Die Zusammenführung von BI und Produktanalyse

Als datengesteuertes Unternehmen verwenden Sie wahrscheinlich mehrere Analysetools, um verschiedene analytische Anwendungsfälle abzudecken:

1. Business Intelligence (BI) - Zur Erstellung von Berichten über historische Geschäftsdaten auf der Grundlage aggregierter Transaktionsdaten, die aus Geschäftssystemen in das Data Warehouse eingespeist werden.
2. Produktanalyse - Für die Analyse von Mustern der Produktnutzung und des Kundenverhaltens anhand von Ereignisdaten der Produktinstrumente, um das Erlebnis, die Conversion, das Engagement, die Bindung und das Wachstum der Benutzer zu optimieren.
3. Infrastrukturüberwachung - Für die Echtzeitüberwachung des Betriebszustands von Systemen und Anwendungen anhand von Server-, Prozess- und Protokolldaten.
4. Maschinelles Lernen (ML) - Für die Analyse und das Ziehen von Schlüssen aus Datenmustern mit KI-Algorithmen und statistischen Modellen.

Während es sich bei den letzten beiden, der Infrastrukturüberwachung und dem maschinellen Lernen (ML), um spezialisierte Tools handelt, die wahrscheinlich getrennt bleiben werden, verschwimmen die Grenzen zwischen Business Intelligence (BI) und Product Analytics.

Die Entwicklung von Product Analytics

Warum verschwimmen die Grenzen zwischen BI und Product Analytics? In der Vergangenheit konzentrierte sich die Produktanalyse auf die Analyse von Produktinstrumentenströmen, um den Product Managern einen Einblick in die Produktnutzung zu geben. Tools der ersten Generation wie Amplitude und Mixpanel haben die traditionelle Produktanalyse zum Mainstream gemacht. Ihre isolierte Sichtweise war jedoch immer sehr einschränkend. Dies wird in jüngster Zeit durch PLG-getriebene Bewegungen noch verschärft, bei denen Unternehmen einen 360-Grad-Blick auf ihre Kunden wünschen - über alle Kanäle der Interaktion und unter Einbeziehung des Kontexts aus allen Geschäftssystemen. Die schwachen Versuche, dies in den Tools der ersten Generation mit simplen "Reverse ETL"-Lösungen anzugehen, sind umständlich und unvollständig.

Von Produktmetriken zu Geschäftsmetriken

Stellen Sie sich vor, ein herkömmliches Produktanalysetool zeigt Ihnen, dass die Conversion Rates nach der Einführung einer neuen Funktion gestiegen sind. Was aber, wenn die Mehrheit der Kunden, die konvertiert haben, am Ende storniert haben, indem sie Ihr Call Center angerufen haben? Diese Daten befinden sich nicht in dem isolierten Produktinstrumentenstrom, mit dem herkömmliche Tools arbeiten. Sie befinden sich in einem anderen Geschäftssystem, das für die Produktanalysetools der ersten Generation unzugänglich ist. Können Sie auch die Auswirkungen einer Produktänderung auf die Support-Tickets/Anrufe nachvollziehen - Daten, die sich in Zendesk befinden? Können Sie die Produktnutzung nach Abonnementstufe nachvollziehen - Daten, die sich in Salesforce befinden? Können Sie bei Kunden, deren Vertragsverlängerung in einem Monat ansteht, auf Produktschwierigkeiten oder erhöhtes Engagement aufmerksam gemacht werden - Daten, die in NetSuite vorhanden sind?

Können Sie die Abonnementeinnahmen nach Kundengruppen aufschlüsseln? Können Sie Produktprobleme anhand ihrer Auswirkungen auf den Umsatz priorisieren? Können Sie die richtige Gruppe von Kunden mit den richtigen Kampagnen/Angeboten/Nurture auf der Grundlage ihres Lifetime Value ansprechen?

Es reicht nicht mehr aus, eng definierte Produktmetriken zu verstehen, die nur auf Daten der Produktinstrumentierung basieren. Da sich moderne Unternehmen zu einem produktorientierten Wachstum entwickeln, werden Produktteams schnell zu Umsatzzentren und müssen von Produktmetriken zu Geschäftsmetriken übergehen, wobei Produktinstrumentierungsdaten nur eine Quelle für den Input sind. Sie brauchen ein Business Analytics-Tool, das einen breiteren Überblick bietet. Sie brauchen Business Analytics, um mehr Einfluss auf die Führungsetage zu nehmen.

