Produkt- und Kundenanalysen der nächsten Generation

Um wettbewerbsfähig zu bleiben, ist es wichtig zu verstehen, wie Ihre Kunden mit Ihrer Marke interagieren. Für digitale Unternehmen beginnt dies in der Regel mit der Produktanalyse. Im Großen und Ganzen besteht das Ziel der Produktanalyse darin, das Nutzerverhalten zu verstehen und herauszufinden, welche Produkterlebnisse zum Kundenerfolg führen und welche zu Reibungsverlusten oder Kundenabwanderung führen. Die Produktanalyse kann Unternehmen dabei helfen, Fragen zu beantworten wie: Was machen die Benutzer mit dem Produkt? Wie verhalten sich die verschiedenen Segmente und was leisten sie? Wann beginnt die Abwanderung? Und was sind unsere Trichter und Bindungspfade?

Es überrascht nicht, dass die Produktanalytik in den Abteilungen, die für die Bereitstellung von Produkten zuständig sind, stark genutzt wird: Product Management, Design und Technik. Auch Marketing- und Wachstumsteams nutzen die Produktanalytik, indem sie eine Website oder Werbekampagnen als Teil des Erlebnisses des produktgesteuerten Wachstums (PLG) behandeln.

Die derzeitige erste Generation von Produktanalysetools sind vertikal integrierte Lösungen, die in ihren eigenen Datensilos nur die Ergebnisse in den Produktkanälen auf höchster Ebene sichtbar machen sollen. Aber wie können Sie Verhaltensmuster über alle Berührungspunkte hinweg verstehen, die zu diesen Ergebnissen führen?

Die Produkt- und Kundenanalysetools der nächsten Generation umfassen Produktinstrumentierungsdaten und alle anderen Geschäftsdaten des Kunden (Vertrieb, Support, Marketing, Finanzen, Erfolg usw.). Sie sind für den modernen Datenstapel konzipiert und arbeiten nativ mit Data Warehouses. Mit vollständigem Kundenkontext (innerhalb und außerhalb des Produkts) und der explorativen Kraft von BI ermöglichen sie ein tiefes Verständnis dafür, wie Verhaltensmuster funktionsübergreifende Geschäftsergebnisse vorantreiben. Sie bieten eine gemeinsame, konsistente und leicht zugängliche Ansicht des Kundenverhaltens für alle kundenorientierten Teams im Unternehmen. Als Ergebnis bieten sie umfassendere, geschäftswirksamere Analysen.

Herausforderungen bei der Produktanalyse der ersten Generation

Die erste Generation der Produktanalytik ist aus dem Web 2.0 entstanden. Die entstandenen Tools (Mixpanel, Amplitude, Heap usw.) haben produktorientierten Unternehmen gute Dienste geleistet, indem sie ihnen einen Einblick in die Produktnutzung auf höchster Ebene ermöglichten, den sie vorher nicht hatten. In der heutigen digitalen Landschaft gibt es jedoch einige Herausforderungen und Unzulänglichkeiten bei den Tools der ersten Generation. Dazu gehören:

1. Zusätzliche Kosten durch geschlossene Legacy-Stacks

   Tools der 1. Generation haben proprietäre, geschlossene Datenspeicher für die gesammelten Ereignisdaten aufgebaut - und berechnen dann den Preis auf der Grundlage des Ereignisvolumens, selbst wenn die Daten nicht genutzt werden. Diese Skalierung ist für Kunden nicht vorteilhaft, da das Ereignisvolumen nicht unbedingt mit dem Geschäftswert korreliert.
   
   Das Vorhandensein eines geschlossenen Datenspeichers wird in der Regel als notwendiger Schritt zur Erzielung von Analyseleistung dargestellt. Das war vor dem Aufkommen des modernen Data Stack und der zentralisierten Datenspeicher nicht umstritten. Aber diese Daten liegen weder in branchenüblichen Formaten vor, noch sind sie über Standard-APIs wie JDBC und SQL zugänglich. Das Ergebnis ist ein weiterer isolierter Blackbox-Datenspeicher.
   
   Selbst bei einer mäßig großen Datenmenge oder analytischer Komplexität müssen Kunden ETL-Aufträge erstellen, um Daten aus diesen Speichern in andere Datenbanken zu übertragen. Anschließend müssen sie ein weiteres Tool verwenden, um diese Daten zu analysieren, was zu fragmentierten Analysen, mehr Overhead und höheren Gesamtbetriebskosten ihrer Analysemaschinen führt.

