Polecam lekturze - gościnny wpis Stanisława Grabowskiego, Strategy Directora w MediaCom Warszawa - o tym, jak bardzo branża komunikacji marketingowej (i nie tylko ona) się zmienia, jak łączyć z sukcesem dane i kreatywność oraz, że warto szukać jednorożców!
Dane zabijają kreację?
Jest taka scena w jednym z moich ulubionych filmów - "Czego pragną kobiety". Mel Gibson stoi w łazience i w towarzystwie piosenki Franka Sinatry (oraz butelki drogiej zapewne flaszki wina) sprawdza na sobie różne "kobiece" produkty.
Kocham tę scenę, bo jest kwintesencją tego, co uwiodło mnie w branży reklamowej, czyli "procesu kreatywnego", który jest najbardziej zawiłym, nieopisanym, nieokiełznanym, chaotycznym, wymagającym założenia damskich rajstop (no dobra, przesadzam...) procesem w świecie marketingu.
Ten świat jednak dramatycznie się zmienia. W 2015 po raz pierwszy w historii hasło "creative director" w Google zostało przebite. Przez co? Przez "data scientist".
Gdzie nie rzucicie kamieniem, tam traficie w konferencję o Big Data, Marketing Automation, Programmaticu lub o zaletach DMP. Świat danych pachnie nowymi możliwościami, zachwyca potencjałem i trochę przeraża tempem rozwoju i rozmiarem. Tak być powinno... ale czy nie odpłynęliśmy za bardzo od świata "Mad Menów"? Czy nie zapomnieliśmy, że marketing to także sztuka?
"Milcz, cieniasie!" - wykrzykuje Alexis do chłopaków w przebieralni. Zaraz zje Snickersa i znowu będzie sobą. "Siedzę na koniu", mówi w kultowej reklamie Old Spice Isaiah Mustafa. "To jak dorabiać ideologię do śmietnika na ulicy... na rowerze się jeździ" - mówi Antek - jeden z bohaterów mini-serii #TrueTeens od Sprite.
Te pomysły nie narodziły się dzięki analizom BigData. Nie stworzyły ich algorytmy. Świat Danych kapitalnie sprawdza się w usprawnianiu. W optymalizacji. W wyciskaniu dodatkowych 5%. Idee, które wyciskają ekstra 50% rodzą się inaczej...
Produkt zrodzony z danych
Netflix wydał 100 MILIONÓW dolarów na produkcję serialu "House of Cards" (76/100 na matecritic). Od razu też wyprodukowali cały sezon. Zupełnie zignorowali robienie "pilota". Dlaczego? Netflix przekopał się przez terabajty danych w poszukiwaniu recept na dobry serial i... znaleźli je. To dane zadecydowały, że zrobią serial polityczny. To dane podpowiedziały, że bohaterem powinien być Kevin Spacey. Sprawdzili, jak ludzie oglądają seriale, kiedy pauzują, kiedy rezygnują, a które sceny puszczają sobie wielokrotnie. Dzięki temu Netflix wiedział nawet jak jego serial powinien być zmontowany - scena po scenie.
Sukces chciał powtórzyć Amazon. Także spojrzeli w dane, przeanalizowali, zestawiali, wymodelowali i stworzyli... serial "Alpha House" o amerykańskich senatorach. Przyzwoity (68/100 na metacritic), ale nie rewelacyjny show. Żaden hit. Dlaczego tym razem się nie udało? Czy Amazon nie zna się na analizowaniu danych?
Kosmiczna ironia losu polega na tym, że sztuka wykorzystywania danych do wielkich idei i rewolucyjnych pomysłów wymaga... kreatywności!
Szukamy Jednorożca
Teraz być może zaczynacie rozumieć, dlaczego w 2015 więcej osób szukało "data scientist" niż "creative director". Data Scientist to taki branżowy jednorożec. To człowiek, który zna się na analizie danych. Zna się także na pisaniu kodu. Zna się również na marketingu, aby wiedzieć czego szuka, lub wiedzieć, że trafił na wartościowy trop. Jest przy tym niezwykle kreatywny - zarówno w myśleniu o źródłach danych, metodach obróbki, jak i ich wykorzystaniu.
Jeśli nie umiecie zwizualizować sobie specjalisty od Data Science, wyobraźcie sobie Ekonometryka pracującego na Macu.
Brak ludzi o takim profilu jest jednym z największych wyzwań świata marketingu w najbliższym okresie. W samych tylko Stanach Zjednoczonych zabraknie w tym roku około 200 000 takich jednorożców i około 1,5 miliona (!) managerów, umiejących kreatywnie korzystać z danych.
Jak sobie zatem radzić?
Po pierwsze - trzeba tworzyć zespoły, w których będą reprezentowane umiejętności: rozumienia biznesu, rozumienia marketingu i komunikacji, analizy i "procesu kreatywnego". Może wystarczą dwie osoby, może potrzeba ich pięć.
Po drugie - Data Scientist musi czuć swobodę działania. Projekty data science rzadko mają określone na początku "deliverables". Wynikiem projektu może być raport, segmentacja klientów, ale może też być algorytm. Jasny i precyzyjny musi być tylko cel biznesowy.