Bygge en skalerbar analysearkitektur for det moderne SaaS-selskapet

Gründere og tekniske ledere er ofte på jakt etter den perfekte dataanalysestakken som bare skal fungere og dekke alle behovene deres. Realiteten er at behovene endrer seg etter hvert som bedriften vokser, noe som betyr at en analysearkitektur også bør tilpasse seg. I dette innlegget vil jeg kartlegge analysereisen fra de tidligste stadiene i bedriften, når du kanskje fortsatt jobber i garasjen, til de siste stadiene når du har å gjøre med analyser i bedriftsskala.

Produktutviklingsfasen

I produktutviklingsfasen, før kunden kommer, er det naturlig å ikke tenke på analyse. Du har tross alt ikke data å analysere ennå. Når du utvikler produktet, må du imidlertid alltid ha produktets telemetri/instrumentering i tankene (f.eks. Snowplow, Rudderstack eller Segment). Dette vil være avgjørende for å få innsikt i hvordan produktet brukes og tas i bruk, og for å vurdere om du har oppnådd produkt-markedstilpasning. Tenk gjennom hvordan du vil organisere komponentene i applikasjonen og de tilhørende dataene du vil samle inn, slik at du unngår å måtte legge til instrumentering flere ganger. Instrumenteringen kan være svært begrenset på dette stadiet, men ta den med i alle designdiskusjoner og få den inn i utviklernes DNA.

Kundeanskaffelsesfasen

Nå som produktet er i alfa- eller beta-stadiet, begynner designpartnere og prøvekunder å strømme til. Du har lansert nettstedet ditt og har begynt å bygge ut innhold for å støtte kundereisen. Du har mange leadkilder, inkludert annonser, e-post, webinarer og mer, men hvilke kilder fører til flest påmeldinger til gratis prøveperiode på nettstedet ditt? Hvilke deler av innholdet gir størst effekt?

I denne fasen er det avgjørende å være datadrevet. Du kan begynne å måle effektiviteten av markedsføringsinvesteringene dine ved å utnytte de innebygde analysefunksjonene i markedsføringsløsningene dine (f.eks. Google Analytics, LinkedIn Ads, Outreach, HubSpot, Salesforce). Etter hvert må du sette sammen alle disse dataene for å få et fullstendig bilde av kundereisen. Dette kommer bare til å bli vanskeligere, spesielt etter hvert som stakken din vokser fra 10 til 100, slik som i mange store bedrifter. Hvis du har ressurser til det, kan dette være et godt tidspunkt å tenke på en kundedatastrategi, og kanskje en felles sannhetskilde i et datavarehus.

Tidlig kundeadopsjonsfase

Du har offisielt lansert produktet ditt. Et betydelig antall kunder har begynt å bruke det, og du begynner å lære hva som fungerer og hva som ikke fungerer. Etter hvert som du samler inn data, endrer du raskt på produktfunksjonene basert på denne innsikten. I denne fasen kommer de fleste produkttilbakemeldingene gjennom direkte kommunikasjon med de tidlige kundene som er mest tilgjengelige. Du må imidlertid begynne å bygge strukturen for integrert, skalerbar analyse:

1. Fastsettstrategien for produktinstrumentering
   Den moderne tilnærmingen til instrumentering er å bruke et instrumentbibliotek som er frikoblet fra ethvert analyseverktøy og som ikke har noen innvirkning påproduktet. Leverandører som Segment, RudderStack og Snowplow tilbyr førsteklasses instrumenteringsbiblioteker som dekker mobil, web og backend. Og viktigst av alt: De tvinger deg ikke inn i en leverandørspesifikk datamodell. Du kan samle inn data i åpne formater som alle analyseverktøy kan bruke.
2. Sett opp et datavarehus i skyen
   Dette kan virke forhastet. Vanligvis setter bedrifter opp datavarehus mye senere i livssyklusen. Men med moderne datavarehus i skyen, som Snowflake, er det blitt enkelt å sette opp et datavarehus og administrere det med svært liten innsats. Med sin elastisitet, automatiske avstengning og betal-per-bruk-modeller er det også rimeligere selv for en oppstartsbedrift i en tidlig fase. Du kan drive et datalager for noen få hundrelapper i måneden, gitt de små datamengdene på dette stadiet.

Datavarehus er i ferd med å bli tyngdepunktet for alle bedriftsdata. Lageret vil være kjernen i ethvert analyseinitiativ du måtte sette i gang. Instrumenteringsbibliotekene som er nevnt ovenfor, gir deg enkle måter å få data inn i datalageret på. For ikke-produktdata kan du bruke et moderne ELT-verktøy som Fivetran eller Matillion til å flytte data fra markedsførings- og salgssystemene dine til datalageret. Disse ELT-verktøyene har et rikt bibliotek med koblinger til de fleste forretningssystemer, og de er også spesialutviklet for det moderne skylageret. Bruk et datatransformasjonsverktøy som DBT til å transformere data i lageret.

1. Fåpå plass et verktøy for produktanalyse. I fremtiden vil et effektivt produktanalyseverktøy fungere integrert i et datavarehus. Unngå at dataene dine lagres i en svart boks SaaS-tjeneste fra en analyseleverandør. Selv om dette kanskje ikke virker så viktig i begynnelsen, kan det fort føre til uhåndterlig datakvalitet og dårlig analysesynlighet etter hvert som du vokser. Du kan fort ende opp med flere ETL- og reverse ETL-pipelines, uoverensstemmelser i beregningene på tvers av teamene på grunn av flere sannhetskilder og høye kostnader ved å administrere flere analyseverktøy.

