Mengapa Komunikasi Tim Lebih Penting Dibanding Martech Stack Anda

Komunikasi dan Analisis Tim Pemasaran

Sudut pandang Simo Ahava yang tidak biasa tentang kualitas data dan struktur komunikasi menyegarkan seluruh lounge di Gunakan Analytics! konferensi. OWOX, pemimpin MarTech di wilayah CIS, menyambut ribuan pakar dalam pertemuan ini untuk berbagi pengetahuan dan ide.

Tim BI OWOX ingin Anda memikirkan kembali konsep yang diajukan oleh Simo Ahava, yang tentunya berpotensi untuk mengembangkan bisnis Anda. 

Kualitas Data dan Kualitas Organisasi

Kualitas data tergantung pada orang yang menganalisisnya. Biasanya, kami akan menyalahkan semua kekurangan dalam data pada alat, alur kerja, dan kumpulan data. Tapi apakah itu masuk akal?

Sejujurnya, kualitas data secara langsung terkait dengan cara kita berkomunikasi dalam organisasi kita. Kualitas organisasi menentukan segalanya, dimulai dengan pendekatan data mining, estimasi, dan pengukuran, dilanjutkan dengan pemrosesan, dan diakhiri dengan kualitas produk dan pengambilan keputusan secara keseluruhan. 

Perusahaan dan Struktur Komunikasinya

Bayangkan sebuah perusahaan mengkhususkan diri pada satu alat. Orang-orang di perusahaan ini hebat dalam menemukan masalah tertentu dan menyelesaikannya untuk segmen B2B. Semuanya bagus, dan pasti Anda tahu beberapa perusahaan seperti ini.

Efek samping dari aktivitas perusahaan ini tersembunyi dalam proses jangka panjang untuk meningkatkan persyaratan kualitas data. Pada saat yang sama, kita harus ingat bahwa alat yang dibuat untuk menganalisis data hanya berfungsi dengan data dan diisolasi dari masalah bisnis - bahkan jika mereka dibuat untuk menyelesaikannya. 

Itulah mengapa jenis perusahaan lain muncul. Perusahaan ini mengkhususkan diri dalam debugging alur kerja. Mereka dapat menemukan banyak sekali masalah dalam proses bisnis, meletakkannya di papan tulis, dan memberi tahu para eksekutif:

Disini, disini dan disana! Terapkan strategi bisnis baru ini dan Anda akan baik-baik saja!

Tapi kedengarannya terlalu bagus untuk jadi kenyataan. Efisiensi nasehat yang tidak didasarkan pada pemahaman alat diragukan. Dan perusahaan konsultan tersebut cenderung tidak memahami mengapa masalah seperti itu muncul, mengapa setiap hari baru membawa kerumitan dan kesalahan baru, dan alat mana yang salah disiapkan.

Jadi kegunaan perusahaan ini sendiri terbatas. 

Ada perusahaan dengan keahlian bisnis dan pengetahuan alat. Di perusahaan-perusahaan ini, setiap orang terobsesi dengan mempekerjakan orang-orang dengan kualitas hebat, ahli yang yakin dengan keterampilan dan pengetahuan mereka. Keren. Tetapi biasanya, perusahaan-perusahaan ini tidak ditujukan untuk memecahkan masalah komunikasi di dalam tim, yang sering mereka anggap tidak penting. Jadi saat masalah baru muncul, perburuan penyihir dimulai - salah siapa ini? Mungkin pakar BI bingung prosesnya? Tidak, programmer tidak membaca deskripsi teknisnya. Tapi secara keseluruhan, masalah sebenarnya adalah tim tidak dapat memikirkan masalah dengan jelas untuk menyelesaikannya bersama. 

Ini menunjukkan kepada kita bahwa bahkan di perusahaan yang dipenuhi dengan spesialis keren, semuanya akan membutuhkan lebih banyak upaya daripada yang diperlukan jika organisasi tidak dewasa cukup. Gagasan bahwa Anda harus menjadi orang dewasa dan bertanggung jawab, terutama dalam krisis, adalah hal terakhir yang dipikirkan orang di sebagian besar perusahaan.

