Konvergensen mellom analyse av hendelses- og tilstandsdata

Har du noen gang vært midt i en viktig kundeanalyse og støtt på det fryktede IT-scenarioet: "Beklager, vi kan ikke kombinere disse dataene fordi de er modellert på en annen måte"? Det er vanskelig å være datadrevet som bedrift når du hele tiden støter på situasjoner der du har dataene, men er bundet på hender og føtter fra et analyseperspektiv. Ofte oppstår problemet fordi du ikke kan kombinere strømmedata i bevegelse med historiske data i ro.

Det har vært en eksplosjon i mengden hendelsesdata som virksomheter samler inn - drevet av økt digitalisering, gjennomgripende instrumentering av nettbaserte opplevelser og vekst i antall tilkoblede enheter. Hendelsesdata, også kjent som "data i bevegelse", er rå og på transaksjonsnivå. De strømmer inn i store volumer, noe som gjør det ekstremt vanskelig å integrere dem i tradisjonelle analysesystemer. Derfor kan virksomheten din kanskje bare bruke dem til spesifikke, avgrensede bruksområder, som å analysere ytelsen til nettstedet eller programvareapplikasjonene dine.

Den virkelige kraften i hendelsesdata kommer imidlertid når de kombineres med tilstandsdata - og du kan bruke alle dataene dine til å forstå produktet og brukerne, uavhengig av hvordan de ulike datatypene er representert. Konvergensen mellom data i bevegelse og data i ro åpner opp for hendelsesstrømanalyse: en ny type analyse som gjør det mulig for virksomheten å ta taktiske beslutninger i sanntid eller nesten sanntid.

Hva er hendelsesdata, og hvordan skiller de seg fra tilstandsdata?

Hendelsesdata fanger opp hendelsessekvensen bak enhver forretningsprosess. Ta et forenklet eksempel med brukerinteraksjoner på et nettsted for e-handel. Brukerne logger inn, søker og/eller blar etter produkter, legger produkter i en handlekurv, går til kassen eller forlater nettstedet.

Hver brukerinteraksjon er en registrert hendelse, med et tidsstempel og tilhørende metadata. Hendelsene er kjedet: Hver hendelse kan ha en foregående og/eller en etterfølgende hendelse. En bestemt brukers interaksjonsøkt kan beskrives i form av en hendelsesflyt som viser brukerens vei gjennom de mulige hendelsene og overgangene mellom dem.

Underveis forårsaker hendelsene endringer i forretningsenhetenes tilstander. Det finnes mellomliggende tilstander, som vanligvis er forbigående, for eksempel tilstanden til en handlekurv under en brukers handleøkt. Når en tilstand vedvarer over lang tid - for eksempel en bestilling fra en kunde - lagres den vanligvis av virksomheten som data-at-rest. Disse tilstandsdataene representeres vanligvis som relasjonstabeller, og de aggregeres ofte for å skape en visning på et høyere nivå. For eksempel kan en faktatabell for bestillinger lagre aggregerte bestillingsdata for hver dag. Eksempelet nedenfor viser tilstandsdata for bestillinger, kunder og produkter.

Her er et diagram som oppsummerer de viktigste forskjellene mellom hendelsesdata og tilstandsdata:

Når hendelsesdata og tilstandsdataanalyse konvergerer

I seg selv er hendelsesdataanalyse ekstremt kraftfull og kan gi mange innsikter i menneskelig eller maskinell atferd. Med hendelsesflytanalyse er det mulig å forstå mønstre i alt fra brukerreiser til forretningsprosessflyter. Data i bevegelse kan også overvåkes kontinuerlig, slik at man raskt kan reagere på avvik og muligheter. Det er viktig å merke seg at hendelsesdataanalyse krever uttrykk som går lenger enn SQL, samt beregningsmotorer som er spesialtilpasset for effektive sekvensoperasjoner.

Den virkelige styrken ligger imidlertid i å bringe inn rikere kontekst fra tilstandsdata for å forbedre hendelsesanalysen.

Tilstandsdataanalyse (rapportering av historiske data) er vanligvis mer strategisk enn operasjonell. Men tenk deg å ha strategisk innsikt lett tilgjengelig når du har en taktisk eller operasjonell mulighet til å påvirke en kundeopplevelse eller forretningsprosess umiddelbart.

Et eksempel

Tenk på den hypotetiske e-handelsvirksomheten fra tidligere. Et eksempel på analyse av hendelsesdata er Vis meg kassa- og avbruddsrater for brukere som har søkt og surfet fire ganger på rad i løpet av tre minutter etter innlogging. I dette scenariet kan en analytiker prøve å forstå effektiviteten av produktsøk på nettstedet.

Men hva om analytikeren ønsker å forstå effektiviteten av søk på tvers av andre forretningsdimensjoner og -målinger? For eksempel: Vis meg kassa- og avbruddsrater for brukere som har søkt og bladd fire ganger på rad i løpet av tre minutter etter innlogging ,fordelt på produktkategori og kundesegment, begrenset til de fem største regionene etter forbruk. Merk at "produktkategori", "kundesegment", "region" og "forbruk" er tilstandsdata som ikke er tilgjengelige i hendelsesstrømmen. I bedrifter finnes slik forretningskontekst ofte i flere systemer: datavarehus, datasjøer, operasjonelle datalagre, SaaS-tjenester som Salesforce eller Zendesk, tredjeparts datafeeder osv. Evnen til å kombinere, modellere og beregne data på tvers av hendelsesstrømmer og statiske datalagre er en vanskelig, men viktig egenskap for effektiv analyse.

Mer komplette datadrevne beslutninger

Konvergensen mellom analyse av hendelses- og tilstandsdata åpner for store muligheter til å forbedre forretningsresultatene. Historisk sett har disse to verdenene alltid vært isolert, noe som har resultert i suboptimale analyser og tapte muligheter. Nå dukker det opp moderne plattformer for operasjonell etterretning som gjør denne konvergensen til en realitet, og som innleder en ny æra for hendelsesdataanalyse.

Med alle data tilgjengelig - uavhengig av hvor de kommer fra eller hvordan de er modellert i kode - kan du ta bedre datadrevne beslutninger. Du kan utforske nye analysespørsmål og få innsikt ved å kombinere det du vet om kundenes handlinger i sanntid med det du vet om deres historiske atferd. Denne innsikten kan til og med brukes til å drive nye typer produkter automatisk - det er for eksempel slik virksomheter som Amazon eller Uber setter priser og håndterer logistikk.