Bygga en skalbar analysarkitektur för moderna SaaS-lösningar

Grundare och tekniska chefer letar ofta efter den perfekta dataanalysstacken som fungerar och uppfyller alla deras behov.

Grundare och tekniska chefer letar ofta efter den perfekta dataanalysstacken som *bara* fungerar och uppfyller alla deras behov. Verkligheten är att behoven förändras i takt med att företag växer, vilket innebär att en analysarkitektur också bör anpassa sig. I det här inlägget kommer jag att kartlägga analysresan från de tidigaste stadierna i ditt företag när du kanske fortfarande arbetar från garaget, till de senaste stadierna när du arbetar med analyser i stor skala.

Produktutvecklingsfas

I produktutvecklingsfasen före kundkontakt är det naturligt att inte tänka på analyser. Du har trots allt ingen data att analysera ännu. Men när du utvecklar produkten, ha alltid produktens telemetri/instrument i åtanke (t.ex. Snowplow, Rudderstack eller Segment). Detta kommer att vara avgörande för att få insikter om hur din produkt används och antas, och för att bedöma om du har uppnått produktmarknadsanpassning. Tänk i förväg på hur du vill organisera komponenterna i din applikation och den tillhörande data du kommer att samla in för att undvika att behöva lägga till instrument upprepade gånger. Din instrumentation kan vara mycket begränsad i detta skede, men inkludera den i alla designdiskussioner och få den in i utvecklarens DNA.

Kundförvärvsfasen

Nu när din produkt är i alfa- eller betastadiet börjar designpartners och testkunder strömma in. Du har lanserat din webbplats och har börjat bygga innehåll för att stödja kundresan. Du har många leadkällor, inklusive annonser, e-postmeddelanden, webbseminarier och mer, men vilka driver flest registreringar för gratis testperioder på din webbplats? Vilket innehåll ger störst effekt?

I den här fasen är det avgörande att vara datadriven. Du kan börja mäta effektiviteten av dina marknadsföringsinvesteringar genom att utnyttja de inbyggda analysfunktionerna i dina punktmarknadsföringslösningar (t.ex. Google Analytics, LinkedIn Ads, Outreach, HubSpot, Salesforce). Så småningom kommer du att behöva sammanfoga all denna data för en fullständig bild av kundresan. Detta kommer bara att bli svårare, särskilt när din stack ökar från 10 till 100, som i många stora företag. Om du har resurserna kan det vara ett bra tillfälle att tänka på en kunddatastrategi, och kanske en enda sanningskälla i ett datalager.

Tidig kundimplementeringsfas

Du har officiellt lanserat din produkt. Det finns ett betydande antal kunder som börjar använda den, och du lär dig vad som fungerar och vad som inte fungerar. När du samlar in data itererar du snabbt på produktfunktioner baserat på dessa insikter. I den här fasen kommer den mesta produktfeedbacken genom direktkommunikation med de tidiga kunderna som är mest tillgängliga. Du måste dock börja bygga strukturen för integrerad, skalbar analys:

**Slutför din strategi för produktinstrumentation** Det moderna tillvägagångssättet för instrumentation är att använda ett instrumentbibliotek som är frikopplat från alla analysverktyg och inte har några åsikter. Leverantörer som Segment, RudderStack och Snowplow erbjuder instrumentbibliotek i toppklass som täcker mobil, webb och backend. Viktigast av allt är att de inte tvingar dig till någon leverantörsspecifik datamodell. Du kan samla in data i öppna format som *alla* analysverktyg kan använda.

Skapa ett molndatalager
Detta kan verka förhastat. Vanligtvis etablerar företag lager mycket senare i sin livscykel. Men med moderna molndatalager som Snowflake har det blivit enkelt att starta ett lager och hantera det med väldigt liten ansträngning. Med dess flexibilitet, automatiska avstängning och betalningsmodeller är det också mer överkomligt även för en startup i tidigt skede. Du kan driva ett lager för några hundra dollar i månaden med tanke på den lilla mängden data i detta skede.

Datalager håller på att bli tyngdpunkten för *all* företagsdata. Lagret kommer att vara kärnan i alla analysinitiativ du kan tänkas genomföra. Instrumentbiblioteken som nämns ovan erbjuder färdiga sätt att enkelt placera data i datalagret. För data som inte är produktdata, använd ett modernt ELT-verktyg som Fivetran eller Matillion för att flytta data från dina marknadsförings- och försäljningssystem till ditt datalager. Dessa ELT-verktyg ger ett rikt bibliotek med kopplingar till de flesta affärssystem och är också specialbyggda för det moderna molnlagret. För alla transformationer av data inom lagret, använd ett datatransformationsverktyg som DBT.

**Inför ett produktanalysverktyg**. I framtiden kommer ett effektivt produktanalysverktyg att fungera **nativt** i ett datalager. Undvik att ha dina data silosade i en analysleverantörs svarta SaaS-tjänst. Även om detta kanske inte verkar viktigt i början kan det snabbt leda till ohanterlig datakvalitet och dålig analyssynlighet allt eftersom du växer. Du kan snart få flera ETL- och omvända ETL-pipelines, skillnader i mätvärden mellan team på grund av flera sanningskällor och höga kostnader för att hantera flera analysverktyg.

