Chránené heslom: Rozširujúci blog k téme “Aký osobný rekord …”
Späť na domovskú stránku
Značka: data
Späť na domovskú stránku
Neurónové siete – 1.časť – Kto a prečo?
A čo by ste chceli robiť? Nuž ja by som chcel hlavne robiť s neurónkami. Aha, a ktorú oblasť neurónových sietí ovládate? Nuž skúšal som niečo v Kerase a TensorFlowe a chcel by som to robiť nad Big Data, lebo môj dataset bol len pár tisíc riadkov.
IPhone dátovej analytiky
Takto nejako vyzerá väčšina rozhovorov s kandidátmi, ktorí sa uchádzajú o prácu v mojom teame. Za posledné dva roky sa medzi kandidátmi rozmohla neutíchajúca túžba pracovať s neurónovými sieťami. Pri väčšine kandidátov však nadšenie nahrádza (neraz aj maskuje) skutočné znalosti tejto oblasti. Neurónové siete sú takým iPhonom dátovej analytiky. veľa sa o nich píše, každý túži s ním pracovať, ale nikto nevie prečo vlastne po ňom túži. Ak vás to ťahá k neurónovým sietiam a neviete prečo, tak tento seriál je aj pre Vás.
Je nespochybniteľnou pravdou, že Deep mining predstavuje akúsi vyššiu formu dátovej analytiky (prečo je tomu tak si ešte dnes vysvetlíme). Preto vzhliadanie k neurónovým sieťam môže pre nezasvätených pripadať prirodzené. Najmä ak váš zamestnávateľ od vás požaduje stále dookola “len nudné” Machine learning prediktívne modely. Problémom však je, že väčšina obdivovateľov neurónových sietí vidí túto oblasť ako prekrytie doposiaľ existujúcich (alebo v ich ponímaní doposiaľ zvládnutých) data miningových metód. Teda akýsi nový model, ktorý funkciami predčí ten pôvodný a každý, kto sa zapodieva “starým modelom” je buď nezorientovaný alebo priam nemoderný.
Ak si spomeniete na veľký prieskum realizovaný v medzi expertmi na data analytiku, tak biznis potrebuje niečo iné ako “hrať sa s neurónovými sieťami”. Vo svojej podstate sa to dá prirovnať v situácií, keď mladý šofér príde na pohovor do dopravnej spoločnosti a plamenisto vysvetľuje ako to on s autami vie, dokonca sa mu podarilo niekoľko sekúnd ísť bokom iba na dvoch kolesách. Studenou sprchou mu je, keď sa od budúceho šéfa dozvie, že pri jazde s dodávkou sú situácie na dvoch kolesách dosť nevhodné a že v práci bude jazdiť pekne po 4 či dokonca 6 kolesách ako všetci ostatní na ceste.
Pripoj sa, kde sa Ti to hodí
Keďže každý z nás sa nachádza na krivke poznania neurónových sietí v inej polohe, tento seriál slúži na to, aby ste sa mohli pripojiť do príbehu vtedy, keď vám to vyhovuje. Tí z nás, čo už nejakú tu neurónku netrénovali, by zrejme pri úplných základoch zívali nudou. Nie je preto zmysluplné ich ťahať cez vysvetlenia základných princípov. Naopak, tí z vás, ktorí budú tento seriál považovať za nakopnutie k tomu, vyskúšať si po prvý krát na vlastnej koži neurónovú sieť by určite mali prelúskať aj základnými princípmi neuróniek, aby vedeli, čo im to vlastne pod rukami robí a či je výsledok aspoň trochu relevantný vzhľadom na pôvodný cieľ. Je preto možné, že seriál o Neurónových sieťach nebudete čítať lineárne. To je v poriadku, môj blog totiž nemá ambíciu konkurovať odborným knihám v tejto oblasti. Veď hlavné je, že si z toho niečo odnesiete. A to je dôvod prečo blogy na mocnedata.sk vlastne píšem.
