Ранее мы публиковали статью на нашем Spark-Блоге Marketing Scientist сегодня: учить уже сейчас без нового Ф. Котлера.
Существующие технологии увеличивают количество данных, которыми можно манипулировать. Вокруг владеющих данными пользователей компаний сформировались специфические рынки. Нужен не просто аналитик, — нужен Marketing Scientist.
Филип Котлер знаменит тем, что собрал воедино и систематизировал все знания о маркетинге, которые до этого относились к совершенно различным наукам. Можно сказать, что он первый, кто выделил маркетинг в отдельную специальность. Его книга «Основы маркетинга» переиздавалась 9 раз и является своеобразной «Библией» по маркетингу.
Так вот, такого человека как Ф. Котлер для использования новых каналов и описания всего того «безобразия», что твориться вокруг с количеством технологий и информации пока нет.
Но я не вижу препятствий чтобы уже сегодня начинать изучать науку о данных с приложением в маркетинге и становиться Marketing Scientist.
Marketing Scientist специализируется не просто в области анализа целевой аудитории и её потребностей, но это спец, создающий модели, которые дадут реальную пользу бизнесу в денежном эквиваленте.
Не стоит воспринимать Marketing Scientist как простого аналитика данных.
Аналитик: Инструменты анализа данных не отвечают на поставленный вопрос, значит следует переходить к другому вопросу.
Data scientist: Данные инструменты и подходы к анализу данных не могут ответить на поставленный вопрос, значит мне нужны более лучшие инструменты и данные. Значит я обращусь к другой области знаний и принесу ее парадигмы в свою работу.
Где учиться на Marketing Scientist
Люди с огромным удовольствием осваивают новые игры даже в зрелом возрасте. Было бы желание. Понятно, что темп обучения с возрастом снижается. Но есть и наиболее прогрессивные методологии, вроде той, что пытается внедрить Khan Academy. Если у Вас уже есть базовое Маркетинговое образование, то будет проще подтянуть некоторые знания на Coursera или других МООК.
Дисклеймер: если Вы не любите математику или не понимает ее, то шансов овладеть наукой о данных ровно ноль. Путь в Marketing Scientist тогда закрыт.
Некоторые технических ВУЗы уже сейчас предлагают обучиться на «магистров наук по науке о данных и менеджменту». Для данной специализации требуются знания в области математической статистики, машинного обучения, программирования.
Имеется (ШАД) Школа анализа данных от Яндекса. В Школе, основанной Яндексом в сентябре 2007 года, преподают машинное обучение, компьютерное зрение, анализ текстов на естественном языке и другие направления современных компьютерных наук. Ежегодно в ШАД поступают старшекурсники, выпускники и аспиранты МГУ, МФТИ, ВШЭ, ИТМО, СПбГУ, УрФУ, НГУ и других ведущих вузов. Два года студенты изучают предметы, которые обычно не входят в университетские программы, хотя пользуются огромным спросом в науке и разных отраслях, где уже применяются наукоёмкие информационные технологии.
На Coursera есть курсы по Машинному обучению и анализу данных. Вполне неплохие курсы, я их в свое время слушал.
Требования нашего времени
- Сейчас как никогда важно узнать и понять клиента настолько, чтобы товар или услуга точно соответствовали его требованиям и продавали себя сами.
- Решение бизнес-задач с использованием данных.
- Работа со статистикой, включая статистические тесты и распределения.
- Сбор большого объема неструктурированных данных и преобразование их в более удобный и понятный формат
- Работа с различными языками программирования (Хорошее знание R или Python).
- Использование аналитических методов: машинное обучение, глубокое обучение.
- Нужно знать и уметь пользоваться базами данных MySQL
- Построение отчетов с помощью IPython Notebook
- Знание API рекламных систем, опыт самостоятельного получения информации
- Знание английского языка на уровне чтения технической литературы и документации.
- Отличное знание Excel (как правило)
- Регулярный аудит каналов привлечения пользователей, анализ маркетинговых кампаний и оптимизация бюджета
- Разработка алгоритмов оптимизации закупки трафика, разработка моделей оценки пользователей
- Общение с командами проектов для добавления интересующей статистики
- Как научится максимально быстро различать качественный трафик от некачественного?
- Какие пользователи действительно купят продукт? Как научиться определять таких пользователей до того, как они уйдут?
- Около 5000 SaaS решений для маркетологов на данный момент (по всему миру), нужно знать хотя бы пару
Это вообще важно?
Часто ожидания от сайта такие: он создан и должен моментально приносить деньги, в ту же секунду привлекать посетителей (в зависимости от цели).
Но это не так по многим причинам. Если же трафика уже достаточно, то проводим A/B-тестирование (сплит-тест). Google уже как год выпустила абсолютно бесплатный инструмент для проведения таких исследований.
Проводим и смотрим где лиды активнее генерируют продажи. Google в данном инструменте забрала у Вас данные и самостоятельно проведя статистические расчеты, выдала Вам результат теста (автоматический расчет по сформированной алгоритмически выборке).
Результаты такого исследования полностью отвечают шести правилам поведенческого анализа. Однако A/B-тестирование не позволяет глубоко изучить качественные показатели. Для этого нужно использовать различные психологические уловки — формы обратной связи, обзоры на сайт/продукт и т.д.. Но важнее, что есть вероятность, что заложенные модели не совсем подходят Вашему бизнесу.
Резюме
В 2017 году владельцу интернет магазина уже не нужно опрашивать клиентов на улице. Рекомендательные сервисы и просто надстройки для CMS могут сделать вполне сносную рекомендацию для дополнительной покупки на сайте.
Можно брать уже проведенные другими большими компаниями исследования по UX/UI, правильно раскладывать и анализировать их для применения в своей сфере.
Данные о поведении пользователей — бесценны. Инвестирование в исследования просто Must Have. Мы не только начинаем понимать, что движет пользователем, строить математические модели, но и правильно рекламировать свои продукты и услуги в конечном итоге.
Отправить ответ