2. Isolierte Ein-Kanal-Transparenz

   Die Tools der ersten Generation konzentrieren sich auf einen einzigen Kanal: das produktinterne Erlebnis. Diese Daten bieten zwar einige Einblicke, aber sie sind unvollständig. In einem Multi-Channel-Ökosystem, das ständig vernetzt ist, interagieren Kunden mit Marken nicht nur über ihre instrumentierten Produkte, sondern auch über produktfremde Kanäle wie soziale Netzwerke, Kundensupport, Marketing, Veranstaltungen und vielleicht sogar Offline-Kanäle. Produktanalysetools bieten im Allgemeinen wenig oder gar keine Unterstützung für Multi-Channel-Analysen.
   
   Das liegt daran, dass Tools der ersten Generation grundsätzlich nicht in der Lage sind, Produktdaten mit Daten aus anderen Geschäftssystemen des Kunden anzureichern. Ein Tool kann zum Beispiel eine gut modellierte Vorstellung von einem "Benutzer" bieten, die auf den im Produkt oder in der Anwendung erfassten Ereignissen basiert. Aber was ist das vollständige Profil dieses Benutzers? Handelt es sich um einen Power-User, der Teil eines Kontos ist, das in diesem Quartal 1 Million Dollar und mehr für die Erneuerung ausgibt? Customer Engagement- oder Finanzsysteme verfügen über diese Daten. Andere Beispiele für den geschäftlichen Kontext sind die Lieferkette, die Verkaufshistorie oder die Supportkanäle aus Daten, die in Oracle, Salesforce, Zendesk oder dem Data Warehouse gespeichert sind. Diese Daten sind einfach nicht in den Ereignisströmen der Produktanalysetools der ersten Generation enthalten
   
   Die Tools der ersten Generation können bestenfalls eine begrenzte Anzahl von Eigenschaften aus einem Unternehmens-Data-Warehouse mit Hilfe von Reverse-ETL-Tools einbringen. Dies ist anfällig und teuer und immer unvollständig, da sich die Anforderungen ständig ändern. Es lässt sich zwar nicht skalieren, trägt aber zur Fragmentierung der Analyselösungen im Unternehmen bei.

3. Daten außerhalb des Unternehmens

   Die Tools der ersten Generation erfassen das Benutzerverhalten und speichern die Daten in ihrem vertikal integrierten SaaS-Service außerhalb der sicheren Unternehmensumgebung. Ihr Tag-first-Ansatz, der von Geschäftsanwendern verwendet wird, ist von Natur aus anfällig für Sicherheits- und Datenschutzverletzungen. Angesichts des zunehmenden regulatorischen Drucks stellt dies ein erhebliches Geschäftsrisiko für Unternehmen dar.

4. Einheitsgröße für konservierte Analysen

   Die Tools der ersten Generation sind so konzipiert, dass sie sofort einsatzbereite Berichtsvorlagen für einfache Self-Service-Berichte bieten. Im Gegensatz zu Business Intelligence (BI)-Software, die über Slice-and-Dice-Funktionen für erweiterte Ad-hoc-Analysen verfügt, bieten Produktanalyselösungen in der Regel nur vordefinierte Berichte über starre Datenmodelle. Darüber hinaus ist die Datenerfassung und -verarbeitung so konzipiert, dass sie in dieses vordefinierte Datenmodell passt, und Daten, die nicht für die Erstellung der vorgeschriebenen Berichte benötigt werden, werden auf dem Weg verworfen.
   
   Was aber, wenn der Benutzer eine Folgefrage stellen möchte und es sich um eine bereichs- oder geschäftsspezifische Frage handelt, die über diese Berichtsvorlagen hinausgeht? Die heutigen Umgehungslösungen sind mühsam. In der Regel müssen Sie die gesamte Produkttelemetrie (oder zumindest die Telemetrie, die von der vorgeschriebenen Datenerfassung übrig geblieben ist) in ein relationales Data Warehouse exportieren und komplexes SQL für die Modellierung und Analyse schreiben. Die Benutzer von Produktanalysetools sind Geschäftsanwender - sie verfügen wahrscheinlich nicht über die neuesten Kenntnisse oder den Zugang zu Werkzeugen, um dies zu tun. Infolgedessen müssen sie sich auf überlastete und organisatorisch teure Data Engineering- und Data Science-Teams verlassen.

5. Skalierbare Leistung

   Die Tools der ersten Generation entwickelten sich aus einfachen Berichtsvorlagen für einfache Anwendungsfälle mit einfachen Berechnungsmodulen. Sie waren nicht für die Skalierung auf die schiere Menge an Rohdaten ausgelegt, die Unternehmen heute erfassen. Und um Leistungseinbußen zu vermeiden, fassen diese Tools große Mengen aussagekräftiger Daten zusammen und löschen sie, die ansonsten Antworten auf wichtige Geschäftsfragen liefern könnten.