A boh povedal buď svetlo …
Áno tak, ako život sa vysvetľuje od stvorenia (či už BigBangovej verzie alebo tej z nadpisu tohto odseku), tak aj neurónovými sieťami by sme sa mali začať zaoberať od prvotných počiatkov a princípov. Bude nám to nevyhnutne treba pre pochopenie rôznych typov neurónových sietí, ktoré sa vyvinuli, ako aj pre pochopenie nedostatkov, s ktorými stále v neurónových sieťach bojujeme. Pre matadorov neurónového remesla zrejme nebude lákavé prechádzať si pojmami ako back-propagation či aktivačné fukcie. (aj keď myslím, že by ste to mohli skúsiť aspoň zo zvedavosti, lebo toto vysvetlenie je trochu nekonvenčné).
Preto pre znalých problematiky môžeme pokročiť k tomu, čo neurónové siete doposiaľ nezvládajú, napriek intenzívnemu rozmachu. Je to férové pojednávanie o tom, v čom nám stroje už dokážu prekvapiť v čom, sa im 8 ročné dieťa ešte stále vysmeje do ich CPU/GPU. Táto rozprava nám bude zároveň slúžiť ako predpolie pre popísanie nových trendov, ktoré sa v oblasti neurónových sietí dejú. Niektoré vznikajú z nadšenia, niektoré z tlaku biznisu na vyriešenie nedostatkov, ktoré sú v praxi netolerovateľné.
Rozcestník ďalšieho čítania nakoniec ponúka alternatívu aj pre viac filozofické duše. V zaujímavom zamyslení – od pomerne nečakaného autora – vám sprostredkujem pohľad na to, akú mame vlastne alternatívu voči umelej inteligencii? Čo nástup AI znamená pre výchovu a vzdelávanie našich detí? V tejto línií nás zároveň čaká polemika o tom, či umelá inteligencia je naozaj len priemyselnou revolúciou 4.0 alebo to bude mať aj rozsiahlejšie významy.
Čo čítať ďalej:
Ako začali neurónové siete a prečo fungujú?
V čom sa 8 ročné dieťa smeje neurónovým sietiam?
Akú máme vlastne alternatívu voči umelej inteligencii?
Ako na Nový rok, tak po celý rok
Iste poznáte slovenské príslovie “Ako na Nový rok, tak po celý rok …”, ktoré nás motivuje robiť prvý deň nového kalendárneho roku veci, ktoré chceme potom robiť počas celého roka. A tak po rannej prechádzke sa v posteli hrám so svojim trojmesačným synom, poškuľujem po rozčítanej knihe a … píšem tento blog. Lebo v písaní blogov pre komunitu mocnedata.sk a jej anglickej verzie www.mightydata.com chcem aj v roku 2018 určite pokračovať. Aby to blogovanie malo hlavu pätu pripravil som si približný edičný plán, ale o tom až za chvíľu.
Ešte než nadvihneme pokrievku nad hrncom 2018 mocných dátových blogov, dovoľte mi sa vám, vernej komunite mocnedata.sk portálu, úprimne ospravedlniť. Keďže posledný blog v roku 2017 vyšiel až 22. novembra, odmlčal som sa preto približne na 1.5 mesiaca. Spojený efekt nového zamestnania, novonarodeného Olivera v našej rodine a príprav na sťahovanie celej rodiny do nového bývania v Nemecku mal za následok, že počas nocí a víkendov (zvyčajne vyhradených pre písanie nových blogov) som prevážal a skladal nábytok alebo pomáhal svojej úžasnej manželke s našou ratolesťou. Keďže Silvestra už sme definitívne všetci spolu strávili v Berlíne v našom novom byte, verím, že sa mi podarí opäť postupne nabehnúť aj na rytmus príspevkov pre Vás, moji drahí čitatelia. Za krátkodobý výpadok autorského materiálu sa dodatočne ospravedlňujem a ďakujem za vaše pochopenie. Povzbudením do novej tvorby je pre mňa fakt, že komunita mocnedata.sk už nabrala určitú zotrvačnosť. Ani absencia nových článkov totiž neposlal čítanosť blogu do nuly a dokonca aj počas môjho odmlčania prichádzali komentáre, či otázky od čitateľov, ktorí si našli cestu k niektorému zo starších blogov.
