Nästa generations produkt- och kundreseanalys

På Optimizely Warehouse-Native Analytics befinner vi oss i framkant av en revolution inom produktanalys. Den warehouse-native produktanalysplattformen från Optimizely Warehouse-Native Analytics frigör enormt affärsvärde som traditionella förstagenerationsverktyg som Amplitude/Mixpanel inte har kunnat frigöra.

Moderna warehouse-native arkitekturer har fördelar vad gäller kostnad, säkerhet, integritet och styrning. Ett enda analysverktyg som Optimizely Warehouse-Native Analytics, som arbetar direkt ovanpå den enda sanningskällan i datalagret, har fördelarna av konsekvent och pålitlig analys som man tryggt kan förlita sig på för att fatta datadrivna affärsbeslut. Men det handlar om mycket mer än att bara få klassisk produktanalys att fungera ovanpå datalagret.

Traditionell produktanalys är silobaserad och arbetar enbart med dataströmmar från produktinstrumentering. I bästa fall kan du berika analysen minimalt med några egenskaper från datalagret som artificiellt fästs på användar- eller händelseobjekt genom smärtsam omvänd ETL. Men analytiker vill ofta ha mycket mer. De vill kunna analysera över en mängd olika entiteter i datalagret, t.ex. Konto, Kampanj, Annons, Prenumeration, Arbetsyta, Projekt, Dokument, Kontrakt, Undersökning, Butik, Chatt, Samtal osv. De vill också använda dessa på ett naturligt sätt och modellera dem och relationerna mellan dem så som de finns i datalagret. Optimizely Warehouse-Native Analytics ger möjligheten att göra precis detta, vilket öppnar upp en enorm klass av analyser som har mycket större affärspåverkan än att bara studera funktionsanvändning i ett traditionellt förstagenerations produktanalysverktyg. Detta är analys över hela kundresan. Vi kallar detta ”kundreseanalys” eller ”kundanalys”.

Låt oss först försöka förstå hur traditionella produktanalysverktyg som Amplitude/Mixpanel utvecklades. De uppstod för ett decennium sedan när ett stort antal mobilappar och produktdrivna SaaS-tjänster blev allmänt utbredda. Det var avgörande att få en förståelse för användarnas produktanvändning, särskilt i konsumentinriktade produkter där frånfället var högt. Vid den tiden fanns det inga bra alternativ för att göra detta väl. De tillgängliga analysverktygen var främst BI-verktyg som Tableau och Qlik. Dessa verktyg var bra för rapportering av ERP-, CRM-, HCM- osv. data i datalagret. Men de kunde inte användas för produktanalys eftersom:

Som ett resultat av ovanstående begränsningar uppstod specialbyggda, paketerade verktyg för produktanalys; verktyg som inkluderade allt i en enda SaaS-tjänst – instrumentering, lagring, beräkning och visualiseringar. För en gångs skull kunde produkt- och tillväxtteam få insyn i sin produkts användning. De kunde utföra grundläggande analyser såsom händelsesegmentering, tratt, vägar osv. med hjälp av färdiga mallar. De kunde använda dessa analyser för att optimera produktfunktioner. Detta var ett enormt genombrott.

Produkt- och tillväxtteam började anamma dessa förstagenerationsverktyg. Enorma summor spenderades på dessa verktyg som blev mycket dyra i takt med att företagen växte och deras händelsevolymer ökade snabbt. Det fanns en tro på att affärspåverkande beslut skulle fattas baserat på analysen i dessa verktyg, och att utgifterna för verktygen skulle löna sig. Men så var inte fallet. 

Tänk dig ett traditionellt produktanalysverktyg som visar dig att konverteringsgraden har ökat efter lanseringen av en ny funktion. Men vad händer om majoriteten av kunderna som konverterade slutade med att säga upp sig genom att ringa ditt kundcenter? Den datan finns inte i den silobaserade dataströmmen från produktinstrumentering som traditionella verktyg arbetar med. Den finns i ett annat affärssystem som är otillgängligt för förstagenerations produktanalysverktyg. På samma sätt: kan du förstå effekten av en produktändring på supportärenden/-samtal – data som finns i Zendesk? Kan du förstå produktengagemang per prenumerationsnivå – data som finns i Salesforce? Kan du bli varnad för produktfriktion eller ökat engagemang hos konton vars förnyelse närmar sig om en månad – data som finns i NetSuite? 

