Produkt- & Customer Journey-Analysen der nächsten Generation

Bei Optimizely Warehouse-Native Analytics stehen wir an vorderster Front einer Revolution im Bereich der Produktanalyse. Die Warehouse-native Produktanalyseplattform von Optimizely Warehouse-Native Analytics erschließt enormen Geschäftswert, den herkömmliche Tools der ersten Generation wie Amplitude/Mixpanel nicht erschließen konnten.

Moderne Warehouse-native Architekturen bieten Vorteile bei Kosten, Sicherheit, Datenschutz und Governance. Ein einziges Analysetool wie Optimizely Warehouse-Native Analytics, das direkt auf der einzigen verlässlichen Datenquelle im Warehouse aufsetzt, hat die Vorteile konsistenter, vertrauenswürdiger Analysen, auf die man sich beim Treffen datengestützter Geschäftsentscheidungen mit Zuversicht verlassen kann. Aber es geht um weit mehr, als nur klassische Produktanalyse auf dem Data Warehouse zum Laufen zu bringen.

Herkömmliche Produktanalyse ist isoliert und arbeitet ausschließlich mit Datenströmen aus der Produktinstrumentierung. Im besten Fall lässt sich die Analyse minimal anreichern, indem man über mühsames Reverse ETL künstlich einige Eigenschaften aus dem Warehouse an Nutzer- oder Ereignisobjekte anhängt. Doch Analysten wollen oft viel mehr. Sie möchten in der Lage sein, über eine Vielzahl von Entitäten im Data Warehouse hinweg zu analysieren, z. B. Account, Kampagne, Werbeanzeige, Abonnement, Workspace, Projekt, Dokument, Vertrag, Umfrage, Store, Chat, Call usw. Sie möchten diese auch auf natürliche Weise nutzen und sie sowie die Beziehungen zwischen ihnen so modellieren, wie sie im Warehouse vorliegen. Optimizely Warehouse-Native Analytics bietet genau diese Möglichkeit, was eine riesige Klasse von Analysen eröffnet, die weitaus geschäftswirksamer sind als nur die Untersuchung der Funktionsnutzung in einem herkömmlichen Produktanalysetool der ersten Generation. Dies ist Analyse über die gesamte Customer Journey hinweg. Wir nennen das „Customer Journey-Analysen“ oder „Kundenanalyse“.

Versuchen wir zunächst zu verstehen, wie sich herkömmliche Produktanalysetools wie Amplitude/Mixpanel entwickelt haben. Sie entstanden vor einem Jahrzehnt, als eine große Zahl mobiler Apps und produktgesteuerter SaaS-Dienste allgegenwärtig wurde. Es war entscheidend, ein Verständnis der Produktnutzung durch die Nutzer zu gewinnen, insbesondere bei verbraucherorientierten Produkten mit hoher Abwanderung. Damals gab es keine guten Optionen, dies wirklich gut zu tun. Die verfügbaren Analysetools waren in erster Linie BI-Tools wie Tableau und Qlik. Diese Tools eigneten sich gut für das Reporting von ERP-, CRM-, HCM- usw. Daten im Warehouse. Aber sie konnten nicht für die Produktanalyse verwendet werden, weil:

Als Folge der oben genannten Einschränkungen entstanden speziell entwickelte, paketierte Tools für die Produktanalyse; Tools, die alles in einem einzigen SaaS-Dienst vereinten – Instrumentierung, Speicherung, Compute und Visualisierungen. Endlich konnten Produkt- und Wachstumsteams Einblick in die Nutzung ihres Produkts erhalten. Sie konnten grundlegende Analysen wie Ereignissegmentierung, Funnel, Pfade usw. anhand vorgefertigter Vorlagen durchführen. Sie konnten diese Analysen nutzen, um Produktfunktionen zu optimieren. Das war ein enormer Durchbruch.

Produkt- und Wachstumsteams begannen, diese Tools der ersten Generation einzuführen. Es wurden riesige Summen für diese Tools ausgegeben, die mit dem Wachstum der Unternehmen und der rasch steigenden Ereignisvolumina sehr teuer wurden. Man glaubte, dass geschäftswirksame Entscheidungen auf Grundlage der Analysen in diesen Tools getroffen würden und sich die Ausgaben dafür auszahlen würden. Doch das war nicht der Fall. 

