Neste generasjons produkt- og kundereiseanalyser

Optimizely Warehouse-Native Analytics står i spissen for en revolusjon på produktanalyseområdet. Optimizely Warehouse-Native Analytics' warehouse-native produktanalyseplattform frigjør enorme forretningsverdier som tradisjonelle førstegenerasjonsverktøy som Amplitude/Mixpanel ikke har vært i stand til.

Moderne warehouse-native-arkitekturer har fordeler når det gjelder kostnader, sikkerhet, personvern og styring. Et enkelt analyseverktøy som Optimizely Warehouse-Native Analytics, som arbeider direkte på toppen av sannhetskilden i lageret, har fordelene med konsistente, pålitelige analyser som man kan stole på når man skal ta datadrevne forretningsbeslutninger. Men det er mye mer enn bare å få klassisk produktanalyse til å fungere på toppen av datavarehuset.

Tradisjonell produktanalyse er siloformet og fungerer bare på produktinstrumentstrømmer. I beste fall kan du utvide analysene minimalt med noen egenskaper fra lageret som er kunstig festet til bruker- eller hendelsesobjekter gjennom smertefull omvendt ETL. Men analytikere vil ofte ha mye mer. De ønsker å kunne analysere en rekke ulike enheter i datalageret, f.eks. konto, kampanje, annonse, abonnement, arbeidsområde, prosjekt, dokument, kontrakt, undersøkelse, butikk, chat, samtale osv. De ønsker også å bruke disse på en naturlig måte, ved å modellere dem og relasjonene mellom dem slik de finnes i lageret. Optimizely Warehouse-Native Analytics gjør det mulig å gjøre nettopp dette, noe som åpner opp for en enorm klasse av analyser som har mye større innvirkning på virksomheten enn bare å studere bruken av funksjoner i et tradisjonelt førstegenerasjons produktanalyseverktøy. Dette er analyser på tvers av hele kundereisen. Vi kaller dette "kundereiseanalyse" eller "kundeanalyse".

Kundereiseanalyse omfatter produktanalyse og er mye bredere og mer forretningseffektivt enn tradisjonell produktanalyse i siloer.

Den tidlige utviklingen av produktanalyse

La oss først prøve å forstå hvordan tradisjonelle produktanalyseverktøy som Amplitude/Mixpanel utviklet seg. De dukket opp for et tiår siden, da et stort antall mobilapper og produktstyrte SaaS-tjenester ble utbredt. Det var avgjørende å få en forståelse av hvordan brukerne brukte produktet, særlig i forbrukerorienterte produkter med høy turnover. På den tiden fantes det ingen gode alternativer for å gjøre dette på en god måte. De tilgjengelige analyseverktøyene var først og fremst BI-verktøy som Tableau og Qlik. Disse verktøyene var gode for rapportering på ERP-, CRM-, HCM- osv. data i lageret. Men de kunne ikke brukes til produktanalyse, fordi

1. 1. Hendelsesdata fra produktinstrumentering nådde aldri tradisjonelle datavarehus (på stedet eller til og med tidlig i skyen). Datavarehusene var ikke utviklet for å ta inn, lagre og behandle hendelsesdata på en effektiv og kostnadseffektiv måte.
   2. BI-verktøyene var ikke utviklet for å uttrykke eller beregne hendelsesorienterte analyser.
   3. Digitale produkt- og markedsføringsteam i rask bevegelse trengte en rask løsning som ikke var avhengig av trege sentrale datateam i bedriften.

Som et resultat av de ovennevnte begrensningene dukket det opp spesialbygde, pakkeløsninger for produktanalyse, verktøy som inkluderte alt i én enkelt SaaS-tjeneste - instrumentering, lagring, databehandling og visualiseringer. For en gangs skyld kunne produkt- og vekstteamene få innsyn i bruken av produktet. De kunne utføre grunnleggende analyser som hendelsessegmentering, trakter, stier osv. ved hjelp av ferdige maler. De kunne bruke disse analysene til å optimalisere produktfunksjonene. Dette var et stort gjennombrudd.

Behov for neste generasjons produktanalyse

Produkt- og vekstteamene begynte å ta i bruk disse førstegenerasjonsverktøyene. Det ble brukt enorme summer på disse verktøyene, som ble svært kostbare etter hvert som selskapene vokste, og hendelsesvolumene økte raskt. Det var en tro på at det ville bli tatt beslutninger som hadde innvirkning på virksomheten, basert på analyser i disse verktøyene, og at utgiftene til disse verktøyene ville lønne seg. Det var imidlertid ikke tilfelle.

