Reifegradmodell für Kundenanalysen: Ein Leitfaden für datengesteuertes Wachstum

In meinem letzten Beitrag über Kundenanalysen haben wir erörtert, wie die einzigartige Sichtweise der Kundenanalyse die fragmentierte Sichtweise der Produkt-, Marketing- und Betriebsanalyse ersetzen kann. Ein wichtiger Katalysator für diesen Wandel ist die Umstellung auf Warehouse-native Analysen, die durch hochleistungsfähige Data Warehouse-Plattformen ermöglicht werden. Dies ermöglicht es uns, das Warehouse zur Quelle der Wahrheit zu machen, anstatt uns mit lösungsspezifischen Datensilos zu beschäftigen. Diese Veränderung ist eine der wichtigsten in der jüngeren Geschichte der Analytik, denn sie hat uns die Fähigkeit zurückgegeben, auf der Grundlage einer einheitlichen Sicht auf unsere Kunden zu handeln, die wir verloren haben, als digitale Produkte schneller skalierten, als unsere Data Warehouses sie unterstützen konnten, und wir schließlich in Silos landeten. Wir können jetzt die Fragen beantworten, die unsere Unternehmen wirklich stellen, anstatt sie aufzuteilen, weil wir nicht ohne weiteres alle erforderlichen Daten zusammenführen können.

Dies sind zwar aufregende Entwicklungen, aber die Realität sieht so aus, dass die meisten von uns immer noch erhebliche Datensilos haben. So vielversprechend der moderne Datenstapel auch sein mag, die Entwicklung relevanter Erkenntnisse und deren anschließende Operationalisierung ist langsam, schwierig und erfordert eine Menge teurer Mitarbeiter. Bis heute ist das Erbe des modernen Datenstapels eine Sammlung legitim beeindruckender Punktlösungen, aber ein unklarer Weg zu dem, was wir wirklich wollen - die Fähigkeit, Daten zu nutzen, um Kunden in großem Umfang zu aktivieren.

Reifegradmodell für Kundenanalysen

Bei dem Versuch, das Zusammenspiel dieser Tools zu verstehen, ist ein Reifegradmodell hilfreich, um zu verstehen, was wir erreichen wollen und wo die verschiedenen Teile hingehören.

Abbildung 1: Reifegradmodell für Kundenanalysen

So gut wie jedes Unternehmen hat zumindest teilweise Stufe 1 erreicht: Funktionale Analysetools und verwendet eine Reihe von funktionalen Analysetools (z.B. Google, Adobe, Amplitude). Diese Tools liefern vernünftige Antworten auf spezifische Fragen (z.B. wie viele Personen nutzen Funktion x, wie viele Personen wurden durch diese Anzeige konvertiert), erschweren jedoch die Beantwortung von Fragen, die das Gesamtbild unserer Kundenbeziehung erschließen (z.B. warum stornieren Kunden). Diese Tools verwalten ihre eigenen Analysen und ihre eigenen Daten in ihren jeweiligen Silos, so dass sie nicht nur keine ganzheitlicheren Fragen beantworten können, sondern auch die Möglichkeit behindern, dass dies an anderer Stelle geschieht.

Wenn Unternehmen größer werden, beginnen sie in Data Warehouses zu investieren (z.B. Snowflake, BigQuery, Databricks). Irgendwann stellt man fest, dass es einen Haufen Daten über denselben Kunden gibt, die aus verschiedenen Quellen stammen - Backend-Produkttabellen, MarTech-Plattformen, Kundendienstplattformen usw. - und beschließt, dass alle diese Daten in einer einzigen Datenstruktur im Warehouse vereinheitlicht und vielleicht sogar operativ in der CDP aufbereitet werden sollten. Dieser Aufstieg zu Level 2: Warehouse C360 löst scheinbar die Probleme von Level 1 - eine ganzheitliche Sicht auf den Kunden zu erhalten -, aber in der Praxis verzettelt man sich an zwei Stellen. Erstens: Während die funktionalen Tools einen Großteil der Analyse- und Berichtsebene bereitstellen, ist C360 eine maßgeschneiderte Lösung, bei der alles von internen Teams erstellt werden muss. Zweitens gelangen zwar einige funktionale Daten in das Warehouse (z.B. Backend-Produktdaten), aber viele davon sind in isolierten Lösungen gefangen (z.B. Front-End-Produktdaten) und lassen sich bestenfalls schwer integrieren, so dass dem C360 wesentliche Teile der Kundensicht fehlen.

