Аналитический супергерой, скилы и будущее аналитики на конференции Analyze!

Незадолго до конференции мы поинтересовались у спикеров, какими навыками должен обладать современный аналитик и что ожидает область в ближайшем будущем.

«Для меня аналитический супергерой — Krista Seiden, Analytics Advocate и бывший Product Manager в Google Analytics. Krista — активный спикер и основатель организации Women in Analytics. Ее блог — это один из моих ресурсов best practices в аналитике и вдохновение для развития. Также я была удивлена ее современным и креативным подходом к выбору команды аналитиков».

«Ключевой инструмент аналитики — это эксперименты (А/Б-тесты, MVT-тесты и т. д.). Любая интерпретация данных без подтверждения гипотез экспериментами — это только субъективное мнение. Если говорить конкретно о софте, то не вижу альтернатив Google Optimize.

Также всегда стараюсь быстро базово проверять статистическую значимость данных для всех показателей, которые смотрю, и не делать до этого никаких выводов. Поделюсь своей подборкой статистических калькуляторов.

Для количественных данных люблю Hotjar — там есть большинство нужных инструментов: онлайн-опросы, тепловые карты и карты скролов, записи сессий, виджеты обратной связи и рекрутинга репрезентативных пользователей для юзер-тестов.

Веб-аналитики, которые только отвечают на вопросы руководителей, потеряют работу уже через 1–2 года. Практически пропадет спрос на навыки использования инструментов. Объясняю, почему так:

1. Допилят Ask Analytics Intelligence в GA. Можно будет голосом спросить, как у Siri „Какой retention второго дня последней Facebook-кампании?“.
2. Совершенствуется фича Insights on Demand, которая уже сегодня неплохо отвечает на многие стандартные вопросы.
3. Многие последние наработки Google в ML/AI можно будет применять к дата-сетам GA в пару кликов, без знаний Python и математики. Будут простые описание ценности каждого алгоритма „для чайников“ и уже готовые стандартные решения в insights. Частично это есть уже сегодня».

«В принципе, за то время, в течение которого мы с командой занимаемся анализом данных, этот набор не слишком изменился: R, Python, distributed сomputing, хорошее знание математики и статистики.

Если посмотреть на состав и распределение ролей в западных командах, мы увидим сильный тренд в сторону специализации: одни люди занимаются передачей и хранением данных, другие — создают и доводят до совершенства модели. В целом, некоторая общая база знаний должна быть у всех, неважно позиционируешь ли ты себя как Data ENGINEer или как Machine Learning Expert».

«Если немного пофантазировать, то представляется человек, который, взглянув на данные, за секунду может найти инсайты, которые помогут бизнесу развиваться. Такой себе „человекоробот“: со смекалкой человека и вычислительными мощностями дата-центров Google.

Если же больше в конкретику, то он прекрасно разбирается с тем, как работает web, знает несколько языков программирования, имеет аналитический склад ума и знает, как обрабатывать огромные массивы данных, чтобы на выходе они обретали смысл.

С учетом роста популярности блокировщиков рекламы и новой версии Intelligent Tracking Prevention 2.1 от Apple, мне кажется, что будущее за системами аналитики, которые смогут идентифицировать пользователей без записи различных идентификаторов в браузеры.

Не стоит забывать и о растущем объеме данных о действиях пользователей, которые мы собираем каждый день. Как итог — полностью измениться подход к подсчету количества пользователей, а маркетинг станет еще более персонализированным»,

«Я полагаю, что через 10 лет AI сможет овладеть большей частью „основ“ аналитики — он будет немного быстрее в поиске огромных объемов данных и создании сложных и гораздо более творческих и удивительных связей между наборами данных.

Чтобы оставаться актуальными, мы — аналитики-люди — должны сосредоточиться на следующем:

1. Задавать правильные вопросы — хотя AI, возможно, даст нам лучшие ответы, я думаю, мы все равно будем лучше задавать вопросы, поскольку это требует более целостного концептуального и стратегического подхода.
2. Перевести „понимание данных“ (корреляции/шаблоны и т. д.) в „стратегические выводы“ (курс действий/переопределение целей и т. д.).
3. Помогать машинам учиться, чтобы они могли улучшить свои аналитические навыки (стать тренерами вычислительных машин).

Это изменение ФОКУСа, хотя и трудное и болезненное для реализации, приблизит аналитиков намного ближе к ядру бизнес-стратегии и фактически сделает их еще более важными для успеха компании».

Больше информации о спикерах и программе Analyze!

Для тех, кто хочет успеть зарегистрироваться на конференцию со скидкой 10% — промокод AIN2019_analyze.

Зарегистироваться