Aufbau einer skalierbaren Analytics-Architektur für modernes SaaS

Gründer und technische Leiter sind oft auf der Suche nach dem perfekten Datenanalyse-Stack, der einfach funktioniert und alle ihre Bedürfnisse erfüllt.

Gründer und technische Leiter suchen oft nach der perfekten Datenanalyse-Lösung, die einfach funktioniert und alle ihre Anforderungen erfüllt. Die Realität sieht jedoch anders aus: Mit dem Wachstum eines Unternehmens ändern sich die Bedürfnisse, weshalb sich auch die Analysearchitektur anpassen sollte. In diesem Beitrag beschreibe ich den Weg der Datenanalyse von den Anfängen Ihres Unternehmens, wenn Sie vielleicht noch in der Garage arbeiten, bis hin zu den aktuellen Phasen, in denen Sie Analysen im Enterprise-Maßstab einsetzen.

Produktentwicklungsphase

In der Produktentwicklungsphase vor der Kundeneinbindung denkt man verständlicherweise noch nicht an Analysen. Schließlich liegen noch keine Daten zur Auswertung vor. Behalten Sie jedoch während der Produktentwicklung stets die Produkttelemetrie bzw. -instrumentierung im Blick (z. B. Snowplow, Rudderstack oder Segment). Dies ist entscheidend, um Einblicke in die Nutzung und Akzeptanz Ihres Produkts zu gewinnen und zu beurteilen, ob Sie die Produktmarktanpassung erreicht haben. Überlegen Sie sich im Voraus, wie Sie die Komponenten Ihrer Anwendung und die zugehörigen Daten, die Sie erfassen, organisieren möchten, um ein wiederholtes Hinzufügen von Instrumentierung zu vermeiden. Ihre Instrumentierung mag in dieser Phase noch sehr begrenzt sein, aber beziehen Sie sie in alle Designdiskussionen ein und verankern Sie sie fest in der Entwicklerkultur.

Kundenakquisephase

Jetzt, da sich Ihr Produkt in der Alpha- oder Beta-Phase befindet, melden sich Designpartner und Testkunden. Ihre Website ist online und Sie erstellen Inhalte, die die Customer Journey unterstützen. Sie verfügen über zahlreiche Leadquellen wie Anzeigen, E-Mails, Webinare und mehr. Doch welche generieren die meisten Anmeldungen für die kostenlose Testversion auf Ihrer Website? Welche Inhalte erzielen die größte Wirkung?

In dieser Phase ist datengetriebenes Arbeiten entscheidend. Sie können die Effektivität Ihrer Marketinginvestitionen messen, indem Sie die integrierten Analysefunktionen Ihrer Marketinglösungen nutzen (z. B. Google Analytics, LinkedIn Ads, Outreach, HubSpot, Salesforce). Schließlich müssen Sie all diese Daten zusammenführen, um ein vollständiges Bild der Customer Journey zu erhalten. Dies wird zunehmend komplexer, insbesondere wenn Ihre Systemlandschaft – wie in vielen großen Unternehmen – von 10 auf 100 Systeme anwächst. Wenn Sie über die nötigen Ressourcen verfügen, ist jetzt ein guter Zeitpunkt, über eine Kundendatenstrategie und gegebenenfalls eine zentrale Datenquelle in einem Data Warehouse nachzudenken.

Phase der frühen Kundeneinführung

Sie haben Ihr Produkt offiziell auf den Markt gebracht. Eine beachtliche Anzahl von Kunden nutzt es bereits, und Sie erfahren, was funktioniert und was nicht. Basierend auf den gesammelten Daten optimieren Sie die Produktfunktionen kontinuierlich. In dieser Phase erhalten Sie das meiste Produktfeedback durch die direkte Kommunikation mit den ersten Kunden, die am besten erreichbar sind. Sie müssen jedoch bereits jetzt die Grundlage für integrierte, skalierbare Analysen schaffen.

Finalisieren Sie Ihre Produktinstrumentierungsstrategie
Der moderne Ansatz für die Instrumentierung besteht darin, eine Instrumentierungsbibliothek zu verwenden, die unabhängig von Analysetools ist und keine Vorgaben macht. Anbieter wie Segment, RudderStack und Snowplow bieten erstklassige Instrumentierungsbibliotheken für Mobilgeräte, Web und Backend. Vor allem zwingen sie Sie nicht in ein herstellerspezifisches Datenmodell. Sie können Daten in offenen Formaten erfassen, die jedes Analysetool verarbeiten kann.