Die Produkt- und Kundenanalyse der nächsten Generation ist warehouse-nativ

Im modernen Data Stack arbeiten Analysetools und Funktionen wie BI, KI und ML bereits direkt mit dem Data Warehouse. Warum sollte das nicht auch für die Produktanalyse gelten? Um die Herausforderungen der Produktanalysetools der 1. Generation zu bewältigen, entsteht eine neue Generation von Warehouse-nativen Apps. Hier sind die analytischen Funktionen, die durch diesen modernen Ansatz erschlossen werden:

Selbstbedienbare Antworten auf jede Frage

Die Tools der nächsten Generation ermöglichen es den Geschäftsanwendern, den Datenzugriff, die Modellierung und die Analyse selbst vorzunehmen, ohne dass sie auf Data Engineering-Teams angewiesen sind. Geschäftsanwender sind nicht mehr auf vorgeschriebene Berichte oder Dashboards beschränkt, sondern können über intuitive Point-and-Click-Schnittstellen auf Daten zugreifen, sie analysieren und visualisieren - und das aus jeder Datenquelle im Data Warehouse.

Ausgehend von Dutzenden von Produktanalyse-Berichtsvorlagen, einschließlich Ereignis-Segmentierung, Verhaltenskohorte, Kundenbindung, Pfade oder Trichter, können sich Geschäftsteams schnell einen Überblick über das Nutzerverhalten und die Ergebnisse verschaffen.

Sie sind in der Lage, das Datenmodell des Unternehmens entsprechend ihrem Fachwissen anzureichern und zu erweitern. Und schließlich sind sie in der Lage, mit fortgeschrittener Analytik anspruchsvollere Fragen zu stellen.

Beantworten Sie nahtlos die nächste Reihe von Fragen

Die nächste Frage, und die nächste, und die nächste... kann durch die Neugier auf Interaktionen außerhalb des Produkts oder OKRs auf Kunden- oder Geschäftsebene ausgelöst werden. Das ist ein iterativer Prozess, der sich in Gedankengeschwindigkeit entwickelt und visuelle Ad-hoc-Funktionen für die Exploration erfordert. Glücklicherweise befinden sich die dafür erforderlichen Daten bereits im Warehouse und sind für diese Art der selbstgesteuerten Erkundung sofort zugänglich.

Konvergierte Plattformen für Self-Service-BI und Kundenanalysen sind so konzipiert, dass Geschäftsanwender diese anspruchsvolleren Fragen jetzt ganz einfach von einer einzigen Plattform aus stellen können - und zwar für alle Kunden- oder Geschäftsdaten und für Geschäftskennzahlen höherer Ordnung, die über die Produktnutzung hinausgehen (z.B. kann ein Streaming-Unternehmen die Kosten pro erworbene Stunde verfolgen, um den Marketing-ROI auf der Grundlage der Kundenakquisitionskosten für jede Stunde angesehener Inhalte zu messen).

Unternehmen sind nicht darauf beschränkt, das Verhalten der Nutzer im Produkt zu betrachten. Sie können ihr Verständnis des Nutzerverhaltens nahtlos iterieren und verfeinern, indem sie jede beliebige Datendimension im Warehouse aufschlüsseln. Sie können zum Beispiel ganz einfach das Verhalten auf Kontoebene aufrollen oder die Nutzung mit Upgrades und direkt mit dem Umsatz in Verbindung bringen! Sie können sehen, wie sich Benutzer über andere Berührungspunkte hinweg verhalten, vergangenes historisches Verhalten mit sich dynamisch entwickelnden Kohorten vergleichen und vieles mehr.

Mit umfangreichem Geschäftskontext und Erkenntnissen aus verschiedenen Datenquellen können Sie die Kundenansprache genau an dem Punkt personalisieren, an dem sie sich auf das Geschäft auswirkt.

Genaue Modellierung Ihres Geschäfts für vollen Kontext

Diese Tools bieten die fortgeschrittenen Modellierungsfunktionen von Self-Service-Tools für BI.

Sie ermöglichen es dem Unternehmen, Rohdaten in verschiedenen Formen in aussagekräftige relationale Geschäftseinheiten zu schematisieren, mit mehreren Ansichten der Daten für verschiedene Geschäftsszenarien, Unterstützung für halbstrukturierte Daten und Widerstandsfähigkeit gegenüber Änderungen in den Quelldaten.

Reagieren Sie schnell auf Veränderungen in Ihrem Unternehmen

Wir befinden uns in einer Zeit, in der die Geschwindigkeit des Geschäftslebens rapide zunimmt. Jedes Team, sei es das Produkt-, Wachstums- oder Customer Success-Team, muss schneller als je zuvor auf Geschäftsereignisse reagieren, um relevant zu bleiben. Die Analysesysteme der nächsten Generation spiegeln diese Entwicklung wider. Sie sind in der Lage, Benutzerereignisdaten in Echtzeit zu verarbeiten und die Produkt- und Kundenteams sofort über Probleme und Chancen zu informieren.

