Neste generasjons produkt- og kundeanalyser

For å holde seg konkurransedyktig er det viktig å forstå hvordan kundene samhandler med merkevaren din. For digitale selskaper starter dette vanligvis med produktanalyse. Målet med produktanalyse er å forstå brukeratferd og identifisere hvilke produktopplevelser som fører til kundesuksess, og hvilke som fører til kundefriksjon eller kundefrafall. Produktanalyse kan hjelpe bedrifter med å svare på spørsmål som Hva gjør brukerne i produktet? Hvordan oppfører og presterer ulike segmenter? Når begynner frafallet? Og hvilke trakter og veier til engasjement har vi?

Ikke overraskende er produktanalyse sterkt utnyttet i avdelinger som har ansvaret for å levere produkter: Produktledelse, design og utvikling. Markedsførings- og vekstteam bruker også produktanalyse ved å behandle et nettsted eller annonsekampanjer som en del av den produktledede vekstopplevelsen (PLG).

Den nåværende første generasjonen av produktanalyseverktøy er vertikalt integrerte løsninger, som i sine egne datasiloer er utformet for å gi innsyn på toppnivå i resultatene i produktkanalene. Men hvordan kan du forstå atferdsmønstre på tvers av alle berøringspunkter som driver disse resultatene?

Neste generasjons produkt- og kundeanalyseverktøy går på tvers av produktinstrumentasjonsdata og alle andre kundedata (salg, support, markedsføring, økonomi, suksess osv.). De er utviklet for den moderne datastakken, og fungerer naturlig på datavarehus. Med fullstendig kundekontekst (både innenfor og utenfor produktet) og med BIs utforskende kraft, gir de en dyp forståelse av hvordan atferdsmønstre driver tverrfunksjonelle forretningsresultater. De gir en felles, konsistent og lett tilgjengelig oversikt over kundeatferd for alle kundeorienterte team i bedriften, og som et resultat av dette tilbyr de rikere og mer forretningseffektive analyser.

Utfordringer med første generasjons produktanalyse

Den første generasjonen av produktanalyse ble født ut av Web 2.0. Verktøyene som dukket opp (Mixpanel, Amplitude, Heap osv.), har tjent produktdrevne selskaper godt ved å gi dem innsyn i produktbruken på toppnivå, noe de ikke hadde før. I dagens digitale landskap er det imidlertid flere utfordringer og mangler med førstegenerasjonsverktøyene. Disse inkluderer

1. Ekstra kostnader knyttet til lukkede, eldre stabler

   Førstegenerasjonsverktøy har bygget proprietære, lukkede datalagre for hendelsesdataene de samler inn - og priser deretter basert på hendelsesvolum, selv om dataene ikke brukes. Dette er ikke fordelaktig for kundene, ettersom hendelsesvolumet ikke nødvendigvis er korrelert med forretningsverdien.
   
   Å ha et lukket datalager blir vanligvis fremstilt som et nødvendig steg for å generere analytisk ytelse. Dette var ikke kontroversielt før fremveksten av den moderne datastakken og sentraliserte datalagre. Men disse dataene er ikke i industristandardformater, og de er heller ikke eksponert gjennom standard API-er som JDBC og SQL. Dette resulterer i enda en svart boks, et silolagret datalager.
   
   Selv for en moderat stor datamengde eller analytisk kompleksitet må kundene bygge ETL-jobber for å dumpe data fra disse lagrene til andre databaser. Deretter må de bruke enda et verktøy for å analysere disse dataene, noe som skaper fragmenterte analyser, mer overhead og øker TCO for analysemaskinene.

