3 grunner til at produktanalyse bør fungere direkte på datavarehuset ditt
Produktanalyseverktøy fjerner gjetningene fra produktutviklingen. De gir teamene "røntgensyn" på hvordan brukere og kohorter engasjerer seg i produktet, så detaljert som klikkfrekvensen på en knapp eller frafallet i hvert trinn av en brukerreise.
Til tross for disse fordelene er det fortsatt mange produktledelsesteam som ikke har tatt i bruk analyseverktøy, først og fremst fordi den gamle arkitekturen deres ikke er i stand til å møte mange av behovene i den virkelige verden.
I dette innlegget vil jeg forklare hvorfor produktanalyse bør fungere direkte på det moderne datavarehuset/datalageret, og hvordan dette løser mange av utfordringene og begrensningene for analyse i dag.
En kort historikk om produktanalyse
Før det fantes fullverdig programvare for produktanalyse, fantes det webanalyseverktøy som Google Analytics, som leverte aggregert statistikk over engasjementet på nettstedet, f.eks. sidevisninger, øktlengder osv. Mixpanel og andre førstegenerasjons produktanalyseverktøy tok deretter et kvantesprang ved å kartlegge de detaljerte hendelsene som utgjør en brukers reise. Hendelser omfatter alle måter en bruker kan samhandle med en app på. Eksempler på dette kan være å klikke på en registreringsknapp, fullføre et kjøp eller bla gjennom en anbefalingsfeed. Hendelser gir mye dypere innsikt i brukeratferd enn sidevisninger alene.
Tidlige produktanalyseverktøy utvidet også rekkevidden for sporing utover nettet til å dekke andre digitale berøringspunkter, som mobil og e-post. Til sammen forbedret disse endringene utviklingsteamenes evne til å identifisere drivere for engasjement og utvikle produktene radikalt. Alle UX-avgjørelser kunne gjennomtenkes og begrunnes med data. I dag er bruken av analyseverktøy høy, selv om det fortsatt er friksjoner som hindrer mange team i å ta skrittet fullt ut.
Hvorfor produktanalyse hører hjemme i datavarehuset
Siden produktanalyse ble tatt i bruk, har ikke betydningen av hendelsesdata endret seg - den har bare blitt viktigere. Men én ting har endret seg, og det er hvordan virksomheter jobber med og håndterer dataene sine.
I dag trenger bedrifter produktanalyse som fungerer direkte på datavarehuset.
Her er tre grunner til hvorfor:
-
Unngå duplisering av data og ETL-pipelines
Mange førstegenerasjons analyseverktøy utviklet seg organisk for å ta inn produktbruksdata i deres interne lagring. Dette er proprietære datalagre som ofte krever at man bygger ETL-rørledninger (extract, transform, load) for å bygge bro over datasiloer. En stor mengde ad hoc-datapipelines er svært kostbart å vedlikeholde for dataingeniører, samtidig som det ikke løser virksomhetens kjernebehov knyttet til å beholde kontrollen over hvor dataene lagres.
Neste generasjons analyseverktøy løser disse problemene direkte ved å utnytte bedriftens datalager som en komponerbar CDP, en modularisert versjon av et kundedatalager med programvarelag som en organisasjon kan tilpasse. Virksomheten kan samle alle dataene sine på ett sted, og analyseverktøyet kan kobles til dette datalageret, slik at man unngår unødvendig duplisering. Det betyr at man slipper datasiloer og reduserer kostnadene for datateknologiteamet. -
Eliminer tunnelsyn
Produktanalyse har sin opprinnelse i analyse av en klikkstrøm, og de fleste førstegenerasjonsverktøy begrenser fortsatt brukerne til en enkelt hendelsesstrøm. For å forstå brukeratferd kan det derimot være nødvendig å analysere flere interaksjoner, for eksempel fra backend-databaser eller SaaS-verktøy fra tredjeparter (f.eks. brukerfrafall etter forbruk i Salesforce). Eksisterende verktøy gjør dette vanlige behovet altfor vanskelig, noe som gjør brukerne sårbare for tunnelsyn - de har bare innsyn i en smal del av brukeropplevelsen.
Et datavarehus er det naturlige oppbevaringsstedet for alle bedriftens data, inkludert produktinstrumentasjonsdata fra digitale berøringspunkter, transaksjoner fra applikasjonsdatabasen, SaaS-data fra tredjeparter, for eksempel kundestøttesaker, osv. Ved å utnytte et datavarehus kan produktteamene bruke hele konteksten til brukerens opplevelse i produktanalyser, noe som resulterer i bred innsikt av høy kvalitet i stedet for tunnelsyn fra tradisjonelle analysearkitekturer. -
Gir større utvidelsesmuligheter
Førstegenerasjons produktanalyseverktøy støtter et fast sett med spørringer. Når et team trenger svar på et nytt spørsmål, er det vanlig å gå tilbake til et separat BI-verktøy (Business Intelligence) eller en Python-notatbok, noe som fører til at produktanalysen blir omgått, samtidig som det oppstår problemer med modellering og konsistens. Iterering av spørringer blir en svært tidkrevende og manuell prosess.
Produktanalyse basert på datalagring kan støtte avanserte eller ad hoc-relaterte analysebehov, og utsette eller eliminere behovet for å replikere analysene i et BI-verktøy. Datavarehustilnærmingen er ekstremt skalerbar i forhold til en organisasjons behov og kan håndtere en rekke ulike bruksområder og kompleksitetsnivåer. Denne påstanden er mer dyptpløyende enn det er plass til her, men følg med på fremtidige oppdateringer fra teamet vårt om dette emnet.
Oppsummering
Førstegenerasjons produktanalyse gir dårlig avkastning på investeringen fordi den bygger på en eldre datastack med begrensede analysemuligheter.
Fremveksten av datavarehuset i skyen som en moden plattform for generelle formål åpner for et bredt spekter av muligheter for produktanalyse.
Med Optimizely Warehouse-Native Analytics er visjonen vår å bygge en produktanalyseopplevelse som fungerer direkte på datavarehuset og skalerer langt utover dagens bruksområder.
