Aufbau einer skalierbaren Analysearchitektur für das moderne SaaS-Unternehmen

Founder und technische Leiter sind oft auf der Suche nach dem perfekten Datenanalyse-Stack, der einfach funktioniert und alle ihre Anforderungen erfüllt. Die Realität ist, dass sich die Anforderungen mit dem Wachstum eines Unternehmens ändern, was bedeutet, dass sich auch die Analysearchitektur anpassen sollte. In diesem Beitrag werde ich den Weg der Analytik von den frühesten Stadien Ihres Unternehmens, in denen Sie vielleicht noch in der Garage arbeiten, bis hin zu den letzten Stadien, in denen es um unternehmensweite Analytik geht, aufzeichnen.

Phase der Produktentwicklung

In der Phase vor der Produktentwicklung ist es ganz natürlich, nicht an Analysen zu denken. Schließlich haben Sie noch keine Daten zum Analysieren. Während der Produktentwicklung sollten Sie jedoch immer an die Produkttelemetrie / Instrumentierung denken (z.B. Snowplow, Rudderstack oder Segment). Dies wird entscheidend sein, um Erkenntnisse darüber zu gewinnen, wie Ihr Produkt genutzt und angenommen wird, und um zu beurteilen, ob Sie den Produkt-Markt-Fit erreicht haben. Überlegen Sie sich im Voraus, wie Sie die Komponenten Ihrer Anwendung und die damit verbundenen Daten, die Sie sammeln werden, organisieren wollen, um zu vermeiden, dass Sie wiederholt Instrumente hinzufügen müssen. Ihre Instrumente können in dieser Phase noch sehr begrenzt sein, aber Sie sollten sie in alle Design-Diskussionen einbeziehen und sie in die DNA der Entwickler einbauen.

Phase der Kundenakquise

Jetzt, wo sich Ihr Produkt in der Alpha- oder Beta-Phase befindet, strömen Designpartner und Testkunden zu Ihnen. Sie haben Ihre Website gestartet und mit der Erstellung von Inhalten zur Unterstützung der Customer Journey begonnen. Sie haben viele Lead-Quellen, darunter Anzeigen, E-Mails, Webinare und mehr, aber welche führen zu den meisten kostenlosen Testanmeldungen auf Ihrer Website? Welche Inhalte erzielen die größte Wirkung?

In dieser Phase ist es wichtig, sich an Daten zu orientieren. Sie können damit beginnen, die Effektivität Ihrer Marketinginvestitionen zu messen, indem Sie die integrierten Funktionen Ihrer Marketinglösungen nutzen (z.B. Google Analytics, LinkedIn Ads, Outreach, HubSpot, Salesforce). Letztendlich müssen Sie all diese Daten zusammenführen, um einen vollständigen Überblick über die Customer Journey zu erhalten. Das wird noch schwieriger werden, vor allem, wenn Ihr Stack von 10 auf 100 anwächst, wie in vielen großen Unternehmen. Wenn Sie über die nötigen Ressourcen verfügen, ist jetzt ein guter Zeitpunkt, um über eine Strategie für Kundendaten und vielleicht eine einzige Quelle der Wahrheit in einem Data Warehouse nachzudenken.

Phase der frühen Kundenakzeptanz

Sie haben Ihr Produkt offiziell auf den Markt gebracht. Eine beträchtliche Anzahl von Kunden beginnt, es zu nutzen, und Sie lernen, was funktioniert und was nicht. Während Sie Daten sammeln, entwickeln Sie auf der Grundlage dieser Erkenntnisse schnell neue Produktfunktionen. In dieser Phase erhalten Sie das meiste Produktfeedback durch direkte Kommunikation mit den ersten Kunden, die am besten erreichbar sind. Sie müssen jedoch damit beginnen, die Struktur für integrierte, skalierbare Analysen aufzubauen:

1. Legen Sie Ihre Strategie für die Produktinstrumentierung fest
   Der moderne Ansatz für die Instrumentierung besteht in der Verwendung einer Instrumentierungsbibliothek, die von jedem Analysetool entkoppelt und unparteiisch ist. Anbieter wie Segment, RudderStack und Snowplow bieten erstklassige Instrumentierungsbibliotheken für Mobile, Web und Backend. Vor allem aber zwingen sie Sie nicht in ein anbieterspezifisches Datenmodell. Sie können Daten in offenen Formaten sammeln, die von jedem Analysetool verarbeitet werden können.
2. Richten Sie ein Cloud Data Warehouseein
   Dies mag verfrüht erscheinen. Normalerweise richten Unternehmen Data Warehouses erst viel später in ihrem Lebenszyklus ein. Aber mit modernen Cloud-Data-Warehouses wie Snowflake ist es einfach geworden, ein Warehouse einzurichten und es mit sehr wenig Aufwand zu verwalten. Dank seiner Elastizität, der automatischen Abschaltung und der Pay-per-Use-Modelle ist es auch für Startups in der Anfangsphase erschwinglich. Angesichts der geringen Datenmengen in diesem Stadium können Sie ein Warehouse für ein paar hundert Dollar pro Monat betreiben.