2. Synlighet i én enkelt kanal

   Førstegenerasjonsverktøy fokuserer på én enkelt kanal: opplevelsen i produktet. Selv om disse dataene gir en viss innsikt, er de ufullstendige. I et økosystem med flere kanaler og alltid tilkoblet, samhandler kundene med merkevarer ikke bare gjennom de instrumenterte produktene, men også gjennom kanaler utenfor produktet, som sosiale kanaler, kundestøtte, markedsføring, arrangementer og kanskje til og med offline-kanaler. Produktanalyseverktøy tilbyr generelt lite, om noen, støtte for flerkanalsanalyse.
   
   Det skyldes at førstegenerasjonsverktøyene i utgangspunktet mangler muligheten til å berike produktdata med data fra andre forretningssystemer hos kunden. Et verktøy kan for eksempel tilby en godt modellert forestilling om en "bruker" basert på hendelsene som fanges opp i produktet eller applikasjonen. Men hva er den fullstendige profilen til denne brukeren? Er det en storforbruker som er en del av en konto som betaler 1 million dollar og oppover for fornyelse dette kvartalet? Kundeengasjement eller økonomisystemer har disse dataene. Andre eksempler på forretningskontekst er forsyningskjeden, salgshistorikk eller supportkanaler, fra data som ligger i Oracle, Salesforce, Zendesk eller datavarehuset. Disse dataene finnes rett og slett ikke i hendelsesstrømmene til førstegenerasjons produktanalyseverktøy
   
   I beste fall kan førstegenerasjonsverktøy hente inn et begrenset sett med egenskaper fra et datavarehus ved hjelp av omvendte ETL-verktøy. Dette er skjørt og dyrt, og alltid ufullstendig ettersom kravene stadig endres. Selv om det ikke er skalerbart, bidrar det ytterligere til fragmenteringen av analyseløsninger i organisasjonen.

3. Data utenfor bedriften

   Førstegenerasjonsverktøy fanger opp brukeratferd og lagrer data i sine vertikalt integrerte SaaS-tjenester, utenfor de sikre bedriftsmiljøene. Den tag-først-tilnærmingen som brukes av forretningsbrukere, er i seg selv utsatt for sikkerhets- og personvernbrudd. Dette skaper en betydelig forretningsrisiko for bedriftene, med tanke på det økende presset fra myndighetene.

4. Hermetiske analyser som passer for alle

   Førstegenerasjonsverktøy er utviklet for å levere ferdige rapporteringsmaler for grunnleggende selvbetjent rapportering. I motsetning til BI-programvare (Business Intelligence), som har "slice-and-dice"-funksjoner for avanserte ad hoc-analyser, tilbyr produktanalyseløsninger vanligvis bare forhåndsdefinerte rapporter basert på rigide datamodeller. Datainnsamlingen og -behandlingen er dessuten utformet for å passe til denne forhåndsdefinerte datamodellen, og data som ikke er nødvendige for å produsere de foreskrevne rapportene, blir forkastet underveis.
   
   Hva om brukeren ønsker å stille et oppfølgingsspørsmål, og det er et domene- eller virksomhetsspesifikt spørsmål som går utover disse rapporteringsmalene? I dag finnes det smertefulle løsninger. Vanligvis må du eksportere all produkttelemetri (eller i det minste det som er igjen av telemetri fra den foreskrevne datainnsamlingsprosessen) til et relasjonelt datalager, og skrive kompleks SQL for modellering og analyser. Brukerne av produktanalyseverktøyene er forretningsbrukere - de har sannsynligvis ikke de nyeste ferdighetene eller tilgang til verktøy for å gjøre dette. Resultatet er at de er avhengige av overbelastede og organisatorisk dyre datatekniske og datavitenskapelige team.

5. Ytelse i stor skala

   Førstegenerasjonsverktøyene utviklet seg fra grunnleggende rapporteringsmaler for enkle brukstilfeller med enkle beregningsmotorer. De var ikke utviklet for å kunne skalere den enorme mengden rådata som virksomheter samler inn i dag. Og for å unngå ytelsesforringelser oppsummerer og renser disse verktøyene store mengder data som ellers kunne gitt svar på viktige forretningsspørsmål.