Ein Cloud-Data-Warehouse einrichten
Das mag verfrüht erscheinen. Normalerweise richten Unternehmen Data-Warehouses erst viel später in ihrem Lebenszyklus ein. Doch mit modernen Cloud-Data-Warehouses wie Snowflake ist es heutzutage einfach, ein Data-Warehouse schnell und unkompliziert einzurichten und zu verwalten. Dank seiner Elastizität, der automatischen Abschaltung und der nutzungsbasierten Abrechnung ist es auch für junge Startups deutlich erschwinglicher. Angesichts der geringen Datenmenge in dieser Phase können Sie ein Data-Warehouse bereits für wenige Hundert Dollar im Monat betreiben.

Data Warehouses entwickeln sich zum zentralen Speicherort für alle Unternehmensdaten. Das Warehouse bildet das Herzstück jeder Analyseinitiative. Die oben genannten Instrumentierungsbibliotheken bieten sofort einsatzbereite Möglichkeiten, Daten einfach in das Data Warehouse zu übertragen. Für Nicht-Produktdaten verwenden Sie ein modernes ELT-Tool wie Fivetran oder Matillion, um Daten aus Ihren Marketing- und Vertriebssystemen in Ihr Data Warehouse zu migrieren. Diese ELT-Tools bieten eine umfangreiche Bibliothek von Konnektoren für die meisten Geschäftssysteme und sind speziell für moderne Cloud-Warehouses entwickelt. Für jegliche Datentransformationen innerhalb des Warehouses verwenden Sie ein Datentransformationstool wie DBT.

Implementieren Sie ein Produktanalysetool. Zukünftig wird ein effektives Produktanalysetool nativ in einem Data Warehouse arbeiten. Vermeiden Sie es, Ihre Daten in einem intransparenten SaaS-Dienst eines Analyseanbieters zu isolieren. Auch wenn dies anfangs unwichtig erscheinen mag, kann es mit zunehmendem Wachstum schnell zu unüberschaubarer Datenqualität und mangelnder Transparenz der Analysen führen. Sie könnten bald mit mehreren ETL- und Reverse-ETL-Pipelines, abweichenden Metriken zwischen Teams aufgrund unterschiedlicher Datenquellen und hohen Kosten für die Verwaltung mehrerer Analysetools dastehen.

Ein weiterer wichtiger Punkt ist, ob Ihr Produktanalysetool Ihre Analyseanforderungen ohne zusätzliches BI-Tool erfüllen kann. Stellen Sie sicher, dass das gewählte Tool alle Daten in Ihrem Data Warehouse analysieren kann. Sie sollten Produktinstrumentierungsdaten mit Daten aus Ihren Geschäftssystemen kombinieren können, um einen umfassenden Überblick über die Customer Journey zu erhalten. In dieser Phase verfügen Sie möglicherweise noch nicht über viele Daten. Ihre Instrumentierung befindet sich eventuell noch im Aufbau. Möglicherweise fließen noch nicht alle Daten aus Ihren Geschäftssystemen. Das ist kein Problem. Wichtig ist, mit der Analyse zu beginnen und die Grundlage zu schaffen. Der Nutzen selbst grundlegender Analysen motiviert die Entwicklungsabteilung, weitere Instrumente hinzuzufügen (die in der Entwicklung oft eine geringe Priorität haben). Noch wichtiger ist, dass dadurch eine Kultur datengetriebener Entscheidungsfindung in allen Unternehmensbereichen entsteht. Unternehmen, die frühzeitig eine analytische Basis schaffen, erhöhen ihre Erfolgschancen erheblich und können später Millionen von Dollar sparen, die für die Umstrukturierung ihrer IT-Infrastruktur für Analysen benötigt würden.