Aktivieren Sie Erkenntnisse zur Personalisierung von Erlebnissen auf allen Kanälen

Wenn die Geschäftssysteme nicht aufeinander abgestimmt sind, kann das, was Sie für eine gut getimte Personalisierung hielten, völlig daneben gehen und der Beziehung schaden. Die einzige Möglichkeit, dies zu vermeiden, besteht darin, eine einzige Quelle der Wahrheit zu nutzen und zu operationalisieren.

Die Tools der nächsten Generation leiten Erkenntnisse aus der Verhaltensanalyse in das Data Warehouse, die einzige Quelle der Wahrheit, zur Aktivierung durch und von jedem mit dem Warehouse verbundenen Geschäftssystem.

Berücksichtigung von Datenschutz- und Sicherheitsbedenken

Da die Tools der nächsten Generation warehouse-nativ sind, werden die Daten nie dupliziert und verlassen nie die sichere Umgebung des Kunden.

Darüber hinaus haben Kunden die Flexibilität, die Lösung entweder als vollständig verwalteten SaaS-Service oder innerhalb einer eigenen Virtual Private Cloud (VPC) einzusetzen. Dies ermöglicht es den Kunden, für alle Anwendungen einheitliche Richtlinien für die Sicherheit und den Datenschutz im Unternehmen einzuhalten.

Für den Wert zahlen

Die Tools der nächsten Generation sind von Grund auf für den modernen Datenstapel konzipiert. Im modernen Data Stack befinden sich alle Daten, einschließlich der Produktinstrumentierungsdaten, in einem zentralen Cloud-Speicher in einem offenen Format neben allen anderen Geschäftsdaten des Kunden. Sie zahlen einmalig für die Daten. Es gibt kein zusätzliches ETL oder Reverse ETL, um Daten zwischen anderen externen Blackbox-Silos zu verschieben. Sie können alle Ihre Daten kostengünstig in Cloud Object Stores speichern, zahlen aber nur für die Teilmenge dieser Daten, die abgefragt wird.

Die Analysetools sind von der Instrumentierung entkoppelt und arbeiten direkt mit den Daten in diesen zentralen Speichern. Dies ermöglicht Produktanalysen der nächsten Generation, die die analytische Leistung von BI von einer einzigen Plattform aus bieten. Sie benötigen nicht mehr mehrere Plattformen und Tools, um die verschiedenen Abfragen der Produktanalyse zu bedienen, von einfachen (Tools der ersten Generation) bis hin zu komplexen (ETL/SQL/BI-Tools). Da die Abfragen direkt gegen das Data Warehouse gerichtet sind, haben Sie außerdem volle Preistransparenz über Ihre Rechenkosten.

Durch die Modernisierung Ihres Produktanalyse-Stacks zahlen Sie nur noch einen Bruchteil dessen, was Sie jetzt für mehrere Tools, Plattformen und Teams ausgeben.

Heben Sie Ihre Produkt- und Kundenanalyse auf die nächste Stufe

Haben Sie Schwierigkeiten, die Herausforderungen Ihrer aktuellen Produktanalyselösung zu bewältigen?

1. Ereignisbasierte Preise, die bei Skalierung unerschwinglich werden
2. Hohe TCO für die Datenübertragung zu/von geschlossenen Legacy-Systemen
3. Isolierte Ein-Kanal-Transparenz
4. Kundendaten außerhalb des Unternehmens
5. Einheitsgröße für vorgefertigte Analysen
6. Fragmentierte Analytik in mehreren Produkten
7. Schlechte Leistung bei Skalierung

Was noch wichtiger ist: Erwarten Sie von einer modernen Plattform mehr geschäftsrelevante Erkenntnisse?

• Ein Bruchteil der Kosten für herkömmliche Produktanalyselösungen
• Selbstbedienbare Antworten auf jede Frage
• Nahtlose Beantwortung der nächsten Fragen jenseits von Berichtsvorlagen
• Genaue Modellierung Ihres Geschäfts für einen vollständigen Kontext
• Reagieren Sie schnell auf Veränderungen in Ihrem Unternehmen
• Aktivieren Sie Erkenntnisse zur Personalisierung von Erlebnissen auf allen Kanälen
• Berücksichtigung von Datenschutz- und Sicherheitsbedenken
• Zahlen Sie für den Wert, nicht für das Datenvolumen

Wenn Sie eine der oben genannten Fragen mit Ja beantwortet haben, sollten Sie eine Produkt- und Kundenanalyselösung der nächsten Generation in Betracht ziehen, um den Wert Ihrer Investitionen in die Produktinstrumentierung zu maximieren und anspruchsvollere Verhaltensfragen zu stellen.