Tenk på et tradisjonelt produktanalyseverktøy som viser deg at konverteringsfrekvensen har økt etter lanseringen av en ny funksjon. Men hva om flertallet av kundene som konverterte, endte opp med å avbestille ved å ringe kundesenteret? Disse dataene befinner seg ikke i den siloformede produktinstrumentstrømmen som de tradisjonelle verktøyene jobber med. De befinner seg i et annet forretningssystem som er utilgjengelig for førstegenerasjons produktanalyseverktøy. Kan du på samme måte forstå effekten av en produktendring på supporthenvendelser/samtaler - data som finnes i Zendesk? Kan du forstå produktengasjement etter abonnementsnivå - data som finnes i Salesforce? Kan du bli varslet om produktfriksjon eller økt engasjement hos kunder som skal fornye abonnementet om en måned - data som finnes i NetSuite?

Kan du fordele abonnementsinntektene på ulike kundegrupper? Kan du prioritere produktproblemer basert på innvirkning på inntektene? Kan du målrette de riktige kampanjene/tilbudene/oppfølgingen mot de riktige kundene basert på deres livstidsverdi?

Det er ikke lenger tilstrekkelig å forstå snevert definerte produktmålinger basert på produktinstrumentdata. Etter hvert som moderne virksomheter utvikler seg i retning av produktstyrt vekst, blir produktteamene raskt til inntektssentre, og de må gå fra produktmålinger til forretningsmålinger, der produktinstrumentdata bare er én kilde til input. De trenger et verktøy for forretningsanalyse som gir et bredere perspektiv. De trenger forretningsanalyse for å få større gjennomslagskraft og innflytelse hos toppledelsen.

Førstegenerasjonsverktøy har gjort svake forsøk på å løse dette med forenklede "omvendt ETL"-løsninger. Men disse løsningene er tungvinte, ufullstendige og dyre. Så etter hvert som kundene vokser, ender de alltid opp med å gjøre mer og mer av det tunge løftet i BI-verktøyene.

Oppsummert kan vi si at behovet for neste generasjons produktanalyse skyldes følgende begrensninger ved førstegenerasjonsverktøyene:

1. 1. Analysene i disse førstegenerasjonsverktøyene er så siloformede og bygger på så begrensede data (ofte av dårlig kvalitet) at de ikke kan brukes til å ta beslutninger som har stor innvirkning på virksomheten.
   2. Kostnadene er så høye at avkastningen på investeringen ikke er til stede sammenlignet med fordelene.
   3. Utover de første, grunnleggende analysene i disse verktøyene, ender forretningsteamene opp med å ringe datateamene for å få dem til å lage rapporter for det andre innsiktsnivået, og de sliter ofte med å forklare kravene, venter i ukevis på å få rapporter og klarer ikke å få analysene raskt nok til at de kan brukes til noe.
   4. Datateamene sliter med å trekke ut data fra proprietære produktanalyseverktøy og inn i datalageret, og med å bruke et BI-verktøy (feil verktøy for produktanalyse, men det eneste tilgjengelige verktøyet!) til å produsere rapporter.
   5. Analysene blir fragmentert på tvers av produktanalyse- og BI-verktøy, med svært lav tillit til tallene som produseres av førstegenerasjons produktanalyseverktøy.
   6. Sikkerhetsteam, med stadig strengere krav til samsvar og styring, begrenser dataene som kan sendes til eksterne analysetjenester, noe som bidrar til å redusere den analytiske verdien av disse verktøyene.

Tradisjonell produktanalyse har ikke holdt det den lovet. Det er ikke så rart at de fleste produktanalysene i dag ikke gjøres i tradisjonelle produktanalyseverktøy! De gjøres (smertefullt nok!) i BI-verktøy. Men behovet for produktanalyse har bare økt, ettersom stadig mer programvare konsumeres som SaaS-tjenester på abonnement, og produktstyrt vekst blir den primære forretningsmetoden for stadig flere produktstyrte selskaper. Å ha en dyp forståelse av produktbruk og kundeatferd er avgjørende for å overleve i et konkurranseutsatt marked.

For å kunne møte de økende behovene for produktanalyse på en effektiv måte, trenger vi en ny generasjon verktøy som Optimizely Warehouse-Native Analytics.

