Data Analyst: cosa fa e perché è essenziale

Piacere! Sono un Data Analyst e mi occupo di ascoltare le persone sui vostri siti web e sulle vostre app.

Non ci credete? Sicuramente vi avranno detto che noi siamo quelli che vi dicono “quante sessioni abbiamo fatto questo mese”, quelli di Google Analytics, TagManager e dei report lunghi e pieni di metriche, a volte davvero poco chiare. Ebbene, ancora una volta: piacere, sono un Data Analyst, ascolto le persone e vi invio report lunghi (ma comprensibili!).

È tutto vero: il lavoro di data analysis parte proprio dall’ascolto dei vostri utenti nei vostri spazi digitali (siti web, social network, app, …), attività possibile grazie ai servizi di Data Collection che monitorano ciò che avviene in questi “luoghi” e ne registrano gli aspetti salienti in database che ogni giorno interroghiamo.

Ecco: il data analyst chiede, ascolta le risposte e vi restituisce (anche con l’ausilio di numeri e metriche insolite) la “voce” dei vostri utenti. Solo loro, infatti, sanno di che cosa hanno bisogno, che cosa amano del vostro sito, quanto sono interessati a determinati argomenti e cosa preferiscono acquistare nel vostro store online.

Se ancora non siete fuggiti da questa pagina (e lo saprò di sicuro, guardando i dati delle pagine del nostro Journal) proverò a raccontarvi il bello del nostro lavoro, l’ambiguità dei numeri e perché possiamo aiutare anche voi nel vostro business.

Data Analysis: che cos’è e come si fa

Il Data Analyst è il professionista che si occupa di ispezionare, rifinire, trasformare e modellare i dati da un archivio (database). Nella pratica, tuttavia, la sua figura si espande e può diventare (soprattutto in team) un partner nel definire i KPI da misurare e monitorare, suggerire i comportamenti da tracciare sulle diverse piattaforme (data tracking e data collection) e presentare insight utili al business, rielaborando il dato attraverso indicatori di sintesi, tabelle, diagrammi e infografiche (data visualization).

La figura del data analyst, in sintesi, è essenziale per analizzare situazioni, visualizzare relazioni e dare peso quantitativo a eventi e comportamenti, con l’obiettivo di dare insight utili al business per valutare le performance attuali e storiche e operare scelte strategiche più solide e fondate.

È proprio con l’idea di portare più razionalità alle scelte del business, i professionisti della data analysis di stampo più scientifico hanno affinato sempre più tecniche e strumenti predittivi (data mining) e di aggregazione di grandi moli di dati da fonti eterogenee (business intelligence) per poter fare fronte alle richieste più esigenti dei grandi brand internazionali.

Il modello scientifico e il Kaizen nella Data Analysis

Come ogni attività strategica, anche la Data Analysis segue dei flussi progettuali definiti che permettono di costruire strumenti di data collection efficaci e, da questi, ottenere dati coerenti, consistenti e soprattutto utili.

La struttura che più rappresenta la metodologia che segue un data analyst è quella ciclica del metodo scientifico: a seguito dell’osservazione del “mondo” ci si pone delle domande a cui si cerca di rispondere con adeguati strumenti e analisi. Da quanto emerso originano ulteriori domande, secondo un processo in continuo divenire.

Cosa c’entra questo con Google Analytics? C’entra eccome!

Il Data Analyst riceve una richiesta (o una domanda) dal cliente da cui inizia la “ricerca” vera e propria, ad esempio:

“il mio sito è efficace per attrarre e soddisfare i miei clienti?”.

Da questo punto in poi inizia il flusso progettuale “scientifico”: si pianificano i comportamenti e le metriche da rilevare e misurare, si definiscono i dati necessari, si procede alla loro raccolta e analisi e si rappresentano, infine, i risultati in forma chiara e sintetica. Da questo punto in poi il processo ricomincia in un’ottica di espansione della domanda, monitoraggio continuo e miglioramento costante della metodologia e degli strumenti usati, richiamando la filosofia giapponese del kaizen (miglioramento graduale e continuo).

Se vi ho convinto, passiamo in rassegna i principali momenti di questo processo, per capire meglio la giornata tipo del nostro Data Analyst.

Le fasi della Data Analysis: che cosa fa un Data Analyst?

