasi ini.

Melvin Conway, Undang-undang Conway

Fikiran ini muncul ketika satu komputer sesuai dengan satu bilik! Cuba bayangkan: Di sini kita mempunyai satu pasukan yang bekerja di satu komputer, dan di sana kita mempunyai pasukan lain yang bekerja di komputer lain. Dan dalam kehidupan nyata, undang-undang Conway bermaksud bahawa semua kelemahan komunikasi yang muncul di antara pasukan-pasukan tersebut akan dicerminkan dalam struktur dan fungsi program yang mereka kembangkan. 

Nota Pengarang:

Teori ini telah diuji beratus kali dalam dunia pembangunan dan telah banyak dibincangkan. Definisi undang-undang Conway yang paling pasti dibuat oleh Pieter Hintjens, salah satu pengaturcara yang paling berpengaruh pada awal tahun 2000-an, yang mengatakan bahawa "jika anda berada dalam organisasi yang buruk, anda akan membuat perisian yang buruk." (Amdahl to Zipf: Sepuluh Undang-undang Fizik Manusia)

Sangat mudah untuk melihat bagaimana undang-undang ini berfungsi dalam dunia pemasaran dan analisis. Di dunia ini, syarikat bekerja dengan sejumlah besar data yang dikumpulkan dari pelbagai sumber. Kita semua boleh bersetuju bahawa data itu sendiri adalah adil. Tetapi jika anda memeriksa set data dengan teliti, anda akan melihat semua ketidaksempurnaan organisasi yang mengumpulkan data tersebut:

  • Hilang nilai di mana jurutera belum membincangkan masalah 
  • Format yang salah di mana tidak ada yang memberi perhatian dan tidak ada yang membincangkan bilangan tempat perpuluhan
  • Kelewatan komunikasi di mana tidak ada yang mengetahui format pemindahan (kumpulan atau aliran) dan siapa yang mesti menerima data

Itulah sebabnya sistem pertukaran data mendedahkan ketidaksempurnaan kita sepenuhnya.

Kualiti data adalah pencapaian pakar alat, pakar aliran kerja, pengurus, dan komunikasi antara semua orang ini.

Struktur Komunikasi Terbaik dan Terburuk untuk Pasukan Multidisiplin

Pasukan projek khas di MarTech atau syarikat analisis pemasaran terdiri daripada pakar kecerdasan perniagaan (BI), saintis data, pereka, pemasar, penganalisis, dan pengaturcara (dalam kombinasi apa pun).

Tetapi apa yang akan berlaku dalam pasukan yang tidak memahami kepentingan komunikasi? Mari lihat. Pengaturcara akan menulis kod untuk masa yang lama, berusaha dengan bersungguh-sungguh, sementara bahagian lain dari pasukan hanya akan menunggu mereka melewati tongkat. Akhirnya, versi beta akan dilepaskan, dan semua orang akan merungut tentang mengapa ia memerlukan begitu lama. Dan apabila cacat pertama muncul, semua orang akan mula mencari orang lain untuk disalahkan tetapi tidak mencari cara untuk mengelakkan situasi yang membuat mereka berada di sana. 

Sekiranya kita melihat lebih dalam, kita akan melihat bahawa tujuan bersama tidak difahami dengan betul (atau sama sekali). Dan dalam keadaan seperti itu, kita akan mendapat produk yang rosak atau cacat. 

Galakkan Pasukan Pelbagai Disiplin

Ciri terburuk dari keadaan ini:

  • Penglibatan tidak mencukupi
  • Penyertaan tidak mencukupi
  • Kurangnya kerjasama
  • Kurang kepercayaan

Bagaimana kita boleh memperbaikinya? Secara harfiah dengan membuat orang bercakap. 

