Gör produktanalys bra igen

Under semestern ställde någon mig följande fråga: "Hur kommer det sig att Amplitude, marknadsledaren inom produktanalys, endast värderas till ~ 1 miljard dollar efter att ha funnits i över ett decennium? Är det ett tecken på att produktanalysområdet är dött?".

Mitt svar i ett nötskal var"Produktanalys är inte dött. Långt därifrån. Det är till och med ännu viktigare idag. Men vårt sätt att se på produktanalys, och de verktyg vi har använt för det, måste förändras radikalt. Området behöver en omstart".

Låt mig förklara.

Den tidiga utvecklingen av produktanalys

Låt oss först försöka förstå hur traditionella produktanalysverktyg som Amplitude utvecklades. De dök upp för ett decennium sedan när ett stort antal mobilappar och produktledda SaaS-tjänster blev genomgripande. Det var viktigt att få en förståelse för hur användarna använde produkten, särskilt i konsumentorienterade produkter med hög omsättning. På den tiden fanns det inga bra alternativ för att göra detta på ett bra sätt. Analysverktygen var i första hand BI-verktyg som Tableau och Qlik. Dessa verktyg var bra för att rapportera om ERP-, CRM-, HCM- osv. data i lagret. Men de kunde inte användas för produktanalys på grund av följande

1. Händelsedata från produktinstrumentering nådde aldrig traditionella datalager. Datalagren var inte utformade för att ta in, lagra och bearbeta händelsedata på ett effektivt och kostnadseffektivt sätt.
2. BI-verktygen var inte utformade för att uttrycka eller beräkna händelseorienterade analyser.
3. Snabba digitala produkt- och marknadsföringsteam behövde en snabb lösning som inte var beroende av långsamma datateam på centrala företag.

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 hur deras produkter användes. De kunde utföra grundläggande analyser som segmentering av händelser, trattar, sökvägar etc. med hjälp av färdiga mallar. De kunde använda dessa analyser för att optimera produktfunktionerna. Detta var ett stort genombrott.

Desillusionens dalgång

Produkt- och tillväxtavdelningarna började använda dessa verktyg i stor utsträckning. Stora summor pengar spenderades på dessa verktyg som blev mycket dyra när företagen växte och deras händelsevolymer ökade snabbt. Det fanns en tro på att affärspåverkande beslut skulle fattas baserat på analyser i dessa verktyg och att utgifterna för dessa verktyg skulle löna sig. Men besvikelsen infann sig snart:

1. Analyserna i verktygen var så åtskilda och baserades på så begränsade data (ofta av dålig kvalitet) att det inte gick att fatta några viktiga beslut som påverkade verksamheten.
2. Kostnaden var så hög att avkastningen på investeringen (ROI) helt enkelt inte fanns där i förhållande till fördelarna.
3. Utöver de första, grundläggande analyserna i dessa verktyg fick affärsteamen i slutändan call to data-team för att bygga rapporter för den andra nivån av insikter, ofta med svårigheter att förklara kraven, vänta i veckor på att få rapporter och inte kunna få analyser tillräckligt snabbt för att de skulle vara användbara.
4. Datateamen kämpade med att extrahera data från "svarta hål" i de egenutvecklade produktanalysverktygen till datalagret och med att använda ett BI-verktyg (fel verktyg för produktanalys, men det enda tillgängliga verktyget!) för att ta fram rapporter.
5. Analysen blev fragmenterad mellan olika produktanalysverktyg och BI-verktyg, och förtroendet för de siffror som produktanalysverktygen producerade var mycket lågt.
6. Säkerhetsteam, med allt högre krav på regelefterlevnad och styrning, begränsade de data som kunde skickas till externa analystjänster, vilket bidrog till att deras analytiska värde minskade.

Idag är vi på väg att bli desillusionerade när det gäller produktanalys

Product Analytics har inte levt upp till sina löften. Företag som spenderat mycket pengar på traditionella produktanalysverktyg har börjat skala upp sina investeringar. Produktanalysverktyg har gått från att vara ett måste till att vara ett trevligt att ha. Det är inte konstigt att majoriteten av produktanalyserna idag inte görs i traditionella produktanalysverktyg! De görs (smärtsamt nog!) i BI-verktyg. Den här trenden accelererar och det är därför som marknadsledarna inom produktanalys värderas lågt.

Har behovet av produktanalys försvunnit?