Stellen Sie sich ein herkömmliches Produktanalysetool vor, das Ihnen zeigt, dass die Conversion-Raten nach der Veröffentlichung einer neuen Funktion gestiegen sind. Was aber, wenn die Mehrheit der Kunden, die konvertiert sind, am Ende durch einen Anruf in Ihrem Callcenter gekündigt hat? Diese Daten befinden sich nicht in dem isolierten Datenstrom der Produktinstrumentierung, mit dem herkömmliche Tools arbeiten. Sie befinden sich in einem anderen Geschäftssystem, das für Produktanalysetools der ersten Generation unzugänglich ist. Können Sie ebenso die Auswirkung einer Produktänderung auf Support-Tickets/-Anrufe verstehen – Daten, die in Zendesk liegen? Können Sie das Produktengagement nach Abonnementstufe verstehen – Daten, die in Salesforce liegen? Können Sie auf Produktfriktion oder gesteigertes Engagement in Accounts hingewiesen werden, deren Verlängerung in einem Monat ansteht – Daten, die in NetSuite liegen? 

Können Sie den Abonnementumsatz nach Kundenkohorten aufschlüsseln? Können Sie Produktprobleme nach ihrer Auswirkung auf den Umsatz priorisieren? Können Sie die richtige Gruppe von Kunden mit den richtigen Kampagnen/Angeboten/Nurture-Maßnahmen auf Grundlage ihres Lifetime Value ansprechen?

Es reicht nicht mehr aus, eng definierte Produktkennzahlen allein auf Grundlage von Produktinstrumentierungsdaten zu verstehen. Mit der Entwicklung moderner Unternehmen hin zu produktgesteuertem Wachstum werden Produktteams schnell zu Umsatzzentren und müssen von Produktkennzahlen zu Geschäftskennzahlen übergehen, wobei Produktinstrumentierungsdaten nur eine Eingabequelle darstellen. Sie benötigen ein Business-Analytics-Tool, das eine breitere Sicht bietet. Sie benötigen Business Analytics, um gegenüber der Führungsebene wirkungsvoller und einflussreicher zu sein.

Tools der ersten Generation haben schwache Versuche unternommen, dem mit simplen „Reverse ETL“-Lösungen zu begegnen. Doch diese Lösungen sind umständlich, unvollständig und teuer. Mit dem Wachstum der Kunden verlagern diese daher unweigerlich immer mehr Schwerstarbeit in BI-Tools. 

Zusammenfassend ergibt sich der Bedarf an der nächsten Generation der Produktanalyse aus den folgenden Einschränkungen der Tools der ersten Generation:

Herkömmliche Produktanalyse hat ihr Versprechen nicht eingelöst. Es ist daher kein Wunder, dass die Mehrheit der Produktanalyse heute nicht in herkömmlichen Produktanalysetools durchgeführt wird! Sie wird (mühsam!) in BI-Tools durchgeführt. Doch der Bedarf an Produktanalyse ist nur gestiegen, da immer mehr Software als Abonnement-SaaS-Dienste konsumiert wird und produktgesteuertes Wachstum für immer mehr produktgesteuerte Unternehmen zur primären Geschäftsmethodik wird. Ein tiefes Verständnis der Produktnutzung und des Kundenverhaltens ist für das Überleben in einem wettbewerbsintensiven Markt entscheidend. 

Um die wachsenden Anforderungen an die Produktanalyse wirksam zu bedienen und sie wirkungsvoller zu machen, brauchen wir eine neue Generation von Tools wie Optimizely Warehouse-Native Analytics. 

Der erste Schritt beim Upgrade der Produktanalyse besteht darin, nicht mehr in Produktanalyse zu denken, sondern in einer breiteren „Customer Journey-Analyse“ oder „Kundenanalyse“. Customer Journey-Analysen sind Analysen über Produktinstrumentierungsdaten und alle anderen Kundengeschäftsdaten hinweg (Vertrieb, Support, Finanzen, Marketing, Success usw.).