Neste generasjons produkt- og kundeanalyse er lagerbasert

I den moderne datastakken fungerer analyseverktøy og -funksjoner som BI, AI og ML allerede direkte på datalageret. Hvorfor skulle ikke produktanalyse gjøre det samme? For å løse utfordringene med førstegenerasjons produktanalyseverktøy dukker det nå opp en ny generasjon lagerintegrerte apper. Her er analysemulighetene som denne moderne tilnærmingen åpner opp for:

Selvbetjente svar på alle spørsmål

Neste generasjons verktøy gjør det mulig for forretningsbrukere å selvbetjene datatilgang, modellering og analyse, med minimal avhengighet av datatekniske team. Forretningsbrukerne er ikke lenger begrenset til foreskrevne rapporter eller dashbord, men har intuitive pek-og-klikk-grensesnitt for å få tilgang til, analysere og visualisere data - fra alle datakilder i datalageret.

Med utgangspunkt i dusinvis av rapporteringsmaler for produktanalyse, inkludert hendelsessegmentering, atferdskohorter, oppbevaring, stier eller trakter, kan forretningsteamene raskt få en forståelse av brukeratferd og resultater.

De kan berike og utvide organisasjonens datamodell i henhold til sin domeneekspertise. Og til slutt vil de kunne stille mer sofistikerte spørsmål med avanserte analyser.

Sømløst svar på neste sett med spørsmål

Det neste spørsmålet, og det neste, og det neste, og det neste ... kan være utløst av nysgjerrighet rundt interaksjoner utenfor produktet eller OKR-er på konto- eller forretningsnivå. Det er en iterativ prosess som bygges opp i tankens hastighet, og dette krever ad hoc-funksjoner for visuell utforskning. Heldigvis finnes dataene som kreves for å støtte dette, allerede i lageret og er umiddelbart tilgjengelige for denne typen selvstyrt utforskning.

Konvergerte plattformer for selvbetjent BI og kundeanalyse er utviklet for at forretningsbrukere nå enkelt kan stille disse mer sofistikerte spørsmålene fra én enkelt plattform - på alle kunde- eller forretningsdata, og på tvers av høyere forretningsmessige beregninger, utover produktbruk (f.eks. kan et strømmeselskap spore Cost Per Acquired Hour for å måle avkastningen på markedsføringen basert på kostnadene ved å skaffe kunder for hver time med innhold som vises).

Organisasjoner er ikke begrenset til å se på brukernes atferd i produktet. De kan sømløst iterere og forbedre sin forståelse av brukeratferd ved å dele opp og dele opp data på tvers av alle datadimensjoner i lageret. De kan for eksempel enkelt rulle opp til adferd på kontonivå eller knytte bruk til oppgraderinger og direkte til inntekter! De kan se hvordan brukerne oppfører seg på tvers av andre kontaktpunkter, sammenligne tidligere historisk atferd med kohorter som utvikler seg dynamisk, og mye mer.

Med omfattende forretningskontekst og innsikt fra ulike datakilder kan de tilpasse kundeoppsøket akkurat der det har størst innvirkning på virksomheten.

Nøyaktig modellering av virksomheten for full kontekst

Disse verktøyene tilbyr de avanserte modelleringsmulighetene til selvbetjente BI-verktøy.

De gjør det mulig for organisasjonen å skjematisere rådata i ulike former til meningsfulle relasjonelle forretningsenheter, med flere visninger av dataene for ulike forretningsscenarioer, støtte for halvstrukturerte data og robusthet mot endringer i kildedataene.

Reager raskt på endringer i virksomheten

Vi er inne i en tid med rask økning i forretningshastigheten. Alle team, enten det er produkt-, vekst- eller kundesuksess-team, må reagere på forretningshendelser raskere enn noen gang før for å holde seg relevante, noe som betyr at de må ha en sanntidspuls på kundene og driften. Neste generasjons analysesystemer gjenspeiler denne utviklingen. De er i stand til å behandle data om brukerhendelser i sanntid og umiddelbart varsle produkt- og kundeteam om problemer og muligheter.