Galakkan Pasukan Multidisiplin

Mari mengumpulkan semua orang bersama-sama, menetapkan topik perbincangan, dan menjadualkan perjumpaan mingguan: pemasaran dengan BI, pengaturcara dengan pereka dan pakar data. Kemudian kita berharap orang ramai membincangkan projek ini. Tetapi itu masih belum mencukupi kerana ahli pasukan masih tidak membincangkan keseluruhan projek dan tidak bercakap dengan seluruh pasukan. Sangat mudah untuk bersalji dengan berpuluh-puluh pertemuan dan tidak ada jalan keluar dan tidak ada masa untuk melakukan kerja. Mesej-mesej itu selepas perjumpaan akan membunuh sisa masa dan memahami apa yang perlu dilakukan seterusnya. 

Itulah sebabnya perjumpaan adalah langkah pertama. Kami masih menghadapi beberapa masalah:

  • Komunikasi yang lemah
  • Kurangnya tujuan bersama
  • Penglibatan tidak mencukupi

Kadang kala, orang cuba menyampaikan maklumat penting mengenai projek itu kepada rakan mereka. Tetapi daripada mesej yang disampaikan, mesin khabar angin melakukan segalanya untuk mereka. Apabila orang tidak tahu bagaimana cara berkongsi idea dan idea mereka dengan betul dan di persekitaran yang betul, maklumat akan hilang dalam perjalanan ke penerima. 

Ini adalah gejala syarikat yang menghadapi masalah komunikasi. Dan ia mula menyembuhkan mereka dengan pertemuan. Tetapi kita selalu ada jalan penyelesaian lain.

Pimpin semua orang untuk berkomunikasi mengenai projek ini. 

Komunikasi pelbagai disiplin dalam pasukan

Ciri terbaik pendekatan ini:

  • Ketelusan
  • Penglibatan
  • Pertukaran pengetahuan dan kemahiran
  • Pendidikan tanpa henti

Ini adalah struktur yang sangat kompleks yang sukar dibuat. Anda mungkin mengetahui beberapa kerangka kerja yang menggunakan pendekatan ini: Agile, Lean, Scrum. Tidak kira apa yang anda namakan; semuanya dibina berdasarkan prinsip "membuat semuanya bersama-sama pada masa yang sama". Semua kalendar, barisan tugas, persembahan demo, dan perjumpaan berdiri bertujuan untuk membuat orang bercakap mengenai projek itu dengan kerap dan bersama-sama.

Itulah sebabnya saya sangat menyukai Agile, kerana merangkumi kepentingan komunikasi sebagai prasyarat untuk kelangsungan projek.

Dan jika anda fikir anda seorang penganalisis yang tidak menyukai Agile, lihatlah dengan cara lain: Ini membantu anda untuk menunjukkan hasil kerja anda - semua data anda yang diproses, papan pemuka yang hebat, set data anda - untuk membuat orang hargai usaha anda. Tetapi untuk melakukan itu, anda harus berjumpa dengan rakan sekerja dan berbincang dengan mereka di meja bulat.

Apa yang akan datang? Semua orang mula bercakap mengenai projek itu. Sekarang kita ada untuk membuktikan kualiti projek. Untuk melakukan ini, syarikat biasanya mengupah perunding dengan kelayakan profesional tertinggi. 

Kriteria utama perunding yang baik (saya dapat memberitahu anda kerana saya seorang perunding) sentiasa mengurangkan penglibatannya dalam projek itu.

Seorang perunding tidak boleh memberi rahsia profesional kepada syarikat kerana itu tidak akan menjadikan syarikat itu matang dan mandiri. Sekiranya syarikat anda belum dapat hidup tanpa perunding anda, anda harus mempertimbangkan kualiti perkhidmatan yang anda terima. 

Ngomong-ngomong, perunding tidak boleh membuat laporan atau menjadi tambahan untuk anda. Anda mempunyai rakan sekerja anda untuk itu.

Sewa Pemasar untuk Pendidikan, Bukan Perwakilan

Tujuan utama pengambilan perunding adalah pendidikan, memperbaiki struktur dan proses, dan memudahkan komunikasi. Peranan perunding bukan melapor bulanan melainkan memasukkan dirinya ke dalam projek dan terlibat sepenuhnya dalam rutin harian pasukan.

