MeasureCamp Amsterdam — témata nizozemské analytiky
Co trenduje mezi analytiky v Nizozemí? “Leergang R”, “Datacleaning en manipulatie”, “Design Sprints” a “Succesvol implementeren van onderzoeksinzichten”. Nebo to alespoň nabízí tamní přední analytická agentura MOA. Takže vlastně podobné věci, co děláme my. Pokud ale porovnám české MeasureCampy s Amsterdamem, myslím, že my se bavíme více o technických řešeních nebo vyhodnocování různých marketingových snah, kdežto v Amsterdamu byli na MeasureCampu přítomni krom core analytiků i různí projekťáci a CEOs a přednášky měly i dost high level zaměření v byznysově-filozoficky-lidském stylu, což se mi moc líbilo, a tak bych vám ráda přiblížila nejzásadnější rozdíly, které mě zaujaly.
GDPR berou vážně
Berou GDPR vážně a jsou dál. Nejen proto, že jejich vláda možná zvládla přesně specifikovat, jak se má s digitálními daty zacházet a co z těch identifikátorů v šedé zóně je osobní údaj, ale i proto, že chápou smysl toho, proč se to dělá. Spíš hledají dobré řešení, než aby jen nadávali, že jim někdo něco přikazuje, čehož jsem občas svědkem tady.
Když jste poprvé v místnosti, kde všichni akceptují, že je třeba, aby koncový uživatel měl přehled o tom, jak je s jeho daty nakládáno, a měl právo tato data kontrolovat, případně si vyžádat jejich kopii, je to velmi osvěžující. Už se můžeme bavit jen prakticky, jak ten proces automatizovat. Také kladou důraz na to, že je třeba kontrolovat, že i všichni naši vendoři používají data transparentně a my můžeme ustanovit smysluplnou a krásnou ochranu soukromí. Která z firem u nás má zmapované data flow od sběru přes transity a procesing k uložení a vizualizacím a zná detailně zásady ochrany spotřebitele u každé technologie použité po cestě? No ani my ještě nejsme u všech klientů tak daleko. A bála bych se, že zvlášť u menších firem převáží nutnost použít levný nástroj nad ochranou dat.
Hodně se o GDPR mluvilo v rámci workshopu od Omara Bendjaballaha z Tealia o Data Governance. Tealium je hodně zajímavý nástroj — horší na orientaci než Google nebo i Adobe platforma, ale sympatický díky globálnímu pohledu na celý proces toho, co se provádí s daty. Zvláštní je hlavně existence dvou prostředí. U nás je známe hlavně TealiumIQ, což je asi jediný tag management systém s podporou pro Windows phony (lol), zajímavější je ale server-side část jejich “univerzálního data hubu”, která je rozdělená na EventStream, AudienceStream a DataAccess. Pokryjete s tím sbírání dat z různých datových zdrojů, události pro real-time inspekci dat, data layer včetně validací, filtrované eventové feedy a máte k dispozici API, kterým ta data někam nacpeme. No a celé se to snaží být připravené na evropská pravidla, což je fajn.
Vlastnit svá data je důležité
Vlastněte svá data! Používáním Google Analytics měříme svůj web ve formě, která vyhovuje Googlu. Ve formě, které se musíme přizpůsobit, ač často nedává pro náš business smysl. Jasně, výhoda je, že nad tím nemusíme moc přemýšlet — něco nasadíme, naklikáme a ono to bude fugovat. Nicméně přispíváme tomu, že Google má obrovská jednotná data, a my máme něco, co musíme různě parsovat, aby to odpovídalo informacím, které potřebujeme. Nebo musíme řešení různě ohýbat, třeba měřit leady a rezervace jako transakce, abychom mohli využít další reporty dostupné jen pro ecommerce. Dělit click-stream data do kategorií, akcí a popisků je ponižující praxe, od které vás jakýkoliv jiný nástroj osvobodí :)
Zhruba na této (oprávněné) argumentaci stály přednášky nejen lidí z Tealia, ale i ze Snowplow a dalších analytických platforem. Vlastnění dat o chování vašich uživatelů nemá jen tu výhodu, že si můžete zvolit vlastní datový model. Ruku v ruce s tím jde best practice, že sbíráme jen data, o kterých víme, proč je chceme sbírat, a máme přesný plán, co podle nich budeme měnit. A ten plán je jasně komunikován zákazníkovi viz odstavec výše. A ta data jsou na našich serverech nebo serverech lokalizovaných v EU, kde k nim nemají přístup žádné třetí strany bez smlouvy, bez data governance, bez přátel, bez ničeho. Krom ideálů o bezpečnosti, které mě moc potešily, má vlastnění dat i praktické výhody: máte otevřenější možnosti v tom, jaké zvolit hlavní úložiště a kde a jak data nejlépe a nejrychleji obohacovat a rovnou měnit v akce.
Kvalita dat
Setkala jsem se s praxí, kde se dělala analýza z nespolehlivě změřených, nesmyslně hodně nasamplovaných a rozsahově špatně vybraných dat.
Podle výzkumu kvality dat od Experianu jsou 54 % existujících dat temná, 32 % je zastaralých nebo triviálních dat a pouze 14 % jsou známá a potřebná data (studie zde). Navíc má pouze 24 % firem data ze všech touchpointů, kterými komunikují se zákazníky. Jak pak můžeme vyvozovat správné závěry a být si jisti, že nám něco neuniká?
Prvním krokem úniku z datových bažin může být klasifikace. Na každém projektu máme nějaká kritická data a nepotřebná data, která mohou být zahozena. Nepotřebná data jsou navíc často ta neodsouhlasená uživatelem (viz opět GDPR výše).
