Produkt- & Customer Journey-Analysen der nächsten Generation

Bei Optimizely Warehouse-Native Analytics stehen wir an der Spitze einer Revolution im Bereich der Produktanalytik. Die Warehouse-Native-Produktanalyseplattform von Optimizely Warehouse-Native Analytics erschließt einen enormen Geschäftswert, den traditionelle Tools der ersten Generation wie Amplitude/Mixpanel nicht erreichen konnten.

Moderne Warehouse-Native-Architekturen haben Vorteile in Bezug auf Kosten, Sicherheit, Datenschutz und Governance. Ein einziges Analysetool wie Optimizely Warehouse-Native Analytics, das direkt auf der einzigen Quelle der Wahrheit im Warehouse aufbaut, bietet den Vorteil konsistenter, vertrauenswürdiger Analysen, auf die Sie sich bei datengestützten Geschäftsentscheidungen verlassen können. Aber es geht um viel mehr als nur darum, die klassische Produktanalyse über das Data Warehouse laufen zu lassen.

Herkömmliche Produktanalysen sind isoliert und arbeiten nur mit Produktinstrumentenströmen. Bestenfalls können Sie die Analyse mit einigen Eigenschaften aus dem Data Warehouse, die durch mühsames Reverse-ETL künstlich an Benutzer- oder Ereignisobjekte angehängt werden, minimal erweitern. Aber Analysten wollen oft viel mehr. Sie möchten in der Lage sein, eine Vielzahl von Entitäten im Data Warehouse zu analysieren, z.B. Account, Campaign, Advertisement, Subscription, Workspace, Project, Document, Contract, Survey, Store, Chat, Call usw. Sie möchten diese Entitäten auf natürliche Weise nutzen und sie und die Beziehungen zwischen ihnen so modellieren, wie sie im Warehouse vorhanden sind. Optimizely Warehouse-Native Analytics bietet die Möglichkeit, genau das zu tun, wodurch sich eine riesige Klasse von Analysen eröffnet, die viel geschäftswirksamer ist als die bloße Untersuchung der Nutzung von Funktionen in einem herkömmlichen Produktanalysetool der ersten Generation. Es handelt sich um Analysen über die gesamte Customer Journey. Wir nennen dies "Customer Journey-Analysen" oder "Kundenanalysen".

Customer Journey-Analysen umfassen die Produktanalyse und sind viel umfassender und geschäftswirksamer als die traditionelle isolierte Produktanalyse.

Die frühe Entwicklung der Produktanalyse

Lassen Sie uns zunächst versuchen zu verstehen, wie sich traditionelle Produktanalysetools wie Amplitude/Mixpanel entwickelt haben. Sie entstanden vor einem Jahrzehnt, als eine große Anzahl von Mobile Apps und produktgesteuerten SaaS-Diensten allgegenwärtig wurde. Es war von entscheidender Bedeutung, ein Verständnis für die Produktnutzung durch die Benutzer zu erhalten, insbesondere bei verbraucherorientierten Produkten, bei denen die Abwanderungsrate hoch war. Zu dieser Zeit gab es keine guten Möglichkeiten, dies gut zu tun. Bei den verfügbaren Analysetools handelte es sich hauptsächlich um BI-Tools wie Tableau und Qlik. Diese Tools waren gut für die Berichterstattung über ERP-, CRM-, HCM- usw. Daten im Lager. Aber sie konnten nicht für Produktanalysen verwendet werden, weil:

1. 1. Ereignisdaten aus der Produktinstrumentierung erreichten nie traditionelle (On-Prem- oder sogar frühe Cloud-) Data Warehouses. Data Warehouses waren nicht dafür ausgelegt, Ereignisdaten auf performante und kostengünstige Weise aufzunehmen, zu speichern und zu verarbeiten.
   2. BI-Tools waren nicht dafür ausgelegt, ereignisorientierte Analysen auszudrücken oder zu berechnen.
   3. Schnelllebige digitale Produkt- und Marketingteams benötigten eine schnelle Lösung, die nicht von langsam arbeitenden zentralen Unternehmensdatenteams abhängig war.

Infolge der oben genannten Einschränkungen entstanden speziell entwickelte Tools für die Produktanalyse, die alles in einem einzigen SaaS-Service enthalten - Instrumentierung, Speicherung, Berechnung und Visualisierung. Zum ersten Mal waren die Produkt- und Wachstumsteams in der Lage, sich einen Überblick über die Nutzung ihres Produkts zu verschaffen. Sie waren in der Lage, grundlegende Analysen wie Segmentierung, Trichter, Pfade usw. mithilfe vorgefertigter Vorlagen durchzuführen. Sie konnten diese Analysen nutzen, um die Produktfunktionen zu optimieren. Das war ein großer Durchbruch.

