Modenhetsmodell for kundeanalyse: En guide til datadrevet vekst

I mitt forrige innlegg om kundeanalyse diskuterte vi hvordan den unike oversikten som kundeanalyse gir, kan erstatte de fragmenterte oversikten vi har hatt over produkt-, markedsførings- og driftsanalyser. En viktig katalysator for denne endringen er overgangen til warehouse-native analyser som muliggjøres av datavarehusplattformer med høy ytelse. Dette gjør det mulig for oss å gjøre lageret til sannhetskilden i stedet for å håndtere løsningsspesifikke datasiloer. Denne endringen er en av de viktigste endringene i nyere analysehistorie, fordi den har gitt oss muligheten til å handle ut fra et helhetlig bilde av kundene våre, noe vi mistet da digitale produkter ble skalert opp raskere enn lageret vårt kunne støtte dem, og vi endte opp med siloer. Nå kan vi svare på de spørsmålene virksomheten vår virkelig stiller, i stedet for å måtte dele dem opp fordi vi ikke uten videre kan koble sammen alle de nødvendige dataene.

Selv om dette er en spennende utvikling, er realiteten at de fleste av oss fortsatt har betydelige datasiloer. Til tross for alle løftene som ligger i Modern Data Stack, tar det lang tid å utvikle relevant innsikt og deretter operasjonalisere den, og det er vanskelig og krever mange dyre mennesker. Til dags dato er arven etter den moderne datastakken en samling av imponerende punktløsninger, men en uklar vei til det vi virkelig ønsker - muligheten til å bruke data til å aktivere kunder i stor skala.

Modenhetsmodell for kundeanalyse

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

Figur 1: Modenhetsmodellfor kundeanalyse

Så godt som alle virksomheter har i det minste delvis nådd nivå 1: Funksjonelle analyseverktøy, og bruker et visst antall funksjonelle analyseverktøy (f.eks. Google, Adobe, Amplitude). Disse verktøyene gir fornuftige 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 avdekker det større bildet ved å spenne over hele forholdet til kunden (f.eks. hvorfor folk kansellerer). Disse verktøyene vedlikeholder sine egne analyser 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 selskapene blir større, begynner de å investere i datavarehus (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 dette bør samles i én enkelt datastruktur i lageret og kanskje til og med vises operativt i CDP-en. Denne oppstigningen til nivå 2: Warehouse C360 løser tilsynelatende problemene på nivå 1 - å få et helhetlig bilde av kunden - men i praksis kjører man seg fast på to steder. For det første er C360 en skreddersydd løsning som er avhengig av interne team for å bygge alt, mens de funksjonelle verktøyene står for mye av analyse- og rapporteringslaget. For det andre er det slik at selv om noen funksjonelle data kommer inn i lageret (f.eks. backend-produktdata), er mange av dem fanget i siloløsningene (f.eks. frontend-produktdata) og er i beste fall vanskelige å integrere, noe som gjør at C360 går glipp av vesentlige deler av kundeoversikten.

Inntil nylig var nivå 2 det beste vi kunne gjøre, fordi siloene i verktøyene for funksjonsområdene våre bare kunne unngås ved å bygge våre egne løsninger, og få selskaper er av en slik størrelse at de kan gjøre dette. Nå, med løsninger som NetSpring, er det mulig å erstatte siloverktøyene med løsninger som naturlig plasserer dataene deres i lageret sammen med alt annet vi vet om kunden. I tillegg er NetSpring fleksibelt nok til å redusere innsatsen knyttet til å bygge rapporteringslaget, noe som tidligere BI-løsninger gjorde det tregt og ineffektivt å utvikle. Ved å fjerne de to største begrensningene på nivå 2, blir nivå 3: Warehouse-native Customer Analytics-modenhet mulig, og åpner opp for en rekke bruksområder som fører til raskere innsikt og muligheten til å bruke denne innsikten til å aktivere kundene.

Å nå nivå 3 representerer en betydelig gevinst for de fleste bedrifter, fordi det endelig gir dem mulighet til å iverksette tiltak som ser helhetlig på kunden. Dette krever imidlertid fortsatt at brukerne definerer måleparametere, attributter og rapporter som gir innsikt og grunnlag for beslutninger. Når vi ser fremover, er det neste logiske steget i modningen vår nivå 4: Autonome kundeanalyser, der vi automatiserer mye av denne oppdagelsen, sannsynligvis ved å bruke kunstig intelligens til å gå gjennom C360-ene våre i stor skala for å avdekke potensielle måleparametere og dimensjoner. Selv om slike løsninger fortsatt i stor grad er science fiction, er vi med fremskritt på områder som generativ kunstig intelligens i ferd med å nærme oss muligheten til å levere disse løsningene, og når de er klare, vil de ha behov for akkurat det samme helhetlige bildet av kunden som vi får når vi når nivå 3.

Hvert modenhetsnivå representerer en teknologisk utvikling som systematisk åpner opp for nye bruksområder, og begrensningene på hvert nivå utløser innovasjoner som danner grunnlaget for det neste.

Tabell 1: Brukstilfeller på modenhetsnivå og begrensninger i tilgjengelige løsninger

Konklusjon

Vi er endelig kommet til et punkt der det er tydelig hvordan Modern Data Stack kan hjelpe oss med å nå forretningsmålene våre om å forstå og aktivisere kundene våre bedre. Mye av det som har blitt utviklet i løpet av det siste tiåret, har gitt oss det nødvendige grunnlaget for å modne vår tilnærming til kundeanalyse til et punkt der vi kan avdekke de viktigste brukstilfellene.

Lagerbaserte kundeanalyseløsninger som NetSpring er den manglende ingrediensen som skal til for å skape et helhetlig bilde av 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 sted der datastaplene våre gjør det enkelt å håndtere de mest kritiske bruksområdene våre og levere verdi til kundene og virksomheten.

John Humphrey har over to tiår med erfaring med å hjelpe selskaper med å hente ut innsikt og aktivere data i stor skala. Han har blant annet vært den første datahjelpende medarbeideren hos Goodreads (kjøpt opp av Amazon), ledet LegalZooms dataorganisasjon gjennom børsnoteringen og har nylig vært Chief Data Officer hos Intuit Mailchimp. John er rådgiver hos NetSpring.