O čom bude rok 2018 na mocnedata.sk
Mojou prapôvodnou motiváciou pre písanie blogov bolo sprostredkovať pre širší okruh s dátami pracujúcich ľudí aktuálne trendy a polemiky. Preto aj v toku 2018 sa budem snažiť písať o témach, ktoré formujú toto odvetvie. Viaceré zdroje nasvedčujú, že koncept tradičných dátových skladov (DWH) začína narážať na svoje limity a tak si povieme niečo o tom, ako a čím ich nahradiť alebo doplniť. V TeamVieweri som začal intenzívnejšie pracovať na analýze vzájomných spoločenských (social) prepojení zákazníkov v dátach a tak sprostredkujem, viac či menej, seniorné poznatky z tohto (na Slovensku nie veľmi častého) odvetvia dátovej analytiky.
Súčasťou mojej práce sa stali aj BigData z Internet Of Things (IoT), preto určite sprostredkujem návody, čím sa práca s týmto druhom dát odlišuje od bežnej dátovej analytiky. Rovnako pomenujem, aké nástroje na tento druh analýz používať a na čo si dať pozor pri tvorbe modelov nad
Do popredia sa tlačia Artificial Intelligence (AI) technológie a AI nahrádzanie ľudskej práce. Tomuto trendu sa budeme venovať intenzívnejšie (načali sme ju tu) a skúsime sa priniesť trochu reálnych podkladov do inak pomerne plytkej diskusii o tom, čo tieto zmeny budú znamenať aj pre náš región. Ak čas dovolí rozoberieme si bližšie dátové súvislosti autonómných vozidiel alebo iného odvetvia, kam sa AI vkráda najintenzívnejšie.
Rok 2018 bude intenzívny na športové zážitky (olympiáda, majstrovstvá vo futbale či hokeji) a aj do tejto oblasti budú prenikať čoraz viac dátové analýzy. Preto nezostaneme pozadu a určite sa budeme tejto téme venovať viac aj na našom portáli. Aj v športe a fanúšikovskom prostredí totiž vznikajú zaujímavé dátové príležitosti, o ktorých by sa malo nielen hovoriť.
Väčšina analytikov prechádza v týchto rokov od tradičného machine learningu k deep learningovým modelom (alebo ich to aspoň výrazne ťahá týmto smerom). Najbližší rok by som sa chcel preto intenzívne venovať jednotlivým typom neurónových sietí, ich trénovaniu a vzájomným rozdielom. Pokúsim sa namiešať rozumný mix pre začiatočníkov v tejto téme ako aj úplne nových trendov pre pokročilých Deep minerov.
Tradičným korením počas roka budú rozhovory s expertmi, recenzie odborných kníh a ďalšie kolá dátových hádaniek (v ktorých budem pokračovať, hneď ako naplním rest vyhodnotenia ostatného kola). Samozrejmosťou budú novinky z oblasti dátovej analytiky, ktoré sa objavia. Ak Vám chýba nejaká konkrétna téma, s ktorou by ste chceli, aby sme sa na mocnedata.sk venovali viac, hneď mi napíšte na info@mocnedata.sk, rád vašej prosbe vyhoviem.
Rovnako by som rád využil tento prelom roku na prosby, aby ste mi poslali na daný email spätnú väzbu o tom, čo sa vám páči a čo nie na mocnedata.sk. Všetky Vaše podnety pretavím do predsavzatí, ako zlepšiť tento portál pre vás.
Na záver mi dovoľte vám všetkým popriať v súkromných aj data-analytických životoch veľa úspechov, radosti z poznávania nových súvislostí, pevné zdravie a špetku šťastia k tomu. Nech vám ROC, Gini koeficient a CHI kvadrát robia radosť po celý rok!
Čo by mal vedieť Dátový analytik? [veľký prieskum]
Počas leta 2017 sa rozhodol portál Kaggle, ktorý je známy propagovaním dátovej analytiky a organizovaním dátových súťaží, zrealizovať rozsiahly prieskum medzi odborníkmi v Data Science a dátovej analytike. Celkovo sa zúčastnilo daného prieskumu viac ako 16000 expertov, ktorí odpovedali na otázky ohľadne toho, čo reálne vo svojej práci používajú, ako si našli prácu, koľko zarábajú ale aj to, ako sa posunúť ďalej. Keďže som mal tu česť sa zúčastniť tohto odborného panelu, môžem vám teraz exkluzívne na www.mocnedata.sk sprostredkovať niektoré zaujímavé výsledky tohto prieskumu. Registrovaní členovia komunity MocneData si môžu stiahnuť celé výsledky prieskumu v tomto doplnkovom blogu. Pre otvorenie budete potrebovať heslo k uzamknutým blogom, ktoré ste dostali pri registrácii do komunity.