Come anticipato, la data analysis non è solo analizzare i dati e fare report ma partecipare a un flusso progettuale di ascolto, comprensione e comunicazione più ampio e strategico.

Vediamo assieme i diversi step della Data Analysis:

1. Pianificazione (Planning): è la prima fase che prevede la comprensione dell’esigenza del cliente, la scelta delle metriche, degli attributi e dei comportamenti da rilevare e la definizione degli strumenti necessari per registrare e raccogliere questi dati. Ogni ricerca inizia con una o più domande ed è proprio in questa fase che si cerca di comprendere le necessità reali del committente che vanno tradotte in elementi digitali chiari, rilevabili e consistenti: i dati che rappresentano le azioni e le scelte dai vostri utenti online. Per farlo ci si può affidare a una infrastruttura di raccolta dati esistente, valutando eventuali modifiche necessarie, oppure si può pianificare la costruzione ex-novo di un sistema di tracciamento ad hoc.
2. Raccolta dei Dati (Data Collection): definito cosa si vuole registrare, quali strumenti utilizzare e predefinito l’ambiente di tracciamento e raccolta dati inizia la fase più delicata: l’ascolto degli utenti. La fase di raccolta dati può sembrare la più passiva, in realtà è la più insidiosa poiché possono accadere diversi inconvenienti, spesso non risolvibili a posteriori. A esempio, il dato può non venire registrato correttamente (per problemi tecnici o di settaggio) oppure possono inserirsi in corso d’opera nuove variabili per cui è necessaria una pronta riorganizzazione del tracciamento e della data collection. È poi possibile che ci si accorga in itinere che il dato raccolto è troppo sintetico o troppo dettagliato, eventualità che può portare in una fase successiva a problemi di approfondimento o di comprensione della big picture. Per questi (e diversi altri) motivi, in questa fase è necessario un monitoraggio continuo per individuare immediatamente possibili margini di miglioramento nella raccolta del dato.
3. Analisi e Reportistica (Analysis & Reporting): dopo la data collection, il dato viene filtrato, ordinato, confrontato, analizzato e/o aggregato per rispondere alle domande iniziali e viene dato un valore numerico alle metriche richieste dal cliente. Il processo non è lineare: spesso ci sono più strade per dare spiegazioni di un comportamento o per valutare le performance digitali ed è quindi necessario verificare quale sia il dato migliore per raccontare cosa sta succedendo nel mondo degli utenti. L’analisi termina con la raccolta commentata dei dati estratti ed elaborati nel report, il documento che illustra e sintetizza con descrizioni, tabelle, grafici e indicatori di sintesi (data visualization) tutto il percorso di Data Analysis sin qui svolto.
   Ma ricordate: un buon Data Analyst difficilmente vi darà soluzioni, ma piuttosto vi mostrerà strade, spunti, idee, pattern, comportamenti utili a comprendere un po’ di più i vostri utenti!
4. Comunicazione e Azione (Decision Making): l’ultima fase del ciclo di data analysis prevede la comunicazione dei risultati dell’analisi al cliente e la risposta alle domande che l’hanno mossa. È importante, in questa fase, dare contesto e priorità ai dati illustrati, in modo da indicare al committente la giusta modalità di lettura del dato, essenziale per poter effettuare scelte di business coerenti e solide. Come spesso racconto ai nostri clienti, il dato numerico è neutro, non è né positivo né negativo. Siamo noi a dargli la giusta (o errata) attribuzione in base a come lo contestualizziamo e lo supportiamo con altre evidenze. È in questo delicato equilibrio che si riconosce il vero apporto di un professionista.
5. Miglioramento Costante (Planning again): concluso un flusso, l’analisi riprende vita con altre domande che richiedono a loro volta pianificazioni, raccolta di dati e altre analisi, secondo un circolo positivo potenzialmente infinito. L’obiettivo finale di una metodologia di questo tipo è quello di affinare gli strumenti utilizzati, migliorare la raccolta e l’analisi del dato e sensibilizzare il cliente all’ascolto dei propri utenti in forma proattiva e collaborativa.

I tool più usati per la Data Analysis

L’Analisi Dati, come abbiamo visto, passa attraverso diversi step che necessitano a loro volta di strumenti e servizi ad hoc per rispondere a specifiche necessità. I tool a disposizione di un Data Analyst sono moltissimi e in continuo aggiornamento e integrazione, per questo motivo presenteremo quelli che in TSW utilizziamo più spesso per darne una visione d’insieme.

