Bygg en skalerbar analysarkitektur for moderne SaaS

Grunnleggere og tekniske ledere leter ofte etter den perfekte dataanalysestakken som akkurat fungerer og dekker alle deres behov.

Grunnleggere og tekniske ledere leter ofte etter den perfekte dataanalysestakken som *bare* vil fungere og møte alle deres behov. Realiteten er at behovene endrer seg etter hvert som bedrifter vokser, noe som betyr at en analysearkitektur også bør tilpasse seg. I dette innlegget vil jeg kartlegge analyseprosessen fra de tidligste stadiene i bedriften din, når du kanskje fortsatt jobber hjemmefra, til de siste stadiene når du jobber med analyser i bedriftsskala.

Produktutviklingsfasen

I før-kunde-, produktutviklingsfasen er det naturlig å ikke tenke på analyser. Tross alt har du ikke data å analysere ennå. Men når du utvikler produktet, husk alltid produktets telemetri/instrumentering (f.eks. Snowplow, Rudderstack eller Segment). Dette vil være avgjørende for å få innsikt i hvordan produktet ditt blir brukt og tatt i bruk, og for å vurdere om du har oppnådd produkttilpasning til markedet. Tenk på forhånd om hvordan du vil organisere komponentene i applikasjonen din og de tilhørende dataene du samler inn for å unngå å måtte legge til instrumentering gjentatte ganger. Instrumenteringen din kan være svært begrenset på dette stadiet, men inkluder den i alle designdiskusjoner og få den inn i utviklerens DNA.

Kundeakvisisjonsfasen

Nå som produktet ditt er i alfa- eller betafasen, begynner designpartnere og prøvekunder å strømme inn. Du har lansert nettstedet ditt og har begynt å bygge innhold for å støtte kundereisen. Du har mange potensielle kunder, inkludert annonser, e-poster, webinarer og mer, men hvilke driver flest påmeldinger til gratis prøveperioder på nettstedet ditt? Hvilket innhold gir størst effekt?

I denne fasen er det avgjørende å være datadrevet. Du kan begynne å måle effektiviteten av markedsføringsinvesteringene dine ved å utnytte de innebygde analysefunksjonene i punktmarkedsføringsløsningene dine (f.eks. Google Analytics, LinkedIn Ads, Outreach, HubSpot, Salesforce). Etter hvert må du sette sammen alle disse dataene for en fullstendig oversikt over kundereisen. Dette vil bare bli vanskeligere, spesielt ettersom stacken din øker fra 10 til 100, som i mange store bedrifter. Hvis du har ressursene, kan det være et godt tidspunkt å tenke på en kundedatastrategi, og kanskje en enkelt sannhetskilde i et datalager.

Tidlig kundeadopsjonsfase

Du har offisielt lansert produktet ditt. Det er et betydelig antall kunder som begynner å bruke det, og du lærer hva som fungerer og hva som ikke fungerer. Etter hvert som du samler inn data, jobber du raskt med produktfunksjoner basert på denne innsikten. I denne fasen kommer mesteparten av produkttilbakemeldingene gjennom direkte kommunikasjon med de tidlige kundene som er mest tilgjengelige. Du må imidlertid begynne å bygge strukturen for integrert, skalerbar analyse:

Fullfør strategien for produktinstrumentering
Den moderne tilnærmingen til instrumentering er å bruke et instrumenteringsbibliotek som er frikoblet fra ethvert analyseverktøy og uten meninger. Leverandører som Segment, RudderStack og Snowplow tilbyr instrumenteringsbiblioteker i toppklassen som dekker mobil, nett og backend. Viktigst av alt, de tvinger deg ikke inn i noen leverandørspesifikk datamodell. Du kan samle inn data i åpne formater som hvilket som helst analyseverktøy kan bruke.

Opprett et skybasert datalager
Dette kan virke forhastet. Vanligvis setter selskaper opp lagre mye senere i livssyklusen. Men med moderne skybaserte datalagre som Snowflake har det blitt enkelt å starte et lager og administrere det med svært liten innsats. Med sin fleksibilitet, automatiske avstengning og betal-per-bruk-modeller er det også rimeligere selv for en tidligfase-oppstart. Du kan drive et lager for noen hundre dollar i måneden gitt den lille mengden data på dette stadiet.

Datavarehus er i ferd med å bli tyngdepunktet for *alle* bedriftsdata. Lageret vil være kjernen i ethvert analyseinitiativ du måtte iverksette. Instrumentbibliotekene nevnt ovenfor gir ferdige måter å enkelt lande data i datavarehuset. For ikke-produktdata, bruk et moderne ELT-verktøy som Fivetran eller Matillion for å flytte data fra markedsførings- og salgssystemene dine til datavarehuset. Disse ELT-verktøyene gir et rikt bibliotek med koblinger til de fleste forretningssystemer og er også spesialbygd for det moderne skylageret. For eventuelle transformasjoner av data i lageret, bruk et datatransformasjonsverktøy som DBT.

**Iverksett et produktanalyseverktøy**. I fremtiden vil et effektivt produktanalyseverktøy fungere **nativt** på et datalager. Unngå å ha dataene dine siloert i en analyseleverandørs svartboks-SaaS-tjeneste. Selv om dette kanskje ikke virker viktig i starten, kan det raskt utvikle seg til uhåndterlig datakvalitet og dårlig analysesynlighet etter hvert som du vokser. Du kan snart ende opp med flere ETL- og omvendte ETL-pipeliner, avvik i beregninger på tvers av team på grunn av flere sannhetskilder og høye kostnader ved administrasjon av flere analyseverktøy.