Wachstumsphase

Sie haben die Produkt-Markt-Passung erreicht. Ihr Kundenstamm wächst. Ihr Produkt hat eine große Reichweite und viele Funktionen. In dieser Phase umfasst Ihre Analysestrategie Folgendes:

Analytics als zentrales Element all Ihrer Entscheidungen. In einem Unternehmen, das dies richtig umsetzt, beginnt jede Produkt- oder Kundendiskussion mit einem Dashboard, das die wichtigsten Analyseergebnisse liefert. Ihr gesamtes Unternehmen sollte sich auf ein einziges Analysetool einigen. Bitten Sie alle Bereichsleiter, die für ihren Bereich relevanten Geschäftskennzahlen in diesem Tool zu erstellen und darzustellen. Sie sollten die Einflussfaktoren dieser Kennzahlen innerhalb desselben Tools verstehen und Hypothesen zu den Einflussfaktoren dieser Kennzahlen einfach testen können. Mit dieser Grundlage erhalten Sie:
1. eine zentrale Datenquelle für alle Ihre Kennzahlen – keine widersprüchlichen Werte mehr für Kennzahlen wie die Anzahl aktiver Nutzer, die Konversionsrate, den Kundenwert, die Kundenakquisitionskosten usw.
2. bereichsübergreifende Analysen, bei denen jeder Bereich seine Analysen mit angrenzenden Bereichen verknüpfen kann. Beispielsweise kann ein Growth Marketer Kampagnenkanäle mit der Aktivierung und dem Engagement im Produkt korrelieren. Ein Customer Success Manager kann die Korrelation zwischen Produktnutzung, Kontoprofilen und Upgrades verstehen.
Formalisierung eines Data-Engineering-Teams. Möglicherweise haben Sie bereits einige Mitarbeiter im Bereich Data Engineering, die wahrscheinlich aus den Bereichen Marketing, Produktentwicklung oder Engineering stammen. Jetzt ist es an der Zeit, ein zentrales Data-Engineering-Team zu bilden, das für das Data Warehouse, die Instrumentierungssysteme, ELT-Tools/Jobs und Analysetools verantwortlich ist. Dieses Team gewährleistet einen reibungslosen Datenbetrieb, die ordnungsgemäße Datensicherung und den kontrollierten Datenzugriff für die Anwender. Dem Team können auch Data Scientists angehören, die ein Machine-Learning-Tool (ML) implementieren.

Beachten Sie, dass jede Geschäftsfunktion selbstständig Analysen durchführen können sollte, ohne auf das Data-Engineering-Team angewiesen zu sein – das gewählte Analysetool sollte dies ermöglichen. Anstatt durch wiederholte Berichtsanfragen aus dem Business ausgebremst zu werden, sollte sich das Data-Engineering-Team auf hochwertige Analysen konzentrieren und sicherstellen, dass die vom Business abgerufenen Daten die richtigen sind.

Expansionsphase

Sie sind ein etablierter Akteur in Ihrer Branche. Ihr Fokus liegt auf der Expansion in neue Branchen, Produktlinien, internationale Märkte usw. Sie verfügen über ein Netzwerk von Lieferanten, Partnern, Wiederverkäufern, Systemintegratoren und weiteren Akteuren. Vielleicht denken Sie über einen Börsengang nach. In dieser Phase sollten Sie Folgendes beachten:

Fügen Sie ein Business-Intelligence-Tool (BI-Reporting-Tool) hinzu. Wählen Sie ein BI-Tool für das Produktionsreporting. Achten Sie auf ein Tool, das die benötigten Reporting-Funktionen bietet: Finanzberichte, spezielle Visualisierungen, geplante Berichtsverteilung, Export-/Druckfunktionen und die Einbettung in Partnersysteme. Stellen Sie sicher, dass das gewählte BI-Tool direkt mit Ihrem Data Warehouse arbeiten kann.
Datenfreigabe und -aktivierung erleichtern. Ihr Produktanalysetool unterstützt Sie beim Erstellen und Generieren logischer Datenansichten in Ihrem Data Warehouse, die von Ihrem Tool zur Datenfreigabe und -aktivierung genutzt werden können – so entfällt die Notwendigkeit der Datenredundanz. Anschließend können Sie die Datenfreigabefunktionen Ihres Data Warehouse nutzen, um relevante Teile Ihrer Daten sicher innerhalb Ihres Ökosystems freizugeben. Tools zur Datenaktivierung können Daten außerdem aus Ihrem Data Warehouse in ein ausgewähltes Geschäftssystem für spezifische Aktionen übertragen, beispielsweise um eine Benutzergruppe für eine Marketingkampagne an Marketo zu übermitteln.

Abschluss