Beenden Sie die Datenkluft: Vereinheitlichen Sie Produktanalyse und BI

Nachdem ich viele Jahre im BI-Bereich bei Oracle tätig war und ThoughtSpot mitbegründet habe und nun Optimizely Warehouse-Native Analytics im Bereich der Produktanalyse aufbaue, sind mir einige interessante Trends aufgefallen.

TL;DR - Mehr als 50% der Produktanalyse wird (schmerzhaft!) in BI-Tools durchgeführt, und mehr als 50% der Analysen, die in Produktanalyse-Tools durchgeführt werden, sind BI (schlecht gemacht!). Die Kluft zwischen Produktanalyse-Tools und BI-Tools ist auf die Art und Weise zurückzuführen, wie sich diese Tools in der Vergangenheit entwickelt haben, was zu großen Schmerzen und verpassten Geschäftsmöglichkeiten geführt hat. Heute jedoch führen Produktanalyse- und BI-Plattformen zu einer einzigen, zusammenhängenden Business-Analytics-Plattform zusammen, die sich auf das Data Warehouse/See des Unternehmens konzentriert. Dadurch wird ein enormer Wert freigesetzt, da leistungsstarke Analysen zu besseren Geschäftsergebnissen für produktorientierte Unternehmen führen.

Product Analytics wurde vor über einem Jahrzehnt bekannt, als eine große Anzahl von Mobile Apps und produktbezogenen 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 Abwanderung 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:

• 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.
• BI-Tools waren nicht dafür ausgelegt, ereignisorientierte Analysen auszudrücken oder zu berechnen.
• Schnelllebige digitale Produkt- und Marketingteams benötigten eine schnelle Lösung, die nicht von langsam arbeitenden zentralen Unternehmensdatenteams abhängig war.

Im Bereich BI haben wir drei Generationen von Tools entwickelt. BI begann mit statischen Berichten, entwickelte sich zu OLAP-Analysen, ging von zentralisierten (Oracle BI, Cognos, Business Objects) zu abteilungsspezifischen (Tableau, Qlik) und wieder zurück zu zentralisierten Modellen, wobei die aktuellen Systeme auf dem Cloud Data Warehouse zentralisiert sind. Der Schwerpunkt von BI liegt jedoch nach wie vor auf der dimensionalen Slice-and-Dice-Berichterstattung über Zustandsdaten (Geschäftstransaktionen aus POS, Auftragserfassung, Lieferkette, Vertrieb, Finanzen, HR usw.) im Warehouse; dies ist natürlich für jedes Unternehmen ein entscheidender Bedarf. BI-Tools sind für die dimensionale Analyse aggregierter Metriken im Stil eines "Sternschemas" konzipiert. BI-Tools und SQL sind nicht darauf ausgelegt, ereignisorientierte Analysen auszudrücken, z.B. Trichter, Verhaltenskohorten, Pfade, Flüsse usw.

Data Warehouses sind nicht für die effiziente Verarbeitung ereignisorientierter Abfragen optimiert. Naive Versuche, produktanalytische Workloads mit einem BI/SQL-Tool auf Warehouses auszuführen, führen zu einer sehr schlechten Abfrageleistung und hohen Kosten. Diese Arbeitslasten sind gekennzeichnet durch extrem große Mengen an Zeitreihendaten und Abfragen, die zeitlich geordnete Sequenzen beinhalten, die durch User gesharded werden, was teure Shuffle-Operationen erfordert.

Infolgedessen haben sich in den letzten zehn Jahren zwei parallele Analysesysteme entwickelt - Produktanalysetools wie Amplitude, Mixpanel, Heap mit einem Produktangebot, das proprietäre und geschlossene Instrumente, Speicher und Rechenleistung umfasst, und BI-Systeme wie Tableau, Looker, Power BI, ThoughtSpot, die mit Daten in Data Warehouses arbeiten.

Wo liegt also das Problem, wenn man zwei getrennte Systeme hat?

Die Produktanalyse in Tools der ersten Generation wie Amplitude und Mixpanel konzentrierte sich auf die Analyse von Produktinstrumentenströmen, um Produktmanagern einen Einblick in die Produktnutzung zu geben. Diese isolierte Sichtweise war schon immer sehr einschränkend. Dies hat sich in letzter Zeit durch PLG-getriebene Bewegungen noch verschärft, bei denen Unternehmen einen 360-Grad-Blick auf ihre Kunden wünschen - über alle Kanäle der Interaktion und unter Einbeziehung des Kontexts aus allen Geschäftssystemen.

