Intervju om digital analys i Podden Digitalt

I mars 2018 intervjuades jag av Malin Niklasson på podcasten Podden Digitalt om vad en digital analytiker arbetar med och hur rollen kan komma att utvecklas framöver. Vi pratade även om olika typer av analys samt skillnaden mellan att arbeta på byrå och sitta på kundsidan. Hela avsnittet finns att lyssna till på Itunes eller Poddtoppen. Här följer även ett referat från intervjun med kompletterande innehåll.

1. Hur halkade du in på digital analys?

Jag har en relativt spretig bakgrund eftersom jag började arbeta med webbutveckling redan 1998 och har därför hunnit beröra områden inom traditionell webbutveckling som PHP, ASP, HTML/CSS till webbdesign och senare projektledning, kundansvar och strategi. Är skolad Webbtekniker på Nackademin i Stockholm samt Informatik på Lunds Universitet, men är som många andra autodidakt inom det jag arbetar med idag. Jag drev tidigare en startup i Skåne ett par år innan jag vände hemåt mot Stockholm och hamnade på olika byråer och senast som Analyschef på den digitala byrån Creuna. Idag jobbar jag sedan 1.5 år tillbaka som frilansande analytiker.

2. Vad arbetar du övergripande med idag?

Jag bistår organisationer och byråer att utvinna kraften i insamlad data för att etablera en bättre grund för smartare beslut rörande sin digitala utveckling. Inledningsvis arbetade jag med att bistå olika byråer att bygga upp SEO/Analys som ett nytt affärsområde, men fokuserar idag uteslutande på uppdrag hos kundsidan med att göra motsvarig resa. Konkret innebär det att jag identifierar nuläget genom att intervjua personer i organisationen och kommer med rekommendationer och genomför aktiviteter för att bli data-informerade och därefter datadrivna.

3. Hur ser ditt arbete ut och vad innehåller det?

Konkret arbetar jag med samtliga delar i en arbetsprocess kopplat till antingen ett pågående projekt eller en aktiv tjänst. Det innebär att jag gör det mesta inom KPI-strategier, implementation av spårning, rapportering samt visualisering av data i olika former och format. Mitt största intresse ligger inom dataanalys samt att supportera verksamheten att arbeta med data som underlag för beslut. Detta innebär därför till viss del ett förändringsarbete i form av nulägesanalyser, att sätta mål och vision för området, samt bygga team genom rekrytering och coachning av juniora analytiker.

4. Vilka är arbetsuppgifterna för en digital analytiker och vilka roller finns det?

Det korta svaret är att en digital analytiker kartlägger användarbeteendet i företags digitala ekosystem. Det kan vara allt från att utforska användarresor, utvärdera onlinemarknadsföring, och flöden till att följa upp kampanjer i sociala media eller studerar aktivitet i appar eller intranät. Detta görs genom att planera vad som ska spåras, samt analysera och optimera för att förenklat sagt öka intäkter, minska kostnader eller skapa någon form av värde. Sen kan det variera beroende på verksamhet. Ibland får man nöja sig med mål som att öka engagemang eller aktivitet. 



En del arbetar mer med implementationer, i regel kanske man har en bakgrund som utvecklare medan andra arbetar mer med datastrategi och analys. Den tredje kategorin arbetar mer med optimeringsfrämjande åtgärder. Förr var det samma person som gjorde allt, men idag blir det mycket svårare att hålla sig uppdaterad inom alla områden, det går för snabbt.

5. Vad är skillnaden mellan byråsidan och att sitta inhouse?

Som konsult får du möjligheten att förfina ditt hantverk eftersom du ofta gör samma sak om och om igen för olika uppdragsgivare. Men bara för att du ser att något behöver göras är inte det detsamma som att du får göra det. Allt behöver paketeras, säljas in, offereras och om det finns avtal eller budget genomföras. Är du ny på jobbet är det mycket värt att sitta med andra specialister inom närbesläktade områden. Går du till kundsidan får du förhoppningsvis arbeta med hela processen från ax till limpa och lära dig förstå och ta dig över en del kulturella hinder vilket är lärorikt. Du får förmodligen även arbeta mer med optimering då byråers närvaro ofta taktar ner väl efter lansering. I mitt fall som frilans är arbetet ofta redan definierat av uppdragsgivare, dvs. införsäljningen sker i regel under ett första möte innan jag är igång.

