Verzerrt die Isolierung von Daten Ihre Produktanalytik?

In meinem letzten Beitrag habe ich darüber geschrieben, wie Sie Ihr Schwungrad für produktgesteuertes Wachstum (PLG) ankurbeln können, indem Sie Einblicke in funktionsübergreifende Bereiche wie Produktnutzungsdaten, Support-Tickets, Verbrauch usw. gewinnen. Früher unterhielt jeder Funktionsbereich oder jedes Tool seinen eigenen isolierten Datenspeicher, was eine funktionsübergreifende Analyse zu einem gewaltigen Unterfangen machte.

Moderne Cloud Data Warehouses mit ihrem reichhaltigen Datenintegrations-Ökosystem erweisen sich endlich als brauchbare Alternative für die "einzige Quelle der Wahrheit". Leider lassen Sie die Anbieter von Legacy-Analysen immer noch glauben, dass Datensilos akzeptabel sind, solange man sie "aufbrechen" kann[1, 2] - was nichts anderes bedeutet, als dass man externe Daten in sein Silo kopiert. Dieser Ansatz führt zu Inkonsistenzen in Ihren Daten und zu Erkenntnissen, denen Sie nicht trauen können, wodurch der gesamte Wertbeitrag der Analysen zunichte gemacht wird. In diesem Beitrag werde ich Ihnen einen besseren Weg zeigen.

Wie wir hierher gekommen sind

Zunächst einmal: Wie sind wir hier gelandet? Lassen Sie mich ein wenig zurückspulen. Die Produktanalytik hat sich Anfang der 2010er Jahre aus dem Tag Management entwickelt. Bei der Tag-Verwaltung ging es um die Datenerfassung und -speicherung, und da es keine Notwendigkeit gab, diese Daten mit anderen Teilen des Unternehmens zu integrieren, wurden diese Systeme im Wesentlichen zu Datensilos. Die Produktanalysetools der ersten Generation übernahmen diese Architektur und schufen ihre eigenen Silos für Daten, die sie aus Produkt- oder Webinstrumenten sammelten. Doch aus PLG- und anderen Gründen begannen die Kunden, Analysen über Instrumentierungsdaten und andere Geschäftsdatenquellen hinweg zu verlangen. Die Lösung? Kopieren Sie alle externen Daten, die Sie benötigen, in das Silo des Analytik-Anbieters. Bevor Cloud-Data-Warehouses zu der praktikablen einzigen Wahrheitsquelle wurden, die sie heute sind, war dies gerade noch akzeptabel, aber jetzt ist es einfach eine schlechte Idee, dies zu tun. Lassen Sie uns sehen, warum.

Warum Analysesilos schlecht sind

Als Benutzer verschiedener Produktanalysetools der ersten Generation habe ich in meiner Laufbahn schon einige Male mit Datensilos zu kämpfen gehabt. Dies ist auch einer der am häufigsten genannten Schmerzpunkte bei Tools der ersten Generation, die wir von unseren Kunden hören. Wenn Benutzer Dinge sagen wie "die Produktmetriken stimmen nicht mit den Zahlen aus unserem Data Warehouse überein", "die Erkenntnisse sind inkonsistent" oder "ich traue den in xyz-Tool eingegebenen Daten nicht", dann sind das alles Anzeichen dafür, dass Sie nicht mehr über eine einzige Quelle der Wahrheit verfügen. Ich würde diese Schmerzpunkte in 4 Hauptbereiche einteilen.

1. Inkonsistente Daten

   Integratoren, die externe Daten in ein Produktanalysetool einbringen, arbeiten in der Regel nach einem vorgegebenen Zeitplan, Ihre Benutzer jedoch nicht. Dies führt dazu, dass Ihre Produktnutzungsdaten, die mit externen Daten "angereichert" werden, unterschiedliche Erkenntnisse liefern, je nachdem, wann jemand die Daten abruft und wann sie zuletzt angereichert wurden. Schlimmer noch: Die daraus resultierende Inkonsistenz führt zu Verwirrung, da die Erkenntnisse nicht mit Ihrem Data Warehouse übereinstimmen.

2. Fehlende Daten

   Fangfrage: Was haben Flugreisen und Ihre Geschäftsdatenquellen gemeinsam? Antwort: Beide leiden unter zufälligen Verspätungen und Annullierungen. Während das Data Warehouse verlorene Daten schließlich nachholt und korrigiert, sind die gleichen Datenbereinigungsprozesse nicht für jedes einzelne Datensilo skalierbar. Das Ergebnis: fehlende Daten.

3. Datenmodell

   Unsere Kunden berichten häufig, dass analytische Silos über die Daten selbst hinausgehen und sich auch auf das Datenmodell auswirken. Das Ergebnis ist, dass die Definitionen der wichtigsten Metriken in Ihrem BI-Tool und Ihrem Produktanalysetool nicht übereinstimmen. Einige unserer Kunden verfolgen beispielsweise einzelne Benutzer oder Kunden anders als in den Standardeinstellungen der ersten Generation von Produktanalysetools.

4. Governance

   Fangfrage: Wie kann ich Data Governance in einer isolierten App am besten durchsetzen? Antwort: indem man eine isolierte App gar nicht erst einrichtet. Produktanalysetools wurden entwickelt, um Produktteams in die Lage zu versetzen, sich selbst zu bedienen, ohne sich auf Daten- oder BI-Teams verlassen zu müssen. Mit der zunehmenden Konzentration auf Compliance und Sicherheit hat sich dieses Versprechen in Luft aufgelöst, da sich Datenteams häufig mit der Data Governance für jede isolierte Umgebung, die sie unterstützen müssen, herumschlagen müssen.

Der Weg nach vorn

Wir von Optimizely Warehouse-Native Analytics sind der Meinung, dass Datensilos von Natur aus problematisch sind und dass keine noch so große Flickschusterei ihre Folgen für Ihr Unternehmen abmildern kann. Unser Ansatz besteht darin, sie ganz zu beseitigen, indem wir Produktanalysen direkt auf Ihrem Data Warehouse anbieten, ohne dass Daten bewegt werden.

Ihr Data Warehouse bleibt die einzige Quelle der Wahrheit, so dass Optimizely Warehouse-Native Analytics Ihnen Einblicke gewährt, denen Sie vertrauen können.