Sluta använda fler än tre verktyg för produktanalys

Har du lagt tid och kraft på att integrera flera team, leverantörer och tekniker när du har utökat din produktanalysstack? Om så är fallet vet du att detta ofta kan skapa åtskilda data och en drifta av andra problem, från dataduplicering till ineffektiva processer. Det behöver inte vara på det här sättet. I den här artikeln går vi igenom de tre faser som företag vanligtvis har genomgått i sin produktanalysresa och hur nästa generations produktanalys kan ersätta flera verktyg med en enda analysplattform som bygger på den moderna datastacken.

De tre faserna i produktanalysens mognad

Organisationer brukar börja med ett grundläggande analysverktyg för att svara på enkla frågor om vad användarna gör i produkten. Det dröjer inte länge förrän saker och ting blir mer komplexa och ett team har olika verktyg för varje typ av fråga. Låter den här analysresan bekant för din organisation?

Fas 1: Spåra användarinteraktioner

Du börjar med en grundläggande fråga: Hur använder användarna din produkt? Du väljer ett verktyg som Mixpanel. Därefter får du teknikavdelningen att lägga till lite instrumentering. Det krävs en del övertalning för att få säkerhetsteamets godkännande att skicka data om produktinstrumentering till ett SaaS-verktyg med svart låda, men till slut lyckas du.

Efter att ha gjort förarbetet börjar du få den första nivån av insikter. Med ditt analysverktyg kan du göra segmentering av händelser för att se vad användarna gör. Du kan mäta konvertering, engagemang och kvarhållningsrelaterade mätvärden. Verktyget stöder också byggandet av grundläggande trattar och vägar. Du har nu en nivå av synlighet som du inte hade tidigare.

Fas 2: Identifiera drivkrafterna bakom affärsresultaten

Ditt ursprungliga analysverktyg fungerade bra tills du naturligt började ställa nästa uppsättning frågor. Denna nästa nivå av analys går längre än att bara mäta resultat. Det handlar om att förstå drivkrafterna bakom affärsresultaten, t.ex. Varför konverterar vissa kohorter bättre än andra? Hur påverkar onboarding-resan aktiveringen? Vilken är profilen för de användare som slutar? Hur förhåller sig produktmått till övergripande affärsmått?

När ditt första analysverktyg inte räcker till för att besvara dessa frågor vänder du dig till ditt BI- eller Data Engineering-team. Det här teamet skapar ETL-jobb för att exportera data från produktanalysverktyget till ett datalager. De använder ett BI-verktyg som Tableau för att generera specifika rapporter som du ber om. De kämpar för att generera dessa specialiserade rapporter eftersom det är mycket svårt att skriva produktanalysfrågor av typen tratt/path i Tableau. Det tar i genomsnitt två veckor att få tillbaka en enda rapport. Ofta är det för sent att agera på insikterna från dessa rapporter. BI- och Data Engineering-teamen är överväldigade av upprepade förfrågningar från verksamheten.

Fas 3: Stöd för anpassade analyser med SQL

När dina analysbehov skalas upp blir det mycket svårt att vara beroende av BI- eller Data Engineering-teamet. Inte nog med att det tar för lång tid att få de rapporter du behöver, analyserna är åtskilda och inte sömlösa. Du kan inte använda resultaten från BI-verktyget för vidare analys i ditt produktanalysverktyg och vice versa. Du vill till exempel studera användarnas beteenden på kontonivå, vilket kräver data från ett försäljningssystem. Med hjälp av resultaten från en BI-rapport vill du studera konverteringstrattar som filtreras av användare som tillhör en viss kontonivå. Detta kan du inte göra själv.

Så du bestämmer dig för att anställa en affärsanalytiker inom din affärsgrupp som är SQL-kunnig. Hon köper ett SQL-verktyg som Mode och gör SQL-baserade analyser för gruppen. Det går snabbare att generera rapporter nu, eftersom du inte förlitar dig på BI eller datateknik. Å andra sidan är problemet med åtskilda analyser i flera olika verktyg lika illa, om inte värre, nu när SQL finns med i bilden. Analytikern drabbas av utmaningarna med att skriva och underhålla komplex SQL i takt med att analysbehoven växer. Du är frånkopplad från det centrala datateamet och börjar upptäcka avvikelser i mätvärdena i hela organisationen. Det centrala teamet oroar sig för säkerhet och styrning med din åtskilda avdelning.

Nästa generations produktanalys

Det finns en nästa generations metod som kan utföra samma arbete som din programvara för produktanalys, ditt BI-verktyg och din SQL-plattform, allt i ett. Det börjar med att arbeta direkt från ditt datalager.

Detta ger ett antal fördelar:

1. Du kan undvika åtskilda data och i stället använda datalagret som sanningskälla. Förutom mer korrekta data gör detta det lättare att implementera data från hela verksamheten som tidigare var svåra att förena. Sekretess- och säkerhetsfrågor hör också till det förflutna.
2. Du kan dra nytta av det bästa från produktanalys och BI. Det går fortfarande att få grundläggande insyn i produktanvändningen, men det är också enkelt att besvara ad hoc-frågor med sofistikerade BI-analyser.
3. Visuella gränssnitt med självbetjäning minskar affärsanvändarnas beroende av BI- och datateknikteam.

Optimizely Warehouse-Native Analytics ligger i framkant av denna generationsförändring inom produktanalys med sin analysprodukt som är byggd från grunden för den moderna datastacken. Om du vill ha ett verktyg som ersätter många och som växer med din organisation, kolla in Warehouse-Native Analytics