Bahkan anak saya yang berusia dua tahun yang akan masuk taman kanak-kanak tampaknya lebih dewasa daripada beberapa organisasi tempat saya bekerja.

Anda tidak dapat membuat perusahaan yang efisien hanya dengan mempekerjakan sejumlah besar spesialis, karena mereka semua diserap oleh beberapa grup atau departemen. Jadi manajemen terus mempekerjakan spesialis, tetapi tidak ada yang berubah karena struktur dan logika alur kerja tidak berubah sama sekali.

Jika Anda tidak melakukan apa pun untuk menciptakan saluran komunikasi di dalam dan di luar kelompok dan departemen ini, semua upaya Anda akan sia-sia. Itulah mengapa strategi komunikasi dan kedewasaan menjadi fokus Ahava.

Hukum Conway Diterapkan pada Perusahaan Analisis

Data yang Berarti - Hukum Conway

Lima puluh tahun yang lalu, seorang programmer hebat bernama Melvin Conway memberikan saran yang kemudian dikenal sebagai hukum Conway: 

Organisasi yang merancang sistem. . . dibatasi untuk menghasilkan desain yang merupakan salinan dari struktur komunikasi organisasi ini.

Melvin Conway, Hukum Conway

Pikiran-pikiran ini muncul pada saat satu komputer cocok dengan satu ruangan dengan sempurna! Bayangkan saja: Di sini kami memiliki satu tim yang mengerjakan satu komputer, dan di sana kami memiliki tim lain yang mengerjakan komputer lain. Dan dalam kehidupan nyata, hukum Conway berarti bahwa semua kekurangan komunikasi yang muncul di antara tim-tim tersebut akan tercermin dalam struktur dan fungsionalitas program yang mereka kembangkan. 

Catatan Penulis:

Teori ini telah teruji ratusan kali di dunia pembangunan dan telah banyak dibahas. Definisi paling pasti dari hukum Conway dibuat oleh Pieter Hintjens, salah satu pemrogram paling berpengaruh di awal tahun 2000-an, yang mengatakan bahwa "jika Anda berada dalam organisasi yang buruk, Anda akan membuat perangkat lunak yang buruk." (Amdahl to Zipf: Sepuluh Hukum Fisika Manusia)

Sangat mudah untuk melihat bagaimana hukum ini bekerja di dunia pemasaran dan analitik. Di dunia ini, perusahaan bekerja dengan sejumlah besar data yang dikumpulkan dari berbagai sumber. Kita semua bisa setuju bahwa data itu sendiri adil. Tetapi jika Anda memeriksa kumpulan data dengan cermat, Anda akan melihat semua ketidaksempurnaan organisasi yang mengumpulkan data itu:

  • Nilai yang hilang saat teknisi belum membicarakan suatu masalah 
  • Format yang salah di mana tidak ada yang memperhatikan dan tidak ada yang membahas jumlah tempat desimal
  • Penundaan komunikasi di mana tidak ada yang tahu format transfer (batch atau stream) dan siapa yang harus menerima data

Itulah mengapa sistem pertukaran data mengungkapkan ketidaksempurnaan kami sepenuhnya.

Kualitas data adalah pencapaian spesialis alat, ahli alur kerja, manajer, dan komunikasi di antara semua orang ini.

Struktur Komunikasi Terbaik dan Terburuk untuk Tim Multidisiplin

Tim proyek khas di MarTech atau perusahaan analitik pemasaran terdiri dari spesialis intelijen bisnis (BI), ilmuwan data, perancang, pemasar, analis, dan pemrogram (dalam kombinasi apa pun).

Tetapi apa yang akan terjadi dalam tim yang tidak memahami pentingnya komunikasi? Ayo lihat. Pemrogram akan menulis kode untuk waktu yang lama, berusaha keras, sementara bagian lain dari tim hanya akan menunggu mereka lulus tongkat estafet. Akhirnya, versi beta akan dirilis, dan semua orang akan bergumam tentang mengapa butuh waktu lama. Dan ketika kelemahan pertama muncul, semua orang akan mulai mencari orang lain untuk disalahkan, tetapi tidak mencari cara untuk menghindari situasi yang membuat mereka di sana. 