Utviklingen fra produktanalyse til kundereiseanalyse

Det første steget i oppgraderingen av produktanalyse er å ikke tenke på produktanalyse lenger, men heller tenke på en bredere "Customer Journey Analytics" eller "Customer Analytics". Customer Journey Analytics er analyser på tvers av produktinstrumentdata og alle andre kundedata (salg, support, økonomi, markedsføring, suksess osv.).

Analyser handler ikke lenger bare om bruk av produktfunksjoner, men også om hvordan bruken påvirker virksomheten - for eksempel genererte inntekter eller supportopptrappinger. Det handler om tall for oppbevaring som ikke er misvisende fordi de nå inkluderer avbestillinger utenfor produktet. Det handler om å optimalisere de riktige funksjonene for de riktige kontoene som genererer mest inntekter. Det handler om å måle effekten av markedsføringen, ikke bare i form av antall påmeldinger etter en kampanje, men i form av den langsiktige økonomiske verdien av de nye kundene. Det handler om å forstå kundereiser, ikke bare i produktet, men også på tvers av alle kanaler som butikk, support, chat, lojalitetsprogrammer, partnere osv. Det handler om at suksess- og supportteamene kan øke CSAT og kundelojalitet ved å forstå atferden til brukerne av kontoene deres. Det handler om at driftsteamene skal kunne evaluere den forretningsmessige effekten av produkt- og nettstedsopplevelser og bruke dette til å prioritere problemer på en bedre måte.

Customer Journey Analytics gir en felles, konsistent og lett tilgjengelig oversikt over kundeatferd for alle kundeorienterte team i bedriften, på tvers av alle kundekontaktpunkter - både i og utenfor produktet.

Bryte datasiloer

Det første skrittet mot å realisere visjonen om Customer Journey Analytics er å bryte datasiloer og samle alle data i ett og samme datalager. I dagens bedrifter er datavarehuset/datasjøen det ubestridte datalageret for alle data. Moderne datavarehus i skyen, som Snowflake, BigQuery, Redshift og Databricks, har innledet konsolideringen av alle data i ett enkelt lager. Mens lageret alltid har vært det sentrale stedet for data som brukes i forretningsrapportering, er den store endringen nå at moderne lagre også blir det sentrale stedet for hendelsesorienterte data, f.eks. klikkstrømmer, IoT, logger, enhetsdata, i tillegg til de tradisjonelle tilstandsdataene (forretningstransaksjoner fra POS, ordreinnhenting, forsyningskjeden, salg, økonomi, HR osv.) Det er nå mulig å ta inn og lagre store mengder hendelsesdata i lageret raskt og effektivt.

Datavarehuset/datasjøen er tyngdepunktet for alle data i bedriften - hendelsesdata og tilstandsdata.

Alle applikasjoner, inkludert Product and Customer Journey Analytics, bør tilpasse seg denne endringen og omstille seg for å unngå å kopiere data ut til sine proprietære siloer. Optimizely Warehouse-Native Analytics er bygget fra grunnen av som en warehouse-native-plattform og kopierer aldri dataene dine, aldri noensinne.

Neste generasjons CDP-er

CDP-området, som er direkte relatert til produkt- og kundereiseanalyse, er også i ferd med å bli omdefinert. CDP-er oppsto som en markedsføringsløsning som var frakoblet de sentrale datasystemene og -teamene i bedriften. Selv om de ga rask verdi i de første årene, har de lidd under den samme smerten som silosystemer. I dag bygges neste generasjons komponerbare CDP-er opp på nytt på toppen av datavarehuset med de beste verktøyene i klassen - RudderStack og Snowplow for instrumentering, Hightouch og Census for aktivering, DBT for datatransformasjoner knyttet til identitetsoppløsning, sesjonalisering osv., Optimizely Warehouse-Native Analytics for analyse, og lagerintegrerte AI/ML-funksjoner for attribusjon og prediksjon.

Kjernen i Customer Journey Analytics er selvfølgelig kundeenheten. Jo høyere kvalitet og rikdom på kundeenheten, desto bedre blir analysene.

Neste generasjons CDP-er, med sine omfattende kundedatamodeller, gjør det mulig å gjennomføre mer omfattende kundereiseanalyser.