En annan sak att överväga är om ditt produktanalysverktyg kan uppfylla dina analysbehov utan att kräva ett BI-verktyg utöver det. Se till att det produktanalysverktyg du väljer kan analysera all data i ditt lager. Du vill kunna kombinera produktinstrumentdata med data från dina affärssystem för att få en 360-gradersvy över din kundresa.

I det här skedet kanske du inte har mycket data. Din instrumentation kan fortfarande utvecklas. Du kanske ännu inte har data som flödar in från alla dina affärssystem. Det är okej. Nyckeln är att komma igång med analyser och etablera ramverket. Att visa värdet av även grundläggande analyser uppmuntrar ingenjörer att lägga till mer instrumentation (instrumentation är ofta lågprioriterat för ingenjörer). Ännu viktigare är att det skapar en kultur av datadrivet beslutsfattande i alla funktioner i företaget. Företag som tidigt lägger en analysgrund ökar sina odds för framgång dramatiskt; och de kan spara miljontals dollar på att omstrukturera sin stack för analyser senare i livet.

Tillväxtfas

Du har etablerat en produkt-marknadsmatchning. Din kundbas växer. Din produkt har en stor spridning med många funktioner. I den här fasen inkluderar din analysstrategi:

Att göra analyser till centrum för allt beslutsfattande. I ett företag som gör detta rätt börjar varje produkt- eller kunddiskussion med att man öppnar en instrumentpanel med analysinsikter. Hela företaget bör använda ett enda verktyg för all analys. Be alla funktionschefer att bygga och visa affärsmått relaterade till deras funktion i detta verktyg. De bör kunna förstå drivkrafterna bakom dessa mätvärden inom samma verktyg. De bör enkelt kunna testa hypoteser kring faktorer som påverkar dessa mätvärden. Med den grund du har lagt på plats kommer du att ha:
1. en enda sanningskälla för alla dina mätvärden – inga fler motstridiga värden för mätvärden som antal aktiva användare, konverteringsfrekvens, kundens livstidsvärde, kundanskaffningskostnad etc.
2. övergripande analyser, där varje funktion kan relatera sina analyser till angränsande funktioner. Till exempel skulle en tillväxtmarknadsförare kunna korrelera kampanjkanaler med aktivering och engagemang i produkten. En kundframgångschef skulle kunna förstå sambandet mellan produktanvändning, kontoprofiler och uppgraderingar.
**Formalisering av ett datateknikteam**. Ni kanske redan har ett par personer som fokuserar på datateknik, troligen kopplade till marknadsföring, produktutveckling eller teknik. Det här är dags att centralisera ett datateknikteam som äger datalagret, instrumentsystemen, ELT-verktyg/jobb och analysverktyg. Detta team säkerställer att dataoperationer löper smidigt, att data är ordentligt skyddade och att affärsanvändare har styrd åtkomst till data. Detta team kan också inkludera datavetare som implementerar ett maskininlärningsverktyg (ML).

Observera att varje affärsfunktion bör kunna utföra självbetjäning för analyser utan att behöva förlita sig på datateknikteamet – det analysverktyg du väljer bör underlätta detta. Istället för att fastna i upprepade förfrågningar om rapporter från företaget bör datateknikteamet arbeta med värdefulla analyser och se till att de data som företaget har tillgång till är rätt data.

Expansionsfas

Du är en välkänd aktör inom ditt område. Du fokuserar på att expandera till nyare branscher, nyare produktlinjer, internationella marknader etc. Du har ett ekosystem av leverantörer, partners, återförsäljare, systemintegratörer och andra. Kanske funderar du på en börsintroduktion. I den här fasen behöver du:

Lägg till ett BI-rapporteringsverktyg (Business Intelligence). Välj ett BI-verktyg för produktionsrapportering. Leta efter ett verktyg som tillhandahåller de typer av rapportering du behöver: finansiella rapporter, specialiserade visualiseringar, schemalagd distribution av rapporter, export-/utskriftsfunktioner och inbäddning i partnersystem. Se till att det BI-verktyg du väljer kan fungera direkt från ditt datalager.
Underlätta datadelning och aktivering. Ditt produktanalysverktyg kan hjälpa dig att bygga och generera logiska vyer av dina data i ditt datalager, för användning av ditt datadelnings- och aktiveringsverktyg – detta eliminerar behovet av dataduplicering. Du kan sedan använda datadelningsfunktionerna i ditt lager för att säkert dela relevanta delar av dina data inom ditt ekosystem. Dataaktiveringsverktyg kan också flytta data från ditt lager till ett utvalt affärssystem för specifika åtgärder, till exempel att skicka en grupp användare till Marketo för en marknadsföringskampanj.

Slutsats

Genom att planera i förväg och centralisera din analysarkitektur – runt ditt datalager, bibehåller du största möjliga flexibilitet för att lagra, analysera och aktivera dina data.