Data Warehouses verändern auch die Art und Weise, wie Unternehmen ihre Kundendaten in CDPs (Customer Data Platforms) speichern. CDPs haben sich im letzten Jahrzehnt als zentrale Anlaufstellen für die Erfassung, Transformation und Nutzung von Daten etabliert, die durch Kundeninteraktionen über digitale Touchpoints generiert werden.
Nun erleben wir die Entstehung einer neuen Art von CDP: der komponierbaren CDP. Dieser neue Ansatz basiert auf dem Data Warehouse. Er bietet ein modulares System erstklassiger Tools anstelle der starren, monolithischen Architektur traditioneller CDPs. In diesem Beitrag beschreibe ich die Entwicklung von der CDP zur komponierbaren CDP und wie sich dieser Wandel auf die Zukunft der Produktanalyse auswirkt.
Mehrere Trends verändern heute die Produktanalyse. Data Warehouses verändern auch die Art und Weise, wie Unternehmen ihre Kundendaten in CDPs speichern.
Eine kurze Geschichte der CDPs
Eine Customer Data Platform (CDP) ist eine umfassende Datenplattform für Marketing- und Produktteams. CDPs dienen als Datenbank mit allen Kundeninformationen und verfügen über eine integrierte Aktivierungsschicht, die Daten für Marketingautomatisierung nutzt. Vor den CDPs gab es das Web-Tag-Management.
Tags, die grundlegend für digitale Werbung und Marketing sind, fordern unsichtbare Inhalte im Web an, z. B. ein transparentes Tracking-Pixel. Anfang der 2010er-Jahre etablierten sich CDPs als Ersatz für Tags, um deren zahlreiche Einschränkungen zu beheben.
CDPs verfolgen einen datenzentrierten Ansatz für die Verwaltung von Kundeninformationen. Anstatt Tags nur einmal zu verwenden („Fire and Forgotten“), erfassen CDPs Kundendaten zentral mithilfe von SDKs oder APIs, transformieren sie und stellen sie nachgelagerten Anwendungen zur Aktivierung zur Verfügung. Sie funktionieren auf Web-, Mobil- und anderen Plattformen. Die meisten CDPs verwenden ein vordefiniertes Schema, um die Weiterverarbeitung zu vereinfachen. Daher ist es Aufgabe des Unternehmens, die CDP-Spezifikation einzuhalten, um den größtmöglichen Nutzen daraus zu ziehen.
Heutzutage präsentieren sich CDPs als persistente, einheitliche Kundendatenbank mit folgenden Kernfunktionen:
1
Datenerfassung: Daten in Echtzeit aus beliebigen Datenquellen erfassen, einschließlich des vollständigen Kundenkontexts.
2
Datenspeicherung und -verwaltung: Schematisierte Daten unbegrenzt speichern, Zugriffskontrolle und -verwaltung bereitstellen.
3
Datentransformation:Die gesammelten Daten werden angereichert, vor allem durch Identitätsauflösung, wodurch die kanalübergreifenden Interaktionen einer Person zu einem einheitlichen Profil zusammengeführt werden.
4
Datenaktivierung: Profile und Zielgruppensegmente mit nachgelagerten Anwendungen, z. B. Marketingkanälen, synchronisieren.
Die Zukunft: zusammensetzbare CDPs
Obwohl CDPs anfangs ein Wachstumstreiber waren, haben sie sich zunehmend zu einem Engpass bei der Einführung moderner Datenpraktiken entwickelt. Ihre grundlegende Einschränkung besteht darin, dass sie auf einer simplen Datenschicht basieren, wodurch viele datenintensive Anwendungen Kundeninformationen nicht optimal nutzen können.
Composable CDPs lösen dieses Problem, indem sie ein standardkonformes Cloud-Data-Warehouse als Datenplattform verwenden. Um diese Plattform herum lässt sich ein ganzes Ökosystem aus modularen Bausteinen aufbauen, um erstklassige Lösungen für unterschiedliche Anforderungen zu bieten.
Dies ist eine Weiterentwicklung der CDP-Architektur hin zu einer stärkeren Datenzentrierung, wodurch das Data Warehouse zur zentralen Datenquelle und Rechenplattform für alle Kundenbedürfnisse wird:
Datenerfassung:Erweitert um die Erfassung von Nicht-Clickstream-Daten (wie z. B. Statusdaten) aus Anwendungsdatenbanken, SaaS-Tools von Drittanbietern usw., wodurch ein 360-Grad-Bild des Kunden entsteht.
Datentransformation:Einfache Aufgaben wie die Identitätsauflösung mittels DBT sind weiterhin einfach, aber dank der vollen Leistungsfähigkeit von SQL stehen auch fortgeschrittenere Funktionen zur Verfügung. Benutzer können Joins durchführen oder komplexe Berechnungen vornehmen, z. B. ML-basierte Identitätsauflösung mit Zingg.
Datenmodellierung:Erhalten Sie die volle Kontrolle über Ihr Datenmodell, um es an Ihre Geschäftsanforderungen anzupassen – heute und in Zukunft.
Datenaktivierung:Die ausgefeilten Datenmanipulationsfunktionen des Data Warehouse ermöglichen ein reichhaltigeres Ökosystem von Datenaktivierungswerkzeugen und vermeiden so Datensilos.
Die führenden Cloud-Data-Warehouses von heute (z. B. Snowflake, Databricks) positionieren sich als bevorzugte Composable CDP. Um diese Plattformen herum hat sich ein umfangreiches Ökosystem durchdacht gestalteter und gut integrierter Datenanwendungen und -dienste entwickelt.
Produktanalysen und die CDP
Das Aufkommen von Composable CDPs treibt einen Wandel in der Produktanalyse voran. Produktanalysetools der ersten Generation, wie Mixpanel und Amplitude, verarbeiten Produktinstrumentierungsdaten aus ihrem SDK oder von einer CDP. Die Daten werden in ihren Rechensilos gespeichert, und die Analysen sind auf die Standardfunktionen dieser Tools beschränkt.
Im Gegensatz dazu kann die nächste Generation von Produktanalysetools die umfangreichen Daten und Rechenkapazitäten des Data Warehouse nutzen. Daher ist es nicht verwunderlich, dass 80 % der Produktanalyse-Implementierungen der ersten Generation Instrumentierungsdaten für umfassendere Analysen in das Data Warehouse exportieren. Dies führt zu höherer Komplexität und höheren Kosten.
Betrachten wir nun, wie ein typischer Produktanalyse-Workflow mit Optimizely Warehouse-Native Analytics auf einer Composable CDP aussieht:
Datenerfassung: Erfassen Sie Messdaten aus Segment, Snowplow oder Rudderstack sowie Geschäftsdaten aus Ihren Anwendungsdatenbanken oder SaaS-Tools von Drittanbietern mithilfe von Fivetran. Speichern Sie all diese Daten in einem Cloud-Data-Warehouse wie Snowflake, Databricks, AWS Redshift oder Google BigQuery.
Datentransformation und -modellierung: Erstellen Sie ein Datenmodell in Optimizely Warehouse-Native Analytics mit der vollen Flexibilität eines universellen, SQL-fähigen Data Warehouse und nutzen Sie dabei gegebenenfalls Open-Source-Tools wie dbt.
Produkt- und Verhaltensanalysen mit Optimizely Warehouse-Native Analytics: Beginnen Sie mit Self-Service-Produktanalysevorlagen und fahren Sie dann mit der Ad-hoc-Datenexploration fort, um ein tieferes und umfassenderes Verständnis der Produktnutzung und der Kundenerfahrung zu erhalten.