Mognadsmodell för kundanalys: En guide till datadriven tillväxt

I mitt tidigare inlägg om kundanalys diskuterade vi hur den unika vy som kundanalys ger kan ersätta de fragmenterade vyer som vi har haft inom produkt-, marknadsförings- och verksamhetsanalys. En viktig katalysator för denna förändring är övergången till warehouse-native analytics som möjliggörs av högpresterande datalagerplattformar. Detta gör att vi kan göra lagret till sanningens källa istället för att hantera lösningsspecifika åtskilda datasilos. Den här förändringen är en av de viktigaste förändringarna på senare tid för analytics eftersom den återställer möjligheten att agera utifrån en enhetlig bild av våra kunder, något som vi förlorade när digitala produkter skalades upp snabbare än våra lager kunde stödja dem och vi hamnade i åtskilda områden. Vi kan nu svara på de frågor som våra företag verkligen ställer i stället för att behöva dela upp dem i fack eftersom vi inte enkelt kan delta i alla de data som krävs.

Även om det här är en spännande utveckling är verkligheten den att de flesta av oss fortfarande har betydande åtskilda data. Trots alla löften om Modern Data Stack är det långsamt och svårt att utveckla en relevant insikt och sedan operationalisera den, och det kräver många dyra människor. Hittills är arvet från den moderna datastacken en samling legitimt imponerande punktlösningar, men en oklar väg till det vi verkligen vill ha - möjligheten att använda data för att aktivera kunder i skala upp.

Mognadsmodell för kundanalys

När vi försöker förstå hur de här verktygen passar ihop är en mognadsmodell till hjälp för att förstå vad vi försöker åstadkomma och var de olika delarna passar in.

Figur 1: Mognadsmodell för kundanalys

I stort sett alla företag har åtminstone delvis nått fram till nivå 1: Funktionella analys verktyg 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 hela vår relation med kunden (t.ex. varför avbryter folk). Dessa verktyg hanterar sina egna analyser och data i sina respektive åtskilda delar, så de kan inte bara inte svara på mer holistiska frågor, de hindrar också möjligheten att göra det någon annanstans.

I takt med att företagen 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 enhetlig datastruktur i lagret och kanske till och med visas operativt i CDP. Denna uppstigning till nivå 2: Warehouse C360 löser till synes problemen på nivå 1 - att få en helhetsbild av kunden - men i praktiken kör man fast på två ställen. För det första är C360 en skräddarsydd lösning som är beroende av interna team för att bygga allt, medan de funktionella verktygen tillhandahåller en stor del av analys- och rapporteringslagret. För det andra, även om vissa funktionella data når lagret (t.ex. backend-produktdata), är många av dem fångade i de åtskilda lösningarna (t.ex. frontend-produktdata) och är i bästa fall svåra att integrera, vilket gör att C360 saknar väsentliga delar av kundvyn.

Fram till nyligen var nivå 2 det bästa vi kunde göra eftersom åtskilda verktyg för våra funktionsområden bara kunde undvikas genom att vi byggde våra egna lösningar, och få företag har en skala upp som gör det möjligt. Nu, med lösningar som NetSpring, är det möjligt att ersätta åtskilda verktyg med lösningar som naturligt placerar deras data i lagret tillsammans med allt annat vi vet om en kund. NetSpring är dessutom tillräckligt flexibelt för att minska ansträngningarna i samband med att bygga det rapporteringslager som äldre BI-lösningar gjorde långsamt och ineffektivt att utveckla. Genom att släppa på de två största begränsningarna i nivå 2 blir nivå 3: Warehouse-native Customer Analytics mognad möjlig och öppnar upp för en drifta av användningsfall som leder till snabbare insikter och möjligheten att använda dessa insikter för att aktivera kunder.

Att nå nivå 3 innebär en betydande vinst för de flesta företag, eftersom de nu äntligen kan vidta åtgärder som tar ett helhetsgrepp på kunden. Detta kräver dock fortfarande att användarna definierar mätvärden, attribut och rapporter som avslöjar insikter och driver fram beslut. När vi blickar framåt är nästa logiska steg i vår mognad Nivå 4: Autonomous Customer Analytics, där vi automatiserar mycket av denna upptäckt, sannolikt genom att införliva AI för att korsa våra C360 i skala upp för att upptäcka potentiella mätvärden och dimensioner. Sådana lösningar är fortfarande till stor del science fiction, men med framsteg inom områden som generativ AI närmar vi oss möjligheten att leverera dessa lösningar, och när de är redo kommer de att behöva exakt den typ av enhetlig bild av kunden som vi får när vi når nivå 3.

Varje mognadsnivå representerar en utveckling av tekniken som systematiskt öppnar upp för nya användningsområden, där begränsningarna på varje nivå ger upphov till innovationer som ligger till grund för nästa nivå.

Tabell 1: Användningsfall på mognadsnivå och begränsningar i tillgängliga lösningar

Slutsatser

Vi har äntligen kommit till 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 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 analytics-lösningar som NetSpring är den saknade ingrediensen för att syntetisera en helhetssyn på våra kunder som vi kan utnyttja i stor skala upp. De skapar också förutsättningar för ännu mer sofistikerade metoder som har potential att automatisera bort mycket av det här arbetet i framtiden. Oavsett vilket har vi äntligen kommit till en plats där våra datastackar gör det enkelt att hantera våra mest kritiska användningsfall och leverera värde till våra kunder och vår verksamhet.

John Humphrey har över två decenniers upplevelse av att hjälpa företag att frigöra insikter och aktivera data i skala upp. Hans upplevelse inkluderar att ha varit den första datahyrningen på Goodreads (förvärvad av Amazon), ledande LegalZooms dataorganisation genom sin börsintroduktion och senast som Chief Data Officer på Intuit Mailchimp. John är rådgivare på NetSpring.