Neste generasjons produkt- og kundereiseanalyse

Hos Optimizely Warehouse-Native Analytics er vi i front av en revolusjon innen produktanalyse. Den warehouse-native produktanalyseplattformen til Optimizely Warehouse-Native Analytics frigjør enorm forretningsverdi som tradisjonelle førstegenerasjonsverktøy som Amplitude/Mixpanel ikke har klart å frigjøre.

Moderne warehouse-native arkitekturer har fordeler når det gjelder kostnader, sikkerhet, personvern og styring. Et enkelt analyseverktøy som Optimizely Warehouse-Native Analytics, som jobber direkte oppå den ene pålitelige kilden i datavarehuset, har fordelene av konsistent og pålitelig analyse som man trygt kan stole på når man tar datadrevne forretningsbeslutninger. Men det handler om mye mer enn bare å få klassisk produktanalyse til å fungere oppå datavarehuset.

Tradisjonell produktanalyse er silobasert og jobber kun med datastrømmer fra produktinstrumentering. I beste fall kan du berike analysen minimalt med noen egenskaper fra datavarehuset som kunstig festes på bruker- eller hendelsesobjekter gjennom smertefull omvendt ETL. Men analytikere ønsker ofte mye mer. De vil kunne analysere på tvers av en rekke entiteter i datavarehuset, f.eks. Konto, Kampanje, Annonse, Abonnement, Arbeidsområde, Prosjekt, Dokument, Kontrakt, Undersøkelse, Butikk, Chat, Samtale osv. De vil også kunne bruke disse på en naturlig måte, og modellere dem og relasjonene mellom dem slik de eksisterer i datavarehuset. Optimizely Warehouse-Native Analytics gir muligheten til å gjøre nettopp dette, noe som åpner opp en enorm klasse av analyser som har langt større forretningsmessig effekt enn bare å studere funksjonsbruk i et tradisjonelt førstegenerasjons produktanalyseverktøy. Dette er analyse på tvers av hele kundereisen. Vi kaller dette «kundereiseanalyse» eller «kundeanalyse».

La oss først prøve å forstå hvordan tradisjonelle produktanalyseverktøy som Amplitude/Mixpanel utviklet seg. De dukket opp for et tiår siden da et stort antall mobilapper og produktdrevne SaaS-tjenester ble allestedsnærværende. Det var avgjørende å få en forståelse av produktbruk hos brukerne, særlig i forbrukerorienterte produkter der frafallet var høyt. På den tiden fantes det ingen gode alternativer for å gjøre dette godt. De tilgjengelige analyseverktøyene var i hovedsak BI-verktøy som Tableau og Qlik. Disse verktøyene var gode for rapportering på ERP-, CRM-, HCM- osv. data i datavarehuset. Men de kunne ikke brukes til produktanalyse fordi:

Som følge av begrensningene ovenfor dukket det opp spesialbygde, ferdigpakkede verktøy for produktanalyse; verktøy som inkluderte alt i én enkelt SaaS-tjeneste – instrumentering, lagring, beregning og visualiseringer. For en gangs skyld kunne produkt- og vekstteam få innsyn i bruken av produktet sitt. De kunne utføre grunnleggende analyser som hendelsessegmentering, trakt, stier osv. ved hjelp av ferdige maler. De kunne bruke disse analysene til å optimalisere produktfunksjoner. Dette var et enormt gjennombrudd.

Produkt- og vekstteam begynte å ta i bruk disse førstegenerasjonsverktøyene. Det ble brukt enorme summer på disse verktøyene, som ble svært dyre etter hvert som selskapene vokste og hendelsesvolumene økte raskt. Det var en tro på at forretningsmessig betydningsfulle beslutninger ville bli tatt basert på analysen i disse verktøyene, og at utgiftene til verktøyene ville lønne seg. Men slik var det ikke. 

Tenk deg et tradisjonelt produktanalyseverktøy som viser deg at konverteringsratene har økt etter lanseringen av en ny funksjon. Men hva om flertallet av kundene som konverterte, endte opp med å si opp ved å ringe kundesenteret ditt? De dataene finnes ikke i den silobaserte datastrømmen fra produktinstrumentering som tradisjonelle verktøy jobber med. De finnes i et annet forretningssystem som er utilgjengelig for førstegenerasjons produktanalyseverktøy. På samme måte: kan du forstå effekten av en produktendring på supporthenvendelser/-samtaler – data som ligger i Zendesk? Kan du forstå produktengasjement etter abonnementsnivå – data som ligger i Salesforce? Kan du bli varslet om produktfriksjon eller økt engasjement hos kontoer hvis fornyelse nærmer seg om en måned – data som ligger i NetSuite? 