Aktiver innsikt for å tilpasse opplevelsene i alle kanaler

Når forretningssystemene ikke er synkroniserte, kan det du trodde var en godt timet personalisering, være helt feil og skadelig for relasjonen. Den eneste måten å unngå dette på, er å opprettholde og operasjonalisere en enkelt kilde til sannhet.

Neste generasjons verktøy sender innsikt fra atferdsanalyse ned i datalageret, den eneste sannhetskilden, slik at den kan aktiveres av og fra alle forretningssystemer som er koblet til lageret.

Ta hensyn til personvern og sikkerhet

Fordi nestegenerasjonsverktøyene er lagerintegrerte, blir data aldri duplisert og forlater aldri kundens sikre miljø.

I tillegg har kundene fleksibilitet til å distribuere enten som en fullt ut administrert SaaS-tjeneste eller i sin egen virtuelle private sky (VPC). Dette gjør det mulig for kundene å overholde bedriftens felles retningslinjer for sikkerhet og personvern for alle applikasjoner.

Betal for verdi

Neste generasjons verktøy er bygget fra grunnen av for den moderne datastakken. I den moderne datastakken ligger alle data, inkludert produktinstrumenteringsdata, i et sentralisert skylager, i et åpent format sammen med alle andre forretningsdata fra kunden. Du betaler for data én gang. Det er ingen ekstra ETL eller omvendt ETL for å flytte data mellom andre eksterne, svarte siloer. Du kan lagre alle dataene dine i Cloud Object Stores på en billig måte, men bare betale for den delen av dataene som blir forespurt.

Analyseverktøyene er frikoblet fra instrumenteringen, og jobber direkte med data i disse sentrale lagrene. Dette gjør det mulig for neste generasjons produktanalyse å tilby den analytiske kraften til BI fra én enkelt plattform. Du trenger ikke lenger flere plattformer og verktøy for å betjene alle typer produktanalysespørringer, fra enkle (førstegenerasjonsverktøy) til sofistikerte (ETL/SQL/BI-verktøy). Siden spørringene gjøres direkte mot datalageret, har du dessuten full oversikt over kostnadene for databehandling.

Ved å modernisere produktanalysestakken betaler du bare en brøkdel av det du bruker på flere verktøy, plattformer og team i dag.

Ta produkt- og kundeanalysen til neste nivå

Sliter du med å overvinne utfordringene med din nåværende produktanalyseløsning?

1. Hendelsesbasert prising som blir uoverkommelig dyr i stor skala
2. Høy TCO for dataflytting til/fra lukkede, eldre stabler
3. Siloformet synlighet i én kanal
4. Kundedata utenfor bedriften
5. Hermetiske analyseløsninger som passer for alle
6. Fragmenterte analyser i flere produkter
7. Dårlig ytelse i stor skala

Enda viktigere: Forventer du mer innsikt som gir større effekt på virksomheten, fra en moderne plattform?

• En brøkdel av kostnaden for eldre produktanalyseløsninger
• Selvbetjente svar på alle spørsmål
• Sømløst svar på neste sett med spørsmål utover standardiserte rapporter
• Nøyaktig modellering av virksomheten for full kontekst
• Reager raskt på endringer i virksomheten
• Aktiver innsikt for å tilpasse opplevelsene i alle kanaler
• Håndter personvern- og sikkerhetsproblemer
• Betal for verdi, ikke datavolum

Hvis du har svart ja på noen av de ovennevnte spørsmålene, bør du vurdere en neste generasjons produkt- og kundeanalyseløsning for å maksimere verdien av investeringen i produktinstrumentering og begynne å stille mer sofistikerte atferdsspørsmål.