***** Ak ešte stále nie ste registrovaným členom komunity, za 2 minúty a úplne bezplatne sa zaregistrujete TU. *****
Aké vekové skupiny pracujú v data miningu
O tom, že práca dátového analytika je pomerne mladá profesia sme už hovorili v predchádzajúcom blogu. Aby sme tomu však dodali úplný kontext, pozrime sa na vekové rozdelenie tejto profesie podľa odpovedí expertov z daného odvetvia. Z grafu je vidno, že medián veku Dátového analytika je približne 30 rokov, pričom “vekový chvost” sa ťahá až do 50+ ročníkov:
Ako dlho musím študovať, aby som sa uplatnil v tejto brandži?
Pri najímaní ľudí do dátových pozícií sa vedú siaho-siahle polemiky o tom, či postačuje základné vysokoškolské vzdelanie alebo by ste mali pri budovaní Data Science teamov siahať po ľudoch s doktorátmi z data analytiky. Dáta ukazujú, že väčšina teamov si vystačí bez PhD držiteľov, aj keď v skutočnosti to môže byť klasický chicken-egg problém, keď ľudí s doktorátmi v tejto oblasti je tak málo, že aj keby ste najali všetkých ľudí s PhD z tejto oblasti, tak by stále boli v menšine oproti ostatným dátovým analytikom. Nuž pohár môže byť aj poloplný aj poloprázdny, aktuálne výsledky však ukazujú, že ak sa chcete teraz zamestnať v oblasti datových analýz, len každý 4tý zamestnávateľ očakáva/ocení III. stupňové vysokoškolské vzdelanie v dátovej analytike:
Aké metódy/algoritmy sú najčastejšie potrebné
Z môjho pohľadu veľmi zaujímavou spätnou väzbou bolo vidieť, aké metódy dátovej analytiky najčastejšie v pokročilej analytike používajú analytické teamy po celom svete. Pri vyberaní ľudí do nášho teamu sa totiž často stretávam s tým, že kandidáti básnia o tom, ako by chceli pracovať na deep learningu (neurónových sieťach). Skutočným chlebom a soľou denno-dennej analytickej práce dátových teamov sú však (zatiaľ) ešte stále Machine learningové modely. Musím povedať, že výsledky tohto zisťovania pragmaticky poukazujú na to, že dobre zvládnutá logistická regresia je stále cennou zbraňou v biznis aplikáciách data miningu.
Ak patrte medzi začínajúcich dátových analytikov, tak tento graf môžete brať ako návod, čo si naštudovať ako prvé (s čím sa najčastejšie stretnete). Rád by som upozornil aj na to, že ak si sčítate odpovede expertov v prieskume, tak priemerný dátový analytik musí ovládať minimálne 3 rôzne metódy predikcie:
Aký “šrobovák” na to potrebujem?
Pomerne zaujímavo vyznieva aj odpoveď, aký nástroj najčastejšie pri svojej práci Dátoví analytici používajú. Že sa oplatí zohnať si nejakého hada, sme už spolu rozoberali na tomto portáli. Takže prvenstvo Pythonu je len opätovným potvrdením, že tento trend treba brať vážne, ak chcete ďalej pracovať v dátovej analytike aj do budúcna. Z uvedeného grafu by som však chcel vypichnúť iné 2 podstatné veci. Všimnite si, že SQL je potrebné stále vo viac ako 53% prípadov. Keď sme testovali kandidátov prácu v Teamviewer Data Science teame na ich technické zručnosti, podozrivo veľa z nich malo vážne medzery v tradičnom SQL. Ako by pri celom hype okolo RNN a CNN zabúdali na to, že väčšinu dát, ktoré budú spracovávať, sú štruktúrovanej povahy a bude ich potrebné vydolovať z nejakej relačnej databázy.
Druhým podstatným javom, ktorý by nemal uniknúť vašej pozornosti, je, že v prvej desiatke najpoužívanejších nástrojov nenájdete žiaden typický proprietárny systém ako SAS, SPSS alebo nim podobné. Ak ste sa teda v minulosti spoliehali primárne na znalosť týchto softwarov, bolo by vhodné si doplniť zbierku aj o znalosti niektorých z tu uvedených Top 15.