Stellen Sie sich vor, 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 die 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. Das ist problematisch, denn:

• Die Daten müssen aus den Produktanalysetools in das Data Warehouse exportiert werden, um die nächste Stufe der Analyse mit BI-Tools durchzuführen. Dies erfordert fehleranfällige ETL-Jobs, die die TCO erhöhen.
• In Szenarien, in denen sich die Produktinstrumentierungsdaten bereits im Data Warehouse befinden, entstehen enorme Kosten für die Rückwärts-ETL-Übertragung einer Kopie dieser Daten in die Produktanalysetools der ersten Generation. Die Datenmodelle der Lagerhäuser können komplex sein und viele verschiedene Entitäten umfassen, die künstlich in das starre Ereignis-Benutzer-Modell der traditionellen Produktanalysetools gepresst werden müssen. Außerdem wird oft nur eine Teilmenge der Daten aus dem Warehouse an diese Tools gesendet, um die hohen Kosten zu kontrollieren - das führt zu Inkonsistenzen zwischen den beiden Systemen.
• BI-Tools sind nicht für die Produktanalyse konzipiert. Daher ist die Integration von BI-Tools für Datenteams sehr mühsam. Dies führt zu enormen Kosten, da Geschäftsanwender immer wieder neue Berichte anfordern. Die überlasteten Datenteams haben keine Zeit für höherwertige Arbeiten. Geschäftsteams müssen wochenlang auf Berichte warten.
• Die Analyse wird aufgesplittert, wobei ein Teil in einem Produktanalysetool und ein Teil in einem BI-Tool durchgeführt wird. Das unvermeidliche "Zahlen stimmen nicht überein"-Problem taucht auf und verschlingt viel Zeit für das Debugging und die Rationalisierung von Zahlen über mehrere Tools und Datenkopien hinweg.
• Die Benutzer verlieren das Vertrauen in die Zahlen der Produktanalysetools und warten stattdessen wochenlang auf grundlegende BI-Berichte auf hohem Niveau. Der ROI der Produktanalyse wird geschmälert und die Möglichkeit, geschäftswirksame Analysen durchzuführen, geht verloren.

Die große Kluft

So sieht die Realität heute aus:

Mehr als 50 % der Produktanalysen werden (mühsam!) in BI-Tools durchgeführt, und mehr als 50 % der Analysen, die in Produktanalyse-Tools durchgeführt werden, sind (schlecht gemachte!) BI.

Die folgende Abbildung fasst die Vor- und Nachteile dieser beiden Systeme für die Produktanalytik zusammen.

Die große Konvergenz

Die Kluft zwischen Produktanalysetools und BI-Tools ist auf die Art und Weise zurückzuführen, wie sich diese Tools in der Vergangenheit entwickelt haben, was zu großen Schmerzen und verpassten Geschäftsmöglichkeiten geführt hat. Heute jedoch führen Produktanalyse- und BI-Plattformen zu einer einzigen kohärenten Business-Analytics-Plattform zusammen, die auf dem Data Warehouse/See des Unternehmens basiert. Dadurch wird ein enormer Wert freigesetzt, da leistungsstarke Analysen zu besseren Geschäftsergebnissen für produktorientierte Unternehmen führen. Optimizely Warehouse-Native Analytics steht bei dieser Revolution an vorderster Front.

Optimizely Warehouse-Native Analytics bietet alle Vorzüge eines speziell entwickelten, vorlagengesteuerten Tools für die Produktanalyse. Aber es ist von Grund auf anders konzipiert. Es basiert auf einem vertrauten relationalen Modell für die Zustandsdaten im Warehouse, auf das eine Ereignisorientierung aufgesetzt wurde. Dadurch kann die leistungsstarke Modellierungs- und Abfrage-Engine von Optimizely Warehouse-Native Analytics alle analytischen Berechnungen durchführen - sowohl für Ereignis- als auch für Zustandsdaten. Sie können nahtlos von einer Berichtsvorlage zu einer Ad-hoc-Analyse wechseln und dabei den Kontext bidirektional und vollständig weitergeben. Sie können jeden Teil der relevanten Daten im Data Warehouse nutzen.