Jedním z nejzásadnějších faktorů zvyšujících nepořádek v datech je trend, kdy firmy zvyšují počet dodavatelů, kteří jim poskytují jednoúčelové technologie, většinou s vlastním reportingem. Této praxi rozumím, ale bohužel jsou výsledkem různé atribuční modely, zmatení konzumentů reportů a neustálé otázky, proč je v tomhle systému tohle číslo a v dalším jiné. S Omarem z Tealia jsme se na workshopu (tentokrát odpoledním) zabývali tím, jak si udělat skutečně úplný obrázek o našich zákaznících. Základní otázka, která vyřeší i problém s různými čísly v různých systémech, je zvolit, v jakém systému by měla ležet data. Takový systém by měl splňovat následující kritéria:
- měl by mít možnost integrací, ideálně co nejvíce předem připravených konektorů a API
- měl by dobře distribuovat data — snadný, úplný přístup
- měl by mít možnost kvalitní identifikace zákazníků napříč zařízeními a touchpointy (profiling, cross-device)
- měl by mít možnost byznysové optimalizace v omnichannelu
- a měl by být realtime
Jaké systémy to splňují? CRM mají kvalitní data, která vlastníme, ale segmentace a vyvození akcí se v nich často udělat nedá. Enterprise data warehousy jsou super na profilování, správu audiencí, můžete mít díky nim data u sebe, ale real-time a exekuce je naprd. Data management platformy jsou super v segmentaci a propojení s marketingovými technologiemi, ale akce jsou limitované a profilování nespoléhá na first party data. Personalizační nástroje jsou super v segmentaci a realtimu, ale zase s nimi moc neposbíráte data.
Samostatná kapitola je samozřejmě vlastnění dat, o kterém jsem psala výše, a inteligentní řízení celého procesu, které vyžaduje si dost promyslet věci.
Řeší ETL v reálném čase
K čemu je dneska sbírat data, když to neděláte v reálném čase? K čemu jsou vhledy a nápady, co dělat se zákazníky, když vzešly z analýzy půl roku starých dat? Nepřekvapivě budeme vědět, jaké zákazníky jsme měli před půl rokem, což je hezké pro reflexi, ale o současných zákaznících to může (v závislosti na konkrétním byznysu) vypovídat jen velmi málo. Dnes můžete dělat churn analýzu real-time nebo alespoň aplikovat pravidlo (80:20) a jen s 20 % uživatelů dělat strategickou analýzu a aplikovat insighty.
V reálném čase je třeba stihnout nemálo akcí: posbírat data, korelovat je, obohatit je, vyvodit a provést akce a synchronizovat to. Vše v milisekundách, už minuty jsou moc dlouho a rozhodně jsou k ničemu 4 hodiny, za které se vám změřená data objeví v Google Analytics. Je trochu lame měřit jen webovu stránku, protože s javascriptem je to nejsnažší. Data by se měla sbírat ze všech zdrojů, jinak nám nedají úplný obrázek. Mobilní aplikace, IoT, CRM, .. vše dotvoří korelovaný a obohacený profil uživatele, pro kterého pracujeme. Řada věcí se musí stát simultánně, jak jsou data sbírána a obohacována (ne že vytvoříme dataset až poté): např. zařazování a vyřazování z audiencí a následné akce asociované s aktivitou audience. A data musí být synchronizovaná zachovávajíc integritu napříč systémy. No, zní to jako ještě hodně práce.
(Další obrázky a tipy z jednotlivých measurecampích přednášek na mém twitteru.)
Závěrem
MeasureCamp byl ve všech ohledech parádní. Místní analytická komunita, se kterou jsem měla možnost povečeřet ještě před MeasureCampem, je další nadšeneckou partou super lidí ochotných sdílet spoustu věcí a zlepšovat sebe i ostatní. Potkala jsem se tam i s organizátorkou MeasureCampu v Itálii a organizátory z Kodaně a dalšími sympatickými lidmi z celého Nizozemí, Belgie a vlastně opravdu celé Evropy. Oproti Česku mi přišlo, že se lidé báli mluvit a na nástěnce bylo dost děr. Překvapivě hodně sessions bylo na sbírání feedbacku či best practices (nebo jsem si jen vybrala ty, které tak byly koncipované?). Řečník tam místo s prezentací přišel s flipchartem a tahal moudra z publika na nějaké konkrétní téma, které jen lehce moderoval. Lidé nejdřív vždy vypadali smutně, že se nic nedozví, ale pak se někdo rozmluvil a bylo to užitečné. Z hovorů jsem taky pochopila, že vlastně mám dost co předat, protože účastníků technicky znalých analytiky tam opravdu byla menšina. Možná to souvisí s častými stížnostmi organizátorů, že analytici nejsou motivovaní trávit sobotu pracovními záležitostmi. A i ta prázdná tabule s přednáškami je vysvětlitelná tím, že na zdejší measurecamp přišli převážně produkťáci a manažeři, co si dělají přehled v odvětví.
A co ten Amsterdam?
K městu samotnému asi není potřeba nic extra psát. Ubytování drahé, ale doprava a infrastruktura na dopravu na kolech úžasná. Kanály a pásy zeleně mě samozřejmě naplňují štěstím. Vyzkoušela jsem si DonkeyApp (bikesharing), což bylo mnohem levnější než kolo na hostelu, a pečlivě jsem shlédla video o tom, jak se na kole v Amstru chovat zde (níže) a projela jsem si všechny parky a nábřeží. Bylo to moc fajn.
Na konci týdne se chystám do Kodaně, tentokrát i s kolegy, tak se můžete těšit na nějaké další kulturně-analytické srovnání.