Jika kita melihat lebih dalam, kita akan melihat bahwa tujuan bersama tidak dipahami dengan benar (atau sama sekali). Dan dalam situasi seperti itu, kita akan mendapatkan produk yang rusak atau cacat. 

Mendorong Tim Multidisiplin

Fitur terburuk dari situasi ini:

  • Keterlibatan tidak memadai
  • Partisipasi tidak memadai
  • Kurangnya kerjasama
  • Kurangnya kepercayaan

Bagaimana cara memperbaikinya? Secara harfiah dengan membuat orang berbicara. 

Mendorong Tim Multidisiplin

Mari kumpulkan semua orang, tetapkan topik diskusi, dan jadwalkan pertemuan mingguan: pemasaran dengan BI, pemrogram dengan desainer, dan spesialis data. Kemudian kami berharap orang-orang membicarakan proyek tersebut. Tetapi itu masih belum cukup karena anggota tim masih belum membicarakan keseluruhan proyek dan tidak berbicara dengan seluruh tim. Sangat mudah untuk mendapatkan kesibukan dengan puluhan pertemuan dan tidak ada jalan keluar dan tidak ada waktu untuk melakukan pekerjaan. Dan pesan-pesan itu setelah pertemuan akan menghabiskan sisa waktu dan pemahaman tentang apa yang harus dilakukan selanjutnya. 

Itulah mengapa pertemuan hanyalah langkah awal. Kami masih memiliki beberapa masalah:

  • Komunikasi yang buruk
  • Kurangnya tujuan bersama
  • Keterlibatan tidak memadai

Terkadang, orang mencoba menyampaikan informasi penting tentang proyek kepada rekan mereka. Tetapi alih-alih pesannya sampai, mesin rumor melakukan segalanya untuk mereka. Ketika orang tidak tahu bagaimana membagikan pemikiran dan ide mereka dengan benar dan di lingkungan yang tepat, informasi akan hilang dalam perjalanan ke penerima. 

Ini adalah gejala perusahaan yang berjuang dengan masalah komunikasi. Dan itu mulai menyembuhkan mereka dengan rapat. Tapi kami selalu punya solusi lain.

Pimpin setiap orang untuk berkomunikasi selama proyek. 

Komunikasi multidisiplin dalam tim

Fitur terbaik dari pendekatan ini:

  • Transparansi
  • Keterlibatan
  • Pertukaran pengetahuan dan keterampilan
  • Pendidikan tanpa henti

Ini adalah struktur yang sangat kompleks yang sulit dibuat. Anda mungkin tahu beberapa kerangka kerja yang menggunakan pendekatan ini: Agile, Lean, Scrum. Tidak peduli apa nama Anda; semuanya dibangun di atas prinsip "menyatukan semuanya pada waktu yang sama". Semua kalender, antrean tugas, presentasi demo, dan rapat stand-up ditujukan untuk membuat orang membicarakan proyek secara sering dan bersamaan.

Itu sebabnya saya sangat menyukai Agile, karena itu memasukkan pentingnya komunikasi sebagai prasyarat untuk kelangsungan proyek.

Dan jika Anda merasa Anda adalah seorang analis yang tidak menyukai Agile, lihat dengan cara lain: Ini membantu Anda menunjukkan hasil pekerjaan Anda - semua data yang diproses, dasbor yang hebat, kumpulan data Anda - untuk membuat orang menghargai usaha Anda. Tetapi untuk melakukan itu, Anda harus bertemu dengan kolega Anda dan berbicara dengan mereka di meja bundar.

Apa berikutnya? Semua orang mulai membicarakan proyek ini. Sekarang kita punya untuk membuktikan kualitasnya dari proyek tersebut. Untuk melakukan ini, perusahaan biasanya menyewa konsultan dengan kualifikasi profesional tertinggi. 

Kriteria utama konsultan yang baik (saya dapat memberitahu Anda karena saya seorang konsultan) terus-menerus mengurangi keterlibatannya dalam proyek.

