Wie und warum Warehouse-Native Analytics die nächste Generation der Produktanalytik auf Snowflake aufbaut

(Dieser Artikel wurde zuerst auf dem Snowflake Blog veröffentlicht: Inside the Data Cloud)

Ereignisdaten zur Nachverfolgung der Reise eines Benutzers waren schon immer wichtig für die Produktanalyse - aber wir erleben jetzt einen Wandel in der Art und Weise, wie Unternehmen mit ihren Daten, einschließlich Ereignisdaten, arbeiten und sie verwalten.

Diese Entwicklung wurde vor allem durch die disruptive Wirkung der Cloud vorangetrieben. Die daraus resultierenden Veränderungen der Geschäftsmodelle und der grundlegenden Technik haben für praktisch jede Softwarekategorie Funktionen der nächsten Generation hervorgebracht, so auch für die Produktanalytik. Die Produktanalytik der nächsten Generation ist jetzt Warehouse-nativ, ein architektonischer Ansatz, der die Trennung von Code und Daten ermöglicht. Bei diesem Modell pflegen die Anbieter von Produktanalysen der nächsten Generation den Code für die analytische Anwendung als verbundene App, während die Kunden die Daten in ihrer eigenen Cloud-Datenplattform verwalten.

Produktanalytik der ersten Generation

2009 führte Mixpanel wichtige Funktionen ein, um granulare Ereignisse auf die Art und Weise abzubilden, wie ein Nutzer mit einer App interagiert - über das Web oder auf dem Handy. Mixpanel verbesserte radikal die Art und Weise, wie Marketing-, Produkt- und Entwicklungsteams die entscheidenden Faktoren für die Interaktion identifizieren und ihre Produkte weiterentwickeln konnten. Jede Entscheidung könnte mit Daten begründet werden.

Die Tools der ersten Generation verfügen über integrierte Produktinstrumentierungsbibliotheken, die Daten in Blackbox-Speichern innerhalb ihrer geschlossenen Analyseplattformen sammeln und speichern. Da sie nur digitale Produktereignisse erfassen und von der großen Mehrheit der Unternehmensdaten abgekoppelt sind, arbeiten sie nur mit einer sehr kleinen Teilmenge der Kundendaten. Bestenfalls können sie mit Hilfe von Reverse-ETL-Tools eine begrenzte Anzahl von Eigenschaften aus einem Unternehmensdatenlager einbringen.

Produktanalytik heute

Auf der Grundlage von Gesprächen mit Kunden und Interessenten schätzt Optimizely Warehouse-Native Analytics, dass 80 % der Unternehmen gezwungen sind, Produktinstrumentierungsdaten zu duplizieren und in ein Data Warehouse zu exportieren und mit anderen Geschäftsdaten anzureichern, um:

• einen vollständigen Überblick über die Customer Journeys auf Kunden- und Kontoebene zu erhalten
• Attribution zu verstehen
• funktionsübergreifende Geschäftseinblicke zu gewinnen, die für Führungskräfte und andere Stakeholder interessant sind

Neben zahlreichen Problemen bei der Datenverwaltung führt dieser Ansatz auch zu einer starken Abhängigkeit von Daten- und Analyseteams, die benutzerdefinierte SQL- und BI-Berichte erstellen. Die BI-Tools wurden jedoch nicht für die Analyse von Zeitreihen und Ereignisdaten entwickelt, was zu einem Missverhältnis mit typischen Produktanalyse-Visualisierungen wie Trichter und Pfade führt. Außerdem geht der Kontext verloren, wenn man von den reichhaltigeren Datenmodellen im Warehouse-nativen Ansatz zurück zu den Tools der ersten Generation wechselt. Und es überrascht nicht, dass das Schreiben und Testen von benutzerdefinierten SQL-Abfragen für Trichter und Pfade Stunden in Anspruch nehmen kann, so dass die Erstellung von benutzerdefinierten Berichten zwei oder mehr Wochen in Anspruch nimmt. Das behindert die natürliche Neugier von Produktteams und Marketingfachleuten, die in Windeseile neue Erkenntnisse gewinnen wollen.

Die erste Generation von Produktanalysetools diente in erster Linie der Verfolgung und Verwaltung von Front-End-Ereignissen. Daher müssen diese Tools oft durch umfassendere Erfassungslösungen ergänzt werden, um Back-End-Instrumente wie Segment, Rudderstack oder Snowplow einzubinden. Unabhängig davon ist die Nachverfolgung nach wie vor die wichtigste Aufgabe in Bezug auf den Implementierungsaufwand und den damit verbundenen Geschäftswert. Die Tools der ersten Generation bieten zwar Analysefunktionen, aber ihre vorgefertigten Berichte sind oft unzureichend, und die Benutzer beklagen immer wieder das Fehlen von BI-ähnlichen Funktionen, die sie von Tools wie Tableau gewohnt sind.