En annen ting å vurdere er om produktanalyseverktøyet ditt kan oppfylle analysebehovene dine uten å kreve et BI-verktøy i tillegg. Sørg for at produktanalyseverktøyet du velger kan analysere alle dataene i lageret ditt. Du ønsker å kunne kombinere produktinstrumentdata med data fra forretningssystemene dine for å få et 360-graders bilde av kundereisen din.

På dette stadiet har du kanskje ikke mye data. Instrumentasjonen din er kanskje fortsatt i utvikling. Du har kanskje ikke data som flyter inn fra alle forretningssystemene dine ennå. Det er greit. Nøkkelen er å komme i gang med analyser og etablere rammeverket. Å vise verdien av selv grunnleggende analyser oppmuntrer ingeniører til å legge til mer instrumentasjon (instrumentasjon er ofte lavt prioritert for ingeniører). Enda viktigere er det å skape en kultur med datadrevet beslutningstaking på tvers av alle funksjoner i selskapet. Bedrifter som legger et analysefundament tidlig øker sjansene for suksess dramatisk; og de kan spare millioner av dollar ved å omstrukturere stacken sin for analyser senere.

Vekstfase

Du har etablert en samsvar mellom produkt og marked. Kundebasen din vokser. Produktet ditt har et stort fotavtrykk med mange funksjoner. I denne fasen inkluderer analysestrategien din:

Gjør analyser til sentrum for all beslutningstaking. I et selskap som gjør dette riktig, vil hver produkt- eller kundediskusjon starte med å hente frem et dashbord med analyseinnsikt. Hele selskapet bør være i ferd med å bruke ett enkelt verktøy for all analyse. Be alle funksjonsledere om å bygge og vise forretningsmålinger relatert til deres funksjon i dette verktøyet. De bør kunne forstå driverne for disse målingene i samme verktøy. De bør enkelt kunne teste hypoteser rundt faktorer som påvirker disse målingene. Med grunnlaget du har lagt, vil du ha:
1. en enkelt sannhetskilde for alle målingene dine – ikke flere motstridende verdier for målinger som antall aktive brukere, konverteringsfrekvens, kundens livstidsverdi, kundens anskaffelseskostnad osv.
2. tverrgående analyser, der hver funksjon kan relatere analysene sine til tilstøtende funksjoner. For eksempel vil en vekstmarkedsfører kunne korrelere kampanjekanaler med aktivering og engasjement i produktet. En kundesuksesssjef vil kunne forstå sammenhengen mellom produktbruk, kontoprofiler og oppgraderinger.
Formalisering av et datautviklingsteam. Du har kanskje allerede et par personer som fokuserer på datautvikling, sannsynligvis tilknyttet markedsføring, produkt eller utvikling. Dette er tiden for å sentralisere et datautviklingsteam som eier datalageret, instrumenteringssystemene, ELT-verktøy/jobber og analyseverktøy. Dette teamet sørger for at dataoperasjoner går knirkefritt, at data er sikret på riktig måte, og at forretningsbrukere har styrt tilgang til data. Dette teamet kan også inkludere dataforskere som implementerer et maskinlæringsverktøy (ML).

Merk at hver forretningsfunksjon bør kunne utføre selvbetjening av analyser uten å måtte stole på dataingeniørteamet – analyseverktøyet du velger bør legge til rette for dette. I stedet for å bli overveldet av gjentatte forespørsler om rapporter fra bedriften, bør dataingeniørteamet jobbe med verdifulle analyser og sørge for at dataene som bedriften får tilgang til er de riktige dataene.

Utvidelsesfase

Du er en velkjent aktør i din bransje. Du fokuserer på å ekspandere til nyere bransjer, nyere produktlinjer, internasjonale markeder osv. Du har et økosystem av leverandører, partnere, forhandlere, systemintegratorer og andre. Kanskje du tenker på en børsnotering. I denne fasen må du:

Legg til et BI-rapporteringsverktøy (Business Intelligence). Velg et BI-verktøy for produksjonsrapportering. Se etter et verktøy som tilbyr den typen rapportering du trenger: økonomiske rapporter, spesialiserte visualiseringer, planlagt distribusjon av rapporter, eksport-/utskriftsmuligheter og innebygging i partnersystemer. Sørg for at BI-verktøyet du velger kan fungere direkte fra datalageret ditt.
Legge til rette for datadeling og -aktivering. Produktanalyseverktøyet ditt kan hjelpe deg med å bygge og generere logiske visninger av dataene dine i datalageret ditt, for bruk av datadelings- og aktiveringsverktøyet ditt – dette fjerner behovet for dataduplisering. Du kan deretter bruke datadelingsfunksjonene i datalageret ditt til å dele relevante deler av dataene dine på en sikker måte i økosystemet ditt. Dataaktiveringsverktøy kan også flytte data fra datalageret ditt til et utvalgt forretningssystem for spesifikke handlinger, for eksempel å sende en gruppe brukere til Marketo for en markedsføringskampanje.

Konklusjon

Ved å planlegge fremover og sentralisere analysearkitekturen din – rundt datalageret ditt, vil du opprettholde størst mulig fleksibilitet for lagring, analyse og aktivering av dataene dine.