Kundeanalysemodenhetsmodell: En veiledning til datadrevet vekst

I mitt forrige innlegg om kundeanalyse diskuterte vi hvordan den enkle visningen som tilbys av kundeanalyse kan erstatte de fragmenterte visningene vi har hatt av produkt-, markedsførings- og driftsanalyser. En viktig katalysator for denne endringen er overgangen til lagerbasert analyse muliggjort av svært effektive datalagerplattformer. Dette gjør det mulig for oss å gjøre lageret til kilden til sannhet i stedet for å håndtere løsningsspesifikke datasiloer. Denne endringen er en av de viktigste endringene i nyere historie for analyser fordi den gjenopprettet evnen til å handle ut fra et enhetlig syn på kundene våre, noe vi mistet da digitale produkter skalerte opp raskere enn lagrenes evne til å støtte dem, og vi endte opp med siloer. Vi kan nå svare på spørsmålene bedriftene våre egentlig stiller, i stedet for å måtte dele dem opp fordi vi ikke lett kan slå sammen alle nødvendige data.

Selv om dette er spennende utviklinger, er realiteten at de fleste av oss fortsatt har betydelige datasiloer. Til tross for alt løftet fra den moderne datastakken, er det sakte, vanskelig og krever mange dyre folk å utvikle en relevant innsikt og deretter operasjonalisere den. Til dags dato er arven etter den moderne datastakken en samling av legitimt imponerende punktløsninger, men en uklar vei til det vi egentlig ønsker – muligheten til å bruke data til å aktivere kunder i stor skala.

Når vi prøver å forstå hvordan disse verktøyene passer sammen, er en modenhetsmodell nyttig for å forstå hva vi prøver å oppnå og hvor de ulike delene passer inn.

Figur 1: Modenhetsmodell for kundeanalyse

Nesten alle bedrifter har i det minste delvis nådd Nivå 1: Funksjonelle analyseverktøy og bruker en rekke funksjonelle analyseverktøy (f.eks. Google, Adobe, Amplitude). Disse verktøyene gir rimelige svar på spesifikke spørsmål (f.eks. hvor mange som bruker funksjon x, hvor mange som konverterte fra denne annonsen), men gjør det vanskelig å svare på spørsmål som åpner opp det større bildet ved å dekke hele forholdet vårt til kunden (f.eks. hvorfor kansellerer folk). Disse verktøyene opprettholder sin egen analyse og sine egne data i sine respektive siloer, slik at de ikke bare ikke kan svare på mer helhetlige spørsmål, de hindrer også muligheten for at det kan skje andre steder.

Etter hvert som bedrifter blir større, begynner de å investere i datalagre (f.eks. Snowflake, BigQuery, Databricks). Etter hvert innser noen at det finnes en mengde data om den samme kunden som kommer fra forskjellige kilder – backend-produkttabeller, MarTech-plattformer, kundeserviceplattformer osv., og bestemmer seg for at alt skal samles i én datastruktur i lageret og kanskje til og med dukke opp operasjonelt i CDP-en. Denne oppstigningen til *Nivå 2: Lager C360* ser ut til å løse problemene med nivå 1 – å få et helhetlig syn på kunden – men i praksis setter det seg fast på to steder. For det første, der de funksjonelle verktøyene utgjør mye av analyse- og rapporteringslaget, er C360 en skreddersydd løsning som er avhengig av interne team for å bygge alt. For det andre, selv om noen funksjonelle data når lageret (f.eks. produktdata i backend), er mye av dem fanget i siloløsninger (f.eks. produktdata i frontend) og er i beste fall vanskelige å integrere, noe som gjør at C360 mangler viktige deler av kundevisningen.

Inntil nylig var nivå 2 det beste vi kunne gjøre fordi siloene i våre funksjonelle områdeverktøy bare kunne unngås ved å bygge våre egne løsninger, og få selskaper er i en skala som kan gjøre dette. Nå, med løsninger som NetSpring, er det mulig å erstatte siloverktøy med løsninger som lagrer dataene sine i lageret sammen med alt annet vi vet om en kunde. I tillegg til dette er NetSpring fleksibelt nok til å redusere innsatsen forbundet med å bygge rapporteringslaget som eldre BI-løsninger gjorde tregt og ineffektivt å utvikle. Ved å løsne på de to største begrensningene som oppstår i nivå 2, blir modenhet for Nivå 3: Lagerbasert kundeanalyse mulig, og låser opp en rekke brukstilfeller som fører til raskere innsikt og muligheten til å bruke denne innsikten til å aktivere kunder.

Å nå nivå 3 representerer en betydelig seier for de fleste selskaper fordi det endelig lar dem iverksette tiltak som ser på kunden helhetlig. Dette krever imidlertid fortsatt at brukerne definerer målinger, attributter og rapporter som avdekker innsikt og driver beslutninger. Når vi ser fremover, er det neste logiske trinnet i modningen vår Nivå 4: Autonom kundeanalyse, der vi automatiserer mye av denne oppdagelsen, sannsynligvis gjennom integrering av AI for å krysse gjennom våre C360-er i stor skala for å avdekke potensielle målinger og dimensjoner. Selv om slike løsninger fortsatt i stor grad er science fiction, nærmer vi oss med fremskritt innen områder som generativ AI evnen til å levere disse løsningene, og når de er klare, vil de trenge akkurat den typen enhetlig syn på kunden som vi får når vi når nivå 3.

Hvert modenhetsnivå representerer utviklinger innen teknologi som systematisk låser opp nye brukstilfeller, der begrensningene på hvert nivå utløser innovasjoner som er grunnleggende for det neste.

Tabell 1: Brukstilfeller på modenhetsnivå og begrensninger for tilgjengelige løsninger

Vi kommer endelig til et punkt der det er tydelig hvordan Modern Data Stack kan hjelpe oss med å nå våre forretningsmål om å forstå og bedre aktivere kundene våre. Mye av det som har blitt bygget det siste tiåret har gitt oss det nødvendige grunnlaget for å modne vår tilnærming til kundeanalyse til det punktet hvor vi kan låse opp våre viktigste bruksområder.

Varehusbaserte kundeanalyseløsninger som NetSpring er den manglende ingrediensen for å syntetisere et helhetlig syn på kundene våre som vi kan utnytte i stor skala. De legger også grunnlaget for enda mer sofistikerte tilnærminger som har potensial til å automatisere mye av dette arbeidet i fremtiden. Uansett har vi endelig kommet til et punkt der våre datastabler gjør det enkelt å adressere våre mest kritiske bruksområder og levere verdi for kundene våre og virksomheten.

John Humphrey har over to tiår med erfaring med å hjelpe bedrifter med å låse opp innsikt og aktivere data i stor skala. Hans erfaring inkluderer å ha vært den første dataansatte hos Goodreads (kjøpt opp av Amazon), ledet LegalZooms dataorganisasjon gjennom børsnoteringen, og sist jobbet han som Chief Data Officer hos Intuit Mailchimp. John er rådgiver hos NetSpring.