Seorang konsultan tidak bisa begitu saja memberi perusahaan potongan-potongan kecil rahasia profesional karena itu tidak akan membuat perusahaan menjadi dewasa dan mandiri. Jika perusahaan Anda belum bisa hidup tanpa konsultan Anda, Anda harus mempertimbangkan kualitas layanan yang Anda terima. 

Ngomong-ngomong, konsultan tidak boleh membuat laporan atau menjadi asisten tambahan untuk Anda. Anda memiliki kolega dalam untuk itu.

Rekrut Pemasar untuk Pendidikan, Bukan Delegasi

Tujuan utama menyewa konsultan adalah pendidikan, memperbaiki struktur dan proses, dan memfasilitasi komunikasi. Peran konsultan bukanlah pelaporan bulanan tetapi lebih kepada menanamkan dirinya sendiri ke dalam proyek dan benar-benar terlibat dalam rutinitas harian tim.

Baik konsultan pemasaran strategis mengisi kesenjangan dalam pengetahuan dan pemahaman peserta proyek. Tetapi dia mungkin tidak akan pernah melakukan pekerjaan itu untuk seseorang. Dan suatu hari, setiap orang harus bekerja dengan baik tanpa konsultan. 

Hasil dari komunikasi yang efektif adalah tidak adanya perburuan penyihir dan saling tuding. Sebelum tugas dimulai, orang-orang membagikan keraguan dan pertanyaan mereka dengan anggota tim lainnya. Jadi, sebagian besar masalah terselesaikan sebelum pekerjaan dimulai. 

Mari kita lihat bagaimana semua itu memengaruhi bagian paling rumit dari tugas analisis pemasaran: menentukan aliran data dan menggabungkan data.

Bagaimana Struktur Komunikasi Dicerminkan dalam Transfer dan Pemrosesan Data?

Misalkan kita memiliki tiga sumber yang memberi kita data berikut: data lalu lintas, data produk e-niaga / data pembelian dari program loyalitas, dan data analisis seluler. Kami akan melalui tahap pemrosesan data satu per satu, mulai dari streaming semua data itu ke Google Cloud hingga mengirimkan semuanya untuk visualisasi Google Data Studio dengan bantuan dari Google BigQuery

Berdasarkan contoh kami, pertanyaan apa yang harus diajukan orang untuk memastikan komunikasi yang jelas selama setiap tahap pemrosesan data?

  • Tahap pengumpulan data. Jika kita lupa mengukur sesuatu yang penting, kita tidak bisa mundur ke masa lalu dan mengukurnya kembali. Hal-hal yang perlu dipertimbangkan sebelumnya:
    • Jika kita tidak tahu harus menamai parameter dan variabel terpenting, bagaimana kita bisa mengatasi semua kekacauan itu?
    • Bagaimana acara akan ditandai?
    • Apa yang akan menjadi pengenal unik untuk aliran data yang dipilih?
    • Bagaimana kami menjaga keamanan dan privasi? 
    • Bagaimana kami mengumpulkan data jika ada batasan pengumpulan data?
  • Penggabungan data mengalir ke aliran. Pertimbangkan hal berikut:
    • Prinsip utama ETL: Apakah transfer data jenis batch atau stream? 
    • Bagaimana kita menandai sambungan aliran dan transfer data batch? 
    • Bagaimana kita menyesuaikannya dalam skema data yang sama tanpa kerugian dan kesalahan?
    • Pertanyaan waktu dan kronologi: Bagaimana kami akan memeriksa stempel waktu? 
    • Bagaimana kita bisa tahu jika renovasi dan pengayaan data bekerja dengan benar dalam stempel waktu?
    • Bagaimana kami akan memvalidasi klik? Apa yang terjadi dengan klik tidak valid?

  • Tahap agregasi data. Hal yang perlu diperhatikan:
    • Pengaturan khusus untuk proses ETL: Apa yang harus kita lakukan dengan data yang tidak valid?
      Tambal atau hapus? 
    • Bisakah kita mendapat untung darinya? 
    • Bagaimana pengaruhnya terhadap kualitas seluruh kumpulan data?