Nej, inte alls. Behovet av produktanalys har inte försvunnit. Om något har det bara ökat, eftersom mer och mer programvara konsumeras som SaaS-tjänster med abonnemang och produktledd tillväxt blir den primära affärsmetoden för fler och fler produktledda företag. Att ha en djup förståelse för produktanvändning och kundbeteende är avgörande för att överleva på en konkurrensutsatt marknad. Behovet av produktanalys finns absolut, och behovet växer. TAM är stort och fortfarande till stor del outnyttjat. Men vi behöver en grundläggande omstart av vårt sätt att tänka kring produktanalys.

Utveckla från produktanalys till kundanalys

Det första steget i omstarten av produktanalys är att inte tänka på produktanalys längre, utan snarare tänka på en bredare "kundanalys". Customer Analytics är analyser av produktinstrumentdata och alla andra kunddata (försäljning, support, ekonomi, marknadsföring, framgång etc.)

Customer Analytics är affärspåverkande, medan Product Analytics inte är det

Analytics handlar inte längre bara om användningen av produktfunktioner, utan snarare om hur användningen påverkar verksamheten - t.ex. intäkter eller eskalering av supportärenden. Det handlar om siffror för kvarhållande som inte är missvisande eftersom de nu korrekt inkluderar avbeställningar utanför produkten. Det handlar om att optimera rätt uppsättning funktioner för rätt uppsättning konton, som genererar mest intäkter. Det handlar om att mäta marknadsföringens effekt, inte bara genom antalet registreringar efter en kampanj, utan genom det långsiktiga ekonomiska värdet av förvärvade kunder. Det handlar om att förstå kundresan, inte bara när det gäller produkten, utan också i alla kanaler, t.ex. butik, support, chatt, lojalitetsprogram, partners osv. Det handlar om att framgångs- och supportteam kan öka CSAT och kundlojalitet genom att förstå beteenden hos användare i deras konton. Det handlar om att operativa team ska kunna utvärdera affärspåverkan av upplevelser av produkter och webbplatser och använda detta för att prioritera problem bättre.

Customer Analytics ger en delad, konsekvent och lättillgänglig bild av kundbeteendet för alla kundorienterade team i företaget och omfattar alla kundkontaktpunkter - både inom och utanför produkten.

Inga fler åtskilda datasilos. Inga fler analytiska åtskilda områden.

Bryta upp datasilon

Det första steget för att förverkliga Customer Analytics-visionen är att bryta åtskilda datasilos och konvergera till ett enda datalager. I dagens företag är datalagret/datasjön det obestridda gemensamma lagret för all data. Moderna molnbaserade datalager som Snowflake, BigQuery, Redshift och Databricks har gjort det möjligt att konsolidera all data till ett enda lager. Lagret har alltid varit den centrala platsen för data som används i affärsrapportering, men den stora förändringen nu är att moderna lager/lager också blir den centrala platsen för händelseorienterad data, t.ex. clickstream, IoT, loggar, enhetsdata. Det är nu möjligt att snabbt och effektivt ta in och lagra även den här typen av data i lagret/sjön.

Datalagret/sjön är tyngdpunkten för all data i företaget - händelsedata och statusdata

Alla applikationer, inklusive Customer Analytics, bör anpassa sig till denna förändring och omorganisera sig för att undvika att kopiera data ut till sina egna åtskilda silos.

Nästa generations CDP:er

CDP, som är direkt relaterat till produktanalys, håller också på att omdefinieras. CDP:er uppstod som en marknadsföringslösning som var frikopplad från företagets centrala datasystem och team. Även om de gav ett snabbt värde under de första åren har de drabbats av samma problem som åtskilda system. Idag byggs nästa generations komponerbara CDP:er upp ovanpå datalagret med hjälp av de bästa verktygen - RudderStack och Snowplow för instrumentering, Hightouch och Census för aktivering, DBT för datatransformationer relaterade till identitetslösning, sessionering etc. och ML-funktioner i lagrets ekosystem för attribution och prediktion.

Kärnan i Customer Analytics är naturligtvis kundenheten. Ju högre kvalitet och rikedom på kundentiteten, desto bättre blir analysen.

