Kundanalysmognadsmodell: En guide till datadriven tillväxt

I mitt tidigare inlägg om kundanalys diskuterade vi hur den enskilda vyn som kundanalys tillhandahåller kan ersätta de fragmenterade vyer vi har haft av produkt-, marknadsförings- och operativa analyser. En viktig katalysator för denna förändring är övergången till lagerbaserad analys som möjliggörs av högpresterande datalagerplattformar. Detta gör det möjligt för oss att göra lagret till sanningens källa istället för att hantera lösningsspecifika datasilos. Denna förändring är en av de viktigaste förändringarna för analys på senare tid eftersom den återställde möjligheten att agera utifrån en enhetlig syn på våra kunder, något som vi förlorade när digitala produkter skalades upp snabbare än våra lagers förmåga att stödja dem och vi hamnade med silos. Vi kan nu svara på de frågor som våra företag verkligen ställer snarare än att behöva dela upp dem eftersom vi inte enkelt kan sammanfoga all nödvändig data.

Även om detta är spännande utvecklingar är verkligheten att de flesta av oss fortfarande har betydande datasilos. Trots allt löfte som den moderna datastacken ger är det långsamt, svårt och kräver många dyra människor att utveckla en relevant insikt och sedan operationalisera den. Hittills är arvet från den moderna datastacken en samling av berättigat imponerande punktlösningar, men en oklar väg till vad vi verkligen vill ha – möjligheten att använda data för att aktivera kunder i stor skala.

När vi försöker förstå hur dessa verktyg passar ihop är en mognadsmodell bra för att förstå vad vi försöker uppnå och var de olika delarna passar in.

Figur 1: Modnadsmodell för kundanalys

Nästan alla företag har åtminstone delvis nått Nivå 1: Funktionella analysverktyg och använder ett antal funktionella analysverktyg (t.ex. Google, Adobe, Amplitude). Dessa verktyg ger rimliga svar på specifika frågor (t.ex. hur många som använder funktion x, hur många som konverterade från den här annonsen) men gör det svårt att svara på frågor som öppnar upp den större bilden genom att spänna över vår relation med kunden (t.ex. varför avbryter folk). Dessa verktyg hanterar sina egna analyser och sin egen data i sina respektive silos, så de kan inte bara inte besvara mer holistiska frågor, de hindrar också möjligheten att det händer någon annanstans.

När företag blir större börjar de investera i datalager (t.ex. Snowflake, BigQuery, Databricks). Så småningom inser någon att det finns en massa data om samma kund som kommer från olika källor – backend-produkttabeller, MarTech-plattformar, kundtjänstplattformar etc. – och bestämmer sig för att allt ska samlas i en enda datastruktur i lagret och kanske till och med visas operativt i CDP:n. Denna uppstigning till *Nivå 2: Lager C360* löser till synes problemen med nivå 1 – att få en helhetsbild av kunden – men i praktiken fastnar den på två ställen. För det första, där de funktionella verktygen tillhandahåller en stor del av analys- och rapporteringslagret, är C360 en skräddarsydd lösning som är beroende av interna team för att bygga allt. För det andra, medan en del funktionsdata når lagret (t.ex. produktdata i backend), är mycket av den fångad i silolösningar (t.ex. produktdata i frontend) och är i bästa fall svår att integrera, vilket gör att C360 saknar väsentliga delar av kundvyn.

Fram till nyligen var nivå 2 det bästa vi kunde göra eftersom silos av våra funktionella verktyg bara kunde undvikas genom att bygga våra egna lösningar, och få företag är av en sådan skala att de kan göra detta. Nu, med lösningar som NetSpring, är det möjligt att ersätta siloverktyg med lösningar som inbyggt lagrar deras data i lagret tillsammans med allt annat vi vet om en kund. Dessutom är NetSpring tillräckligt flexibelt för att minska ansträngningen som är förknippad med att bygga rapporteringsskiktet som äldre BI-lösningar gjorde långsamt och ineffektivt att utveckla. Genom att lätta på de två största begränsningarna som uppstår i nivå 2 blir mognaden av Nivå 3: Lagerstyrd kundanalys möjlig, vilket låser upp en mängd användningsfall som leder till snabbare insikter och möjligheten att använda dessa insikter för att aktivera kunder.

Att nå nivå 3 representerar en betydande vinst för de flesta företag eftersom det äntligen låter dem vidta åtgärder som ser kunden holistiskt. Detta kräver dock fortfarande att användare definierar mätvärden, attribut och rapporter som avslöjar insikter och driver beslut. När vi blickar mot framtiden är nästa logiska steg i vår mognad Nivå 4: Autonom kundanalys, där vi automatiserar mycket av denna upptäckt, troligen genom att integrera AI för att färdas genom våra C360-enheter i stor skala för att upptäcka potentiella mätvärden och dimensioner. Även om sådana lösningar fortfarande till stor del är science fiction, närmar vi oss med framsteg inom områden som generativ AI förmågan att leverera dessa lösningar, och när de är redo kommer de att behöva exakt den typ av enhetlig syn på kunden som vi får när vi når nivå 3.

Varje mognadsnivå representerar utvecklingar inom teknik som systematiskt låser upp nya användningsområden, där begränsningarna på varje nivå utlöser innovationer som är grundläggande för nästa.

Tabell 1: Användningsfall på mognadsnivå och begränsningar för tillgängliga lösningar

Vi når äntligen en punkt där det är tydligt hur Modern Data Stack kan hjälpa oss att uppnå våra affärsmål att förstå och bättre aktivera våra kunder. Mycket av det som har byggts upp under det senaste decenniet har gett oss den nödvändiga grunden för att mogna vår strategi för kundanalys till den punkt där vi kan låsa upp våra viktigaste användningsfall.

Warehouse-native kundanalyslösningar som NetSpring är den saknade ingrediensen för att syntetisera en helhetsbild av våra kunder som vi kan utnyttja i stor skala. De banar också väg för ännu mer sofistikerade metoder som har potential att automatisera mycket av detta arbete i framtiden. Oavsett har vi äntligen nått en punkt där våra datastackar gör det enkelt att hantera våra mest kritiska användningsfall och leverera värde för våra kunder och verksamheten.

John Humphrey har över två decenniers erfarenhet av att hjälpa företag att låsa upp insikter och aktivera data i stor skala. Hans erfarenhet inkluderar att ha varit den första dataanställda på Goodreads (uppköpt av Amazon), lett LegalZooms dataorganisation genom dess börsintroduktion och senast som Chief Data Officer på Intuit Mailchimp. John är rådgivare på NetSpring.