Aké dáta budem spracovávať?
Na záver nášho krátkeho exkurzu do zákutí práce dátových analytikov by som rád pridal zaujímavý pohľad, ktorý hovorí o tom, s akými druhmi dát budete pri práci dátového analytika prichádzať do styku. Asi nikoho neprekvapí, že tabuľke stále dominujú štruktúrované relačné dáta z klasických SQL zdrojov (čo podčiarkuje potrebu SQL). Čo je však zreteľu hodné, že analyzovanie textu je už potrebné pri viac ako 50% prípadov pracovných pozícii. Tu vidím asi najväčší disconnect medzi tým, kam sa odborná diskusia uberá na Slovensku a v zahraničí. Ak si zájdete na nejakú lokálnu odbornú konferenciu o analytike, príspevkov o systematickom analyzovaní textu, prípadne best practice v tejto oblasti je ako šafránu. Apelujem preto na všetkých organizátorov týchto eventov, mali by sme sa posunúť bližšie k usecasom s text miningom, ak nechceme zostať na periférií rozvoja.
Pár slov na záver
Myslím, že výsledky tohto prieskumu môžu byť cenné nielen pre jednotlivé univerzity, ktoré majú vychovávať pre náš pracovný trh dátových analytikov, ale aj pre personálne agentúry, či manažérov analytických teamov, ktorí hľadajú ľudí pre analytické teamy. Trendy, ktoré sa v tomto prieskume popisujú boli dôvodmi, prečo som sa rozhodol skúsiť šťastie v zahraničí. Myslím, že je to cenné zrkadlo aj každému z nás, ktorí v odvetví data miningu pracuje alebo plánuje pracovať. Štúdia jasne pomenúva, ako má profil žiadaného dátového analytika vyzerať a tak si každý vieme pozrieť, aký gap do tohto profilu ešte stále máme. Ak teda patríte do jednej z týchto skupín, odporúčam Vám pozrieť si aj detailné dáta z tohto prieskumu.
Chleba za 8 Facebook likov. Za potraviny už je možné zaplatiť aj osobnými dátami.
V korporátnom svete sa už roky hovorí, že dáta sa stávajú ďalšou komoditou. Monetizáciou, teda predajom dát, sa aj u nás zaoberá niekoľko spoločnočností. (napr. už spomínaný market locator) Doposiaľ si však za dáta mohli niečo kúpiť zväčša iba firma od inej firmy. Ako radový človek ste so svojimi dátami v obchode nezaplatili. V Nemecku však otvorili prvé potraviny na svete, kde môžete nakúpiť čisto za svoje dáta.
Mlieko za 10 fotiek, chlieb za 8 likov
Nie, skutočne nejde o nejakú recesiu. V nemeckom Hamburgu sa rozhodli otvoriť Datenmarkt, prvé potraviny, v ktorých za tovar platíte svojími osobnými údajmi z Facebooku. Tak napríklad na toastový chleba vám postačí vzdať sa 8 FB likov, alebo si môžete kúpiť plnené knedlíky za texty 5 facebook správ. Ako sa na správne potraviny patrí, nedávno mali dokonca akciu na väčšinu ovocia, ktoré bolo zlacnené iba na 5 facebook fotiek.
Platba pri tom funguje veľmi podobne ako v prípade platby kartou. Len nezadávate svoj pin, ale pre uskutočnenie platby sa prihlásite do facebook účtu a odovzdáte patričný počet likov, fotiek alebo správ z Facebook mesendžru. Papierový účet za nákup, ktorý vám pokladňa vytlačí dokonca obsahuje prehľad digitálneho obsahu, ktorý ste sa rozhodli “obetovať”. S takto poskytnutými dátami (spolu s vašimi metadátami) následne investor tohto Datenmarketu môže obchodovať na marketingové účely. Zaplatením za tovar mu k tomu dávate plný súhlas.
Poklady, ktorých sa vzdávame
To, čo na prvý pohľad vyzerá ako elgantné a definitívne riešenie pre problém hľadujúcich bezdomovcov, má v skutočnosti oveľa vyššie ciele. Autori tohto projektu chcú okrem iného upozorniť, že každá naša osobná informácia má svoju hodnotu. Pri tom veľkého množstva údajov sa dobrovoľne vzdávame v prospech digitálnych gigantov ako sú Google, Facebook či YouTube. Naše osobné údaje (alebo priestor vedľa ich vyobrazenia) má už dnes konkrétnu hodnotu.