Bei der Analyse geht es nicht mehr nur um die Nutzung von Produktfunktionen; vielmehr geht es darum, wie sich die Nutzung auf das Geschäft auswirkt – etwa erzielter Umsatz oder verursachte Support-Eskalationen. Es geht um Retention-Zahlen, die nicht irreführend sind, weil sie nun Kündigungen außerhalb des Produkts korrekt einbeziehen. Es geht darum, die richtige Gruppe von Funktionen für die richtige Gruppe von Accounts zu optimieren, die den meisten Umsatz erzielen. Es geht darum, die Marketingwirkung nicht nur an der Anzahl der Anmeldungen nach einer Kampagne zu messen, sondern am längerfristigen wirtschaftlichen Wert der gewonnenen Kunden. Es geht darum, Customer Journeys nicht nur im Produkt zu verstehen, sondern auch über alle Kanäle hinweg wie Store, Support, Chat, Loyalty-Programme, Partner usw. Es geht darum, dass Success- und Support-Teams mehr CSAT und Retention erzielen, indem sie das Verhalten der Nutzer in ihren Accounts verstehen. Es geht darum, dass operative Teams die geschäftlichen Auswirkungen von Produkt-/Site-Erlebnissen bewerten und dies nutzen können, um Probleme besser zu priorisieren.

Der erste Schritt zur Verwirklichung der Vision der Customer Journey-Analysen besteht darin, Datensilos aufzubrechen und auf einen einzigen Datenspeicher zu konvergieren. In Unternehmen ist heute der unbestrittene einzige Speicher für alle Daten das Data Warehouse/der Data Lake. Moderne Cloud-Data-Warehouses wie Snowflake, BigQuery, Redshift und Databricks haben die Konsolidierung aller Daten in einem einzigen Speicher eingeläutet. Während das Warehouse schon immer der zentrale Ort für Daten war, die im Business-Reporting genutzt werden, besteht die große Veränderung nun darin, dass moderne Warehouses zusätzlich zu den traditionellen Zustandsdaten (Geschäftstransaktionen aus POS, Auftragserfassung, Supply Chain, Vertrieb, Finanzen, HR usw.) auch zum zentralen Ort für ereignisorientierte Daten werden, z. B. Clickstream, IoT, Logs, Gerätedaten. Es ist nun machbar, auch großvolumige Ereignisdaten schnell und effizient im Warehouse aufzunehmen und zu speichern.

Alle Anwendungen, einschließlich Produkt- und Customer Journey-Analysen, sollten sich an diese Veränderung anpassen und sich neu ausrichten, um das Kopieren von Daten in ihre proprietären Silos zu vermeiden. Optimizely Warehouse-Native Analytics ist von Grund auf als Warehouse-native Plattform aufgebaut und erstellt niemals eine Kopie Ihrer Daten, niemals.

Auch der CDP-Bereich, der unmittelbar mit der Produkt- und Customer Journey-Analyse zusammenhängt, wird neu definiert. CDPs entstanden als Marketinglösung, die von den zentralen Unternehmensdatensystemen und -teams abgekoppelt war. Während sie in den frühen Jahren schnellen Nutzen brachten, litten sie unter demselben Schmerz isolierter Systeme. Heute werden komponierbare CDPs der nächsten Generation auf dem Data Warehouse mit erstklassigen Tools neu aufgebaut – RudderStack und Snowplow für die Instrumentierung, Hightouch und Census für die Aktivierung, DBT für Datentransformationen im Zusammenhang mit Identity Resolution, Sessionisierung usw., Optimizely Warehouse-Native Analytics für die Analyse sowie Warehouse-integrierte KI/ML-Funktionen für Attribution und Vorhersage.

Im Kern der Customer Journey-Analysen steht natürlich die Customer-Entität. Je höher die Qualität und der Reichtum der Customer-Entität, desto besser die Analyse.