Kan du bryte ned abonnementsinntekter etter kundekohorter? Kan du prioritere produktproblemer basert på effekten på inntekt? Kan du målrette riktig sett av kunder med riktige kampanjer/tilbud/oppfølging basert på deres livstidsverdi?

Det er ikke lenger tilstrekkelig å forstå snevert definerte produktmålinger basert kun på produktinstrumenteringsdata. Etter hvert som moderne virksomheter utvikler seg mot produktdrevet vekst, blir produktteam raskt inntektssentre og må gå fra produktmålinger til forretningsmålinger, der produktinstrumenteringsdata bare er én inndatakilde. De trenger et forretningsanalyseverktøy som gir et bredere bilde. De trenger forretningsanalyse for å være mer virkningsfull og innflytelsesrik overfor toppledelsen.

Førstegenerasjonsverktøy har gjort halvhjertede forsøk på å løse dette med forenklede «omvendt ETL»-løsninger. Men disse løsningene er tungvinte, ufullstendige og dyre. Så etter hvert som kundene vokser, ender de uunngåelig opp med å gjøre mer og mer av tungløftet i BI-verktøy. 

Oppsummert oppstår behovet for neste generasjon av produktanalyse fra følgende begrensninger ved førstegenerasjonsverktøy:

Tradisjonell produktanalyse har ikke innfridd løftet sitt. Det er ikke rart at flertallet av produktanalysen i dag ikke gjøres i tradisjonelle produktanalyseverktøy! Den gjøres (smertefullt!) i BI-verktøy. Men behovet for produktanalyse har bare økt, etter hvert som mer og mer programvare konsumeres som abonnementsbaserte SaaS-tjenester, og produktdrevet vekst blir den primære forretningsmetodikken for stadig flere produktdrevne selskaper. Å ha en dyp forståelse av produktbruk og kundeatferd er avgjørende for å overleve i et konkurranseutsatt marked. 

For å betjene det økende behovet for produktanalyse på en effektiv måte og gjøre den mer effektiv, trenger vi en ny generasjon verktøy som Optimizely Warehouse-Native Analytics. 

Det første steget i oppgraderingen av produktanalyse er å ikke lenger tenke på produktanalyse, men heller tenke på en bredere «kundereiseanalyse» eller «kundeanalyse». Kundereiseanalyse er analyse på tvers av produktinstrumenteringsdata og alle andre forretningsdata om kunden (salg, support, økonomi, markedsføring, suksess osv.).

Analyse handler ikke lenger bare om bruk av produktfunksjoner; det handler heller om hvordan bruken påvirker forretningen – som inntekter generert eller supporteskaleringer forårsaket. Det handler om lojalitetstall som ikke er villedende fordi de nå korrekt inkluderer oppsigelser utenfor produktet. Det handler om å optimalisere riktig sett av funksjoner for riktig sett av kontoer som genererer mest inntekt. Det handler om å måle markedsføringseffekt ikke bare ut fra antall registreringer etter en kampanje, men ut fra den mer langsiktige økonomiske verdien av kundene man har skaffet. Det handler om å forstå kundereiser ikke bare i produktet, men også på tvers av alle kanaler som butikk, support, chat, lojalitetsprogrammer, partnere osv. Det handler om at suksess- og supportteam skaper mer CSAT og lojalitet ved å forstå atferden til brukere i sine kontoer. Det handler om at driftsteam kan evaluere forretningseffekten av produkt-/sideopplevelser og bruke det til å prioritere problemer bedre.

Det første steget mot å realisere visjonen om kundereiseanalyse er å bryte ned datasiloer og konvergere mot ett enkelt datalager. I virksomheter i dag er det udiskutable ene lageret for alle data datavarehuset/datasjøen. Moderne sky-datavarehus som Snowflake, BigQuery, Redshift og Databricks har innledet konsolideringen av alle data i ett enkelt lager. Mens datavarehuset alltid har vært det sentrale stedet for data som brukes i forretningsrapportering, er den store endringen nå at moderne datavarehus også blir det sentrale stedet for hendelsesorienterte data, f.eks. klikkstrøm, IoT, logger, enhetsdata, i tillegg til de tradisjonelle tilstandsdataene (forretningstransaksjoner fra POS, ordrefangst, forsyningskjede, salg, økonomi, HR osv.). Det er nå mulig å ta inn og lagre storskala hendelsesdata i datavarehuset raskt og effektivt.

Alle applikasjoner, inkludert produkt- og kundereiseanalyse, bør tilpasse seg denne endringen og omstille seg for å unngå å kopiere data ut til sine egne proprietære siloer. Optimizely Warehouse-Native Analytics er bygget fra grunnen av som en warehouse-native plattform og lager aldri en kopi av dataene dine, aldri.