6. Kan du ge exempel på hur arbetsprocessen kan se ut?

Oavsett om jag är med i början av projekt eller i slutet använder jag samma metod för att undersöka vad som har gjorts samt hur stor mognadsgraden är inom respektive område. Enkelt förklarat kan man dela upp det i sex olika block, strategi, implementation, rapportering, fördjupad analys samt optimering. Utöver det ett block som helt fokuserar på hur vi ska arbeta med data i ett i bästa fall tvärfunktionellt agilt team.

7. Vad är den stora skillnaden mellan en digital analytiker, produkt/data analytiker och en data scientist?

Historiskt har vi titulerats webbanalytiker, vilket är en exkluderade titel då antalet datakällor vi som digitala analytiker analyserar är fler än de webbaserade. När allt går mot att bli digitalt kan vi nöja oss med att istället kalla oss dataanalytiker eller data analyst.

När vi kommer till själva analysen av data och bortser från spårning så är den stora skillnaden typen av datakälla du arbetar med och även domänkunskapen. För oss som arbetar med digitala kanaler så är det givetvis så att vi enklare gör en beteendeanalys av ex. trafikkällor i Google Analytics än laborerar med ett dataset innehållande avgångar i kollektivtrafiken eller analys av mobilspel, men principen är ju densamma. Du hämtar in data, städar, analyserar, visualiserar och därifrån presenterar du insikter som någon annan har efterfrågat. Men det är skillnad på rapportering och analys, en rapport behöver ex. inte föregås av en fördjupad analys.

Historiskt har inte heller data från digitala kanaler varit lika omfattande, men den tiden är nog snart förbi. Sen finns det säkert digitala analytiker som fastnat vid att hoppa över analysen och istället flyttar siffror till höger och vänster beroende på vem som efterfrågar rapporterna.

Däremot tror jag inte att alla ska sträva efter att bli data scientists som i regel är mer av en hybrid av en utvecklare och statistiker. Det finns tillräckligt med arbete att uträtta bland digitala kanaler. Här kommer dock samarbetet mellan data analytiker och data scientists bli oerhört viktigt och även att CRM-analytikern får komma in i värmen. Det sista som behövs är konkurrens mellan dessa roller.

8. Vad är den viktigaste egenskapen hos en analytiker?

Det är sällan en sak som avgör att man blir specialist inom ett område, för dit går vi, men att ha en hög förståelse för affären, samt en förmåga att se mönster i något komplext. Du behöver ha ett metodiskt tillvägagångssätt i hur du arbetar samt intressera dig för att förklara så andra förstår. Har du dessutom ett sinne för detaljer och gillar att grotta ner dig i beteendemönster så är det en klar fördel. Jag tror alla är kapabla att lära sig om man har ett brinnande intresse och ett självständigt driv. Gör man något ofta och aldrig blir bekväm i sin arbetssituation så kommer man bli bra på det.

9. Hur mogen är branschen?


En undersökning genomförd av Web Service Awards 2017 visar att 62 % saknar mätbara mål och 70 % saknar uttalade målgrupper på sina webbplatser Sverige. Så det beror på vilken bransch. Det är främst myndigheter som är efter, dvs. våra skattepengar, vilket givetvis inte är bra. Det är hög tid att myndigheter gör sin backlog mer transparent så att vi användare faktiskt kan vara med att påverka vilka förbättringar som bör genomföras.

Generellt kan man säga att resebranschen, produktbolag, spel och gambling siter, nyhetsredaktioner och rena e-handlare är längre fram än B2B och myndigheter med renodlade informationswebbar. Att vissa vertikaler ligger längre fram är för att deras affär är online. Detta gäller även för B2B, även om få har förstått det.

Förståelsen är idag hög, det var den inte för 5 år sedan, däremot finns det för få analytiker på marknaden. Mina uppdragsgivare har sällan egna analytiker, det finns kanske personer med kunskap, men de har ofta dubbla roller så det sköts i mån av tid eller inte alls.