V západných krajinách sa postupne otvára otázka, aká je hodnota digitálnej stopy človeka? Alebo povedané inak, ak už odovzdávame údaje týmto “obchodníkom s pozornosťou”, ako ich nazval profesor Tim Wu z Columbijskej Univerzity v USA (ktorý sa tejto téme venuje), akú protihodnotu by sme si mali pýtať späť? Raz tak možno príde situácia, že keď ma dlhy pritlačia okrem “rozbitého prasiatka” si to odnesie aj môj Facebookový účet. Jednotlivé vlády už dne stanovili peňažný ekvivalent ľudského života pre štát (ako ekvivalent priemerných daní, ktoré člove za život zapaltí). Zostáva teda kvantifikovať hodnotu náčho digitálneho života. Bizarné? Nuž v dnešnej dobe už ani moc nie.
Jedlo áno, služby nie
Otvorenie Hamburského Datenmarketu, žiaľ totiž pomerne jasne potvrdzuje hypotézy, ktoré skúmajú rôzni behaviorálni ekonómovia už vyšše 5 rokov. V prípade monetizácie dát ľudia uplatňujú podobný princíp ako v prípade sladkostí alebo iných hriechov. Vyhráva totiž okamžitý úžitok (immediate gratification) nad prísľubom nejakej ďalšej hodnoty. Väčšina ľudí vie, že ich osobné údaje majú v skutočnosti hodnoty. Keď sú totiž postavení pred voľbu poskytnúť dáta, aby získali presnejšie ponuky alebo nejaké budúce služby nemateriálnej povahy (napr. poistenie, alebo najbližšie strihanie zdarma), až 80% ľudí nie je ochotných na takúto výmenu pristúpiť. Avšak, ak tí istí ľudia dostanú ponuku na niečo hmatateľné teraz, sú ochotní vymeniť svoje kontakty a osobné údaje za aj tak triviálne hodnoty ako je jedna pizza.
Možno si poviete: “Počkaj, veď všetci menovaní digitálni obri predsa neponúkajú nič hmatateľné, Google, Facebook aj YouTube poskytujú istú formu služby, nie?” Pointa však spočíva v tom, že pri všetkých troch prípadoch ide o immediate gratification. (okamžité reakcie na FB, rýchla potreba nájsť informáciu na Googli alebo okamžitá zábava na YouTube). Premeniť naše digitálne údaje (ktoré považujeme za podobne hmotné ako vzduch okolo nás) na niečo hmatateľné, čo sa dá spotrebovať, nám príde ako “skvelý deal”. Ak by sa tento trend potvrdil, bude zrejme v našom okolí vznikať mnoho služieb, ktoré skúpia od nás osobné údaje za …. napríklad za jogurt, či lístok na koncert. Ak vám napadá nejaký podobný biznis model, rýchlo ho bežte zrealizovať, kým vás niekto nepredbehne. Príspevok na chod www.mocnedata.sk za vnuknutie tejto inšpirácie nechávam na dobrovoľnej báze.
Držte si klobúky … (statusy)
Hneď ako sa stanú bežné platby dátami z už existujúcich dát, určite príde niekto, kto bude ochotní vám dokonca požičať na dátovú hypotéku. V praxi sa teda vzdáte aj svojich budúcich “autorských práv”. Pre mnohých vo finančných potiažoch to určite bude príjemnejšie ako sa vzdať chladničky či strechy nad hlavou. A to už sme nenápadne prekročili rieku do istej formy informačného a dátového otroctva. Pritom najzranitelnejšie skupinou budú práve menej majetné skupiny a mladí ľudia, ktorí majú pred sebou dlhý (a teda cenný) digitálny život, ale málo peňazí vo vrecku na novú motorku. Úplne iný hlavobôl čaká utility, ktoré budú musieť speňažiť dáta, aby vôbec do budúcna v konkurencii prežili.
Už čoskoro sa tak zrejme dočkáme, že okrem kryptomien ako Bitcoin, Ethereum alebo Blackcoin si budeme môcť vydolovať (z vlastného Facebooku) aj digitálnu menu ako FB Fotka, alebo FB like. A naša doba tak získa o jeden stupeň viac bizarnosti. Viete si predstaviť ako celebrita prispela na charitu celé 4 albumy svojich Facebook fotiek? Z toho sa predsa nik nenaje. Či vlastne už áno?
