David Boyle领导了一些全球最大的电视，音乐和印刷发行商的分析计划。 从政治活动的工作到音乐唱片公司EMI，再到HarperCollins，以及在BBC的现任职务中，David不仅因对分析系统的深刻理解和对新兴技术的探索而脱颖而出，而且由于其教学和获胜的能力而脱颖而出。他的执行同事，使他的见识导致结果。
在2月份在Pandemonio进行演讲之前，我们请David就总体出版的未来以及该行业是否可以自救的想法发表看法。
P andemonio：图书出版业会重塑自己吗？
戴维·博伊尔：不，不是从内部来的。 当我被告知数字化破坏不会像预期的那样严重时，我的心在行业内的第一次会议上感到沮丧-印刷销售像电子书价格一样坚挺，而Kindle的销售却在放缓。 可以肯定的是，从那一刻起，人们对甚至简单，便宜，行之有效的机会做出数据驱动决策的兴趣都大大降低了。
对于大多数业内人士而言，出版是一项繁重的工作，他们撤回使用“技能和判断力”，而没有任何分析，平衡或分析的灵感。 他们预见到了数字危机，这让我受雇并给了我任务，但是当危机在他们眼前消失时，它使我无所适从，我将继续领导变革。
这与音乐业务或电视业务不同，在音乐业务或电视业务中，数字化带来的破坏对相关人员而言更为明显。 在这两种方法中，我什至都认为最有创造力和数据最少的人也通过数据驱动的决策制定所提供的新功能来拥抱变革。
因此，对于出版而言，我认为更有趣的问题是： 从大型出版社之外可以进行哪些转型？ 显然，亚马逊已经导致了消费方面的混乱，因此离开了创作方面。 技术如何绕过发行商来帮助作者创作出色的作品？
P 专注于内容制作的娱乐业务与专注于通过广告销售或订阅通过内容获利的娱乐业务之间有什么区别？
D生产与获利是两个截然不同的世界。 我所花费的时间里的出版社，唱片公司和电视制作/发行业务与书店/服务，音乐商店/服务以及电视频道/服务（通过消费者将内容货币化）截然不同。
从许多方面来说，对于那些通过消费者货币化内容的人来说，世界要简单得多。 他们有：
- 一整套清晰的成本（内容获取，许可）
- 他们想要获取，保留和发展的一组明确的消费者
- 有关这些消费者如何浏览，消费和消费的直接数据
- 控制应用程序/服务/产品，定价，营销等
因此，他们可以严重依赖内部生成的数据以及可以对其进行处理的数据科学。 它是他们控制的数据，因此干净，全面，涵盖了所有内容制作者。 可爱！
在生产企业中，我们几乎没有以下奢侈品：
- 我们很少购买成品，而只需要依靠一个人的才能和远见就可以投注和开发内容。
- 获利公司从消费者行为，需求和需求方面获得的数据很少-当我们得到报废时，这只是我们的内容，因此我们看不到我们的内容相对于其他生产者的表现如何。
因此，我们花了很多时间来连接来自许多不同来源的修补数据，并尽我们所能。 适当的数据科学的机会很难设计和实现。 我无法数出我已经开始的数据科学项目的数量，但是由于缺乏数据或规模而最终失败了。
以我的经验，这可以使获利者更好地进行我所说的运营优化 （如推荐引擎和CRM细分等），因为这很容易，并且可以为他们带来即时收入。 但是由于生产企业没有数据或用例来进行运营优化，因此我们将分析时间花费在了更大的战略问题上。 以我的经验，这使货币获利者在操作上变得更聪明，而生产者在策略上更明智。
P “全渠道”分析策略对媒体有多重要？
DI认为，对于我所花时间从事的制作业务，无论是唱片公司，图书发行商还是电视演播室，这都是分心的。
对于大多数策略型决策而言，生产企业注定要永远存在于一个世界中，在这个世界中，每个数据集都需要独立分析，然后由人工进行比较以阐明故事。 我们的内容只是在太多不同的服务中播放。 我们绝不会从大多数服务中获得体面的数据。 因此，我们应该对每个数据集进行有限的洞察力工作，然后在过程结束时将结果“加入”一位聪明的分析师的头中以得出相关结论。
这并不是说智能数据科学乃至AI对生产公司而言并不重要-实际上对于我们如何创建和分析其中的一些数据馈送至关重要。 但是，我看不到在短期或中期的情况下，各个供稿以任何一种自动化方式汇聚在一起。
P 当管理层不愿授予对数据源的访问权限时，您如何说服它们让您对其进行分析？
DI认为这在几年前就不再是问题。 男孩，以前曾经是个问题！ 我记得在全国范围内飞行并先进入办公室，然后用记忆棒坐在同事的桌子上以访问我否则无法获得的数据（尽管我不会告诉您我在哪里）当时受雇！）
访问仍然可能是一个问题，但是与如今的权限问题相比，最有可能是一个数据库管理员，不知道如何自动执行导出或构建API。
如今，相反的情况常常是正确的。 公司淹没了他们的分析师。 我认为现在所有高管都认为“他们的数据中有黄金”，他们正在向有时基于此聘用的分析师提供数据。 但是没有明确的业务问题，也没有任何明确的指导或管理。 通常会缺少一个中间层人员，他们对数据/分析技术和业务问题都足够了解，从而能够指导有效和高效的分析解决方案对业务决策产生影响。
我曾经接受过一次数据科学工作的面试，但被告知我更适合这种“中间人”角色。 我把它当作侮辱了很长一段时间，但最终这是一个重要的教训–我已经看到扮演中间人角色可以真正改变文化，而这是您单独作为数据科学家无法做到的。 那些没有中间人的项目常常无法获得牵引力或结果无法维持。
P 高管经常犯的重大分析错误是什么？
D一个非常简单的错误是，高管们几乎完全缺乏对科学方法的了解和应用。
例如，我经常看到缺乏对细节的关注以及不愿意通过质疑同事的工作来破坏同事。 作为一名内心的数学家，看到它一次又一次地播放，真是太神奇了。 任何熟悉科学方法的人都知道细节很重要。
当然 ，在流程的早期，一个微小的错误假设或错误可以从根本上改变流程结束时的答案！ 当然 ，应该鼓励在工作中发现错误，以使工作更强大！
另一个简单的错误是在分析项目开始时就缺乏假设的表述。 分析经常完成，然后主管人员以非常不清楚的方式决定他们是否喜欢结论。 然后，永远不会很清楚他们是否在玩，还是分析确实证实了他们的期望。
如果高管们有信心在一开始就阐明自己的假设，那么不仅容易理解分析的影响，而且将有一个更加清晰的过程来发展高管们对世界的理解。