Data Warehouses werden zum Gravitationszentrum aller Unternehmensdaten. Das Warehouse wird das Herzstück jeder Analyse-Initiative sein, die Sie in Angriff nehmen. Die oben erwähnten Instrumentenbibliotheken bieten sofort einsatzbereite Möglichkeiten, um Daten einfach in das Data Warehouse zu übertragen. Für Nicht-Produktdaten können Sie ein modernes ELT-Tool wie Fivetran oder Matillion verwenden, um Daten aus Ihren Marketing- und Vertriebssystemen in Ihr Data Warehouse zu übertragen. Diese ELT-Tools bieten eine umfangreiche Bibliothek von Konnektoren für die meisten Geschäftssysteme und sind auch speziell für das moderne Cloud-Warehouse entwickelt worden. Verwenden Sie für alle Datentransformationen innerhalb des Warehouses ein Datentransformationstool wie DBT.

1. Richten Sie ein Produktanalysetool ein. Mit Blick auf die Zukunft wird ein effektives Produktanalysetool nativ mit einem Data Warehouse arbeiten. Vermeiden Sie, dass Ihre Daten in einem Blackbox-SaaS-Service eines Analyseanbieters isoliert werden. Auch wenn dies anfangs vielleicht nicht so wichtig erscheint, so kann es doch schnell zu einer unkontrollierbaren Datenqualität und schlechter Analysetransparenz führen, wenn Sie wachsen. Es kann schnell passieren, dass Sie mehrere ETL- und Reverse-ETL-Pipelines haben, dass die Metriken in den verschiedenen Teams aufgrund verschiedener Wahrheitsquellen nicht übereinstimmen und dass Sie hohe Kosten für die Verwaltung mehrerer Analysetools haben.

Ein weiterer Punkt, den Sie berücksichtigen sollten, ist die Frage, ob Ihr Produktanalysetool Ihre Analyseanforderungen erfüllen kann, ohne dass Sie ein zusätzliches BI-Tool benötigen. Vergewissern Sie sich, dass das Produktanalysetool, das Sie auswählen, alle Daten in Ihrem Warehouse analysieren kann. Sie sollten in der Lage sein, Daten aus der Produktinstrumentierung mit Daten aus Ihren Geschäftssystemen zu kombinieren, um einen 360-Grad-Blick auf Ihre Customer Journey zu erhalten.

In diesem Stadium haben Sie vielleicht noch nicht viele Daten. Ihre Instrumentierung befindet sich vielleicht noch in der Entwicklung. Möglicherweise fließen noch nicht aus allen Ihren Geschäftssystemen Daten ein. Das ist in Ordnung. Das Wichtigste ist, dass Sie mit der Analyse beginnen und den Rahmen dafür schaffen. Wenn Sie den Wert selbst grundlegender Analysen aufzeigen, ermutigen Sie die Technik dazu, weitere Instrumente hinzuzufügen (die Instrumentierung hat für die Technik oft eine niedrige Priorität). Noch wichtiger ist jedoch, dass eine Kultur der datengesteuerten Entscheidungsfindung in allen Funktionen des Unternehmens geschaffen wird. Unternehmen, die schon früh eine analytische Grundlage schaffen, erhöhen ihre Erfolgschancen dramatisch und können Millionen von Dollar sparen, wenn sie ihren Stack später für die Analytik umgestalten.

Wachstumsphase

Sie haben eine Produkt-Markt-Anpassung erreicht. Ihr Kundenstamm wächst. Ihr Produkt hat einen großen Umfang mit vielen Funktionen. In dieser Phase umfasst Ihre Analysestrategie Folgendes:

