Optimizely Warehouse-native analytics vs. ThoughtSpot

Optimizely Warehouse-Native Analytics är en produkt- och kundanalysplattform. ThoughtSpot är en plattform för Business Intelligence (BI). I våra kundengagemang får vi ofta frågan - när ska jag använda Optimizely Warehouse-Native Analytics och när ska jag använda ThoughtSpot? Den här bloggen tar upp frågan och ger vägledning om användningen av båda verktygen.

Nedan följer en jämförelse av de två verktygen baserat på funktioner och den typ av analys som görs av affärs- och datateam.

Låt oss titta på varje rad individuellt.

Beteendebaserad analys

Optimizely Warehouse-Native Analytics erbjuder en rik uppsättning UI-drivna mallar som är specialbyggda för beteendedata och som kan användas av affärsanvändare och dataingenjörer utan att behöva skriva SQL. Optimizely Warehouse-Native Analytics optimerar frågor till datalagret för bästa förhållande mellan kostnad och prestanda. Alla rapporter som genereras av Optimizely Warehouse-native Analytics är interaktiva, för att iterativt göra djupare och djupare analyser.

ThoughtSpot är inte utformat för beteendeanalys eftersom det inte är en händelseorienterad plattform. Beteendeanalys i ThoughtSpot måste göras genom att skriva SQL vilket är mycket komplext och besvärligt att bygga och underhålla. ThoughtSpot har ingen inbyggd förståelse för tidsserier, kohorter, trattar etc. för att optimera frågor, vilket resulterar i dålig prestanda och höga lagerkostnader. Även om en visualisering (smärtsamt) kan konstrueras i ThoughtSpot med hjälp av SQL, är den inte interaktiv. Varje uppföljningsfråga resulterar i en begäran till datateamet om att bygga en ny ThoughtSpot-rapport.

Rapportering av produktion

ThoughtSpot är i grunden ett rapporteringsverktyg byggt för produktionsrapportering.

Medan Optimizely Warehouse-Native Analytics har ett rikt rapporterings- och dashboard-lager, har det ännu inte några av visualiseringsfunktionerna som Geokartor, avancerade pivottabeller, finansiell rapportering, schemalagd rapportdistribution etc.

Ad hoc undersökande analys

Optimizely Warehouse-native Analytics specialiserade mallar för beteendeanalys, rika bibliotek med modelleringsmallar och generiska visuella utforskningsgränssnitt möjliggör självbetjäning av ad hoc-datautforskning av affärsanvändare utan att behöva skriva SQL.

Sökdriven rapportförfattande

ThoughtSpot är pionjären inom sökdriven BI, där en affärsanvändare kan uttrycka en analytisk fråga med hjälp av ett sökgränssnitt för att enkelt producera en rapport.

Specialiserade analyser av engångskaraktär

ThoughtSpots Mode (förvärv) är utformat för SQL-kunniga datavetare / ingenjörsteam som kräver SQL: s fulla kraft för specialiserade, engångsanalyser.

Optimizely Warehouse-Native Analytics erbjuder fullt SQL-stöd och en kraftfull skriptabstraktion över SQL, kallad NetScript. Det erbjuder dock inte samarbete och livscykelhantering av SQL-frågor.

Rapportering med självbetjäning

Optimizely Warehouse-Native Analytics har rika funktioner för självbetjäningsrapportering och dashboards, med den ytterligare fördelen att sömlöst införliva beteendeanalys i dimensionell rapportering, t.ex. ta en kohort av användare som tappade mellan två steg i en tratt och dela upp mätvärden för den kohorten efter olika dimensioner. I scenarier där affärsteam har behov av beteendeanalys, BI-rapportering och dashboard i samma verktyg fungerar Optimizely Warehouse-Native Analytics som det enda integrerade verktyget. Observera att i detta scenario används Optimizely Warehouse-native Analytics också av datateam som kan hjälpa affärsteam att bygga mer avancerad analys, med fördelen att de kan bygga tillsammans i samma verktyg.

Konvergera produktanalys och BI

Utmaningen fram till nu har varit att produktanalys och BI har varit separata system. När en användare i ett första generationens produktanalysverktyg har nästa nivå av frågor måste de ringa sina datateknikteam för att bygga en engångsrapport i ett BI-verktyg. Dataingenjörsteamet måste exportera data från produktanalysverktyget till ett datalager och skriva krånglig SQL för att ta fram rapporten - det kan ta veckor. Dessutom har du nu fragmenterade analyser i två separata system som inte kan användas sömlöst.

På Optimizely Warehouse-native Analytics har vi byggt upp vårt system från grunden för Modern Data Stack. Vi har utformat en arkitektur som överbryggar världarna för händelse- och tillståndsorienterade system. Vi gjorde detta genom att börja med en traditionell relationsmodell och lägga en händelsemodell ovanpå. Den traditionella relationsmodellen möjliggör BI-liknande dimensionella analyser från en självbetjäningsplattform för produktanalys. Läs den här bloggen för att lära dig mer.

Utvecklingen från produktanalys till kundanalys

Första generationens produktanalysverktyg som Mixpanel och Amplitude dök upp för ett decennium sedan när mobilappar och SaaS-tjänster blev allt vanligare och BI-verktyg, Customer 360 och datalager ännu inte klarade av uppgiften. Det gav snabbt produktteamen en förståelse för användarnas beteende inom produkten och hjälpte dem att förbättra produktfunktionerna. Tyvärr var dessa verktyg åtskilda med endast produktinstrumentdata, vilket begränsade deras värde till mätvärden på produkt- och funktionsnivå. Inga betydande beslut som påverkade verksamheten kunde fattas - och absolut inte några som C-Suite brydde sig om.

Eftersom programvara i allt högre grad konsumeras som SaaS-tjänster med abonnemang, vill tvärfunktionella produktledda tillväxtgrupper nu eliminera åtskilda produktanalyser och kombinera produkt- och kunddata (försäljning, support, ekonomi, marknadsföring, framgång etc.) för en delad, konsekvent 360-vy som skär över alla kundkontaktpunkter - i produkten eller utanför produkten, för analyser som påverkar verksamheten. Läs den här bloggen för att lära dig hur vi, med hjälp av framstegen inom molnbaserade datalager, har slutit cirkeln med Customer Analytics.