Die Chance

Die Produktanalysetools der ersten Generation wurden vor über einem Jahrzehnt eingeführt, und in dieser Zeit hat sich eine weitere wichtige technologische Entwicklung vollzogen: der moderne Datenstapel. Das Grundprinzip des modernen Datenstapels ist, dass alle Daten an einem zentralen, cloudbasierten Ort wie Snowflake gespeichert werden. Ein gemeinsamer zentraler Speicher bietet Vorteile in Bezug auf Konsistenz, Sicherheit, Governance und Verwaltbarkeit. Am wichtigsten ist jedoch, dass er als einzige Quelle der Wahrheit für alle Daten dazu beitragen kann, Datenduplizierung und teure ETL-Pipelines zu vermeiden oder ganz zu eliminieren.

Im modernen Data Stack befinden sich Analysetools und Funktionen wie BI und KI/ML bereits direkt auf der Datenplattform. Warum sollte die Produktanalyse also nicht genauso funktionieren?

Mit anderen Worten: Produktanalysen sollten ebenfalls direkt auf der Datenplattform des Kunden angesiedelt sein und als eine einzige verbundene App mit erstklassigen analytischen Funktionen bereitgestellt werden. Das Problem ist, dass Produktanalysen äußerst komplex sind und die Fähigkeit erfordern, Ereignisströme und relationale Daten gleichzeitig abzufragen. Es ist schon schwer genug, diese Workloads performant zu machen, ganz zu schweigen von der Selbstbedienung.

Optimizely Warehouse-Native Analytics: Die vernetzte App für Datenplattform-native Produktanalysen

Optimizely Warehouse-Native Analytics stellt sich diesen Herausforderungen mit einer verbundenen App für Produkt- und Verhaltensanalysen der nächsten Generation, die nativ auf Snowflake als Self-Service-Analyseplattform läuft. Optimizely Warehouse-Native Analytics trennt den Anwendungscode von der Instrumentierung und anderen Geschäftsdaten, die Kunden selbst in ihrer eigenen Snowflake-Instanz verwalten.

Als verbundene Anwendung fragt Optimizely Warehouse-Native Analytics direkt alle Ereignis- und Referenzdaten in Snowflake ab und bringt gleichzeitig die analytische Leistung von BI in die Self-Service-Produktanalyse. Dies ermöglicht Ihnen:

• Sie erhalten im Self-Service Antworten auf jede Frage, indem Sie von einer umfangreichen Bibliothek von Berichtsvorlagen ausgehen und nahtlos zwischen jedem Bericht und der visuellen Ad-hoc-Datenexploration hin- und herwechseln können.
• Sie müssen kein komplexes SQL für Trichter-/Pfadabfragen schreiben und pflegen, haben aber die Möglichkeit, SQL für spezielle Analysen zu nutzen.
• Kombinieren Sie die Produktinstrumentierung mit allen Geschäftsdaten in Ihrer Datenplattform, um kontextreiche Analysen durchzuführen.

Es ist an der Zeit, sich auf die "Analytik" zu konzentrieren

Während sich die Tools der ersten Generation auf das "Produkt" in der Produktanalyse konzentrierten, konzentrieren sich die Lösungen der nächsten Generation auf die "Analytik". Sie beginnen mit einem cloud- und plattformnativen Ansatz und nutzen das Modell der verbundenen App, um erstklassige Funktionen für die Produkt- und Verhaltensanalyse bereitzustellen. Optimizely Warehouse-Native Analytics nutzt die Stärken einer nativen App, um fortschrittliche Verhaltensprofile mit Ereignisstromanalysen zu erstellen und gleichzeitig die flexiblen Modellierungs- und Analysefunktionen von BI direkt auf Snowflake zu nutzen.

Anstatt nur über Produktkennzahlen zu berichten, können Geschäftsanwender jetzt die kanalübergreifenden Verhaltensmuster, die die Akzeptanz, das Engagement und wichtige Geschäftskennzahlen wie Umsatz und Kundenbindung auf Kontoebene vorantreiben, genau verstehen. Der Einstieg ist leicht. Stellen Sie einfach eine Verbindung zu Snowflake her, und in weniger als einer Stunde sind Sie startklar. Um mehr zu erfahren, besuchen Sie Optimizely Warehouse-Native Analytics.