Prinsip pertama untuk semua tahap ini adalah bahwa kesalahan bertumpuk satu sama lain dan saling mewarisi. Data yang dikumpulkan dengan cacat pada tahap pertama akan membuat kepala Anda sedikit terbakar selama semua tahap berikutnya. Dan prinsip kedua adalah Anda harus memilih poin untuk jaminan kualitas data. Karena pada tahap agregasi, semua data akan digabungkan, dan Anda tidak akan dapat memengaruhi kualitas data campuran. Ini sangat penting untuk project machine learning, yang kualitas datanya akan memengaruhi kualitas hasil machine learning. Hasil yang baik tidak dapat dicapai dengan data berkualitas rendah.

  • Visualisasi
    Ini adalah panggung CEO. Anda mungkin pernah mendengar tentang situasi ketika CEO melihat angka-angka di dasbor dan berkata: "Oke, kami mendapat banyak keuntungan tahun ini, bahkan lebih dari sebelumnya, tetapi mengapa semua parameter keuangan berada di zona merah ? ” Dan pada saat ini, sudah terlambat untuk mencari kesalahan, yang seharusnya sudah lama tertangkap.

Semuanya berdasarkan komunikasi. Dan tentang topik percakapan. Berikut adalah contoh dari apa yang harus dibahas saat menyiapkan streaming Yandex:

BI Pemasaran: Snowplow, Google Analytics, Yandex

Anda akan menemukan jawaban untuk sebagian besar pertanyaan ini hanya dengan seluruh tim Anda. Karena ketika seseorang mengambil keputusan berdasarkan tebakan atau pendapat pribadi tanpa menguji ide dengan orang lain, kesalahan bisa saja muncul.

Kompleksitas ada di mana-mana, bahkan di tempat yang paling sederhana.

Berikut satu contoh lagi: Saat melacak skor tayangan kartu produk, analis melihat adanya kesalahan. Dalam data klik, semua tayangan dari semua spanduk dan kartu produk dikirim tepat setelah pemuatan halaman. Tetapi kami tidak dapat memastikan apakah pengguna benar-benar melihat semua yang ada di halaman. Analis datang ke tim untuk memberi tahu mereka tentang hal ini secara detail.

BI bilang kita tidak bisa meninggalkan situasi seperti itu.

Bagaimana kami dapat menghitung CPM jika kami bahkan tidak dapat memastikan apakah produk telah ditampilkan? Lalu, apa CTR yang memenuhi syarat untuk gambar tersebut?

Jawaban pemasar:

Lihat, semuanya, kami dapat membuat laporan yang menunjukkan CTR terbaik dan memverifikasinya dengan spanduk atau foto kreatif serupa di tempat lain.

Dan kemudian pengembang akan berkata:

Ya, kami dapat menyelesaikan masalah ini dengan bantuan integrasi baru kami untuk pelacakan gulir dan pemeriksaan visibilitas subjek.

Akhirnya, desainer UI / UX mengatakan:

Ya! Kita bisa memilih apakah kita membutuhkan gulungan atau pagination yang malas atau abadi pada akhirnya!

Berikut langkah-langkah yang dilakukan tim kecil ini:

  1. Tentukan masalahnya
  2. Mempresentasikan konsekuensi bisnis dari masalah tersebut
  3. Mengukur dampak perubahan
  4. Keputusan teknis yang disajikan
  5. Menemukan keuntungan non-sepele

Untuk mengatasi masalah ini, mereka harus memeriksa pengumpulan data dari semua sistem. Solusi parsial di satu bagian dari skema data tidak akan menyelesaikan masalah bisnis.

sejajarkan sesuaikan desain

Itu sebabnya kami harus bekerja sama. Data harus dikumpulkan secara bertanggung jawab setiap hari, dan itu membutuhkan kerja keras. Dan kualitas data harus dicapai mempekerjakan orang yang tepat, membeli alat yang tepat, dan menginvestasikan uang, waktu, dan usaha untuk membangun struktur komunikasi yang efektif, yang penting untuk kesuksesan organisasi.

Bagaimana menurut Anda?

Situs ini menggunakan Akismet untuk mengurangi spam. Pelajari bagaimana data komentar Anda diproses.