Die innovative Abfragegenerierungs-Engine von Optimizely Warehouse-Native Analytics ermöglicht ein optimales Kosten-Leistungs-Verhältnis für Produktanalyse-Abfragen, die in großem Umfang auf Data Warehouses arbeiten. Optimizely Warehouse-Native Analytics verwendet einen ausgeklügelten Abfrage-Compiler, in den mehrere Optimierungen/Heuristiken eingebaut sind, damit diese Arbeitslasten mit akzeptablen Kosten und Latenzzeiten ausgeführt werden können. Der Optimizely Warehouse-Native Analytics Query Compiler verfügt über integrierte Unterstützung für Techniken wie automatisches Sampling, Materialisierung und Indizierung.

Der moderne Datenstapel

Der moderne Data Stack, der sich zunehmender Beliebtheit erfreut, zeichnet sich durch zwei Dinge aus - Warehouse-Native-Architekturen und modulare CDPs. Die Architektur und der POV von Optimizely Warehouse-Native Analytics sind auf diese beiden Merkmale ausgerichtet. Optimizely Warehouse-Native Analytics ist auf dem Weg, die"Analytics Cloud" aufzubauen - die führende Plattform in Unternehmen für alle geschäftsorientierten Analysen.

Analytics Cloud - die führende Plattform in Unternehmen für alle geschäftsorientierten Analysen.

Warehouse-native Architektur

Unternehmen gehen zunehmend dazu über, alle Daten in modernen Cloud Data Warehouses zu zentralisieren. Dazu gehören Ereignisdaten aus der Produktinstrumentierung, IoT, Geräten, Sensoren, Protokollen usw. Moderne Data Warehouses bieten den Vorteil von günstigem Speicherplatz und elastischer Rechenleistung, bei der Sie nur für das bezahlen, was Sie in Abfragen verwenden. Es ist jetzt möglich, Daten im PB-Maßstab in Data Warehouses zu streamen und zu speichern.

Modulare CDP

Das modulare CDP-Paradigma beinhaltet die Zentralisierung aller Kundendaten im Warehouse anstelle von separaten Silos, wie sie traditionelle CDP-Systeme wie Segment verwenden. Composable CDP zeichnet sich außerdem durch erstklassige Instrumente, Analyse-, Experimentier-, KI/ML- und Aktivierungs-Tools aus, die nativ auf dem Data Warehouse arbeiten.

Was sollten Sie tun, wenn Sie sowohl ein Produktanalysetool der ersten Generation als auch ein BI-Tool haben?

Trennen Sie sich von Ihrem veralteten Produktanalysetool der ersten Generation. Wechseln Sie zu Optimizely Warehouse-Native Analytics. Zentralisieren Sie alle Ihre Produktinstrumentierungsdaten im Data Warehouse in einem offenen Format, das allen zur Verfügung steht.

Nutzen Sie Ihr BI-Tool für das, wofür es gedacht ist - Produktionsberichte mit einem Produzenten-/Konsumentenmodell, für Finanzen, HR, Vertrieb, Supply Chain usw. Führen Sie alle produkt- und kundenorientierten Analysen in Optimizely Warehouse-Native Analytics durch. Machen Sie Optimizely Warehouse-Native Analytics zum Standardtool für alle Analysten und Verbraucher in den Produkt-, Technik-, Marketing-, Wachstums-, Erfolgs- und Support-Teams.

Die Abbildung unten zeigt, wo Optimizely Warehouse-Native Analytics mit Ihren BI-Tools zusammenpasst.

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

Fühlen Sie sich nie wieder durch Ihr Produktanalytik-Tool eingeengt. Rufen Sie nie wieder Ihre Datenteams an, damit sie Ihnen in einem BI-Tool einen Bericht für die nächste Stufe Ihrer Analysefragen erstellen. Kopieren Sie nie wieder Daten aus Ihrem sicheren zentralen Warehouse. Gehen Sie keine Kompromisse bei der Datentreue ein und leben Sie mit groben oder ungefähren Analysen. Fühlen Sie sich nie durch fehlenden Zugang zu allen historischen Daten eingeschränkt. Zahlen Sie nie einen Preisaufschlag für das Wachstum Ihres Unternehmens, das mehr Ereignisdaten erzeugt, sondern zahlen Sie nur für die Nutzung und den Wert. Verbringen Sie keine Zeit damit, die Quelle der Wahrheit für Ihre Metriken herauszufinden. Haben Sie keine Angst, die Zahlen aus Ihrem Produktanalysetool der Führungsetage zu präsentieren.

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.