Kan du bryta ner prenumerationsintäkter efter kundkohorter? Kan du prioritera produktproblem baserat på påverkan på intäkter? Kan du rikta dig till rätt uppsättning kunder med rätt kampanjer/erbjudanden/uppföljning baserat på deras livstidsvärde?

Det räcker inte längre att förstå snävt definierade produktmått baserat enbart på produktinstrumenteringsdata. När moderna företag utvecklas mot produktdriven tillväxt blir produktteam snabbt intäktscentra och behöver gå från produktmått till affärsmått, där produktinstrumenteringsdata bara är en av flera indatakällor. De behöver ett affärsanalysverktyg som ger en bredare bild. De behöver affärsanalys för att vara mer verkningsfull och inflytelserik gentemot ledningsgruppen.

Förstagenerationsverktyg har gjort halvhjärtade försök att åtgärda detta med förenklade ”omvänd ETL”-lösningar. Men dessa lösningar är otympliga, ofullständiga och dyra. Så när kunderna växer slutar de oundvikligen med att göra mer och mer av det tunga arbetet i BI-verktyg. 

Sammanfattningsvis uppstår behovet av nästa generation av produktanalys ur följande begränsningar hos förstagenerationsverktyg:

Traditionell produktanalys har inte levt upp till sitt löfte. Det är inte konstigt att majoriteten av produktanalysen i dag inte görs i traditionella produktanalysverktyg! Den görs (mödosamt!) i BI-verktyg. Men behovet av produktanalys har bara ökat, i takt med att mer och mer programvara konsumeras som prenumerationsbaserade SaaS-tjänster, och produktdriven tillväxt blir den primära affärsmetodiken för allt fler produktdrivna företag. Att ha en djup förståelse för produktanvändning och kundbeteende är avgörande för överlevnad på en konkurrensutsatt marknad. 

För att effektivt möta de ökande behoven av produktanalys och göra den mer effektiv behöver vi en ny generation av verktyg som Optimizely Warehouse-Native Analytics. 

Det första steget i uppgraderingen av produktanalys är att inte längre tänka på produktanalys, utan i stället tänka på en bredare ”kundreseanalys” eller ”kundanalys”. Kundreseanalys är analys över produktinstrumenteringsdata och alla andra affärsdata om kunden (försäljning, support, ekonomi, marknadsföring, framgång osv.).

Analys handlar inte längre bara om användning av produktfunktioner; det handlar snarare om hur användningen påverkar affären – såsom genererade intäkter eller orsakade supporteskaleringar. Det handlar om retentionssiffror som inte är vilseledande eftersom de nu korrekt inkluderar uppsägningar utanför produkten. Det handlar om att optimera rätt uppsättning funktioner för rätt uppsättning konton som genererar mest intäkter. Det handlar om att mäta marknadsföringseffekt inte bara utifrån antalet registreringar efter en kampanj, utan utifrån det mer långsiktiga ekonomiska värdet av de förvärvade kunderna. Det handlar om att förstå kundresor inte bara i produkten, utan även över alla kanaler såsom butik, support, chatt, lojalitetsprogram, partner osv. Det handlar om att framgångs- och supportteam skapar mer CSAT och retention genom att förstå beteendet hos användare i sina konton. Det handlar om att driftsteam kan utvärdera affärspåverkan av produkt-/webbplatsupplevelser och använda det för att prioritera problem bättre.

Det första steget mot att förverkliga visionen om kundreseanalys är att bryta ner datasilor och konvergera mot ett enda datalager. I företag i dag är det odiskutabla enda lagret för alla data datalagret/datasjön. Moderna molnbaserade datalager som Snowflake, BigQuery, Redshift och Databricks har inlett konsolideringen av all data i ett enda lager. Medan datalagret alltid har varit den centrala platsen för data som används i affärsrapportering, är den stora förändringen nu att moderna datalager också blir den centrala platsen för händelseorienterad data, t.ex. klickström, IoT, loggar, enhetsdata, utöver den traditionella tillståndsdatan (affärstransaktioner från POS, orderregistrering, leveranskedja, försäljning, ekonomi, HR osv.). Det är nu möjligt att ta emot och lagra storskalig händelsedata i datalagret snabbt och effektivt.

Alla applikationer, inklusive produkt- och kundreseanalys, bör anpassa sig till denna förändring och ställa om för att undvika att kopiera ut data till sina egna proprietära silor. Optimizely Warehouse-Native Analytics är byggt från grunden som en warehouse-native plattform och gör aldrig en kopia av dina data, aldrig.