Yang baik perunding pemasaran strategik mengisi jurang pengetahuan dan kefahaman peserta projek. Tetapi dia mungkin tidak pernah melakukan pekerjaan untuk seseorang. Dan pada suatu hari, semua orang perlu bekerja dengan baik tanpa perunding. 

Hasil komunikasi yang berkesan adalah tidak adanya perburuan penyihir dan penunjuk jari. Sebelum tugas dimulakan, orang berkongsi keraguan dan pertanyaan mereka dengan ahli pasukan lain. Oleh itu, kebanyakan masalah diselesaikan sebelum kerja bermula. 

Mari lihat bagaimana semua itu mempengaruhi bahagian yang paling rumit dari pekerjaan analisis pemasaran: menentukan aliran data dan menggabungkan data.

Bagaimana Struktur Komunikasi Cermin dalam Pemindahan dan Pemrosesan Data?

Anggaplah kita mempunyai tiga sumber yang memberi kita data berikut: data lalu lintas, data produk e-commerce / data pembelian dari program kesetiaan, dan data analisis mudah alih. Kami akan melalui peringkat pemprosesan data satu persatu, dari streaming semua data ke Google Cloud hingga mengirimkan semuanya untuk visualisasi Google Data Studio dengan bantuan Google BigQuery

Berdasarkan contoh kami, soalan apa yang harus ditanyakan orang untuk memastikan komunikasi yang jelas pada setiap peringkat pemprosesan data?

  • Tahap pengumpulan data. Sekiranya kita lupa untuk mengukur sesuatu yang penting, kita tidak dapat mengundurkan masa dan mengukurnya semula. Perkara yang perlu dipertimbangkan terlebih dahulu:
    • Sekiranya kita tidak tahu apa yang harus dinamakan parameter dan pemboleh ubah yang paling penting, bagaimana kita dapat menangani semua kekacauan?
    • Bagaimana acara akan ditandakan?
    • Apakah pengecam unik untuk aliran data yang dipilih?
    • Bagaimana kita menjaga keselamatan dan privasi? 
    • Bagaimana kita mengumpulkan data di mana terdapat batasan pengumpulan data?
  • Penggabungan data mengalir ke aliran. Pertimbangkan perkara berikut:
    • Prinsip ETL utama: Adakah jenis pemindahan data kumpulan atau aliran? 
    • Bagaimana kita akan menandakan penyatuan pemindahan data aliran dan kumpulan? 
    • Bagaimana kita akan menyesuaikannya dalam skema data yang sama tanpa kerugian dan kesalahan?
    • Soalan masa dan kronologi: Bagaimana kita akan memeriksa cap waktu? 
    • Bagaimana kita dapat mengetahui apakah pengubahsuaian dan pengayaan data berfungsi dengan betul dalam cap waktu?
    • Bagaimana kita akan mengesahkan hits? Apa yang berlaku dengan hits tidak sah?
  • Tahap pengumpulan data. Perkara yang perlu dipertimbangkan:
    • Tetapan khusus untuk proses ETL: Apa yang perlu kita lakukan dengan data yang tidak sah?
      Tampal atau padam? 
    • Bolehkah kita mendapat keuntungan daripadanya? 
    • Bagaimana ia akan mempengaruhi kualiti keseluruhan kumpulan data?

Prinsip pertama untuk semua peringkat ini adalah bahawa kesalahan bertumpuk di antara satu sama lain dan saling mewarisi. Data yang dikumpulkan dengan cacat pada tahap pertama akan membuat kepala anda sedikit terbakar sepanjang peringkat berikutnya. Dan prinsip kedua ialah anda harus memilih poin untuk jaminan kualiti data. Kerana pada tahap agregasi, semua data akan dicampur bersama, dan anda tidak akan dapat mempengaruhi kualiti data campuran. Ini sangat penting untuk projek pembelajaran mesin, di mana kualiti data akan mempengaruhi kualiti hasil pembelajaran mesin. Hasil yang baik tidak dapat dicapai dengan data berkualiti rendah.