En annen ting du bør vurdere, er om produktanalyseverktøyet ditt kan oppfylle analysebehovene dine uten at du trenger et BI-verktøy i tillegg. Sørg for at produktanalyseverktøyet du velger, kan analysere alle dataene i lageret ditt. Du ønsker å kunne kombinere produktinstrumentdata med data fra forretningssystemene dine for å få et 360-graders bilde av kundereisen.

På dette stadiet har du kanskje ikke så mye data. Det kan hende at instrumenteringen fortsatt er under utvikling. Det er ikke sikkert at du ennå har data som strømmer inn fra alle forretningssystemene dine. Det er helt i orden. Det viktigste er å komme i gang med analyse og etablere et rammeverk. Ved å vise verdien av selv grunnleggende analyser oppmuntrer man ingeniører til å legge til mer instrumentering (instrumentering er ofte en lav prioritet for ingeniører). Enda viktigere er det å skape en kultur for datadrevet beslutningstaking på tvers av alle funksjoner i selskapet. Bedrifter som legger et analytisk grunnlag tidlig, øker sjansene for å lykkes dramatisk, og de kan spare millioner av dollar på å omorganisere stakken for analyse senere.

Vekstfasen

Du har etablert produkt-markedstilpasning. Kundebasen din vokser. Produktet ditt har et stort fotavtrykk med mange funksjonssett. I denne fasen omfatter analysestrategien din

1. Å gjøre analyse til sentrum for all beslutningstaking. I et selskap som gjør dette riktig, vil hver eneste produkt- eller kundediskusjon starte med å hente opp et dashbord med analytisk innsikt. Hele bedriften bør ha ett enkelt verktøy for alle analyser. Be alle funksjonelle ledere om å bygge opp og vise forretningsmålinger knyttet til sin funksjon i dette verktøyet. De bør kunne forstå driverne for disse måltallene i det samme verktøyet. De skal enkelt kunne teste hypoteser om hvilke faktorer som påvirker disse måltallene. Med det grunnlaget du har lagt, vil du ha
   1. én enkelt sannhetskilde for alle måltallene dine - ingen flere motstridende verdier for måltall som antall aktive brukere, konverteringsfrekvens, kundelevetidsverdi, kundeanskaffelseskostnad osv.
   2. tverrgående analyser, der hver funksjon kan relatere sine egne analyser til tilstøtende funksjoner. En vekstmarkedsfører vil for eksempel kunne korrelere kampanjekanaler med aktivering og engasjement i produktet. En kundesuksessansvarlig vil kunne forstå sammenhengen mellom produktbruk, kontoprofiler og oppgraderinger.
2. Formalisering av et datateknisk team. Du har kanskje allerede et par personer som fokuserer på datateknikk, sannsynligvis knyttet til markedsføring, produkt eller prosjektering. Nå er det på tide å sentralisere et datateknisk team som eier datavarehuset, instrumenteringssystemene, ELT-verktøyene/jobbene og analyseverktøyene. Dette teamet sørger for at datadriften går som smurt, at dataene er godt sikret, og at forretningsbrukerne har styrt tilgang til dataene. Dette teamet kan også bestå av dataforskere som tar i bruk et maskinlæringsverktøy (ML).

Merk at hver enkelt forretningsfunksjon bør kunne utføre analyser på egen hånd uten å være avhengig av datateknologiteamet - analyseverktøyet du velger, bør legge til rette for det. I stedet for å bli overveldet av gjentatte forespørsler om rapporter fra virksomheten, bør datateknologiteamet jobbe med analyser av høy verdi og sørge for at dataene som virksomheten får tilgang til, er de riktige dataene.

Ekspansjonsfasen

Du er en velkjent aktør på ditt område. Du fokuserer på å ekspandere til nye bransjer, nye produktlinjer, internasjonale markeder osv. Du har et økosystem av leverandører, partnere, forhandlere, systemintegratorer og andre. Kanskje du vurderer en børsnotering. I denne fasen må du

1. Legge til et rapporteringsverktøy for Business Intelligence (BI). Velg et BI-verktøy for produksjonsrapportering. Se etter et verktøy som tilbyr den typen rapportering du trenger: økonomiske rapporter, spesialiserte visualiseringer, planlagt distribusjon av rapporter, eksport-/utskriftsfunksjoner og innbygging i partnersystemer. Sørg for at BI-verktøyet du velger, kan fungere direkte fra datavarehuset ditt.
2. Tilrettelegg for datadeling og aktivering. Produktanalyseverktøyet kan hjelpe deg med å bygge og generere logiske visninger av dataene i datavarehuset, slik at datadelings- og aktiveringsverktøyet kan bruke dem - på den måten slipper du å duplisere data. Deretter kan du bruke datadelingsfunksjonene i datalageret til å dele relevante deler av dataene på en sikker måte i økosystemet ditt. Dataaktiveringsverktøy kan også flytte data fra lageret til et utvalgt forretningssystem for spesifikke handlinger, for eksempel å sende en kohort av brukere til Marketo for en markedsføringskampanje.

Konklusjon

Ved å planlegge på forhånd og sentralisere analysearkitekturen rundt datavarehuset får du størst mulig fleksibilitet når det gjelder lagring, analyse og aktivering av dataene dine.

Optimizely Warehouse-Native Analytics tilbyr et nestegenerasjons produktanalyseverktøy som fungerer naturlig på toppen av datavarehuset. Optimizely Warehouse-Native Analytics hjelper team med å generere innsikt fra alle datakildene deres ved hjelp av kraften i BI.