Sobald Sie eine einzige Quelle aller Daten im Warehouse/Lake haben, besteht der nächste Schritt darin, ein einziges Analysetool für alle kundenorientierten Analysen zu haben, das diese Daten nutzen kann. Analysetools verfügen über eine Metadatenschicht (etwa die Definition von Kennzahlen) oberhalb der Tabellen im Warehouse/Lake. Eine Version dieser Metadaten in vielen verschiedenen Tools zu haben, führt zu mehreren verlässlichen Datenquellen, was unerwünscht ist. Das Teilen von Kontext über mehrere Tools hinweg wird selbst dann schwierig, wenn sie auf demselben zugrunde liegenden Speicher arbeiten, weil jedes seine eigene Darstellung des Kontexts hat, z. B. eine Kohorte von Nutzern, die zwischen zwei Phasen eines Funnels abgesprungen sind. Ein einziges Tool für Customer Journey-Analysen vermeidet diese Probleme fragmentierter und schwacher Analysen.

Dies war historisch nicht möglich, weil ereignisorientierte Systeme (wie Produktanalyse) und zustandsorientierte Systeme (wie BI) in ihren Metadatendarstellungen und Berechnungsmechanismen unterschiedlich aufgebaut sind. Dies ist jedoch lediglich die Art und Weise, wie sich diese Systeme historisch entwickelt haben. Auch wenn es technisch anspruchsvoll zu bauen ist, ist es möglich, ein einziges Analysetool zu haben, das die ereignis- und zustandsorientierten Welten zusammenbringt – Optimizely Warehouse-Native Analytics hat das bewiesen.

Mit einem einzigen Analysetool, das auf einer einzigen verlässlichen Datenquelle ohne Kopien arbeitet, baut sich innerhalb der Organisation Vertrauen in die Zahlen auf. Eine Retention-Zahl beispielsweise, die in diesem einzigen Tool berechnet wird, ist dieselbe Zahl, die von allen Teams genannt wird, und kann der Führungsebene mit Zuversicht präsentiert werden. Das Tool sollte über Audit-Funktionen verfügen, um genau das SQL einsehen zu können, das zur unabhängigen Überprüfung jeder analytischen Berechnung an das zugrunde liegende Warehouse ausgegeben wurde.

Mit einer breiteren Plattform für Produkt- und Customer Journey-Analysen ist der ROI deutlich höher. Die Kosten sind niedriger, da es keine Datenkopien und keine Verwaltung von Datenbewegungsjobs gibt. Prozesse sind effizient, da keine Zeit damit verschwendet wird, Diskrepanzen zwischen Silos zu beheben. Sicherheits- und Governance-Kosten werden mit einer einzigen Datenkopie unter der Kontrolle des Unternehmens und mit sorgfältig gesteuertem Zugriff auf den zentralen Speicher reduziert. Da Analysen durch die Einbeziehung reichhaltigeren geschäftlichen Kontexts geschäftswirksamer werden und mehrere Teams bedienen, lassen sich die Ausgaben für Analysen leicht rechtfertigen.

Wenn Sie sich Customer Journey-Analysen als eine Kombination aus Produktanalyse, Marketinganalyse und digitaler Erlebnisanalyse vorstellen und sie auf die aktuelle Gruppe von Anbietern abbilden, sehen Sie eine Menge Fragmentierung und Überschneidung. Doch ein dringend benötigter Konsolidierungstrend hat bereits begonnen. Darüber hinaus müssen wir die Konsolidierung der Mehrheit der ereignisorientierten Analysen, die heute in generischen BI-Tools durchgeführt werden, in ein erstklassiges Tool für Customer Journey-Analysen erleben. Genau darauf arbeitet Optimizely Warehouse-Native Analytics hin.

Optimizely Warehouse-Native Analytics läutet die nächste Generation der Produkt- und Customer Journey-Analyse ein – von Grund auf für den modernen Data Stack entwickelt. Dies ist Teil einer größeren Vision, die „Analytics Cloud“ zu sein – die zentrale Plattform in Unternehmen für alle geschäftsorientierten Analysen.

Mit Optimizely Warehouse-Native Analytics können Sie datengestützte Entscheidungen mit Zuversicht in einem einzigen, konsistenten, vertrauenswürdigen, kosteneffizienten Self-Service-Tool treffen. Erzielen Sie mit Optimizely Warehouse-Native Analytics eine echte Wirkung auf Geschäftsergebnisse.