Business Analytics für alle

Die traditionelle Produktanalyse diente in erster Linie nur den Produktmanagern. Aber mehrere andere Teams in modernen Unternehmen benötigen Einblick in die Produktnutzung und das Kundenverhalten im Kontext ihrer Geschäftsfunktionen. Business Analytics ist für jeden im Unternehmen gedacht, der sich um das Produkt und seine Kunden kümmert - Growth Marketing, Customer Success, Vertrieb und Support. Und auch Produktmanager können von einem umfassenderen Verständnis der geschäftlichen Auswirkungen der Produktfunktionen, an denen sie arbeiten, profitieren.

Wie sieht ein Business Analytics-Tool aus?

Wie sieht also ein solches Business Analytics-Tool aus? Es beginnt mit der klassischen Produktanalyse, wie Segmentierung von Ereignissen, Kundenbindung, Trichter, Pfade usw. Aber es geht auch um die Einbeziehung von Daten aus Geschäftssystemen, über die normalerweise in BI-Tools berichtet wird. Wir sprechen davon, nahtlos von einem zum anderen zu navigieren. Nehmen Sie z.B. eine Kohorte von Benutzern, die von einer bestimmten Trichterstufe in eine andere übergegangen sind, und schlüsseln Sie sie nach verschiedenen Dimensionen wie Konto, Region, Alter usw. auf. Ersteres (Trichter) ist klassische Produktanalytik. Letzteres (dimensionales Slice-and-Dice) ist klassisches BI.

Die Herausforderung besteht heute darin, dass sich diese in getrennten Systemen befinden. Wenn also ein Benutzer in einem Produktanalysetool der ersten Generation die nächste Ebene von Fragen hat, muss er sein Data-Engineering-Team anrufen, damit es ihm einen einmaligen Bericht in einem BI-Tool erstellt. Das Data-Engineering-Team muss Daten aus dem Produktanalysetool in ein Data Warehouse exportieren und umständliches SQL schreiben, um den Bericht zu erstellen - das kann Wochen dauern. Außerdem haben Sie jetzt fragmentierte Analysen in zwei getrennten Systemen, die nicht nahtlos genutzt werden können. Was wäre zum Beispiel, wenn Sie aus einem BI-Bericht eine Kohorte von Nutzern erstellen und diese nutzen wollten, um zu verstehen, welche Wege diese Nutzer mit dem Produkt zurückgelegt haben? Das ist heute praktisch unmöglich.

Ein Business-Analytics-Tool der nächsten Generation ist eine Zusammenführung von traditionellen Produktanalyse- und BI-Tools in einer einzigen Plattform.

Die Architekturen von BI- und Produktanalysetools

Die herkömmliche Weisheit besagt, dass Sie weder Produktanalysen in einem BI-Tool noch BI in einem Produktanalysetool durchführen können. Das war einmal wahr.

Herkömmliche Produktanalysetools können heute nicht wie BI-Tools mit einem Warehouse arbeiten. Sie verfügen nicht über eine generische Datenmodellierungs- oder analytische Ausdrucksschicht wie BI. Sie wurden speziell für einen bestimmten Anwendungsfall entwickelt und sind keine generischen Analyseplattformen wie BI.

BI-Tools sind andererseits nicht geeignet, um ereignisorientierte Abfragen auszudrücken, die Sequenzen, Pfade, Flüsse und Zeitreihen beinhalten. Die Formulierung solcher Abfragen in SQL ist extrem umständlich. Außerdem eignet sich das von ihnen erzeugte SQL nicht gut für interaktive Analysen.

Diese beiden Arten von Systemen wurden unterschiedlich konzipiert - ein ereignisorientiertes und ein zustandsorientiertes.

Aber diese Systeme wurden vor Jahrzehnten entwickelt. Was wäre, wenn Sie bei Null anfangen und ein System entwerfen könnten, das beiden Zwecken dienen kann? Was wäre, wenn man BI und Product Analytics zu einer Plattform zusammenführen könnte? Der Geschäftswert eines solchen zusammenführenden Tools wäre enorm!