Bis vor kurzem war Level 2 das Beste, was wir tun konnten, weil die Silos unserer Funktionsbereichs-Tools nur durch den Aufbau eigener Lösungen vermieden werden konnten, und nur wenige Unternehmen sind in der Lage, dies zu tun. Mit Lösungen wie NetSpring ist es nun möglich, isolierte Tools durch Lösungen zu ersetzen, die ihre Daten nativ im Warehouse zusammen mit allem anderen, was wir über einen Kunden wissen, unterbringen. Darüber hinaus ist NetSpring flexibel genug, um den Aufwand für den Aufbau der Berichterstattungsschicht zu reduzieren, der bei älteren BI-Lösungen nur langsam und ineffizient zu entwickeln war. Durch die Lockerung der beiden größten Einschränkungen, die in Stufe 2 aufgetreten sind, wird Stufe 3 möglich : Warehouse-native Customer Analytics Reife und eröffnet eine Vielzahl von Anwendungsfällen, die zu schnelleren Erkenntnissen führen und die Möglichkeit bieten, diese Erkenntnisse zur Aktivierung von Kunden zu nutzen.

Das Erreichen von Stufe 3 stellt für die meisten Unternehmen einen bedeutenden Gewinn dar, denn nun können sie endlich Maßnahmen ergreifen, die den Kunden ganzheitlich betrachten. Dazu müssen die Benutzer jedoch immer noch Metriken, Attribute und Berichte definieren, die Erkenntnisse offenbaren und Entscheidungen vorantreiben. Der nächste logische Schritt in unserer Reife nimmt zu : Level 4: Autonomous Customer Analytics, in dem wir einen Großteil dieser Entdeckungen automatisieren, wahrscheinlich durch die Einbindung von KI, um unsere C360s in großem Umfang zu durchforsten und potenzielle Metriken und Dimensionen aufzudecken. Während solche Lösungen noch weitgehend im Bereich der Science Fiction angesiedelt sind, nähern wir uns mit Fortschritten in Bereichen wie der generativen KI der Fähigkeit, diese Lösungen bereitzustellen, und wenn sie fertig sind, werden sie genau die Art von einheitlicher Sicht auf den Kunden benötigen, die wir erhalten, wenn wir Stufe 3 erreichen.

Jede Reifegradstufe steht für Entwicklungen in der Technik, die systematisch neue Anwendungsfälle erschließen, wobei die Einschränkungen auf jeder Stufe Innovationen auslösen, die für die nächste Stufe grundlegend sind.

Tabelle 1: Reifegrad Anwendungsfälle und Einschränkungen der verfügbaren Lösungen

Fazit

Wir sind endlich an einem Punkt angelangt, an dem klar ist, wie der Modern Data Stack uns dabei helfen kann, unsere Geschäftsziele zu erreichen und unsere Kunden besser zu verstehen und zu aktivieren. Vieles von dem, was in den letzten zehn Jahren aufgebaut wurde, hat uns die notwendige Grundlage gegeben, um unseren Ansatz zur Kundenanalyse so weit zu reifen, dass wir unsere wichtigsten Anwendungsfälle erschließen können.

Warehouse-native Kundenanalyselösungen wie NetSpring sind die fehlende Zutat, um eine ganzheitliche Sicht auf unsere Kunden zu schaffen, die wir in großem Umfang nutzen können. Sie bilden auch die Grundlage für noch ausgefeiltere Ansätze, die das Potenzial haben, einen Großteil dieser Arbeit in Zukunft zu automatisieren. Unabhängig davon sind wir nun endlich an einem Punkt angelangt, an dem wir mit unseren Datenstapeln unsere wichtigsten Anwendungsfälle direkt angehen und einen Mehrwert für unsere Kunden und unser Unternehmen schaffen können.

John Humphrey hat mehr als zwei Jahrzehnte Erfahrung darin, Unternehmen dabei zu helfen, Erkenntnisse zu gewinnen und Daten in großem Umfang zu aktivieren. Zu seinen Erlebnissen gehört, dass er der erste Datenbeauftragte bei Goodreads (von Amazon übernommen) war, die Datenorganisation von LegalZoom durch den Börsengang führte und zuletzt als Chief Data Officer bei Intuit Mailchimp tätig war. John ist ein Berater bei NetSpring.