CDP-området, som er direkte knyttet til produkt- og kundereiseanalyse, blir også omdefinert. CDP-er dukket opp som en markedsføringsløsning som var frakoblet de sentrale dataenhetene og -systemene i virksomheten. Selv om de ga rask verdi i de tidlige årene, har de lidd av den samme smerten med silobaserte systemer. I dag bygges neste generasjons komponerbare CDP-er på nytt oppå datavarehuset med markedets beste verktøy – RudderStack og Snowplow for instrumentering, Hightouch og Census for aktivering, DBT for datatransformasjoner knyttet til identitetsoppløsning, sesjonsinndeling osv., Optimizely Warehouse-Native Analytics for analyse, og varehus-integrerte KI/ML-funksjoner for attribusjon og prediksjon.

I kjernen av kundereiseanalyse står selvsagt Kunde-entiteten. Jo høyere kvalitet og rikdom Kunde-entiteten har, desto bedre blir analysen.

Når du har én enkelt kilde til alle data i datavarehuset/datasjøen, er neste steg å ha ett enkelt analyseverktøy for all kundeorientert analyse som kan utnytte disse dataene. Analyseverktøy har et lag med metadata (som definisjon av målinger) over tabellene i datavarehuset/datasjøen. Å ha en versjon av disse metadataene i mange forskjellige verktøy fører til flere kilder til sannhet, noe som er uønsket. Deling av kontekst på tvers av flere verktøy blir vanskelig, selv om de jobber mot det samme underliggende lageret, fordi de hver har sin egen representasjon av kontekst, f.eks. en kohort av brukere som falt fra mellom to trinn i en trakt. Ett enkelt verktøy for kundereiseanalyse unngår disse problemene med fragmentert og svak analyse.

Dette har historisk ikke vært mulig fordi hendelsesorienterte systemer (som produktanalyse) og tilstandsorienterte systemer (som BI) er bygget forskjellig i sine metadatarepresentasjoner og beregningsmekanismer. Dette er imidlertid bare måten disse systemene har utviklet seg på historisk. Selv om det er teknisk utfordrende å bygge, er det mulig å ha ett enkelt analyseverktøy som kan bringe de hendelses- og tilstandsorienterte verdenene sammen – Optimizely Warehouse-Native Analytics har bevist det.

Med ett enkelt analyseverktøy som jobber mot én enkelt kilde til sannhet uten kopier, bygges tillit til tallene opp i organisasjonen. Et lojalitetstall, for eksempel, som beregnes i dette ene verktøyet, er det samme tallet som siteres av alle team, og kan presenteres for toppledelsen med trygghet. Verktøyet bør ha revisjonsfunksjoner for å kunne se nøyaktig hvilken SQL som ble sendt til det underliggende datavarehuset for uavhengig verifisering av enhver analytisk beregning.

Med en bredere plattform for produkt- og kundereiseanalyse er avkastningen mye høyere. Kostnadene er lavere uten datakopier og uten administrasjon av jobber for dataflytting. Prosessene er effektive uten bortkastet tid på å feilsøke avvik på tvers av siloer. Kostnader til sikkerhet og styring reduseres med én enkelt kopi av dataene under virksomhetens kontroll, og med nøye styrt tilgang til det sentrale lageret. Når analyse blir mer forretningsmessig virkningsfull ved å inkorporere rikere forretningskontekst og betjene flere team, kan utgiftene til analyse lett rettferdiggjøres.

Hvis du tenker på kundereiseanalyse som en kombinasjon av produktanalyse, markedsføringsanalyse og digital opplevelsesanalyse, og kartlegger det mot det nåværende settet av leverandører, ser du mye fragmentering og overlapp. Men en sårt tiltrengt konsolideringstrend har allerede begynt. I tillegg til dette må vi se konsolideringen av flertallet av den hendelsesorienterte analysen som i dag gjøres i generiske BI-verktøy, inn i et førsteklasses verktøy for kundereiseanalyse. Det er dette Optimizely Warehouse-Native Analytics bygger mot.

Optimizely Warehouse-Native Analytics innleder neste generasjon av produkt- og kundereiseanalyse – spesialbygget fra grunnen av for den moderne datastakken. Dette er del av en større visjon om å være «Analytics Cloud» – den foretrukne plattformen i virksomheter for all forretningsorientert analyse.

Med Optimizely Warehouse-Native Analytics kan du ta datadrevne beslutninger med trygghet i ett enkelt, konsistent, pålitelig, kostnadseffektivt selvbetjeningsverktøy. Gjør en reell forskjell på forretningsresultater med Optimizely Warehouse-Native Analytics.