1. Machen Sie die Analytik zum Zentrum Ihrer gesamten Entscheidungsfindung. In einem Unternehmen, das diese Strategie richtig umsetzt, wird jede Produkt- oder Kundendiskussion mit einem Dashboard der Analyseergebnisse beginnen. Ihr gesamtes Unternehmen sollte sich auf ein einziges Tool für alle Analysen abstimmen. Bitten Sie alle Funktionsleiter, in diesem Tool die für ihre Funktion relevanten Geschäftsmetriken zu erstellen und darzustellen. Sie sollten in der Lage sein, die treibenden Kräfte für diese Metriken innerhalb desselben Tools zu verstehen. Sie sollten in der Lage sein, auf einfache Weise Hypothesen zu den Faktoren zu testen, die diese Metriken beeinflussen. Mit der von Ihnen geschaffenen Grundlage haben Sie:
   1. eine einzige Quelle der Wahrheit für alle Ihre Metriken - keine widersprüchlichen Werte mehr für Metriken wie die Anzahl aktiver Nutzer, Conversion Rate, Customer Lifetime Value, Kundenakquisitionskosten usw.
   2. übergreifende Analysen, wobei jede Funktion ihre Analysen mit angrenzenden Funktionen in Verbindung bringen kann. Zum Beispiel könnte ein Growth Marketer die Kampagnenkanäle mit der Aktivierung und dem Engagement für ein Produkt in Beziehung setzen. Ein Customer Success Manager wäre in der Lage, die Korrelation zwischen Produktnutzung, Kontoprofilen und Upgrades zu verstehen.
2. Formalisierung eines Data Engineering Teams. Möglicherweise haben Sie bereits einige Mitarbeiter, die sich mit Data Engineering befassen, wahrscheinlich aus den Bereichen Marketing, Produkt oder Technik. Jetzt ist es an der Zeit, ein Data-Engineering-Team zu gründen, das für das Data Warehouse, die Instrumentierungssysteme, die ELT-Tools/Jobs und die Analysetools zuständig ist. Dieses Team stellt sicher, dass die Datenoperationen reibungslos ablaufen, dass die Daten ordnungsgemäß gesichert sind und dass die Geschäftsanwender einen geregelten Zugang zu den Daten haben. Zu diesem Team können auch Datenwissenschaftler gehören, die ein Tool für maschinelles Lernen (ML) einrichten.

Beachten Sie, dass jede Geschäftsfunktion in der Lage sein sollte, sich selbst um Analysen zu kümmern, ohne sich auf das Data Engineering Team verlassen zu müssen - das von Ihnen gewählte Analysetool sollte dies erleichtern. Das von Ihnen gewählte Analysetool sollte dies ermöglichen. Anstatt sich mit wiederholten Anfragen nach Berichten aus dem Unternehmen aufzuhalten, sollte das Data-Engineering-Team an hochwertigen Analysen arbeiten und dafür sorgen, dass die Daten, auf die das Unternehmen zugreift, die richtigen Daten sind.

Expansionsphase

Sie sind ein bekannter Akteur in Ihrem Bereich. Sie konzentrieren sich auf die Expansion in neuere Branchen, neuere Produktlinien, internationale Märkte usw. Sie haben ein Ökosystem von Lieferanten, Partnern, Wiederverkäufern, Systemintegratoren und anderen. Vielleicht denken Sie auch an einen Börsengang. In dieser Phase müssen Sie:

1. Ein Business Intelligence (BI)-Berichtstool hinzufügen. Wählen Sie ein BI-Tool für die Produktionsberichterstattung. Suchen Sie nach einem Tool, das die Arten von Berichten bietet, die Sie benötigen: Finanzberichte, spezielle Visualisierungen, geplante Verteilung von Berichten, Export-/Druckfunktionen und Einbettung in Partnersysteme. Stellen Sie sicher, dass das von Ihnen gewählte BI-Tool direkt mit Ihrem Data Warehouse arbeiten kann.
2. Erleichtern Sie die gemeinsame Nutzung und Aktivierung von Daten. Ihr Produktanalysetool kann Ihnen dabei helfen, logische Ansichten Ihrer Daten in Ihrem Data Warehouse zu erstellen und zu generieren, die von Ihrem Tool für die gemeinsame Nutzung und Aktivierung von Daten verwendet werden können - dadurch entfällt die Notwendigkeit der Datenduplizierung. Anschließend können Sie die Funktionen Ihres Data Warehouse nutzen, um relevante Teile Ihrer Daten sicher innerhalb Ihres Ökosystems zu teilen. Datenaktivierungstools können auch Daten aus Ihrem Warehouse in ein ausgewähltes Geschäftssystem für bestimmte Aktionen verschieben, z.B. eine Kohorte von Benutzern für eine Marketingkampagne an Marketo weiterleiten.

Fazit

Wenn Sie vorausschauend planen und Ihre Analysearchitektur zentralisieren - rund um Ihr Data Warehouse-, erhalten Sie die größtmögliche Flexibilität für die Speicherung, Analyse und Aktivierung Ihrer Daten.

Optimizely Warehouse-Native Analytics bietet ein Produktanalysetool der nächsten Generation, das nativ auf Ihrem Data Warehouse arbeitet. Optimizely Warehouse-Native Analytics hilft Teams dabei, Erkenntnisse aus allen Datenquellen zu gewinnen und dabei die Leistungsfähigkeit von BI zu nutzen.