  • Visualisasi
    Ini adalah tahap CEO. Anda mungkin pernah mendengar tentang situasi ketika CEO melihat angka di papan pemuka dan berkata: "Baiklah, kita mendapat banyak keuntungan tahun ini, bahkan lebih banyak daripada sebelumnya, tetapi mengapa semua parameter kewangan berada di zon merah ? " Dan pada masa ini, sudah terlambat untuk mencari kesilapan, kerana mereka semestinya sudah lama ditangkap.

Semuanya berdasarkan komunikasi. Dan mengenai topik perbualan. Berikut adalah contoh perkara yang harus dibincangkan semasa menyediakan streaming Yandex:

BI Pemasaran: Snowplow, Google Analytics, Yandex

Anda akan mendapat jawapan untuk kebanyakan soalan ini hanya bersama dengan seluruh pasukan anda. Kerana apabila seseorang membuat keputusan berdasarkan tekaan atau pendapat peribadi tanpa menguji idea dengan orang lain, kesalahan dapat muncul.

Kerumitan ada di mana-mana, walaupun di tempat paling sederhana.

Inilah satu lagi contoh: Semasa mengesan skor tera kad produk, seorang penganalisis menyedari kesilapan. Dalam data klik, semua tera dari semua sepanduk dan kad produk dihantar tepat setelah pemuatan halaman. Tetapi kami tidak pasti sama ada pengguna benar-benar melihat semua perkara di halaman. Penganalisis datang kepada pasukan untuk memberitahu mereka mengenai perkara ini secara terperinci.

BI mengatakan bahawa kita tidak boleh membiarkan keadaan seperti itu.

Bagaimana kita dapat mengira CPM jika kita bahkan tidak dapat memastikan apakah produk itu ditunjukkan? Berapa CTR yang layak untuk gambar itu?

Pemasar menjawab:

Lihat, semua, kita boleh membuat laporan yang menunjukkan RKT terbaik dan mengesahkannya dengan sepanduk atau foto kreatif serupa di tempat lain.

Dan kemudian pembangun akan berkata:

Ya, kami dapat menyelesaikan masalah ini dengan bantuan integrasi baru kami untuk penjejakan tatal dan pemeriksaan keterlihatan subjek.

Akhirnya, pereka UI / UX mengatakan:

Yeah! Kita boleh memilih sama ada kita memerlukan tatal atau penomboran malas atau abadi akhirnya!

Berikut adalah langkah-langkah yang dilalui oleh pasukan kecil ini:

  1. Mendefinisikan masalah
  2. Mengemukakan kesan perniagaan dari masalah tersebut
  3. Mengukur kesan perubahan
  4. Mengemukakan keputusan teknikal
  5. Menemui keuntungan bukan remeh

Untuk menyelesaikan masalah ini, mereka harus memeriksa pengumpulan data dari semua sistem. Penyelesaian separa dalam satu bahagian skema data tidak akan menyelesaikan masalah perniagaan.

selaraskan reka bentuk

Sebab itu kita harus bekerjasama. Data mesti dikumpulkan dengan penuh tanggungjawab setiap hari, dan sukar untuk melakukannya. Dan juga kualiti data mesti dicapai oleh mengupah orang yang tepat, membeli alat yang tepat, dan melaburkan wang, masa, dan usaha untuk membina struktur komunikasi yang berkesan, yang sangat penting untuk kejayaan organisasi.

Mariia Bocheva

Mariia adalah Eksekutif Pembangunan Perniagaan dengan pengalaman 6+ tahun termasuk latar belakang pemasaran dan pengurusan produk. OWOX BI mengimplementasikan analitik dari hujung ke hujung dan secara automatik mengemas kini laporan mengenai kempen iklan, analisis kohort, ROPO, CPA, ROI, ROAS, LTV, САС, atribusi, dan banyak lagi.

Artikel yang berkaitan

Kembali ke atas butang
Tutup

Adblock Dikesan

Martech Zone mampu memberikan anda kandungan ini tanpa sebarang kos kerana kami mengewangkan tapak kami melalui hasil iklan, pautan ahli gabungan dan tajaan. Kami amat menghargai jika anda akan mengalih keluar penyekat iklan anda semasa anda melihat tapak kami.