Många har haft fullt upp med att konstruera sitt digitala ekosystem och begränsat med tid för att undersöka effekten av det man byggt. Det är därför vi ser webbplatser som var fjärde år byggs om från grunden eftersom ingen har haft tid att optimera.

10. Har det skett några stora förändringar senaste åren?

I ett makroperspektiv har utvecklingen av digitala tjänster ökat enormt och med det ökar investeringen och därefter krav på att bevisa värdet för framtida prioriteringar. Då behövs tvärfunktionella team inkluderat digitala analytiker och experter inom användarbeteenden som kan hjälpa oss att staka ut en riktning.

När det kommer till själva verktygen så har GTM inneburit en mindre revolution i vår arbetsvardag. Tidigare var vi beroende av releaser eller en IT-avdelning, så är inte fallet idag när vi kan pusha ut ny spårning på mindre än 10 minuter. Även möjligheten att visualisera sin insamlade data har blivit enklare. Verktyg som Google Data Studio kräver inga förkunskaper egentligen. Analysverktygen blir även bättre på att upptäcka anomalier, bättre på ATM (attributionsmodellering) samt presentera kurerade insikter som hjälper oss fram till åtgärd snabbare.

11. Vilken typ av data kan företag dra nytta av att analysera?


Det genereras svindlande mycket data idag och det är svårt att begripa hur snabbt det går. Om digitaliseringen ställer krav på organisationen är det inget mot vad förändringstakten gör. Titta exempelvis på en modern marknadsavdelning idag och en för 10 år sedan, det går knappt att jämföra.

För digitala analytiker skulle jag rekommendera att släppa Google Analytics och Adobe Analytics 1 dag i veckan och börja laborera med annan data som finns tillgänglig. Statistiska Centralbyrån har mängder med data som inspel till arbetet med målgrupper, HR-avdelningen har tillräckligt med data för att prognostisera både avhopp och sjukskrivningar. Använd den datan som finns nära dig och som är enkel att relatera till och börja där. Även om datan inte är genererad ur en "digital kanal" är det lärorikt att vidga vyerna för mer fokusera på själva analysen av datan.

12. Har du några rekommendationer till företag som inte kommit igång?


För 5 år sedan hade jag kanske sagt att börja kika runt i statistikverktyget och gå Googles egna utbildningar, men det tåget ser ut att ha lämnat stationen. Börja istället med att göra en genomlysning av nuläget för att se hur illa ställt det är. Cardinal Path har ett enkelt formulär där man får svara på 6 frågor och utifrån det får du ett spindeldiagram som visar vilka områden som behöver förbättras. Ta fram en vision för hur ni vill arbeta med er data, staka ut delmål och fyll på med aktiviteter. 

Sen kan man ringa in Ghost Busters. Det finns byråer och frilansare att kontakta för att genomföra en behovsanalys och därefter hjälpa till med sådant som är akut och med tiden anställa mer senior kompetens. Outsourca aldrig era insikter för länge, det är guldet i organisationen.

13. Vad finns det för typer av analyser?

Man brukar dela in det i tre olika kategorier:


Descriptive Analytics - Dvs. beskrivande och historiska datan som berättar vad som har hänt. En fördel här är att undersöka trender över tid. Det här är ett område de flesta digitala analytiker arbetar med redan idag. En del har dessutom kommit långt med att presentera något komplex enkelt som fler kan ta del av och förstå.

Predictive analytics - Vad kommer att hända? Prediktiv analys är metoder som ex. forecasting eller regressionsanalyser. Ett konkret exempel är att undersöka försäljning under Black Friday. Genom att plocka dagarna innan och efter undersöker vi hur försäljningen hade sett ut utan några galna rabatter för att förstå effekten. Med programmeringsspråket R kan man som exempel använda bibliotek för forecasting som Arima eller Holt-Winters. 


Prescriptive Analytics - Den normativa analysen svarar på frågan vad ska vi göra. Här används machine learning för att skapa algoritmer och datorprogram som lär sig av sin egna erfarenhet & blir snarare med tiden ju mer data du matar den med.