Mohlo by vás v tejto téme zaujímať:
3 spôsoby ako naučiť robotov správať sa medzi ľuďmi?
Nové netradičné spôsoby reklamy
Aký budík zvoní ráno Vodárom či Plynárom?
Robíte Marketing? Asi vás obesia.
Rozsiahly prieskum, realizovaný na nemecky hovoriacich trhoch (DACH) a publikovaný v Septembrovom čísle Harvard Business Manager, preukázal, že pozícia marketingových riaditeľov (CMO) patria medzi nevratkejšie. V nestabilite už dokonca predbehla aj legendárne Sales pozície, ktoré si v minulosti “balili kufre“ najčastejšie. Prieskum ukázal, že až 80% CEO je nespokojných so svojim šéfom marketingu, pričom s CFO alebo CIO sú nespokojní len v 10% prípadov. Môžu si za to marketéri sami alebo sú obeťou systému?
CEO neostávajú len pri nespokojnosti
Ej veru, že nám tí CEO nechodia plakať večer manželkám na rameno. Ako daný prieskum dokumentuje, viac ako 40% CMO manažérov sa nedožije ani konca druhého roka vo svojej funkcii. Regulárneho 4ročného obdobia, na ktoré sa zvyčajne stavajú top manažérske zmluvy, sa dožije iba 33% percent. Ak teda pracujete v marketingu, pýtať sa na mimoriadne platy k pracovným jubileám (10 rokov v práci) je momentálne asi zbytočné. Pre férovosť situácie treba uviesť, že podľa daného prieskumu marketingoví riaditelia „nehynú len pod sekerou CEO“, ale neraz aj sami odchádzajú vyfrustrovaní z vývoja vo firme. To však stále nedáva odpoveď na otázku: Prečo sa to CMO deje?
Bože, prečo, povedz prečo?
Istý vhľad do toho, čo by mohli byť príčiny tohto javu, prinášajú kvalitatívne interview s oboma stranami (odchádzajúcimi CMO a prepúšťajúcimi CEO). Zakiaľ pri CIO, CFO sú najčastejšie dôvody odchodov absencia osobnostného rastu alebo finančné ohodnotenie, väčšina CMO udáva ako dôvod svojho odchodu absencia vplyvu na dianie v spoločnosti alebo odchýlenie sa skutočných úloh od zadania pri najímaní do role. Ak by sme teda dali iba na názor odchádzajúcej strany, vzišlo by z toho, že CMO nemajú reálne kompetencie presadiť, to čo sa od nich očakáva.
Aby sme však boli objektívny, poďme zahrnúť do cocktailu aj pohľad nespokojných kolegov, ktorí CMO vyčítajú najmä ráznosť a nemerateľnosť zmien, ktoré realizujú, prípadne nenaplnenie obchodných cieľov, ktoré sa (nie vždy právom) očakávajú práve od marketingu. Čo trčí ako prienik z oboch pohľadov je rozpor medzi zadaním (bez ohľad na jeho reálnosť) a skutočnými efektmi. Vo väčšine prípadov teda CEO nevyberú pre dané zadanie správneho človeka a to buď bez potrebných zručností alebo nestotožneného s tým, kam by to vlastne chcel CEO potiahnuť.
Prečo to je problém a ako s tým naložiť
Článok v Harvard Business Manager sa následne venuje tomu, ako sa teda s týmto kameňom úrazu pri hiringu vysporiadať (o tom samostatný blog tu). My sa však v tomto blogu pristavme krátko pri tom, prečo to vlastne je tak zásadný problém. Veď napríklad obchodní riaditelia nikdy nemali dlhú trvácnosť a bolo bežné, že prichádzajú a odchádzajú, tak v čom je problém? Nuž základný problém, prečo fluktuácia CMO je oveľa väčším problémom ako fluktuácia CSO, CIO alebo CFO je, že šéfovia marketingu zvyčajne zodpovedajú za positioning a prezentáciu produktu a v neposlednom rade, za marketingový budget. A tak hoci „nešikovný“ CIO nestihne za 1 rok veľa nevratných chýb, v prípade CMO môžu byť škody okamžité a závratné (občas aj nevratné).