1. Tracciamenti: questa fase richiede di inserire porzioni di codice e/o script all’interno della piattaforma su cui effettuare il monitoraggio. In alcuni casi è più semplice intervenire manualmente, aggiungendo pixel e tag direttamente da FTP e/o CMS, in altri è più vantaggioso fare uso di un gestore di Tag come Google TagManager. Con questo servizio (gratuito) è possibile organizzare tutti i pixel e i tag anche senza avere conoscenze di programmazione attraverso un’interfaccia utente chiara e semplificata. Dopo aver inserito un codice di tracciamento mastro è possibile, infatti, impostare regole e customizzare i tracciamenti senza dover richiedere ulteriori interventi dallo sviluppatore (tranne per alcuni tracciamenti più avanzati).
2. Data Collection: impostato il tracciamento, il dato viene storato in un database, in alcuni casi non prima di essere stato filtrato, organizzato e (a volte) modificato. Il servizio più diffuso è Google Analytics, disponibile sia in versione free che con un abbonamento per funzionalità on demand più avanzate (Analytics 360). Altri servizi degni di nota (a seconda delle necessità) sono: Adobe Analytics, WebTrekk, i pannelli dei diversi servizi di online advertising e di social management, MouseFlow e molti altri ancora.
3. Analisi Dati: il dato storato può essere ordinato, filtrato e aggregato da questi stessi servizi di data collection, tuttavia può essere necessario ricorrere a software aggiuntivi. Tra le tante possibilità segnaliamo il caro e vecchio Microsoft Excel, indispensabile anche per la pulizia del dato, per tabelle Pivot e non solo, e servizi premium di Business Intelligence come Microsoft PowerBi, un potente software per l’aggregazione di dati da diverse fonti, l’elaborazione (anche avanzata) e la loro restituzione in formato visuale dinamico. Altri strumenti più avanzati possono permettere una maggiore profondità di estrazione, analisi e previsione del dato, come nel caso di R, per l’elaborazione statistica, e Python, per eseguire script e operazioni avanzate.
4. Data Visualization: la fase di rappresentazione del dato numerico in forma visuale può avvenire sia attraverso infografiche statiche che dinamiche.
   • I tool di partenza per iniziare con la data visualization statica sono i classici Microsoft Excel e PowerPoint, ideali per la costruzione e l’aggiornamento di reportistiche periodiche. Oltre al già citato PowerBi, esistono inoltre moltissime altre proposte, come lo stesso Google Analytics e il suo “partner” Google DataStudio, una soluzione free che permette di generare dashboard dinamiche a partire dai dati forniti da diversi database.
   • Il Dashboarding (e tutta la reportistica dinamica) è a nostro avviso una grande opportunità per cliente e consulente, poiché permette di risparmiare tempo nella compilazione di una reportistica statica a favore di uno strumento dinamico ed efficiente (che richiede, d’altra parte, un certo investimento iniziale nella fase di setup). Con una dashboard è, infatti, possibile richiedere un dato in diversi intervalli temporali, con filtri e ordinamenti e con visualizzazioni dinamiche, il tutto on-demand, con ovvi vantaggi in termini di tempo e flessibilità.

Data Analyst: perché la consulenza di un professionista è un investimento per il tuo business

È stato detto in tutte le salse che l’ascolto dei clienti è imprescindibile per sviluppare il proprio business e aggiungere valore al proprio brand. Andare in direzione opposta comporta l’andare alla cieca, secondo ipotesi, non fatti.

L’analisi dati diventa, in questo senso, una delle possibilità disponibili al business per rilevare e comprendere appieno l’esperienza degli utenti nel mondo digitale (e non solo). Tuttavia, non basta installare il pixel di Google Analytics e guardare un grafico mensile: come già vi ho raccontato il dato non parla da solo! È necessaria una consulenza professionale che operi a stretto giro con il cliente finale e con tutti i team (o le agenzie) che ruotano attorno al più ampio progetto di marketing. Solo in questa sinergia fra utenti, aree operative e aree strategiche avviene il vero salto di qualità offerto dalla Data Analysis.

Provare per credere!