Warehouse-native analytics på beteendedata från snöplogar

(Den här artikeln finns också på Snowplow Blog. Ett särskilt tack till Derek Kong, Partnerships & Alliances Marketing Manager på Snowplow för hans värdefulla synpunkter).

I Modern Data Stack går all data - inklusive Snowplows förstapartsdata om kundernas beteendedata - till en centraliserad datalagring i molnet. Detta kan antingen vara en datasjö, till exempel Databricks, eller ett datalager, till exempel Snowflake. Oavsett om man använder en lakehouse- eller warehouse-arkitektur standardiserar företagen att all data ska finnas i ett centralt lager. Detta ger fördelar när det gäller konsistens, säkerhet, styrning och hanterbarhet.

För analys arbetar verktyg och funktioner som Business Intelligence (BI) och AI/ML redan direkt med data i samma lager. BI-verktyg som Tableau och Looker har dock inte effektivt stöd för beteendedata (dvs. tidsseriedata). Därför används de ofta i kombination med produktanalysverktyg som Amplitude och Mixpanel, som kom för tio år sedan med specialbyggda analysverktyg för användarhändelsedata. Dessa vertikalt implementerade lösningar föregick den moderna datastacken och fungerar därför inte naturligt i ett datalager eller en datasjö. De är begränsade till kanaler som endast omfattar produkter, har mycket begränsad rapportering och erbjuder inte förstklassig instrumentering.

Ett centraliserat datalager eller en datasjö bryter ned dessa åtskilda strukturer och banar väg för att komponera datastacken med förstklassiga funktioner i varje lager.

Instrumentering som är bäst i klassen

Snowplow är en integritetskompatibel plattform för insamling och bearbetning av förstapartsdata som gör det möjligt för organisationer att generera och modellera förstapartsdata från alla sina digitala gränssnitt för att fånga beskrivande kundresor och bygga handlingsbara beteendedata. Snowplow är särskilt utformad för dataplattformar som en enda sanningskälla; marknadsförare, datateam och CDP:er kan aktivera Snowplow-data för Customer 360, personalisering och ML-användningsfall.

Genom att utnyttja Snowplow får affärssystem en komplett och enhetlig beskrivande bild av sina kundinteraktioner, liksom interaktioner med partners, applikationer och system. Förstapartsdata från olika digitala källor (webbplats, mobilappar, IoT, etc.) presenteras som rader av händelser, som var och en innehåller kontextuella enheter och egenskaper, t.ex. webbplats och händelseplats - länkade tillsammans för att bilda en resa för varje kundinteraktion.

Snowplows förstapartsdata är prediktiv till sin natur och rik på sammanhang, vilket gör den till det perfekta bränslet för avancerad analys.

Analys av bästa klass

När förstapartsdata berikas ytterligare med andra affärsdata i datalagret (t.ex. kontonivåuppgifter från Salesforce, supportloggar i Zendesk eller betalningshistorik i NetSuite) kan du skapa en faktamässigt heltäckande bild av kunden och deras resa, för en djup förståelse av de beteendemönster över tid som driver på att behålla kunder, hänvisningar och intäkter.

NetSpring är en nästa generations lösning för warehouse-native analytics som erbjuder självbetjäning för produktanalys med BI:s analytiska kraft. Produkt-, tillväxt- och framgångsteam kan få en fullständig bild av kundresor på kontonivå, förstå attribution och få tvärfunktionella affärsinsikter. De kan förbättra alla analyser av segmentering, tratt, väg, kohort eller retention med ad hoc-analys - för att visuellt utforska alla data i lagret.

Lagerbaserad arkitektur

En gemensam warehouse-native-strategi gör att både Snowplows Behavioral Data Platform (BDP) och NetSprings Product & Behavioral Analytics kan mötas vid en gemensam punkt - ett datalager - som Snowflake.

Med NetSprings nästa generations funktioner för produktanalys kan företag börja frigöra det fulla värdet av Snowplows förstapartsdata från kunder. Med hjälp av förstklassig instrumentering och analys kan gemensamma kunder operationalisera omfattande förstapartsdata om kundbeteenden och sedan dissekera och förstå beteendemönstren under hela kundresan - från adoption till engagemang och att behålla kunder och intäkter på kontonivå.

Nästa steg

En on demand-inspelning av Unlock the Value of Snowplow 1P Customer Data with NetSpring är nu tillgänglig. Titta på den gemensamma demon för att se hur:

• Snowplow kan instrumentera hela användarresan och kundresan i alla kanaler och kontaktpunkter
• Ett datalager kan samla kompletta och prediktiva kundprofiler från Snowplow, tillsammans med alla relevanta kund- och affärssammanhang för en komplett bild av hela kundresan
• NetSpring utnyttjar datalagret som den enda sanningskällan och använder den rika modellerings- och analyskraften i BI för visuell ad hoc-utforskning av tratt-, väg- och kohortanalyser

Rekommenderad läsning

• Hur och varför NetSpring bygger nästa generations produktanalys på Snowflake (Snowflake blog)
• Plattformar för beteendedata för produktanalys (Snowplow blog)
• Produktanalys iden moderna datastacken (NetSpring-blogg)
• Den komponerbara CDP:n och vad den betyder för produktanalys (NetSpring blog)
• Sluta använda 3+ verktyg för produktanalys (NetSpring-blogg)