Zopár osobných slov na túto tému
Pre férovosť uvádzam, že obsah tejto časti nie je podložený už vyššie citovaným prieskumom a je skôr mojim osobným názorom (ktorý môže a nemusí korešpondovať s vašimi skúsenosťami). Keď som ti prečítal vyššie citovaný článok, skúsil som si spomenúť na všetkých 11 marketingových riaditeľov, s ktorými som mal šancu vo svojom živote spolupracovať. V mnohých z týchto 11 prípadov bola na nich páchaná krivda zo strany Salesu. Ak totiž šéf obchodu v minulosti mal silné roky a teraz po príchode nového CMO prišiel rok menej úspešný, Salesáci presvedčili CEO (a zvyšok firmy), že to ten hlúpy marketing im nedáva adekvátnu podporu (to že sa spolupodieľali na vyobcovaní aj predchádzajúceho CMO už akosi zaniklo vo vare udalosti …) Keďže aktuálne prieskumy ukazujú, že CSO vydržia vo firmách v priemere už dlhšie ako CMO, tento jav „kopni si do benjamína“ sa má šancu čím ďalej stupňovať.
Druhá skutočnosť, ktorá mi však čerstvo vystúpila z pamäte bol fakt, že väčšina z uvedených 11 manažérov boli ľudia z kreatívnej časti marketing spektra. Vyžívali sa v tvorbe kreatívy (ktorú zadávali agentúram), PR a organizovaní alebo sponzorovaní eventov (pre zamestnancov a partnerov), ale často im bola cudzia strategická časť marketingovej práce. Povedané po lopate, bavilo ich realizovať komunikáciu, ale zriedka excelovali v tom vymyslieť dlhodobú a naprieč kanálmi premyslenú stratégiu. V základných pojmoch ako segmentácia klientov, vymedzenie sa voči konkurencii, tlak na inovácie ponuky služieb a produktov alebo digitálna stratégia firmy išli len po povrchu alebo sa spoliehali na know-how rôznych konzultantov a agentúr. Ak sa teda kampane dostali do problémov, nie vždy vedeli v čom problém väzí a za ktorú záchrannú páku zatiahnuť.
Možno to nebude odo mňa fér, ale čím ďalej tým viac mám pocit, že našim CMO chýba zmysel pre dáta. Väčšina rozhodnutí v oblasti marketingu sa robí na základe focus skupín a externých trhových prieskumov postavených len na vzorkách, hoci často oveľa presnejšie informácie je možné získať z dát o vlastných klientoch alebo z verejne dostupných BigData zdrojov. Ak sa už aj marketingoví šéfovia odhodlajú pracovať s dátami, zväčša si vyberajú metriky, ktoré sú pomerne povrchné (napr. GRP, počet videní videa) alebo ktoré sú výsledkom predchádzajúcich období (napr. spontánna či podporená znalosť značky). U mnohých marketérov (na rôznych úrovniach seniority) som videl, že keď sa debata zaviedla na detailnejšie čísla a čo z nich vyplýva, začali sa mrviť alebo vtipkovať o tom, ako sa s matematikou nemali na strednej škole radi. Tí kreatívou viac šmrncnnutí dokonca hovoria, že išli študovať práve marketingovú komunikáciu, aby sa vyhli skúškam z matematiky.
To je profil, s ktorým to budú mať CMO v dnešnej dobe čoraz ťažšie. Digitálne kanály sú totiž tvrdo postavené na metrikách a ich riadení. Ako databázy klientov rastú, čoraz pálčivejšia je otázka kvalitnej (konkurentmi nekopírovateľnej) segmentácie klientov a analyzovania správania klientov. Ak teda CMO chcú zvrátiť realitu „priemernej dĺžky“ svojho pôsobenia v jednotlivých firmách, budú musieť vyhlásiť dátam aspoň prímerie. Alebo sa obklopiť ľuďmi, ktorí ich budú rešpektovať a budú im tvoriť pojítko na prácu s data-intenzívnych projektov. Tak čo páni a dámy, CMOs, napíšete Ježiškovi o nejaký vzdelávací kurz z analýzy dát?
Ďalej by vás mohlo zaujímať:
Ak môžem poradiť: Zožente si hada!
Ako si vyberáju data manažérov na západe?