Bedarf an der nächsten Generation von Product Analytics

Die Produkt- und Wachstumsteams begannen, diese Tools der ersten Generation zu übernehmen. Es wurden riesige Summen für diese Tools ausgegeben, die sehr teuer wurden, als die Unternehmen wuchsen und die Anzahl der Ereignisse schnell zunahm. Es herrschte der Glaube, dass auf der Grundlage der Analysen in diesen Tools geschäftsrelevante Entscheidungen getroffen würden und dass sich die Ausgaben für diese Tools auszahlen würden. Das war jedoch nicht der Fall.

Nehmen wir an, 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 produktgesteuerten 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.

Die Tools der ersten Generation haben schwache Versuche unternommen, dieses Problem mit einfachen "Reverse ETL"-Lösungen zu lösen. Aber diese Lösungen sind umständlich, unvollständig und teuer. Wenn die Kunden also wachsen, müssen sie am Ende immer mehr der schweren Arbeit in BI-Tools erledigen.

Zusammenfassend lässt sich sagen, dass der Bedarf an der nächsten Generation von Produktanalysen aus den folgenden Einschränkungen der Tools der ersten Generation resultiert:

1. 1. Die Analysen in diesen Tools der ersten Generation sind so isoliert und basieren auf so begrenzten (und oft qualitativ schlechten) Daten, dass auf dieser Grundlage keine wichtigen geschäftsrelevanten Entscheidungen getroffen werden können.
   2. Die Kosten sind so hoch, dass der ROI im Vergleich zu den Vorteilen einfach nicht gegeben ist.
   3. Über die ersten, grundlegenden Analysen in diesen Tools hinaus riefen die Geschäftsteams schließlich die Datenteams an, um Berichte für die zweite Ebene der Erkenntnisse zu erstellen. Dabei hatten sie oft Schwierigkeiten, die Anforderungen zu erklären, warteten wochenlang auf Berichte und waren nicht in der Lage, Analysen schnell genug zu erhalten, um sie in die Tat umzusetzen.
   4. Datenteams kämpfen damit, Daten aus proprietären "schwarzen Löchern" von Produktanalysetools in das Data Warehouse zu extrahieren und ein BI-Tool (das falsche Tool für Produktanalysen, aber das einzige verfügbare Tool!) zur Erstellung von Berichten zu verwenden.
   5. Die Analytik wird auf verschiedene Produktanalyse- und BI-Tools aufgeteilt, wobei das Vertrauen in die von den Produktanalysetools der ersten Generation produzierten Zahlen sehr gering ist.
   6. Sicherheitsteams mit immer strengeren Compliance- und Governance-Anforderungen schränken die Daten ein, die an externe Analysedienste gesendet werden können, und tragen so zum verminderten analytischen Wert dieser Tools bei.

Die traditionelle Produktanalyse hat nicht gehalten, was sie versprach. Es ist kein Wunder, dass die meisten Produktanalysen heute nicht mit traditionellen Produktanalysetools durchgeführt werden! Sie werden (schmerzhaft!) in BI-Tools durchgeführt. Der Bedarf an Produktanalysen ist jedoch nur gestiegen, da immer mehr Software als SaaS-Services im Abonnement bezogen wird und das produktorientierte Wachstum für immer mehr produktorientierte Unternehmen zur primären Geschäftsmethodik wird. Ein tiefes Verständnis der Produktnutzung und des Kundenverhaltens ist entscheidend für das Überleben in einem wettbewerbsintensiven Markt.

Um den steigenden Bedarf an Produktanalysen effektiv zu decken und diese effektiver zu gestalten, benötigen wir eine neue Generation von Tools wie Optimizely Warehouse-Native Analytics.

Von der Produktanalyse zur Customer Journey-Analyse

Der erste Schritt bei der Aufwertung der Produktanalytik besteht darin, nicht mehr an Produktanalytik zu denken, sondern an eine umfassendere "Customer Journey-Analyse" oder "Kundenanalyse". Customer Journey-Analysen sind Analysen über Produktinstrumentierungsdaten und alle anderen Kundengeschäftsdaten (Vertrieb, Support, Finanzen, Marketing, Erfolg usw.).