CDP-området, som är direkt kopplat till produkt- och kundreseanalys, omdefinieras också. CDP:er uppstod som en marknadsföringslösning som var frikopplad från de centrala dataenheterna och -systemen i företaget. Även om de gav snabbt värde under de tidiga åren har de lidit av samma smärta med silobaserade system. I dag byggs nästa generations komponerbara CDP:er om ovanpå datalagret med marknadens bästa verktyg – RudderStack och Snowplow för instrumentering, Hightouch och Census för aktivering, DBT för datatransformationer kopplade till identitetsupplösning, sessionsindelning osv., Optimizely Warehouse-Native Analytics för analys, och datalagerintegrerade AI/ML-funktioner för attribution och prediktion.

I kärnan av kundreseanalys står naturligtvis Kund-entiteten. Ju högre kvalitet och rikedom Kund-entiteten har, desto bättre blir analysen.

När du väl har en enda källa till all data i datalagret/datasjön är nästa steg att ha ett enda analysverktyg för all kundorienterad analys som kan utnyttja denna data. Analysverktyg har ett lager av metadata (såsom definition av mått) ovanför tabellerna i datalagret/datasjön. Att ha en version av dessa metadata i många olika verktyg leder till flera sanningskällor, vilket är oönskat. Att dela kontext mellan flera verktyg blir svårt, även om de arbetar mot samma underliggande lager, eftersom de var och en har sin egen representation av kontext, t.ex. en kohort av användare som föll ifrån mellan två steg i en tratt. Ett enda verktyg för kundreseanalys undviker dessa problem med fragmenterad och svag analys.

Detta har historiskt inte varit möjligt eftersom händelseorienterade system (såsom produktanalys) och tillståndsorienterade system (såsom BI) är arkitekterade på olika sätt i sina metadatarepresentationer och beräkningsmekanismer. Detta är dock bara sättet som dessa system har utvecklats på historiskt. Även om det är tekniskt utmanande att bygga, är det möjligt att ha ett enda analysverktyg som kan föra samman de händelse- och tillståndsorienterade världarna – Optimizely Warehouse-Native Analytics har bevisat det.

Med ett enda analysverktyg som arbetar mot en enda sanningskälla utan kopior byggs förtroendet för siffrorna upp inom organisationen. Ett retentionstal, till exempel, som beräknas i detta enda verktyg är samma tal som citeras av alla team, och kan presenteras för ledningsgruppen med tillförsikt. Verktyget bör ha revisionsfunktioner för att kunna se exakt vilken SQL som skickades till det underliggande datalagret för oberoende verifiering av varje analytisk beräkning.

Med en bredare plattform för produkt- och kundreseanalys är avkastningen mycket högre. Kostnaderna är lägre utan datakopior och utan hantering av jobb för dataflytt. Processerna är effektiva utan bortkastad tid på att felsöka avvikelser mellan silor. Kostnader för säkerhet och styrning minskar med en enda kopia av data under företagets kontroll, och med noggrant styrd åtkomst till det centrala lagret. När analys blir mer affärspåverkande genom att inkorporera rikare affärskontext och betjäna flera team kan utgifterna för analys lätt motiveras.

Om du tänker på kundreseanalys som en kombination av produktanalys, marknadsföringsanalys och digital upplevelseanalys, och kartlägger det mot den nuvarande uppsättningen leverantörer, ser du mycket fragmentering och överlappning. Men en välbehövlig konsolideringstrend har redan börjat. Utöver detta behöver vi se konsolideringen av majoriteten av den händelseorienterade analys som i dag görs i generiska BI-verktyg, in i ett förstklassigt verktyg för kundreseanalys. Det är detta som Optimizely Warehouse-Native Analytics bygger mot.

Optimizely Warehouse-Native Analytics inleder nästa generation av produkt- och kundreseanalys – specialbyggd från grunden för den moderna datastacken. Detta är en del av en större vision om att vara ”Analytics Cloud” – den självklara plattformen i företag för all affärsorienterad analys.

Med Optimizely Warehouse-Native Analytics kan du fatta datadrivna beslut med tillförsikt i ett enda, konsekvent, pålitligt och kostnadseffektivt självbetjäningsverktyg. Gör verklig skillnad på affärsresultaten med Optimizely Warehouse-Native Analytics.