Slutt å bruke mer enn tre verktøy for produktanalyse

Har du brukt tid og krefter på å ta i bruk flere team, leverandører og teknologier etter hvert som du har utvidet produktanalysestakken din? I så fall vet du at dette ofte kan skape datasiloer og en rekke andre problemer, fra duplisering av data til ineffektivitet i prosessene. Det trenger ikke å være slik. I denne artikkelen tar vi for oss de tre fasene bedrifter vanligvis har gått gjennom på sin produktanalysereise, og hvordan neste generasjons produktanalyse kan erstatte flere verktøy med én enkelt analyseplattform bygget på den moderne datastakken.

De tre fasene i produktanalysens modenhet

Organisasjoner starter gjerne med et grunnleggende analyseverktøy for å svare på enkle spørsmål om hva brukerne gjør i produktet. Det tar ikke lang tid før det blir mer komplekst, og teamet har forskjellige verktøy for alle typer spørsmål. Høres denne analysereisen kjent ut for din organisasjon?

Fase 1: Sporing av brukerinteraksjoner

Du starter med et grunnleggende spørsmål: Hvordan bruker brukerne produktet ditt? Du velger et verktøy som Mixpanel. Deretter får du ingeniørene til å legge til noen instrumenter. Det krever litt overtalelse å få sikkerhetsteamets godkjenning til å sende produktinstrumenteringsdata til et SaaS-verktøy, men til slutt lykkes du.

Når du har gjort forarbeidet, begynner du å få første nivå av innsikt. Med analyseverktøyet ditt kan du segmentere hendelser for å se hva brukerne gjør. Du kan måle konverterings-, engasjements- og retensjonsrelaterte beregninger. Verktøyet støtter også bygging av grunnleggende trakter og stier. Du har nå et nivå av synlighet som du ikke hadde før.

Fase 2: Identifisere drivere for forretningsresultater

Det opprinnelige analyseverktøyet fungerte bra helt til du naturlig nok begynte å stille de neste spørsmålene. Dette neste analysenivået går lenger enn bare å måle resultater. Det handler om å forstå hva som driver forretningsresultatene, for eksempel hvorfor noen kohorter konverterer bedre enn andre? Hvordan påvirker introduksjonsreisen aktiveringen? Hva er profilen til brukere som faller fra? Hvordan er produktmålingene relatert til de overordnede forretningsmålene?

Når det første analyseverktøyet ditt ikke gir deg svar på disse spørsmålene, henvender du deg til BI- eller Data Engineering-teamet ditt. Dette teamet setter opp ETL-jobber for å eksportere data fra produktanalyseverktøyet til et datalager. De bruker et BI-verktøy som Tableau til å generere spesifikke rapporter som du ber om. De sliter med å generere disse spesialiserte rapportene fordi det er svært vanskelig å skrive produktanalysespørringer i Tableau. Det tar i gjennomsnitt to uker å få tilbake en enkelt rapport. Ofte er det for sent å gjøre noe med innsikten fra disse rapportene. BI- og Data Engineering-teamene blir overveldet av gjentatte forespørsler fra virksomheten.

Fase 3: Støtte for tilpassede analyser med SQL

Etter hvert som analysebehovene øker, blir det svært vanskelig å være avhengig av BI- eller Data Engineering-teamet. Ikke bare tar det for lang tid å få tak i rapportene du trenger, men analysene er også siloformede og ikke sømløse. Du kan ikke bruke resultatene fra BI-verktøyet i videre analyser i produktanalyseverktøyet og vice versa. Du ønsker for eksempel å studere brukernes atferd på kontonivå, noe som krever data fra et salgssystem. Ved hjelp av resultatene fra en BI-rapport ønsker du å studere konverteringstrakter filtrert etter brukere som tilhører et bestemt kontonivå. Dette kan du ikke gjøre selv.

Så du bestemmer deg for å ansette en forretningsanalytiker i forretningsgruppen din som er SQL-kyndig. Hun kjøper et SQL-verktøy som Mode, og utfører SQL-baserte analyser for gruppen. Nå går det raskere å generere rapporter, siden du ikke er avhengig av BI eller datateknikk. På den annen side er problemet med siloanalyse på tvers av flere verktøy like ille, om ikke verre, nå som SQL er med i miksen. Analytikeren lider under utfordringene med å skrive og vedlikeholde kompleks SQL etter hvert som analysebehovene vokser. Du er frakoblet det sentrale datateamet i bedriften og begynner å finne avvik i beregningene på tvers av organisasjonen. Det sentrale teamet har tatt opp bekymringer om sikkerhet og styring med avdelingssiloen din.

Neste generasjons produktanalyse

Det finnes en nestegenerasjonstilnærming som kan gjøre jobben til produktanalyseprogramvaren, BI-verktøyet og SQL-plattformen, alt i ett. Den starter med å jobbe direkte fra datavarehuset.

Dette gir en rekke fordeler:

1. Du kan unngå datasiloer og i stedet bruke datalageret som sannhetskilden. I tillegg til mer nøyaktige data gjør dette det enklere å integrere data fra hele virksomheten som det tidligere var vanskelig å forene. Personvern- og sikkerhetsbekymringer hører også fortiden til.
2. Du kan utnytte det beste fra produktanalyse og BI. Grunnleggende innsyn i produktbruken er fortsatt tilgjengelig, men det er også enkelt å svare på ad hoc-spørsmål med sofistikerte BI-analyser.
3. Visuelle grensesnitt for selvbetjening reduserer forretningsbrukernes avhengighet av BI- og datateknologiteam.

Optimizely Warehouse-Native Analytics ligger i forkant av denne generasjonsendringen innen produktanalyse med sitt analyseprodukt som er bygget fra grunnen av for den moderne datastakken. Hvis du vil ha ett verktøy som kan erstatte mange, og som kan vokse med organisasjonen din, bør du sjekke ut Warehouse-Native Analytics