Nästa generations CDP:er, med sina rika kunddatamodeller, är en möjliggörare för rikare kundanalyser

Bryt ner åtskilda analysmetoder

När du har en enda källa för alla data i lagret/sjön är nästa steg att ha ett enda analysverktyg för alla kundorienterade analyser som kan utnyttja dessa data. Analysverktyg har ett lager av metadata (t.ex. definition av mätvärden) ovanför tabellerna i lagret/sjön. Att ha en version av dessa metadata i många olika verktyg resulterar i flera sanningskällor som absolut måste undvikas. Det blir svårt att dela kontext mellan flera verktyg, även om de arbetar med samma underliggande lager, eftersom de alla har sin egen representation av kontext, t.ex. en kohort av användare som hoppade av mellan två steg i en tratt. Med ett enda verktyg för kundanalys undviker man dessa problem med fragmenterade och svaga analyser.

Ett enda verktyg för kundanalys tillgodoser behoven hos produkt-, tillväxt-, marknadsförings-, försäljnings-, framgångs- och supportteam för alla deras analysbehov

Detta har inte varit möjligt historiskt eftersom händelseorienterade system (t.ex. Product Analytics) och tillståndsorienterade system (t.ex. BI) är uppbyggda på olika sätt när det gäller representation av metadata och beräkningsmekanismer. Men det är just så som dessa system har utvecklats historiskt. Även om det är tekniskt utmanande är det möjligt att ha ett enda analysverktyg som kan föra samman de händelse- och tillståndsorienterade världarna.

Bygga upp förtroende

Med ett enda analysverktyg som arbetar utifrån en enda sanningskälla utan kopior byggs förtroendet för siffror upp inom organisationen. En retention-siffra, till exempel, som beräknas i detta enda verktyg är samma siffra som citeras av alla team och kan presenteras för C-Suite med tillförsikt. Verktyget bör ha funktioner för granskning så att man kan se exakt vilken SQL som utfärdades till det underliggande lagret/sjön för oberoende verifiering av alla analytiska beräkningar.

När man litar på siffrorna ökar användningen av analysverktyg i alla team i företaget och affärsvärdet ökar.

Generera avkastning på investerat kapital

Med en bredare plattform för kundanalys är avkastningen på investeringen mycket högre. Kostnaderna blir lägre utan datakopior och utan hantering av dataflyttningsjobb. Processerna blir effektiva utan bortkastad tid på att felsöka avvikelser mellan åtskilda enheter. Kostnaderna för säkerhet och styrning minskar med en enda kopia av data under företagets kontroll och med noggrant kontrollerad åtkomst till det centrala lagret. Eftersom analysverktygen blir mer affärsnyttiga genom att de innehåller ett rikare affärskontext och betjänar flera team, kan utgifterna för analysverktyg lätt motiveras.

Kundanalysverktyg kan potentiellt ge en storleksordning bättre ROI än traditionella produktanalysverktyg

Konsolidering av leverantörer och verktyg

Om du tänker på kundanalys som en kombination av produktanalys, marknadsanalys och digital upplevelseanalys och kartlägger det med den nuvarande uppsättningen leverantörer ser du en hel del fragmentering och överlappning. Men en välbehövlig konsolideringstrend har redan börjat. Contentsquares förvärv av Heap, Adobes tillkännagivande av ett produktanalyserbjudande, Mixpanel som lanserar marknadsföringsanalys, Amplitude som lanserar session replay, FullStory som erbjuder produktanalys etc. är tecken på denna konsolidering. Utöver detta behöver vi se en konsolidering av majoriteten av den händelseorienterade analys som idag görs i generiska BI-verktyg till ett förstklassigt Customer Analytics-verktyg.

Den dominerande leverantören på det här området kommer att vara den som kan tillhandahålla en sammanhållen, men komponerbar, Customer Analytics-svit på en modern datalager-/lakehouse-arkitektur

Gartners magiska kvadrant för Customer Analytics?

Gartners magiska kvadrant (MQ) för ett område är ofta ett tecken på mognad i det området. Vanligtvis visas en MQ när den andra generationen verktyg dyker upp i en bred, väldefinierad, sammanhängande kategori. Min förutsägelse är att vi kommer att se en Gartner MQ för kundanalys under de närmaste åren, som omfattar produktanalys, marknadsanalys och digital upplevelseanalys.

Gör produktanalys fantastiskt igen!

Låt mig använda frasen på skämt och utan avsikt att reta upp några politiska fjädrar, men låt mig ändå vädja om att "göra produktanalys fantastiskt igen!" Det här är fortfarande ett nytt område där så mycket som en tredjedel av marknaden inte ens är exploaterad. Låt det här nya segmentet få en bra start med en modern analysplattform. För den del av marknaden som har blivit desillusionerad, låt oss göra rätt för dem. Låt oss erbjuda en ny typ av analys som genererar stort värde för dem.