14. Vad är skillnaden mellan ett datainformerat och ett datadrivet arbetssätt?

Som jag ser det sker detta i två steg. Vi inleder med att få till en organisation som är data-informerad, dvs. skapa rapporter som flödar, tillgängliga dashboards och self service BI verktyg där stakeholders själva kan segmentera, ändra datumintervall och exportera ut relevant data. Ett tips är att undvika personberoende för enklare typer av data. Nästa steg är det datadrivna arbetssättet som beskriver hur vi ska arbeta med ex. webbutveckling eller köpt media för att säkerställa att vi gör rätt saker med rätt resurser. Det hjälper oss att prioritera insatser med maximal nytta till minimal kostnad.

15. Robotarna tar över allt mer, kommer vi människor att behövas?

Min personliga spaning är att insamling av data, dvs. vilken spårning och data som lagras i olika verktyg samt informationen vi får när vi loggar in i ett gränssnitt kommer hanteras automatiskt av verktygen. Däremot att samla kunskap och tolka beteenden, samt att presentera insikter och därefter genomföra åtgärder är något vi människor fortfarande kommer behöva utföra ett tag till. Givetvis finns det verktyg idag som ex. automatiskt förändrar objekt på en webbplats utifrån beteende, men för större mer komplexa beslut behövs vi människor.

16. Hur kommer yrket att förändras framöver?

De tre stora trenderna som jag ser är automatisering, big data och verktyg som underlättar arbetet med att utföra mer avancerad analys.

Automatisering - Ingen har tid eller lust att betala för analytiker som flyttar siffror mellan dokument. Istället vill vi bli notifierade när trendbrott i datan sker och gärna med kvalificerade förslag på åtgärder. Nästa steg är att åtgärder görs automatiskt, ex. att objekt på en webbplats blir dynamiska utifrån hur användarna klickar eller att kopplingar mellan olika typer av innehåll förbättras. E-handlare är bra på detta.


Big Data - Frågan är hur många som egentligen samlar in stora datamängder och förenar allt för att dra omkullkastande insikter. Det är ytterligare ett stressande buzz word som faktiskt få av mina kunder arbetar med. Få korrelerar idag olika datakällor för att identifiera nya affärsmöjligheter eller öka försäljning eller nytta. Med tanke på den mängd data som kommer genereras i och med IoT kommer detta bli allt mer betydande.

Analys för den late - BI verktyg som Tableau har funnits länge, där du egentligen oavsett förkunskaper kan klicka runt i ett gränssnitt för att göra relativt avancerade analyser. Historiskt har statistiker och matematiker haft företräde att göra detta jobb, sen kom programmeringsspråk som R där du med två rader kod kan konstruera en regressionsanalys, nästa steg blir att modeller och algoritmer som används vanligtvis av data scientists nu blir tillgängliga för fler bakom ett enklare visuellt gränssnitt. Och redan idag med relativt få klick kan du lära dig skrapa data från webbplatser, städa upp, analysera och presentera den prydligt. Exploratory är ett exempel på verktyg som använder R som bas i bakgrunden av det du ser i gränssnittet.

Har du något du vill rekommendera?

  • Arbetar du med analys och är intresserad av att lära dig R och hur du kan kombinera R med Google Analytics kan jag rekommendera Dartistics skapad av Tim Wilson och Mark Edmondson. Här hittar du förutom grunderna i statistik även färdiga exempel på hur GA data kan hämtas och presenteras.

  • Arbetar du med relaterade frågor och vill gå med i ett nätverk bestående av andra digitala analytiker, SEO-specialister och CRO-konsulter så gå med i Slack-kanalen Insight & Analytics Sverige. Idag är vi närmare 370 personer som delar och hjälper varandra inom en rad områden.

  • Om du saknar en UX/Designer vid din sida men ändå vill få lite tips på vad som går att optimera kan jag rekommendera http://www.eyequant.com/, den använder machine learning för att föreslå förbättringar på sidan för ökad konvertering och är ett plugin till Chrome.

Arbetar du som digital analytiker i Göteborg med omnejd så connecta gärna med mig på Linkedin.

Kommentarer