Bei der Analyse geht es nicht mehr nur um die Nutzung von Produktfunktionen, sondern vielmehr darum, wie sich die Nutzung auf das Geschäft auswirkt - z. B. in Form von generierten Umsätzen oder verursachten Eskalationen im Support. Es geht um Zahlen zur Kundenbindung, die nicht irreführend sind, weil sie jetzt auch Kündigungen außerhalb des Produkts korrekt berücksichtigen. Es geht darum, die richtigen Funktionen für die richtigen Kunden zu optimieren, die den meisten Umsatz generieren. Es geht darum, den Einfluss des Marketings nicht nur an der Anzahl der Anmeldungen nach einer Kampagne zu messen, sondern am längerfristigen wirtschaftlichen Wert der gewonnenen Kunden. Es geht darum, die Customer Journey nicht nur für das Produkt zu verstehen, sondern auch für alle Kanäle wie Shop, Support, Chat, Treueprogramme, Partner usw. Es geht darum, dass Erfolgs- und Support-Teams mehr CSAT und Kundenbindung erreichen, indem sie das Verhalten der Benutzer in ihren Konten verstehen. Es geht darum, dass operative Teams in der Lage sind, die geschäftlichen Auswirkungen von Erlebnissen mit Produkten und Sites zu bewerten und auf dieser Grundlage Probleme besser zu priorisieren.

Customer Journey-Analysen bieten eine gemeinsame, konsistente und leicht zugängliche Sicht auf das Kundenverhalten für alle kundenorientierten Teams im Unternehmen, und zwar über alle Berührungspunkte mit dem Kunden hinweg - innerhalb oder außerhalb des Produkts.

Aufbrechen von Datensilos

Der erste Schritt zur Verwirklichung der Vision von Customer Journey-Analysen besteht darin, Datensilos zu durchbrechen und zu einem einzigen Datenspeicher zusammenzuführen. 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 eingeleitet. Während das Warehouse schon immer der zentrale Ort für Daten war, die in der Geschäftsberichterstattung verwendet werden, besteht die große Veränderung nun darin, dass moderne Warehouses auch zum zentralen Ort für ereignisorientierte Daten werden, z.B. Clickstream-, IoT-, Protokoll- und Gerätedaten, zusätzlich zu den traditionellen Zustandsdaten (Geschäftstransaktionen aus POS, Auftragserfassung, Lieferkette, Vertrieb, Finanzen, HR usw.). Es ist jetzt möglich, auch umfangreiche Ereignisdaten schnell und effizient in das Warehouse aufzunehmen und zu speichern.

Das Data Warehouse/See ist das Gravitationszentrum für alle Daten im Unternehmen - Ereignisdaten und Zustandsdaten.

Alle Anwendungen, einschließlich der Produkt- und Customer Journey-Analysen, sollten sich auf diesen Wandel einstellen und umrüsten, um zu vermeiden, dass Daten in ihre proprietären Silos kopiert werden. Optimizely Warehouse-Native Analytics wurde von Grund auf als Warehouse-Native-Plattform entwickelt und erstellt niemals eine Kopie Ihrer Daten, niemals.

CDPs der nächsten Generation

Auch der Bereich CDP, der direkt mit den Produkt- und Customer Journey-Analysen zusammenhängt, wird derzeit neu definiert. CDPs entstanden als eine Marketinglösung, die von den zentralen Unternehmensdatensystemen und -teams abgekoppelt war. Während sie in den ersten Jahren einen schnellen Nutzen boten, litten sie in der Folgezeit unter den gleichen Problemen wie isolierte Systeme. Heute werden modulare 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 der Identitätsauflösung, Sessionisierung usw., Optimizely Warehouse-Native Analytics für die Analyse und in das Warehouse integrierte KI/ML-Funktionen für die Attribution und Vorhersage.

Im Mittelpunkt von Customer Journey-Analysen steht natürlich die Kundenentität. Je höher die Qualität und der Umfang der Kundenentität, desto besser die Analysen.

CDPs der nächsten Generation sind mit ihren umfangreichen Kundendatenmodellen ein Wegbereiter für umfassendere Customer Journey-Analysen.

Analyse-Silos durchbrechen

Sobald Sie eine einzige Quelle für alle Daten im Warehouse/See haben, besteht der nächste Schritt darin, ein einziges Analysetool für alle kundenorientierten Analysen zu haben, das diese Daten nutzen kann. Analysetools verfügen über eine Schicht von Metadaten (wie z.B. die Definition von Metriken) über den Tabellen im Warehouse/See. Eine Version dieser Metadaten in vielen verschiedenen Tools führt zu mehreren Quellen der Wahrheit, was unerwünscht ist. Die gemeinsame Nutzung von Kontexten durch mehrere Tools, selbst wenn sie auf demselben zugrunde liegenden Speicher basieren, wird schwierig, da jedes Tool seine eigene Darstellung des Kontexts hat, z.B. eine Kohorte von Benutzern, die zwischen zwei Stufen eines Trichters abgebrochen sind. Ein einziges Customer Journey-Analyse-Tool vermeidet diese Probleme der fragmentierten und schwachen Analysen.