Der moderne Datenstapel

Der Generationswechsel bei den Analysetools geht häufig mit einem grundlegenden Wandel der Datenarchitekturen einher. Heute erleben wir einen Wechsel zum Modern Data Stack.

Cloud Data Warehouse

Im Zentrum des modernen Datenstapels steht ein Cloud Data Warehouse wie Snowflake oder BigQuery. Diese Data Warehouses sind das zentrale Repository für alle Daten in modernen Unternehmen. Selbst Daten wie Ereignisse der Produktinstrumentierung oder IoT-Sensorwerte, die traditionell nie im Data Warehouse landeten, werden jetzt dort gespeichert. Dies ist die wichtigste Veränderung.

Modulare CDP

Die zweite Veränderung ist das Aufkommen der modularen CDP. Composable CDP bedeutet die Verwendung von Best-of-Breed-Systemen, die auf dem Data Warehouse zentralisiert sind. Dies impliziert:

• Spezialisierte Instrumentierungssysteme wie Rudderstack, Segment oder Snowplow, die von Analysetools entkoppelt sind und Daten in neutralen Formaten im Data Warehouse bereitstellen, so dass jeder sie problemlos nutzen kann. Keine kritischen Kundendaten mehr, die zu einem SaaS-Dienst in einem schwarzen Loch verschwinden.
• SpezialisierteELT-Tools (im Gegensatz zu ETL) wie Fivetran, die Daten aus Geschäftssystemen wie Salesforce und Zendesk in das Warehouse bringen.
• Warehouse-eigene Datenumwandlungstools wie DBT zur Umwandlung von Rohdaten in konsumierbarere Formen.
• Datenaktivierung für Geschäftssysteme direkt aus dem Warehouse.
• Warehouse-eigene Geschäftsanalysen, die direkt auf dem Warehouse aufsetzen. Keine Daten verlassen jemals das Warehouse. Kein zusätzliches ETL/Reverse ETL-Durcheinander. Sie müssen keine Zeit damit verbringen, herauszufinden, was Sie an Ihren Produktanalysedienst senden (oder nicht senden) sollten, um die Kosten zu kontrollieren.
• Ein höheres Maß an Sicherheit und Governance, da das Warehouse im Mittelpunkt steht.

Der Optimizely Warehouse-Native Analytics Ansatz

Bei Optimizely Warehouse-Native Analytics haben wir unser System von Grund auf für den Modern Data Stack konzipiert. Wir haben eine Architektur entwickelt, die die Welten der ereignis- und zustandsorientierten Systeme überbrückt. Wir sind Warehouse-nativ, d.h. alle Berechnungen finden innerhalb des Data Warehouse statt, und keine Daten verlassen jemals das Warehouse. Wir bieten spezialisierte Vorlagen für Produktanalysen, aber auch Ad-hoc-Analysen im BI-Stil - alles über eine Self-Service-Schnittstelle.

Dazu haben wir mit einem traditionellen relationalen Modell begonnen und ein Ereignismodell darüber gelegt. Die generierten Abfragen sind also letztlich SQL, das gegen das Warehouse ausgeführt wird. Das traditionelle relationale Modell ermöglicht dimensionale Slice-and-Dice-Analysen im BI-Stil. Die Schichtung des Ereignismodells ermöglicht umfangreiche Ausdrucksmöglichkeiten und Optimierungen für spezielle Produktanalyseberichte. Eine spezielle Sprache namens NetScript bietet eine Abstraktionsschicht für die optimierte Abfrageverarbeitung, die im Warehouse gut funktioniert.

Wir sind der Meinung, dass BI und Produktanalyse effektiv in einem einzigen Tool durchgeführt werden können. Dies hat enorme Vorteile in Bezug auf Kosten, Governance, Sicherheit und geschäftsrelevante Analysen.

Genauso wie das Data Warehouse die Datensilos eliminiert, eliminieren Business Analytics-Systeme wie Optimizely Warehouse-Native Analytics die Analysesilos. Ein einziges Analysetool auf einem einzigen zentralen Warehouse - dieser Traum wird jetzt wahr. Und Unternehmen haben gute Gründe, ihn zu begrüßen und zu feiern.