Bryter ned analysesiloene

Når du har én enkelt kilde til alle data i lageret/datasjøen, er neste trinn å ha ett enkelt analyseverktøy for alle kundeorienterte analyser som kan utnytte disse dataene. Analyseverktøyene har et lag med metadata (for eksempel definisjon av måleparametere) over tabellene i lageret/innsjøen. Å ha en versjon av disse metadataene i mange forskjellige verktøy resulterer i flere sannhetskilder, noe som ikke er ønskelig. Det blir vanskelig å dele kontekst på tvers av flere verktøy, selv om de bruker samme underliggende lager, fordi hvert verktøy har sin egen representasjon av konteksten, f.eks. en kohort av brukere som har falt fra mellom to stadier i en trakt. Med ett enkelt verktøy for kundereiseanalyse unngår man disse problemene med fragmenterte og svake analyser.

Ett enkelt verktøy for kundereiseanalyse dekker behovene til produkt-, vekst-, markedsførings-, salgs-, suksess- og supportteamene for alle deres analysebehov.

Dette har ikke vært mulig tidligere, fordi hendelsesorienterte systemer (som Product Analytics) og tilstandsorienterte systemer (som BI) har ulik arkitektur når det gjelder metadatarepresentasjoner og beregningsmekanismer. Men det er nettopp slik disse systemene har utviklet seg historisk. Selv om det er teknisk utfordrende å bygge, er det mulig å ha ett enkelt analyseverktøy som kan forene hendelses- og tilstandsorienterte verdener - Optimizely Warehouse-Native Analytics har bevist det.

Bygge tillit

Med ett enkelt analyseverktøy som arbeider ut fra én enkelt sannhetskilde uten kopier, bygges det opp tillit til tallene i organisasjonen. Et tall for oppbevaring, for eksempel, som beregnes i dette ene verktøyet, er det samme tallet som oppgis av alle team, og kan presenteres for toppledelsen med tillit. Verktøyet bør ha revisjonsfunksjoner som gjør det mulig å se nøyaktig hvilken SQL som ble sendt til det underliggende lageret, slik at man kan foreta en uavhengig verifisering av alle analytiske beregninger.

Med tillit til tall kommer mer bruk av analyser i alle team i bedriften, og mer forretningsverdi.

Genererer avkastning på investeringen

Med en bredere plattform for produkt- og kundereiseanalyse er avkastningen mye høyere. Kostnadene blir lavere uten datakopier og administrasjon av dataflyttingsjobber. Prosessene blir effektive uten bortkastet tid på å feilsøke avvik på tvers av siloer. Sikkerhets- og styringskostnadene reduseres med én enkelt kopi av dataene under virksomhetens kontroll, og med nøye kontrollert tilgang til det sentrale datalageret. Etter hvert som analysene får større innvirkning på virksomheten ved at de inkorporerer en rikere forretningskontekst og betjener flere team, kan utgiftene til analyser lett rettferdiggjøres.

Verktøy for analyser av kundereisen kan potensielt gi en størrelsesorden bedre avkastning enn tradisjonelle verktøy for produktanalyse.

Konsolidering

Hvis du tenker på kundereiseanalyse som en kombinasjon av produktanalyse, markedsføringsanalyse og analyse av digitale opplevelser, og kartlegger det med dagens leverandører, ser du mye fragmentering og overlapping. Men en sårt tiltrengt konsolideringstrend har allerede begynt. I tillegg til dette må vi se en konsolidering av de fleste hendelsesorienterte analysene som i dag gjøres i generiske BI-verktøy, til et førsteklasses verktøy for Customer Journey Analytics. Det er dette Optimizely Warehouse-Native Analytics bygger opp mot.

Optimizely Warehouse-Native Analytics har som mål å tilby en sammenhengende, men komponerbar, Customer Journey Analytics-pakke på en moderne datavarehus-/lakehouse-arkitektur.

Oppgrader til neste generasjons analyseverktøy med Optimizely Warehouse-Native Analytics

Optimizely Warehouse-Native Analytics innleder neste generasjon av produkt- og kundereiseanalyser - spesialbygget fra grunnen av for den moderne datastakken. Dette er en del av en større visjon om å bli "Analytics Cloud" - go-to-plattformen i bedrifter for all forretningsorientert analyse.

Med Optimizely Warehouse-Native Analytics kan du ta datadrevne beslutninger med trygghet i ett enkelt, konsistent, pålitelig, kostnadseffektivt og selvbetjent verktøy. Få en reell innvirkning på forretningsresultatene med Optimizely Warehouse-Native Analytics.