Ein einziges Customer Journey-Analysen-Tool deckt den Bedarf von Produkt-, Wachstums-, Marketing-, Vertriebs-, Erfolgs- und Support-Teams für alle ihre Analyseanforderungen ab.

In der Vergangenheit war dies nicht möglich, da ereignisorientierte Systeme (wie Product Analytics) und zustandsorientierte Systeme (wie BI) in ihren Metadaten-Darstellungen und Berechnungsmechanismen unterschiedlich aufgebaut sind. Dies ist jedoch genau die Art und Weise, wie sich diese Systeme historisch entwickelt haben. Auch wenn es technisch schwierig ist, ein einziges Analysetool zu entwickeln, das die ereignis- und zustandsorientierte Welt zusammenbringt - Optimizely Warehouse-Native Analytics hat das bewiesen.

Vertrauen aufbauen

Mit einem einzigen Analysetool, das auf einer einzigen Wahrheitsquelle ohne Kopien basiert, wird innerhalb des Unternehmens Vertrauen in Zahlen aufgebaut. Eine Zahl zur Kundenbindung zum Beispiel, die in diesem einzigen Tool berechnet wird, ist die gleiche Zahl, die von allen Teams angegeben wird, und kann der C-Suite vertrauensvoll präsentiert werden. Das Tool sollte über Audit-Funktionen verfügen, damit Sie die genaue SQL-Anweisung sehen können, die an das zugrunde liegende Warehouse ausgegeben wurde, um alle analytischen Berechnungen unabhängig überprüfen zu können.

Mit dem Vertrauen in die Zahlen steigt auch die Nutzung von Analysen in allen Teams des Unternehmens und der Geschäftswert.

ROI generieren

Mit einer breiteren Plattform für Produkt- und Customer Journey-Analysen ist der ROI viel höher. Die Kosten sind niedriger, da es keine Datenkopien und keine Verwaltung von Datenverschiebungsaufträgen gibt. Die Prozesse sind effizienter, da keine Zeit mit dem Debuggen von Unstimmigkeiten in isolierten Bereichen verschwendet wird. Die Kosten für Sicherheit und Governance werden durch eine einzige Kopie der Daten unter der Kontrolle des Unternehmens und einen sorgfältig kontrollierten Zugriff auf den zentralen Speicher gesenkt. Da Analysen durch die Einbeziehung eines umfassenderen Geschäftskontextes und die Unterstützung mehrerer Teams einen größeren Einfluss auf das Geschäft haben, können die Ausgaben für Analysen leicht gerechtfertigt werden.

Customer Journey-Analysen können potenziell einen um Größenordnungen besseren ROI liefern als herkömmliche Produktanalyse-Tools.

Konsolidierung

Wenn Sie sich Customer Journey-Analysen als eine Kombination aus Produkt-, Marketing- und digitaler Erlebnisanalytik vorstellen und diese auf die derzeitige Anzahl von Anbietern übertragen, sehen Sie eine starke Fragmentierung und Überschneidung. Aber ein dringend notwendiger Konsolidierungstrend hat bereits begonnen. Darüber hinaus muss der Großteil der ereignisorientierten Analysen, die heute in generischen BI-Tools durchgeführt werden, in einem erstklassigen Customer Journey-Analysen-Tool konsolidiert werden. Genau darauf baut Optimizely Warehouse-Native Analytics auf.

Optimizely Warehouse-Native Analytics zielt darauf ab, eine zusammenhängende und dennoch modulare Customer Journey-Analyse-Suite auf einer modernen Data Warehouse/Lakehouse-Architektur bereitzustellen.

Steigen Sie mit Optimizely Warehouse-Native Analytics auf die nächste Generation der Analytik auf.

Optimizely Warehouse-Native Analytics läutet die nächste Generation von Produkt- und Customer Journey-Analysen ein, die von Grund auf für den modernen Datenstapel entwickelt wurden. Dies ist Teil einer größeren Vision, die "Analytics Cloud" zu werden - die erste Plattform in Unternehmen für alle geschäftsorientierten Analysen.

Mit Optimizely Warehouse-Native Analytics können Sie datengestützte Entscheidungen mit einem einzigen, konsistenten, vertrauenswürdigen und kostengünstigen Self-Service-Tool treffen. Erzielen Sie mit Optimizely Warehouse-Native Analytics einen echten Einfluss auf die Geschäftsergebnisse.